AI 생성 이미지
과학 연구에서 병목은 아이디어만이 아닙니다. 가설을 코드로 구현하고, 실험을 반복하며, 성능을 개선하는 과정도 큰 비용입니다. Google의 ERA(Empirical Research Assistance)는 바로 이 반복적인 연구 소프트웨어 개발 과정을 겨냥한 AI 시스템입니다.
ERA는 ‘코드 생성기’보다 ‘성능 탐색 시스템’에 가깝다
ERA는 품질 지표를 최대화하는 과학 소프트웨어를 만드는 AI 시스템으로 정의됩니다.1 여기서 중요한 점은 단순히 “동작하는 코드”를 만드는 것이 아니라, 특정 과학 문제에서 더 높은 점수를 내는 프로그램을 찾는다는 것입니다.
이때 대상이 되는 작업은 수치로 평가할 수 있어야 합니다. 이를 scorable task라고 부릅니다.2 예를 들어 예측 정확도, 분석 성능, 벤치마크 점수처럼 결과를 숫자로 비교할 수 있는 연구 문제가 여기에 해당합니다.
따라서 ERA를 이해하는 핵심은 “AI가 과학 코드를 대신 써준다”가 아닙니다. 더 정확히는 “명확한 평가 기준이 있는 문제에서, 더 나은 구현 방식을 반복적으로 탐색한다”입니다.
작동 방식: 기준 코드에서 출발해 반복 개선한다
ERA는 Gemini 같은 대규모언어모델과 트리 탐색을 결합해 가능한 해법 공간을 탐색합니다.1 먼저 특정 문제를 풀기 위한 기준 코드에서 출발합니다. 이후 구성요소를 추가하거나 알고리즘을 교체하는 방식으로 새로운 후보 코드를 제안합니다.2
생성된 코드는 샌드박스에서 실행되고 평가됩니다. 평가 결과가 좋으면 그 방향을 더 탐색하고, 그렇지 않으면 다른 가지를 시도합니다.2 즉 ERA의 강점은 한 번에 정답 코드를 만드는 능력보다, 많은 후보를 체계적으로 만들고 검증하며 개선하는 반복 구조에 있습니다.
이 방식은 연구자가 직접 수행하던 “구현 → 실행 → 평가 → 수정”의 루프를 자동화합니다. 특히 평가 지표가 명확한 문제에서는 AI가 단순 보조자를 넘어, 실험 가능한 대안을 빠르게 넓히는 탐색 엔진이 될 수 있습니다.
어디에 쓰였고, 무엇을 의미하나
Nature에 공개된 ERA 논문은 이 시스템이 유전체학, 공중보건, 위성 이미지 분석, 신경과학 예측, 시계열 예측, 수학 벤치마크 등에서 테스트됐다고 설명합니다.1 적용 분야가 넓다는 점은 ERA가 특정 도메인 전용 도구라기보다, 점수화 가능한 과학 소프트웨어 문제에 적용할 수 있는 일반적 접근에 가깝다는 뜻입니다.
다만 결과를 받아들일 때는 신중함도 필요합니다. ERA 논문은 2026년 5월 19일 Nature에 온라인 공개됐고, Nature는 해당 원고가 최종 편집 전 조기 공개본이라고 명시했습니다.1 성과가 흥미롭더라도, 실제 연구 현장에서는 데이터 품질, 평가 지표, 재현성, 외부 검증을 함께 봐야 합니다.
연구자에게 중요한 질문은 바뀐다
ERA 같은 시스템이 확산되면 연구자의 역할은 줄어들기보다 달라집니다. 반복 구현에 쓰는 시간은 줄어들 수 있지만, 대신 다음 질문이 더 중요해집니다.
무엇을 최적화할 것인가?
그 점수는 실제 과학적 가치를 잘 반영하는가?
사용한 데이터와 검증 절차는 신뢰할 수 있는가?
AI가 찾은 구현이 우연한 벤치마크 최적화는 아닌가?
결국 ERA의 가치는 “AI가 코드를 썼다”에 있지 않습니다. 연구 문제를 수치화하고, 여러 해법을 빠르게 실험하며, 더 나은 후보를 찾아가는 과정을 가속한다는 데 있습니다.
Google은 ERA와 AlphaEvolve를 바탕으로 한 Computational Discovery 접근을 단계적으로 넓히기 시작했고, labs.google/science에서 Gemini for Science 실험 도구에 대한 관심 등록도 받고 있습니다. 앞으로 중요한 기준은 “AI가 발견했는가”보다 “그 발견을 어떤 데이터, 점수, 검증 절차로 믿을 수 있는가”가 될 것입니다.
1An AI system to help scientists write expert-level empirical software
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.