[🏆베스트] 구글 co-scientist 블로그 글 o1 딸깍 번역

[Ad_Astr..(peraspera83)]

https://research.google/blog/accelerating-scientific-breakthroughs-with-an-ai-co-scientist/

급하면 볼드체 부분만 훑으셈

AI 공동 과학자(AI co-scientist)를 통한 과학적 혁신 가속화

제미니 2.0(Gemini 2.0)을 기반으로 한 멀티 에이전트 AI 시스템인 AI 공동 과학자(AI co-scientist)를 소개한다. 이는 과학자들이 새로운 가설과 연구 제안을 도출하고, 과학 및 의생명 분야에서 발견의 속도를 높이도록 지원하는 가상의 연구 협업 도구다.

과학의 발전을 위해 연구자들은 창의성과 통찰력, 그리고 풍부한 문헌 정보를 결합해 새로운 연구 방향을 설정하고 이를 탐색해 나간다. 하지만 여러 분야에서 쏟아지는 방대한 연구 결과물과 낯선 학문 간의 융합을 시도해야 한다는 점은 여전히 큰 도전이다. 그럼에도 불구하고, 미생물학·유전학·분자생물학 등 다양한 분야를 결합해 크리스퍼(CRISPR) 연구로 2020년 노벨 화학상을 수상한 에마뉘엘 샤르팡티에(Emmanuelle Charpentier)와 제니퍼 다우드나(Jennifer Doudna)의 사례에서 보듯, 학제 간 연구가 가져오는 혁신적 성과는 매우 중요하다.

최근 AI가 복잡한 주제를 융합·분석하고 장기적 계획 및 추론을 수행할 수 있게 되면서, 이러한 한계를 보완하기 위한 AI 도구가 주목받고 있다. 이를 바탕으로 개발된 AI 공동 과학자는, 단순한 문헌 검토와 요약을 넘어 새로운 지식을 발굴하고, 기존 연구 결과를 토대로 증명 가능한 독창적 가설과 연구 제안을 세울 수 있도록 돕는다. 이는 연구자가 설정한 특정 연구 목표에 맞춰 가설을 구성하고 제안하도록 설계된 협업형 멀티 에이전트 시스템으로서, 과학적 탐구의 근간인 ‘과학적 방법’의 추론 과정을 모사한다.

과학자를 돕고 발견을 가속화하는 AI 공동 과학자

AI 공동 과학자는 자연어로 제시된 연구 목표를 입력받아 참신한 연구 가설, 상세한 연구 개요, 실험 프로토콜을 생성해 낸다. 이를 위해 과학적 방법 자체에서 영감을 얻은 생성(Generation), 반성(Reflection), 순위 매기기(Ranking), 진화(Evolution), 근접성(Proximity), 메타 리뷰(Meta-review) 등 특화된 에이전트들의 협업을 통해, 자동화된 피드백을 반복적으로 적용하고 가설을 평가·개선한다. 이 과정을 거치면서 시스템은 점점 더 완성도와 참신성이 높은 결과물을 만들어 내도록 고도화된다.

연구자는 이 시스템과 협업하는 여러 방식을 활용할 수 있다. 예컨대 직접 제공한 아이디어를 더욱 확장하도록 맡기거나, 시스템이 제안한 가설에 자연어로 피드백을 주면서 개선을 유도할 수도 있다. 또한 웹 검색과 특화된 AI 모델 등 다양한 도구도 활용해, 생성되는 가설의 근거와 품질을 높인다.

AI 공동 과학자는 먼저 주어진 연구 목표를 Supervisor 에이전트가 분석하고, 이를 연구 계획 구성으로 세분화한다. 이후 Supervisor 에이전트가 여러 특화 에이전트를 할당하고 자원을 배분해, 목표로 하는 연구 방향성을 반복·개선해 나간다. 이러한 설계를 통해 시스템은 유연하게 컴퓨팅 자원을 확장하고, 요구된 연구 목표에 맞춰 과학적 추론 과정을 점차 정교화한다.

고급 과학적 추론을 위한 테스트 시점 컴퓨팅 확장

AI 공동 과학자는 테스트 시점(test-time)에서 컴퓨팅 자원을 확장해, 반복적 추론 및 결과 진화를 수행한다. 이때 자기 대결(Self-play) 방식의 ‘과학적 토론’을 통해 새로운 가설을 생성하고, 가설 간 순위 매기기 토너먼트를 거쳐 우수한 가설을 선별·개선하는 과정을 반복한다. 에이전트 기반 구조로 이루어진 이 시스템은 스스로 결점을 찾아내고, 개선을 위한 도구를 활용하며 가설과 제안을 지속적으로 다듬는다.

시스템의 자기 개선 과정은 토너먼트 결과로부터 산출되는 Elo 점수를 핵심 지표로 삼는다. Elo 점수가 높을수록 결과물의 품질이 높다는 가정 아래, 실제로 Elo 점수와 GPQ 벤치마크에서 도출된 ‘다이아몬드 세트’ 질문에 대한 정답률 간의 상관관계를 분석해 보니, Elo 점수가 올라갈수록 정답 가능성이 높아지는 경향이 확인되었다.

전문가 7명이 스스로의 분야에서 15개의 공개 연구 목표와 예상 솔루션을 마련한 뒤, 해당 문제에 대한 AI 공동 과학자의 결과물을 다른 최첨단 에이전트·추론 모델과 비교해 Elo 점수로 평가했다. 그 결과, AI 공동 과학자는 복잡한 문제들에서 우수한 성능을 보였다. 특히 과학적 방법에서 착안한 유도 편향(inductive bias)을 활용해 테스트 시점에서 더 많은 연산을 할수록, 시스템 자체적으로 평가하는 결과물의 품질이 향상되어 인간 전문가 및 여타 모델의 성능을 뛰어넘는 양상을 보였다.

추가로 11개 연구 목표에 대해, 전문가들이 AI 공동 과학자의 결과물과 다른 비교 대상의 결과물을 직접 평가한 결과, 참신성과 영향력 측면에서 AI 공동 과학자가 더 높은 가능성을 지닌다고 판단했으며 전체적인 선호도 역시 높았다. 흥미롭게도 이 인간 전문가의 평가 결과도 앞서 언급한 Elo 자동 평가 지표와 대체로 일치했다.

실제 연구 실험으로 검증된 AI 공동 과학자의 참신한 가설

AI 공동 과학자가 제안한 새로운 가설과 연구 계획의 실질적 효용성을 평가하기 위해, 다음 세 가지 주요 의생명 분야에서 해당 가설 및 제안을 직접 실험으로 검증했다: 약물 재창출(drug repurposing), 새로운 치료 타깃 제시, 항미생물제 내성(antimicrobial resistance) 기전 설명.

아래는 실험 과정에서 전문가의 피드백을 반영했으며, 난이도가 서로 다른 다양한 범주로 구성되었다.

급성 골수성 백혈병(AML) 치료를 위한 약물 재창출

약물 개발은 시간과 비용이 많이 드는 분야로, 신약을 새 질환에 적용할 때마다 복잡한 과정이 거의 처음부터 반복된다. 약물 재창출은 이미 사용 중인 약물을 다른 적응증에 활용하는 접근법이지만, 이를 효율적으로 찾는 데에는 여전히 폭넓은 전문 지식이 요구된다.

AI 공동 과학자를 통해 약물 재창출 후보를 예측하고, 여러 협력 기관과 함께 계산생물학적 분석, 임상의 의견, 시험관(in vitro) 실험으로 그 타당성을 검증했다.

그 결과, AI 공동 과학자가 제안한 신규 약물 재창출 후보들이 급성 골수성 백혈병 세포주 여러 곳에서 임상적으로 유효한 농도로 종양 생존율을 억제한다는 사실이 확인되었다.

간 섬유화 치료 타깃 발굴 진전

치료 타깃 발굴은 약물 재창출보다 난이도가 높고, 가설 선정 및 우선순위 결정 과정이 복잡해 비효율적인 경우가 많다. AI를 활용해 타깃 발굴을 지원하면, 인비트로(in vitro)와 인비보(in vivo) 실험에 투입되는 시간과 노력을 줄이는 데 도움이 될 수 있다.

AI 공동 과학자가 간 섬유화를 주제로, 새로운 치료 타깃 발굴 가설을 제안·순위화하고, 이에 따른 실험 프로토콜을 마련하도록 했을 때, 실제로 인간 간세포에서 유래한 오가노이드(3D 배양 조직) 모델에서 항섬유화 효능이 있는 특정 후생유전학적 타깃을 제시했다. 이러한 결과는 스탠퍼드대학교(Stanford University) 연구진이 주도하는 후속 보고서에서 자세히 다룰 예정이다.

항미생물제 내성 기전 설명

마지막으로, 항미생물제 내성(AMR)이 확산하는 분자적 메커니즘과 관련해 박테리아의 유전자 전달(접합, 형질도입, 형질전환) 과정을 설명하는 복잡한 문제에 대해 AI 공동 과학자를 활용했다. 여기에는 진화적 압력과 생태학적 측면까지 고려해야 해석이 가능하다.

이번 검증에서 전문가들은 이미 자체 실험으로 새 사실을 발견했으나 아직 공개하지 않은 주제, 즉 capsid를 형성하는 파지 유도 염색체 섬(cf-PICI(cf-PICI))이 어떻게 여러 박테리아 종에서 관찰되는지, 그 메커니즘을 탐색하라고 AI 공동 과학자에게 지시했다. AI 공동 과학자는 cf-PICI가 다양한 파지 꼬리(phage tail)와 상호작용해 숙주 범위를 확장한다는 가설을 독립적으로 제시했으며, 이는 앞서 플레밍 이니셔티브(Fleming Initiative)와 임페리얼 칼리지 런던(Imperial College London) 연구진이 실험적으로 입증한 바와 동일한 결과였다(관련 공동 시점 논문(1, 2) 참고). 이 사례는 공개된 방대한 문헌 정보를 폭넓게 활용하는 AI 공동 과학자가 과학자들의 오랜 연구 성과를 빠르게 재발견하고 새로운 통찰을 제공할 수 있음을 보여준다.

한계점과 전망

이번 연구 보고서에서는 AI 공동 과학자의 한계점과 개선 방향도 함께 논의했다. 예를 들어 더 폭넓고 정확한 문헌 검토, 사실성 검증, 외부 툴과의 교차 점검, 자동 평가 기법, 그리고 더 다양한 분야 전문가들이 참여하는 대규모 평가 등이 추가될 수 있다. 그럼에도 AI 공동 과학자는 다양한 과학·의생명 분야에서 새로운 가설을 만들어 내고 실제 실험으로까지 검증된 사례를 보여주었다는 점에서, 과학자들의 연구 속도를 높일 잠재력을 지닌 AI 보조 기술로 주목받는다. 컴퓨팅 자원을 충분히 활용해 자기 합리화와 개선 과정을 반복하면서, 중요한 과학 및 의학적 과제를 해결하는 데 도움을 줄 수 있을 것으로 기대된다. 궁극적으로는 인간의 창의성을 보완하면서 과학적 발견을 가속화하는 인공지능 협업 시스템의 가능성을 제시한 사례라 할 수 있다.

AI 공동 과학자 시스템의 신임 테스터 프로그램(Trusted Tester Program) 공개

AI 공동 과학자 시스템이 보여준 가능성에 힘입어, 과학 및 의생명 분야에서 이 기술을 폭넓게 평가하고 장·단점을 파악하기 위해 신임 테스터 프로그램(Trusted Tester Program)을 운영한다. 전 세계의 다양한 연구 기관이 이 프로그램에 참여해 보길 기대하며, 자세한 내용은 여기에서 확인할 수 있다.

---
이상 o1 딸깍 번역

눈으로 빠르게 검토하고 오류 잡는 중

번역 오류 있을 수 있음

+수정: 번역 오류 일부 수정 (신뢰되는 테스터 프로그램 -> 신임 테스터 프로그램)

[니지카엘(eltldd001)]

[ㅇㅇ 1(110.10)]

[이세이미야케(jkwarawara)]

[멘토스(gblzvhbddpj2)]

[ㅇㅋ임(ijh2005)]

허허 씨발 이거 진짜에요?

[디시콘발사대(fcbjsjmu1t9f)]

[점심밥(yield0917)]

[도로시냥(slzpdnjsxnf)]

[천사다천사(jjtheman999)]

[Moonchild(resolve0716)]

[산시야(logical6358)]