AI for Scientific Discovery is a Social Problem

논문 개요

이 논문은 인공지능 (AI) 이 과학 연구에 적용되면서 나타나는 기술적 성과와 사회적/제도적 장벽 사이의 괴리를 분석합니다. 저자들은 AlphaFold, GNoME, AI 기반 신약 개발 등 획기적인 기술적 진전이 있었음에도 불구하고, AI 의 혜택이 특정 커뮤니티와 분야에 편중되어 있으며, 과학적 발견의 본질 (메커니즘적 이해) 과 AI 의 최적화 목표 (예측 정확도) 사이에 근본적인 불일치가 존재한다고 주장합니다.

1. 문제 정의 (Problem)

AI 가 과학적 발견에 기여하는 데 있어 기술적 난제 (데이터 부족, 표준 부재, 연산 자원 격차) 가 잘 알려져 있지만, 저자들은 사회적 및 제도적 요인이 더 큰 제약 조건이라고 지적합니다. 주요 문제는 다음과 같습니다.

• 예측 정확도 vs 과학적 이해: AI 모델이 높은 예측 정확도를 달성하더라도 (예: 행성 궤도 예측), 뉴턴 역학과 같은 근본적인 인과 관계나 물리적 법칙을 학습하지 못하면 이는 기술적 성취일 뿐 진정한 과학적 발견이 아닙니다.
• '자율적 AI 과학자' 신화의 위험성: 오픈 AI, 앤스로픽 등이 추진하는 '자율적 AI 과학자' 내러티브는 실험 검증, 데이터 큐레이션, 인프라 구축 등 실제 과학적 발견에 필수적인 인간의 노동을 소외시키고, 정보 검색을 실제 발견과 혼동하게 만듭니다.
• 인센티브의 불일치: 학계는 새로운 모델 개발을 높이 평가하지만, 장기적으로 더 큰 영향을 미치는 데이터셋 구축, 인프라 유지보수, 표준화 작업은 평가 체계에서 소외됩니다.
• 학제 간 소통 부재: 도메인 전문가 (생물학자, 물리학자 등) 와 머신러닝 연구자 간의 목표 차이 (메커니즘 이해 vs 예측 성능), 용어 차이, 교육 격차가 협업을 저해합니다.

2. 방법론 및 분석 프레임워크 (Methodology)

이 논문은 특정 실험을 수행한 것이 아니라, 기존 사례 연구, 문헌 분석, 그리고 Hugging Face 와 같은 플랫폼의 경험을 바탕으로 사회 - 기술적 (Sociotechnical) 시스템 관점에서 문제를 진단합니다.

• 4 가지 주요 장벽 분석:
  1. 커뮤니티 기능 부전 (Community Dysfunction): 해로운 내러티브, 인센티브 불일치, 소통 단절.
  2. 연구 우선순위의 불일치 (Misaligned Research Priorities): 좁은 도메인 특화 응용에 집중하여 상류 (Upstream) 의 근본적인 계산 병목 현상을 해결하지 못함.
  3. 데이터 단편화 (Data Fragmentation): 호환되지 않는 포맷, 표준 부재, 메타데이터 부족으로 인한 데이터 활용도 저하.
  4. 인프라 불평등 (Infrastructure Inequity): 연산 자원과 인프라 접근성의 심각한 지역 및 기관 간 격차.
• 해결책 제안: 기술적 혁신뿐만 아니라 커뮤니티 구축, 교육, 공유 벤치마크, 접근 가능한 인프라 구축을 통한 집단적 사회적 프로젝트로의 재정의.

3. 주요 기여 및 핵심 내용 (Key Contributions)

가. 4 가지 장벽에 대한 심층 분석

1. 커뮤니티 기능 부전:
   • 'AI 과학자' 신화는 데이터와 인프라 작업의 가치를 떨어뜨립니다.
   • 과학적 성공 (메커니즘적 통찰) 과 AI 성공 (예측 성능) 의 정의를 명확히 구분해야 합니다.
   • 데이터 및 인프라 기여에 대한 평가 체계 (채용, 정년, 홍보) 의 개편이 필요합니다.
2. 연구 우선순위 불일치:
   • 상류 계산 병목 현상 (Upstream Bottlenecks): PDE 신경 연산자, 고차원 역문제, 희귀 사건 샘플링, 멀티스케일 커플링 등 여러 과학 분야에 공통적으로 적용 가능한 근본적인 계산 문제들을 해결해야 합니다.
   • CASP(단백질 구조 예측 평가) 사례: 표준화된 벤치마크와 커뮤니티 조율이 AlphaFold 의 성공을 가능하게 했음을 강조합니다.
3. 데이터 도전 과제:
   • 고차원 - 저샘플 문제: 과학 데이터 (예: 암 유전체, 다중 오믹스) 는 텍스트와 달리 토큰화 전략이 부재하고, 공간적/시간적 관계가 복잡하여 기존 트랜스포머 아키텍처가 적용하기 어렵습니다.
   • 단편화: 연구 기관마다 100 개 이상의 데이터 소스를 관리하며, 호환되지 않는 포맷으로 인해 데이터 준비에 시간이 과도하게 소요됩니다.
4. 인프라 불평등:
   • 아프리카 등 개발도상국 연구자들은 G7 국가 대비 6 일 주기의 반복 실험을 강요받는 등 심각한 연산 자원 격차에 직면해 있습니다.
   • HPC(고성능 컴퓨팅) 환경과 ML 환경 간의 I/O 패턴 차이로 인한 협업 마찰이 존재합니다.

나. 해결 전략 (Solutions)

1. 커뮤니티 간 협업 및 교육 강화:
   • 도메인 특화 인터페이스 (API) 와 표준화된 라이브러리 (scikit-image, Astropy 등) 개발.
   • '과학적 AI 실무자'와 같은 하이브리드 역할을 양성하는 교육 프로그램 (예: Schmidt AI in Science Fellowship) 확대.
2. 상류 문제 구조화 및 공유 벤치마크:
   • 도메인 과학자, 실험 시설, ML 연구자가 참여하는 공동 벤치마크 (예: DREAM Challenges, DrivenData) 구축.
   • 단일 점수 대신 포괄적인 벤치마크 스위트 (Benchmark Suites) 를 사용하여 모델의 트레이드오프를 명확히 평가.
3. 과학 데이터 표준화 및 큐레이션:
   • FAIR 원칙 (Findable, Accessible, Interoperable, Reusable) 적용 및 단순하고 호환 가능한 포맷 (CSV, Parquet 등) 채택.
   • Materials Project 와 같은 대규모 오픈 데이터 인프라 사례를 통한 데이터 민주화.
4. 접근 가능하고 지속 가능한 인프라 구축:
   • 모델 공유뿐만 아니라 전체 과학적 AI 파이프라인 공유.
   • 양자화, 가지치기 등을 통한 모델 효율성 향상 및 엣지 배포.
   • 커뮤니티 소유 인프라 (Hugging Face Hub, Open Science Grid) 와 지속 가능한 재원 마련 (정부 지원, 컨소시엄 모델).

4. 결과 및 시사점 (Results & Significance)

• 기술적 성과의 재정의: AI 가 과학에 기여하기 위해서는 단순히 예측 정확도를 높이는 것을 넘어, 인과 관계를 규명하고 실험을 검증하며 이론적 이해를 확장해야 합니다.
• 사회적 프로젝트로서의 AI: AI 를 과학에 적용하는 것은 기술적 도구의 도입이 아니라, 집단적 사회적 프로젝트여야 합니다. 공정한 참여와 지속 가능한 협력이 기술적 진보의 전제 조건입니다.
• 인센티브 구조의 변화 필요: 데이터 큐레이션, 인프라 유지, 커뮤니티 관리와 같은 '보이지 않는 노동'을 학계 평가 체계 (정년, 채용, 인용) 에 반영해야 합니다.
• 포용성 확보: 인프라 격차 해소와 교육 기회 확대를 통해 전 세계 다양한 연구자들이 AI 기반 과학 발견에 참여할 수 있어야 합니다.

5. 결론

이 논문은 AI 가 과학적 발견을 가속화할 잠재력이 크지만, 현재의 사회적, 제도적 장벽이 이를 가로막고 있음을 강력히 지적합니다. 기술적 혁신만으로는 부족하며, 커뮤니티 조정, 교육, 공유 벤치마크, 공평한 인프라를 통해 과학적 발견을 위한 AI 를 '함께 만드는 사회적 프로젝트'로 재정의해야 한다고 주장합니다. 이는 AI 의 과학적 영향력을 극대화하고, 과학적 불평등을 해소하는 데 필수적인 방향제입니다.