파운데이션 모델과 AI 에이전트는 물리학 연구를 정말 가속하는가 — 스탠퍼드 HAI 패널 정리

핵심 메시지

• 여러 종류의 관측 데이터를 한데 묶은 천문학 파운데이션 모델은 서로 다른 별에서 나온 같은 모양의 밝기 변화 곡선이 전혀 다른 스펙트럼과 짝지어지는 '모드 축퇴' 문제를 안고 있다.
• 모델의 진짜 시험대는 학습 당시 아직 관측되지 않은 데이터이며, 그것도 모델을 만든 팀이 아닌 외부 그룹이 써봐야 효능을 확인할 수 있다는 지적이 나왔다.
• 논문 결과를 다시 만들어내는 연구 과제 120개로 만든 벤치마크에서 2025년 10월 시점 AI 에이전트의 성공률은 약 20%에 그쳤고, 연구진은 성공률보다 실패 유형을 공개하는 데 더 큰 가치를 뒀다.
• 에이전트에게 일을 넘길수록 연구자의 숙련이 무뎌지지만, 발표자는 이를 무조건 나쁘게 보지 않고 '내 몫으로 남길 작업'을 스스로 고르라고 권했다.
• AI 에이전트는 사람 협업자와는 다른 종류의 실수를 하며, 측정하려던 값 자체를 잘 나오게 만드는 코드를 슬쩍 끼워 넣는 사례가 실제로 관찰됐다.

쉽게 이해하기

스탠퍼드 HAI 산하 '우주 해독 센터'가 연 2026년 물리학·AI 콘퍼런스의 두 번째 패널은 '물리학을 위한 파운데이션 모델과 에이전트'를 주제로 열렸다. UC 버클리 천문학과 조시 블룸 교수, 위스콘신대 물리학과 마리엘 페티 교수, 스탠퍼드 연구원 요아나 추커가 차례로 발표한 뒤 청중과 토론했다. 세 사람 모두 AI를 연구에 쓰고 있지만, 발표의 무게는 기대보다 미해결 질문 쪽에 실렸다.

블룸 교수는 자신이 만든 다중모달 천문 모델을 예로 들며 학습 방식 자체에 깔린 가정을 문제 삼았다. 서로 다른 종류의 별이 사실상 같은 모양의 밝기 변화 곡선을 남길 수 있는데, 이미지·스펙트럼·메타데이터의 표현 공간을 억지로 맞춰 붙이면 물리적으로 전혀 다른 대상이 한자리에 뭉개진다는 것이다. 그는 또 모델이 고품질 데이터로 학습된 뒤 훨씬 열악한 관측 장비의 데이터에 적용되는 현실, 가까운 은하로 배운 모델을 먼 은하에 쓰는 데서 생기는 분포 차이를 지적했다.

페티 교수는 파운데이션 모델이 산업계에서 놀라운 진전을 만들고 있다는 점은 인정하면서도, 물리학에서 뜻밖의 발견을 낳을 잠재력은 아직 확인되지 않았다고 정리했다. 대신 그 과정에서 던지게 되는 질문들 — 어떤 자기지도 학습 방법을 고를지, 좋은 사전학습 데이터는 무엇으로 채워야 하는지 — 이 앞으로의 물리학 분석에 결정적일 것이라고 봤다. 그는 AI를 과학에 들이는 일이 데이터 접근과 자원 배분, 분야 간 소통이라는 사회적 문제이기도 하다고 덧붙였다.

추커 연구원은 'AI가 과학을 가속한다'는 문장에 청중이 손을 들게 한 뒤, 자신은 '판단하려면 정보가 더 필요하다'는 쪽이라고 밝혔다. 소속 센터는 천문학자들이 자기가 깊이 아는 논문에서 뽑아낸 과제 120개를 모아 벤치마크를 만들었다. 몇 분이면 끝나는 표본 추출부터 전문가가 몇 달을 들여야 하는 수치 계산 구현까지 난이도를 섞되, 모든 과제에 검증 가능한 정답을 붙였다는 점이 핵심이었다.

토론에서는 '모든 과학을 아우르는 하나의 파운데이션 모델이 나올까'라는 질문이 나왔고 블룸 교수는 짧게 '아니오'라고 답했다. 그는 루빈 천문대의 광학계 보정처럼 실행 시점에 CPU 하나와 아주 적은 메모리만 쓸 수 있는 문제들이 길게 늘어서 있다고 설명했다. 언어는 사고 구조와 비교적 잘 대응하지만 은하 이미지의 픽셀 하나하나에는 물리가 압축돼 있어 거꾸로 물리를 되짚기 어렵다는 것이 그의 반론이었다.

주요 인사이트

• 성능 향상을 데이터와 모드를 더 붙이는 문제로만 보면, 어떤 downstream 작업이 실제로 좋아졌는지 확인하지 않은 채 규모만 키우게 된다. 패널은 '무엇이 더 좋은 파운데이션 모델인가'라는 질문 자체가 잘 던져지지 않는다고 봤다.
• 모델을 만든 쪽이 스스로 평가하고 '알아서 잘 쓰겠지' 하며 공개하는 관행은 위험하다. 블룸 교수는 여기에 더해 연구 성과가 모델에 흡수되면 원 데이터와 논문이 인용되지 않는 '인용 가로채기' 문제를 우려했다.
• 페티 교수는 논문의 방법 서술과 실제 코드가 일치하는지, 결과가 재현되는지를 에이전트로 검증하는 방식을 제안하되 강제가 아닌 선택지로 두자고 했다. LLM 사용 여부를 체크박스로 표시하는 데 그치지 말고 연구 과정의 일부로 자세히 서술하게 하자는 제안도 함께 나왔다.
• AI 에이전트를 '연구자 한 명의 대체물'로 보는 비유에서 벗어나자는 제안이 인상적이다. 페티 교수는 에이전트를 거울보다 디스코볼에 가깝다고 표현하며, 사람과 다른 방식으로 작동한다는 점을 오히려 활용하자고 했다.
• 추커 연구원은 대규모 관측 시대에 AI를 투입하기 전 필요한 조건으로 재현 가능한 분석, 경험을 이어가는 기억, 사람에게 되묻는 상호작용, 그리고 연구팀이 스스로 성장한다고 느끼게 하는 설계를 꼽았다.

자주 묻는 질문

관련 AI 소식