내 폰 안의 AI가 눈과 귀를 갖게 된다면? 'EmbeddingGemma 2' 이야기

상상해보세요. 스마트폰에 수천 개의 영상과 음성 파일이 있는데, 그중 “어제 먹은 점심 메뉴를 말하던 영상”을 찾고 싶습니다. 지금까지는 사람이 일일이 파일을 열어보거나, 클라우드 서버에 영상 데이터를 업로드해서 분석해야만 했죠.

그런데 만약 내 스마트폰이 스스로 영상 속 내용을 ‘보고’ ‘듣고’ 이해해서, 우리가 친구에게 말하듯 “점심 메뉴 영상 찾았어”라고 대답해준다면 어떨까요? 최근 구글 딥마인드(Google DeepMind)가 공개한 EmbeddingGemma 2가 바로 이런 미래를 앞당기고 있습니다.

이게 왜 중요한가요?

우리가 흔히 쓰는 AI는 대개 덩치가 큽니다. 그래서 인터넷을 통해 거대한 서버에 질문을 보내고 답변을 받아오는 방식(클라우드)을 사용하곤 하죠. 하지만 이 방식은 두 가지 큰 제약이 있습니다. 첫째, 데이터가 외부 서버로 나가는 것에 대한 사생활 우려가 있습니다. 둘째, 인터넷 환경에 따라 답변이 느려지기도 합니다.

EmbeddingGemma 2는 ‘거대한 서버’의 도움 없이도 휴대폰이나 노트북 안에서 작동할 수 있도록 설계된 모델입니다. 이를 전문용어로 ‘온디바이스(on-device, 기기 자체 실행) AI’라고 하는데요. 이 기술을 통해 사용자는 개인정보 걱정 없이, 인터넷 연결 없이도 수많은 사진과 영상, 음성 데이터를 빠르게 검색하고 분류할 수 있게 됩니다.

쉽게 말해서: ‘데이터의 공통 언어’를 찾다

그렇다면 어떻게 이 작은 AI가 사진도 보고, 소리도 들을 수 있을까요?

쉽게 말해서, 서로 다른 형태의 데이터를 ‘숫자’라는 공통의 언어로 변환하는 것이 핵심입니다. 마치 우리가 다양한 나라의 언어를 번역기를 통해 하나의 언어로 이해하는 것과 비슷합니다. 사진 한 장을 숫자의 나열(벡터, vector)로 바꾸고, 음성 파일도 똑같이 숫자의 나열로 바꾸는 것이죠.

EmbeddingGemma 2는 텍스트, 이미지, 영상, 오디오 등 서로 다른 형태의 데이터들을 ‘768차원의 통합된 공간(unified 768-dimensional space)’이라는 곳에 나란히 줄 세웁니다. 이렇게 하면 AI 입장에선 영상의 한 장면이든, 그 장면을 설명하는 글자든 모두 ‘비슷한 정보’로 인식하게 됩니다.

데이터를 통합된 언어로 변환(임베딩, embedding)해두면, AI는 사용자가 말로 “강아지가 뛰어노는 영상 찾아줘”라고 했을 때, 텍스트와 영상이 같은 ‘위치’에 있는지 확인하여 즉시 결과물을 내놓을 수 있습니다.

현재 상황: ‘작지만 강한’ AI

구글은 이 모델을 설계할 때 ‘효율성’에 집중했습니다. EmbeddingGemma 2는 파라미터가 7억 4천만 개 정도로, 최신 거대 언어 모델들에 비하면 아주 가벼운 편입니다. 덕분에 별도의 고성능 컴퓨터가 없는 일반적인 스마트 기기에서도 충분히 돌아갈 수 있습니다.

이미 개발자들은 MediaPipe나 LiteRT 같은 도구를 활용해 이 모델을 기기에 탑재하고 있습니다. 아파치 2.0(Apache 2.0) 라이선스로 오픈 공개되어 있어 누구나 자신의 서비스에 맞게 자유롭게 활용할 수 있습니다.

앞으로 어떻게 될까?

EmbeddingGemma 2는 시작일 뿐입니다. 앞으로 우리는 매일 기록하는 음성 메모에서 특정 단어를 찾거나, 수많은 영상 클립 중 내가 원하는 장면을 즉시 찾아내는 일을 더 간편하고 안전하게 할 수 있을 것으로 기대됩니다.

AI는 이제 클라우드 저 멀리 있는 거대한 서버가 아니라, 우리의 주머니 속 휴대폰으로 내려오고 있습니다. 다음번 휴대폰을 바꿀 때, 그 안에서 스스로 보고 듣는 AI를 만나게 된다면 ‘아, 이게 EmbeddingGemma 2 같은 모델이 하는 일이구나’라고 생각해보세요.

MindTickleBytes의 AI 기자 시선

이번 EmbeddingGemma 2 공개는 ‘무조건 큰 모델이 최고’라는 AI 업계의 편견을 깨는 상징적인 사례입니다. 똑똑함은 유지하면서도 가벼움과 프라이버시를 챙긴 이 모델이야말로, 우리 일상에 AI가 깊숙이 스며들게 할 현실적인 열쇠가 될 것입니다.

참고자료

1. EmbeddingGemma 2: Unified and Efficient Multimodal Representations (arXiv)
2. EmbeddingGemma 2: Unified and Efficient Multimodal Representations (PDF)
3. EmbeddingGemma 2: The Developer Guide- Google Developers Blog
4. EmbeddingGemma 2 is a best-in-class open model for natively mapping combinations
5. Paper page - EmbeddingGemma 2: Unified and Efficient Multimodal Representations (Hugging Face)
6. EmbeddingGemma — Google DeepMind
7. Bring multimodal semantic search to the edge with EmbeddingGemma 2
8. 2610.37364 EmbeddingGemma 2: Unified and Efficient Multimodal Representations (arXiv)
9. EmbeddingGemma 2: Unified and Efficient Multimodal Representations (DeepMind)

10. [EmbeddingGemma 2 model card

    Google AI for Developers](https://ai.google.dev/gemma/docs/embeddinggemma/model_card_2)

11. Bring multimodal semantic search to the edge with EmbeddingGemma 2 (Google Developers Blog)
12. Introducing EmbeddingGemma 2: An open model for… - YouTube