AI 과학의 성패를 가를 것은 모델보다 실험실일 수 있다

AI 모델은 분자 후보와 표적, 생물학적 가설을 기존 실험실이 따라가기 어려운 속도로 제안할 수 있다. MegaRobo의 핵심 주장은 여기서 출발한다. AI 과학과 신약개발의 결정적 제약은 단순히 더 많은 컴퓨팅 자원이나 더 정교한 알고리즘이 아니라, 생성된 가설을 실제 세계에서 검증할 수 있는 실험 인프라라는 것이다. 59

회사가 제시하는 해법은 **‘랩 인 더 루프(lab-in-the-loop)’**다. 장비와 로봇이 신뢰할 수 있는 증거를 만들고, AI가 그 결과를 해석한 뒤, 해석된 결과가 다음 실험의 설계로 자동 연결되는 통합 시스템이다.

진짜 병목은 검증된 생물학 데이터

단백질 구조, 결합 가능성, 효능, 독성 또는 임상 반응에 대한 모델의 예측은 아직 신약개발의 결과가 아니다. 물리적 세계에서 검증해야 할 하나의 가설일 뿐이다.

문제는 생물학적 증거를 표준화하고 연구 단계 간에 연결하기가 쉽지 않다는 데 있다. 단순화한 분석법에서 얻은 결과가 더 복잡한 생체 시스템이나 동물, 환자에게서 그대로 재현된다고 보장할 수 없다. 따라서 가치 있는 데이터셋은 분자 구조만 모아둔 목록이 아니다. 스크리닝, 용량-반응, 효능, 안전성, 약리학, 임상 결과를 실험 조건과 측정값까지 포함해 서로 연결한 기록이어야 한다.

MegaRobo는 이를 데이터와 업무 흐름의 문제로 본다. 실험은 모델이 맥락을 잃지 않고 활용할 수 있도록 신뢰성 있고 구조화된 정보를 만들어야 한다. 수기 입력이나 절차마다 다른 작업 방식이 개입하면 데이터의 연속성과 비교 가능성이 떨어진다. 59

컴퓨팅을 늘려도 물리적 검증 공백은 사라지지 않는다

더 강력한 모델은 기존 실험실이 합성하고 분석할 수 있는 규모를 훨씬 넘어서는 후보 물질을 만들어내거나 우선순위를 매길 수 있다. 하지만 각각의 후보는 여전히 대조군, 재현 가능한 샘플 처리, 교정된 장비, 품질 점검, 추적 가능한 메타데이터를 갖춘 물리적 검증을 거쳐야 한다.

과학자의 판단과 예외 상황에 대한 대응은 여전히 중요하다. 다만 사람이 주도하는 실험은 인력, 일정, 처리량, 작업 편차의 제약을 받는다. 자동화는 이 문제를 새로운 규모로 확장한다. 한 로봇 기반 정량 고속 스크리닝 플랫폼은 3년 동안 120개가 넘는 분석에서 600만 개 이상의 농도-반응 곡선을 생성했다. 33

물론 모든 실험을 자동화할 수 있다는 뜻도, 데이터의 양만 많으면 유용한 지식이 된다는 뜻도 아니다. 이 사례가 보여주는 것은 물리적 실험 계층이 모델 계층만큼 중요해지고 있다는 점이다. AI는 일관되게 실행되고 분석 가능한 형태로 기록된 실험을 통해서만 학습할 수 있다.

MegaRobo의 ‘인식-구상-실행’ 구조

MegaRobo는 시스템을 세 부분으로 설명한다.

• 인식(Perception): 장비, 이미징, 머신비전, 샘플 식별, 센서 시스템이 실험실의 상태와 결과를 관찰하고 기록한다.
• 구상(Conception): AI 모델이나 에이전트가 결과를 해석하고 실험을 선택하며 다음에 무엇을 시도할지 판단한다.
• 실행(Execution): 로봇팔, 액체 처리 장치, 배양기, 분석 시스템, 공정 제어 장치가 선택된 절차를 수행한다.

핵심은 개별 장비가 아니라 이 세 요소의 연결이다. 폐쇄형 실험실에서는 실험 결과가 기계가 읽을 수 있는 형태로 저장되고, 다음 실험을 결정하는 계획 계층에 충분히 빠르게 전달된다. MegaRobo의 쿤펑 연구실은 로봇, 자동화, AI를 결합하는 동시에 AI 과학에 활용할 데이터를 축적하는 시스템으로 소개돼 왔다. 9

최근 공개된 MegaRobo 시설에 대한 설명도 AI 에이전트가 로봇팔, 배양기, 액체 처리 작업대를 조율하고, 물리적 실험 결과를 다음 실험의 의사결정에 반영하는 모습을 그리고 있다. 4

실험실 자동화에서 ‘기계 중심’ 장비로

MegaRobo의 발전 과정은 반복 작업을 자동화하는 단계에서 출발해, 자율적인 기계 운용을 전제로 실험실 전체를 다시 설계하는 방향으로 이어졌다고 볼 수 있다.

1.0단계: 반복 가능한 업무 흐름 자동화

첫 단계는 전통적인 실험실 자동화다. 반복 절차를 표준화하고 자동화해 처리량과 일관성, 데이터 수집을 개선한다. 이는 보다 자율적인 시스템을 구축하기 위한 운영 기반이 된다.

2.0단계: 까다로운 산업 현장에서 신뢰성 입증

두 번째 단계는 인식과 제어, 실행 기술이 높은 수준의 산업 요건을 충족할 수 있음을 입증하는 것이다. MegaRobo는 생명과학과 제조업에 기술을 적용하고 있으며, 산업 현장을 위한 머신비전 및 자동화 시스템도 제공한다고 공개 자료에서 설명한다. 68

자율적인 과학 시스템은 시연 영상에서 작동하는 것만으로 충분하지 않다. 샘플을 정확히 식별하고, 절차를 일관되게 수행하며, 실패를 감지하고, 어떤 일이 일어났는지 신뢰할 수 있는 기록으로 남겨야 한다.

3.0단계: 사람이 아닌 기계를 위한 도구

마지막 단계는 AI 에이전트가 장비를 본래부터 사용할 수 있도록 만드는 것이다. 로봇을 사람이 설계한 장비에 덧붙이는 대신, 기계가 읽을 수 있는 상태 정보를 제공하고 직접 명령을 받으며, 일상적인 예외를 처리하고, 연속적인 실험 루프의 일부로 작동하는 도구를 구축한다는 구상이다. 5

이는 사람이 하던 피펫 작업 하나를 로봇으로 대체하는 수준을 넘어선다. 인터페이스와 프로토콜, 데이터 구조 자체를 자율 운용에 맞춰 다시 설계하는 변화다.

왜 실험실이 ‘실험 컴퓨팅’이 되는가

이 모델에서 실험실은 과학자가 절차를 수행하는 장소에 그치지 않는다. 컴퓨터가 제시한 가설을 증거로 바꾸고, 그 증거를 더 나은 가설로 다시 바꾸는 시스템이다.

따라서 물리적 인프라는 전략적 병목인 동시에 차별화의 원천이 될 수 있다. MegaRobo가 주장하는 강점은 모든 과학 모델을 독점하는 데 있지 않다. 대신 모델이 다음을 수행하도록 연결하는 인터페이스를 통제하는 데 있다.

1. 실험실 상태를 관찰하고;
2. 과학적 목표를 실행 가능한 절차로 바꾸며;
3. 일관되고 검증된 결과를 얻고;
4. 독점적이고 품질 높은 실험 데이터를 축적하는 것.

이 단계들이 긴밀하게 통합될수록 각각의 실험 주기는 더 큰 가치를 만든다. 연결되지 않은 모델은 무엇을 시험할지 제안할 수 있지만, 연결된 시스템은 그 가설을 실제로 시험하고 결과를 해석한 뒤 정보 손실과 지연을 줄인 채 다음 실험을 시작할 수 있다.

AI 신약개발 투자 열풍이 보여주는 것

AI 기반 신약개발을 둘러싼 자금 흐름은 투자자의 관심을 보여주지만, 유망한 후보 물질과 임상적으로 성공한 의약품 사이의 차이를 없애주지는 않는다. Insilico Medicine은 2025년 12월 홍콩 기업공개(IPO)에서 약 2억9,300만 달러를 조달했다. 회사의 상장 자료에는 해당 기준일 현재 어떤 후보 물질도 상용화되지 않았다고 적혀 있었다. 1719

이 조합이 AI 신약개발의 실패를 뜻하는 것은 아니다. 자본 조달과 컴퓨터 기반 설계, 임상 상용화가 긴 개발 과정의 서로 다른 지점에 있다는 의미다. MegaRobo는 이 간극을 근거로 후보 물질을 만들어내는 것만으로는 충분하지 않으며, 신뢰할 수 있는 시험과 임상 전환 검증이 여전히 필수적이라고 주장한다.

자율 실험실의 한계

폐쇄형 실험실의 속도가 빨라져도 중개 의학의 가장 어려운 불확실성이 저절로 사라지는 것은 아니다. 모델이 생물학적으로 타당한지, 동물실험 결과가 사람에게 재현될지, 후보 물질이 임상시험에서 성공할지는 자동화만으로 보장할 수 없다.

자율 시스템 자체에도 견고한 안전장치, 이상 상황 처리, 감사 추적 기록, 인간의 감독이 필요하다. 사람이 장비 옆에 서 있지 않아도 프로토콜을 실행할 수 있다고 해서 과학 연구실이 완전한 자율성을 갖는 것은 아니다. 더 높은 수준의 자율성은 시스템이 과학적 순환을 수행하고 정상적인 결과를 해석하며, 이상 징후가 나타날 때만 사람에게 넘기는 능력을 요구한다. 1

따라서 MegaRobo의 주장은 자동으로 신약 승인을 얻을 수 있다는 약속이 아니라 **가능하게 하는 인프라(enabling infrastructure)**에 대한 주장으로 읽는 것이 정확하다. AI가 만든 가설이 실험적 검증보다 계속 빠르게 늘어난다면, 재현 가능하고 서로 연결되며 기계가 읽을 수 있는 증거를 생산하는 조직이 어떤 모델을 실제 과학적 성과로 전환할지 결정할 수 있다.

결론: 모델과 현실 사이의 계층을 선점하라

MegaRobo의 논지는 AI 과학의 다음 경쟁 무대가 모델과 물리적 세계 사이에 놓일 것이라는 데 있다. 컴퓨팅은 탐색 공간을 넓히고 알고리즘은 우선순위 설정을 개선할 수 있지만, 가설이 맞는지 확인하는 실험을 대신할 수는 없다.

회사가 제안하는 ‘랩 인 더 루프’는 인식, AI 기반 구상, 로봇 실행, 지속적인 데이터 수집을 하나의 피드백 시스템으로 묶는 방식이다. 이 인프라가 충분한 규모와 신뢰성으로 작동한다면 실험실은 일종의 ‘실험 컴퓨팅’이 된다. 그리고 어떤 가설을 만들어내는 모델을 통제하는 것만큼, 그 가설이 현실에서 검증되는 계층을 통제하는 일이 중요해질 수 있다.