인공지능(AI) 사용을 통한 발견 일정 변화

수동 연구에서 AI 자동화로

한동안 과학적 진보는 뛰어난 과학자들의 통찰에만 의존했으며 인공지능(AI)은 전혀 활용되지 않았습니다. 그들은 가설을 직접 설계하고 맞춤형 실험을 통해 수동으로 테스트해야 했습니다. 이는 대부분 매우 느린 과정으로, 초기 아이디어에서 실제 결과가 나오기까지 수년이 걸렸습니다.

최근 자동화 수준이 높아지면서 기본 연구에서 수작업을 크게 줄일 수 있게 되었습니다. 예를 들어, 차세대 시퀀싱(NGS)은 인간 게놈을 처음 시퀀싱한 2003년에는 30억 달러가 들고 10년이 걸렸던 작업을 며칠 안에 낮은 비용으로 수행할 수 있게 했습니다.

NGS 시퀀서 – Source: Illumina

자동화는 연구의 물리적 단계를 대규모로, 낮은 비용에 수행할 수 있게 했습니다. 하지만 유전체 시퀀싱에서 나오는 데이터를 분석하는 지적 노력은 여전히 인간 두뇌와 컴퓨터 보조 수학 모델에만 의존했습니다. AI가 새로운 게임 체인저가 되기 전까지는 말이죠.

인간 두뇌 지원

과학이 발전할수록 데이터는 더욱 복잡해졌습니다. 새로운 물질을 찾는 과정은 이전에 테스트되지 않은 원소들을 섞는 비교적 단순한 절차에 의존했습니다.

하지만 배터리 기술이나 반도체와 같은 고급 소재 과학은 나노미터 수준, 때로는 개별 원자 수준에서 구성 요소를 조작해야 합니다. 이는 인간 두뇌가 모든 가용 데이터를 완전히 파악하기엔 너무 복잡한 모델링과 이해를 요구합니다.

예를 들어, 새로운 배터리 설계에 적합한 물질을 찾기 위해서는 3,200만 개의 잠재적 무기물 중에서 선택해야 할 수도 있습니다. 이는 PNNL(태평양 북서부 국립 연구소)의 소재 과학 그룹 리더인 Vijay Murugesan이 직면한 과제였습니다.

이전에는 교육받은 추정, 대략적인 컴퓨터 모델, 수동 테스트가 필요했으며 수년이 걸렸을 것입니다. 대신 PNNL은 마이크로소프트와 협력하여 AI 분야의 거대 기업 전문성을 활용했습니다.

여러 AI에게 화학을 가르치다

마이크로소프트는 AI4Science 프로그램을 통해 오랫동안 이러한 응용 분야를 연구해 왔습니다. 예를 들어, 그들의 MatterGen 생성 AI는 “광범위한 속성 기반 소재 설계”를 가능하게 합니다.

Source: Microsoft

PNNL과 협력하여 마이크로소프트는 작업 가능한 모든 원소와 그 조합을 평가하는 여러 AI를 특별히 개발했습니다.

또한 안정적인 물질을 찾는 전용 AI가 있으며, 반응성을 기준으로 분자를 평가하는 AI, 그리고 에너지 전도 능력을 판단하는 AI가 있습니다.

이 AI 조합은 주어진 문제에 대한 모든 가능한 해결책을 찾기 위해 설계된 것이 아닙니다. 대신 수천만 개에 이르는 방대한 가능성의 건초더미를 살펴보고 몇 가지 좋은 후보로 좁히는 것이 목표입니다.

이 접근법은 3,200만 개의 잠재 물질을 500,000개의 후보로, 다시 800개로 줄였습니다.

이는 물질의 화학적 특성을 원자 단위로 시뮬레이션하는 “무차별 대입” 방식의 순수 컴퓨터 기반 수학 모델 접근법과 근본적으로 다릅니다. AI는 인간이 하는 것과 거의 같은 방식으로 유사성을 활용해 “예상”을 합니다. 다만 AI 팀은 80시간 미만에 3,200만 아이디어를 스크리닝할 수 있었습니다.

수개월 혹은 수년의 작업을 며칠 또는 몇 주로 단축하는 것은 과학 진보 속도에 완전한 혁신을 가져옵니다.

이 접근법을 보다 넓게 적용한다면 인간 사회의 기술 진보 속도를 완전히 바꿀 수 있습니다.

귀중한 자원 절약

후보 리스트가 800개로 좁혀지면 연구원들은 고성능 컴퓨팅(HPC)이라는 보다 표준적인 방법을 적용할 수 있었습니다. 이는 800개 후보의 모든 가능한 에너지 상태를 계산하게 해 주었습니다. 이후 전용 AI와 HPC를 혼합해 각 물질 내부의 원자와 분자 움직임을 시뮬레이션했습니다.

수백 개 후보에만 HPC를 사용함으로써, 연산량이 많이 요구되는 이 방법에서 PNNL은 시간과 비용을 크게 절감했습니다. 후보 리스트는 150개로 감소했습니다.

그 다음, 비용, 가용성 및 기타 실용적 고려사항을 평가해 초기 3,200만 후보 리스트를 단 23개로 줄였습니다. 흥미롭게도 23개 중 5개는 이미 알려진 물질이었으며, 이는 이 방법이 독립적으로 5개 물질을 “재발견”했음을 보여줍니다.

이전 연구 방법론은 비싸고 느린 HPC에 크게 의존했지만, AI 방식은 전체 연산 시간의 10%만 HPC에 사용했습니다. 또한 AI 연산이 클라우드 기반이었기 때문에, 귀중하고 희귀한 연구소 슈퍼컴퓨터 시간을 사용하지 않아 효율성이 높아졌습니다.

다음 단계

마이크로소프트와 PNNL 간의 배터리 소재 협업은 다년간 협력 계약의 시작에 불과합니다. 궁극적으로는 새로운 배터리를 설계할 때 어떤 새로운 소재를 사용할지 AI 시스템에 물어보는 것만큼 간단하게 데이터를 생성하는 것이 목표입니다.

“우리가 추구하는 비전은 원하는 속성을 가진 새로운 배터리 화합물 리스트를 AI에게 요청할 수 있는 생성형 소재입니다,” – Nathan Baker, Azure Quantum Elements 제품 리더.

현재 방법은 고전적인 컴퓨팅에 의존하고 있다는 점도 주목할 가치가 있습니다. 하지만 마이크로소프트의 AI 프로그래밍과 소프트웨어는 양자 컴퓨팅이 충분히 성숙해지면 바로 업그레이드될 수 있도록 설계되었습니다.

이는 화학 및 생물학 시뮬레이션과 같은 주제에 전례 없는 연산 능력을 제공하며, 연산 파워를 수십 배에서 수만 배(x100‑10,000)까지 증가시킬 수 있습니다. 따라서 우리는 아직 AI가 새로운 분자와 소재를 설계하는 초기 단계에 있습니다.

응용 분야

첫 번째 실험은 배터리 소재에 초점을 맞췄지만, 화학에 대한 고급 통찰을 제공받을 수 있는 다른 많은 분야도 마이크로소프트 파이프라인에 이미 포함되어 있습니다:

• 반도체.
• 양자 컴퓨팅 및 암호학.
• 시각 및 오디오
• 분자 생물학 및 유전체학.
• 바이오테크 및 제약 전반.
• 재생 에너지 및 기후 변화.
• 농업 및 생태학.
• 경제학.
• 사회 과학.
• 이론 수학.

이들 분야는 모두 방대한 데이터와 복잡한 문제 때문에 연구가 어려움을 겪고 있습니다. 배터리 파일럿 프로젝트와 마찬가지로, 각 분야도 AI의 통찰을 통해 혜택을 받을 수 있습니다.

AI 기반 과학 주식

1. Microsoft

(MSFT )

Microsoft는 여전히 지배적인 운영 체제인 Windows를 통해 기술 산업의 중심에 서 있었으며, 현재는 엔터프라이즈 소프트웨어(Office365, Teams, LinkedIn, Skype, GitHub), 게임(Xbox 및 다수의 비디오 게임 스튜디오 인수), 클라우드(Azure) 분야에서도 리더가 되었습니다.

최근에는 AI 분야에서도 큰 진전을 이루었습니다. 여기에는 Bing Image Creator와 같은 소비자용 AI와 OpenAI와의 심화 파트너십이 포함됩니다. 또한 Microsoft 365용 Copilot 및 Microsoft Research와 같은 비즈니스 중심 이니셔티브도 포함됩니다. Copilot은 이제 소매업체와 중소기업에도 배포되고 있습니다.

Microsoft는 Apple이나 Facebook과 같은 소비자 중심 기업과 달리 엔터프라이즈 중심 기술 대기업으로 명성을 쌓아왔습니다. AI가 비즈니스 모델에서 점점 더 중요해짐에 따라, 클라우드와 엔터프라이즈 서비스에 이미 존재하던 Microsoft는 AI를 대규모로 배포하고 고객을 확보하는 데 선제적 이점을 가질 것입니다.

OpenAI와 같은 AI 개발 리더와의 협업/준소유 관계는 Microsoft를 AI 강자로 굳히는 역할을 할 것입니다.

2. NVIDIA

(NVDA )

NVIDIA는 처음에 고성능 게임 및 3D 모델링에 주로 사용되는 그래픽 카드(GPU) 시장에서 지배적인 위치를 차지했습니다. GPU는 병렬 계산이 가능하며, 이는 CPU와 차별되는 점입니다.

그들의 하드웨어 설계는 암호화폐 채굴(특히 비트코인)에 매우 적합하여 회사에 강력한 성장 물결을 일으켰습니다.

현재는 AI 훈련에도 동일하게 강력한 성능을 보여, NVIDIA의 하드웨어가 AI 혁명의 중추가 되고 있습니다.

NVIDIA는 이제 자율 주행 자동차부터 음성 AI 및 대화형 AI, 생성형 AI, 사이버 보안에 이르는 다양한 AI 애플리케이션을 위한 맞춤형 컴퓨팅 시스템을 개발하고 있습니다.

NVIDIA는 Microsoft와 PNNL의 연구에서 볼 수 있듯이, AI 하드웨어의 새로운 사용 사례를 계속 발굴하고 있습니다. 예를 들어, 현재 신약 발견을 위한 다양한 솔루션과 AI 기반 의료 기기, AI 지원 의료 영상을 개발 중입니다.

Source: NVidia

장기적으로는 경쟁사들이 NVIDIA의 초기 선점 효과에 도전할 가능성도 있지만, AI 전용 컴퓨팅 파워에 대한 수요 폭발을 고려할 때, 가까운 미래에는 NVIDIA가 새로 건설되는 모든 AI 훈련 데이터 센터의 주요 공급업체로 남을 것입니다.

3. CrowdStrike

(CRWD )

전 세계가 AI와 디지털화에 의존할수록 사이버 보안의 중요성도 커집니다.

CrowdStrike는 클라우드 우선 사이버 보안 접근 방식을 기반으로 설립되었습니다. 이 회사의 제품은 모든 사이버 보안 위협 카테고리를 포괄하며, 고객 중에는 미국 상위 20대 은행 중 15개, Fortune 100 기업 70개, Global 2000 기업 556개가 포함됩니다.

CrowdStrike의 성장은 빠르게 확대되는 총 주소 가능 시장(TAM)에 의해 뒷받침됩니다. 향후 2년간 연평균 13% 성장할 것으로 예상되며, 추가 제품 출시와 함께 2026년까지 TAM을 현재 760억 달러에서 1,580억 달러로 확대할 계획입니다.

Source: CrowdStrike

CrowdStrike의 또 다른 성장 요인은 기존 고객과의 비즈니스 확대입니다. 고객이 최소 하나의 사이버 보안 모듈을 도입하면 보통 더 많은 모듈을 추가로 통합하는데, 현재 62%의 고객이 5개 이상, 23%가 7개 이상 모듈을 사용하고 있습니다.

이러한 역동성은 장기적인 관계가 형성된 경우 CrowdStrike가 마진을 확대할 수 있게 하며, 2023년 총 총이익률은 인상적인 78%에 달했습니다.

많은 대기업이 아직 클라우드 전환을 진행 중이므로, CrowdStrike와 같은 시장 리더가 이들을 클라우드 기반 사이버 보안 전략으로 전환하도록 돕는 큰 기회가 존재합니다.

또한 Global 2000 기업 중 3/4가 아직 CrowdStrike 생태계에 진입하지 않았기 때문에, 국제 비즈니스 성장 역시 기대됩니다.

클라우드 우선 접근 방식 덕분에 CrowdStrike는 빠르게 시장 점유율을 확보했으며, 현재는 모든 대형 사이버 보안 기업이 이를 모방하고 있습니다. 따라서 투자자는 업계의 반격에도 불구하고 CrowdStrike가 경쟁 우위를 유지할 수 있는 능력에 주목해야 합니다.

4. Adobe

(ADBE )

처음 보면, 생성형 AI, 특히 이미지 생성이 Photoshop, InDesign, After Effects, Lightroom, Illustrator와 같은 중요한 그래픽 소프트웨어의 소유자를 위협할 수 있다고 생각할 수 있습니다.

하지만 Adobe는 소프트웨어 산업의 선구자로, 최신 소프트웨어 버전을 수천 달러에 판매하던 기존 관행을 깨고 클라우드 기반 구독 모델로 전환한 최초 기업 중 하나였습니다.

AI에도 동일한 원리가 적용됩니다. Adobe Firefly라는 AI 이미지 생성 도구는 이제 Adobe의 다른 소프트웨어와 원활히 통합되어, 간단한 텍스트로 이미지를 생성하고, 간단한 3D 모델로 풍부한 이미지를 만들며, “생성형 채우기”를 통해 기존 이미지를 사진처럼 확장할 수 있습니다.

Source: Adobe

AI가 로고 제작, 잡지 디자인, 이미지 수정 등에 필요한 기술 장벽을 낮추면서, 원본 콘텐츠에 대한 수요와 제공이 모두 증가할 가능성이 높습니다.

변화를 수용하고 AI를 도입함으로써 Adobe는 시각 창작 작업을 위한 선도적인 소프트웨어 패키지 위치를 유지하고, 더 나아가 그 범위를 확장할 것으로 보입니다.

5. Upstart

(UPST )

Upstart는 AI 기반 대출 마켓플레이스로, 2023년 AI가 기술 대화의 중심이 되기 훨씬 이전에 시작되었습니다.

Upstart의 프로세스는 대부분 자동화되어 있으며, 승인된 대출의 87%가 완전히 자동화된 시스템을 통해 결정됩니다.

Upstart가 추구하는 아이디어는 기존 신용 점수 시스템이 비효율적이고 구식이라는 점입니다. 더 많은 데이터가 활용 가능해짐에 따라 대출 위험을 더 정확히 식별하고, 그 결과 더 많은 인구에게 저렴한 대출을 제공할 수 있습니다.

이는 Upstart의 방식이 높은 FICO 점수를 가진 사람들 중에서도 실제로는 대출 부도가 높은 사람들을 식별하고, 반대로 낮은 FICO 점수를 가진 사람들은 부도 위험이 낮다는 것을 보여줍니다.

Source: Upstart

총 주소 가능 시장은 연간 4조 달러에 달하며, 개인, 자동차, 주택 및 소기업 대출에서 비롯됩니다.

금리 상승과 대출 수요 감소로 인해 Upstart는 2023년에 매출 감소와 손실을 겪었으며, 이는 업계 전반의 흐름과 일치합니다.

하지만 이러한 일시적인 대출 규모 감소에도 불구하고, Upstart는 대출 파트너 네트워크를 확장하고 있습니다. 현재 100개의 은행이 참여하고 있으며, 이는 전년 대비 71개에서 증가했으며, 2020년 IPO 당시 10개에 불과했습니다. 또한 딜러십은 2023년 초 39개에서 61개로 늘었습니다.

Upstart 투자자는 네트워크 확장이 미국 대출 시장에서 대규모 대출 기관이 될 잠재력과 기술 가치를 명확히 보여주는 신호라고 볼 수 있습니다.

AI 계산의 지속적인 진전은 매우 경쟁이 치열한 대출 등급 시장에서도 Upstart에 경쟁 우위를 제공할 수 있습니다.