스마트폰 안에서 텍스트·이미지·오디오를 동시에 검색한다 — EmbeddingGemma 2 완전 분석

"학생 데이터를 클라우드로 보내지 않고 AI 검색을 쓸 수 있을까?"

에듀테크 현장에서 가장 자주 받는 질문 중 하나다. Google DeepMind가 2026년 10월 6일 내놓은 EmbeddingGemma 2는 이 질문에 "yes"라고 답한다. 서버가 아니라 기기 안에서 돌아가는 오픈소스 멀티모달 임베딩 모델이기 때문이다.

1. 임베딩이란 무엇인가 — 도서관 비유

임베딩 모델은 "의미를 좌표로 변환하는 번역기"다. 도서관을 상상해보자. 모든 책에 분류 번호가 붙어 있고, 비슷한 내용의 책은 가까운 번호를 갖는다. EmbeddingGemma 2는 텍스트뿐 아니라 이미지, 오디오, 영상까지 이 분류 번호 체계로 변환한다. 덕분에 "강의 영상에서 '미적분 극한' 설명이 나온 장면"을 텍스트 검색어 하나로 찾아낼 수 있다.

2. 핵심 스펙

Matryoshka 압축은 러시아 인형처럼 벡터를 겹겹이 넣는 기법이다. 768차원을 128차원으로 줄이면 저장 공간이 최대 6배 절감된다. 정확도는 약간 낮아지지만, 로컬 벡터 데이터베이스를 운영해야 하는 상황에서는 충분히 합리적인 트레이드오프다.

3. 전작 EmbeddingGemma 1과의 차이

EmbeddingGemma 1은 텍스트 전용이었다. 그럼에도 불구하고 다운로드 2,000만 건 이상을 기록했다. 2는 이미지·오디오·영상 인코더를 모듈식으로 얹어 "필요한 만큼만" 로드할 수 있도록 설계됐다. 카메라가 없는 기기에서는 비전 모듈을 빼고 텍스트+오디오만 쓰는 방식이다.

4. 온디바이스 RAG: Gemma 4와의 조합

Google은 EmbeddingGemma 2를 Gemma 4와 함께 쓰도록 설계했다. EmbeddingGemma 2가 "무엇이 관련 있는지"를 찾아내고, Gemma 4가 "그 내용을 바탕으로 답변"을 생성하는 역할 분담이다. 두 모델이 같은 텍스트 토크나이저와 오디오 인코더를 공유하기 때문에 합산 메모리 사용량이 크게 줄어든다.

에듀테크 현장 적용 예시:

• 학교 디지털 도서관: 학생이 "블랙홀 시각화" 이미지를 업로드하면, 같은 개념을 설명한 수업 영상 클립과 PDF 챕터를 동시에 추천
• 개인 학습 AI: 노트 앱에 저장된 텍스트·사진·녹음 파일을 인터넷 없이 검색
• 오프라인 교육 환경: 인터넷이 불안정한 지역에서도 AI 보조 검색 제공

5. 활용 팁

1) Ollama로 30초 설치: ollama pull embeddinggemma2 명령 하나로 로컬 환경에서 바로 쓸 수 있다. 추가 설정 없이 API 서버까지 자동으로 올라온다.

2) 차원 선택 전략: 응답 속도가 중요한 모바일 앱은 128차원, 정확도가 우선인 데스크톱 검색은 768차원을 권장한다.

3) 개인정보 규제 대응: 학생 데이터가 외부 서버로 나가지 않으므로 개인정보 보호법 준수가 쉬워진다. EU GDPR, 국내 개인정보보호법 모두 클라우드 전송 없이 충족할 수 있다.

4) 체험 데모: Google AI Edge Gallery의 Instant Media Search와 Video Moments Finder를 통해 별도 코딩 없이 기능을 미리 체험해 볼 수 있다.

Source:

• EmbeddingGemma 2 공식 블로그 — Google DeepMind
• Google Launches EmbeddingGemma 2 For Multimodal On-Device Embeddings — OfficeChai
• Google launches EmbeddingGemma 2, open multimodal embeddings on 567 MB RAM — pasqualepillitteri.it