[현장] AI가 분석과 계산을 맡는 시대, 과학자는 무엇을 해야 할까
전체 맥락을 이해하기 위해서는 본문 보기를 권장합니다.
인공지능(AI)은 이미 과학자의 연구실 안으로 깊숙이 들어왔다.
"요즘에는 데이터 처리를 위한 코딩부터 분석, 발표자료 초안과 보고서 작성까지 생성형 AI가 다 해줍니다. 그런데 기성 연구자들은 그런 일을 하나하나 해본 경험이 있기 때문에 틀렸는지 맞았는지를 검증할 수 있어요. 문제 제기부터 데이터를 어떻게 처리하고 분석할지, 실제 결과를 어떻게 판단할지까지 전 과정은 사람이 해야 할 일입니다. 대학원생들이 단계마다 직접 경험해봐야 전체를 전두지휘할 수 있는 능력이 생깁니다. AI한테 맡기는 것도 중요하지만 내가 알아야 일을 시킬 수 있습니다."
짧은 시간 범위의 예측에서는 최근 데이터에서 패턴을 찾는 AI가 우세할 수 있지만, 장기간 물리현상의 변화가 누적되는 문제에서는 기존의 계산과 분석 방식이 여전히 유효하다는 것이다.
"천문학에서는 사람이 이미지를 한 장 한 장 확인하면서 특이사항을 찾거나 노이즈를 제거하던 작업을 AI 모델이 많이 맡고 있습니다. 데이터 분석을 하고 그 결과로 보고서까지 써주기도 해요. 하지만 그 결과를 바로 받아들일 수는 없습니다. 앞단의 일은 많이 줄었지만 결과를 검증하는 시간은 더 길어졌습니다."
이 글자크기로 변경됩니다.
(예시) 가장 빠른 뉴스가 있고 다양한 정보, 쌍방향 소통이 숨쉬는 다음뉴스를 만나보세요. 다음뉴스는 국내외 주요이슈와 실시간 속보, 문화생활 및 다양한 분야의 뉴스를 입체적으로 전달하고 있습니다.
라이브러리와 생성형 AI가 답을 만들어도 원리 모르면 오류조차 발견 못해
데이터 기반 연구 빨라질수록 가설·이론·검증하는 인간의 통찰 중요
미래 과학자는 질문 설계자이자 결과를 해석하고 산업과 사회를 설득하는 사람
인공지능(AI)은 이미 과학자의 연구실 안으로 깊숙이 들어왔다. 프로그램 코드를 만들고 방대한 데이터를 분류·분석하는 데 그치지 않는다. 수학적 증명과 논문 초안을 작성하고, 천문 관측 영상에서 희소한 현상을 찾아내며, 신약 후보물질 조합을 대량으로 생성한다. 과거 연구자가 상당한 시간을 들여 수행하던 계산과 정리, 초안 작성의 상당 부분을 AI가 빠르게 처리하기 시작했다.
하지만 연구가 쉬워진 것만은 아니다. AI가 만들어내는 결과가 많아지면서 무엇이 옳고 쓸 만한지 평가해야 할 대상도 급증했다. 시뮬레이션에서 높은 성능을 보인 모델이 실제 관측 데이터에서는 제대로 작동하지 않을 수 있고, 그럴듯하게 작성된 증명이나 논문에는 논리적 비약과 사실 오류가 섞일 수 있다. 신약 후보물질을 수만 개 생성할 수 있어도 실제 실험에 투입할 한두 개를 고르는 결정은 여전히 어렵다.
특히 이날 토론의 사회는 유튜브 과학 크리에이터 궤도가 맡으며 이목을 집중시켰다. 유튜브 채널 ‘안될과학’을 진행하고 대구경북과학기술원 특임교수로 활동하고 있는 궤도는 AI가 단순히 계산을 빠르게 수행하는 도구를 넘어 과학자가 현상을 발견하고 연구하는 방식 자체를 바꾸고 있다며 토론의 문을 열었다.
이날 패널로 참여한 홍영준 서울대학교 교수는 서울대 수리과학부 부교수이자 인공지능협동과정 겸임교수로, 고등과학원 AI기초과학센터에도 참여하고 있다. 수학적 모델과 AI를 결합해 기상예측과 물질·분자 관련 연구 등을 진행해 왔다.
백지혜 한국천문연구원 책임연구원은 천문우주기술센터장을 지냈으며, 한국천문연구원과 미국 항공우주국의 공동 우주개발 프로젝트에서 지상 시스템과 소프트웨어 개발을 주도했다. 천문학과 컴퓨터공학을 연결해 태양과 우주 관측 데이터에 AI를 적용해 왔다.
김선규 아이젠사이언스 상무는 AI연구본부장을 겸하며 AI 신약개발 플랫폼 관련 연구와 국가 연구개발 과제를 이끌고 있다. 컴퓨터과학과 생명의료 AI를 바탕으로 연구실의 AI 모델을 실제 신약개발 과정과 산업적 의사결정에 연결하고 있다.
네 패널의 전공과 연구 현장은 달랐지만 현장에서 나온 의견은 크게 다르지 않았다. AI는 과학자의 일을 없애기보다 연구 과정의 중간 단계를 자동화하고 있었다. 또 그와 비례해 과학자의 역할은 연구 앞단의 질문과 가설 설정, 뒷단의 평가·검증·해석·설득으로 이동하고 있었다.
요즘 연구에서는 AI 모델과 공개된 소프트웨어 라이브러리를 이용하면 복잡한 알고리즘을 처음부터 구현하지 않아도 된다. 생성형 AI는 수식을 설명하고 증명을 작성하며 프로그램 코드까지 만들어준다. 이에 따라 수학과 이론을 깊이 공부할 필요가 줄었다는 인식도 나온다.
이와 관련 홍 교수는 범용 도구를 활용하는 것과 새로운 연구를 수행하는 것은 구분해야 한다고 말했다. 이미 구현된 기능을 사용하는 수준에서는 내부 원리를 몰라도 일정한 결과를 얻을 수 있다. 그러나 기존 방법이 해결하지 못한 문제를 발견하고 알고리즘을 수정하려면 라이브러리 안에서 무엇이 작동하는지 알아야 한다는 것이다.
“라이브러리는 어디까지나 라이브러리입니다. 범용적으로 쓸 수 있게 만들어진 것이기 때문에 그냥 범용적으로 사용하는 데서 멈추겠다면 거기까지는 괜찮아요. 그런데 리서치 레벨로 넘어가려면 라이브러리 안에서 돌아가는 알고리즘이 무엇인지 알아야 합니다. 남들도 다 할 수 있는 방법을 넘어 라이브러리가 못하는 것을 우리가 할 수 있어야 하고, 그게 연구의 첫 단추가 되는 겁니다. 원리를 알고 안에서 무엇이 돌아가는지 이해하려면 수학적인 지식이 필요합니다.”
“수학적 이해가 부족해도 AI가 증명을 대신해주고 여러 지식을 알려줍니다. 물어본 것에 꽤 정확한 답도 주죠. 그런데 이론을 모르는 상태에서 AI를 쓰면 본인이 모르기 때문에 AI가 틀린 것도 모릅니다. 실제로 이론을 구현할 때 깨지는 부분이 정말 많아요. 공학에서는 연산을 빠르게 하려고 정확한 연산을 하지 않는 경우도 있는데, 본인이 이론을 모르면 그걸 알아채기가 어렵습니다.”
물론 생성형 AI는 연구 결과를 만드는 비용을 낮추는데 역할을 하기도 한다. 연구자는 코드와 보고서, 논문 초안을 더 빠르게 만들 수 있고 기업은 짧은 시간 안에 다수의 아이디어와 후보를 확보할 수 있다. 그러나 생산량이 늘어난 만큼 검토해야 할 결과도 많아졌다. 이를 두고 김 상무는 연구와 업무의 병목이 이동했다고 진단했다.
다만 연구 경험이 적은 학생에게는 이 변화가 또 다른 함정이 될 수 있다. 코딩과 데이터 처리 과정을 AI에 맡겨 결과물을 만들 수는 있지만, 연구 전체의 흐름을 이해하지 못한 채 자신이 해당 작업을 수행할 수 있다고 착각할 수 있기 때문이다.
“요즘에는 데이터 처리를 위한 코딩부터 분석, 발표자료 초안과 보고서 작성까지 생성형 AI가 다 해줍니다. 그런데 기성 연구자들은 그런 일을 하나하나 해본 경험이 있기 때문에 틀렸는지 맞았는지를 검증할 수 있어요. 문제 제기부터 데이터를 어떻게 처리하고 분석할지, 실제 결과를 어떻게 판단할지까지 전 과정은 사람이 해야 할 일입니다. 대학원생들이 단계마다 직접 경험해봐야 전체를 전두지휘할 수 있는 능력이 생깁니다. AI한테 맡기는 것도 중요하지만 내가 알아야 일을 시킬 수 있습니다.”
종합해보면, AI가 과학자의 기초지식과 훈련을 불필요하게 만든 것은 아니다. 도구가 정상적으로 작동할 때는 원리를 몰라도 결과를 얻을 수 있지만, 도구가 틀린 지점에서 문제를 발견하고 새로운 연구를 시작하려면 원리와 과정을 알아야 한다는 것이 이날 패널들의 공통된 의견이었다.
데이터가 많아져도 과학은 가설과 검증을 건너뛸 수 없다
AI는 방대한 데이터에서 사람이 찾기 어려운 패턴을 발견한다. 특히 기상과 천문처럼 관측 데이터가 축적되는 분야에서는 기존 계산 방식보다 빠르고 정확한 예측을 내놓기도 한다. 그렇다고 데이터 기반 AI가 기존 과학이론과 모델을 완전히 대체한 것은 아니다.
홍 교수는 기상예측을 사례로 데이터 기반 방식과 물리적 모델 기반 방식의 역할을 구분했다. 짧은 시간 범위의 예측에서는 최근 데이터에서 패턴을 찾는 AI가 우세할 수 있지만, 장기간 물리현상의 변화가 누적되는 문제에서는 기존의 계산과 분석 방식이 여전히 유효하다는 것이다.
이는 전통적 과학과 AI를 둘 중 하나로 선택할 문제가 아니라는 맥락으로 읽힌다. 관측 데이터가 충분한 영역에서는 AI가 강점을 보일 수 있지만, 데이터가 적거나 설명해야 할 자연법칙이 중요한 영역에서는 연구자의 가설과 도메인 지식이 모델을 이끌어야 한다. 이와 관련해 박 교수는 뇌파를 통해 알츠하이머병을 예측하는 연구를 예로 들었다.
“의학이나 천문학처럼 특정 산업과 분야의 데이터는 많을 수가 없잖아요. 그럴수록 특정한 가설이나 이미 알려진 과학적 사실, 그 분야 전문가의 도메인 지식이 중요합니다. 뇌파가 1분짜리로 있으면 의사 선생님이 ‘우리는 가운데 30초를 본다’고 알려주기도 해요. 그러면 저희는 가운데 30초만 데이터로 쓰고, 실제 성능이 확 올라가기도 합니다. 무작정 데이터를 많이 쓰는 것이 아니라 가설에 데이터를 더해야 더 효과적인 모델이 만들어집니다.”
천문학 역시 AI의 효용과 한계가 동시에 선명하게 드러나는 분야다. 우주 관측 장비는 사람이 일일이 확인하기 어려울 만큼 많은 영상을 생산한다. AI는 영상 속 특이현상을 검출하고 노이즈를 제거하며 후보군을 분류하는 앞단의 작업을 크게 줄였다. 이와 관련해 백 책임연구원은 실제로 AI가 장기간 축적된 천문 데이터를 몇 주 만에 분석하거나 과거에는 수행하기 어려웠던 탐색을 자동화한 사례를 소개했다. 그러면서 백 책임연구원은 단서를 다는 것 역시 잊지 않았다.
“천문학에서는 사람이 이미지를 한 장 한 장 확인하면서 특이사항을 찾거나 노이즈를 제거하던 작업을 AI 모델이 많이 맡고 있습니다. 데이터 분석을 하고 그 결과로 보고서까지 써주기도 해요. 하지만 그 결과를 바로 받아들일 수는 없습니다. 앞단의 일은 많이 줄었지만 결과를 검증하는 시간은 더 길어졌습니다.”
과학 데이터는 일반적인 이미지나 문서 데이터와도 다르다. 백 책임연구원은 천문 관측 데이터의 입력값은 센서 노이즈와 환경의 영향을 받아 정제되지 않은 경우가 많지만, 과학적 결과는 높은 정확도를 요구한다고 설명했다. 불완전한 입력과 엄밀한 출력 사이의 간극을 메우는 것이 연구자의 과제라는 것이다.
신약개발 역시 AI가 만들어낸 후보가 곧바로 의약품이 되지는 않는다. 생성형 AI는 짧은 시간 안에 수천·수만 개의 후보물질을 제안할 수 있지만, 실제 합성과 세포·동물실험에는 상당한 시간과 비용이 든다. 김 상무는 연구자가 수많은 후보 가운데 실제 실험에 투입할 대상을 선택하고, 그 선택의 타당성을 설명해야 한다는 취지로 말했다.
“AI 모델을 한 시간 정도 돌려 물질을 생성하면 1만 개, 수만 개가 나올 수 있습니다. 그런데 그중 어떤 물질 하나를 선택해 몇십억원을 투입할 것인지 결정해야 합니다. 전문가들도 실제로 될지 안 될지를 명확하게 아는 사람은 없어요. 결국 커뮤니티를 설득해야 하고, AI가 만든 결과를 가지고 ‘이게 될 것 같다. 이유는 이렇다’고 전달하는 능력이 굉장히 중요합니다. 산업에서는 그 의사결정과 설득을 위해 노력하고 있습니다.”
이날 패널들의 의견을 종합하면, AI는 과학자가 살펴볼 수 있는 후보의 범위를 넓히고 발견에 걸리는 시간을 줄였다. 그러나 후보가 과학적 사실이나 산업적 성과가 되려면 이론과 가설, 실제 관측과 실험, 연구자의 판단을 거쳐야 한다. 탐색 속도가 빨라졌다고 사람이 수행해야 하는 검증의 문턱까지 낮아진 것은 아니다는 말이다.
다시 초기의 질문, ‘AI가 연구의 계산과 분석을 맡으면 과학자는 더 이상 직접 계산하거나 코드를 작성하지 않아도 되는가’에 대해 이날 토론에서 제시된 답은 역할이 없어진다가 아니라 이동한다에 가까웠다. 즉 과학자의 역할은 연구 과정의 모든 작업을 직접 수행하는 것에서 중요한 문제를 정하고, AI와 다른 분야의 전문가를 연결하며, 결과의 의미와 한계를 책임지는 것으로 바뀌고 있다는 것이다. 이와 관련해 홍 교수는 수학적 증명의 목적부터 다시 봐야 한다고 강조했다.
“사람들이 증명을 문제를 풀기 위해서 한다고 오해하는데, 증명은 이 문제를 내가 정확하게 이해하려고 하는 겁니다. AI한테 증명을 맡기고 결과만 받다 보면 이해를 못하기 때문에 다음 단계로 넘어가지 못해요. 그러면 그 다음 질문을 할 수 없습니다. 연구는 질문을 하는 단계거든요. 학생들이 AI를 그냥 ‘딸깍’해서 사용하는 게 중요한 것이 아니라 다시 돌려보내서 질문할 수 있게 만드는 것이 중요합니다.”
미래 연구자에게는 AI의 결과를 읽고 논리적 비약과 맥락의 부재를 찾아내는 능력도 필요하다. 홍 교수는 AI의 답을 활용하는 것은 누구나 할 수 있지만, 읽는 순간 이상한 부분과 말이 되지 않는 연결을 포착하는 역량은 별도의 교육과 훈련이 필요하다고 강조했다.
한편 박 교수는 수학적 이론을 AI 연구에 적용한 논문이 여러 차례 게재를 거절당한 경험을 소개했다. 이론적 엄밀성과 실증적 성과를 모두 강조하려고 했지만, 연구가 실제로 해결한 범위를 분명히 제시한 뒤에야 논문이 채택됐다는 것이다.
박 교수는 미래 연구자를 선발한다면 출신 전공보다 해결하고 싶은 문제가 분명한지를 볼 것 같다고 말했다. 수학과 컴퓨터공학, 예술과 콘텐츠 사이의 경계가 낮아진 상황에서는 어떤 지식을 현재 갖고 있는가보다 그 지식을 이용해 무엇을 하려는지가 더 중요한 기준이 될 수 있다는 의미다.
“너무 어려운 질문인데요. 그래도 하고 싶은 게 명확한 학생을 뽑을 것 같습니다. 요즘은 지식은 AI가 많이 갖고 있으니까요. 실제로 무엇을 하고 싶은지를 볼 것 같습니다.”
백 책임연구원 역시 특정 AI 도구의 사용법보다 직접 연구해본 경험과 융합 역량을 강조했다. AI 도구는 몇 개월 사이에도 바뀔 수 있고 젊은 연구자는 새로운 도구를 빠르게 배운다. 반면 실패한 분석을 수정하고 잘못된 결과를 알아보는 판단력은 장기간의 시행착오를 통해 쌓인다는 것이다.
그러면서 백 책임연구원은 자신의 이력도 융합의 사례로 들었다. 석사과정까지 천문우주학을 공부한 뒤 박사과정에서는 컴퓨터공학을 전공하면서 두 영역의 지식이 모두 있어야 AI와 천문학의 실질적인 결합이 가능하다는 사실을 체감했다는 것이다.
“두 곳의 지식을 다 경험해보니까 정말 두 가지가 있어야 융합이 잘되겠다는 생각이 들었어요. 컴퓨터공학을 하는 분들에게는 우주 분야에도 여러분이 필요하다고 설득해서 데려오려고 하고, 천문학을 한 친구들에게는 컴퓨터공학 쪽 대학원에 가보라고 합니다. 두 분야의 지식을 함께 습득하고 실제로 융합할 수 있는 인재를 그런 방식으로 키우려고 하고 있습니다.”
연구실의 발견을 제품과 서비스로 옮길 때는 또 다른 능력이 요구된다. 학술논문에서는 같은 분야의 연구자를 설득하면 되지만, 산업에서는 AI 모델을 사용해야 할 도메인 전문가와 투자·개발 의사결정자를 설득해야 한다. 이에 대해 김 상무는 신약개발 AI의 수학적 완성도와 실험 방법론만 설명해서는 시장에서 선택받기 어려운 이유와 연결해 설명했다.
이러한 상황에서 AI가 스스로 결과를 설명하는 ‘설명 가능한 AI’라면 어떨까? 김 상무는 AI의 설명을 그대로 전달하는 것이 아니라 연구자가 결과의 의미와 신뢰할 수 있는 근거를 자신의 전문성으로 해석해야 한다고 강조했다.
“설명 가능한 AI가 얼마 전까지 중요한 주제였다면, AI가 산업으로 들어오는 지금은 설득이 가능해야 합니다. AI가 설명을 잘하는 것만이 중요한 게 아니라, 결국 그 결과물을 가지고 내가 어떻게 풀어내느냐가 훨씬 중요해지는 시점이라고 생각합니다.”
결국 결과가 왜 쓸 만한지, 왜 자원을 투입할 가치가 있는지를 설명하고 책임지는 일은 인간 연구자의 역할이라는 의미다.
이날 패널들의 의견을 종합해 보면, AI 시대의 과학자는 모든 계산을 직접 수행해야 했던 과거의 굴레에서 벗어났다. 대신 어떤 현상을 연구할지 질문하고, 데이터와 과학이론을 어떤 방식으로 결합할지 설계하며, AI가 내놓은 결과에서 오류와 가능성을 함께 찾아야 한다. 연구의 범위와 한계를 동료 연구자에게 설명하고, 산업과 사회가 연구 결과를 신뢰하고 활용할 수 있도록 설득하는 역할도 맡는다. 즉, 분석과 계산을 AI가 맡는 시대에도 과학자가 필요한 이유는 답을 만드는 능력보다 답의 의미와 책임을 끝까지 판단하는 인간의 능력이 여전히 필요하기 때문이라 할 수 있다.
저작권자 © Tech42 - Tech Journalism by AI 테크42 무단전재 및 재배포 금지