구글dl 제미나이 2.0 플랫폼에 구축된 AI 공동 과학자(AI co-scientist)를 공개했다. 새로운 가설을 생성하고 실험을 개선함으로써 과학적 연구의 속도를 높이는 것을 목표로 하는 시스템은 가능성을 보여주고 있지만, 성능과 광범위한 적용 가능성에 대한 의문이 남아 있다.

이 시스템의 목표는 연구 가설을 생성하고, 제안서를 작성하고, 실험을 개선함으로써 과학적 발견의 속도를 높이는 것이다.

구글은 블로그 게시물에서 “AI 공동 과학자는 과학자들을 위한 협업 도구로 기능하도록 설계된 다중 에이전트 AI 시스템“이라고 밝혔다. ‘표준 문헌 검토, 요약 및 ’심층 연구” 도구를 넘어, AI 공동 과학자 시스템은 새로운 독창적인 지식을 발견하고, 이전의 증거를 바탕으로 특정 연구 목표에 맞게 조정된, 입증 가능한 새로운 연구 가설과 제안을 수립하기 위해 고안되었다.

여러 과학자가 정보 과부하로 어려움을 겪으면서 여러 분야에서 통찰력을 얻으려고 노력하는 동시에 과학 출판물의 빠른 속도를 따라잡기 위해 고군분투하는 시점에 나온 발표라 주목도가 높다.

초기 테스트를 보는 상반된 시선

초기 실험에서는 복잡한 결과가 나왔다. 15개의 연구 목표를 둔 테스트에서, 구글 AI 과학 시스템은 Elo 등급 시스템 기준으로 최신 모델보다 성능이 뛰어났다. 11개의 연구 목표를 둔 소규모 연구는 도메인 전문가에 의해 평가되었으며, 그 결과 새로운 결과와 가능성을 발견했다. 그러나, 인간 평가의 규모가 제한되어 있기 때문에 광범위한 결론을 도출하기가 어렵다.

예를 들어, AI가 간 섬유증에 대한 잠재적 치료법을 확인했지만, 알사이모믹스의 스티븐 오라일리는 뉴사이언티스트 보고서(New Scientist) 보고서에서 약물이 잘 확립되어 있고 “새로운 것이 없다”고 언급했다. 그러나 스탠포드 대학의 개리 펠츠는 인간 간 유기체 테스트에서 AI가 추천한 두 가지 약물이 유망하다고 결론을 냈다. 펠츠가 수동으로 선택한 옵션은 효과가 없었다.

또 다른 사례로, 뉴 사이언티스트에 따르면, 런던 임페리얼 칼리지의 호세 페나데스와 동료 연구진이 이 시스템으로 이동성 유전 요소가 박테리아 사이에 어떻게 확산되는지를 연구했다. AI는 최근 발표되지 않은 발견과 유사한 메커니즘을 독자적으로 제안해, 발표된 데이터를 통찰력 있는 가설로 합성하는 능력을 보여주었다.

페나데스 팀은 최근에 이러한 요소들이 다른 단계의 꼬리를 활용할 수 있다는 것을 발견했지만, 뉴 사이언티스트는 AI 공동 과학자는 독립적으로 동일한 메커니즘을 제안해, 발표된 데이터를 통찰력 있는 가설로 합성하는 능력을 보여주었다고 보도했다.

폭과 깊이의 난제를 연결하다

과학적 돌파구는 종종 학제 간 협력을 통해 이루어진다. 그러나 연구진은 다양한 분야의 통찰력을 통합하면서 방대한 양의 과학 문헌을 탐색해야 하는 문제에 직면한다.

미생물학에서 유전학에 이르는 전문 지식을 결합한 CRISPR 같은 혁신적인 기술에 영감을 받아, 구글은 정보를 종합하고 새로운 지식을 발견하기 위해 AI 공동 과학자를 개발했다.

아직 실험 단계에 있는 이 도구를 사용하면 과학자들이 연구 질문이나 목표를 입력할 수 있다. 또한 이 에이전트는 과학 문헌, 데이터베이스, 구글의 단백질 구조 예측 시스템 알파폴드(AlphaFold) 같은 도구에 액세스해 결과물의 품질을 향상시킬 수 있다.

포레스터의 부사장 겸 수석 애널리스트 찰리 다이는 “과학 분야에서 AI 시스템은 데이터 세트 분석과 가설 생성을 가속화하고, 자동화되고 반복적인 접근 방식을 통해 실험 설계를 개선하며, 인간 연구자와 AI 시스템 간의 공생적 협업을 촉진함으로써 전통적인 과학 연구 과정을 변화시키는 데 중추적인 역할을 한다”라고 말했다.

신약 개발에 미칠 잠재적 영향

제약업계도 상당한 혜택을 누릴 수 있다. 이 시스템은 과학 문헌과 데이터베이스를 신속하게 분석함으로써, 연구 기간을 수년에서 수개월로 단축하며 약물 후보와 최적화된 실험 계획을 제안할 수 있다.

알파폴드와의 통합을 통해 연구진은 표적 치료법 개발에 필수적인 단백질 구조를 예측할 수 있다. 이러한 예측 기능은 제약회사가 화합물이 단백질과 어떻게 상호 작용하는지를 파악하는 데 도움이 되어, 실행 가능한 약물 후보를 신속하게 식별할 수 있다.

공동 과학자 시스템의 반복적인 가설 생성 및 자체 개선 과정은 연구 결과도 개선해, 신경 퇴행성 질환, 희귀 유전 질환, 암 등의 질병 치료에 돌파구를 마련할 수 있는 잠재력을 제공한다.

에베레스트 그룹의 실무 책임자 베르시타 스리바스타바는 “수행되는 연구 과정의 수와 동시성이 급증할 것이며, 인력을 늘리지 않고도 가능할 것이다. 바이오테크놀로지나 제약과 같은 산업은 더 낮은 비용으로 혁신적인 돌파구를 마련할 것”이라고 내다봤다.

미래를 내다보다

가능성을 보여주었지만 AI 공동 과학자가 실제 세계에 미치는 영향은 아직 불확실하다. 성공 여부는 연구 워크플로에 AI를 통합하는 것과 다양한 과학 분야에서 지속적으로 가치 있는 통찰력을 생성하는 능력에 달려 있다.

해결해야 할 과제도여전히 남아 있다. 포레스터의 다이는 알고리즘의 투명성, 일관성 없는 성능, 재현성 문제와 관련된 위험을 경고했다. 다이는 “이러한 시스템은 발견을 가속화할 수 있지만, 데이터 무결성, 편향, 자동화에 대한 과도한 의존과 관련된 문제도 야기할 수 있으며, 이는 비판적 사고를 저해할 수 있다”라고 말했다.

또한, 스리바스타바는 특정 데이터 세트에 대한 AI의 의존이 기존 편향을 강화해 발견을 제한할 수 있다고 지적했다. 또한 특히 규제가 심하고 특허가 많은 산업에서 책임과 지적 재산권에 대한 의문을 제기하기도 했다.
dl-itworldkorea@foundryco.com