AI와 과학자의 공생 관계? 신소재 발견 44%, 특허 출원 39% 증가했지만, 직무 만족도 44% 감소

인공지능이 과학적 발견 영역에서 혁명적 변화를 가져오고 있다. MIT의 에이단 토너-로저스(Aidan Toner-Rodgers) 연구자는 미국 대기업의 연구개발(R&D) 실험실에서 1,018명의 과학자들을 대상으로 한 무작위 통제 실험을 통해 AI 기술이 혁신에 미치는 영향을 분석했다. 연구 결과, AI 지원을 받은 과학자들은 그렇지 않은 동료들보다 44% 더 많은 신소재를 발견했으며, 특허 출원은 39% 증가했고, 신제품 프로토타입 개발은 17% 상승했다.

이 연구는 AI가 단순히 제품 생산과 서비스 제공에만 영향을 미치는 것이 아니라, 혁신 과정 자체를 강화할 수 있는지에 대한 중요한 질문에 답하고 있다. 딥러닝(Deep Learning)의 최근 발전은 과학적 돌파구를 만들어내는 데 큰 잠재력을 보여주고 있으며, 특히 기존 데이터를 학습할 수 있는 신약 발견과 재료과학 분야에서 두각을 나타내고 있다. 그러나 현실 세계의 R&D 환경에서 이러한 도구가 발명에 미치는 영향에 대한 인과관계 연구는 거의 없었다.

연구가 진행된 실험실은 의료, 광학, 산업 제조 분야에서 재료과학을 응용하는 데 중점을 두고 있으며, 화학 공학, 물리학, 재료과학 분야의 고급 학위를 보유한 수천 명의 과학자를 고용하고 있다. 이들은 전문 분야에 관련된 재료-응용 쌍을 전문으로 하는 팀으로 조직되어 있다.

재료 발견 과정은 복잡하고 비용이 많이 든다. 전통적으로 과학자들은 비용이 많고 시간이 오래 걸리는 시행착오 시스템을 통해 재료를 발견했다. 많은 잠재적 구조를 개념화하고 그 특성을 테스트하는 방식이었다. 그러나 이 실험실에 도입된 AI 기술은 딥러닝의 발전을 활용하여 이 과정을 부분적으로 자동화한다. 기존 재료의 구성과 특성에 대해 훈련된 모델은 지정된 특성을 가질 것으로 예측되는 새로운 화합물에 대한 “레시피”를 생성한다.

과학자들은 먼저 후보 물질을 평가하고 가장 유망한 옵션을 합성한다. 유용한 재료를 만들면 이를 새로운 제품 프로토타입에 통합한 후, 개발, 규모 확장 및 상용화 단계를 거친다.

2022년 5월부터 AI 도구가 3단계에 걸쳐 도입되었다. 연구자 팀들은 각 단계에 무작위로 배정되었다. 이 실험 설계는 교육, 경험, 과거 성과 등의 관측 가능한 특성들이 균형을 이루어, 성공적인 무작위화를 확인했다.

AI 지원 과학자들이 발견한 화합물은 우수한 특성을 보유하고 있어, 모델이 품질도 향상시킨다는 것을 보여준다. 이러한 재료의 유입은 특허 출원을 39% 증가시키고, 수개월 후 이러한 화합물이 포함된 제품 프로토타입이 17% 증가했다. 투입 비용을 고려할 때, 이 도구는 R&D 효율성을 13-15% 향상시켰다.

이 결과는 두 가지 의미를 갖는다. 첫째, AI 강화 연구의 잠재력을 보여준다. 둘째, 이러한 발견이 R&D의 후속 단계에 의해 완전히 병목 현상을 일으키지 않고 제품 혁신으로 이어진다는 것을 확인한다.

AI는 혁신의 속도를 가속화하지만, 이러한 돌파구는 얼마나 독창적일까? 과학을 위한 머신러닝 사용의 주요 우려 중 하나는 “가로등 효과”(streetlight effect)를 증폭시킬 수 있다는 것이다. 모델이 기존 지식을 학습하기 때문에 잘 이해되지만 가치가 낮은 영역으로 검색을 유도할 수 있다.

그러나 이 가설과 달리, 연구팀은 AI 도구가 R&D의 모든 세 단계에서 독창성을 증가시킨다는 것을 발견했다. 먼저, 새로운 재료 자체의 독창성을 측정했다. 기존 화합물과 비교할 때, AI로 생성된 재료는 더 독특한 물리적 구조를 가지고 있어 AI가 디자인 공간의 새로운 부분을 개척한다는 것을 시사한다.

둘째, 이것이 더 창의적인 발명으로 이어진다는 것을 보여주었다. AI 지원 과학자들이 제출한 특허는 새로운 기술 용어를 도입할 가능성이 더 높았다. 셋째, AI가 제품의 성격을 변화시킨다는 것을 발견했다. 기존 제품의 개선보다는 새로운 제품 라인을 나타내는 프로토타입의 비율이 증가하여 더 급진적인 혁신으로의 전환을 가져왔다.

논문의 두 번째 부분에서는 이러한 결과 뒤에 있는 메커니즘을 조사했다. 과학자 활동에 대한 풍부한 텍스트 데이터와 대형 언어 모델을 결합하여 연구 작업으로 분류한 결과, AI가 발견 프로세스를 극적으로 변화시킨다는 것을 보여주었다.

이 도구는 “아이디어 생성” 작업의 57%를 자동화하여 과학자들이 모델이 생성한 후보 화합물을 평가하는 새로운 작업으로 재분배한다. AI가 없는 경우, 연구자들은 잠재적 재료를 개념화하는 데 거의 절반의 시간을 할애한다. 이는 도구 도입 후 16% 미만으로 떨어진다. 한편, 후보 재료를 평가하는 데 소요된 시간은 74% 증가했다.

AI는 따라서 상반되는 효과를 가진다. 화합물 설계라는 특정 활동에서는 노동을 대체하지만, 평가 작업과의 상호보완성으로 인해 더 넓은 발견 과정에서는 노동을 증가시킨다.

다음으로, 과학자들의, AI 생성 후보 화합물을 판단하는 능력의 차이가 도구의 이질적인 영향을 설명한다는 것을 보여준다. 연구자들이 테스트하는 재료와 이러한 실험의 결과에 대한 데이터를 수집했다. 상위 과학자들은 자신의 전문성을 활용하여 유망한 AI 제안을 식별하여 가장 실현 가능한 후보를 먼저 조사할 수 있게 한다. 반면, 다른 과학자들은 거짓 양성 반응을 조사하는 데 상당한 자원을 낭비한다.

실제로, 연구자들의 상당수는 테스트 순서를 무작위 기회보다 더 잘 정하지 못해 도구로부터 거의 혜택을 보지 못했다. 평가 능력은 초기 생산성과 양의 상관관계가 있어 과학자들의 성과 불평등이 심화되는 것을 설명한다.

이러한 결과는 AI 기술을 보완하는 새로운 연구 기술의 중요성을 보여준다 – 모델 예측 평가. 머신 예측의 개선이 인간의 판단과 의사 결정을 더 가치 있게 만든다는 주장에 대한 증거를 제공한다.

이러한 큰 판단력 차이의 원인을 이해하기 위해 실험실 연구자들을 대상으로 설문조사를 실시했다. 응답은 도메인 지식의 중심적 역할을 보여준다. 평가에 능숙한 과학자들은 유사한 재료에 대한 교육과 경험이 평가 과정의 핵심이라고 밝혔다. 반면, AI가 제안한 화합물을 판단하는 데 어려움을 겪는 이들은 자신의 배경이 거의 도움이 되지 않는다고 보고했다.

이러한 설명을 뒷받침하는 것은, 평가 능력이 상위 25%인 연구자들이 자신이 중점을 두는 재료에 대한 학술 논문을 발표할 가능성이 3.4배 더 높다는 것이다.

일부는 빅데이터와 머신러닝이 도메인 지식을 쓸모없게 만들 것이라고 추측하지만, 이러한 결과는 충분한 전문성을 갖춘 과학자들만이 AI의 힘을 활용할 수 있음을 보여준다.

논문의 마지막 부분에서는 설문조사를 사용하여 이러한 질문들을 탐구한다.

연구자들은 자신의 업무 내용에 대한 만족도가 44% 감소했다고 응답했다. 이 효과는 과학자들 사이에서 상당히 균일하여, AI의 “승자”조차도 비용에 직면한다는 것을 보여준다. 응답자들은 기술 활용도 감소와 창의성 감소를 가장 우려하는 사항으로 꼽았다. 특히 고능력 과학자들의 경우, 생산성 향상에 따른 만족감이 부분적으로 이러한 부정적 효과를 상쇄하지만, 82%의 연구자들은 전반적인 웰빙이 감소했다고 보고했다.

또한 AI 도구와의 작업은 재료 과학자들의 인공지능에 대한 견해를 변화시킨다. AI가 생산성을 향상시킬 수 있다는 믿음이 거의 두 배로 증가했다. 동시에, 일자리 손실에 대한 우려는 일정하게 유지되어 인간의 판단에 대한 지속적인 필요성을 반영한다. 그러나 연구 과정의 변화로 인해 과학자들은 자신의 분야에서 성공하는 데 필요한 기술이 변화할 것으로 예상한다.

따라서 재교육을 계획하는 연구자의 수가 71% 증가했다. 이러한 발견은 AI에 대한 실제 경험이 기술에 대한 견해에 의미 있는 영향을 미칠 수 있음을 보여준다. 또한 응답은 중요한 사실을 드러낸다: 도메인 전문가들도 이 논문에 기록된 효과를 예상하지 못했다.

이 연구는 재료 과학에 초점을 맞추고 있지만, 그 통찰력은 발견 과정이 광대하지만 잘 정의된 기술적 공간에서의 검색을 필요로 하는 분야에 더 일반적으로 적용될 수 있다. 이는 기본 원칙은 알려져 있지만 복잡성으로 인해 특정 인스턴스를 식별하기 어려운 영역을 특징짓는다.

약물 발견에서는 예를 들어, 원자 결합의 특성이 잘 확립되어 있지만, 가능한 화학적 구성의 많은 수가 문제를 극도로 어렵게 만든다. 복잡한 데이터에서 특징을 추출하는 데 뛰어난 딥러닝 모델은 이러한 환경에서 연구를 변화시킬 잠재력을 가지고 있다.

재료 과학과 제약을 넘어, 구조 생물학, 유전체학, 기후학, 심지어 수학의 특정 부분과 같은 여러 경제적으로 중요한 분야가 이 범주에 속한다.

이 논문은 네 가지 관련 문헌에 기여한다. 첫째, 생산성, 노동 수요 및 조직에 대한 새로운 기술의 결과에 대한 많은 증거에 추가된다. 이러한 연구가 상품과 서비스의 생산에 초점을 맞추는 반면, 이 연구는 혁신 과정 자체를 증강하는 돌파구를 고려한다.