과학 발견을 위한 AI 개발을 위한 새로운 기술을 시도하는 스타트업
과학 발견을 위한 AI 개발을 위한 새로운 기술을 시도하는 스타트업
과학 발견을 위한 인공 지능을 개발하는 것은 거대 기술 기업의 기념비적인 목표가 되었습니다. OpenAI 및 Anthropic과 같은 회사는 의학, 생물학 및 물리학 분야에서 AI 혁신을 약속하면서 수백억 달러의 자금을 확보했습니다. 그러나 사실이 밝혀지지 않은 ChatGPT에서 생성된 수학 결과와 같은 과거 사건에서 알 수 있듯이 진정한 AI 기반 과학적 발견은 여전히 파악하기 어렵습니다. 전문가들에 따르면, 핵심 과제는 현재의 대규모 언어 모델(LLM)이 새로운 과학 지식을 자율적으로 생성하는 본질적인 능력이 부족하다는 것입니다.
대형 AI 연구소가 과학적 발견에 어려움을 겪는 이유
MIT 공학 교수인 Markus Buehler는 오늘날 고급 AI의 근본적인 한계를 식별합니다. 그는 OpenAI와 Anthropic의 시스템을 구동하는 모델이 진정한 발견을 위해 설계되지 않았다고 주장합니다. 그들의 아키텍처는 새로운 이론이나 가설을 만드는 것이 아니라 기존 데이터의 패턴 인식을 기반으로 합니다.
지난 가을 ChatGPT가 수학적 발견을 했다고 주장했는데 그것이 사실이 아니라는 사실이 빠르게 폭로되면서 이러한 사실이 극명하게 드러났습니다. 이 에피소드는 AI의 분석력과 창의적이고 발견 지향적인 사고 사이의 격차를 강조했습니다. 이는 AI '배우' Tilly Norwood가 진정한 창의성이 부족하다는 이유로 직면한 비판과 마찬가지로 기술이 독창성과 씨름하는 다른 AI 노력을 연상시키는 도전입니다.
현재 AI 모델의 핵심 문제
대규모 언어 모델은 정보 처리 및 역류에 탁월합니다. 텍스트를 요약하고, 질문에 답하고, 교육 데이터를 기반으로 코드를 작성할 수도 있습니다. 그러나 그들은 이미 배운 것의 범위 내에서 작동합니다.
과학적 발견은 본질적으로 미지의 세계로 나아가는 것을 요구합니다. 여기에는 서로 다른 분야 간의 새로운 연결을 형성하고 교육 데이터 세트에는 없는 아이디어를 제안하는 것이 포함됩니다. 이는 콘텐츠 제작과 자동화에 초점을 맞춘 현재의 생성 AI가 할 수 없는 도약입니다. AI 출판을 위한 기반을 마련하는 WordPress Gutenberg 업데이트와 같은 개발에서 볼 수 있듯이 업계는 진화하고 있지만 발견을 위한 핵심 과제는 여전히 남아 있습니다.
Unreasonable Labs 소개: 과학용 AI에 대한 새로운 접근 방식
이러한 격차를 해소하기 위해 Buehler 교수는 Google DeepMind의 전 수석 연구 과학자였던 Yuan Cao와 함께 Unreasonable Labs를 공동 설립했습니다. 스타트업은 과학적 발견을 위한 AI 개발에 있어 근본적으로 다른 접근 방식을 개척하는 것을 목표로 하고 있습니다. 대규모 데이터 수집에만 의존하는 대신, 학제간 추론이 가능한 시스템을 구축하고 있습니다.
Unreasonable Labs는 최근 Playground Global이 주도하는 자금 조달 라운드에서 1,350만 달러를 확보했습니다. 이번 라운드에는 AIX Ventures, E14 Fund 및 MS&AD Ventures가 참여했습니다. 이러한 상당한 투자는 새로운 방법론에 대한 시장의 믿음을 강조합니다.
과학사의 '아하' 순간에서 배우기
Buehler의 가설은 많은 위대한 발견이 "아하"하는 순간에서 나온다는 것입니다. 이는 과학자가 완전히 다른 영역의 문제를 해결하기 위해 한 분야의 이론이나 개념을 적용하는 경우입니다. 이러한 아이디어의 교차 수분은 획기적인 발전의 열쇠입니다.
전형적인 예는 1982년 John Hopfield의 작업입니다. 그는 응집 물질 물리학의 개념을 당시 초기 단계였던 인공 지능 분야에 적용했습니다. 이로 인해 기억을 학습하고 회상할 수 있는 신경망의 일종인 홉필드 네트워크(Hopfield network)가 개발되었습니다. 서로 관련이 없는 분야를 연결해 탄생한 혁명적인 발상이었습니다.
Unreasonable Labs의 AI가 주류 모델과 다른 점
Unreasonable Labs에서 개발 중인 AI는 학제간 통찰력을 얻을 수 있는 인간의 능력을 모방하도록 설계되었습니다. 그들의 목표는 더 큰 언어 모델을 만드는 것이 아니라 과학 영역 전반에 걸쳐 추론할 수 있는 시스템을 구축하는 것입니다.
학제간 지식 그래프: 텍스트만으로 교육하는 대신 AI는 생물학에서 물리학에 이르기까지 여러 과학 분야의 구조화된 지식을 통합합니다. 유추 추론 엔진: 핵심 기술은 과학적 혁신의 핵심 동인인 겉보기에 관련 없어 보이는 개념 간의 유추와 유사점을 찾는 데 중점을 둡니다. 가설 생성: 시스템은 단순히 기존 데이터를 분석하는 것이 아니라 테스트 가능한 과학적 가설을 제안하도록 설계되었습니다.
이러한 접근 방식은 대규모 기업의 인수 전략에서 크게 벗어나는 것을 나타냅니다.Zendesk가 AI 스타트업인 Forethought를 인수하는 등의 기술 기업은 새로운 형태의 발견을 개척하기보다는 기존 고객 서비스 애플리케이션을 개선하는 데 중점을 두는 경우가 많습니다.
AI 기반 검색의 미래
성공한다면 Unreasonable Labs의 기술은 중요한 분야의 연구를 가속화할 수 있습니다. 화학과 유전학의 원리를 결합하여 새로운 약물 화합물을 제안할 수 있는 AI를 상상해 보세요. 혹은 나노기술과 열역학의 개념을 연결하여 지속가능한 에너지를 위한 신소재를 제안하는 모델.
의료 연구 가속화부터 복잡한 환경 문제 해결에 이르기까지 잠재적인 응용 분야는 광범위합니다. 이는 자동화를 넘어 인간 독창성의 진정한 파트너가 되는 AI의 차세대 개척지를 나타냅니다.
결론: AI 혁신의 차세대 물결
과학 발견을 위한 AI 개발 경쟁이 가열되고 있지만 진정한 성공은 Unreasonable Labs와 같은 전문 스타트업에 달려 있을 수 있습니다. 학제간 추론에 대한 그들의 초점은 현재의 대규모 언어 모델의 한계를 넘어서는 유망한 길을 제공합니다. 진정으로 발견할 수 있는 AI를 만들기 위한 여정은 이제 막 시작되었습니다.
AI와 기술의 최신 혁신에 대한 최신 소식을 받아보세요. 더 많은 통찰력을 얻고 이 기사를 쉽게 공유하려면 Seemless에서 무료 약력 링크 페이지를 만들어 좋아하는 콘텐츠를 선별하세요.
