요약
오픈AI가 GPT-Rosalind 에이전트 수천 개를 나눠 돌려 쥐 뇌세포 데이터를 32분 만에 해석했습니다.
오픈AI가 퍼터브AI, 스크립스 연구소와 함께 한 연구입니다. 요즘 실험 데이터는 과학자가 다 들여다볼 수 없을 만큼 많습니다. 그래서 쥐 뇌세포 수백만 개에서 유전자를 하나씩 망가뜨린 효과를 모은 CRISPR 아틀라스를 에이전트들이 나눠 해석하고 문헌과 이었습니다.
왜 중요한가
- 연구자가 시간에 쫓겨 지나치던 약하거나 뜻밖의 신호까지 기존 문헌과 이어 볼 수 있게 됩니다.
- 연구팀이 몇 달에서 1년으로 추산한 해석 작업이 30분대로 줄어, 다음 실험을 고르는 일이 빨라집니다.
- 같은 모델이라도 일을 잘게 나눠 맡기면 결과가 더 좋아진다는 점을 비교 실험으로 보였습니다.
핵심 내용
- 에이전트마다 유전자 교란 하나를 맡아 세포 반응을 분석하고 문헌을 찾아 설명을 제안했습니다.
- 에이전트 하나에 전부 맡기면 인용이 11건에 그쳤고, 나눠 맡기면 700건을 넘었습니다.
- 블라인드 비교에서 전문가들은 75%의 경우 나눠 맡긴 쪽의 보고서를 골랐습니다.
- 페리 증후군(파킨슨병과 비슷한 신경 퇴행 질환) 원인 유전자 DCTN1과 콜레스테롤 대사를 잇는 가설을 내놓았습니다.
- 결과는 유전자, 세포 반응, 논문, 가능한 기전을 잇는 '추론 아틀라스'로 묶어 공개했습니다.
HN 반응
- 여러 이용자는 콜레스테롤 가설이 박사과정 학생도 문헌 조사 중에 떠올릴 수준이라며, 수학 분야 성과에 비해 약하다고 봤습니다.
- 신약 개발의 병목은 단서가 아니라 임상 검증이라는 주장에, 알츠하이머처럼 원인 가설부터 부족한 질병도 많다는 반론이 나왔습니다.
이미 희귀 질환과 관련이 알려진 유전자 돌연변이에, 작용 기전에 대한 막연한 가설로 끝맺었다는 게 놀랍습니다. DCTN1이 하는 수많은 일 가운데에는 자가포식소체(autophagosome)를 리소좀 쪽으로 보내 노폐물을 분해하게 하는 것도 있습니다. 음, 노폐물 분해가 어긋나면... 불필요한 단백질과 노폐물이 세포 안에 쌓이고... 그렇죠, 이것도 신경퇴행을 일으킬 법해 보입니다! 요점은 가능한 설명이 수십 가지, 어쩌면 수백 가지라는 것입니다. 여기서 콜레스테롤이 특별히 설득력이 있을까요? 딱히 그렇지 않습니다. 박사과정 학생들은 이 정도 가설을 매시간 내놓습니다. 가설은 싸게 나옵니다. 더 잘할 수 있고 앞으로 그럴 것이라고 믿지만, 지금으로서는... 10년 안에 모든 질병을 정복하겠다고 하기에는 준비가 부족한 것 같습니다.
보도자료의 마지막 부분은 틀림없이 AI가 쓴 글입니다. "Finding the next experiment worth doing"로 시작해서 끝까지 이어지는 부분 말입니다.
콜레스테롤이 쌓이면 이동성이 떨어진다는 것도 이미 알려져 있습니다.
'콜레스테롤이 가득 찬 후기 엔도시토시스 소포는 동적 특성을 잃고 사실상 움직이지 못하게 된다'
https://link.springer.com/article/10.1093/emboj/21.6.1289
또 바이러스에서 콜레스테롤을 차단하면, 콜레스테롤이 가득 찬 리소좀이 DCTN1을 끌어들인다는 것도 알려져 있습니다.
https://www.nature.com/articles/s41467-024-50711-4
하지만 DCTN1 발현 저하와 직접 연결되는 내용은 찾지 못했습니다. 말씀하신 대로 문헌 조사하다가 박사과정 학생이 떠올릴 법한 가설입니다.
AI 연구소들이 지금 업계에서 눈덩이처럼 불어나는 것으로 보이는 열기 식음을 막으려고 필사적인 것 같습니다. 앞으로 몇 달이 이들의 생존과 미래에 결정적일 겁니다.
이번 보도자료가 어설퍼 보이는 것도 놀랍지 않습니다.
AI가 수학의 상당 부분을 하룻밤에 거의 "해결"하고, 수십 년 묵은 PHP 취약점을 찾아내 말 그대로 인터넷을 망가뜨렸는데도 아직 이게 식어 가는 거품이라고 생각하세요?
제가 보기엔 ChatGPT가 나온 뒤로 "주목할 만한 일"의 기준선이 얼마나 옮겨 갔는지를 보여줄 뿐입니다. 저는 지난 몇 년 동안, 그 전 30년보다 더 파괴적인 사건을 많이 봤어요.
뭘 해야 다시 흥분하시겠어요? AI가 외계인이 존재한다는 걸 밝혀내기라도 해야 합니까?
AI가 수학의 상당 부분을 해결한 건 아닙니다. 결과가 흥미롭지 않다거나 대단하지 않다는 말은 아니에요. 특정 외력이 있을 때 나비에-스토크스 방정식이 폭주함을 증명한 것은 중요합니다. 다만 하나의 단계일 뿐이고, 데이터가 무엇을 나타내는지에 대한 통찰 없이 데이터에서 패턴을 찾아낸 것과 비슷합니다. 유체역학 모델이 왜, 어디서 틀리는지 이해하는 쪽이 더 흥미로운데, 이번 일로 그게 가능해진다면 훌륭한 일이죠.
AI가 내놓은 증명은 전부 흥미롭지만, 거의 거기까지 도달했던 수학자들의 연구에 기반한 것으로 보입니다. 아직 통찰의 큰 도약은 없었습니다. 거듭 말하지만 나쁘다는 게 아니라, 인간의 가늠을 넘어서는 지능을 보여 준 것도 아니라는 말입니다. 또 문제 하나당 추론 비용이 1,500만 달러 안팎이었다고 읽었는데, 그만한 자원이 있었다면 수학자 군단이 달려들어서도 도달했을지 모릅니다.
바로 그게 핵심 아닌가요? 수학에서 그렇게 강력한 결과를 냈으면서 왜 여기서는 이렇게 빈약한 결과를 내놓느냐는 겁니다.
현실적으로 문제를 풀려는 시도가 아니라 과대 포장이었다는 설명이 충분히 말이 됩니다. 컴퓨터 과학과 수학 밖의 분야, 그러니까 하려는 일의 논리가 구문과 일대일로 대응하지 않는 모든 분야(LLM이 확실히 두각을 나타내는 곳은 그쪽이니까요)에는 맞지 않더라도, 뭐든 해결하는 기계라는 인상을 주고 싶은 거죠.
누가 AI가 생물학 연구 첫 시도에서 갑자기, 단서를 실제로 검증하는 과정 없이 답을 낼 수 있을 거라고 생각했습니까? AI가 암 치료법을 가설로나마 알아냈다고 해도, 그걸 실제로 쓰려면 암에 걸린 사람과 생물학 실험실, 정부 승인이 필요합니다.
생물학은 특성상 피드백 루프가 훨씬 길고 비싸서, AI도 서재에 틀어박혀 밤새 연구하는 식이 아니라 "보통의" 협업 과학 과정을 따라야 합니다.
그럼 왜 이쪽 분야용 시뮬레이터는 못 만드는 건데요? 다루는 모든 것에 대한 텍스트와 수식 설명을 갖고 있잖아요. 수학을 몇 시간 만에 다 풀 수 있다면 하루도 안 걸릴 일 같은데요?
그런 시뮬레이터를 돌릴 때 생기는 연산 병목도 해결할 수 있어야 하는 거 아닌가요? 앤트로픽이 이미 이게 특이점이라고 말해 줬잖아요.
AI 낙관론자들은 마음을 정해야 합니다. 이게 특이점이고 인간의 사고를 쓸모없게 만들었다고 주장하려면, 스스로 세운 기준으로 평가받을 각오를 해야 합니다.
정말 멋진 기업용 보안 자동화 소프트웨어를 만들었다는 정도의 주장이라면, 네, 아주 강력한 퍼저라는 점에는 감탄합니다.
이봐요, 어떤 사람은 JIT와 호스트 GL까지 지원하는 Irix 에뮬레이터를 뚝딱 짜서 MIT 라이선스로 내놨다고요.
정말요? 이런 "돌파구"는 전부 수학 학술지가 아니라 AI 매체에 실리던데, 의아하네요. 제가 보기엔 광고 한 무더기 같은데, 제가 뭐라고 단언할 만한 자격은 없습니다.
열기가 식긴 뭐가 식어요? Opus 5.5가 제 일의 대부분을 하고 있는데요.
과대 선전과 실제 기능은 느슨하게만 상관되어 있습니다.
설마 Opus가 맞게 했는지 계속 검증하고 계신 건 아니겠죠?
그렇다면 축하드립니다. 월급은 그대로인데 관리자로 승진하셨네요!
농담은 접어 두고, AI가 제 일의 상당 부분을 하고 있긴 한데 제가 실제로 시간을 쓰는 곳이 바뀌었을 뿐입니다.
투입 시간이 줄어든 건 아니에요.
그건 거품이 아니라 새로운 표준이죠. 더는 신기한 게 아니니까요.
이런 정서는 HN과 Bluesky 댓글에서나 볼 수 있죠. 두 곳 다 기술 발전에 대한 선견지명 있는, 단 한 번도 틀린 적 없는 믿음으로 유명하니까요.
무슨 말씀이세요? 에드 지트론이 이 모든 게 금융공학이고 앤트로픽은 곧 자금이 바닥날 거라고 객관적으로 증명했잖아요.
수학에서는 "필즈상 수준의 결과를 증명했다"더니, 생물학으로 넘어오니 "유망한 단서"로 바뀐 걸 보세요. 그래도 대단하긴 하지만, 응용 분야에서는 순수한 사고만으로는 한계가 있다는 걸 보여줍니다. 오늘 당장 암이 정복되는 일은 없습니다.
그래도 수학은 논리적 추론의 연쇄일 뿐 무언가와 맞서 싸우는 게 아니지만, 암 치료는 오류와 엔트로피에 맞서는 싸움이라는 점은 생각해야 합니다.
수학의 논리적인 부분은 AI가 아니라 lean이 검증하고 확인하고 판정합니다. 그래서 생물학 같은 분야에서는, 다른 데서는 효과적이었던 이런 AI 주도 무차별 대입 방식으로 같은 성과를 내기가 어렵습니다.
저는 수학자인데, 박사 학위를 가진 사람 중에서는 제가 만나 본 누구보다 투사입니다. 저한테는 늘 싸움이었어요. 제 머릿속의 오류와 엔트로피에 맞서는 싸움이요. 암과 싸우는 것과 똑같진 않지만, 전술만 다를 뿐이라고 생각합니다.
동감입니다. 제 우상 폴 핼모스의 말을 인용하겠습니다.
"그냥 읽지 말고 맞서 싸우십시오! 스스로 질문을 던지고, 스스로 예를 찾고, 스스로 증명을 발견하십시오. 가정은 필요한가? 역은 참인가? 고전적인 특수한 경우에는 어떻게 되는가? 퇴화된 경우는 어떤가? 증명은 어디에서 가정을 쓰는가?"
정말 싸움입니다! 저는 천사와 씨름하는 야곱이 된 기분이에요.
암 정복이요? 우리가 할 수 있는 건 수조 달러를 먼저 내면 언젠가, 정해지지 않은 날짜에 암이 정복될 거라고 약속하는 것뿐입니다. 그동안은 딥페이크나 즐기시죠.
문제는 한 번도 단서를 만드는 일이 아니었습니다. 병목은 검증된 결과, 즉 효능을 입증하는 임상시험을 수행하는 일입니다. 그리고 AI가 가장 큰 영향을 미칠 곳도 여기라고 생각합니다. 과학자가 연구의 복잡성과 규제 부담을 헤쳐 나가도록 돕는 일 말입니다.
연구 모델(인실리코, 쥐 등)이 실제 인간을 얼마나 충실히 반영하는지를 높일 수 있다면 잘못된 단서가 줄어듭니다.
약물 설계가 어려운 건 분자와 단백질의 상호작용 문제가 아니라 시스템 문제이기 때문입니다.
한때 단서를 만드는 표준 방식은 조합 화학으로 수백만 개 화합물을 실험으로 선별하는 것이었습니다.
지금도 얼마나 널리 쓰이는지는 모르겠습니다. 시약이 많이 들었거든요. 게다가 진짜 병목에 부딪혔습니다. 단서를 만드는 것만으로는 실제 인간에서 약물이나 생물학적 제제의 효능, 독성, 부작용에 대해 알 수 있는 게 거의, 혹은 전혀 없다는 점입니다.
실리콘 속에서 하는 방식이 단서 생성에서 조합 화학보다 나을 일은 없을 겁니다. 진짜 병목에는 도움이 될 수 있겠죠. 하지만... 이 분야에는 양질의 학습 데이터가 많지 않습니다.
약물 설계에 ML을 밀어붙인 건 적어도 2010년대 초부터입니다. 접근법도 ML의 유행에 따라 바뀌어 왔고요. 전반적으로 결과는 엇갈렸다고 봅니다. 전통적인 제약 파이프라인이 그랬던 것처럼요.
그게 표준이었던 적은 없다고 생각합니다. 그런 접근법을 쓴 회사가 몇몇 있긴 했지만, 대체로 품질이 낮은 무차별 대입 방식으로 여겨졌습니다(적어도 제가 몸담았던 몇 군데 회사에서는요).
사실이 아닙니다. 많은 질병에서 근본 인과 기전에 대한 좋은 가설이 없어서, 의심스러운 몇몇 표적(예컨대 아밀로이드와 알츠하이머)에 수십 년간 수십억 달러가 쏟아부어졌습니다. 많은 암처럼 "실행 가능한" 표적이 없는 질병에서는 똑같은 표적을 쫓으면서 접근법만 미세하게 다른 미투(me-too) 기업이 수백 곳 생깁니다(비효율적인 자본 배분이죠).
그러니 AI는 항체나 약물 최적화 같은 공학적 용도보다 훨씬 더 크게 발견 단계에 도움이 될 수 있습니다.
진짜 문제는 가설에 다트를 던지는 것보다 긍정적인 결과가 나올 가능성이 높은 단서를 만드는 것입니다.
최상위 과학자들이 잘하는 게 바로 그 일이죠.