최근 전직 Anthropic 연구자들이 과학 연구를 겨냥한 AI 스타트업 Mirendil을 만들었다는 소식이 나왔습니다1. "챗봇을 더 똑똑하게"가 아니라, 생물학·재료과학처럼 실험과 검증이 핵심인 분야의 연구 속도를 끌어올리겠다는 선언이라 더 눈길을 끕니다. 오늘은 Mirendil이 왜 의미 있는지, 그리고 '과학용 AI'가 풀어야 할 숙제를 함께 정리해봅니다.
Mirendil AI 스타트업: 누가, 무엇을 만들고 있나
Mirendil은 샌프란시스코 기반으로, 생물학과 재료과학 등 과학 연구를 위한 AI 모델을 개발하는 회사로 알려져 있습니다2. 공동창업자로는 Behnam Neyshabur, Harsh Mehta가 언급됩니다2.
여기서 포인트는 "연구자를 위한 도구"라는 점입니다. 과학 현장에서 AI는 보고서 요약보다, 가설을 세우고 실험 후보를 좁히고 결과를 설명하는 쪽이 훨씬 값집니다. Mirendil이 노리는 것도 바로 그 '연구의 허리' 구간일 가능성이 큽니다.
과학 연구용 AI가 어려운 진짜 이유: 그럴듯함보다 '검증'이다
일반 LLM은 말이 매끄러운 게 강점이지만, 과학은 다릅니다. 논문 한 줄, 수치 하나가 틀리면 실험 비용이 그대로 증발하죠. 그래서 과학용 AI는 "그럴듯한 답"이 아니라 재현 가능하고 감사(audit) 가능한 추론에 가까워져야 합니다.
이 흐름에서 흥미로운 비교 대상이 '검증 가능한 AI'를 전면에 내세운 MiroMind입니다. 이 회사는 "정답처럼 보이게"보다 "증명 가능하게"를 강조하며, 형식 검증(verification) 중심의 추론 시스템을 이야기합니다3. Mirendil이 직접 같은 접근을 택한다고 단정할 수는 없지만, 과학 분야에서는 결국 이런 방향(검증·추적·근거 중심)으로 수렴할 수밖에 없습니다.
'세계 모델'과 '연구 모델'이 만나는 지점: 언어가 아니라 현실을 배우기
또 하나의 큰 흐름은, AI가 텍스트가 아니라 현실 데이터(센서·영상 등)로 세계를 학습하는 '월드 모델(world model)'입니다. Yann LeCun이 관련 스타트업 AMI Labs를 통해 "지능은 언어가 아니라 세계에서 시작한다"는 문제의식을 강하게 드러냈죠4.
과학 연구도 본질적으로 "세계"를 다룹니다. 단백질 구조, 실험 장비 로그, 현미경 이미지, 시뮬레이션 결과처럼 텍스트 밖 데이터가 핵심인 경우가 많습니다. Mirendil이 생물학·재료과학을 겨냥한다는 건2, 결국 LLM의 문장력보다 자연/물질의 패턴을 배우는 모델링 능력에 더 투자할 가능성을 시사합니다.
시사점: 연구자·스타트업이 Mirendil에서 봐야 할 체크리스트
Mirendil 같은 과학 연구용 AI가 뜬다는 건, "AI가 연구를 대체한다"보다 "연구의 병목을 줄이는 운영체제"가 생길 수 있다는 뜻입니다. 다만 기대만큼 중요한 건 확인입니다.
첫째, 데모가 화려해도 근거 추적(어떤 데이터/실험/논리로 결론이 났는지)이 가능한지 봐야 합니다. 과학은 '출처'가 아니라 '경로'가 중요합니다.
둘째, 특정 분야(예: 재료/생물)에서 실험 후보를 얼마나 줄여주는지가 성능의 실감 지표입니다. 정확도 한 줄보다 "실험 100번을 10번으로 줄였는가"가 더 본질적입니다.
셋째, 장기적으로는 월드 모델 흐름처럼4 텍스트 밖 데이터를 얼마나 잘 먹는지가 승부처가 될 겁니다. 연구는 결국 현실을 상대하니까요.
Mirendil은 이제 막 이름을 알리기 시작했지만1, "과학용 AI는 무엇이어야 하는가"라는 질문을 다시 뜨겁게 만든 것만으로도 충분히 의미 있는 신호입니다.
참고
1Ex-Anthropic researchers launch AI startup Mirendil to tackle scientific research
3MiroMind Announces Three World-Class Scientific Leaders to Join Its Core AI Research Team
4French AI Startup Building World Models Raises $1.03 billion
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.