과학 컨텍스트 프로토콜(SCP): 전 세계 연구실을 잇는 AI 공용어
AI 에이전트가 논문을 읽고, 실험 계획을 세우고, 로봇을 움직여 실험을 수행한 뒤, 다시 결과를 분석해 다음 실험을 설계한다면 어떨까요? 더 흥미로운 건, 이 모든 일을 상하이, 보스턴, 베를린, 서울의 서로 다른 연구소 장비들을 동시에 활용하면서 해낸다는 점입니다.
이 다소 SF 같은 장면을 현실로 만들기 위해 상하이 인공지능 연구소가 내놓은 표준이 바로 ‘과학 컨텍스트 프로토콜(Science Context Protocol, SCP)’입니다1. 이미 AI 업계 표준이 된 Anthropic의 ‘모델 컨텍스트 프로토콜(Model Context Protocol, MCP)’을 과학 연구에 맞게 확장한 규격이죠2.
이 글에서는 SCP가 무엇인지, 기존 MCP와 뭐가 다른지, 실제 연구 현장에서 어떻게 쓰일 수 있는지, 그리고 앞으로 우리의 연구·산업 환경에 어떤 변화를 가져올지까지 한 번에 정리해보겠습니다.
SCP란 무엇인가: AI, 연구자, 실험 장비를 잇는 ‘공용 운영체제’
지금도 AI 기반 연구 도구는 꽤 많습니다. 화학 합성 계획을 짜주는 ChemCrow, 물리·재료 실험을 돕는 A-Lab, 논문 기반 실험 설계를 지원하는 Coscientist 같은 프로젝트들이 대표적입니다1. 문제는 이들이 대부분 ‘섬’처럼 고립돼 있다는 점입니다. 각자 자기 플랫폼, 자기 워크플로에서만 돌아가죠.
SCP는 이 섬들을 하나의 대륙으로 묶기 위한 표준입니다. 연구자들이 표현한 목표, 여러 AI 에이전트, 각종 데이터베이스, 심지어 실제 실험 장비까지 하나의 언어, 하나의 프로토콜 위에서 연결하겠다는 발상입니다1.
조금 감각적으로 말하면, SCP는 “AI 기반 연구를 위한 운영체제”에 가깝습니다.
연구자는 “이 단백질을 타깃으로 할 수 있는 저독성 후보 물질을 찾아줘”처럼 목표를 던집니다.
SCP 허브는 이 목표를 세분화해 여러 하위 작업(데이터 검색, 구조 예측, 독성 예측, 도킹 시뮬레이션, 실제 실험 등)으로 나눕니다1.
각 작업은 다시 특정 AI 에이전트·툴·실험 장비에 자동으로 배분됩니다.
전체 과정은 구조화된 JSON 실험 계획과 실행 로그로 기록돼, 재현성과 추적 가능성을 확보합니다1.
핵심은 “어디 연구실의 어떤 장비이든, 어떤 AI 모델이든, SCP에 맞춰만 연결하면 하나의 거대한 ‘과학 네트워크’의 일부가 된다”는 점입니다. 상하이 연구소가 말하는 “자율 과학 에이전트의 글로벌 웹”이 바로 이것입니다1.
MCP 위에 쌓인 SCP: 무엇이 어떻게 확장됐나
SCP를 이해하려면, 먼저 그 기반이 되는 MCP를 간단히 짚고 갈 필요가 있습니다.
MCP는 Anthropic이 만든 개방형 표준으로, AI 모델이 외부 도구·데이터와 통신하는 방법을 통일한 규격입니다2. 파일 읽기, 데이터베이스 조회, API 호출 같은 일을 “MCP 서버”라는 통로를 통해 표준화된 형식으로 처리하게 해줍니다. 현재 OpenAI, Google DeepMind, 주요 IDE·코딩 툴들이 MCP를 받아들여, 사실상 업계 표준이 된 상태입니다23.
하지만 과학 연구에 MCP를 그대로 쓰기에는 부족한 부분이 많습니다. 상하이 AI 연구소 팀은 세 가지 한계를 짚습니다1.
첫째, 실험 프로토콜을 온전히 표현하기 어렵습니다.
단순한 도구 호출이 아니라, “시약 A를 37℃에서 20분 인큐베이션 후, 1,000g에서 5분 원심분리” 같은 정교한 작업 흐름을 구조적으로 표현해야 하죠.
둘째, 대량·고속 실험을 다루기 힘듭니다.
한 번에 수십~수백 개 조건을 병렬로 테스트하는 하이쓰루풋(HTP) 실험에서, 각 조건의 메타데이터와 결과를 체계적으로 관리할 수 있어야 합니다.
셋째, 여러 전문 AI 에이전트를 동시에 조율하기 어렵습니다.
단백질 구조 예측, 분자 독성 평가, 로봇 제어 등 역할이 다른 에이전트들을 하나의 전략 아래 협업시키는 컨트롤 타워가 필요합니다.
이 한계를 보완하기 위해 SCP는 MCP 위에 네 가지를 더 얹습니다1.
실험 메타데이터를 훨씬 더 풍부하게 표현하는 규격
실험 목적, 가설, 변수(온도, 시간, 농도), 장비 세팅, 배치 디자인 등 전체 라이프사이클을 JSON으로 상세히 기록합니다.
이 기록이 곧 “실험 계약서” 역할을 하면서, 향후 재현 실험의 기준이 됩니다1.
P2P가 아닌 ‘중앙 허브’ 기반 통신 구조
MCP는 클라이언트와 서버가 일대일로 통신하는 구조에 가깝지만, SCP는 중앙 허브를 두고 여기에 모든 클라이언트(연구자, 앱, 에이전트)와 서버(데이터베이스, 실험 장비, 모델 서비스)가 연결되는 형태입니다1.
이 허브가 하나의 “두뇌”처럼 계획 수립, 자원 매칭, 진행 모니터링을 총괄합니다.
실험 흐름을 지능적으로 오케스트레이션하는 API
단순히 “이 도구 한 번 호출”이 아니라, 전체 실험 설계·실행·검증 과정을 하나의 플로우로 정의하고 관리하는 ‘실험 플로우 API’를 제공합니다1.
예상 소요 시간, 리스크, 비용 등을 고려해 여러 실행 계획을 생성하고, 그 중 최적안을 추천하기도 합니다.
실험 장비를 위한 표준 드라이버
로봇 피펫, 인큐베이터, 분석 장비 등 다양한 기기가 SCP 서버로 편입될 수 있도록 드라이버 규격을 정의합니다1.
덕분에 AI 에이전트가 “로봇에게 이런 프로토콜을 실행하라”고 지시하는 게 기술적으로 가능해집니다.
결국 MCP가 “AI와 도구를 연결하는 범용 포트”라면, SCP는 “과학 연구 전용 슈퍼 포트”라고 볼 수 있습니다. 실험이라는 특수한 도메인에 필요한 규범과 안전장치, 표현력을 추가로 얹은 셈이죠.
SCP의 뇌와 팔: 허브·서버·에이전트가 움직이는 방식
SCP의 내부 구조를 조금 더 구체적으로 들여다보면, 세 가지 축으로 나뉩니다1.
첫 번째 축은 중앙 허브입니다.
이 허브는 글로벌 레지스트리이자 오케스트레이터 역할을 합니다.
어떤 연구소에 어떤 장비·데이터베이스·AI 에이전트·툴이 있는지 목록을 유지합니다.
연구자가 연구 목표를 제출하면, 이를 해석해 여러 실행 플랜을 생성합니다.
각 플랜마다 의존성 구조, 예상 진행 시간, 리스크, 비용을 설명하고 최적안을 추천합니다.
선택된 플랜은 구조화된 JSON 형태로 저장되며, 이후 모든 참여 주체의 공통 기준이 됩니다1.
두 번째 축은 분산된 SCP 서버들입니다.
허브는 일종의 “지휘자”이고, SCP 서버는 “연주자”에 해당합니다.
어떤 서버는 단백질 구조 예측 모델을 제공하고,
어떤 서버는 화합물 데이터베이스를,
또 다른 서버는 실제 로봇 장비를 제어합니다.
각 서버는 MCP 스타일의 통신 규격을 따르면서도, SCP가 정한 실험 메타데이터와 장비 제어 인터페이스를 따릅니다. 그래서 허브 입장에서는 “어느 서버가 물리 실험을 할 수 있는지”, “어느 서버가 시뮬레이션을 처리하는지”를 통합적으로 파악할 수 있죠.
세 번째 축은 AI 에이전트입니다.
이 에이전트들은 크게 두 부류로 나뉩니다.
연구 목표를 받아 실험 전략을 세우는 ‘플래너 에이전트’
특정 작업(예: 논문 검색, 분자 도킹, 로봇 제어)을 담당하는 ‘전문 에이전트’
SCP의 장점은 이 에이전트들이 서로를 몰라도 협업이 가능하도록 “표준 인터페이스”를 제공한다는 점입니다. 그래서 팀 구성처럼, 어떤 플랜에서는 생물학 특화 에이전트와 로봇 제어 에이전트가 짝을 이루고, 다른 플랜에서는 물리 시뮬레이션 에이전트와 데이터 분석 에이전트가 협업하는 식의 동적인 조합이 가능합니다.
이 모든 과정은 실시간 모니터링·검증 로직과도 연결돼 있습니다.
허브는 실험이 예상 범위를 벗어나는지 감시하고,
의심스러운 데이터가 나오면 경고를 띄우거나,
대체 경로(백업 실험 계획)를 자동으로 발동할 수 있습니다1.
특히 컴퓨터 시뮬레이션과 물리 실험이 뒤섞인 복잡한 워크플로에서 이런 기능이 중요합니다. 중간 단계 하나 꼬이면 전체 실험이 엉킬 수 있기 때문입니다.
Internal Discovery Platform: 벌써 1,600개 도구가 얹힌 실전 플랫폼
“프로토콜만 만들고 논문만 썼겠지?”라고 생각하기 쉽지만, 상하이 AI 연구소는 SCP를 실제 플랫폼에 적용해 운영 중입니다. 이름은 ‘Internal Discovery Platform’입니다1.
이 플랫폼 위에는 이미 1,600개가 넘는 상호 운용 가능한 도구가 올라가 있습니다1.
학문 분야로 보면, 생물학 관련 도구가 약 45.9%, 물리가 21.1%, 화학이 11.6% 정도를 차지합니다. 나머지는 재료·기계, 수학, 컴퓨터 과학 쪽입니다1.
기능별로 보면, 계산 도구가 39.1%로 가장 많고, 데이터베이스가 33.8%, 모델 서비스가 13.3%, 실제 실험 운영 관련 도구가 7.7%, 문헌 검색 도구가 6.1%를 차지합니다1.
이 숫자가 의미하는 바는 단순한 “툴이 많다”가 아닙니다. 서로 다른 회사·연구소·프레임워크에서 온 도구들이 SCP라는 공통 언어 위에서 하나의 워크플로로 엮일 수 있게 됐다는 뜻입니다.
실제 사례도 꽤 설득력 있습니다1.
하나의 예시는 “논문에서 프로토콜 추출 → 로봇 실험 자동 실행”입니다.
연구자가 PDF 논문을 업로드합니다.
AI 에이전트가 실험 부분을 읽고, 단계별 프로토콜을 기계가 이해할 수 있는 구조로 변환합니다.
SCP 허브는 이 프로토콜을 SCP 서버에 연결된 로봇 플랫폼에 배정합니다.
로봇은 해당 프로토콜에 맞춰 피펫팅, 인큐베이션, 측정 등을 수행하고, 결과를 다시 SCP 허브에 보고합니다.
또 다른 예시는 “AI 기반 약물 스크리닝”입니다.
초기 후보 50개 화합물에 대해, 각종 ‘drug-likeness’ 점수와 독성 예측 값을 계산합니다.
설정한 기준에 따라 후보를 필터링합니다.
표적 단백질 구조를 준비하고, 도킹 시뮬레이션을 돌립니다.
최종적으로 가장 유망한 2개 정도의 후보를 뽑습니다.
이 과정에서 데이터베이스 쿼리, 모델 호출, 구조 분석, 필터링 로직 등 여러 SCP 서버가 협업하며 하나의 워크플로를 완성합니다1.
아직 “실제 제약사 신약개발 파이프라인에 그대로 쓸 수 있다”고 말하기엔 이르겠지만, 최소한 “AI가 단순 조언자를 넘어, 실험 자동화와 최적화까지 주도할 수 있다”는 가능성을 보여준 데 의미가 있습니다.
왜 중요한가: 실험실 자동화·AI 에이전트·SCP가 만나는 지점
SCP가 특히 흥미로운 이유는, 지금 전 세계 연구실에서 벌어지고 있는 두 가지 거대한 변화와 정면으로 맞닿아 있기 때문입니다.
첫 번째 변화는 실험실 자동화입니다.
UNC 연구팀이 정리한 것처럼, 최근 과학 실험실은 “자동화 수준”이 점점 올라가는 중입니다4.
A1: 피펫팅 같은 단일 작업만 자동화된 보조 수준
A2: 여러 단계가 연결돼 있지만 사람의 세심한 설정·감독이 필요한 부분 자동화
A3: 전체 실험 프로세스를 로봇이 수행하되, 예외 상황에는 사람 개입이 필요한 조건부 자동화
A4: 로봇이 장비 세팅, 이상 상황 대응까지 대부분 스스로 처리하는 고도 자동화
A5: 유지보수·안전관리까지 포함한 완전 자율화
현실의 많은 연구실은 아직 A1~A2 수준에 머물러 있지만, 논문에서는 분명하게 “AI와 로봇의 통합으로 고도 자동화·완전 자동화 단계로 가는 것이 중장기 목표”라고 말합니다4.
두 번째 변화는 MCP 같은 표준을 통한 AI-도구 생태계의 폭발입니다.
MCP 발표 이후, 전 세계에서 수만 개의 MCP 서버가 만들어졌고, 이들을 모아 연구·보안 분석에 활용하려는 MCPZoo 같은 대규모 데이터셋도 등장했습니다5. IDE, 데이터베이스, 클라우드 서비스, 사내용 업무 시스템까지 AI 에이전트가 MCP를 통해 자유롭게 다룰 수 있는 환경이 급속히 만들어지는 중입니다23.
SCP는 이 두 변화가 과학 연구에서 자연스럽게 만날 수 있도록 해주는 ‘접점’입니다.
한쪽에서는 로봇, 자동화 장비, 실험실 인프라가 점점 더 지능화·연결화되고,
다른 한쪽에서는 AI 에이전트들이 MCP 기반으로 ‘툴 사용의 달인’이 되고 있는 상황에서,
SCP는 “이 모든 것을 과학 연구라는 도메인 안에서 안전하게, 재현 가능하게, 글로벌 규모로 운영하기 위한 규격”인 셈입니다.
쉽게 말하면,
“MCP + 실험실 자동화 + AI 에이전트 = SCP 기반의 글로벌 과학 공장”
으로 갈 수 있는 길이 열린 것입니다.
시사점: 연구자·기업·정책입안자가 지금 준비해야 할 것들
마지막으로, 이 흐름을 바라보는 입장에서 몇 가지 실질적인 포인트를 정리해보겠습니다.
첫째, 실험실은 ‘데이터 생산 공장’이 된다.
SCP의 JSON 기반 실험 기록과 전 과정 추적 기능은, 실험실 데이터를 단순 로그가 아니라 “기계가 재사용할 수 있는 자산”으로 바꿉니다1. 재현성 확보는 기본이고, 동일한 워크플로를 다른 기관·국가로 쉽게 이식할 수 있게 됩니다. 장기적으로는 “SCP-컴플라이언트 워크플로”가 논문 심사, 규제 제출, GMP 문서화의 표준이 될 가능성도 충분히 있습니다.
둘째, 연구자는 ‘실험 디자이너 + AI 오케스트레이터’로 역할이 바뀐다.
단순한 피펫팅, 데이터 정리 작업은 점점 로봇과 에이전트에게 넘어갈 가능성이 큽니다. 대신 연구자는 “어떤 가설을 세울 것인가”, “어떤 변수 공간을 탐색할 것인가”, “AI가 제안한 플랜 중 무엇을 선택할 것인가”를 판단하는 역할에 더 집중하게 됩니다. SCP 허브가 다양한 실험 계획과 그 이유(리스크, 비용, 시간)를 설명해주기 때문에, 이를 읽고 전략을 결정하는 역량이 중요해질 수밖에 없습니다1.
셋째, 기업과 연구기관은 지금부터 ‘SCP 적합성’을 고민해야 한다.
당장 SCP를 도입할 필요는 없더라도, 새로 도입하는 장비·소프트웨어·LIMS·ELN 같은 시스템이 향후 MCP/SCP와 연동 가능한 구조인지 체크할 필요가 있습니다. 폐쇄적인 독자 프로토콜에만 의존할수록, 향후 AI 에이전트·글로벌 협업 생태계에서 소외될 가능성이 높습니다.
넷째, 보안과 거버넌스는 필수 조건이다.
MCP 생태계에서 이미 다양한 보안 취약점과 공격 기법이 보고됐듯이35, SCP처럼 전 세계 실험실을 잇는 프로토콜은 안전하지 않으면 오히려 위험합니다. 악의적인 에이전트가 실험 조건을 교묘히 바꾸거나, 민감한 데이터를 외부로 빼돌릴 수 있는 시나리오를 진지하게 상상해봐야 합니다. SCP 허브 차원의 인증·권한 관리·감사 로깅, 독립적인 보안 감사 체계가 초기부터 설계돼야 합니다.
다섯째, 정책과 규제는 “프로세스 중심”으로 진화해야 한다.
AI 에이전트가 설계·실행한 실험의 책임은 누가 질 것인가? 로봇이 수행한 실험을 어떤 기준으로 검증할 것인가? 이런 질문에 답하려면, “누가 무엇을 했는지 완전한 추적이 가능하고, 계획과 실행이 일치하는지 검증 가능한 프로세스”가 필수입니다. SCP는 이런 프로세스를 기술적으로 담보하기 위한 시도라는 점에서, 향후 규제 논의에서도 중요한 레퍼런스가 될 수 있습니다.
AI 에이전트, 실험실 로봇, 전 세계 연구 인프라가 하나의 프로토콜 위에서 연결되는 시대가 오고 있습니다.
SCP는 그 시대를 여는 첫 번째 본격적인 설계도에 가깝습니다.
당장 내일 우리 연구실이 SCP를 도입하진 않더라도, 앞으로의 실험 계획을 세울 때 “이 워크플로는 나중에 AI 에이전트가 재사용할 수 있을까?”, “이 장비는 표준 드라이버를 통해 연결될 수 있을까?”라는 질문을 한 번씩 던져보는 것만으로도 충분한 출발점이 될 수 있습니다.
과학이 점점 더 복잡해질수록, 서로를 이해할 수 있는 공용어의 가치는 커집니다.
SCP는 과학·AI·로봇 사이의 새로운 공용어 후보입니다.
이 언어를 누가 가장 먼저 잘 쓰게 되는지가, 앞으로 10년의 연구 경쟁력을 가를지도 모릅니다.
참고
1Science Context Protocol aims to let AI agents collaborate across labs and institutions worldwide
2Model Context Protocol - Wikipedia
3The Model Context Protocol's impact on 2025 | Thoughtworks United States
4Robotic automation, AI will speed up scientific progress in science laboratories | ScienceDaily
5MCPZoo: A Large-Scale Dataset of Runnable Model Context Protocol Servers for AI Agent