AI와 노벨상

AI, 노벨상 무대에 오르다
인공지능이 과학기술의 경계를 넘어 인류 문명에 남긴 혁신적 족적을 노벨상의 시각에서 조망한다. 1940년대 인공 뉴런에서 시작해 긴 침체기를 지나, 딥러닝과 대규모 언어 모델로 비약적 발전을 이룬 AI는 이제 연구자에게 노벨 물리학상과 화학상을 안길 만큼 학문과 산업을 근본적으로 뒤바꾸었다.
2024년 수상자인 홉필드와 힌턴의 신경망 연구, 허사비스와 점퍼의 알파폴드2 성과를 중심으로 AI가 어떻게 과학적 난제를 풀어냈는지 설명한다. 동시에 AI의 데이터 의존성과 해석 불가능성, 윤리적 문제 등 한계도 짚는다. 나아가 구글의 ‘공동 과학자(Co-Scientist)’ 프로젝트를 통해 AI가 가설 수립, 연구 설계, 데이터 분석에 이르는 전통적 연구 방법론을 어떻게 변혁하는지 소개한다. AI의 성취와 위험을 다루며 인간과 기계가 함께 만들어 갈 과학 연구의 미래를 성찰한다.

2024년 노벨 물리학상·화학상 수상으로 인정받은 AI 연구 성과를 다룬다. 신경망과 알파폴드2의 돌파구, 구글 공동 과학자 사례를 통해 AI가 과학 연구의 방법론과 미래를 어떻게 바꾸고 있는지 보여 준다. 인공지능총서. aiseries.oopy.io에서 필요한 인공지능 지식을 찾을 수 있다.

오상훈
목원대학교 AI응용학과 교수다. 카이스트(KAIST) 전기 및 전자공학과에서 머신 러닝 연구로 공학박사 학위를 받았다. LG반도체 근무 후(1988∼1989), 한국전자통신연구원 기초기술연구부와 이동통신기술연구단에서 신경 회로망의 학습 알고리즘과 성능 분석을 연구했다(1990∼1998). 일본 이화학연구소 산하의 뇌과학종합연구소(BSI, Brain Science Institute)에서 독립성분분석과 암묵신호 분리를 연구했고(2000), 카이스트 뇌과학연구센터에서 뇌공학 연구를 했으며(1999, 2001), 미국 조지아공과대학교에서 단백질 구조 예측과 데이터 불균형 문제를 연구했다(2008∼2009). AI프렌즈학회 감사, 한국콘텐츠학회 부회장으로 활동하고 있다. 주요 저서로 《인공지능: 수학적 이해에서 알고리즘까지》(2025) 등이 있다. 머신 러닝 분야에서 “Unsupervised multi-sense language models for natural language processing tasks”(2021) 등 100편 이상의 논문을 SCI, SCOPUS, KCI 등 등재 학술지에 등재하거나 국제학술 대회에서 발표했다.

과학 기술의 발전을 이끄는 AI, 노벨상 그 이후

01 노벨상과 노벨상 위원회
02 AI 연구의 시작
03 홉필드 모델과 볼츠만 머신
04 오류 역전파 알고리즘과 딥 러닝
05 AI의 발전과 노벨 물리학상
06 단백질 구조 예측 문제
07 알파폴드 2와 노벨 화학상
08 구글 공동 과학자
09 구글 공동 과학자의 특화 에이전트들
10 구글 공동 과학자의 한계와 과제

초기 노벨 물리학상 위원회의 5인 중에는 스웨덴 웁살라 대학의 실험물리학적 전통을 강하게 대변하는 하셀베리(Klas Bernhard Hasselberg), 탈렌(Robert Thalén), 옹스트룀(Anders Jonas Ångström)이 있었다. 이들의 영향력으로 제1차 세계대전 이후까지 실험물리학 공헌자들이 노벨 물리학상 수상자로 선정되었다. 한편, 에너지 양자 개념을 발표한 이론 물리학자 막스 플랑크(Max Planck)가 수많은 사람들의 추천에도 불구하고 노벨 물리학상을 늦게 받았던 이유도 당시 실험물리학을 중시하던 노벨상 위원회의 의견 때문이다. 알베르트 아인슈타인에 대한 노벨 물리학상 수상 과정 역시 새로운 과학 이론에 보수적인 스웨덴 과학계의 태도를 보여 준다. 아인슈타인은 1910년 특수 상대성 이론으로 오스트발트에 의해 노벨상 후보로 처음 지명된 이후, 브라운 운동, 고체 비열, 양자론 등 여러 분야에 걸쳐 노벨상 후보로 추천되는 빈도가 늘어 갔다. 그러나 보수적인 실험물리학자들로 구성된 노벨 물리학상 위원회는 1922년에야 아인슈타인에게 노벨 물리학상을 수여하면서 수상 근거로 상대성 이론이 아니라 ‘이론물리학 특히 광전 효과에 대한 기여’로 발표했다. 이는 이론물리학이 취약했던 스웨덴 과학계의 상황을 반영한 것으로 보인다.
－01_“노벨상과 노벨상 위원회” 중에서

홉필드 모델의 이러한 단점을 해소하기 위해 뉴런들의 상태를 확률론적으로 변화시키는 볼츠만 머신이 제프리 힌턴(Geoffrey Everest Hinton)과 테런스 세이노프스키(Terrence Sejnowski)에 의해 제시되었다. 볼츠만 머신은 통계물리학의 개념을 이용해 신경 회로망의 상태가 국소 최소 지점을 벗어날 수 있도록 했다.
－03_“홉필드 모델과 볼츠만 머신” 중에서

단백질 구조 예측 문제란, 주어진 아미노산 서열 정보만으로 단백질이 실제로 어떤 3차원 구조로 접히는지를 컴퓨터나 인공지능을 활용해 예측하는 과제다. 이 문제는 생물정보학과 이론화학 분야에서 오랫동안 가장 중요한 난제로 꼽혀 왔으며, 신약 개발, 효소 설계, 질병 연구 등 다양한 응용 분야에 매우 중요하다.
기존에는 단백질의 구조를 X선 결정학이나 저온전자 현미경 등 실험적 방법으로 알아내야 했지만, 이 방법들은 비용과 시간이 많이 들고 일부 단백질(예: 막 단백질, 고분자 단백질)에는 적용이 어려웠다. 반면, 아미노산 서열 정보는 유전자 분석을 통해 비교적 쉽게 얻을 수 있으므로, 서열 정보만으로 구조를 예측할 수 있다면 연구 속도가 크게 빨라진다.
－06_“단백질 구조 예측 문제” 중에서

감독 에이전트는 특화 에이전트들을 조율해 입력된 연구 목표에 맞는 타당하고, 참신하며, 검증 가능한 가설과 연구 계획을 만들어 준다. 생성 에이전트는 연구 목표에 부합하는 초기 가설 목록을 생성한다. 이 가설들은 “반영 에이전트”의 검토를 거쳐, 순위 에이전트의 토너먼트 평가를 받는다. 진화, 근접도, 메타 리뷰 에이전트들은 토너먼트 상태를 기반으로 시스템 출력을 향상한다.
감독 에이전트는 주기적으로 콘텍스트 메모리에 종합적인 통계 정보−생성된 가설 수, 리뷰가 필요한 가설 수, 토너먼트의 진행 상태, 다양한 가설 생성 방법론의 효과 분석 관련−를 기록한다. 이러한 통계 정보를 바탕으로 감독 에이전트는 이후 시스템 동작−즉, 새로운 가설 생성, 리뷰, 토너먼트, 기존 가설 개선 등−을 워커 프로세스를 통해 특화 에이전트들을 전략적으로 선택하고, 가중치를 부여하는 형태로 조율한다.
－09_“구글 공동 과학자의 특화 에이전트들” 중에서