AI 생성 이미지
AI-driven science는 AI가 논문을 요약하거나 질문에 답하는 수준을 뜻하지 않습니다. 데이터를 읽고, 가설을 만들고, 실험 코드를 짜고, 결과를 검토하는 연구 과정 안으로 AI가 들어오는 변화입니다.
2026년 5월 19일 열린 Google I/O 2026에서 순다르 피차이는 구글이 ‘에이전트형 Gemini 시대’에 들어섰다고 설명했습니다.1 과학 분야에서 이 말의 의미는 분명합니다. AI가 단일 도구를 넘어, 연구 워크플로 전체를 보조하는 시스템으로 확장되고 있다는 뜻입니다.
과학 AI의 핵심은 모델이 아니라 전체 스택이다
구글은 이번 I/O에서 AI 혁신을 맞춤형 실리콘, 보안 기반, 연구·모델, 제품·플랫폼까지 포괄하는 풀스택 접근으로 설명했습니다.1 과학 AI에서 이 관점은 특히 중요합니다.
연구 현장에서 AI가 실제로 쓰이려면 모델 성능만으로는 부족합니다. 대규모 계산 자원, 신뢰할 수 있는 데이터 연결, 결과를 추적하고 검증할 수 있는 환경이 함께 필요합니다. 즉, 과학 AI의 경쟁력은 “얼마나 똑똑한 모델인가”보다 “연구 과정에 얼마나 안정적으로 들어갈 수 있는가”에 달려 있습니다.
구글이 공개한 처리량 수치도 이 흐름을 보여줍니다. 구글의 AI 처리량은 2년 전 월 9.7조 토큰에서 2026년 월 3.2천조 토큰 이상으로 늘었습니다.1 2025년 I/O 당시 월 약 480조 토큰이었던 것과 비교해도 증가 속도가 가파릅니다.1 또한 2026년 기준 매월 850만 명 이상의 개발자가 구글 모델로 앱과 경험을 만들고 있습니다.1
이 규모는 과학 AI가 실험실 내부의 특수 도구에 머무르지 않고, 더 넓은 개발 생태계와 연구 인프라 위에서 빠르게 확산될 수 있음을 시사합니다.
AlphaFold 이후: 예측에서 발견 지원으로
AlphaFold는 AI-driven science를 대중적으로 각인시킨 대표 사례입니다. 구글은 지난해 AlphaFold의 단백질 구조 예측이 전 세계 300만 명 이상의 연구자에게 사용됐다고 밝혔습니다. 이 사례는 AI가 과학 연구의 특정 병목을 줄일 수 있음을 보여줬습니다.
하지만 I/O에서 보인 다음 단계는 단순한 “정답 예측”을 넘어섭니다. 핵심은 발견 과정 자체를 돕는 것입니다.
구글은 Gemini for Science를 통해 가설 생성, 계산 과학적 발견, 문헌 인사이트 같은 실험적 도구를 제시했습니다.2 예를 들어 가설 생성은 여러 AI 에이전트가 아이디어를 만들고 평가하며, 주장의 출처를 확인할 수 있게 하는 방식입니다.2
이 방향은 AlphaGenome과 AlphaEarth Foundations에서도 이어집니다. AlphaGenome은 유전학 응용을 위해, AlphaEarth Foundations는 지구과학 응용을 위해 훈련된 AI 도구입니다. 생명과학에서 출발한 AI 연구 지원이 유전체, 기후, 지구 시스템으로 넓어지고 있는 셈입니다.
WeatherNext도 같은 맥락에서 볼 수 있습니다. 구글의 날씨 예측 소프트웨어 WeatherNext는 지난해 자메이카에 상륙한 허리케인 멜리사에 대해 사전 경보를 제공했습니다. 이는 AI가 연구실 안의 분석을 넘어, 위험 예측과 의사결정에도 연결될 수 있음을 보여주는 사례입니다.
과학 AI를 볼 때 물어야 할 세 가지
AI-driven science를 평가할 때는 화려한 데모보다 실무적 기준이 더 중요합니다. 특히 다음 세 가지를 봐야 합니다.
근거를 추적할 수 있는가
과학 연구에서는 결과만큼 과정이 중요합니다. AI가 제안한 가설이나 분석이 어떤 문헌, 데이터, 계산 과정에 기반했는지 확인할 수 있어야 합니다.기존 연구 도구와 연결되는가
연구자는 이미 데이터베이스, 시뮬레이션 도구, 분석 파이프라인을 사용하고 있습니다. AI가 별도 장난감처럼 떨어져 있으면 활용도는 낮아집니다. 실제 가치는 기존 워크플로에 자연스럽게 들어갈 때 생깁니다.사람이 검증하고 반복할 수 있는가
과학 AI는 과학자를 대체하기보다 탐색 비용을 줄이는 방향으로 먼저 자리 잡을 가능성이 큽니다. 논문 검토, 후보 가설 정리, 코드 변형 실험처럼 시간이 많이 드는 작업이 우선 바뀔 것입니다.
결론: AI 과학의 승부처는 연구 현장이다
Google I/O 2026이 보여준 메시지는 명확합니다. AI-driven science는 더 이상 개별 모델 발표만으로 설명되지 않습니다. 맞춤형 칩, 대규모 모델, 데이터 인프라, 보안, 제품 플랫폼이 결합된 전체 시스템의 문제로 이동하고 있습니다.
AlphaFold가 단백질 구조 예측의 가능성을 보여줬다면, 다음 단계의 과학 AI는 가설 생성, 문헌 분석, 지구 시스템 예측, 유전체 분석처럼 연구 과정 전반을 보조하는 방향으로 확장되고 있습니다.
따라서 앞으로 과학 AI를 볼 때 중요한 질문은 하나입니다. “이 모델이 얼마나 놀라운가?”가 아니라 “이 시스템이 실제 연구자가 검증 가능한 방식으로 더 빠르게 발견하도록 돕는가?”입니다.
1I/O 2026: Welcome to the agentic Gemini era
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.