01핵심 개요
| 항목 | 내용 |
|---|---|
| 출연 | 구글 딥마인드 부사장 (AI for Science 총괄) |
| 큰 질문 | AlphaFold가 "문제 하나"를 풀었다면, Gemini for Science는 "문제 푸는 방식 자체"를 바꾸는가 |
| 핵심 도구 | co-scientist(공동연구자 에이전트), AlphaEvolve, 문헌 인사이트, Science Skills, Antigravity |
| 비유 축 | AlphaGo의 "수 37" = 인간이 못 본 새 지식 발견 → 과학 에이전트로 계승 |
| 결론 | AI는 과학자를 대체하지 않음. "무엇(What)"은 인간이, "어떻게(How)"는 AI가 가속 |
02핵심 내용 구조
연구 과정을 What(무엇을 풀까) 과 How(어떻게 풀까) 로 나누면, AI가 폭발적으로 가속하는 곳은 How다. 부사장은 네 단계 도구를 제시한다.
03기술적 맥락 — co-scientist는 "에이전트 공동체"
co-scientist는 단일 비서가 아니라 역할이 다른 서브 에이전트들의 협업체다.
- 문헌 읽기 에이전트 — 문제의 잠재 해법을 문헌에서 추출
- 리뷰어 에이전트 — 나온 아이디어를 비판적으로 검증
- 데이터 분석 에이전트 — 아이디어를 뒷받침할 근거 데이터 추출
- 토너먼트 에이전트 — 진화론에서 영감, 아이디어끼리 상대 우열을 겨뤄 최고만 남겨 정제
이 집단적 과정이 곧 AlphaGo "수 37"의 재현 ▶ — 바둑 수가 아니라 아이디어 공간을 탐색해 인간이 못 본 결과를 발굴한다.
04전략적 의미
AI 도구가 "추론·계산 능력을 민주화" ▶했다는 표현이 핵심이다. 코딩에서 프로그래머가 "고수준 명세"만 주면 Gemini 기반 Antigravity가 코드를 채워주듯, 과학자도 "이 문제를 풀고 싶다"는 명세만 주면 데이터 추출·분석·구조 예측이 자동 실행된다. 즉 전문 코딩/분석 역량이 없던 과학자도 계산 과학을 수행할 수 있게 된다.
05핵심 워크플로우 — "What ↔ How" 분업
| 단계 | 담당 | 내용 |
|---|---|---|
| What (문제 정의) | 인간 과학자 | 사회·과학 지식에 근거해 "풀 가치 있는 문제"와 핵심 속성 명세 |
| How (해법 탐색) | AI 에이전트 | 문헌 탐색·아이디어 결합·근거 검증·설계를 대규모·고속 수행 |
예시: "병원체에 강한 벼 품종 개발" — 맛·영양·현지 재배 적합성 등 요구 속성 정의는 인간, 그 속성을 만족하는 해법 탐색은 AI.
06활용 시나리오
07현황 및 전망
인간 과학자 역할은 오히려 더 중요해진다 ▶. "무엇이 사회에 중요한 문제인가, 어떻게 정밀하게 정의할 것인가"는 여전히 인간 몫이기 때문이다. 부사장이 가장 보고 싶은 것은 신경퇴행성 질환 치료와 청정에너지(핵융합·초전도) 돌파. 진행자 정리: "AI는 과학자를 대체하지 않고, 더 나은 질문을 던지고 더 많은 가능성을 탐색하며 아이디어를 빠르게 검증하도록 돕는다."
08용어 사전
| 용어 | 한줄 설명 | 비유/예시 |
|---|---|---|
| co-scientist | 역할이 다른 AI 에이전트들이 협업해 가설을 만드는 시스템 | 읽기·비판·분석·심사 담당이 모인 연구팀 |
| AlphaGo 수 37 | 인간 직관을 넘어선 바둑 한 수, 새 지식 발견의 상징 | 정석에 없던 묘수를 AI가 둔 순간 |
| AlphaFold | 단백질 3차원 구조를 예측하는 AI | 실험 없이 단백질 설계도를 미리 그려주는 도구 |
| AlphaEvolve | 진화 방식으로 해법·설계를 탐색하는 AI | 후보를 계속 돌연변이·선별해 최적안을 찾는 토너먼트 |
| Science Skills | 과학 작업에 특화된 도구 모음(구조 예측·데이터 추출 등) | 워크벤치에 꽂아 쓰는 전문 공구 세트 |
| Antigravity | Gemini 기반 개발/연구 워크벤치 플랫폼 | 코드와 분석을 한 작업대에서 처리하는 공용 책상 |