🤖 AI

Networked Intelligence: Active Shared Context Graphs for Human-AI Team Science

이 논문은 과학적 관찰과 가설을 다양한 인간 및 AI 팀원 간에 자동으로 라우팅함으로써, 고립된 발견을 협력적인 메커니즘적 제약과 실험 설계로 변모시킴으로써 네트워크화된 지능을 배양하는 능동적 공유 컨텍스트 그래프 시스템인 Mycelium을 소개한다.

원저자: Sutanay Choudhury, Jeffrey J. Czajka, Lummy M. O. Monteiro, Erin Bredeweg, Jason McDermott, Katherine Wolf, Alex Beliaev, Josh Elmore, Paul Piehowski, Kylee Tate, Yuqian Gao, Aivett Bilbao, Kelly Stra

게시일 2026-07-16

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Sutanay Choudhury, Jeffrey J. Czajka, Lummy M. O. Monteiro, Erin Bredeweg, Jason McDermott, Katherine Wolf, Alex Beliaev, Josh Elmore, Paul Piehowski, Kylee Tate, Yuqian Gao, Aivett Bilbao, Kelly Stratton, Scott Baker, Jaydeep P. Bardhan, Kristin Burnum Johnson, Chris Oehmen, Robert Rallo

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

과학을 거대한, 북적이는 도시라고 상상해 보세요. 이 도시에는 모든 전문가가 자신만의 구역에 거주하는 전문 분야를 가지고 있습니다. 어떤 과학자 그룹은 '단백질 지구'에 살고, 다른 그룹은 '유전학 숲'에, 또 다른 그룹은 '화학 협곡'에 삽니다. 오랫동안 이 이웃들은 높고 정적인 벽에 의해 분리되어 있었습니다. 만약 단백질 지구의 과학자가 기묘한 단서를 발견한다면, 그는 그것을 자신의 노트에 적겠지만, 유전학 숲의 과학자는 몇 달이 지나서야 이를 보게 되거나 혹은 아예 보지 못할 수도 있습니다. 오늘날 대부분의 "과학을 위한 AI(AI for science)"가 작동하는 방식이 바로 이와 같습니다. 이는 하나의 거대한 뇌가 혼자서 전체 퍼즐을 풀 수 있기를 바라며, 모든 것을 한꺼번에 읽어낼 수 있는 초지능 로봇을 만드는 데 집중합니다. 하지만 진정한 과학적 돌파구는 종로는 단일한 개인이 볼 수 없는 점들을 서로 다른 전문가들이 연결할 때 자주 발생합니다. 큰 질문은 이것입니다. 어떻게 하면 단순히 하나의 뇌를 더 크게 만드는 것이 아니라, 서로 다른 뇌와 도구들을 연결하여 그들이 즉각적으로 서로 대화할 수 있게 하는 디지털 시스템을 구축할 것인가?

여기서 **마이셀리움(Mycelium)**이라는 새로운 시스템이 등장합니다. 퍼시픽 노스웨스트 국립연구소(Pacific Northwest National Laboratory)의 연구진은 이 시스템이 거대한 버섯의 지하 네트워크처럼 작동하도록 구축했습니다. 버섯의 뿌리(균사체, mycelium)가 숲의 서로 다른 부분들을 연결하여 영양분과 신호를 공유하는 것처럼, 마이셀리움은 서로 다른 과학자와 AI 에이전트들을 연결합니다. 하나의 AI에게 모든 것을 알라고 강요하는 대신, 마이셀리움은 "공유된 살아있는 그래프(shared living graph)"를 생성합니다. 이는 모든 관찰, 가설, 실험이 하나의 노드가 되는 디지털 공간입니다. 한 구역의 과학자가 발견을 하면, 시스템은 이것이 다른 구역의 누군가에게 관련이 있는지 자동으로 확인하고 정보를 그들에게 "라우팅(경로 배정)"합니다. 이는 마치 특정 소식을 들어야 할 사람이 누구인지 정확히 알고 있는 마법 같은 전령을 두는 것과 같으며, 지역적인 발견을 즉각적으로 팀 전체의 돌파구로 전환합니다.

최신 테스트에서 연구진은 까다로운 생물학적 문제, 즉 왜 특정 유형의 박테리아(Pseudomonas putida)가 원하는 것을 만드는 대신 글루코네이트(gluconate)라는 화학 물질을 축적하는지를 밝혀내는 데 마이셀리움을 투입했습니다. 그들은 세 명의 인간 전문가(단백질, 유전학, 그리고 물리적 결과에 각각 집중하는 전문가)가 AI 에이전트들과 함께 협력하는 "스프린트(sprint)"를 설정했습니다. 그들은 모두 표준 채팅 인터페이스를 사용했지만, 그 이면에서는 마이셀리움이 그들의 점들을 연결하느라 분주하게 움직였습니다. 시스템은 유전학 전문가로부터 얻은 혼란스러운 단서(특정 유전자들이 활성화되지 않고 있다는 점)를 가져와 즉시 단백질 전문가에게 전달했습니다. 이 연결 덕분에 단백질 전문가는 자신의 데이터가 단순히 "노이즈"가 아니라, 실제로 유전적 단서를 확인해 주는 것이라는 사실을 깨달을 수 있었습니다. 나중에 세 번째 전문가의 물리적 측정값은 팀이 실험 설계를 완전히 변경해야 한다는 것을 깨닫는 데 도움을 주었습니다. 그 결과는 어떠했을까요? 팀은 박테리아의 대사를 해결하기 위한 구체적인 유전적 편집과 화학적 테스트를 포함한 새로운 상세 계획에 도달했습니다.

이 "네트워크화된" 접근 방식이 단순히 더 똑똑한 로봇을 가진 것보다 실제로 더 나은지 증명하기 위해, 연구진은 일대일 비교 실험을 진행했습니다. 그들은 동일한 데이터를 단일한 초강력 AI 에이전트에게 주고, 팀이나 공유된 그래프의 도움 없이 스스로 문제를 해결하도록 했습니다. 또한 AI에게 "팀처럼 행동하라"고 지시하되, 실제 네트워크 구조는 갖추지 않은 버전도 시도했습니다. 결과는 명확했습니다. 단일 AI 에이전트들은 똑똑했지만, 큰 그림을 놓쳤습니다. 그들은 인간-AI 팀만큼 다양한 분야를 넘나들며 단서들을 찾아내거나 점들을 연결하지 못했습니다. 네트워크형 팀은 25개의 뚜렷한 과학적 발견과 실행 가능한 계획을 도출해 낸 반면, 단일 AI 에이전트들은 각각 17개와 18개를 찾아냈습니다. 더 중요한 것은, 네트워크형 팀은 (다음에 무엇을 해야 할지에 대한 구체적인 지침인) 완전히 "실행 가능한 결정 규칙"을 4개 생성한 반면, 솔로 에이전트들은 각각 2개와 3개만을 생성했다는 점입니다.

이 논문은 진정한 힘이 단순히 AI 모델을 더 크거나 똑똑하게 만드는 데 있는 것이 아니라, 그것들을 연결하는 올바른 아키텍처를 구축하는 데 있다고 제안합니다. 저자들은 단일 AI가 한 가지 주제에 대해 깊이 추론할 수는 있지만, 서로 다른 전문가들이 각기 다른 것을 보는 실제 과학 문제의 방대하고 무질서한 공간을 탐구하는 데는 어려움을 겪는다는 것을 발견했습니다. 마이셀리움을 사용하여 정보를 비동기적으로 라우팅함으로써(즉, 적절한 시기에 적절한 사람에게 단서를 전달함으로써), 팀은 보통 몇 달이 걸리는 피드백 과정을 단 한 번의 빠른 스프린트로 압축할 수 있었습니다. 시스템은 단순히 데이터를 저장하는 것에 그치지 않고, 팀의 진화하는 이해도를 능동적으로 관리하며 모든 새로운 아이디어가 그것을 만든 증거와 연결되도록 보장했습니다. 저자들이 "네트워크 지능(networked intelligence)"이라고 부르는 이 접근 방식은, 미래의 과학이 하나의 초지능 뇌가 아니라, 여러 마음이 함께 협력하는 스마트하고 연결된 웹의 형태가 될 것임을 보여줍니다.

기술 요약: 능동적 공유 컨텍스트 그래프를 통한 네트워크화된 지능

문제 정의

현재의 과학 기술용 AI 시스템은 더 큰 모델, 확장된 컨텍스트 창, 또는 단일 사용자와 협업하는 자율 에이전트를 통해 개별적인 추론 능력을 확장하는 데 주로 집중하고 있습니다. 그러나 복잡한 과학적 발견은 결코 고립된 상태에서 일어나지 않습니다. 그것은 서로 다른 사전 지식(priors), 암묵적 지식, 그리고 도메인 특화된 직관을 보유한 구성원들 간의 "팀 사이언스(team science)"에 의존합니다. 핵심적인 병목 현상은 단순히 단일 에이전트의 추론 능력이 아니라, 과학적 컨텍스트를 분산된 인간, 에이전트, 그리고 기기들 사이로 충실하게 이동시키는 능력입니다. 기존의 아키텍처는 지속적인 공유 상태를 유지하거나, 발견된 내용을 실행할 수 있는 특정 전문가에게 결과를 라우팅하거나, 혹은 교차 세션 재사용을 위한 프로비넌스(provenance, 출처 및 이력)를 보존하는 데 자주 실패합니다. 결과적으로, 과학적 컨텍스트는 개별 세션 내에 고립되어, 한 컨텍스트에서 생성된 가설이 다른 컨텍스트의 결정에 영향을 미치는 '네트워크화된 지능(networked intelligence)'의 발현을 저해합니다.

방법론: 마이셀리움(Mycelium) 아키텍처

저자들은 네트워크화된 인간-AI 과학적 발견을 촉진하기 위해 설계된 런타임 아키텍처인 **마이셀리움(Mycelium)**을 소개합니다. 이 시스템은 **능동적 컨텍스트 그래프(Active Context Graph, ACG)**를 중심으로 구축되었으며, 세 가지 핵심 축을 통해 작동합니다:

능동적 컨텍스트 그래프 (공유 상태):
- 핵심 데이터 구조는 공유된 프로젝트 상태를 나타내는 유향 그래프 $G = (V, E)$ 입니다.
- 노드 ( $V$ ): 데이터셋, 관찰, 해석, 가설, 발견, 열린 질문, 권고, 실험 제안을 포함하여 폐쇄형 온톨로지로 정의된 유형화된 과학적 항목들입니다.
- 에지 ( $E$ ): generated_by, supports, contradicts와 같은 엄격한 의미론적 연결로, 모든 클레임(claim)이 특정 데이터, 사용자, 에이전트 또는 도구 실행에 연결되도록 하여 프로비넌스와 교차 세션 유도를 보장합니다.
- 활동성: 수동적인 데이터베이스와 달리, 이 그래프는 "능동적"입니다. 즉, 런타임이 지속적으로 상태를 진화시키고, 연결을 평가하며, 컨텍스트를 라우팅합니다.
런타임 인프라:
- 인터페이스: 사용자는 모델 컨텍스트 프로토콜(MCP)을 통해 연결된 표준 AI 채팅 클라이언트를 통해 상호작용합니다. 이를 통해 대화형 인터페이스를 벗어나지 않고도 전체 프로젝트 이력을 쿼리하고 워크플로우를 실행할 수 있습니다.
- 실행: 서버 측 런타임은 샌드박스화된 파이썬 환경 내에서 동적인 온더플라이(on-the-fly) 코드 생성을 사용하여 복잡한 분석 워크플로우를 실행합니다. 이는 재현성을 위해 검증된 라이브러리 함수를 활용하며, 오류 트레이스를 읽어 수정 스크립트를 생성하는 자동 오류 복구 기능을 포함합니다.
- 출력: 모든 자율적 발견은 추적 가능한 실행 기록을 담은 완전한 실행 가능한 주피터 노트북(Jupyter notebook)을 생성하여, 인간이 감사 가능한 재현성을 보장합니다.
공유 컨텍스트 프로토콜 (에이전트 프리미티브):
- 프로비넌스 (로깅): 분석 실행은 자동으로 매개변수 공간 및 도구 체인에 결합된 불변의 쿼리 가능 상태 노드로 변환됩니다.
- 제한된 자율성 (선제적 실행): 시스템은 지식의 공백을 모니터링하고, 구조적 결함이나 누락된 연결을 해결하기 위해 사용자 세션 사이의 자율적인 탐색적 분석을 시작합니다.
- 상태 라우팅 (수분 공급/Pollination): 시스템은 새롭게 등장하는 컨텍스트를 관련 참여자에게 비동기적으로 라우팅합니다. 시스템은 새로운 연결을 국소적 신념 상태(localized belief states)와 대조하여 그 인식론적 효용(지지, 정교화 또는 긴장)을 점수화합니다. 결정적으로, 이 아키텍처는 불일치를 보존합니다. 즉, 신념 상태는 하나의 단일 분포로 묵시적으로 병합되는 대신 각각의 스레드에 격리된 상태로 유지됩니다.
- 그라운딩 (지속성): 그래프에 커밋되는 모든 항목은 반드시 기존 노드(예: 등록된 데이터셋, 검증된 도구 출력)에 명시적으로 그라운딩(grounded)되어야 하며, 이를 통해 근거 없는 서술의 축적을 방지합니다.

경험적 평가

시스템은 Pseudomonas putida에서 분비되는 글루코네이트(gluconate) 축적을 조사하는 생물학적 멀티 오믹스 캠페인에서 평가되었습니다.

설정: 세 명의 도메인 전문가(단백질체학, 조절 생물학, 유전학/표현형 분야)가 독립적인 채팅 인터페이스를 통해 자율적인 마이셀리움 에이전트와 함께 비동기적으로 작업했습니다.
베이스라인 비교: 네트워크화된 팀은 두 가지 단독 에이전트 베이스라인(둘 다 Claude Opus 4.8 사용)과 벤치마킹되었습니다:
- 베이스라인 B: 다학제적 팀 사양을 프롬프트로 받은 단일 에이전트.
- 베이스라인 C: 목표와 데이터 사양만을 프롬프트로 받은 단일 에이전트 (팀 프레임 없음).
지표: 평가는 26개의 고유한 "과학적 산물"(추적 가능한 클레임, 가설 또는 결정 규칙)을 대상으로 했으며, 0점(부재)에서 4점(실행 가능하며 데이터에 기반한 근거가 있음)까지 점수를 매겼습니다. 지표에는 폭(breadth)(표면화된 산물의 비율)과 특이성(specificity)(개발의 깊이)가 포함되었습니다.

주요 결과

발견의 폭 향상: 마이셀리움은 매핑된 26개 산물 중 25개를 표면화하여, 베이스라인 B(17개)와 베이스라인 C(18개)를 크게 앞질렀습니다. 커버리지 가중치가 적용된 산물 점수는 마이셀리움이 2.62였던 반면, 베이스라인은 각각 1.62와 1.81이었습니다.
특이성 보존: 단독 에이전트가 산물을 표면화했을 때, 그 특이성은 네트워크화된 팀과 유사했습니다(평균 특이성: 마이셀리움 2.72 vs 베이스라인 약 2.5). 이는 네트워크의 이점이 국소적 추론의 깊이가 아닌 탐색의 폭에 있음을 나타냅니다.
교차 도메인 시너지: 라우팅 메커니즘은 고립된 발견을 실행 가능한 제약 조건으로 성공적으로 전환했습니다. 예를 들어:
- 생물학 전문가(User-E)가 주목한 조절 이상 징후가 단백질체학 전문가(User-L)에게 라우팅되어, 혼란스러운 단백질 부재 발견을 재맥락화했습니다.
- 디자인 전문가(User-J)의 표현형 제약 조건이 단백질체 분석을 단순한 순위 문제에서 개입(intervention) 문제로 재구성하여, 구체적인 분자 메커니즘 식별을 이끌어냈습니다.
실험 설계로의 수렴: 네트워크는 분산된 증거를 통일된 메커니즘 모델(글루코네이트 유지 및 재흡수에 초점)로 수렴시키는 것을 촉진했으며, 이는 CRISPRi 변이 및 균주 공학을 포함한 구체적인 실험 설계 제안으로 직접 이어졌습니다.

의의 및 주장

본 논문은 네트워크화된 지능이 모델 스케일링을 대체하는 것이 아니라 보완하는 별도의 스케일링 축임을 주장합니다.

아키텍처적 돌파구: 주요 기여는 과학적 상태를 분산된 컨텍스트 간에 라우팅하는 것이 조사 궤적을 변화시켜, 반복 주기를 몇 달에서 단 한 번의 스프린트로 압축할 수 있음을 입증한 데 있습니다.
네트워크의 불가분성: 저자들은 네트워크화된 지능을 분산된 컨텍스트 상의 **희소 조건부 계산(sparse conditional computation)**으로 공식화합니다. 그들은 독립적인 전문 지식과 (데이터 권한, 기관적 장벽 또는 고유한 운영 지식으로 인해) 병합 불가능한 컨텍스트가, 스케일링된 단일 에이전트가 분산된 네트워크의 기능을 흡수할 수 없는 엄격한 경계를 생성한다고 주장합니다.
실행 가능한 컨텍스트: 본 시스템은 과학적 컨텍스트가 속성(attributable), 논쟁 가능(contestable), 실행 가능(actionable)한 상태를 유지하면서 인간과 AI 사이를 충실하게 이동할 수 있음을 증명하며, 모델 스케일링만으로는 해결할 수 없는 "조정의 병목 현상(coordination bottleneck)"을 해결합니다.

결론적으로, 더 강력한 모델이 국소적 합성을 개선할 수는 있지만, 인간과 AI 사이의 연결을 확장하는 "네트워크 스케일링"은 개방형 과학적 발견을 위해 필수적이며, 이를 통해 시스템이 고립된 도메인 전반에 걸쳐 다운스트림 행동을 변화시키는 희귀한 엣지(edge)를 식별할 수 있게 합니다.