GPT-5가 실험실을 지휘했다: OpenAI·Ginkgo 자율 연구의 충격
‘자율 연구실’은 사람이 일일이 설계하고 실험하던 과정을, AI가 가설 수립부터 실험 설계·분석·다음 라운드 제안까지 반복 수행하는 시스템입니다. 이번에 OpenAI와 생명공학 기업 Ginkgo Bioworks는 GPT-5를 로봇 클라우드 실험실에 연결해, 세포-비의존성 단백질 합성(CFPS) 공정을 더 싸고 많이 만들기 위한 최적화에 도전했습니다. 결론부터 말하면, 단 6번의 반복 라운드에서 단백질 생산 비용을 크게 낮추고 수율을 끌어올리며 “AI가 현실 실험도 굴릴 수 있나?”라는 질문에 꽤 설득력 있는 답을 내놨습니다1.
자율 연구실이란? “설계-실험-분석-반복”을 AI가 자동 루프화
이번 프로젝트의 핵심은 “AI가 말하면 로봇이 실험하고, 결과가 다시 AI로 돌아가는” 폐쇄 루프(closed loop)입니다. GPT-5가 다음 실험 조합을 제안하면, Python 기반 자동 검증(예: Pydantic 같은 스키마 검증)으로 실행 가능성과 과학적 타당성을 점검한 뒤 로봇이 미세플레이트 단위로 실험을 찍어냅니다. 결과 데이터는 다시 GPT-5가 받아 분석하고, 다음 라운드 설계를 내놓는 방식이죠1.
숫자로 보면 감이 더 옵니다. 6차례 반복 실험 동안 36,000회 이상의 반응을 580장의 미세플레이트에서 수행했고, 약 15만 개 데이터 포인트가 6개월에 걸쳐 쌓였습니다1. 사람의 역할은 ‘주연’이 아니라, 시약 준비·장비 유지·품질 관리 같은 ‘운영팀’에 가까웠습니다.
CFPS(세포-비의존성 단백질 합성) 최적화가 왜 핫할까?
CFPS는 살아있는 세포를 키워 단백질을 뽑는 대신, 세포 안의 단백질 생산 기계(리보솜, 효소, 에너지 시스템 등)를 추출물(lysate) 형태로 꺼내 ‘시험관(혹은 플레이트)’에서 바로 돌리는 접근입니다. 세포를 달래가며 배양 조건을 맞출 필요가 줄어들고, 반응 조건을 더 공격적으로 바꾸며 최적화를 빠르게 반복할 수 있다는 장점이 있습니다.
한마디로 “세포라는 까다로운 동거인을 내보내고, 생산 장비만 빌려 쓰는 공장”에 가깝습니다. 비용과 속도에서 이득을 볼 수 있지만, 반대로 말하면 조성(시약 조합)과 조건(농도, 에너지 공급, 부산물 처리 등)을 잘못 잡으면 수율이 곤두박질치기 쉬워 최적화 난이도도 높습니다. 그래서 자동화·대량 탐색과 궁합이 좋고, 이번처럼 AI가 ‘실험 설계 엔진’이 되기 좋은 무대가 됩니다1.
결과 요약: 비용 40%↓, 수율 27%↑… 하지만 “그대로 복제”는 금물
이번 실험은 표준 형광단백질(sfGFP)을 대상으로 했고, 생산비용은 그램당 698달러에서 422달러로 약 40% 내려갔습니다. 동시에 단백질 수율은 2.39g/L에서 3.04g/L로 27% 증가했습니다1. 시약비만 놓고 보면 절감 폭이 57%까지 커졌다는 분석도 나왔습니다1.
또 하나 흥미로운 비교가 있습니다. 시판 키트는 “그램당 80만 달러” 수준으로 언급되는데, 이번 방식이 그보다 훨씬 저렴해 보입니다. 다만 실험 조건·포함 범위(어떤 비용을 포함했는지)가 달라 단순 가격표처럼 1:1로 비교하긴 어렵다는 단서가 붙습니다1. 이 지점은 블로그 독자 입장에서 꼭 기억해야 합니다. ‘혁신적 성과’와 ‘상업적 완성도’ 사이에는 늘 갭이 있으니까요.
GPT-5는 무엇을 “잘”했나: 비용의 진짜 원인을 찾아 때렸다
AI가 단순히 “이 시약 넣어보자” 수준이었다면 여기까지 오기 어렵습니다. 프로젝트에서 GPT-5가 보여준 강점은, 실험 데이터를 통해 원가 구조의 병목을 짚고 그 병목을 수율 향상으로 연결했다는 점입니다.
분석 결과, 비용의 90% 이상이 셀 라이세이트와 DNA에 쏠려 있었고, 결국 “같은 라이세이트·DNA로 단백질을 더 많이 뽑아내는 효율”이 비용 절감의 핵심이라는 결론이 나옵니다1. 이는 현실적인 제조 관점에서 굉장히 중요합니다. 싸구려 첨가제를 조금 줄이는 것보다, 가장 비싼 재료의 ‘투입 대비 산출’을 올리는 편이 비용 최적화에 훨씬 잘 먹히기 때문입니다.
또한 GPT-5는 실험 결과와 사전 지식을 엮어 전문가들이 떠올릴 법한 가설과 조성(예: 특정 염, 대사 관련 물질, 효소 보조 요소 등)을 제안했고, 사람이 따로 찾아낸 후보와 겹치는 예측도 나타났습니다1. “운 좋게 맞췄다”라기보다는, 검색·분석 도구 접근이 허용된 이후 성능이 개선되었다는 흐름이 설득력을 더합니다. 실제로 3차 라운드부터 컴퓨터·인터넷·데이터 분석 도구와 최신 논문(이전 최고 성과치 포함)에 접근하도록 설정이 바뀐 뒤 결과가 크게 좋아졌다고 합니다1.
완전 자율은 아직 멀었다: 편차 관리, 설계 오류, 그리고 ‘암묵지’의 벽
그렇다고 “이제 실험실은 무인화 끝”이라고 말하긴 어렵습니다. 초반에는 측정 편차가 커서 일부 조건을 사람이 손으로 조정했고, 편차를 40%에서 17%로 줄였다는 대목이 나옵니다1. 즉, 시스템은 ‘자율을 지향’했지만 현실에선 품질 관리자가 옆에서 봐줘야 했습니다.
설계 품질도 완벽하진 않았습니다. 480장(설계 단위로 언급) 중 2건에서 근본적 설계 오류가 발생했습니다1. 비율로는 0.4%로 작아 보이지만, 실험이 수만 번 돌아가는 자동화 환경에선 작은 오류가 곧바로 시간·비용 낭비로 커질 수 있습니다. 그래서 인간 전문가의 지속적 모니터링이 “옵션”이 아니라 “안전장치”로 남아 있습니다1.
게다가 이번 성과는 sfGFP라는 특정 단백질과 하나의 시스템에 최적화된 결과입니다. 다른 단백질로 확장했을 때는 12종 중 6종만 검출에 성공했다는 결과도 있어, 범용성은 추가 검증이 필요합니다1. 생명공학은 특히 ‘암묵지(말로 다 못 옮기는 숙련)’가 큰 분야라, 자동화가 해결하지 못한 공정 관리의 빈틈이 남기 쉽다는 지적도 계속 나옵니다2.
생물안보 이슈: “능력 상승”이 곧바로 리스크가 되는 영역
AI가 생물학에서 더 유능해질수록, 좋은 일만 생기진 않습니다. 실험 자동화와 최적화 능력이 확산되면 연구 장벽이 낮아져 악용 가능성(dual-use)도 함께 커질 수 있습니다. 최근 논의들은 AI의 역량 변화가 생물학적 위험 지형을 바꿀 수 있다는 점을 강조하고, 안전한 개발·사용을 위한 우선순위를 제안합니다34.
정책 측면에서도 바이오시큐리티 현대화 필요성이 언급되며 관련 법안·제도 개선 흐름이 이어지고 있습니다5. OpenAI는 자체 ‘Preparedness Framework’로 위험 평가 방침을 제시했다고 알려졌지만, “그럼 구체적으로 무엇을 어떻게 막을 것인가”는 앞으로 더 촘촘한 사회적 합의가 필요한 숙제로 남습니다1.
시사점을 한 줄로 정리하면 이렇습니다. “AI가 실험실에서 성능을 증명하기 시작한 순간, 혁신의 속도만큼 안전의 속도도 함께 올려야 한다.”
시사점: 지금 우리가 준비해야 할 것은 ‘자동화’가 아니라 ‘운영’입니다
이번 사례가 던지는 메시지는 단순히 “GPT-5가 똑똑하다”가 아닙니다. AI가 반복 실험과 분석을 통해 비용과 효율을 실제로 개선할 수 있다는 것을 보여줬고, 동시에 완전 자율의 환상도 깨줬습니다. 편차를 줄이는 손맛, 프로토콜 관리, 장비 유지, 안전한 접근 통제 같은 운영 역량이 없으면 자율 연구실은 금세 삐끗합니다.
기업이나 연구팀 입장에선 ‘AI 도입’보다 ‘AI가 낸 설계를 안전하게 실행하고, 실패를 조기에 감지하며, 데이터 품질을 표준화하는 체계’를 먼저 설계해야 합니다. 독자 입장에서도 이 뉴스를 볼 때 “AI가 실험을 대체한다”가 아니라, “실험의 속도와 규모가 커진다”로 이해하면 훨씬 정확합니다. 속도가 빨라지면 성과도 빨라지지만, 사고도 빨라지니까요.
참고
1OpenAI와 Ginkgo Bioworks가 GPT-5가 지휘하는 자율 연구실을 구축합니다
2Tacit Knowledge and Biosecurity - by Stephen D. Turner
3Biological risk and the AI capability shift
5NTI Endorses Biosecurity Modernization and Innovation Act of 2026