Inherent, 27B 모델 파라데이로 앤스로픽·오픈AI 앞질러

Inherent는 구글 딥마인드 출신들이 세운 스타트업 중 상대적으로 주목을 덜 받아온 곳이에요. 더 많은 투자를 받은 경쟁사들이 아직 구체적인 결과물을 내놓지 못한 사이, 이 팀은 조금씩 결과를 공개하기 시작했어요. 5000만 달러 규모의 시드 투자를 받고 스텔스 상태를 벗어난 지 불과 몇 주 만에, 이번 파라데이 결과를 내놓은 거예요.

공동창업자이자 최고과학책임자인 Edward Hughes는 논문 재현이 단순한 재주 부리기처럼 보일 수 있다고 인정하면서도, 이 과제가 인간 과학자들의 표준 훈련 과정과 다르지 않다고 설명했어요. "박사과정 학생들도 대부분 이렇게 시작합니다." Inherent의 궁극적 목표는 기존 결과를 검증하는 데 그치지 않고 새로운 과학적 지식을 발견하는 AI를 만드는 것이라고 해요.

이기는 것보다 만드는 방식이 중요했다

Hughes는 다른 AI 시스템을 이긴 것 자체가 목표는 아니었다고 말했어요. 그보다 중요했던 건 그 결과에 도달한 방식이었다는 거죠. Inherent가 세운 성공 기준도 단순한 정확도를 넘어섰어요. 결과를 재현하는 것뿐 아니라, 어떤 실험이 해볼 가치가 있고 그 실험을 어떻게 잘 설계할지 판단하는 감각—Inherent는 이를 '리서치 테이스트(research taste)'라고 불러요—을 파라데이가 갖추길 원했어요.

이런 감각을 가르치는 일은 규칙을 일일이 정해주기 어려운 영역이에요. Inherent는 여기서 강화학습을 활용해요. 결과가 좋으면 보상을 주는 방식으로, 과학 연구 과정 자체를 학습시키기보다 보상 기반 학습이 여러 과학 분야에 걸쳐 더 잘 일반화될 거라는 판단에서예요. Hughes는 "우리는 항상 AI 과학자 에이전트를 만들고 거기에 테이스트를 불어넣는다는 북극성 같은 목표에 이끌린다"고 말했어요.

이 원칙은 Inherent가 무엇을 만들지 않을지도 결정했어요. 자체 코딩 도구를 개발하는 대신, 파라데이는 오픈AI의 GPT-5.5 코덱스를 그대로 가져다 썼어요. 인간 과학자들이 모든 도구를 직접 만들기보다 기존 소프트웨어에 기대는 것과 비슷한 방식이라고 회사는 설명했어요.

킹스크로스 사무실과 '가든 리브' 문제

Inherent 직원 12명은 모두 런던 킹스크로스의 사무실에 나와 대면으로 일해요. 한때 낙후됐던 이 지역은 구글 딥마인드가 자리 잡으면서 세계적인 AI 허브 중 하나로 바뀐 곳이죠. Hughes는 "런던이 있어야 할 곳이라고 믿는다"고 말했어요.

동시에 Hughes는 영국에서 흔한 관행인 '가든 리브'를 없애야 한다는 목소리에도 힘을 보탰어요. 퇴사한 직원이 몇 달 동안 경쟁사에 합류하거나 창업하지 못하게 막는 제도인데, 미국 연구자들은 대체로 이런 제약을 받지 않아서 미국 스타트업이 인재 영입에서 유리한 입장에 선다는 지적이에요. 자신의 X 계정에 올린 글에서 그는 "이건 회사 입장이 아니라 개인적인 견해지만, 나 스스로 가든 리브 문제로 어려움을 겪었다"고 밝혔어요.

Hughes는 결국 이 제약을 벗어나 다른 구글 딥마인드 출신 두 명, 그리고 네 번째 공동창업자와 함께 Inherent를 세웠어요. 회사는 속도를 늦출 생각이 없다고 하고요. 연말까지 인력을 20~25명 규모로 늘릴 계획이라고 밝혔는데, 월드모델 분야에도 야심을 두고 있는 만큼 데미스 허사비스의 새로운 역할로 술렁이는 구글 딥마인드 직원들에게 매력적인 이직처가 될 수 있다는 관측도 나와요.

모델 규모 비교

시스템	개발사	특징
파라데이 (기반: Qwen 3.6)	Inherent	270억 파라미터, 논문 재현 과제 특화
Claude Opus 4.8	앤스로픽	프론티어급, 파라미터 미공개
GPT-5.5	오픈AI	프론티어급, 파라미터 미공개

에디터의 시선

이번 발표에서 진짜 눈여겨봐야 할 건 '이겼다'는 결과가 아니라 '작은 모델로 이겼다'는 조합이에요. AI 업계는 그동안 더 큰 모델, 더 많은 컴퓨팅으로 성능을 밀어붙이는 쪽으로 움직여 왔는데, Inherent는 정반대 방향에서 결과를 냈어요. 270억 파라미터짜리 모델이 프론티어급 시스템을 이겼다는 건, 문제를 얼마나 잘 설계하고 얼마나 잘 훈련시키느냐가 크기 그 자체보다 중요할 수 있다는 신호로 읽혀요.

같은 맥락에서 최근 업계 흐름을 함께 놓고 보면 이 결과가 더 뚜렷해져요. 엔비디아가 최근 보여준 사례처럼, 에이전트 성능을 좌우하는 건 모델 자체보다 그 모델을 감싸는 하네스—과제를 어떻게 쪼개고 어떤 도구를 붙여주느냐—인 경우가 많아요. Inherent가 자체 코딩 도구를 안 만들고 오픈AI의 코덱스를 그대로 가져다 쓴 선택도 같은 논리예요. 잘하는 부분에 집중하고 나머지는 이미 있는 걸 빌려 쓰는 게 오히려 더 나은 결과를 낼 수 있다는 거죠.

국내 AI 팀에 주는 실무적 시사점도 있어요. 대형 모델 API 비용에 부담을 느끼는 팀이라면, 특정 과제를 좁혀서 정의하고 그 과제에 맞춰 작은 모델을 강화학습으로 다듬는 전략이 프론티어 모델을 그대로 갖다 쓰는 것보다 비용 대비 효율이 높을 수 있어요. 다만 이번 결과는 논문 재현이라는 좁은 과제 안에서의 이야기이고, Inherent 스스로도 새로운 과학적 발견은 훨씬 더 어려운 다음 단계라고 인정하고 있어요.

앞으로 몇 달 안에는 Inherent가 이 좁은 과제를 넘어 실제로 새로운 실험 결과를 스스로 설계해 제시하는지가 관건이 될 거예요. 그때 가서야 '리서치 테이스트'라는 표현이 마케팅 문구였는지, 실제 능력이었는지가 갈릴 거예요.