인공지능이 논문 요약이나 단순 데이터 정리를 넘어, 가설을 세우고 실험 프로토콜을 설계하며 지구 규모의 물리적 위기를 예측하는 단계로 확장되고 있습니다. Google은 최근 자사의 거대언어모델(LLM)인 Gemini 2.0을 기반으로 과학 연구 전반을 돕는 다중 에이전트 시스템 AI co-scientist를 공개하고, 유전체학, 질병 진단, 기후 모델링에 걸친 광범위한 과학 지원 성과를 발표했습니다123. 단순히 컴퓨팅 속도를 높이는 데 그치지 않고, 연구자가 새로운 연구 방향을 찾고 현실 문제를 해결하는 전체 탐구 과정을 인공지능으로 단축하겠다는 시도입니다.
이러한 변화가 연구 현장과 산업계에 중요한 이유는, 과학 발견의 가장 큰 병목이 '방대한 데이터와 문헌 속에서 검증 가능한 가설을 추려내는 일'에 있기 때문입니다. 수많은 분야에서 과학 논문이 쏟아져 나오면서 단일 연구실이 모든 교차 학문 분야를 파악하기 어려워졌습니다. Google AI의 최신 과학 시스템들이 실제로 어떻게 작동하며, 실험실과 재난 대응 현장에서 어떤 성과와 한계를 보이는지 구체적으로 살펴보겠습니다.
가설을 토론하고 진화시키는 AI co-scientist의 추론 구조
Google이 선보인 AI co-scientist는 자연어로 입력된 연구 목표를 바탕으로 독창적인 가설과 연구 개요, 실험 프로토콜을 생성하는 다중 에이전트 시스템입니다1. 일반적인 챗봇이 단일 프롬프트에 즉각적인 답변을 내놓는 것과 달리, 이 시스템은 과학적 방법론 자체를 모방하도록 설계되었습니다. 전체 흐름을 조율하는 감독(Supervisor) 에이전트가 목표를 작업 단위로 쪼개고 자원을 할당하면, 여러 특화 에이전트가 협업을 시작합니다1.
이 시스템의 핵심은 여섯 가지 특화 에이전트의 상호 피드백 루프에 있습니다. 생성(Generation) 에이전트가 초기 아이디어를 제시하면, 성찰(Reflection) 에이전트가 논리적 허점을 비판합니다1. 순위 매기기(Ranking) 에이전트는 체스나 바둑에서 쓰이는 일로(Elo) 평점 방식을 도입해 가설 간의 가상 토론과 비교 토너먼트를 주관합니다1. 여기에 기존 가설을 개량하는 진화(Evolution), 다른 연구와의 개념적 거리를 측정하는 근접성(Proximity), 전체를 종합 평가하는 메타 리뷰(Meta-review) 에이전트가 결합하여 가설의 질을 점진적으로 끌어올립니다1.
이 과정에서 시스템은 테스트 시간 계산(test-time compute) 확장 기법을 사용합니다1. 즉, 모델이 즉각 답을 내놓지 않고 더 많은 연산 시간을 들여 자체 토론, 웹 검색, 도구 활용, 자기 비판을 반복할수록 산출물의 품질이 체계적으로 향상됩니다1. 7명의 분야별 전문가가 설계한 15개의 공개 연구 과제 평가에서, 연산 시간을 늘린 AI co-scientist는 기존의 다른 에이전트 모델이나 지원을 받지 않은 인간 전문가 수준을 상회하는 자체 Elo 평점을 기록했습니다1. 11개 연구 과제를 대상으로 한 전문가 블라인드 평가에서도 독창성과 잠재적 영향력 측면에서 대조군보다 높은 선호를 얻었습니다1.
분자 생물학에서 현장 의료까지, 실험실에서 확인된 성능
가설 생성 시스템의 실질적인 유용성은 컴퓨터 내부의 연산이 아니라 실제 습식 실험실(wet lab)의 검증 결과로 증명되어야 합니다. 스탠퍼드 대학교의 유전학자 개리 펠츠(Gary Peltz)는 Co-Scientist를 활용해 간 섬유증 치료를 위한 약물 재창출 후보를 탐색했습니다2. 시스템은 방대한 의생명 문헌을 분석해 간과되던 후보 물질을 제안했고, 실제 실험실 테스트 결과 흉터 관련 반응을 91% 차단하는 효과를 거두었습니다12. 또한 이 시스템은 급성 골수성 백혈병(AML)에 대해 임상적으로 유효한 농도에서 종양 생존력을 억제하는 약물 후보를 발굴하고 세포주 실험으로 검증을 마쳤습니다1.
질병의 전파 경로와 구조 생물학 연구에서도 구체적인 시간 단축 효과가 나타나고 있습니다. 캠브리지 대학교의 면역학자 클레어 브라이언트(Clare Bryant)는 Co-Scientist를 통해 독감이나 코로나19 같은 병원체가 동물에서 인간으로 전파될 때 중증 질환을 일으키는 단백질을 식별하고, 실험실에서 검증할 특정 아미노산 후보군을 단기간에 압축했습니다2. 과거 10년 동안 구조를 밝히지 못했던 박테리아 단백질을 알파폴드(AlphaFold)를 활용해 30분 만에 규명한 사례도 있습니다. 이는 미국에서만 매년 280만 건의 감염을 일으키는 항생제 내성 문제 해결에 기여하고 있습니다2.
기초 연구뿐만 아니라 대규모 인구 집단을 대상으로 한 의료 현장 적용도 확대되고 있습니다. 영국 임페리얼 칼리지 런던 및 NHS와의 공동 연구에서는 여성 175,000명의 유방암 검사 데이터를 분석한 결과, 정기 검진 사이 기간에 발견되는 간격암(interval cancers)의 25%를 기존 유방촬영술보다 앞서 탐지해냈습니다3. 또한 넥서스 인텔리전스(Nexus Intelligence)가 도입한 흉부 X-ray 스크리닝은 결핵 감염자의 약 40%가 제때 진단받지 못하는 문제를 완화하기 위해 6개국 40개 지역에서 25,000장 이상을 판독했습니다3. 전 세계적으로 115만 건 이상의 진단을 지원한 당뇨망막병증 모델은 향후 10년 동안 600만 건으로 스크리닝 대상을 늘릴 계획입니다3.
지구 환경과 재난 예측, 물리적 위험에 대응하는 글로벌 모델
Google AI의 적용 영역은 미시적인 분자 구조에 머물지 않고 지구 환경과 기후 예측으로 확장됩니다. 구글이 도입한 글로벌 날씨 모델 WeatherNext 3는 하루 이상 앞선 시점에서 기존 모델 대비 50% 더 정확한 강수량 예측을 제공합니다3. 또한 홍수 예보 시스템인 Flood Hub는 현재 위험 지역에 거주하는 150개 이상 국가의 20억 명을 대상으로 수해 경보를 제공하는 체계로 성장했습니다3.
이러한 전 지구적 모델은 취약 지역의 안전망과 직결됩니다. 2025년 기준 Google의 몬순 예측 시스템은 인도 농부 38만 명에게 농업에 필수적인 기상 정보를 전달했습니다3. 아울러 2025년 Google 검색을 통해 500개 이상의 위기 경보가 발송되어 전 세계 7,500만 명 이상의 사용자에게 산불 정보를 실시간으로 제공했습니다3.
인간의 생명을 위협하는 감염병과 식량 문제에서도 지표가 공개되었습니다. 지구 AI 행성 예측 엔진(PPE)은 콩고민주공화국에서 지속되는 에볼라 발병 상황에서 기존 예측 체계를 앞서며 신흥 핫스팟의 83%를 사전에 정확히 찾아냈습니다3. 나이지리아에서는 지역구 단위 식량 안보 예측의 정확도를 2배 끌어올려 구호 자원의 효율적 분배를 돕고 있습니다3. 기초 생물학 영역에서도 신경과학 10주년을 맞아 인간 뇌의 미세 조각을 시냅스 수준에서 재구성한 대규모 연구를 과학 저널 Science에 게재하고, 인간 게놈 전체의 90억 개 단일 문자 변이 영향을 매핑한 AlphaGenome Atlas를 전 세계 연구자에게 공개했습니다23.
연구 지원 규모와 AI 과학 도구가 직면한 기술적 한계
이 같은 기술 개발을 학술 생태계 전반으로 확산하기 위해 Google은 자금과 인프라 지원을 병행하고 있습니다. 2006년 이후 전 세계 1,700개 이상의 연구 기관에 10억 달러 이상을 지원해온 구글은 최근 3,000만 달러 규모의 'Google.org Impact Challenge: AI for Science' 공모전을 시작했습니다34. 건강·생명과학 및 기후 회복력 분야를 연구하는 비영리단체, 사회적 기업, 학술 기관을 대상으로 프로젝트당 50만 달러에서 300만 달러의 자금을 지급하며, 선정된 기관에는 6개월간 구글 전문가의 프로보노 기술 지원과 Google 클라우드 크레딧이 제공됩니다4. 이 공모전의 신청 마감은 2026년 5월 1일입니다4.
그러나 이러한 성과 지표를 인공지능이 과학적 판단을 완전히 대체할 수 있다는 뜻으로 해석해서는 안 됩니다. 시스템 개발진 역시 AI co-scientist의 명확한 기술적 한계를 인정하고 있습니다1. 가장 큰 과제는 사실성(factuality) 검증과 문헌 종합 과정에서의 오류 가능성입니다. 다중 에이전트의 상호 비판 루프를 거치더라도, 학습 데이터의 편향이나 잘못된 사전 출처를 기반으로 그럴듯하지만 틀린 가설을 도출할 위험이 여전히 존재합니다1.
또한 Elo 평점 기반의 평가 방식은 모델 내부의 상대적 우수성을 보여주는 지표일 뿐, 복잡다단한 실제 물리 세계의 변수를 완벽히 담보하지 못합니다. 현재 전문가를 통한 정성 평가는 11개에서 15개 연구 목표라는 제한된 표본을 대상으로 수행되었으므로, 더 넓은 학문 분야와 다양한 연구 과제에 일반화하기에는 추가 검증이 필요합니다1. 현재 AI co-scientist는 신뢰할 수 있는 시험자(Trusted Tester) 프로그램을 중심으로 제한적 접근을 제공하고 있으며, 외부 도구와의 교차 검증 장치를 보완하는 단계에 있습니다1.
현장 도입을 위한 요약과 판단 기준
Google AI의 과학 연구 접근법은 데이터 시각화나 논문 검색 보조에 머물던 과거 도구와 확실한 차별점을 보입니다. 복수의 전문 에이전트가 가설을 생성하고 진화시키는 자율적 추론 체계를 갖추었으며, 300개 이상의 언어를 지원해 전 세계 인구의 86%인 70억 명의 언어권에 도달하는 범용성을 확보했습니다3.
연구 조직과 기업이 이러한 AI 과학 도구를 도입하거나 연구 프로세스에 통합하려 할 때 점검해야 할 실무 기준은 다음과 같습니다.
실험실 검증 프로세스의 내재화 여부: AI가 제안한 가설과 프로토콜은 출발점일 뿐입니다. 스탠퍼드나 캠브리지의 사례처럼 제안된 물질이나 표적을 즉시 검증할 수 있는 습식 실험 환경이나 도메인 전문가의 검토 체계(Human-in-the-loop)가 갖추어져 있는지 확인해야 합니다12.
평가 지표의 성격 분별: 벤치마크 점수나 내부 비교 토너먼트의 높은 Elo 점수가 곧바로 연구의 성공이나 임상적 효능을 보장하지 않습니다. 모델이 제시한 메커니즘이 실제 생체 반응이나 물리 현상과 일치하는지 단계별 독립 검증을 설계해야 합니다.
오픈소스 및 외부 지원 인프라 활용도: 연구팀의 자체 컴퓨팅 자원이 부족하다면 2026년 5월까지 진행되는 Google.org 공모전이나 공개된 AlphaGenome Atlas와 같은 개방형 데이터베이스를 선제적으로 활용할 수 있는지 검토하는 것이 유리합니다34.
인공지능은 이제 복잡한 데이터 속에서 인간이 미처 보지 못한 패턴을 드러내는 가속기 역할을 하고 있습니다. 다만 최종적인 과학적 타당성을 규명하고 윤리적·임상적 책임을 지는 주체는 여전히 연구자 자신이라는 점을 전제로 도입 전략을 세워야 합니다.
참고
1Accelerating scientific breakthroughs with an AI co-scientist
2Advancing science with AI innovation
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.