Google Simula: 샘플별 최적화가 아닌 메커니즘 설계로서의 데이터 합성

2026년 4월 16일, Google Research는 Simula 프레임워크에 대한 상세한 기술 게시물을 발표했습니다 — 특수 AI 애플리케이션의 데이터 부족 문제 접근 방식을 근본적으로 바꾸는 합성 데이터 생성 시스템입니다. 저자 Tim R. Davidson과 Hamza Harkous는 문제를 **“샘플 수준에서 메커니즘 수준으로 재프레이밍해야 한다”**고 주장합니다.

왜 메커니즘 설계이고 샘플 최적화가 아닌가

전통적인 합성 데이터 접근 방식은 개별 예시를 최적화합니다 — 더 좋은 프롬프트, 더 좋은 온도, 더 좋은 필터. 저자들은 이것이 데이터가 자연적으로 존재하지 않는 도메인(규제 분야, 새로운 전문 작업, 개인 정보에 민감한 애플리케이션)에서는 확장되지 않는다고 주장합니다.

대신 Simula는 여러 축에 걸쳐 동시에 생성된 데이터의 분포를 제어하는 메커니즘을 설계합니다. 결과적으로 실무자들은 시행착오가 아닌 명시적 매개변수를 사용하여 아키텍처를 설계하듯이 “데이터세트가 어떻게 보일지”를 조정할 수 있습니다.

네 가지 제어 축

프레임워크는 생성을 네 가지 독립적 차원으로 분해합니다:

전역 다양화는 추론 모델을 사용하여 도메인의 개념 공간을 매핑하는 계층적 분류 체계를 구축합니다. 이 분류 체계는 “샘플링 발판” 역할을 하며 가장 일반적인 사례 주위에 집중하는 대신 롱테일 분포의 적용 범위를 보장합니다.

지역 다양화는 분류 노드에서 파생된 메타 프롬프트를 사용하여 동일한 주제 내에서 여러 다른 인스턴스를 생성하고, 모델이 동일한 샘플의 변형을 반복하는 모드 붕괴를 방지합니다.

복잡화는 난이도를 직교 축으로 취급하여 의미적 적용 범위를 변경하지 않고 데이터세트 난이도 분포를 이동할 수 있게 합니다. 실무자들은 동일한 주제의 간단한 변형과 복잡한 변형을 생성할 수 있습니다.

품질 제어는 이중 비평자 루프를 통해 작동합니다 — LLM의 아첨 경향을 줄이고 고품질 레이블을 보장하는 두 독립적 검증자.

기술 아키텍처와 평가

시스템은 생성을 위한 교사 모델로 Gemini 2.5 Flash를, 훈련을 위한 학생 모델로 Gemma-3 4B를 사용합니다. 평가는 분류 적용 범위와 보정된 복잡도 점수 지표에 의존하며, 후자는 LLM 배치 비교를 통해 각 예시에 Elo 레이팅을 할당합니다.

테스트는 사이버 보안(CTI-MCQ, CTI-RCM), 법률 추론(LEXam), 수학(GSM8k), 다국어 지식(Global MMLU)의 다섯 가지 도메인에 걸쳐 있습니다. 각 도메인에서 생성된 데이터세트에는 최대 512,000개의 예시가 포함되었습니다.

흥미로운 발견: 높은 복잡도는 수학 정확도를 10% 높이지만 법률 추론을 저하시킵니다. 저자들은 이를 “단일 최적 처방이 없다”는 증거로 해석합니다 — 각 도메인은 자체적인 축의 혼합을 필요로 합니다.

Google 생태계에서 이미 프로덕션 중

Simula는 실험적 프로젝트가 아닙니다. 게시물은 이미 다음을 구동하고 있다는 것을 밝힙니다:

• 전문 모델: ShieldGemma, FunctionGemma, MedGemma
• 안전 인프라: Gemini 안전 분류기의 주요 백본(기기 내 및 서버 측)
• 사용자 보호: Android 전화 통화의 AI 사기 감지와 Google Messages의 스팸 필터
• 엔터프라이즈 보안: 현실적인 합성 공격 시나리오를 통해 ML을 민주화하는 프레임워크

이 발표는 Google이 내부 합성 인프라를 일급 AI 기본 요소 수준으로 끌어올렸음을 시사합니다 — 모델 아키텍처나 하드웨어 스택만큼 진지하게 다루고 있습니다.