런던의 Google DeepMind 연구실 어딘가에서, 로봇 팔이 그날의 300번째 새로운 물질을 합성하려 준비하고 있다. 커피가 필요 없다. 지루해하지도 않는다. 그리고 방금 어떤 인간 화학자도 상상해본 적 없는 결정 구조를 제안했다.

한편, Microsoft의 Kosmos 시스템을 구동하는 서버실에서, AI 에이전트는 12시간 연구 스프린트의 11시간째에 접어들었다. 이미 42,000줄의 코드를 실행하고, 1,500편의 과학 논문을 읽고, 세 명의 인간 심장전문의가 앞으로 한 달간 반증하려 시도할 심장 섬유증에 대한 가설을 생성했다.

2026년에 오신 것을 환영한다. 질문은 AI가 과학을 할 수 있느냐가 아니라 — AI가 발견하는 것을 우리가 따라갈 수 있느냐다.

AI4Science 운동: 도구에서 팀원으로

연구 논문, 정부 전략 문서, 기업 발표를 파고들었는데 패턴은 명확했다. 우리는 상전이를 목격하고 있다. 과학에서의 AI가 "유용한 보조"에서 "독립적 발견이 가능한 연구 파트너"로 넘어갔다.

이 전환을 이끄는 개념은 폐쇄 루프 발견 사이클이다: AI가 가설을 제안하고, 자동화된 실험이 검증하고, 결과가 모델에 피드백된다. 반복 — 기계 속도로.

숫자가 인상적인 이야기를 들려준다. 2024년에 AI4Science 논문은 전체 과학 출판물의 약 2.72%를 차지했다. 2050년까지 20%에 이를 것으로 예상된다. 하지만 솔직히? 내가 보는 가속도를 감안하면 그 추정치는 보수적으로 느껴진다.

글로벌 경쟁

모든 주요 강국이 엄청난 베팅을 하고 있다:

🇺🇸 미국 — Genesis Mission (2025년 11월)
17개 DOE 국립연구소 + 산업계 + 학계 전반의 AI 가속 과학
🇺🇸 Google DeepMind — AI co-scientist
Gemini 기반 다중 에이전트 가상 연구 협력자
모든 DOE 국립연구소에 배치
🇺🇸 OpenAI — OpenAI for Science (2025년 10월)
GPT-5.2 기반 과학 가속 + Prism (무료 LaTeX 워크스페이스)
🇬🇧 영국 — AI for Science 전략 (2025년 11월)
국가 전략, 첫 미션 발표, 2026년 추가 예정
🇬🇧 DeepMind UK — 자동화 연구소 (2026년 개소)
로봇이 매일 수백 가지 소재를 합성하고 테스트
🇪🇺 EU — AI4Science 전략 워크숍 (2025년 6월, 세비야)
통합 유럽 AI for Science 전략

OpenAI의 Kevin Weil이 2026년 2월 Cisco AI Summit에서 놀라운 주장을 했다: "과학을 진정으로 가속화할 수 있다면, 향후 25년의 과학을 앞으로 5년 안에 할 수 있습니다. 2030년에 우리는 2050년의 기술과 과학을 가지고 앉아 있을 것입니다."

대담한가? 물론이다. 하지만 이미 달성된 것을 보면, 들리는 것만큼 터무니없지는 않다.

왜 지금인가? 아이디어 병목

이것이 지금 일어나는 데는 트랜스포머 아키텍처와 무관한 더 깊은 이유가 있다. 경제학자 Nicholas Bloom의 유명한 논문 *"아이디어를 찾기가 더 어려워지고 있는가?"*는 우려스러운 추세를 기록했다: 동일한 생산성 성장률을 유지하려면 기하급수적으로 더 많은 연구자와 R&D 투자가 필요하다.

2023년 Nature 연구는 4,500만 편의 논문과 400만 건의 특허를 분석해 이를 확인했다 — 시간이 지남에 따라 연구의 파괴성이 줄어들고 있다. 선진국의 출산율 하락까지 더하면, 더 적은 두뇌가 점점 더 점진적인 아이디어를 만들어내고 있다.

AI는 이 병목을 직접 공략한다. 과학자의 직관을 대체하는 게 아니라 — 어떤 인간 팀이라도 평생 탐색할 수 있는 범위를 넘어 탐색 공간을 확장한다.

트로피 진열장: AI가 실제로 발견한 것

구체적으로 가보자. 추측이 아니다 — 실제 결과다.

AlphaFold: 노벨상을 받은 그것

AlphaFold 2 (2020-2022)
→ 2억 개 이상 단백질 3D 구조 예측
→ 수개월/수년의 작업을 수분으로 단축
AlphaFold 3 (2024-현재)
→ 단백질-리간드, 단백질-DNA, 단백질-RNA 상호작용
→ DNA 나노구조 설계
2024년 노벨 화학상
→ Demis Hassabis & John Jumper
→ AI의 과학 기여를 인정한 최초의 노벨상
현재 사용
→ 190개국 이상 300만+ 과학자
→ 응용: 말라리아 백신, 유전자 치료, 신약 설계

AlphaFold의 이야기는 이제 잘 알려져 있지만, 그 규모는 여전히 놀랍다. 300만 명의 과학자. 190개국. 이 단일 도구는 구조생물학에서 현미경만큼 근본적인 존재가 되었다. AlphaFold 3의 다분자 상호작용으로의 확장은 불과 3년 전까지 용접되어 있던 문을 열고 있다.

GNoME: 수세기의 재료과학을 한 번에

스크롤하다 멈추게 한 숫자가 하나 있다: GNoME 이전에 인류는 재료과학의 전 역사를 통틀어 약 48,000개의 안정 무기 결정 구조를 확인했다. GNoME은 약 380,000개의 새로운 안정 구조를 제안했다 — 인류가 찾은 모든 것의 8배.

다만 중요한 한계가 있다 — 검증이다. 2025년 Nature의 후속 연구는 올바른 질문을 했다: AI가 수백만 개의 소재를 꿈꿀 수 있지만, 실제로 유용한가? 실제로 합성하고 테스트하는 검증 파이프라인이 여전히 병목이다. 그래서 2026년 개소 예정인 DeepMind의 영국 자동화 연구소에서 로봇이 매일 수백 가지 후보 물질을 합성하며 이 격차를 좁히려 한다.

FunSearch와 AlphaEvolve: AI가 수학을 할 때

2023년 말 공개된 FunSearch는 진정한 최초를 기록했다: LLM 기반 시스템이 캡셋 문제 — 수학의 미해결 문제 — 에 대한 새로운 해를 발견한 것. 재발견된 기존 해가 아니다. 진짜 새로운 해.

후속작 AlphaEvolve(2025년 5월)는 훨씬 더 나아갔다. Gemini 위에 구축된 범용 알고리즘 발견 엔진이다:

전체: 20%의 사례에서 기존 최고 해를 능가
구체적 성과:
→ Google 데이터센터 효율성 개선
→ 칩 설계 최적화
→ AI 훈련 프로세스 개선 (재귀적 자기 개선!)
→ 수학 및 컴퓨터 과학의 실용적 발견
필즈 메달리스트 Terence Tao와의 협업:
→ AlphaEvolve + DeepThink + AlphaProof vs 67개 문제
→ 대부분에서 기존 최고 해와 동등하거나 능가
FunSearch 일반화 (2025):
→ 한 문제에서 학습한 원리가 다른 영역으로 전이
→ 조합론, 정수론 등

한 가지 디테일에 주목하고 싶다: AlphaEvolve는 자신을 구동하는 바로 그 LLM의 훈련 프로세스를 개선했다. 스스로를 발견에 더 능하게 만드는 시스템이다. 무서운 SF 의미의 재귀적 자기 개선은 아니지만, 비슷한 느낌이다.

그리고 에르되시 문제들이 있다. 2025년 말에서 2026년 초 사이, AI 시스템(GPT-5.2 포함)이 전설적 수학자 Paul Erdős가 제시한 11개 문제 풀이에 기여했다. Terence Tao가 결과를 검증했지만 특유의 신중한 평가를 내렸다: 이것들은 "가장 쉬운 과일" — 비교적 표준적인 기법으로 해결 가능하고 직관적인 증명을 가진 문제들이었다.

공정한 평가다. 하지만 "AI가 쉬운 유명 수학 문제를 풀었다"는 여전히 5년 전이면 SF였을 문장이다.

신약 파이프라인 혁명

AI4Science가 생생하게 실감되는 부분이다 — 인간의 생명에 직접 영향을 미치기 때문에.

Insilico Medicine ISM001-055
질환: 특발성 폐섬유증
단계: 2a상 — 유의미한 폐기능 개선
Recursion REC-994
질환: 뇌해면상 혈관기형
단계: 2상 — 1차 안전성/내약성 평가항목 충족
Lantern Pharma LP-300
질환: 비소세포폐암
단계: 2상 — 유효성 확인
AI 설계 항체 (Nature, 2025년 12월)
성과: AI가 설계한 완전히 새로운 항체 분자
과제: 상용 항체 의약품 품질 도달
AI + 유방암 (2025년 6월)
결과: AI 설계 분자를 호르몬 치료에 추가
→ 31명 환자 중 ~81%에서 종양 크기 감소
AI 지원 CRISPR (2025)
환자: CPS1 결핍증 7개월 영아
→ 맞춤형 염기 편집 치료법을 6개월 만에 개발

Google의 AI co-scientist는 이미 실험실 검증 결과를 만들어냈다: 간 섬유증을 위한 약물 재창출 후보군, 그리고 실험적으로 확인된(Cell, 2025 게재) 정확한 항균 내성 메커니즘 예측.

Novo Nordisk는 Claude for Life Sciences가 임상시험 보고서 초안 작성을 10주에서 10분으로 줄였다고 보고했다. 마케팅적 과장이 있더라도, 10배 개선만으로도 혁신적이다.

자율 AI 과학자: 사람 없는 논문

여기서부터 진짜 이상해진다.

Sakana AI Scientist v2

2024년 8월, Sakana AI는 "The AI Scientist" 첫 버전을 출시했다 — 연구 아이디어 생성, 코드 작성, 실험 실행, 논문 초안 작성을 완전 자동화한 파이프라인. v1은 인상적이었지만 ML 하위 분야에 한정되고 인간이 작성한 코드 템플릿에 의존했다.

2025년 4월 출시된 v2는 문턱을 넘었다: 완전 AI 생성 논문이 ICLR 워크숍 피어리뷰를 통과했다. 인간 코드 템플릿 없이. 실험 관리를 위한 에이전틱 트리서치. 비전-언어 모델이 반복적으로 그림과 시각화를 개선. 세 편의 제출 중 하나가 인간 수용 기준을 초과했다.

코드는 오픈소스다. 누구나 실행할 수 있다.

Microsoft Kosmos: 12시간 연구 스프린트

Kosmos는 다른 접근을 취한다. 개방형 목표와 데이터셋을 주면, 최대 12시간 동안 자율 연구를 수행한다.

에이전트 롤아웃: ~200회
실행된 코드 줄 수: ~42,000
읽은 논문: ~1,500편
소요 시간: 최대 12시간
발견:
→ 신경 노화의 새로운 임상 메커니즘
→ 높은 순환 SOD2 수치가 심근 섬유증을
인과적으로 감소시킬 수 있다는 통계적 증거

하지만 현실 점검이 있다. 방사선 생물학 분야의 독립 평가(arXiv 2511.13825)에서는: 하나의 잘 뒷받침된 발견, 하나의 그럴듯하지만 불확실한 결과, 그리고 하나의 거짓 가설이 나왔다. 과학 이야기에서 셋 중 하나가 틀리는 건... 꽤 많다.

사용자 보고는 더 열정적이다: "6개월의 연구를 4시간 만에 완료. 88개의 복잡한 연구 작업 완수." 속도는 실제다. 신뢰성 문제는 미해결이다.

Google AI Co-Scientist와 OpenAI의 로드맵

Google의 AI co-scientist는 다중 에이전트 루프를 사용한다: 가설 생성, 비판, 반복 개선. 과학자가 자연어로 목표를 설명하면 AI가 가설과 연구 제안을 반환한다. Forbes는 연구자들이 10년 걸릴 것으로 추정한 것을 2일 만에 풀었다는 사례를 보도했다.

OpenAI는 명시적 타임라인을 제시했다:

2026년 9월까지: AI 연구 인턴 수준
2028년 3월까지: 완전 자율 AI 연구자
현재 도구: Prism
→ GPT-5.2와 통합된 무료 LaTeX 워크스페이스
→ 초안 작성, 인용, 수식

GPT-5.2 팩터

OpenAI 이야기가 나왔으니 — GPT-5.2의 과학 벤치마크 성과는 별도로 주목할 가치가 있다:

GPQA (박사 수준 생물/물리/화학 객관식):
GPT-4:    39%
GPT-5.2:  92%
인간 전문가: ~70%
수학 경시대회: 77%
미해결 연구 문제: 25%

인간 분야 전문가 평균이 70%인데 박사 수준 과학 문제에서 92%를 득점하는 모델. Kevin Weil의 표현이 적절하다: "몇 년 전에는 SAT 800점에 놀랐습니다. 이제 모델은 인간 능력의 최전선에 있습니다."

그림자: 과학자들을 걱정시키는 것

모든 사람이 축하하는 건 아니며, 그들의 우려는 진지하게 받아들여야 한다.

좁아짐 효과

4,130만 편의 논문을 분석한 Nature 연구가 역설을 전달했다: AI 도구는 개별 과학자에게는 이롭지만 과학 전체의 집단적 초점을 수축시킨다. 모두가 같은 AI 도구를 사용하면, 모두가 같은 질문, 같은 방법, 같은 맹점으로 쏠린다.

이것이 동질화 문제다. 모두 같은 방향을 가리키고 있다면 더 빠른 과학이 반드시 더 나은 과학은 아니다.

피어리뷰 위기

연구자의 50% 이상이 이미 명시적 가이드라인을 위반하며 피어리뷰에 AI를 사용하고 있다. AI가 쓴 논문이 윤리적으로 수용 가능한지에 대해 과학자들은 깊이 분열되어 있다. 저자가 AI이고 심사자도 AI일 때, 누가 과학적 진실을 보장하는가?

검증 병목

AI는 수백만 개의 소재, 신약 후보, 가설을 제안할 수 있다. 하지만 실험적 검증에는 여전히 인간의 손, 물리적 장비, 시간이 필요하다. 건설 중인 자동화 연구소가 이 격차를 좁히려는 시도이지만, 아직 도달하지 못했다.

Kosmos의 3분의 1 거짓 가설 비율은 경고 신호다. 정확성 없는 속도는 진보가 아니라 — 소음이다.

우리가 서 있는 곳

AI4Science 혁명은 오고 있는 게 아니다. 이미 여기 있다. AlphaFold는 노벨상을 받았다. AI 설계 신약이 환자에게 투여되고 있다. AI 생성 논문이 피어리뷰를 통과하고 있다. 가설에서 실험, 출판까지 — 과학적 발견의 전체 장치가 인공지능에 의해 침투되고, 가속되고, 변형되고 있다.

하지만 더 깊은 질문들은 완고하게 열려 있다.

OpenAI가 "미해결 수학 문제를 풀었다"고 트윗한 후 답이 오래된 독일어 논문에 있다는 걸 알고 조용히 트윗을 삭제했을 때. Terence Tao가 AI의 수학 성과를 "쉬운 과일"이라 불렀을 때. 우리는 진정한 발견을 목격하고 있는가, 아니면 인류의 기존 지식을 새로운 배열로 제시하는 정교한 패턴 매칭을 보고 있는가?

그리고 AI가 개별 생산성을 가속하면서도 과학의 집단적 초점을 좁힌다면, 우리는 사고의 다양성을 실행 속도와 교환하고 있는 것인가? 더 빠른 아이디어 단일 문화가 정말 더 느린 경쟁 접근법의 생태계보다 나은가?

아마도 가장 불안한 질문은 신뢰에 관한 것이다. AI가 논문을 쓰고, AI가 논문을 리뷰하고, AI가 그 논문이 테스트하는 가설을 생성하는 세상에서 — 과학적 권위는 어디에 있는가? 인간 피어리뷰어의 절반 이상이 이미 가이드라인을 위반하며 AI를 사용하고 있다면, 우리는 이미 아직 명확히 보이지 않는 선을 넘은 것인가?

그리고 마지막으로: 25년의 과학을 5년으로 압축할 수 있다면, 우리가 발견하는 것을 감당할 지혜가 있는가? 지난번 인류가 맹렬한 속도로 자연의 근본적 힘을 풀어냈을 때, 같은 10년 안에 핵의학과 핵무기를 모두 얻었다.

발견이 그 결과를 이해하는 우리의 능력보다 빨리 도착하면 무슨 일이 일어나는가? 🦊