AI 과학자가 연구의 미래가 될 수 있을까?

Sakana AI Labs는 최신 발표로 과학계에 충격을 주었습니다. 이 회사는 세계 최초의 완전 자율 AI 과학자를 만들고 출시하는 데 성공했습니다. 새로운 알고리즘은 이론을 구성하고, 테스트하는 등 다양한 작업을 수행할 수 있습니다. 여기에서 알아야 할 사항을 정리했습니다.

AI 시스템이 현장에서 근로자를 대체한다는 생각을 하면 위험에 처할 수 있는 직업이 많이 떠오릅니다. 하지만 대부분의 사람들은 과학자가 대체될 것이라고는 예상하지 못했습니다. Sakana가 제시한 최신 AI 과학자 알고리즘은 아직 과학자를 완전히 대체할 수는 없지만, 독특한 특성을 제공하여 많은 전문가들이 그 개발을 면밀히 주시하게 만들 수 있습니다.

과학 이론을 만드는 현재 방법

과학 이론을 만들고 이를 검증하는 것은 연구·개발의 핵심 요소 중 하나입니다. 오늘날 과학자는 질문을 연구하고 개념을 실험을 통해 검증하기 위해 수년을 투자합니다. 최종적으로 결과가 발표되고, 공개되기 전에 동료 평가를 거칩니다. 이 과정은 한 세기 이상 변하지 않았습니다.

According to Sakan AI Labs’ public statements, its new AI system is capable of fully automating these tasks. The system can sift through current scientific papers, connect theories or concepts that could have undiscovered results, create new algorithms to test these theories and detail all of the experimentation for later peer review. Notably, the team focused on computational research as their primary area of focus because it enabled the experimentation to be conducted virtually.

과학자들의 AI 활용

AI가 과학 커뮤니티에 편안히 자리 잡은 것은 비밀이 아닙니다. 이 기술은 오늘날 연구자들이 사용하는 다양한 시스템에 통합되어 있습니다. 원래 AI 시스템은 복잡한 방정식과 시뮬레이션을 수행하는 데 사용되었습니다. 현재 AI는 산업 전반에 걸쳐 활용되며, 더욱 중요한 역할을 담당하고 있습니다.

One key use of AI today is sorting through all the current papers to find relevant research. Hundreds of research papers are released weekly, and the sheer volume of these releases means that the majority of game-changing research can take years to discover. Tools like Elicit, Research Rabbit, Scite, and Consensus help scientists connect these papers in a relevant manner to build on previous data.

There are also AI tools in use today that can scan and identify specific points of interest within papers. For example, you may have a team of engineers seeking to uncover genetic mutations that cause disease. Tools like PubTator can gather similar themes to help shed light on connected research topics and experimentations.

AI 과학자 연구

이전의 AI와의 상호작용은 과학 공동체가 시야를 넓히는 데 도움을 주었으며 최신 돌파구에 중요한 역할을 했습니다. 그러나 연구와 논문 출판이 가능한 완전 자동화 알고리즘의 도입은 큰 변화를 의미합니다. 이 시스템은 연구 간의 유사점 및 눈에 띄기 어려운 연결 요인을 밝혀내어 계산 연구 분야에서 돌파구를 만들 가능성이 있습니다.

AI 과학자는 어떻게 작동하나요?

AI 과학자는 접근 방식의 일환으로 대형 언어 모델(LLM)과 같은 일반적인 AI 시스템을 통합합니다. 시스템은 arXiv와 PubMed와 같은 온라인 저장소에 있는 방대한 과학 연구 논문을 지속적으로 스캔합니다. 여기서 수백만 편의 과학 논문을 사용해 새로운 AI 알고리즘을 위한 LLM을 학습시켰습니다. 이 단계는 시스템이 과학적 언어를 구사하고 유사한 결과를 생성할 수 있도록 보장했습니다.

Source – Sakana AI Labs

그 후 시스템은 패턴, 반복되는 연구 또는 연결된 주제를 찾아냅니다. 각 논문은 품질, 동료 검토 여부, 발표 시기 및 주제를 확인하기 위해 여러 차례 검증을 거칩니다. 특히 시스템은 openreview.net과 같은 사이트를 활용해 과학 논문을 교차 검증하기도 합니다. 이 단계는 품질 콘텐츠를 보장하는 등 여러 역할을 수행합니다. 또한 이 과정은 AI 내부의 동료 검토 시스템을 프로그래밍하는 데 도움이 됩니다.

보조 AI 모델

AI가 저장소를 스캔해 흥미로운 실험 및 테스트할 이론을 찾으면, 각 논문은 여러 요소를 기준으로 점수가 매겨집니다. 점수는 논문의 다른 프로젝트와의 유사성, 전문성, 레이아웃, 결과, 연구자 등을 반영합니다. 이후 AI 시스템은 개념의 독창성과 기타 중요한 요소를 검토하여 추가 연구가 필요한지, 혹은 유사한 이론과 연결되는 다른 논문이 있는지를 판단합니다.

과학 이론 공식화

이러한 단계들을 통해 AI 과학자는 연구를 수집하고 수집된 데이터를 기반으로 연결된 개념을 제시할 수 있습니다. 이 과정의 놀라운 점은 완전 자동화되었다는 것입니다. 이 알고리즘이 연구 논문을 생산하는 데 인간의 개입이 필요하지 않습니다. 특히 AI는 계산 연구에 집중하여 물리적 실험 없이도 실험 시뮬레이션을 실행할 수 있어 능력을 확장합니다. 따라서 모든 테스트는 코드 시뮬레이션으로 수행됩니다. 이 방식은 테스트 비용을 크게 낮추고 더 높은 속도로 수행할 수 있게 합니다.

AI 과학자에 대한 우려

AI 과학자라는 개념은 업계에서 우려를 불러일으켰습니다. 첫째, 일부는 이 접근 방식을 과학자를 대체하려는 안일한 방법으로 보고 있습니다. 그들은 시스템이 아직 너무 새롭고 AI가 충분히 일관되지 못하다고 주장합니다. 이러한 주장은 AI 부정확성이 반복적으로 발생한 사례가 있기 때문에 어느 정도 근거가 있습니다. 그러나 최신 알고리즘은 다수의 검증 및 균형 장치를 포함하고 있어 이러한 문제를 감소시킬 것으로 기대됩니다.

AI 피드백 루프

커뮤니티에서 계속 제기되는 가장 큰 우려 중 하나는 AI 피드백 루프가 생성될 위험입니다. AI 시스템이 다른 AI 시스템으로부터 자동으로 새로운 데이터 모델을 생성·검증·구축할 때 이 위험은 매우 현실적입니다. 이러한 루프는 오류, 편향된 시각, 인간 요구사항 무시를 초래할 수 있습니다. 이를 방지하기 위해 많은 사람들은 인간이 루프에 참여해야 한다고 믿습니다.

엄청난 양

매주 발표되는 과학 논문의 양이 방대하여 저장소를 정리해 가장 관련성 높은 데이터를 찾는 것이 거의 불가능에 가깝습니다. 현재 AI는 과학자들이 이 작업을 수행하도록 중요한 역할을 하고 있습니다. 그러나 AI 피드백 루프가 생성되면 논문이 너무 빠르게 과다하게 도입되어 기존 AI 검색 시스템이 무력화될 위험이 있습니다.

AI 과학자의 장점

다양한 장점으로 인해 시장에서는 AI 과학자가 24시간 내내 발견을 탐색하는 전망에 큰 기대를 가지고 있습니다. 이 시스템이 새로운 과학 이론을 열어줄 가능성은 무한합니다. AI 모델에 연구가 추가될수록 시스템은 새로운 개념을 실험하고 능력을 확장합니다. 따라서 오늘날의 AI 과학자는 미래 버전과 비교할 수 없을 정도로 제한적일 것입니다.

엄청난 비용 절감

AI 과학자가 앞으로 시장의 핵심 요소가 될 주요 이유 중 하나는 큰 비용 절감 효과입니다. 연구팀에 따르면, 이 AI는 과학 논문을 작성·테스트·출판·동료 검토까지 단 $15에 수행할 수 있습니다. 이 낮은 비용은 연구·개발 비용을 크게 감소시켜 부인할 수 없습니다. 따라서 AI 과학자는 예산을 최대화하려는 이들에게 최적의 선택이 될 수 있습니다.

큰 그림

이 프로젝트가 많은 엔지니어들을 흥분시키는 주요 이유 중 하나는 연구자들이 여러 과학 연구 간의 연관성을 쉽게 연결할 수 있게 해주기 때문입니다. 과학 분야가 독립된 거품처럼 발전하는 것처럼 보일 수 있지만, 실제로는 그렇지 않습니다. 대부분의 경우, 한 분야의 돌파구가 다른 분야에 새로운 기회를 제공합니다.

AI 과학자는 이러한 연결된 이론을 발견하고 가능할 때마다 확장하는 데 도움을 줄 것입니다. 따라서 AI 과학자가 논문을 쌓아 인간의 눈에 띄지 않았던 완전히 새로운 다양하고 풍부한 개념을 만들 수 있습니다. 최소한 이 시스템은 관련 연구를 한데 모아 오늘날 과학자들이 새로운 현상을 발견하도록 도울 것입니다.

연구자들

Sakana AI는 AI 과학자를 만든 팀입니다. 이 회사는 AI 과학 모델로 알려져 있습니다. 과거 개발에는 LLM을 자동으로 결합해 보다 고급 시스템을 만드는 시스템이 포함됩니다. 또한 LLM을 활용해 다른 알고리즘을 조정하는 메커니즘도 제시했습니다.

AI 과학자로 혜택을 받을 수 있는 두 기업

AI 과학자를 시장에 도입하는 것은 언젠가 큰 AI 과학자 혁신으로 이어질 수 있는 시작에 불과합니다. 이미 이 기술을 활용해 운영 비용을 낮추고 시장에 더 높은 품질의 서비스를 제공할 수 있는 기업들이 있습니다. 다음은 이 연구를 활용할 준비가 된 두 기업입니다.

1. AbCellera Biologics Inc

ABCL 가격 차트

AbCellera Biologics Inc. 는 2012년에 시장에 진입했으며, 인간 항체를 보다 잘 모델링해 질병 퇴치에 활용하려는 목표를 가지고 있었습니다. 이 회사는 2020년에 공식 상장했으며, 5억 5,500만 달러의 자금을 확보해 사업을 확대했습니다. 현재 이 기업은 면역 체계 연구 및 모델링에서 중요한 역할을 수행하고 있습니다. 특히 이러한 모델링의 대부분이 시뮬레이션을 통해 이루어집니다. 따라서 AI 과학자는 이러한 테스트를 지원하는 데 최적입니다.

AbCellera는 바이오메디컬 분야에서 눈에 띄는 위치를 차지하고 있습니다. 따라서 AI 과학자를 통합하면 회사가 이전 연구에서 얻은 면역 항체 데이터를 보다 잘 찾고, 테스트하고, 비교할 수 있게 됩니다. 이 단계는 이전에 눈에 띄지 않았던 기회를 밝혀줄 수 있습니다. 이러한 요인과 AbCellera Biologics의 위치가 결합되어 트레이더들에게 강력한 보류 등급을 부여합니다.

2. Super Micro Computer

SMCI 가격 차트

Super Micro Computer (SMCI ) 는 1993년에 Charles Liang과 Sara Liu에 의해 설립되었으며, AI 과학자를 프로세스에 통합함으로써 긍정적인 결과를 기대할 수 있습니다. 이 회사는 AI 워크로드에 최적화된 고성능 서버로 가장 잘 알려져 있습니다. 현재 캘리포니아에 본사를 두고 있으며 네덜란드, 대만, 미국에 다수의 제조 시설을 운영하고 있습니다.

Super Micro Computer는 최고의 서비스 관리 시스템 제공업체 중 하나입니다. AI를 활용해 해킹을 방지하고 시스템을 모니터링하며 성능을 향상시켜 신뢰할 수 있고 검증된 공급자를 찾는 대기업들에게 선호되는 기업이 되었습니다. 특히 Super Micro Computer는 Fortune Magazine이 선정한 세계에서 가장 빠르게 성장하는 IT 인프라 기업에 등재되었습니다.

포트폴리오에 신뢰할 수 있는 AI 기반 소프트웨어 솔루션을 추가하려는 기업은 SMCI를 강력히 고려할 수 있습니다. 이 회사는 강력한 시장 존재감을 가지고 있으며 최근 Elon Musk의 xAI와 텍사스로 이전한 Tesla (TSLA ) 의 Gigafactory에 서버를 제공하는 계약을 체결했습니다. 이러한 요인들 덕분에 SMCI는 분석가들로부터 매수 등급을 받았습니다.

AI 과학자가 저비용 연구를 열다

AI 과학자가 만화책처럼 연구 논문을 연속적으로 생산한다는 의견에 관계없이, 이 알고리즘을 게임 체인저로 만드는 많은 장점이 있습니다. 이 접근 방식의 엄청난 비용 절감과 미래 가능성은 시장에서 매일 새로운 발견이 이루어지고 오늘날 과학자들이 잠자는 동안에도 밝은 미래를 기대하게 합니다. 현재로서는 이 개발을 면밀히 주시할 가치가 있으며, 앞으로 흥미로운 연구가 발표될 것으로 기대됩니다.

흥미로운 AI 프로젝트에 대해 더 알아보려면 여기를 클릭하세요.