From Traditional Scientists to Agentic AI Research: Unequivocal Diagram-as-Code in Scientific Publications

과학은 항상 발견을 공유하기 위해 두 가지 언어, 즉 문자(글)와 그림에 의존해 왔습니다. 연구자는 복잡한 생물학적 과정을 한 단락의 텍스트로 설명하거나, 세포의 서로 다른 부분들이 어떻게 상호작용하는지를 보여주는 도표로 설명할 수 있습니다. 수십 년 동안 이러한 방식은 인간 독자들에게 유용하게 작용하며 과학자들이 서로의 연구를 토대로 발전할 수 있게 해주었습니다. 그러나 언어와 이미지는 모두 숨겨진 결함을 가지고 있습니다. 바로 해석의 여지가 있다는 점입니다. 문장은 독자의 배경에 따라 약간씩 다르게 읽힐 수 있고, 그림은 관찰자가 모양과 화살표를 어떻게 해석하느냐에 따라 다르게 이해될 수 있습니다. 이러한 모호함은 인간에게는 감당할 수 있는 수준이지만, 과학 문헌을 읽고 스스로 발견을 수행하도록 설계된 차세대 인공지능 시스템에는 심각한 문제를 일으킵니다. AI 에이전트라고 불리는 이 시스템들은 추측의 여지가 없는 정밀하고 명확한 정보를 필요로 합니다. 만약 AI가 도표나 설명을 오해한다면, 그 오류는 작업 전반에 파급되어 잘못된 결론으로 이어질 수 있습니다.

최근 연구에서 세르비아 노비사드 대학교의 밀라 글라바슈키(Mila Glavaški)와 라자르 벨리치키(Lazar Velicki)는 이 문제에 대한 해결책을 제 제안했습니다. 그들은 과학 논문에 "코드로서의 도표(diagrams-as-code)"를 포함해야 한다고 주장합니다. 저자가 단순히 정적인 이미지 파일을 업로드하는 대신, 그 이미지를 생성하는 데 사용된 실제 컴퓨터 코드를 제공하는 방식입니다. 이 코드는 컴퓨터에게 모든 선, 모양, 연결을 어떻게 그릴지 정확하게 지시하는 엄격하고 수학적인 명령 세트 역할을 합니다. 코드는 예술이 아닌 논리의 언어이기 때문에 추측을 제거합니다. 컴퓨터가 코드를 읽을 때, 저자가 의도한 것과 동일한 구조를 변형 없이 정확하게 보게 됩니다. 연구진은 이 아이디어를 테스트하기 위해 심부전(heart failure)에 관한 세 가지 일반적인 유형의 과학적 콘텐츠—원인에 대한 텍stual 설명, 생물학적 기전에 대한 설명, 환자 케어를 위한 임상 경로—를 선정하여 이를 코드 형식으로 변환했습니다. 그 결과 이 접근 방식이 효과적임을 확인했으며, 이는 인간 과학자와 AI 에이전트 모두가 과학적 과정을 완전한 명확성으로 이해할 수 있게 하는 가교를 만들어냈습니다.

연구진은 먼저 과학적 정보가 현재 어떻게 공유되고 있는지 살펴보았습니다. 그들은 자연어가 표현의 무한한 다양성을 허용하지만, 동시에 해석의 무한한 다양성도 허용한다는 점에 주목했습니다. 어떤 과학자는 심장 질환의 원인이 고혈압이라고 쓸 수 있고, 다른 이는 판막 손상의 결과라고 기술할 수 있습니다. 둘 다 사실이지만, 구체적인 어휘 선택으로 인해 AI는 이 둘 사이의 연결 고리를 놓칠 수 있습니다. 마찬가지로, 시각적 도표는 시스템의 각 부분들을 연결하는 화살표를 보여줄 수 있지만, 엄격한 정의가 없다면 AI는 그 화살표가 인과관계인지, 부작용인지, 아니면 단순한 연관성인지를 알 수 없습니다. 현대 AI 개발의 목표는 스스로 과학적 발견을 수행하고, 수천 편의 논문을 읽고 새로운 지식을 합성하는 독립적인 연구자로서 기능하는 시스템을 만드는 것입니다. 이를 위해 AI 에이전트들은 완벽한 정확도로 서로에게 정보를 전달해야 합니다. 만약 한 에이전트가 오해된 도표를 바탕으로 다른 에이전트에게 작업을 넘긴다면, 연구의 전체 사슬이 무너질 수 있습니다.

아이디어를 테스트하기 위해 글라바슈키와 벨리치키는 심장 연구 분야인 순환기학(cardiology)에서 세 가지 뚜렷한 사례를 선택했습니다. 첫 번째 사례는 허혈성 손상, 압력 과부하, 대사 질환과 같은 원인을 나열하며 심부전이 발생하는 다양한 방식을 설명하는 단락이었습니다. 두 번째는 심장의 구조적 문제가 어떻게 증상으로 이어지는지를 상세히 다루며 심부전을 임상 증후군으로 정의하는 내용이었습니다. 세 번째는 의료 기록부터 신체 검사에 이르기까지 심부전이 의심되는 환자를 평가하는 방법에 대한 의사용 단계별 가이드였습니다. 이 텍스트들과 함께, 연구진은 동일한 개념을 시각적으로 나타내는 세 개의 대응하는 도표를 사용했습니다. 이 입력값들은 실험의 기초 자료가 되었습니다.

그 후 연구팀은 대형 언어 모델(LLM)의 무료 버전을 사용하여 이 입력값들을 코드로 변와했습니다. 연구진은 AI에게 텍스트 명령을 시각적 차트로 바꿔주는 프로그램인 Mermaid와 D2를 위한 코드를 생성하라고 요청했습니다. 텍스트 설명을 위한 프롬프트는 간단했습니다: "이 내용에 대한 Mermaid 다이어그램 코드를 생성하라." 기존 이미지를 위한 프롬프트는 좀 더 구체적이었습니다: "이 그림에 대한 Mermaid 다이어그램 코드를 생성하라. 스스로 내용을 추가하지 마라." 연구진은 AI가 문단이나 정적 이미지를 보고 다른 컴퓨터가 읽을 수 있는 논리적 명령 세트로 번역할 수 있는지 확인하고자 했습니다.

결과는 이 접근 방식이 실행 가능하다는 것을 보여주었습니다. 테스트한 모든 텍stual 설명과 이미지에 대해, AI는 표준 에디터에서 실행했을 때 원래의 의미와 일치하는 도표를 생성하는 코드를 성공적으로 만들어냈습니다. 심부전의 공통 기전에 관한 텍스트의 경우, 코드는 서로 다른 경로가 어떻게 동일한 결과로 이어지는지를 보여주는 플로우차트를 생성했습니다. 질병을 정의하는 텍스트의 경우, 코드는 다양한 원인을 질환과 연결하는 도표를 만들었습니다. 임상 경로의 경우, 코드는 첫 방문부터 신체 검사에 이르기까지 의사가 취해야 할 단계들을 매핑했습니다. 또한 연구진은 기존의 정적 이미지를 코드로 변환하기 위해 AI에게 그림을 바탕으로 코드를 생성하도록 요청했습니다. AI는 분자 기전, 병태생리학적 폭포 현상(pathophysiological cascade), 그리고 임상 경로의 시각적 구조를 재현할 수 있는 코드 명령을 생성해 냈습니다.

코드가 생성된 후, 연구진은 이를 맹목적으로 수용하지 않았습니다. 그들은 온라인 에디터에서 Mermaid와 D2의 출력값을 수동으로 점검했습니다. 그 결과 AI가 전반적인 구조는 잘 잡았지만, 때때로 미세한 조정이 필요하다는 것을 발견했습니다. 예를 들어, 화살표의 방향을 뒤집거나, 두 블록 사이의 연결을 다른 위치로 옮겨야 과학적 사실을 정확하게 반영할 수 있는 경우가 있었습니다. 이러한 작은 수정은 코드가 의도된 표현을 완벽하게 반영하도록 하는 데 필수적이었습니다. 그러나 핵심 구조를 자동으로 생성할 수 있다는 사실 자체가 핵심적인 발견이었습니다. 코드는 정보의 변하지 않는 정밀한 기록 역할을 했고, 시각적 도표는 코드가 올바른지 확인하기 위한 인간용 수단이 되었습니다.

연구진은 이 방식이 인간의 감독 필요성을 대체하는 것이 아님을 강조합니다. 만약 AI가 환각(hallucination, AI가 지어낸 거짓 사실)을 바탕으로 코드를 생성한다면, 결과물인 도표는 틀리게 될 것입니다. 하지만 그들이 제안하는 시스템에는 내장된 검증 절차가 있습니다. 코드는 사람이 읽을 수 있고 즉시 렌더링할 수 있기 때문에, 과학자는 생성된 도표를 보고 그것이 텍스트나 원본 이미지와 일치하는지 즉시 확인할 수 있습니다. 만약 일치하지 않는다면 코드를 수정하면 됩니다. 이 과정은 최종 표현의 정확성을 보장합니다. 이 연구는 향후 과학 논문에 이러한 코드 조각들이 전통적인 텍스트 및 이미지와 함께 포함될 수 있음을 시사합니다. 이를 통해 AI 에이전트는 시각적 또는 텍스트적 단서를 오해하지 않고 연구의 정확한 논리를 추출할 수 있을 것입니다.

이 연구의 함의는 단순히 심부전에만 국한되지 않습니다. 연구진은 이 접근 방식이 과정이 기술되는 모든 과학 분야에 적용될 수 있다고 주장합니다. 실험실 내 화학 물질의 흐름, 의료 처치의 단계, 혹은 생태계의 연결 관계 등 무엇이든, 이러한 과정을 코드로 표현하는 것은 보편적인 이해를 가능하게 할 것입니다. 이는 인간 과학자가 AI 에이전트에게 프로젝트를 넘기고, 그 에이전트가 다시 다른 AI에게 전달할 때, 모든 단계에서 작업의 의미가 변하지 않는다는 보장을 가능하게 할 것입니다. 코드는 자연어의 모호성과 정적 이미지의 주관성을 제거하는 보편적인 번역기 역할을 합니다.

논의에서 저자들은 이 방식의 한계도 인정했습니다. 이 방식은 이미 알려진 것만을 표현할 수 있습니다. 만약 과학적 과정에 아직 발견되지 않은 미지의 요소나 관계가 포함되어 있다면, 코드로 그 빈틈을 채울 수는 없습니다. 또한, 생성된 코드의 품질은 코드를 생성하는 AI의 품질에 달려 있습니다. 더 복잡한 프롬프트를 사용하면 더 나은 결과를 얻을 수 있겠지만, 연구진은 간단한 지시만으로도 시스템이 충분히 유용하게 작동함을 보여주었습니다. 또한 그들은 Mermaid와 D2를 사용했지만, PlantUML이나 Graphviz와 같은 다른 도구들도 동일한 목적을 수행할 수 있다고 언급했습니다. 특정 도구 자체보다는 코드로 된 표현을 갖는다는 개념이 더 중요합니다.

연구는 AI 시대에 과학적 정보를 공유하는 방식을 표준화해야 할 때가 왔다고 결론짓습니다. '도표로서의 코드'를 채택함으로써, 과학계는 자신들이 생산하는 지식이 인간뿐만 아니라 기계에 의해서도 실행 가능한 상태가 되도록 보장할 수 있습니다. 이러한 변화는 과학 문헌을 정적인 문서의 집합에서 동적이고 기계가 읽을 수 있는 자원으로 탈바꿈시킬 것입니다. 이는 인간 연구자와 인공지능 사이의 원활한 지식 전달을 가능하게 하여, AI 에이전트가 과학자들과 협력하여 이전에는 불가능했던 수준의 정밀도로 복잡한 문제를 해결할 수 있는 미래를 열어줄 것입니다. 연구진은 이것이 단지 이론적인 아이디어가 아니라, 기존 도구들을 통해 오늘날 바로 구현할 수 있는 실질적인 현실임을 입증했습니다.