과학 에이전트 2026: AI가 논문 읽고 코드 돌려 발견을 앞당기는 방식과 생물학의 벽

핵심 메시지

• 2026년의 변화는 AI가 답을 내놓는 모델에서, 과학의 순환 고리 안에서 직접 움직이는 실행 계층으로 넘어갔다는 점이다.
• 한 에이전트 플랫폼은 한 번 실행에 논문 약 1,500편을 읽고 4만 줄이 넘는 연구 코드를 작성·실행해, 사람이라면 넉 달에서 반년 걸릴 작업을 하루 안에 끝낸다.
• 긴 추론을 흐트러뜨리지 않는 비결은 더 큰 컨텍스트 창이 아니라 구조화된 세계 모델이라는 설명이 나왔다.
• 신약 개발 단계마다 시계가 따로 빨라진다. 전임상 발견은 6년에서 2년 미만으로, 타깃 발굴은 18개월에서 9개월로 단축된 사례가 제시됐다.
• 계산은 빨라져도 임상은 사람의 생체 시계에 묶여 있어, 병목은 '얼마나 빨리 하느냐'에서 '무엇을 다음에 검증하느냐'로 옮겨간다.

쉽게 이해하기

튜링 포스트의 진행자 크세니아가 2026년을 과학 에이전트의 변곡점으로 규정하며 그 근거를 정리한 영상이다. 그는 AI가 과학에 쓰인 지는 20년이 넘었다는 점을 먼저 짚는다. 이미지에서 패턴을 찾고 구조를 예측하고 화학 공간을 탐색하는 일은 오래전부터 해 왔다는 것이다. 달라진 것은 역할이다. 질문에 답하는 단독 모델에서, 도구를 호출하고 코드를 실행하며 복잡한 데이터셋을 오가는 전문화된 에이전트 하네스로 무게중심이 옮겨갔다.

그는 엔비디아 헬스케어 총괄 킴벌리 파월의 말을 인용해, 에이전트의 구조가 과학적 방법 자체와 겹친다고 설명한다. 맥락을 쌓고 논문을 읽고 실험을 돌린 뒤 목표를 세우고, 다음에 무엇을 할지 추론해 계획을 세우고 실행하고 다시 맥락을 모으는 순환이 그대로 과학이라는 것이다. 지금 에이전트가 하는 일은 이 고리 전체를 하나의 연속된 실행 단계로 압축하는 일이다.

수치로 들어가면 압축의 규모가 드러난다. 에디슨 사이언티픽의 플랫폼 코스모스는 한 번 실행에 논문 약 1,500편을 읽고 4만 줄이 넘는 연구 코드를 쓰고 실행하며, 인용이 달린 보고서와 다음 실험 계획까지 낸다. 사람이라면 넉 달에서 반년이 걸릴 분량을 하루 안에 끝낸다는 설명이다. 200번의 에이전트 실행에 걸쳐 열두 시간 동안 논리를 잃지 않는 비결로는 더 큰 컨텍스트 창이 아니라 구조화된 세계 모델이 꼽혔다. 성과로는 일곱 건의 발견이 언급됐는데, 셋은 아직 발표되지 않은 사람의 결과를 재현한 것이고 넷은 새로운 것이며, 독립 과학자들이 판정한 진술 정확도는 약 79%였다.

산업 전반의 채택률도 같은 방향을 가리킨다. 벤츨링의 2026년 바이오테크 AI 보고서를 인용해, AI를 도입한 조직의 50%가 타깃 도달 시간 단축을 보고했고 56%는 2년 안에 의미 있는 비용 절감을 기대한다고 전한다. 문헌·지식 추출이 76%, 단백질 구조·물성 모델이 71%로 상류 병목부터 풀리는 모습이다. 단계별로는 전임상 발견이 6년에서 2년 미만으로, 타깃 발굴이 18개월에서 9개월로 줄었고, 임상 데이터 정제에서는 처리량이 6배, 오류가 6.4배 감소했다는 벤치마크가 제시됐다. 한 3상 종양학 시험 모형에서는 데이터베이스 락을 닷새 앞당긴 것만으로 약 510만 달러의 절감이 계산됐다.

그러나 계산 속도는 결국 측정 가능한 것의 한계에 부딪힌다. 진행자는 데이터가 구조화되고 결과가 명확한 '읽히는 생물학'과, 질병 기전이 감춰져 있고 임상시험이 몇 년씩 걸리는 '읽히지 않는 생물학'이 갈라지고 있다고 말한다. AI로 타깃을 찾고 분자를 설계해 약 18개월 만에 임상 후보로 지명한 사례에서도, 시험 자체는 12주에 걸쳐 한 군당 열일곱에서 열여덟 명 규모로 사람의 시간에 맞춰 진행됐다. 설계는 압축됐지만 생물학은 모두를 기다리게 만들었다는 것이다.

주요 인사이트

• 엔비디아가 공개한 바이오 에이전트 툴킷은 챗봇이 아니라 런타임에 가깝다. 백본 설계, 서열 생성, 폴딩과 스코어링, 도킹으로 이어지는 도구들을 제약 조건 아래 엮어 사람이 피펫을 들기 전에 후보를 걸러 낸다.
• 성능을 만든 것은 원시 모델이 아니라 오케스트레이션이었다. 여러 등급의 모델로 벤치마크했을 때 약한 모델은 스킬 계층 없이는 다단계 파이프라인에서 무너졌다.
• AI가 격차를 평평하게 만든다는 통념과 반대되는 결과도 나왔다. 데이터 정제 작업에서 이득을 가장 크게 본 쪽은 경험이 적은 검토자가 아니라 숙련된 검토자였다.
• 그래서 사람의 자리는 판단으로 옮겨간다. 무엇을 믿고 무엇을 다음에 검증할지 결정하는 일, 그리고 검증과 출처, 감사 추적을 요구하는 일이 남는다.
• 일부 기업이 자체 다중 모달 생물 데이터를 만들고 폐쇄 루프 자동화 실험실에 돈을 쏟는 이유도 같다. 알고리즘이 추론할 깨끗한 인과 데이터가 먼저 있어야 하기 때문이다.

자주 묻는 질문

관련 AI 소식