과학은 종종 단 한 번의 찬란한 통찰력이 아니라, 추측하고, 테스트하고, 실수를 통해 배우는 느리고 반복적인 순환을 통해 발전합니다. 연구자가 아이디어를 제안하면, 이를 테스트하기 위한 도구를 만들고, 어디에서 실패했는지 확인한 다음, 그 구체적인 실패를 바탕으로 아이디어를 개선합니다. 이것이 바로 수 세기 동안 인류의 발견을 이끌어온 과정인 과학적 방법론입니다. 오랫동안 컴퓨터는 숫자를 계산하거나 엄격한 지시를 따르는 데는 뛰어났지만, 이러한 인간적인 추론의 순환을 모방하는 데는 어려움을 겪어 왔습니다. 컴퓨터는 더 나은 해결책을 찾기 위해 수백만 번의 무작위 변형을 시도하는 방식인 진화적 탐색(evolutionary search)을 할 수는 있었지만, 특정 시도가 왜 실패했는지 이해하거나 막혔을 때 접근 방식 전체를 바꿀 수 있는 능력은 부족한 경우가 많았습니다. 연구자들이 던져온 질문은, 컴퓨터 프로그램이 인간처럼 가설을 세우고, 이를 테스트하며, 그 결과로부터 배우는 과학자처럼 생각하도록 가르칠 수 있는가 하는 것이었습니다.

최근 "리틀 사이언티스트(The Little Scientist)"라는 제목의 한 연구는 이 질문에 대해 강력한 '그렇다'라는 답변을 내놓았습니다. 연구진은 인공지능 에이전트가 과학자 역할을 수행하며 디지털 실험실 안에서 복잡한 생물학적 문제를 해결하는 시스템을 구축했습니다. 이 에이전트는 단순히 수백만 번의 무작위 코드 변경을 시도하는 대신, 엄격하고 단계적인 과정을 따릅니다. 즉, 해결책을 개선하기 위한 가설을 세우고, 그 아이디어를 테스트할 코드를 작성하며, 테스트를 실행한 다음, 결과를 원래의 예측과 주의 깊게 비교합니다. 만약 결과가 예상보다 좋지 않다면, 에이전트는 단순히 그 시도를 버리는 것이 아니라, 실패의 구체적인 이유를 분석하여 더 나은 새로운 가설을 세웁니다. 에이전트가 작은 개선의 국소적 루프(local loop)에 갇히게 되면, 두 번째의 특화된 에이전트가 개입하여 완전히 새로운 사고 방식을 제안함으로써 시스템이 정체 상태를 벗어나 신선한 영역을 탐색하도록 강제합니다.

연구진은 이 시스템을 매우 다른 두 가지 생물학적 과제에 대해 테스트했습니다. 첫 번째는 유전자 조절 방식을 이해하는 데 중요한 작업인 DNA 서열에서 숨겨진 패턴을 찾는 것이었습니다. 두 번째는 단백질 구조의 변화가 기능에 어떤 영향을 미치는지 예측하는 것으로, 이는 신약 개발 및 질병 이해에 필수적인 문제입니다. 두 경우 모두 시스템은 최선의 기존 해결책에 대한 사전 지식 없이 오직 원시 데이터와 게임의 규칙만을 제공받았습니다. 그 결과, 현재의 전문가들이 사용하는 최첨단 도구들을 능가하는 두 가지 새로운 방법론이 발견되었습니다. DNA 패턴 작업의 경우, 시스템은 기존의 표준 도구보다 정확도가 높을 뿐만 아니라 11배나 빠른 새로운 알고리즘을 밑바닥부터 발명해 냈습니다. 단백질 예측 작업에서는 여러 기존 모델의 예측을 결합하는 정교한 전략을 발견하여, 90개가 넘는 경쟁 모델이 참여한 글로벌 리더보드에서 1위를 차지하는 정확도를 달alog성했습니다.

이 성과를 특히 놀랍게 만드는 것은 과정의 효율성입니다. 가설과 테스트의 수천 번의 반복을 포함한 전체 연구 프로그램은 특수하고 비싼 그래픽 하드웨어 없이 단 한 대의 표준 컴퓨터 서버에서 실행되었습니다. 이 시스템은 최근의 자동화된 발견 시도들이 흔히 요구하는 거대한 분산 네트워크와 비교했을 때 상대적으로 적은 양의 컴퓨팅 파워를 소비했습니다. 연구진은 AI에게 자신의 추론을 설명하게 하고 구체적인 실패로부터 배우도록 강제함으로써, 시스템이 무작위 시행착오에 의존하는 방법보다 훨씬 적은 시도로 해결책을 찾을 수 있다는 것을 발견했습니다. 이는 단순히 '추측하고 확인하기'보다는 과학적 방법을 따르도록 기계를 가르치는 것이 미래의 발견을 자동화하는 데 훨씬 더 강력한 방법이 될 수 있음을 시사합니다.

저자가 "리틀 사이언티스트"라고 부르는 이 시스템은 두 가지 뚜렷한 역할 간의 파트너십을 통해 작동합니다. 첫 번째는 주 연구자 역할을 하는 "사이언티스트(Scientist)" 에이전트입니다. 이 에이전트는 코드를 작성하고, 실험을 실행하며, 자신의 생각과 결과에 대한 상세한 로그를 기록합니다. 두 번째는 과학적 진보가 때때로 근본적인 관점의 변화를 필요로 한다고 설명한 유명한 과학 철학자의 이름을 딴 "쿤(Kuhn)" 에이전트입니다. 사이언티스트 에이전트가 진전을 멈추고 정체될 때 쿤 에이전트가 개입합니다. 쿤 에이전트는 실패의 역사를 살펴보고, 종종 다른 과학 분야에서 영감을 얻어 문제를 바라보는 완전히 새로운 틀을 제안합니다. 이는 시스템이 현재의 경로를 버리고 근본적으로 다른 접근 방식을 시도하도록 강제하며, 이는 마치 자신의 현재 이론이 결함이 있음을 깨닫고 새로운 관점으로 다시 시작하기로 결정하는 인간 과학자와 같습니다.

DNA 패턴 발견 과제에서 시스템은 단백질인 전사 인자(transcription factors)의 결합 부위로 작용하는 짧은 DNA 서열을 찾는 임무를 맡았습니다. 이러한 부위는 유전자를 켜고 끄는 데 중요하지만, 패턴이 미묘하고 길이가 다양할 수 있어 찾기가 어렵습니다. 시스템은 기본적인 접근 방식으로 시작하여 몇 주에 걸쳐 반복적으로 방법을 개선했습니다. 시스템은 패턴이 얼마나 자주 나타나는지와 다양한 DNA 샘 샘플 전반에 걸쳐 얼마나 일관되게 나타나는지를 기준으로 패턴을 찾는 것이 기존 방법보다 더 효과적이라는 것을 발견했습니다. 시스템이 만들어낸 최종 알고리ح즘인 DALE은 기존의 최상급 도구들보다 더 높은 정확도로 이러한 패턴을 식별할 수 있었습니다. 또한 기존 도구들이 몇 분 또는 몇 시간 걸리던 데이터를 단 몇 초 만에 처리하며 훨씬 빠르게 실행되었습니다. 시스템은 이러한 구체적인 전략에 대해 듣지 않고도, 가설과 테스트의 순환을 통해 스스로 이 전략들을 발견해 냈습니다.

두 번째 과제는 단백질의 돌연변이가 적응도(fitness), 즉 기능에 어떻게 영향을 미치는지 예측하는 것이었습니다. 단백질은 긴 사슬 형태의 구성 요소로 이루어져 있어, 단 하나의 블록만 바뀌어도 예측 불가능한 효과를 낼 수 있기 때문에 이는 매우 복적인 문제입니다. 시스템은 다섯 가지 서로 다른 기존 모델로부터 예측값을 전달받았고, 이를 하나의 더 나은 예측으로 결합하라는 요청을 받았습니다. 단순히 결과의 평균을 내는 대신, 시스템은 '델타 V(Delta V)'라는 전략을 개발했습니다. 시스템은 각 모델의 예측이 얼마나 자신감이 있는지와 특정 돌연변이가 단백질 구조에 어떤 영향을 미치는지에 따라 각 모델의 가중치를 조정하는 법을 배웠습니다. 또한 단백질의 인접한 부분들 사이에 정보를 공유하는 방법도 개발했는데, 한 모델이 특정 부분에 대해 틀렸다면 그 주변 부분에 대해서도 틀릴 가능성이 높다는 점을 깨달은 것입니다. 이 접근 방식을 통해 시스템은 주요 글로벌 벤치마크에서 다른 모든 모델을 능가하며, 2위 모델을 상당한 차이로 제치고 1위를 차지했습니다.

리틀 사이언티스트의 성공은 우리가 인공지능을 사용하는 방식의 변화를 강조합니다. AI를 단순히 명령을 실행하거나 데이터에서 패턴을 찾는 도구로 취급하는 대신, 이 접근 방식은 AI를 주니어 연구자로 대우합니다. AI에게 추론하고, 실수하고, 그 실수로부터 구조적인 방식으로 배울 수 있는 자유를 부여합니다. 연구진은 시스템이 명시적인 예측을 형성하고 이를 실제 결과와 대조하는 능력이 성공의 핵심이었다는 것을 발견했습니다. 만약 시스템이 변화가 결과를 개선할 것이라고 예측했으나 그렇지 못했을 경우, 단순히 넘어가는 것이 아니라 무엇이 잘못되었는지 이해하기 위해 그 불일치를 분석했습니다. 단순히 실패를 버리는 것이 아니라 실패로부터 배우는 이 과정 덕분에, 시스템은 무작위 탐색 방법으로는 도달할 수 없는 문제에 대한 깊은 이해를 구축할 수 있었습니다.

또한 이 연구는 이 방식이 매우 제한된 자원으로도 작동할 수 있음을 입증했습니다. 전체 프로젝트는 표준 컴퓨팅 파워를 가진 단 하나의 가상 머신에서 실행되었으며, 총 비용은 500달러 미만이었습니다. 이는 수많은 컴퓨터 클러스터와 수백만 달러의 컴퓨팅 비용을 요구하는 최근의 다른 자동화된 발견 시스템들과 극명한 대조를 이룹니다. 연구진은 효율성이 시스템이 받는 피드백의 질에서 온다고 제안합니다. 단순히 "좋다" 또는 "나쁘다"라는 말을 듣는 대신, 시스템은 테스트의 어느 부분이 왜 실패했는지에 대한 상세한 보고를 받았습니다. 이를 통해 시스템은 무작위적인 추측이 아닌 목표 지향적인 개선을 할 수 있었습니다.

결과가 인상적이긴 하지만, 연구진은 자신의 작업에 대한 한계점을 명확히 밝히고 있습니다. 이 시스템은 데이터가 잘 정리되어 있고 결과가 정밀하게 측정될 수 있는 두 가지 특정 유형의 생물학적 문제에 대해 테스트되었습니다. 이 접근 방식이 데이터가 지저분하거나, 평가 비용이 많이 들거나, 답을 수치화하기 쉬운 형태가 아닌 문제에서도 작동할지는 아직 불분명합니다. 또한 연구진은 자신들의 시스템이 인간 과학자를 대체한 것이 아니라 그들과 함께 협력한 것임을 지적했습니다. 디지털 실험실을 설정하고, 규칙을 정의하며, 초기 데이터를 제공하기 위해서는 인간 연구자가 필요했습니다. 또한 인간은 한 시점에 개입하여 시스템에 추가적인 데이터 소스를 제공했는데, 이는 시스템이 성능의 큰 도약을 이룰 수 있게 했습니다. 이는 미래의 과학적 발견이 인간이 전략적 방향을 제시하고 AI가 빠르고 지치지 않는 실험의 반복을 담당하는 파트너십에 있을 것임을 시사합니다.

이 연구의 결과는 인공지능이 단순히 정보를 처리하는 것을 넘어, 창의적인 발견 과정에 적극적으로 참여할 수 있는 미래를 엿보게 합니다. 과학적 방법을 모방함으로써, 이러한 시스템은 효율적이면서도 효과적인 방식으로 복잡한 문제를 탐구할 수 있습니다. 이들은 인간 전문가가 생각하지 못했을 수도 있는 새로운 알고와 전략을 발견할 수 있으며, 그들이 결론에 도달한 과정을 정확히 이해할 수 있는 투명성을 갖춘 채로 이를 수행할 수 있습니다. 기술이 발전함에 따라, 우리는 이러한 시스템이 새로운 재료를 설계하거나 인간 뇌의 복잡성을 이해하는 것과 같은 더 넓은 범위의 과학적 과제에 적용되는 것을 보게 될 것입니다. 리틀 사이언티스트는 단순히 문제를 해결하기 위한 도구가 아닙니다. 그것은 과학적 발견의 과정 자체가 자동화될 수 있음을 보여주는 증거이며, 가속화된 연구의 새로운 시대를 여는 문입니다.