AI 과학자 에이전트 확장 실험: 스탠퍼드 가상 연구실부터 아인슈타인 아레나와 논문 에이전트까지

핵심 메시지

• 스탠퍼드 연구진은 모델 하나를 더 키우는 대신 함께 일하는 에이전트의 수를 늘리는 방향을 새로운 확장 축으로 제시했다.
• 다섯에서 열 명 규모의 연구팀을 흉내 낸 '가상 연구실'은 코로나 바이러스 스파이크 단백질에 결합하는 새 나노바디를 설계했고, 실제 실험으로 효과가 확인됐다.
• 제약사 조직을 본뜬 '가상 바이오텍'은 임상시험 하나마다 에이전트를 붙여 약 5만6천 건 규모의 결과 데이터베이스를 만들고, 성공 가능성을 예측하는 새 지표를 찾아냈다.
• 누구의 에이전트든 참여할 수 있는 '아인슈타인 아레나'에서는 여러 에이전트가 협력해 수십 년간 정체됐던 11차원 키싱 넘버 기록을 604개로 끌어올렸다.
• 발표자는 앞으로의 승부처가 개별 에이전트나 그 껍데기를 다듬는 일이 아니라, 에이전트가 협력할 수 있는 '환경'을 설계하는 일로 옮겨간다고 봤다.

쉽게 이해하기

스탠퍼드에서 열린 물리학·AI 콘퍼런스에서 제임스 저우 교수가 '과학을 위한 AI 연구실'의 최근 결과를 발표했다. 그는 지난 1년에서 1년 반 사이 과학계에서 개념적 전환이 일어났다고 진단한다. 예전에는 잘 정의된 문제와 데이터를 준비한 뒤 그에 맞는 AI 도구를 적용했다면, 이제는 가설 수립부터 문헌 정리, 실험 설계, 도구 제작, 데이터 분석까지 연구 전 과정에 AI가 동료 연구자처럼 참여한다는 것이다.

첫 사례는 자신의 실험실을 그대로 옮겨놓은 '가상 연구실'이다. 지도교수 역할을 하는 에이전트가 목표를 설명하면 데이터 과학, 기계학습, 단백질 설계 등 서로 다른 전문성을 가진 학생 에이전트들이 차례로 의견을 낸다. 면역학 담당 에이전트가 나노바디라는 작은 단백질 형태를 제안하면, 기계학습 담당 에이전트가 그 구조를 최적화할 딥러닝 모델을 덧붙이는 식이다. 여기에 다른 에이전트들의 아이디어를 평가하는 비평가 에이전트가 붙어 '나노바디는 공개 데이터가 적으니 과적합을 조심하라'는 지적을 내놓는다. 이 논의를 거쳐 나온 새 계산 절차로 설계한 나노바디를 실제 실험실에서 만들어 시험한 결과, 기존에 사람이 설계한 최고 수준 나노바디보다 여러 변이체에 더 강하게 결합했다.

다음 단계는 규모를 회사 수준으로 키운 '가상 바이오텍'이다. 최고과학책임자 격 에이전트 아래에 후보 표적 발굴, 분자 설계, 안전성 평가, 임상 설계 등 제약사의 부서 구조를 그대로 옮기고, 각 부서를 다시 전문 에이전트 팀이 채운다. 한 프로젝트에서는 임상시험 하나마다 담당 에이전트를 붙이는 방식으로 약 3만7천 개 에이전트를 자동 생성했다. 이들이 논문과 보도자료, 기업 웹사이트를 뒤져 각 시험의 1차·2차 평가지표와 중단 사유를 정리해 약 5만6천 건 규모의 통합 데이터베이스를 만들었다. 이어 에이전트들은 표적 단백질이 세포 유형별로 얼마나 특이하게 나타나는지, 그리고 스위치처럼 작동하는지를 나타내는 두 가지 지표를 찾아냈고, 특정 세포 유형에만 나타나는 유전자를 겨눈 약이 후기 임상까지 갈 확률이 약 50% 높다는 결과를 제시했다.

세 번째는 외부에 문을 연 '아인슈타인 아레나'다. 세계 어느 곳의 에이전트든 문서 하나를 읽고 API로 참여할 수 있게 설계됐고, 매번 간단한 계산 퍼즐을 풀게 해 사람의 직접 참여는 걸러낸다. 아레나에는 연구자 커뮤니티가 실제로 매달리고 있으면서 정답을 수학적으로 정확히 검증할 수 있는 미해결 문제들이 올라와 있고, 토론 게시판과 실시간 순위표가 함께 제공된다. 공개 몇 주 만에 에이전트들은 12개 문제에서 기존의 사람·AI 기록을 모두 넘어서는 해를 찾아냈다. 대표 사례가 11차원 키싱 넘버 문제로, 1980년의 582개에서 2022년 592개, 이듬해 전용 AI 시스템의 593개로 아주 조금씩 올라가던 기록을 협력하는 에이전트들이 며칠 만에 604개로 끌어올렸다. 어떤 단일 모델도 혼자서는 풀지 못한 문제였다.

마지막으로 저우 교수는 지식의 형태 자체를 바꾸는 작업을 소개했다. 논문을 정적인 문서로 두지 말고 각 논문이 스스로 재현성을 책임지고 갱신되며 독자의 새 문제에 적용해주는 '살아 있는 에이전트'로 바꾸자는 구상이다. 워커 에이전트들이 논문과 코드, 데이터를 읽어 결과를 재현하는 가상 환경을 만들고, 그렇게 얻은 통찰을 모델 컨텍스트 프로토콜 서버 형태로 남긴다. 한 사례에서는 유전체 변이 해석 도구를 다루는 에이전트와 주의력결핍 과잉행동장애 유전 연구를 다루는 에이전트가 서로 대화하다 접점을 발견해, 사람이 놓쳤던 새 변이와 발병 위험의 연관을 자율적으로 찾아냈다. 여기에 논문을 가상 파일 시스템 형태로 색인해 코딩에 최적화된 에이전트가 훨씬 정확하고 빠르고 싸게 접근하도록 만든 작업도 공개 자원으로 제공된다고 밝혔다.

주요 인사이트

• 확장의 축이 하나 더 늘었다. 모델 파라미터나 데이터가 아니라 '동시에 협력하는 에이전트의 수'가 성능을 끌어올리는 변수로 실증된 사례다.
• 다중 에이전트가 통하는 문제에는 조건이 있다. 키싱 넘버처럼 구성하기는 어렵지만 검증은 쉬운 문제여야 실시간 채점이 가능하고, 그래야 협력과 경쟁이 작동한다.
• 성과의 원인은 단순한 연산량 증가가 아니었다. 공개된 토론 기록에는 에이전트가 부분 해를 공유하고 서로 검증을 부탁하는 흔적이 남아 있고, 이견을 좁히는 과정 자체가 더 견고한 추론을 끌어냈다는 것이 발표자의 해석이다.
• 에이전트에게도 사람처럼 사회적 역학이 나타났다. 말이 많은 에이전트가 있고 기본 성향이 다른 에이전트가 있으며, 그 차이가 어떤 아이디어가 채택되는지에 영향을 준다는 관찰은 아직 거의 탐구되지 않은 영역이다. 모델이 빨라지면 지금의 에이전트 껍데기는 낡는다는 청중 지적에 발표자는 동의하면서, 그래서 오래 남을 투자는 개별 에이전트가 아니라 검증기·토론 공간·순위표를 갖춘 환경 설계 쪽이라고 답했다.
• 사람이 읽으라고 만든 PDF와 저장소는 에이전트에게는 오히려 비효율적인 형식이다. 지식을 파일 시스템처럼 재구성했더니 정확도는 올라가고 처리 시간과 비용은 크게 줄었다.

자주 묻는 질문

관련 AI 소식