구글의 새로운 AI “공동 과학자”가 과학적 발견을 가속화하는 목표

연구 파트너가 모든 과학적 논문을 읽었고, 끊임없이 새로운 실험을 브레인스토밍하는 것을 상상해 보세요. 구글은 이 비전을 현실로 만들기 위해 공동 과학자 역할을 하는 새로운 AI 시스템을 설계했습니다.

이 AI 파워드 어시스턴트는 방대한 연구 라이브러리를 거쳐 새로운 가설을 제안하고, 심지어 실험 계획을 개요할 수 있습니다. 모든 것이 인간 연구자와의 협력을 통해 이루어집니다. 스탠퍼드 대학교와 임페리얼 칼리지 런던에서 테스트된 구글의 최신 도구는 과학자들이文学을 종합하고 새로운 아이디어를 생성하는 데 도움을 주기 위해 고급 추론을 사용합니다. 목표는 정보 과부하를 이해하고 인간이 놓칠 수 있는 통찰력을 제안함으로써 과학적 발견을 가속화하는 것입니다.

구글이 공동 과학자라고 부르는 이 “AI 공동 과학자”는 실험실의 물리적인 로봇이 아니라, 복잡한 소프트웨어 시스템입니다. 그것은 구글의 최신 AI 모델(특히 Gemini 2.0 모델)에 기반하고 있으며, 과학자가 생각하는 방식을 반영합니다. 즉, 브레인스토밍에서 아이디어를 비판하는 과정까지를 거쳐갑니다. 단순히 알려진 사실을 요약하거나 논문을 검색하는 것이 아니라, 기존 증거에 기반한真正 새로운 가설을 제안하고, 원래 지식을 발견하는 것을 목표로 합니다. 즉, 질문에 대한 답을 찾는 것이 아니라, 질문을 하는 방법을 발명하는 것입니다.

구글과 그들의 AI 유닛인 DeepMind는 과학 응용 프로그램에 대한 AI를 우선시했습니다. AlphaFold와 같은 성공을 보여준 후, 생물학을 변혁할 수 있는 AI 모델을 개발했습니다. 공동 과학자와 함께, 그들은 생물의학에서 물리학에 이르기까지 다양한 분야에서 발견을 가속화하기를 희망합니다.

AI 공동 과학자 (구글)

AI 공동 과학자가 작동하는 방식

구글의 AI 공동 과학자는 실제로 여러 전문 AI 프로그램으로 구성되어 있습니다. 이것을超高速 연구 보조원으로 생각해 볼 수 있습니다. 각 보조원은 특정 역할을 가지고 있습니다. 이러한 AI 에이전트는 과학적 방법을 모방하는 파이프라인에서 협력하여 작동합니다. 하나의 에이전트는 아이디어를 생성하고, 다른 에이전트는 그것을 비판하고, 가장 좋은 아이디어는 인간 과학자에게 전달됩니다.

구글의 연구 팀에 따르면, 이 과정은 다음과 같이 진행됩니다.

• 생성 에이전트 – 관련 연구를 채굴하고, 기존의 발견을 종합하여 새로운 가설이나 방향을 제안합니다.
• 반성 에이전트 – 동료 검토자로서, 제안된 가설의 정확성, 품질, 그리고 새로운 아이디어를 검토하여, 결함이 있는 아이디어를 걸러냅니다.
• 랭킹 에이전트 – 아이디어를 토너먼트에 참가시켜, 가상적인 토론을 통해, 가장 유망한 아이디어를 랭킹합니다.
• 근접 에이전트 – 유사한 가설을 그룹화하고, 중복된 아이디어를 제거하여, 연구자가 반복적인 아이디어를 검토하지 않도록 합니다.
• 진화 에이전트 – 상위 랭크된 가설을さらに 개선하여, 유사성이나 단순화를 통해, 제안을 더 명확하게 만듭니다.
• 메타 리뷰 에이전트 – 마지막으로, 가장好的 아이디어를 종합하여, 인간 과학자에게 검토할 수 있는 연구 제안서 또는 개요를 작성합니다.

중요한 것은, 인간 과학자가 모든 단계에서 루프에 있습니다. AI 공동 과학자는 고립되어 작동하지 않으며, 최종 결정은 스스로 내리지 않습니다. 연구자들은 연구 목표나 질문을 자연어로 입력하고, 관련 제약이나 초기 아이디어를 제공합니다. AI 시스템은 그러면 제안을 생성하기 위해 위의 사이클을 거칩니다. 과학자는 피드백을 제공하거나 매개변수를 조정할 수 있으며, AI는 다시 반복합니다.

구글은 이 시스템을 “협력을 위한 목적으로 설계”했으며, 과학자들이 자신의 초기 아이디어나 비판을 AI의 과정에 삽입할 수 있도록 했습니다. AI는 웹 검색이나 다른 전문 모델과 같은 외부 도구를 사용하여 사실을 확인하거나 데이터를 수집할 수도 있습니다. 이는 AI의 가설이 최신 정보에 기반함을 보장합니다.

AI 공동 과학자 에이전트 (구글)

발견을 위한 더 빠른 길

과학자들은 지루한 연구 작업, 즉 방대한 문헌 리뷰와 초기 브레인스토밍을 끊임없는 기계에 아웃소싱함으로써, 발견을 크게 가속화하기를 희망합니다. AI 공동 과학자는 인간보다 훨씬 더 많은 논문을 읽을 수 있으며, 시도할 수 있는 아이디어의 새로운 조합이 결코 끝나지 않습니다.

“이것은 과학자들이 과학과 의학의 거대한 도전을 해결하는 노력을 가속화할 수 있는 잠재력을 가지고 있습니다.”라고 프로젝트 연구자들은 논문에서 썼습니다. 초기 결과는 आश망을 줍니다. 한 실험에서, AI 공동 과학자가 제안한 모든 접근법이 간염(간의 상처)의 원인인 단백질을 억제하는 데 유망한 능력을 보였습니다. 실제로, AI의 추천은 전문가들이 합理적인 개입이라고 생각하는 것과 일치했습니다.

또한, 시스템은 인간이 고안한 해결책을 시간이 지남에 따라 개선할 수 있는 능력을 보여주었습니다. 구글에 따르면, AI는 전문가들이 처음 제안한 해결책을 계속해서 개선하고, 최적화하여, 매 반복마다 인간의 전문 지식 이상으로 학습하고, 가치를 추가할 수 있음을 보여주었습니다.

또 다른 주목할 만한 테스트는 항생제 내성의 문제를 포함했습니다. 연구자들은 AI에게 특정 유전적 요소가 어떻게 박테리아가 약물 내성 특성을 전파하는 데 도움이 되는지 설명하도록 요청했습니다. AI는 기본적인 배경 정보와 관련 논문만을 제공받고, 2일 내에 인간 과학자들이 이미 발견한 가설에 도달했습니다.

“이 발견은 독립적인 연구에서 실험적으로 검증되었으며, 공동 과학자는 가설 생성 중에 알지 못했습니다.”라고 저자들은 주목했습니다. 즉, AI는 인간의 직관을 능가하는 방식으로, 충분한 데이터가 있는 경우, 점을 연결할 수 있음을 보여주었습니다.

이러한 속도와 범위의 영향은巨大합니다. 발견은 종종 다양한 분야의 통찰력이 충돌할 때 발생합니다. 그러나 한 사람이 모든 것에 전문가일 수는 없습니다. 다양한 분야(유전학, 화학, 의학 등)에 걸친 지식을 흡수한 AI는 인간 전문가가 간과할 수 있는 아이디어를 제안할 수 있습니다. 구글의 DeepMind 유닛은 이미 AlphaFold를 통해 생물학을 변혁하는 데 성공했습니다. 이는 약물 발견과 백신 개발을 가속화했으며, 과학의 최고 영예(노벨상과 관련된 인정 포함)를 받았습니다.

新的 AI 공동 과학자는 이러한 도약을 일상적인 연구 브레인스토밍으로 가져오기 위해 설계되었습니다. 초기 적용은 생물의학에 있었지만, 이 시스템은 원칙적으로 물리학, 환경 과학 등任何 과학적 분야에 적용될 수 있습니다. 가설을 생성하고 검토하는 방법은 분야에 따라 다르지 않기 때문입니다. 연구자들은 새로운 물질을 찾기 위해, 기후 솔루션을 탐색하기 위해, 또는 새로운 수학적 정리를 발견하기 위해 이를 사용할 수 있습니다. 각 경우에, 약속은 동일합니다. 즉, 질문에서 통찰력까지 더 빠른 길을 제공함으로써, 수년의 시도와 오류를 훨씬 더 짧은 시간으로 압축하는 것입니다.