Discovery Loop의 기술 구성과 공개 범위

실험의 제안, 실행, 평가, 학습으로 이어지는 전체 과정을 자동화하는 시스템 'Discovery Loop'가 공개됐다. 이 시스템은 프런티어 AI 모델과 대규모 컴퓨팅 인프라를 결합해, 사람이 수동으로 수행하던 반복 실험을 AI가 스스로 수행하도록 설계됐다. 핵심은 수천 개의 실험을 병렬로 처리하는 인프라를 통해 연구의 반복 주기를 단축하고 결과물의 양과 품질을 동시에 높이는 것이다.

칩과 하드웨어 인프라부터 소프트웨어, ML 모델, 최종 제품까지 이어지는 풀스택 구축 경험이 시스템의 기반이 됐다. 개발팀은 TPU(Tensor Processing Unit)와 AlphaChip 같은 하드웨어 가속기부터 TensorFlow, Pathways 같은 소프트웨어 인프라, 그리고 Gemini와 AlphaFold 같은 최첨단 모델을 개발한 이력을 보유하고 있다. 이러한 수직 계열화된 기술 스택은 AI 모델이 제안한 실험을 실제 컴퓨팅 자원에서 즉각 실행하고 그 결과를 다시 모델에 피드백하는 루프의 지연시간을 최소화하는 핵심 경쟁력으로 작용한다.

적용 범위는 측정 가능한 결과가 존재하는 모든 과학·공학 학습 루프로 설정됐다. 우선적으로 머신러닝 연구와 엔지니어링 분야에 도입해 자체 기술 스택을 최적화하는 단계를 거친다. 이후 의약품 개발, 의료정보학, 태양에너지, 깨끗한 물 공급, 사이버 보안 등 미국 국립공학한림원(NAE)이 제시한 'Grand Challenges' 영역으로 확장해 복잡한 과학적 난제를 자동으로 해결하는 것을 목표로 한다.

실험 자동화 파이프라인의 작동 메커니즘

기존의 과학적 발견 과정은 연구자가 가설을 세우고(제안), 이를 구현해 실행한 뒤, 결과를 검토해 접근법을 수정하는 순차적 반복 구조였다. 이 방식은 노동집약적이며 물리적·시간적 제약으로 인해 실험 횟수가 제한적이라는 한계가 있었다. Discovery Loop는 이 순차적 흐름을 AI 기반의 병렬 파이프라인으로 전환한다.

프런티어 AI 모델이 실험의 가설을 제안하면, 대규모 컴퓨팅 인프라가 이를 수천 개 단위로 쪼개어 동시에 실행한다. 실행 결과는 다시 평가 단계로 넘어가 수치화된 데이터로 변환되며, AI 모델은 이 데이터를 학습해 다음 실험의 정밀도를 높인다. 이 과정에서 모델 증류(Distillation), 전문가 혼합(MoE, Mixture-of-Experts) 아키텍처, 사고 사슬(CoT, Chain-of-Thought) 추론, 신경망 아키텍처 탐색(NAS) 등 최신 ML 기법들이 실험 제안의 효율성과 추론의 정확도를 높이는 데 활용된다.

특히 측정 가능한 결과(Measurable Results)의 존재 여부가 루프 작동의 전제 조건이다. AI가 스스로 학습하기 위해서는 실행 결과가 명확한 수치나 지표로 환산되어야 하며, 이를 통해 '보상' 혹은 '오차'를 계산할 수 있어야 한다. 이러한 피드백 루프가 완성되면 AI는 인간 연구자가 인지하지 못한 최적의 파라미터나 새로운 구조를 병렬 탐색을 통해 빠르게 찾아낼 수 있다.

도메인 확장 경로와 실무적 영향

시스템의 확장 방향은 단순한 효율화를 넘어 과학적 발견 도구 자체의 자동화로 향한다. 초기 ML 엔지니어링 최적화 단계에서 검증된 루프는 이후 화학 합성이나 신약 후보 물질 탐색처럼 실험 결과가 명확한 수치로 도출되는 도메인에 우선 적용될 가능성이 크다. 이는 연구자가 가설을 세우는 시간보다 AI가 실험을 수행하고 학습하는 속도가 압도적으로 빠른 환경을 구축하는 것을 의미한다.

실무자가 주목해야 할 지점은 연구의 핵심 역량이 '실험의 직접 수행'에서 '측정 가능한 평가 지표의 설계'로 이동한다는 점이다. AI가 수천 개의 실험을 병렬로 처리할 수 있는 환경에서는 개별 실험의 정밀한 제어보다, AI가 학습할 수 있도록 결과값을 어떻게 수치화하고 피드백 루프에 태울 것인지에 대한 정의가 도입의 성패를 결정하는 기준점이 된다.