논문 읽고 가설 세우고 실험까지…‘AI 과학자’는 연구자를 대체할까
-다중 AI 에이전트가 문헌검색·가설 생성·실험 설계·데이터 분석까지 연결…속도는 빨라졌지만 독창성과 검증은 여전히 인간의
과학 연구에서 가장 많은 시간이 드는 일 가운데 하나는 수많은 논문을 읽고, 아직 답이 없는 질문을 찾아내고, 이를 검증할 실험을 설계하는 과정이다. 최근에는 이 일의 상당 부분을 인공지능이 맡기 시작했다. 단순히 논문을 요약하거나 데이터를 정리하는 수준을 넘어 여러 AI 에이전트가 역할을 나눠 가설을 만들고 실험을 제안한 뒤 결과를 해석해 새로운 가설로 이어가는 시스템까지 등장했다.
올해 5월 네이처에 발표된 ‘Robin’은 이런 흐름을 보여주는 대표적인 사례다. 연구진은 문헌검색 에이전트와 데이터 분석 에이전트를 결합해 가설 생성, 실험 제안, 결과 해석, 후속 가설 수정까지 하나의 흐름으로 연결했다. 완전히 사람이 빠진 연구는 아니지만, 과학적 발견의 핵심 사이클을 AI가 상당 부분 수행할 수 있음을 보여줬다는 점에서 의미가 크다.
AI는 이제 ‘논문 요약 도구’에서 ‘가설 생성 도구’로 이동하고 있다
초기 생성형 AI가 연구실에서 맡았던 역할은 비교적 단순했다. 논문을 요약하고, 코드를 고치고, 그래프를 만들고, 문장을 다듬는 수준이었다. 연구의 방향을 정하는 핵심 판단은 여전히 연구자의 몫이었다.
그러나 최근 등장한 AI 과학자 시스템은 이 경계를 조금씩 넘고 있다.
구글 딥마인드 등이 개발한 Co-Scientist는 연구자가 제시한 목표와 기존 과학적 근거를 바탕으로 여러 AI 에이전트가 동시에 가설을 만들고, 서로 비판하고, 경쟁시키며 더 나은 가설을 골라내는 구조를 갖는다. 연구진은 이 시스템을 실제 생의학 문제에 적용해 새로운 치료 후보와 연구 아이디어를 찾는 데 활용했다.
Robin 역시 비슷한 흐름을 따른다. 논문을 검색해 필요한 지식을 모으고, 그 정보를 바탕으로 실험 가능한 가설을 만들고, 결과가 나오면 다시 데이터를 분석해 다음 질문을 만든다. 과학자가 반복해오던 ‘읽기→생각하기→실험하기→해석하기’의 일부가 소프트웨어 안에서 연결되기 시작한 것이다.
이 변화의 핵심은 AI가 더 많이 아는 데 있지 않다. 서로 다른 연구 단계를 하나의 연속된 작업으로 묶어낼 수 있게 됐다는 데 있다.
‘AI Scientist’는 논문 작성과 심사까지 자동화했다
보다 극단적인 사례도 있다.
올해 3월 네이처에 발표된 ‘The AI Scientist’는 머신러닝 연구를 대상으로 아이디어 생성부터 코드 작성, 실험 수행, 데이터 분석, 논문 작성, 심사까지 연구의 전 과정을 자동화하는 파이프라인을 제시했다. 연구진은 사람이 제공한 코드 템플릿을 활용하는 방식뿐 아니라 더 개방된 탐색 방식에서도 AI가 새로운 연구 아이디어를 만들고 이를 실제 실험으로 검증하도록 했다.
이 시스템이 작성한 연구 가운데 일부는 머신러닝 분야 상위권 학회의 워크숍 심사 1차 단계를 통과했다. 이것만으로 AI가 인간 연구자 수준에 도달했다고 보기는 어렵지만, 적어도 일정 수준의 연구 산출물을 처음부터 끝까지 자동으로 만들 수 있다는 사실은 확인된 셈이다.
과학 자동화가 비교적 먼저 머신러닝 분야에서 나타난 이유도 있다. 실험 자체가 컴퓨터 안에서 이뤄지기 때문이다. 새로운 알고리즘을 만들고 코드를 실행하고 결과를 비교하는 작업은 실험실에서 시약과 장비를 다루는 것보다 자동화하기 쉽다.
하지만 최근에는 물리적 실험으로도 범위가 넓어지고 있다. 7월 네이처 머신 인텔리전스에 발표된 연구에서는 AI 에이전트가 싱크로트론 X선 빔라인에서 시료 정렬 작업을 계획하고, 장비 명령을 실행하고, 관측 결과를 해석하면서 예상치 못한 상황에도 대응하는 모습을 보였다. AI가 실제 과학 장비까지 직접 다루는 단계로 접근하고 있는 것이다.
AI가 가장 잘하는 것은 ‘너무 많은 가능성을 동시에 보는 것’
AI 과학자가 특히 강점을 보일 수 있는 영역은 탐색 공간이 너무 큰 문제다.
한 연구자가 평생 읽을 수 있는 논문의 수에는 한계가 있다. 전공이 조금만 달라져도 중요한 연구를 놓칠 수 있고, 여러 분야의 지식을 동시에 연결하는 것도 쉽지 않다.
AI는 이런 한계를 상당 부분 낮출 수 있다. 수많은 논문과 데이터베이스를 동시에 검색하고, 서로 다른 분야에서 나온 결과를 조합해 인간이 미처 생각하지 못한 연결을 제안할 수 있기 때문이다.
네이처에 발표된 또 다른 시스템인 ERA는 이런 가능성을 보여준다. 이 AI는 과학 소프트웨어를 자동으로 개선하면서 단일세포 분석에서 기존 인간이 만든 최고 성능 방법보다 나은 40개의 새로운 방법을 찾아냈고, 코로나19 입원 환자 예측에서도 미국 질병통제예방센터의 앙상블 모델보다 좋은 성능을 보인 모델들을 생성했다.
이런 시스템의 가치는 ‘천재적인 한 가지 아이디어’를 만드는 데 있다기보다, 사람이 직접 검토하기 어려운 수천·수만개의 가능성을 빠르게 시도하고 그중 유망한 후보를 걸러내는 데 있을 수 있다.
신약개발과 소재 연구, 유전체 분석처럼 탐색해야 할 조합이 폭발적으로 많은 분야에서 특히 강력할 수 있는 이유다.
그러나 ‘새로운 것’과 ‘좋은 과학’은 같은 말이 아니다
AI가 새로운 가설을 만들 수 있다고 해서 그것이 곧 좋은 과학을 의미하는 것은 아니다.
과학에서 중요한 것은 단순히 이전에 없던 문장을 만드는 것이 아니라, 왜 그 질문이 중요한지 판단하고, 실제로 검증 가능하며, 기존 지식에 의미 있는 변화를 줄 수 있는 가설을 만드는 것이다.
이 부분에서는 아직 인간의 역할이 크다.
네이처는 최근 AI 과학자 시스템이 인상적인 성과를 보여주면서도 인간 연구자가 여전히 필요하다고 강조했다. 연구 주제를 선정하고 실험의 의미를 해석하며, 결과가 과학적으로 가치 있는지 판단하는 과정은 여전히 자동화하기 어렵다는 것이다.
특히 AI는 그럴듯하지만 잘못된 연결을 만들 수 있다. 이미 알려진 아이디어를 새롭게 표현해 독창적인 가설처럼 제시하거나, 통계적으로 우연한 패턴을 의미 있는 발견으로 해석할 위험도 있다.
AI가 수천개의 가설을 만들어낼수록 오히려 인간은 그중 무엇을 검증할 가치가 있는지 판단해야 하는 새로운 부담을 떠안을 수도 있다.
논문이 너무 많이 만들어지는 것도 새로운 문제가 된다
AI 과학자의 생산성이 높아질수록 과학계에는 또 다른 문제가 생길 수 있다.
논문 한 편을 만드는 데 필요한 시간과 비용이 크게 낮아지면 연구 결과의 양은 폭발적으로 늘어날 가능성이 있다. 하지만 논문을 평가하는 사람의 시간은 그대로다.
네이처도 AI 연구 자동화가 과학 출판과 심사 시스템에 새로운 부담을 줄 수 있다고 지적했다. 자동화된 시스템이 빠르게 많은 논문을 만들어내면 이미 과부하 상태인 동료평가 시스템에 더 많은 ‘노이즈’가 쌓일 수 있다는 것이다.
좋은 연구를 빠르게 만드는 기술이 동시에 낮은 품질의 연구를 대량 생산하는 기술이 될 수도 있다는 의미다.
결국 AI 과학자가 확산될수록 “누가 논문을 썼는가”보다 “어떤 과정으로 검증됐는가”가 더 중요해질 수 있다. 실험 데이터의 출처와 코드, AI가 사용한 도구와 판단 과정까지 투명하게 남기는 새로운 연구 윤리 기준이 필요할 가능성이 크다.
젊은 연구자가 배울 기회를 잃을 수 있다는 우려도 있다
생산성이 늘어난다고 항상 연구 생태계가 좋아지는 것은 아니다.
논문 검색과 데이터 정리, 코드 작성 같은 업무는 번거롭지만 동시에 젊은 연구자가 과학을 배우는 과정이기도 하다. 수많은 논문을 읽으면서 분야의 맥락을 이해하고, 데이터를 직접 다뤄보면서 무엇이 이상한 결과인지 감각을 익힌다.
최근 네이처에서는 AI 에이전트가 이런 작업을 너무 빠르게 대신하면 연구 생산성은 높아질 수 있지만 ‘도제식 학습’의 기회가 줄어들 수 있다는 우려도 제기됐다.
초기 연구자가 AI에게 문헌검색과 코드 작성, 데이터 정리까지 모두 맡기면 결과물은 빨리 나올 수 있다. 그러나 왜 특정 분석법을 선택했는지, 어디서 오류가 발생할 수 있는지에 대한 직관을 충분히 익히지 못할 가능성도 있다.
AI 시대 연구교육의 과제는 단순히 “AI를 쓰지 말라”가 아니라, 어떤 작업은 자동화하고 어떤 작업은 직접 경험해야 하는지를 다시 설계하는 데 있을 수 있다.
AI는 연구자를 없애기보다 연구자의 역할을 바꿀 가능성이 크다
지금까지 나온 결과만 보면 AI 과학자가 가까운 시일 내에 인간 연구자를 통째로 대체한다고 보기는 어렵다.
오히려 역할이 달라질 가능성이 크다.
연구자는 모든 논문을 직접 찾고 모든 코드를 직접 작성하는 사람에서, AI가 제시한 수많은 가설과 분석 가운데 무엇이 가치 있는지 판단하고 실제 세계에서 검증하는 사람으로 이동할 수 있다.
과학자의 능력에서도 변화가 생길 수 있다. 지식을 얼마나 많이 외우고 있는가보다 좋은 질문을 만들고, AI가 만든 결과에서 오류를 찾고, 여러 분야를 연결해 의미를 해석하는 능력이 더 중요해질 가능성이 있다.
아이러니하게도 AI가 연구를 더 많이 자동화할수록 인간 연구자의 판단 능력은 오히려 더 중요해질 수 있다.
AI는 가설을 수백 개 만들 수 있지만 어떤 질문이 사회적으로 중요한지는 스스로 결정하기 어렵다. 데이터에서 패턴을 찾을 수는 있지만 그 패턴이 실제 생물학이나 물리학에서 무엇을 의미하는지는 인간의 해석이 필요하다.
‘AI 과학자’의 진짜 시험은 발견 속도가 아니라 발견의 질이다
AI 과학자의 등장은 과학 연구의 속도를 크게 높일 가능성이 있다.
수개월 걸리던 문헌조사와 데이터 분석을 며칠이나 몇 시간으로 줄이고, 사람이 시도하기 어려웠던 수많은 가설을 동시에 검증할 수 있다면 신약과 소재, 기초과학 연구의 속도 자체가 달라질 수 있다.
그러나 더 빨리 논문을 만드는 것이 과학의 최종 목표는 아니다.
중요한 것은 이전에 몰랐던 사실을 얼마나 정확하게 발견하고, 다른 연구자가 재현할 수 있으며, 그 결과가 실제 지식의 진전에 기여하는가다.
AI 과학자가 진짜 과학자가 될 수 있는지를 판단하는 기준도 여기에 있을 것이다.
논문을 읽고 가설을 만들고 실험을 제안하는 능력만으로는 충분하지 않다. 틀린 가설을 버릴 수 있어야 하고, 불확실성을 인정해야 하며, 무엇보다 결과가 왜 중요한지를 설명할 수 있어야 한다.