구글, 실험실 AI 연구 공개…로봇 상태 검증과 분자 설계는 아직 별도 단계

코드가 맞아도 실험은 실패할 수 있다

일반적인 코드 실행과 실험실 자동화 사이에는 물리적 상태라는 차이가 있다. 로봇이 접근할 공간이나 남은 액체의 양이 다르면 같은 명령도 다른 결과를 낸다. 구글은 이 간격을 줄이기 위해 AI의 판단과 장비 사이에서 실험실 상태를 표현하고 검증하는 계층을 소개했다.

10월 16일자 VERID 논문은 작업 공간을 지속적으로 유지되는 디지털 트윈으로 표현한다. 장비와 용기, 재료의 상태를 추적하고 명령을 실제 장비로 보내기 전에 모의 실행으로 확인하는 구조다. 기록을 남기는 기능도 포함돼 있어, 결과가 나왔을 때 AI의 설명만이 아니라 무엇을 실제로 실행했는지 되짚을 수 있다.

논문이 제시한 기반 검증은 수용성 염료와 물을 이용한 세 가지 사례다. 실행 도중 장비 문제가 생긴 뒤 기존 상태를 보존한 채 작업을 복구하거나, 겉으로 비슷한 반복 실험에서 발생하는 물리적 편향을 찾아내는 문제를 다룬다. 이러한 결과는 실행 기반의 가능성을 보여주지만 복잡한 모든 생물학 실험에서 같은 신뢰성을 확보했다는 증거는 아니다.

분자 설계 연구와 로봇 기반을 구분

구글의 종합 발표에는 실험 결과를 받아 후보 분자의 설계를 바꾸는 연구도 포함돼 있다. 계산으로 그럴듯해 보이는 후보라도 실제 측정에서 다른 결과가 나오면 다음 탐색 방향을 바꾼다는 접근이다. 이는 실험실을 단순한 최종 확인 단계로 두는 방식과 달리 측정 결과를 반복 판단의 일부로 사용한다.

별도로 연결된 10월 14일자 단백질 설계 논문은 15개 표적과 3,666개 설계를 분석했다. 연구진은 관심 부위에 집중해 계산 부담을 줄이는 방법을 평가하고, 일정한 계산 예산에서 사람이 전략을 정하고 에이전트가 탐색을 돕는 방식도 비교했다. 계산상 후보 적중률은 5.06%에서 9.33%로 높아졌다는 자체 결과를 제시한다. 이 비율은 실험실이나 환자에서의 치료 성공률이 아니다.

해당 논문은 암과 관련된 FAP 단백질을 겨냥한 설계에서 실험실 결합 결과도 보고했다. 그러나 특정 표적에 결합한다는 사실은 약물로 사용했을 때의 안전성, 체내 전달, 치료 효과와 다른 질문이다. 이번 발표에는 이런 단계를 통과한 신약이 나왔다는 내용이 없다. 생물학 연구의 계산 성과와 임상 성과를 구분해야 하는 이유다.

아직 합쳐야 할 연구 구성 요소

구글은 다음 단계로 상태를 추적하는 자동화 기반과 반복적인 분자 발견 과정을 연결하겠다고 설명한다. 따라서 소개된 로봇 프레임워크와 분자 설계 성과를 하나의 완성된 자동 시스템이 모두 수행한 것으로 읽어서는 안 된다. 이번 소식의 중심은 16일 공개한 기반 연구와 여러 프로젝트를 잇는 방향이며, 연결 논문 중 일부는 그보다 앞선 날짜의 자료다.

안전성 설명에서도 사람의 역할은 유지된다. 구글은 설계된 후보와 실험 절차를 사람이 확인하고 로봇 실행을 감독한다고 밝혔다. 모의 실행과 로그는 이런 감독을 더 구체적으로 수행하도록 돕는 장치다. AI가 자신 있게 계획을 제시하는 것과 실제 장비에 명령을 보내도록 허용하는 일은 분리돼 있다.

이번 연구가 보여주는 산업적 쟁점은 AI의 추론 능력만 높이는 것으로 물리적 자동화가 완성되지 않는다는 점이다. 실험실의 상태를 표현하고 실패를 기록하며, 측정 결과가 다음 판단을 바꾸도록 연결하는 기반이 함께 필요하다. 생명과학 자동화의 진전을 보여주는 자료지만, 현재 결과는 범위가 정해진 연구와 프로토타입의 성과로 읽어야 한다.