Deep Think가 뭔지, 정확히 알고 씁시다

Gemini 3 Deep Think는 구글이 2026년 2월 12일 공식 공개한 전문 추론 모드입니다. 기존 Gemini 3 Pro 기반이지만 작동 방식이 다릅니다. 일반 Gemini 3 Pro가 빠른 답변을 우선하는 방식이라면, Deep Think는 답변 전에 더 오래 “생각”하는 단계를 거칩니다. 프롬프트 입력 후 답이 나오기까지 체감 시간이 눈에 띄게 길어집니다.

구글이 공식적으로 밝힌 타깃 사용 영역은 과학, 공학, 수학 연구입니다. 기업용 API 얼리 액세스 신청도 동시에 열렸습니다. 일반 소비자 대상으로는 Google AI Ultra 구독 전용으로 제공됩니다. (출처: 구글 공식 블로그, 2026.02.12)

한 가지 오해가 있습니다. 많은 분들이 “Gemini 3.1 Pro = Deep Think”로 혼동하는데, 실제로는 별도 모드입니다. Gemini 3.1 Pro는 2026년 2월 19일 정식 출시된 업그레이드 기본 모델이고, Deep Think는 그 위에 올라타는 추론 강화 레이어입니다. 두 개 모두 Ultra 구독자가 쓸 수 있지만, 한도는 완전히 다르게 적용됩니다.

▲ 목차로 돌아가기

벤치마크 수치, 실제로 무슨 뜻인가

발표문에 적힌 숫자들을 그냥 넘기면 아깝습니다. ARC-AGI-2 84.6%라는 수치가 특히 의미심장합니다. ARC-AGI-2는 인간이 쉽게 푸는 패턴 인식 문제를 AI가 얼마나 잘 해결하는지 보는 벤치마크인데, 이전 세대 모델들이 30~50%대에 머물렀던 점을 고려하면 84.6%는 실질적인 도약입니다. 단순히 “잘 외운 것”이 아니라 패턴 자체를 추론했다는 뜻이어서 의미가 다릅니다. (출처: 구글 공식 블로그, 2026.02.12)

Humanity’s Last Exam 48.4%는 “절반도 못 맞힌다”는 뜻이 아닙니다. 이 벤치마크는 인류의 가장 어려운 전문 지식을 테스트하도록 설계됐고, 사람 전문가들도 자기 분야 바깥에선 30% 내외를 기록합니다. 48%를 넘겼다는 건 벽을 넘기 시작했다는 의미입니다.

▲ 목차로 돌아가기

Ultra 구독해도 하루 10개 — 이 구조를 먼저 봐야 합니다

솔직히 이 부분이 가장 중요합니다. Deep Think 3.1은 Google AI Ultra 구독자 전용이고, 울트라 요금제는 한국 기준 월 249,900원입니다. 그런데 울트라를 구독해도 Deep Think 3.1의 하루 사용 한도는 10개 프롬프트입니다. 이건 마케팅 문구가 아니라 공식 지원 페이지에 표로 나와 있는 수치입니다. (출처: Google 지원 페이지 — Gemini 앱 한도 및 업그레이드, 2026.03 기준)

반면 Gemini 3.1 Pro는 같은 울트라 구독에서 하루 500개 프롬프트를 쓸 수 있습니다. 사고 모델(Thinking)은 하루 1,500개까지 됩니다. Deep Think만 하루 10개로 강하게 제한된 구조입니다. 비용이 극도로 높은 연산을 요구하는 모드이기 때문으로 보이지만, 구글이 공식 이유를 따로 밝히지 않은 부분입니다.

▲ 목차로 돌아가기

‘틀렸음을 인정하는’ 기능이 왜 중요한가

DeepMind가 공개한 논문에서 가장 눈에 띈 부분이 있습니다. 구글이 Deep Think 위에 구축한 수학 연구 에이전트 ‘Aletheia’는 문제를 풀지 못했을 때 “풀 수 없음”을 선언하는 기능을 갖추고 있습니다. (출처: DeepMind 공식 블로그, 2026.02.11) 이게 사소해 보이지만 사실 중요합니다.

기존 AI 모델들은 틀린 답을 자신 있게 내놓는 경향이 있었습니다. 특히 데이터가 부족한 전문 영역에서 “그럴듯한 오답”을 만들어내는 현상이 반복됐습니다. Aletheia가 “모르겠다”고 선언하면 에이전트가 다시 Generator → Verifier 루프를 돌면서 재시도합니다. 이 루프 구조 덕분에 연구자가 오류 문제 풀이를 믿고 시간을 낭비하는 상황을 줄일 수 있었습니다.

미국 럿거스 대학교의 수학자 리사 카본(Lisa Carbone)은 Deep Think를 활용해 논문의 미묘한 논리적 오류를 찾아냈습니다. 동료 평가에서도 발견되지 않았던 오류였습니다. (출처: 구글 공식 블로그, 2026.02.12) 이는 “AI가 대신 쓴다”는 개념이 아니라 “AI가 검토 파트너”로 기능하는 구체적 사례입니다.

▲ 목차로 돌아가기

10년 된 수학 직관을 깨버린 사례 — 직접 확인했습니다

DeepMind 공식 논문(arXiv: 2602.03837)에 소개된 사례 중 하나가 특히 흥미롭습니다. 2015년에 나온 이론 논문은 “데이터 스트림에서 들어오는 아이템의 복사본을 만드는 것보다 원본을 그냥 이동하는 것이 항상 가치가 낮다”는 직관적인 규칙을 제안했습니다. 10년 동안 전문가들이 이것이 옳다고 믿었지만 수학적으로 증명하지는 못했습니다.

Deep Think는 세 가지 아이템을 조합한 구체적인 반례(counterexample)를 생성해, 이 10년 된 직관이 틀렸음을 엄밀하게 증명했습니다. (출처: DeepMind 공식 블로그 / arXiv:2602.03837, 2026.02.11) 10년 동안 인간이 믿어온 직관이 아닌, 수학적 반례였습니다.

IMO(국제수학올림피아드) 금메달 수준, 국제물리올림피아드 및 화학올림피아드 금메달 수준 달성은 추론 능력이 실제로 바뀌었다는 증거입니다. 단순히 더 빠르거나 말이 되는 수준이 아니라, 문제의 구조 자체를 해석하는 방식이 달라진 것입니다. (출처: 구글 공식 블로그, 2026.02.12)

▲ 목차로 돌아가기

실제로 어떤 사람에게 맞는가

Deep Think를 쓰기에 맞는 상황과 안 맞는 상황은 생각보다 명확합니다. 구글이 설계한 목적이 뚜렷하기 때문입니다.

Reddit 커뮤니티에서 가장 많이 나온 불만은 “Ultra 구독자임에도 Deep Think 사용을 제한하는 건 납득하기 어렵다”는 것이었습니다. ChatGPT Pro와 비교하며 형평성 문제를 제기하는 의견도 있었습니다. 구글이 공식 답변을 내놓지 않은 부분입니다. 다만 추론에 들어가는 컴퓨팅 비용을 감안하면 한도 제한의 맥락이 이해는 됩니다.

▲ 목차로 돌아가기

Q&A — 많이 물어보는 것들

▲ 목차로 돌아가기

마치며

Gemini 3 Deep Think는 벤치마크 수치만 보면 실제로 인상적입니다. ARC-AGI-2 84.6%, LiveCodeBench 95.4%는 그냥 나온 숫자가 아닙니다. 10년 묵은 수학 직관을 반례로 뒤집고, 물리 올림피아드 금메달 수준의 추론을 보여줬습니다.

다만 이걸 내 일상 업무에 쓰는 도구로 바라본다면, 하루 10개라는 한도부터 머릿속에 박아둬야 합니다. 249,900원짜리 구독을 했어도 Deep Think는 소중하게 써야 하는 자원입니다. 무거운 추론이 꼭 필요한 작업에만 아껴두고, 나머지는 Gemini 3.1 Pro로 처리하는 조합이 현실적입니다.

솔직히 말하면, Deep Think는 지금 단계에서 연구자·공학자·고급 개발자에게 훨씬 잘 맞습니다. 일반 사용자가 “가장 비싼 구독에 포함된 기능”으로 기대하고 쓰기엔 한도가 빠듯합니다. 구글이 이 구조를 앞으로 어떻게 바꿀지가 Deep Think의 진짜 가치를 결정할 것 같습니다.

▲ 목차로 돌아가기

본 포스팅 참고 자료

1. 구글 공식 블로그 — 제미나이 3 딥 씽크 발표
   https://blog.google/intl/ko-kr/company-news/technology/gemini-3-deep-think/
2. DeepMind 공식 블로그 — Gemini Deep Think 수학·과학 연구 적용
   https://deepmind.google/blog/accelerating-mathematical-and-scientific-discovery-with-gemini-deep-think/
3. Google 지원 페이지 — Gemini 앱 한도 및 업그레이드
   https://support.google.com/gemini/answer/16275805?hl=ko-KR
4. arXiv 논문 — Towards Autonomous Mathematics Research (Feng et al., 2026)
   https://arxiv.org/abs/2602.10177
5. arXiv 논문 — Accelerating Scientific Research with Gemini (Woodruff et al., 2026)
   https://arxiv.org/abs/2602.03837