가상 바이오텍의 구조와 데이터 처리 체계
37,000개의 전문 AI 에이전트가 CSO(최고과학책임자) 에이전트의 지휘 아래 기업 조직 형태로 배치됐다. 시스템은 타겟 발굴(Target Discovery), 분자 설계(Molecule Design), 임상 시험(Clinical Trials)이라는 세 가지 핵심 부서로 나뉘며, 각 부서 내의 에이전트들은 유전체 데이터 분석이나 단일 세포 데이터 처리 등 세부 전공에 따라 다시 분화된다. 초기 단계에서는 5~8개의 에이전트로 구성된 '가상 실험실(Virtual Lab)' 형태로 시작해 교수와 학생의 역할을 모사했으며, 에이전트가 특정 도메인 전문성을 높이기 위해 지도 미세 조정(SFT)을 수행하는 '에이전트 학교' 구조를 포함했다.
데이터 통합 단계에서는 기존의 MCP(Model Context Protocol) 방식이 가진 한계를 해결하기 위해 '페이퍼클립(Paperclip)'이라는 플랫폼을 도입했다. 기존 데이터베이스나 API는 인간 또는 AI 이전의 알고리즘에 최적화되어 있어, PDF 내의 복잡한 도표를 해석할 때 환각 현상이 발생하거나 인터페이스 효율이 낮다는 제약이 있었다. 페이퍼클립은 비정형 데이터를 디지털화하고 서로 다른 데이터베이스를 AI 네이티브 가상 파일 시스템으로 매핑한다. 이를 통해 에이전트는 복잡한 API 쿼리 대신 표준 파일 시스템 조작만으로 수백만 편의 논문 지식에 접근하며, 기존 방식 대비 시간과 비용을 10배 이상(over an order of magnitude) 절감했다.
다중 에이전트 협업 메커니즘과 검증 결과
단일 모델에 모든 연산 자원을 집중하는 대신 수만 개의 에이전트를 분산 배치한 이유는 추론의 견고함 때문이다. 제임스 조우 교수팀이 단일 에이전트와 다중 에이전트 팀을 동일한 과학적 과제로 비교 실험한 결과, 다중 에이전트 생태계에서는 에이전트 간의 토론과 의견 충돌이 발생했다. 이 과정에서 서로의 아이디어를 설득하는 상호작용이 일어나며, 단일 모델이 처음부터 문제를 해결할 때보다 더 창의적이고 오류 누적에 강한(resilient against compounding errors) 추론 결과가 도출됐다.
실제 검증 결과는 세 가지 사례로 확인됐다. 첫째, 최근의 코로나19 변이 바이러스에 결합하는 나노바디 단백질을 설계했으며, 이는 기존 인간 설계 나노바디보다 결합 성능이 높았다. 둘째, 37,000개의 임상 시험 에이전트가 파편화된 데이터를 합성해 임상 성공을 예측하는 단일 세포 특성을 식별했다. 해당 특성이 지원하는 약물 타겟은 그렇지 않은 약물보다 시장 출시 가능성이 약 50% 더 높았다. 셋째, 2025년 1월 이전의 공개 데이터만을 활용해 폐암 CD276 단백질을 타겟팅하는 항체-약물 접합체(ADC)를 자율 설계했다. 이 설계안은 이후 글로벌 제약사 머크(Merck)가 독립적으로 개발하고 검증한 치료제 설계와 일치했으며, 최종적으로 FDA로부터 혁신신약(Breakthrough Therapy) 지정을 받았다.
워크플로우에서 환경 최적화로의 전환
에이전트 시스템의 규모가 커지면서 관리 방식은 '경직된 워크플로우'에서 '개방형 환경'으로 이동한다. 워크플로우 방식은 주니어 직원에게 업무 단계를 지시하듯 에이전트가 수행할 정확한 절차를 규정한다. 반면 환경(Environment) 방식은 인프라, 가드레일, 인센티브만을 제공하고 에이전트들이 개방형 문제에 대해 자율적으로 협업하도록 유도한다. 이는 개별 에이전트의 능력을 높이는 것보다 에이전트들이 상호작용하는 공간의 규칙을 설계하는 것이 전체 시스템 성능에 더 큰 영향을 미치기 때문이다.
최적화의 대상 또한 개별 모델의 미세 조정에서 환경 파라미터 조정으로 바뀐다. 단일 에이전트는 강화 학습이나 SFT를 통해 개선할 수 있지만, 수만 개의 에이전트로 구성된 시스템의 성공 여부는 협업을 제어하는 환경 변수를 최적화하는 데 달려 있다. 따라서 개발자와 실무자는 개별 프롬프트나 모델 튜닝에 집중하기보다, AI 네이티브 데이터 인터페이스를 구축하고 에이전트 간의 상호작용을 유도하는 인센티브 구조와 가드레일을 설계하는 '환경 엔지니어링'으로 관점을 전환해야 한다.
