과학 연구에서 AI: 생산성 향상 vs 품질 위험

AI를 연구 보조 도구로

AI는 많은 과학 분야에 진정한 혁신을 가져왔으며, 몇 년 전만 해도 가장 강력한 슈퍼컴퓨터도 달성할 수 없었던 데이터 처리와 실제 재료 및 상황 모델링을 가능하게 합니다.

최근 예시로는 다양한 형태의 AI가 다음과 같이 사용되고 있습니다:

• 핵융합 반응용 새로운 재료 찾기.
• 우주 망원경 이미지 선명도 복원.
• 금속 3D 프린팅 공정 최적화.
• 태양전지, 수소 전기촉매, 초경질 재료, 폴리머 및 고체 전해질용 새로운 재료 발견.

이러한 응용은 일반적으로 특정 결정 종류를 검사하거나 고유한 이미지 집합을 처리하도록 정밀하게 훈련된 고도로 특화된 AI 모델에 의존합니다.

하지만 AI에 대해 이야기할 때, 일반 대중은 보통 일반적인 대형 언어 모델(LLM)을 떠올립니다. 이러한 모델은 현재 주로 텍스트 작성 및 개선, 그리고 전통적인 검색 엔진에 비해 더 고급이고 읽기 쉬운 질의를 수행하는 데 사용됩니다.

이론적으로 이는 학생들의 에세이, 형편없는 시, 파워포인트 프레젠테이션뿐만 아니라 과학 연구와 출판된 논문에도 적용되어야 합니다.

하지만 이것은 양날의 검이 될 수 있으며, 권위 있는 과학 리뷰인 Science¹에 최근 발표된 분석에서 설명되었습니다. 제목은 “대형 언어 모델 시대의 과학 생산”.

이 분석에서 캘리포니아 대학교와 코넬 대학교 연구원들은 LLM을 활용한 과학자들의 산출물을 이전 작업과 비교했습니다. 그들은 LLM 사용이 과학 논문의 품질을 향상시킬 수 있지만, 동시에 저품질 연구의 양을 증가시켜 학계의 기존 문제를 악화시킨다는 사실을 발견했습니다.

과학 연구 논문에서 AI 사용 감지

첫 번째 과제는 과학 글쓰기에서 LLM 사용이 얼마나 널리 퍼져 있는지, 그리고 누가 사용하고 있는지를 파악하는 것입니다.

놀랍지 않게도, 이는 연구자들이 자발적으로 밝히는 데이터가 아닙니다. 도구가 아직 새롭고 특히 기술 데이터나 틈새 주제에 대해 오류가 발생하기 쉬우므로 더욱 그렇습니다.

연구원들은 arXiv, bioRxiv, 그리고 사회과학 연구 네트워크(SSRN)와 같은 대형 과학 데이터베이스에서 2018년 1월부터 2024년 6월까지의 200만 편이 넘는 논문을 수집했습니다.

그들은 2023년 이전에 게시된 논문—인간이 작성한 것으로 추정되는—을 AI가 생성한 텍스트와 비교했습니다.

이 데이터를 사용해 AI 사용을 감지하는 모델을 개발했습니다. 이 도구를 통해 어느 과학자들이 LLM을 사용했는지, 언제 사용을 시작했는지를 합리적인 정확도로 판단했습니다. 이후 해당 과학자들의 논문 발표량을 도구 도입 전후로 추적하고, 그 논문이 과학 저널에 채택되었는지 여부를 확인했습니다.

AI가 과학 연구에 미치는 영향

Swipe to scroll →

생산성 향상

첫 번째 결론은 LLM 사용이 과학자들의 생산성을 높인다는 것으로, 최소한 발표 논문 수로 측정했을 때 그렇습니다.

arXiv에서 LLM을 사용한 것으로 표시된 과학자들은 AI를 사용하지 않은 과학자들보다 약 1/3 정도 더 많은 논문을 게시했습니다. bioRxiv와 SSRN에서는 증가율이 50%를 초과했습니다.

“출판하거나 사라지라” 문화가 대부분 과학자의 경력 경로를 좌우하는 상황에서, 이러한 논문 양 증가가 경력 궤도에 심각한 영향을 미칩니다.

또 다른 통찰은 비원어민 영어 사용자로 추정되는 과학자들에게서 이 효과가 더 크게 나타났다는 점입니다.

예를 들어, 아시아 기관에 소속된 연구자들은 탐지기가 LLM 사용을 시작했다고 판단한 이후 논문 수가 43.0%에서 89.3%까지 증가했습니다.

이는 의미가 있습니다. 많은 과학자들이 기술적으로 뛰어나고 영어를 읽을 수 있지만(현대 학계의 필수 조건), 두 번째 언어로 명확하고 우아한 문장을 구성하는 데 어려움을 겪을 수 있기 때문입니다.

LLM의 광범위한 사용은 비원어민에게도 경쟁의 장을 평평하게 만들어, 저자의 언어 유창성과 무관하게 고품질 연구가 국제적인 인정을 받을 수 있도록 도울 수 있습니다.

과학 지식 발견 향상

LLM은 또한 Elicit, ResearchRabbit, 혹은 Scite와 같은 특화된 AI를 활용해 특정 주제와 관련된 논문을 찾는 데 사용될 수 있습니다.

과학 연구의 상당 부분은 다른 논문을 찾아 읽고, 정보를 추론하거나 새로운 상황에 재사용할 수 있는 실험 프로토콜을 식별하는 과정으로 구성됩니다.

AI는 일반적으로 최신 논문을 선호하고 전통적인 검색 엔진에 비해 인용 횟수에 덜 무게를 둡니다. 따라서 새로운 아이디어나 덜 논의된 실험을 찾는 과학자들에게 대안이 됩니다.

“LLM을 사용하는 사람들은 더 다양하고 폭넓은 지식에 연결되고 있으며, 이는 더 창의적인 아이디어를 촉진할 수 있습니다.”

코넬 대학교 박사과정 학생 Keigo Kusumegi

이 가설은 AI 지원으로 작성된 논문이 더 다양하고 폭넓은 참고문헌을 가지고 있거나, 더 혁신적이고 학제간 연구를 수행하는지를 확인함으로써 향후 검증될 수 있습니다.

AI가 과학 및 학계에 제기하는 새로운 문제

최근 몇 년간, 특히 사회과학 분야에서 과학 연구는 재현성 위기를 겪고 있습니다.

많은 논문의 결과가 다른 연구자에 의해 재현되지 못한다면, 겉보기에 신뢰할 만해 보이는 연구도 결함이 있거나 심지어 사기일 수 있습니다. 이는 “과학에 대한 존재론적 위기”라고 묘사되었습니다.

역사적으로 복잡한 글쓰기—긴 문장과 정교한 어휘—는 고품질 연구의 휴리스틱으로 작용해 왔습니다. 완벽하지는 않지만, 이는 조악한 분석과 전문적으로 작성된 연구를 구별하는 데 도움을 주었습니다.

반대로, AI 지원으로 작성된 논문은 현재 저널에 채택될 가능성이 낮습니다.

전반적으로 이는 “출판된 논문 수”라는 지표가 연구자의 실제 역량과 더욱 분리되는 위험을 초래합니다. AI가 점점 더 효율적이고 인간과 유사해짐에 따라, 편집자와 검토자는 가장 가치 있는 제출물을 식별하는 데 어려움을 겪을 수 있습니다.

마지막으로, AI를 통해 대량의 “슬롭”(그럴듯하지만 허위인 연구 논문)이 생성될 수 있습니다. 이 위험은 소셜 미디어에만 국한되지 않으며, LLM이 등장하기 전부터 이미 검토자의 시간이 부족했던 과학 연구에서도 중요한 문제입니다.

AI가 과학 연구의 미래에 의미하는 바

AI는 도구이기 때문에 연구자들은 이를 효과적으로 사용하는 방법을 배워야 합니다. 연구실에서 LLM을 금지하는 것은 거의 불가능에 가깝고, 감지는 더욱 어려워질 것입니다.

AI를 과학적 글쓰기에서 적응하고 생산적으로 활용하는 것이 앞으로의 핵심 주제가 될 것입니다.

“이미 현재, 질문은 ‘AI를 사용했나요?’가 아니라, ‘AI를 정확히 어떻게 사용했으며, 도움이 되었나요?’라는 것입니다.”

과학 분야의 채용 관행은 출판량에만 의존하기보다 심층 인터뷰와 기술 테스트와 같은 정성적 지표로 돌아가는 것이 유리할 수 있습니다.

마찬가지로, 검토자와 과학 저널도 적응해야 합니다. 제출물이 합법적인 연구실에서 나온 것인지 확인하는 시스템이 도입될 경우, 가짜 논문의 대량 생산을 차단하는 데 필요할 수 있습니다.

궁극적으로, 논문의 기술적 요소에 대한 깊은 이해가 언어적 우아함보다 품질을 판단하는 가장 중요한 요소가 될 것입니다.

AI 혁신에 투자하기

Nvidia

Nvidia는 게이머를 대상으로 하는 그래픽 카드 회사에서 전 세계 최대 기업으로 성장했으며, 이는 전체 기술 산업에 AI 하드웨어를 제공하는 핵심 역할 덕분입니다.

AI 전용 하드웨어의 선구자로서 Nvidia는 연구자들이 이러한 도구를 활용하도록 최초로 지원했습니다. Nvidia GPU용 범용 프로그래밍 인터페이스인 “CUDA”는 게임을 넘어선 활용의 문을 열어 오늘날 AI 응용 프로그램의 길을 닦았습니다.

“연구자들은 GeForce라는 게임용 카드를 구입해 컴퓨터에 추가함으로써 사실상 개인 슈퍼컴퓨터를 갖게 되었다는 것을 깨달았습니다.

분자 동역학, 지진 처리, CT 재구성, 이미지 처리—다양한 분야에 활용됩니다.”

Jensen Huang, Sequoia와의 인터뷰에서

Nvidia 하드웨어는 직접이든 Microsoft, Google, Meta, OpenAI의 클라우드에 통합되든 연구자들이 선호하는 하드웨어로 남을 가능성이 높습니다.

AI 설비 투자비는 2025년에 최대 2천억 달러에 이를 것으로 예상됩니다, 이는 가장 큰 기술 기업들의 누적 지출이 계속 증가함에 따라 더욱 커집니다. Nvidia 칩 생산이 확대됨에 따라 고성능 RAM과 같은 다른 전자 부품도 현재 부족 현상을 보이고 있습니다.

과학 연구가 소비자 또는 B2B 용도에 비해 AI 컴퓨팅의 대부분을 차지하지는 않지만, 장기적으로는 새로운 합금, 의약품, 과학적 방법론을 약속하며 가장 영향력 있는 동력이 될 수 있습니다.

(You can read more about Nvidia’s history, current business, and future prospects in our dedicated investment report on the company.)

참조 연구

^{1. Keigo Kusumegi, Xinyu Yang, Paul Ginsparg, Mathijs de Vaan, Toby Stuart, and Yian Yin. 대형 언어 모델 시대의 과학 생산.Science. 18 Dec 2025. Vol 390, Issue 6779 pp. 1240-1243. DOI: 10.1126/science.adw3000}