MIT 테크놀로지 리뷰는 8월 10일 “과학을 위한 AI에는 데이터만큼 추론이 필요하다”며 최근 성과와 한계를 짚었다.
매체는 2024년 노벨화학상 일부를 수상한 구글 딥마인드(DeepMind) 소속 데미스 허사비스(Demis Hassabis)와 존 점퍼(John Jumper)의 신경망 알파폴드(AlphaFold)를 사례로 들며, 단백질의 3차원 구조를 실험 데이터로 학습해 예측하는 접근이 반세기 난제를 해결한 것처럼 보였다고 평가했다. 다만 알파폴드와 같은 방식이 다른 분야에서 즉시 재현되기 어렵다고 지적했다.
알파폴드 성공의 핵심 조건으로는 단백질 데이터 뱅크(Protein Data Bank)라는 대규모 데이터셋이 꼽혔다. 매체는 이 데이터셋이 약 17만 건 규모의 실험 검증 단백질 구조로 이뤄져 있으며, 이를 구축하는 데 53년간의 국제 협력과 실험 작업 약 210억 달러가 필요했다고 설명했다. 대규모 데이터 생산과 조정이 쉽지 않고, 무엇보다 단백질 구조와 같은 수준으로 일관된 데이터를 다른 과학 분야에서 새로 만들어 내기 어렵다는 점이 ‘병목’이 된다는 주장이다.
MIT 테크놀로지 리뷰는 실험 과학 전반에서 결과가 더 자주 변동해 데이터가 흔들릴 수 있다고 덧붙였다. 세포주가 변하고, 화학물질에는 미량 불순물이 섞이며, 실험실 습도 같은 조건도 영향을 준다는 것이다. 일부 분야에서는 알파폴드 방식의 돌파가 가능할 수 있지만, 과학의 대부분의 미해결 질문에는 적어도 단기적으로 다른 계획이 필요하다고 밝혔다.
대안으로 매체는 ‘AI 에이전트’를 제시했다. 에이전트는 디지털 또는 물리적 도구에 접근할 수 있고, 그 도구를 쓰는 역량을 가진 ‘추론 엔진’이라고 설명했다. 최근 몇 년간 대형 언어 모델을 기반으로 한 아키텍처 변화로 과학에 특화된 데이터셋의 필요성이 줄었고, 실제 연구가 반복적으로 수정되는 과정을 디지털 도구로 모사할 수 있게 됐다는 것이다.
매체는 구글의 ‘AI 코-사이언티스트(AI Co-Scientist)’를 예로 들며, 연구진이 한 페이지 분량의 개요와 목표를 제시하자 하위 에이전트들이 문헌에서 가설을 도출하고 동료심사자처럼 가설을 비판하며 후보를 토너먼트로 평가한 뒤 최종 가설을 다듬었다고 전했다. 그 결론은 항생제 내성 유전자가 박테리아 종 사이에서 박테리아 바이러스에 의해 ‘도킹’되듯 이동한다는 것으로, 매체는 이 가설이 맞았다고 밝혔다.