2025년 9월 21일·2분
세르게이 브린의 여정: 검색 알고리즘에서 생성형 AI까지
세르게이 브린의 초기 검색 알고리즘에서 오늘날의 생성형 AI까지의 여정을 살펴보고, 확장성, 제품 영향, 책임 문제 등 핵심 아이디어를 정리합니다.
세르게이 브린의 초기 검색 알고리즘에서 오늘날의 생성형 AI까지의 여정을 살펴보고, 확장성, 제품 영향, 책임 문제 등 핵심 아이디어를 정리합니다.
세르게이 브린의 이야기가 중요한 이유는 유명세나 회사 잡담 때문이 아니라, 고전적 검색 문제(공개 웹에서 최선의 답을 찾는 법)에서 현대 AI가 직면한 질문들(정확성·속도·신뢰를 유지하면서 유용한 출력을 생성하는 법)까지를 잇는 직선을 그리기 때문입니다. 그의 작업은 알고리즘, 데이터, 시스템의 교차점에 놓여—바로 검색과 생성형 AI가 만나는 지점입니다.
이 글은 개념 중심으로 중요한 이정표를 살펴봅니다: 페이지랭크 같은 아이디어가 관련성을 어떻게 바꿨는지, 머신러닝이 수작업 규칙을 어떻게 대체했는지, 그리고 왜 딥러닝이 언어 이해를 개선했는지 등입니다. 가십이나 내부 드라마, 헤드라인의 연대표가 목적은 아닙니다. 목표는 이러한 변화들이 왜 중요했는지를 설명하고, 사람들이 사용하는 제품에 어떻게 영향을 미쳤는지를 보여주는 것입니다.
생성형 AI가 “대규모”가 된다는 것은 검색처럼 동작해야 한다는 의미입니다: 수백만 사용자, 낮은 지연 시간, 예측 가능한 비용, 일관된 품질. 이는 단순한 모델 데모 이상을 뜻합니다. 포함되는 항목은:
마지막에는 검색 시대와 오늘날의 채팅형 제품을 연결할 수 있고, 왜 검색-기반 검색(retrieval)과 생성이 섞이는지 이해하며, 제품 팀에 적용 가능한 실무 원칙들—측정, 관련성, 시스템 설계, 책임 있는 배포—을 차용할 수 있어야 합니다.
세르게이 브린의 검색으로의 여정은 학계에서 시작되었고, 핵심 질문들은 “웹사이트를 만드는 방법”이 아니라 정보 과부하를 관리하는 법이었습니다. 구글이 회사가 되기 전 브린은 데이터베이스 시스템, 데이터 마이닝, 정보 검색에 걸친 컴퓨터 과학 연구에 몰두했고—이는 방대한 양의 데이터를 저장하고 유용한 답을 빠르게 반환하는 방법을 묻는 학문들입니다.
브린은 학부에서 수학과 컴퓨터 과학을 전공했고, 이후 스탠퍼드에서 대학원 연구를 이어갔습니다. 스탠퍼드는 웹의 확장성에 대한 연구의 중심지였고, 연구자들은 오늘날에도 익숙한 문제들과 씨름하고 있었습니다: 지저분한 데이터, 불확실한 품질, 사용자가 입력한 것과 실제 의도 사이의 간극.
1990년대 후반의 검색은 주로 키워드 매칭과 기본적인 랭킹 신호에 의해 좌우되었습니다. 웹이 작을 때는 그 방식이 통했지만 페이지가 늘어나고 제작자가 시스템을 조작하는 법을 배우면서 성능이 떨어졌습니다. 흔한 문제는 다음과 같았습니다:
동기 아이디어는 단순했습니다: 웹이 거대한 도서관이라면, 결과를 순위 매기기 위해 텍스트 매칭 이상의 것이 필요합니다—신뢰성과 중요성을 반영하는 신호가 필요합니다. 웹 정보를 조직화하려면 페이지의 단어뿐 아니라 웹 구조 자체에서 유용성을 추론할 수 있는 방법이 필요했습니다.
이 초기 연구 우선순위—품질 측정, 조작 저항, 극한의 규모에서의 운영—이 검색과 AI의 이후 변화(머신러닝 기반 랭킹과 궁극적으로 생성적 접근법)를 위한 기반을 마련했습니다.
검색의 목표는 단순하게 들립니다: 질문을 입력하면 가장 유용한 페이지가 상단에 올라와야 합니다. 1990년대 후반에는 그게 생각보다 어려웠습니다. 웹은 폭발적으로 성장했고, 많은 초기 검색엔진은 페이지 자체가 말하는 내용—텍스트, 키워드, 메타 태그—에 크게 의존했습니다. 그 결과 조작이 쉬웠고 사용자 경험은 종종 실망스러웠습니다.
세르게이 브린과 래리 페이지의 핵심 통찰은 웹의 링크 구조를 신호로 처리한 것입니다. 한 페이지가 다른 페이지로 링크하면 일종의 “투표”를 던지는 셈입니다. 모든 투표가 같은 가치를 가지진 않습니다: 평판이 좋은 페이지의 링크는 잘 알려지지 않은 페이지의 링크보다 더 큰 가치를 가져야 합니다.
개념적으로 페이지랭크는 다음을 묻습니다: 어떤 페이지들이 다른 중요한 페이지로 참조되고 있는가? 이 순환적 질문은 웹 규모에서 계산되는 수학적 랭킹으로 귀결됩니다. 결과가 ‘정답’은 아니었지만, 강력한 새로운 구성요소였습니다.
페이지랭크만이 구글 초기 성공의 전부라고 과신하기 쉽습니다. 실제로 랭킹은 레시피입니다: 알고리즘은 많은 신호(텍스트 매칭, 신선도, 위치, 속도 등)를 결합해 사용자가 실제로 원하는 것을 예측합니다.
그리고 인센티브는 복잡합니다. 랭킹이 중요해지자마자 스팸이 따라왔습니다—링크 농장, 키워드 채우기 등 도움이 되지 않는 방식으로 관련 있어 보이려는 수법들입니다. 검색 알고리즘은 지속적인 대립 게임이 되었습니다: 관련성을 개선하고 조작을 탐지하며 시스템을 조정하는 일의 반복입니다.
웹은 변하고, 언어는 변하고, 사용자 기대치는 변합니다. 모든 개선은 새로운 극단 사례를 만들어냅니다. 페이지랭크는 검색을 끝내지 않았습니다—그것은 단순 키워드 매칭에서 관련성을 지속적으로 측정·테스트·정제하는 현대 정보 검색으로 분야를 이동시켰습니다.
영리한 랭킹 아이디어만으로는 충분하지 않습니다. 당신의 “데이터베이스”가 전체 웹일 때는 더욱 그렇습니다. 초기 구글 검색이 다르게 느껴졌던 이유는 단지 관련성 때문만이 아니라—수백만 사용자에게 그것을 빠르고 일관되게 제공할 수 있었기 때문입니다.
인터넷 규모의 검색은 크롤링에서 시작합니다: 페이지 발견, 재방문, 멈추지 않는 웹을 다루기. 그다음 인덱싱: 지저분하고 다양한 콘텐츠를 밀리초 단위로 쿼리할 수 있는 구조로 바꾸기.
작은 규모에서는 저장과 연산을 단일 머신 문제로 다룰 수 있습니다. 큰 규모에서는 모든 선택이 시스템 트레이드오프가 됩니다:
사용자는 검색 품질을 랭킹 점수로 경험하지 않습니다—결과 페이지가 매번 지금 바로 로드되는 것으로 체감합니다. 시스템이 자주 실패하거나 결과가 타임아웃되거나 신선도가 뒤처지면, 훌륭한 관련성 모델도 실제로는 나빠 보입니다.
그래서 가동 시간, 우아한 저하(graceful degradation), 일관된 성능을 위한 공학은 랭킹과 분리할 수 없습니다. 약간 덜 ‘완벽한’ 결과라도 200ms 내에 일관되게 제공되면 늦게 오거나 간헐적으로 실패하는 더 나은 결과를 이깁니다.
대규모 환경에서는 “그냥 배포”할 수 없습니다. 검색은 신호(클릭, 링크, 언어 패턴)를 수집하고, 평가를 수행하고, 변경을 점진적으로 롤아웃하는 파이프라인에 의존합니다. 목표는 모든 사용자에게 영향을 주기 전에 초기에 회귀를 감지하는 것입니다.
도서관 카탈로그는 책이 안정적이고, 큐레이션되며, 느리게 변한다고 가정합니다. 웹은 책이 스스로 다시 쓰이고, 선반이 이동하며, 새로운 방이 계속 생기는 도서관입니다. 인터넷 규모의 검색은 그 움직이는 목표에 대해 사용 가능한 카탈로그를 유지하는 기계장치입니다—빠르고, 신뢰할 수 있으며, 지속적으로 업데이트되는.
그는 고전적 정보 검색 문제(관련성, 스팸 저항성, 확장성)를 오늘날의 생성형 AI 문제(근거 제공, 지연 시간, 안전성, 비용)와 연결하는 유용한 렌즈입니다. 요지는 전기적 인물사가 아니라, 검색과 현대 AI가 동일한 핵심 제약—거대한 규모에서 신뢰를 유지하면서 운영해야 한다—을 공유한다는 점입니다.
검색이 “대규모”라는 것은 수백만 건의 쿼리를 낮은 지연 시간과 높은 가동률로, 지속적으로 업데이트되는 데이터와 함께 안정적으로 처리해야 한다는 의미입니다.
생성형 AI가 “대규모”라는 것은 위 조건을 만족하면서도 텍스트를 생성해야 한다는 점에서 추가 제약이 생깁니다. 예를 들어:
1990년대 후반의 검색은 주로 키워드 매칭과 단순한 랭킹 신호에 의존했으며, 웹이 급증하면서 한계를 드러냈습니다.
일반적인 실패 모드는 다음과 같습니다:
페이지랭크는 링크를 일종의 신뢰 투표로 간주했고, 링크를 건 페이지의 중요도에 따라 가중치를 달리했습니다.
실용적으로 보면:
랭킹은 돈과 주목을 좌우하기 때문에 적대적 시스템으로 변합니다. 어떤 랭킹 신호가 통하면 사람들이 그 신호를 악용하려 듭니다.
따라서 지속적인 반복이 필요합니다:
웹 규모에서는 “품질”에 시스템 성능이 포함됩니다. 사용자가 체감하는 품질은:
항상 200ms 내에 일관되게 전달되는 약간 덜 ‘완벽한’ 결과가 늦게 오거나 간헐적으로 실패하는 더 나은 결과보다 낫습니다.
학습형 랭킹은 수학 대신 쉽게 말하면 데이터로 학습하는 모델로 수동으로 조정하던 규칙을 대체하는 것입니다.
과거의 검색과 결과(사용자가 선택한 결과, 빠르게 이탈한 결과, 인간 평가자들의 판단 등)를 모델에 제공하면 모델은 어떤 결과가 더 위에 있어야 하는지를 예측하도록 학습합니다.
사용자 인터페이스는 바뀌지 않을 수 있지만 내부적으로는:
딥러닝은 의미 표현을 배우는 데 강점을 보였고, 그 결과:
대가로는 더 높은 연산 비용, 더 많은 데이터 요구, 랭킹 변화 시 디버깅과 설명 가능성의 어려움이 있습니다.
고전적 검색 AI는 주로 기존 문서를 선택하고 랭킹하는 데 초점이 있었습니다. 생성형 AI는 텍스트를 생성하므로 실패 양상이 근본적으로 달라집니다.
새로운 위험으로는:
중심 질문이 “우리가 최상의 출처를 랭킹했나?”에서 “생성된 응답이 정확하고 근거가 있으며 안전한가?”로 이동합니다.
검색-증강 생성(RAG)은 먼저 신뢰할 수 있는 인덱스(웹 페이지, 문서, 지식베이스)를 검색하고, 그 결과를 바탕으로 답변을 생성합니다.
제품에서 잘 작동하게 하려면 일반적으로 다음을 추가합니다:
책임 있는 AI는 슬로건이 아니라 운영 목표로 이해하는 것이 쉽습니다. 생성형 시스템의 경우 일반적으로 안전성(유해한 지침 생성 금지), 프라이버시(민감한 데이터 노출 방지), 공정성(집단에 해를 주는 차별적 처리 금지)을 의미합니다.
생성형 평가가 랭킹보다 어려운 이유는 출력이 무한히 다양하고 미묘한 실패 양상이 많기 때문입니다:
그래서 평가가 단일 점수가 아니라 사실성 검사, 독성·편향 탐지, 거부 행동, 도메인별 기대치(의료, 금융, 법률)를 포함한 테스트 스위트가 됩니다.
사람이 개입하는 단계는 다음과 같습니다:
핵심 변화는 “나쁜 페이지를 필터링”하는 수준을 넘어, 모델이 창작·요약·조언할 때의 행동을 설계하고 대규모에서 그 행동을 증명해야 한다는 점입니다.