사상 리더
코드에서 치료까지: 다음 AI 혁명에는 손과 눈이 필요하다

핵심 포인트LabOS는 XR 글래스와 로보틱스를 활용하여 AI의 디지털 계획과 실제 실험실 실행을 연결합니다.
더 보기
- LabOS는 XR 글래스와 로보틱스를 활용하여 AI의 디지털 계획과 실제 실험실 실행을 연결합니다.
- % 이상의 과학자들이 실험 재현에 실패하는 이유는 발견의 격차가 아닌 지식 포착의 격차 때문입니다.
- AI 공동 과학자는 생의학 실험실에서 피해를 방지하기 위해 출처 추적과 제한된 자율성을 포함해야 합니다.
에이전트 시스템, XR 스마트 글래스, 로봇공학이 인간을 강화하는 방법 – 대체하는 것이 아니라
우리는 인공 지능에서 역설을 겪고 있다.
화면에서 AI는 초인적이다. 대규모 언어 모델은 몇 초 안에 정상 작동하는 Python 코드를 작성한다. 생성 시스템은 몇 분 안에 사진처럼 사실적인 이미지와 비디오를 생성한다. 노벨상 수상 시스템인 AlphaFold는 거의 모든 알려진 단백질의 구조를 예측했다. 디지털 승리들은 쌓이고 있다.
그러나 생물의학 연구의 물리적 세계에서 발견 과정은 여전히 고된 수작업에 의존한다. 적어도 아직은 AI가 과학이나 의학을 가속한다는 느낌이 들지 않는다. 수치는 문제의 심각성을 보여준다. 과학자 1,500명 이상을 대상으로 한 Nature의 중요한 설문조사에서는 70% 이상이 다른 연구자의 실험을 재현하려 했으나 실패했다. 더 우려스러운 점은 절반 이상이 자신의 연구조차 재현하지 못했다는 것이다. 특히 암 생물학 분야에서 8년간 진행한 재현성 프로젝트는 영향력이 큰 연구 결과 중 40%만 재현할 수 있었으며, 실험의 68%는 재현을 시도할 만큼의 문서조차 충분하지 않았음을 보여주었다.
이것이 현대 과학의 불편한 비밀이다. 문제는 발견에만 있는 것이 아니라 지식을 기록하는 데에도 있다. 실험의 핵심 세부 사항은 논문이 아닌 연구자의 머릿속에 있다. 프로토콜은 점차 달라진다. 수련생이 과정을 마치면 암묵지는 그들과 함께 사라진다. 출판된 문헌으로 학습한 AI 시스템은 이러한 공백을 모두 물려받는다.
근본적인 문제는 AI가 디지털 시뮬레이션에서 암 치료용 새 단백질을 설계할 수 있어도 피펫을 집어 직접 시험할 수는 없다는 것이다. 자신의 가설을 검증하기 위해 습식 실험실의 복잡하고 예측 불가능한 현실을 헤쳐 나갈 수 없다. 숙련된 과학자의 손을 관찰하며 실험을 성공시키는 미묘한 기법을 배울 수도 없다.
이 “실행 간격”은 AI 혁명이 의학 혁명이 되지 못하는 가장 큰 병목 현상이다. 대부분의 로봇 공학 회사들은 아직 기계가 세탁물을 접거나 식기세척기를 채우는 것을 가르치고 있다. 그러나 의학 분야와 같은 진정으로 혁신적인 능력에서는 뒤처지고 있다.
이를 해결하려면 챗봇을 넘어 AI 공동 연구자로 나아가야 한다. 이는 디지털 세계와 물리적 세계를 연결하고 계획과 코딩을 넘어 현실에서 실행하는 에이전트 시스템이다. 스탠퍼드에서 우리는 LabOS를 개발하고 있다. 이 디지털·물리 AI 프레임워크는 AI 에이전트, 확장현실(XR) 스마트 글래스, 협업 로봇을 결합해 이 순환 고리를 닫는 방법을 보여준다. 과학 실험을 인간과 기계의 협력적 대화로 바꾸고, 현재 사라지고 있는 지식을 자동으로 기록한다.
큰 간극: AI가 “눈”과 “손”을 필요로 하는 이유
AI의 가장 눈에 띄는 성과 중 상당수는 환경이 완전히 디지털인 곳에서 나왔다. 코드 저장소, 정제된 데이터셋, 또는 AI가 가상 기업을 운영하거나 디지털 환경에서 주식에 투자하며 경쟁하는 시뮬레이션 벤치마크가 그 예다.
습식 실험실은 다르다. 생물학, 더 넓게는 과학적 발견은 매우 노이즈가 많은 과정이다. 기기들은 변동하고, 운용자는 즉흥적으로 행동하며 “프로토콜”은 종종 사람들의 머릿속에 있다. 깨끗한 결과와 실패한 실행 사이의 차이는 피펫을 기울이는 각도, 볼텍스 혼합 방식, 시약의 교체, 배양 시간이 10분 길어진 일일 수 있다. 이러한 맥락적 세부 사항은 논문에 실리는 일이 드물며 AI 모델이 데이터셋을 넘어 일반화하기 위해 필요한 정확히 그런 세부 사항이다.
따라서 실험실에 적합한 AI에는 맥락 속에서 벌어지는 일을 인식하는 눈, 변동성이 큰 단계를 표준화하고 안전하게 자동화하는 손, 실제로 일어난 일을 기록하는 기억이 필요하다. 이러한 능력이 없으면 모델은 무엇을 할지 추천할 수는 있어도 그 추천을 검증된 물리적 실행으로 안정적으로 옮기거나 현실이 계획에서 벗어날 때 실패를 설명할 수 없다.
채팅봇을 넘어서: 공동 조종사에서 공동 연구자까지
에이전트 AI라는 말은 때로 느슨하게 쓰인다. 그러나 생물의학에서는 정확한 의미가 있어야 한다. 예를 들어 «비표적 부위의 변형을 최소화하면서 CRISPR 유전자 편집 효율을 최적화하라»는 목표를 받아 일련의 과제로 분해하고, 여러 도구를 사용해 실행하고, 결과를 평가하고, 제약을 준수하면서 의사결정의 감사 가능성을 유지한 채 계획을 조정하는 시스템이어야 한다.
이는 중요하다. 연구 워크플로는 단일 모델 호출이 아니라 가설 수립, 실험 설계, 데이터 처리, 통계 검정, 해석을 아우르는 전체 파이프라인이다. 최근 신약 개발 분야에서는 개별 단계만 가속하는 것을 넘어 이런 파이프라인을 확장할 수 있는 에이전트 시스템을 강조하기 시작했다. Unite.AI의 소분자 신약 개발 에이전트 논의가 그 예다.
소프트웨어 공학에서는 AI 보조 도구가 개발자의 처리량을 늘릴 수 있다는 초기 실증적 증거가 이미 나왔다. 생물의학의 유사한 기회는 코드 작성에만 국한되지 않는다. 프로토콜 작성과 검증, 데이터 구조화, 실행 모니터링, 예측과 측정 사이의 순환 고리 완성, 그리고 실험실의 인간 과학자와 AI를 연결하는 데 있다.
LabOS: AI가 미래의 실험실 운영 체제에서 실행될 때
스탠퍼드의 AI4Science 연구에서 우리는 유전자 편집 보조 도구인 CRISPR-GPT부터 AI-XR 공동 실행 시스템인 LabOS까지 다룬다. 이들은 생물의학 및 재료과학 실험실의 과학자들을 돕는다. 이 연구에서 우리는 다음과 같은 아키텍처 전환을 탐구해 왔다.
1. 디지털(건조) 실험실과 물리적(습식) 실험실을 연결하는 엔드 투 엔드 “실험실 운영 체제”를 설계한다.
전제는 간단하다: 실험실 기록 노트이 과학의 기억이라면 실험실 운영 체제는 실행 계층이어야 한다. 의도를 캡처하고 이를 동작으로 변환하고 결과를 관찰하고 모든 실행을 구조화된 지식으로 변환해야 한다.

그림. LabOS가 스스로 개선되는 디지털 실험실의 순환 과정(계획, 코딩, 비판적 검토, 도구 제작)과 인간·AI가 협력하는 습식 실험실의 순환 과정(자동 문서화, 지식 기록, XR 안내, 로봇 통합)을 연결하는 개념도.
2. 디지털(건조) 실험실에서 자기 진화 계획 및 도구 구축
디지털(건조) 실험실에서 우리는 AI가 이미 잘하는 것을 할 수 있다: 검색, 종합 및 제안. 그러나 우리는 또한 자기 개선이 가능하도록 해야 한다. 새로운 과학을 “환상”으로 만들기보다는 피드백에서 더 나은 도구와 워크플로를 학습하는 것이다.
실제적인 디지털 실험실 루프는 네 가지 반복 단계로 구성될 수 있다:
- 계획(가설 + 설계): 가설을 제안하고 실험 변수를 선택하고 교란 변수를 예상하고 측정 가능한 엔드 포인트를 지정한다.
- 코딩(구현): 분석 스크립트, 시뮬레이션 파이프라인, 기기 제어 템플릿을 필요에 따라 생성하거나 수정한다.
- 비평 에이전트(추론 + 평가): 가정을 스트레스 테스트하고 통계적 검정력을 확인하고 대조 실험을 제안하며 예상되는 실패 양상을 표시한다.
- 도구 생성(검색 + 개발): 워크플로우에 구성 요소가 부족하면(파서, QC 루틴, 대시보드 등) 구축하고 도구 집합에 추가한다.
3. 물리적(습식) 실험실에서 AI – XR 스마트 글래스와 로봇공학을 사용한 AI
물리적(습식) 실험실은 시스템이 신뢰를 얻거나 잃는 곳이다. 목표는 과학자를 대체하는 것이 아니라 마찰과 오류를 줄이고 관찰 가능성을 높이는 것이다.
우리는 물리적 실험실 루프를 다음과 같은 네 가지 보완 기능으로 본다:
- 자동 기록과 문서화: 행동, 타임스탬프, 기기 설정, 이탈 사항을 자동으로 기록해 문서화가 사후 작업이 되지 않게 한다.
- 빠르고 재현 가능한 실행을 위한 지식 기록: 실행을 프로토콜 버전, 매개변수 집합, 품질관리 결과처럼 구조화되고 질의 가능한 자료로 바꾼다. 이는 FAIR 같은 데이터 관리 원칙에 부합해야 한다.
- XR 스마트 글래스를 통한 실시간 시각·언어 안내: 멀티모달 모델로 작업자가 무엇을 하는지, 어떤 시약을 들고 있는지 등 장면을 해석하고 단계별 안내와 안전 점검을 제공한다. AR/XR는 실험 안내처럼 중요한 물리적 워크플로에서 이미 가치를 입증했다. LabOS, 스탠퍼드, 프린스턴과 NVIDIA의 협업이 그 예다.
- 자동화를 위한 협업 로봇·로봇 통합: 반복 단계를 표준화하고 안전한 인계를 지원하며 변동성을 줄인다. NVIDIA Isaac 같은 시뮬레이션에서 현실로 이어지는 워크플로 플랫폼과, LabOS의 스마트 글래스 실시간 스트리밍 및 인간·AI 상호작용 같은 엣지 AI 실시간 처리는 중요한 기반 계층이다.
이 아키텍처는 자동화와 머신러닝을 결합해 다음 실험을 계획하는 «자율주행» 또는 자율 실험실이라는 분야의 큰 흐름과 맞닿아 있다. LabOS는 인간과의 인터페이스를 더욱 긴밀하게 연결해, 자율성을 얻는 대가로 투명성을 잃지 않게 한다.
실험실 등급 AI는 단순히 “데이터셋상의 AI”가 아니다
생물의학·과학적 초지능을 위한 AI 시스템은 사후 평가나 시험 응시에서는 인상적이지만 물리적 실험실에서는 기대에 못 미치는 경우가 많다. 그 이유가 단일 버그인 경우는 드물다. 대개 모델의 가정과 실험실 현실 사이의 불일치가 원인이다.
세 가지 간격이 반복적으로 나타난다:
- 맥락의 공백: 데이터셋은 온도 이탈, 시약 로트 번호, 미묘한 프로토콜 변경처럼 작업자가 중요하다고 아는 맥락 변수를 대개 생략한다.
- 실행의 공백: 많은 AI 시스템은 무엇을 할지 추천할 수 있지만 그 추천을 검증된 물리적 단계로 안정적으로 옮길 수 없다.
- 피드백의 공백: 실행에서 나오는 구조화된 고품질 피드백이 없으면 모델은 어디서 실패하는지 학습할 수 없고, 과학자는 그 이유를 감사할 수 없다.
이 간격을 닫는 것은 새로운 신경망 아키텍처를 발명하는 것보다 실험실을 기계에게 읽을 수 있게 하고 AI가 보고 인간과 함께 일할 수 있도록 하는 도구, 인터페이스 및 데이터 계약을 구축하는 것이다.
신뢰에 의한 설계: 행동할 수 있는 AI를 위한 안전 및 거버넌스
발견 연구에서 에이전트 AI는 정확성이라는 기존의 우려에 더해, 직접 행동할 수 있다는 점에서 새로운 실패 위험도 만든다. 실험실에서 행동은 낭비, 손상 또는 오도된 결론의 가능성을 의미한다. 특히 실험이 임상 가설로 이어질 때 더욱 그렇다.
유용한 마인드는 AI를 포함한 실험실 스택을 보증이 필요한 사회 기술적 시스템으로 간주하는 것이다. 몇 가지 기존 프레임워크가 도움이 되지만 실험실 현실로 번역되어야 한다:
- 지속적 실천으로서의 위험 관리: NIST AI 위험관리 프레임워크(AI RMF 1.0)는 수명주기 전반에서 AI 위험을 파악하고 측정하고 관리하기 위한 실용적 용어를 제공한다.
- 의료 인접 AI의 규제 정합성: FDA의 AI·머신러닝 기반 의료기기 소프트웨어(SaMD) 관련 작업과 실행 계획 및 관련 지침은 AI가 환자 치료에 영향을 줄 때 «모범 관행»이 무엇인지 구체적으로 보여준다.
유전자 편집을 비롯해 결과의 중대성이 큰 분야에서는 거버넌스가 이미 세계적 논의 주제다. 인간 유전체 편집과 관련해 적절한 감독 체계와 책임 있는 거버넌스의 필요성을 강조하는 권고가 논의되고 있다. 미국 유전자·세포치료학회(ASGCT)의 제안이 그 예다. LabOS 같은 시스템은 규정 준수를 더 어렵게 하는 것이 아니라 더 쉽게 하도록 설계되어야 한다.
체크리스트: 과학적 발견을 위한 안전한 AI 공동 연구자의 제어
우리의 견해에 따르면, 안전을 고려한 실험실 운영 체제는 최소한 다음 설계 요소를 구현해야 한다:
- 기본적인 출처 추적: 모든 데이터셋, 프로토콜 버전 및 모델 출력은 입력 및 타임스탬프에 추적 가능해야 한다.
- 범위가 제한된 자율성: 시스템에는 명시적인 권한(확인 없이 수행할 수 있는 작업)과 에스컬레이션 규칙(확인을 요청해야 하는 경우)이 있어야 한다.
- 인간의 개입·재정의 권한과 점진적 기능 축소: 센서 또는 데이터 스트림이 실패하거나 불확실성이 높을 때 시스템은 더 안전하고 더 단순한 모드로 돌아가야 한다.
- 지속적인 검증: 컴퓨터 시뮬레이션의 예측은 실제 실험으로 검증하고, 실험 결과가 다시 AI 모델로 전달되기 전에 품질관리 단계를 거쳐야 한다.
- 보안 및 이중 사용 인식: 실험실 인프라를 변조로부터 보호한다.
모두를 위한 힘: AI 공동 연구자가 과학에서 기회를 평등하게 만들 수 있는가?
AI-XR “공동 연구자”의 가장 매력적인 약속 중 하나는 엘리트 기관의 속도 향상뿐 아니라 모든 사람을 위한 접근성이다. 현재 소규모 실험실, 스타트업 및 원격/농촌/지역 클리닉을 제한하는 것을 고려해 보라:
- 골드 표준 프로토콜 및 기기에 대한 전문가 지식에 대한 접근이 제한된다.
- 교육, 실수, 재작업의 상대적인 비용이 높다.
- 도구가 단편화되어 있다: 기록 노트, 스프레드시트, 기기 로그 및 분석 스크립트는 거의 깨끗하게 연결되지 않는다.
XR 안경을 통해 실험 현장의 맥락에 맞게 실행을 안내하고, 실제로 일어난 일을 자동으로 기록하고, 이전 실행을 바탕으로 다음 최선의 단계를 제안하는 시스템은 고급 분석법을 여러 기관에서 더 반복 가능하게 만들 수 있다. 원칙적으로는 자원이 서로 달라도 프로토콜을 일관되게 실행해야 하는 분산형 임상 연구를 지원할 수도 있다.
타임라인: 모든 과학자와 임상의가 공동 연구자를 얻을 때
간단히 말해 실험실에서 약물을 안정적으로 생산하는 것처럼 가치와 빈도가 높은 일부 작업은 많은 사람이 생각하는 것보다 실현에 가깝다. 반면 AI가 암이나 알츠하이머병 같은 큰 문제를 완전히 해결하는 일은 대부분의 시연이 암시하는 것보다 멀다. 현실적인 로드맵은 다음과 같다.
- 단기(1년 이내): 행정 부담을 줄이는 워크플로우 공동 조종사: 프로토콜 초안, 문헌 종합, 분석 템플릿 및 자동화된 QC 보고서. 제한 요인은 통합이며 모델 기능이 아니다.
- 중기(1~2년): 실험실에서 함께 작업하는 시스템으로, XR 안경을 통한 안내, 자동 문서화, 편차가 생기기 쉬운 단계에 대한 선택적 로봇 자동화를 포함한다. 신뢰는 감사 트레일과 인간을 의사결정 과정에 긴밀하게 참여시키는 설계에 달려 있다.
- 장기(3년 이상): 발견을 실제 적용으로 연결하는 도메인 간 공동 연구자: 실험실 데이터를 임상 엔드 포인트에 연결하고 안전 신호를 모니터링하고 시험을 설계하는 것을 도와주면서 규제 및 윤리적 기대에 따라 준수한다.
코드에서 치료까지: 1000배 과학적 발견으로 나아가기
LabOS는 간단한 질문에 답하려는 시도 중 하나다. 의도와 실행, 증거가 처음부터 끝까지 연결된 대화처럼 실험을 수행할 수 있다면 어떨까? 이런 시스템을 잘 구축하면 생물의학과 재료과학을 포함한 여러 물리과학 분야의 발전을 늦추는 발견과 실제 적용 사이의 간극을 줄이는 데 도움이 될 수 있다. 잘못 구축하면 재현 불가능성을 키우고 새로운 안전 위험을 만들 것이다.
다음 몇 년 동안 가장 중요한 작업은 기초적인 것이다: 표준화된 데이터 및 디바이스 인터페이스를 구축하여 운영 체제를 구축하고(예를 들어 iOS가 모든 유형의 앱을 실행하는 것처럼) AI 벤치마크를 구축하여 실행 및 불확실성을 포함하고(예: LabOS의 LabSuperVision 벤치마크) 실제 세계에 배포를 시작하여 혁신을 장려하면서 환자를 보호하고 연구의 무결성을 지킨다.
연구자와 임상의가 물어야 할 것은 AI가 실험실에 들어올지 여부가 아닙니다. 이미 들어와 있습니다. 중요한 것은 서로 연결되지 않은 도구들을 늘리는 데 그칠지, 아니면 생물의학 연구의 현실에 맞는 신뢰할 수 있고 감사 가능한 시스템으로 통합할지입니다.
추가 읽을거리와 출처












