Gemini Embedding 2: 진정한 통합 멀티모달 AI의 시작

아무도 말하고 싶어 하지 않았던 문제

수년간 AI 업계는 어색한 진실을 조용히 받아들였습니다. 임베딩 모델은 실제 세계에서는 근본적으로 망가져 있었습니다. 텍스트용 모델, 이미지용 모델, 오디오용 모델이 각각 따로 있었고, 서로 "대화"시키려면 비유적 땜질로 파이프라인을 이어 붙일 수밖에 없었습니다. 벡터는 서로 다른 공간에 존재하고 다른 목표로 학습되어, 비교하는 것은 섭씨 온도를 자로 재는 것과 같았습니다.

Google은 그 낡은 방식을 완전히 버렸습니다. Gemini Embedding 2 — Gemini API와 Vertex AI를 통해 Public Preview로 공개된 — Google이 처음 개발한 네이티브 멀티모달 임베딩 모델입니다. 사후에 모달리티를 붙이는 방식이 아닙니다. Gemini 기반 위에 처음부터 텍스트, 이미지, 동영상, 오디오, 문서를 일급 시민으로 이해하도록 설계했고, 모두를 단일 통합 벡터 공간에 매핑합니다.

임베딩 모델이란 정확히 무엇인가? (왜 중요한가?)

Gemini Embedding 2의 특별한 점에 들어가기 전에 기초를 짚겠습니다. 임베딩 모델은 문장, 사진, 팟캐스트 클립 같은 원시 콘텐츠를 벡터라 불리는 긴 숫자 목록으로 변환합니다. 이 숫자는 고차원 지도상의 좌표처럼 작동합니다.

듀이 십진 분류법이 아니라 의미로 책이 배치된 마법의 도서관을 떠올려 보세요. 스티브 잡스 전기는 Macintosh 기술 매뉴얼 옆으로 날아갑니다. 일몰 시를 그린 시는 태평양 해안 사진집 쪽으로 떠갑니다. 임베딩은 형식이 아니라 의미적 본질로 정보를 정리합니다.

이 보이지 않는 기술이 다음을 가능하게 합니다:

• 검색 엔진 — 키워드가 아니라 의도로 결과 찾기
• 추천 시스템 — Netflix가 그 마이너 다큐멘터리를 좋아할 것을 아는 것
• 엔터프라이즈 RAG — 답하기 전에 회사 내부 PDF를 실제로 읽는 AI 어시스턴트

Gemini Embedding 2가 진정한 도약인 이유

1. 네이티브 멀티모달 — 땜질이 아님

네이티브라는 단어가 여기서 중요합니다. 이전 "멀티모달" 임베딩 솔루션은 종종 CLIP 스타일 하이브리드: 텍스트 모델과 비전 모델을 따로 학습한 뒤 투영층으로 맞춘 방식이었습니다. 이음새가 드러났습니다.

Gemini Embedding 2는 다르게 만들어졌습니다. Gemini 아키텍처의 최고 수준 멀티모달 이해를 활용해 다음에 대한 임베딩을 생성합니다:

오디오 기능이 특히 눈에 띕니다. 대부분 시스템은 오디오를 "처리"할 때 먼저 텍스트로 전사한 뒤 텍스트를 임베딩합니다. Gemini Embedding 2는 소리 그 자체를 이해해 전사본이 잃는 뉘앙스, 톤, 맥락을 포착합니다.

2. 인터리브드 멀티모달 입력

여기서 진짜 흥미로워집니다. 빈티지 자동차 이미지와 "엔진 타입은 무엇인가?" 텍스트를 함께 보낼 수 있고, 모델은 따로 처리하지 않습니다. 하나의 통합 개념으로 다룹니다. 의미는 보는 것과 말하는 것의 교집합에 있습니다.

이전에는 불가능했던 크로스모달 검색을 열어 줍니다:

• 텍스트 쿼리로 동영상의 특정 순간 찾기
• 이미지로 일치하는 PDF 문서 검색
• 오디오 클립으로 관련 이미지 표면화

3. Matryoshka Representation Learning (MRL)

러시아 중첩 인형에서 이름을 따온 MRL은 임베딩 차원을 동적으로 축소해 정보를 "중첩"하는 기법입니다. 기본 출력은 3,072차원이지만 개발자는 1,536 또는 768차원으로 줄일 수 있어 품질을 약간 희생하고 저장·검색 속도를 크게 절약할 수 있습니다.

4. 주장을 뒷받침하는 성능

Gemini Embedding 2는 멀티모달 커버리지만 약속하지 않습니다. 텍스트, 이미지, 동영상 작업에서 선도 모델을 능가하고 새로운 표준을 세우는 강력한 음성 기능을 도입합니다. 엔터프라이즈 조기 액세스 파트너는 이전 다중 파이프라인 대비 최대 70% 지연 감소를 보고했습니다.

실제 활용: 무엇을 만들 수 있나?

실무적 함의는 넓습니다. 개발자들이 이미 다음을 탐색 중입니다:

• 이미지 매칭·얼굴 검색 — 맞춤 CNN 없이 Gemini Embedding 2를 순수 의미 특징 추출기로 쓰는 인물 식별 시스템
• 멀티모달 RAG 파이프라인 — PDF, 동영상, 이미지가 섞인 지식 베이스를 단일 검색 단계로 추론하는 엔터프라이즈 AI 어시스턴트
• 크로스모달 의미 검색 — 텍스트 설명으로 동영상 아카이브 검색, 또는 이미지를 쿼리로 문서 찾기
• 감성 분석·데이터 클러스터링 — 형식을 넘어 주제·톤으로 다양한 미디어 그룹화

최고의 점? 맞춤 학습 파이프라인 불필요. 주석 작업 흐름도 필요 없습니다. API, 데이터, 코사인 유사도만 있으면 됩니다.

시작하기

Gemini Embedding 2는 현재 Public Preview로 이용 가능합니다:

• Gemini API 및 Google AI Studio
• 엔터프라이즈 워크로드용 Vertex AI
• LangChain, LlamaIndex, Haystack, Weaviate, QDrant, ChromaDB및 Vector Search 연동

API 맛보기:

from google import genai
from google.genai import types

client = genai.Client()

with open("example.png", "rb") as f:
    image_bytes = f.read()

result = client.models.embed_content(
    model="gemini-embedding-2-preview",
    contents=[
        "Describe the mood of this image",
        types.Part.from_bytes(data=image_bytes, mime_type="image/png"),
    ],
)

print(result.embeddings)

더 큰 그림

임베딩의 역사는 1950년대 언어학자 John Rupert Firth에서 2013년 Google의 Word2Vec 혁명, 오늘 OpenAI·Cohere·Google이 다음 표준을 정의하려 경쟁하는 landscape까지 이어집니다.

그러나 Gemini Embedding 2는 진정한 변곡점처럼 느껴집니다. 텍스트에서 조금 더 나은 것이 아니라 질문을 재구성하기 때문입니다. 옛 질문은 "이 텍스트를 어떻게 임베딩할까?"였습니다. 새 질문은 "이 세계를 어떻게 임베딩할까?"입니다. 기업과 삶에 실제로 존재하는 다양하고 지저분한 멀티모달 데이터에 의미를 부여함으로써, Gemini Embedding 2는 텍스트·이미지·소리 따로가 아니라 하나로 연결된 의미 있는 전체로 세계를 이해하는 AI 시스템의 토대를 제공합니다.