엔비디아가 주목한 항저우 팀, AI for Science 마지막 구간 보완

제시카 2026-09-16 11:40:35 출처: 량쯔웨이(量子位)

아이디어에서 결과까지, 한 번의 대화로 구현

제시카 발행 · 凹非寺

량쯔웨이 | 공식 계정 QbitAI

AI for Science의 경쟁은 이제 '연구 폐쇄 루프(科研闭环)'로 확장되고 있다.

단백질 설계를 예로 들면, 단백질 모델은 갈수록 강력해지고 있지만 실제로 분자 하나를 설계하려면 연구자는 여전히 문헌을 찾고, 구조를 조회하고, 다시 가중치를 내려받고, 환경을 설정해 계산 작업을 서버에 올려야 한다.

모델이 결과를 내놓은 뒤에도 다른 도구로 구조를 보고, 스크리닝을 하고, 어떤 후보가 계속할 가치가 있는지 판단해야 한다…… 한 번의 계산이 끝난 뒤 다음 단계를 어디서 시작할지는 여전히 연구자가 각环节을 이어 붙이는 데 의존하는 경우가 많다.

이제 모델 앞뒤에 숨어 있는 이러한 작업들이 AI 기업들에 의해 다시 검토되기 시작했다.

올해 4월 OpenAI는 생명과학을 위한 GPT-Rosalind를 출시했고, 6월에는 Anthropic이 Claude Science를 발표했으며, 8월에 Anthropic은 다시 Agent가 단백질 설계에 참여하고 외부 실험 검증을 연결하는 연구를 공개했다.

이러한 진전은 같은 하나의 변화를 가리킨다. AI가 더 이상 모델 자체의 계산环节만 담당하는 것이 아니라, 모델 앞뒤의 연구 작업에도 참여하기 시작해 결과를 분석하고, 방안을 조정하고, 작업을 계속 추진할 수 있게 되었다는 것이다.

국내에서도 이미 비슷한 교차로에 도달한 팀이 있다.

항저우의 AI 단백질 설계 기업 러원쒀(力文所)가 최근 Lévin™ Harness를 발표하고 연구 커뮤니티에 개방해 사용할 수 있도록 했다.

△사진 출처: 러원쒀 Lévin™ Harness 제품 인터페이스

이는 데이터, 모델, 플러그인 도구, 컴퓨팅 파워와 워크플로를 동일한 Agent 작업 공간에 넣은 것으로, 연구자가 목표와 방법, 핵심 의사결정을 정의하면 Agent가 이에 따라 계산을 추진하고 결과를 분석한 뒤 피드백에 따라 다음 라운드 방안을 조정한다.

Lévin™ Harness에서 사용자는 전문 과학 모델과 분석 도구를 선택해 단백질 구조 예측, 서열 설계 등의 계산 작업을 완료할 수 있지만, Lévin™ Harness 자체는 특정 모델에 묶여 있지 않으며 범용 모델 계층은 개방된 상태로 유지된다.

새로운 모델과 과학 역량은 플러그인을 통해 계속 추가할 수 있으며, 누구나 자신의 모델, Agent 역량을 추가하고 싶은 모델을 위한 전용 플러그인을 만들 수 있다.

게다가 하나의 연구 방법이 검증되면 워크플로(Workflow)로 축적해 반복 실행과 추가 수정에 활용할 수 있다.

Lévin™ Harness의 핵심 역할은 바로 모델, 도구, 컴퓨팅 파워와 연구 과정을 동일한 작업 사슬 위에 조직하는 것이다.

이는 바로 AI for Science가 현재 직면하고 있으며 단일 추론보다 훨씬 복잡한 문제를 해결한다.

이러한 지능이 어떻게 진정으로 연구 현장에 들어가고, 지속적으로 작동하게 할 것인가 하는 문제다.

AI 모델이 과학 문제를 해결하고, Agent가 연구 폐쇄 루프를 조직하기 시작하다

러원쒀가 발표한 Lévin™ Harness는 Agent를 핵심으로 하는 단백질 설계 애플리케이션이며, 생명과학 연구를 전문으로 서비스하는 Agent 작업대라고도近似해서 이해할 수 있다.

동일한 작업대 안에서 연구자는 목표를 제시하고, 분자 구조를 확인하고, 계산을 조직할 수 있으며, 결과가 나온 뒤에는 방안을 수정할 수도 있다. 이러한 동작은 항상 동일한 프로젝트를 중심으로 이루어지며, 앞 단계에서 얻은 정보가 계속해서 뒷 단계에서 사용될 수 있다.

여기서 Agent는 범용 대형 모델(DeepSeek, Kimi, GLM, Qwen, 샤오미 MiMo 등 개방 모델)에 의지해 연구자의 요구를 이해하고 단계를 계획한 뒤, 해당 도구를 호출해 작업을 수행한다. 사용자는 자연어로 요구를 설명하기만 하면 되고, 전문적으로 훈련된 과학 모델과 분석 도구가 단백질 구조 예측, 서열 설계 등의 계산 작업을 담당한다.

△사진 출처: 러원쒀

Harness는 이러한 역량과 필요한 데이터, 컴퓨팅 파워를 연결하고 연구 과정을 보존하는 역할을 맡는다.

연구자는 과학적 목표, 방법과 핵심 의사결정만 담당하면 되며, 언제든지 결과를 검토하고 조건을 보충하거나 방향을 바로잡을 수 있다.

이러한 분업은 본질적으로 '아이디어에서 결과까지'의 경로를 최대한 단축해, 복잡한 설계 과정을 동일한 대화형 작업 환경에서 완료할 수 있게 하기 위한 것이다. 프로그램을 모르는 연구자도 빠르게 단백질 설계를 완료할 수 있다.

그렇다면 구체적으로 이러한 '엔드투엔드' 과정은 어떻게 구현되는가? 단백질 binder 설계 작업을 예로 들 수 있다.

binder는 목표 단백질과 결합할 수 있는 단백질 분자다. 전통적인 binder 설계에서는 연구자가 그것이 어느 표적(target)에 결합해야 하는지, 어느 위치에 결합하는지, 그리고 이러한 결합을 통해 무엇을 달성하고자 하는지를 명확히 파악해야 한다.

이러한 문제를 명확히 한 뒤에야 팀은 설계 모델에 제약을 제시하고, 후보를 생성하고, 다시 실험에 투입할 가치가 있는 분자를 선별할 수 있다.

△AI 생성

이 경로의 각 단계는 이후의 선택에 영향을 미친다. 따라서 작업은 처음부터 문헌, 구조와 설계 조건을 함께 고려해야 한다.

Harness에서는 연구자가 특정 표적에 대한 binder 설계 목표를 제시할 수 있고, Agent가 표적 조사에 참여하고 관련 정보를 정리하며, 선택 가능한 결합 위치 분석을 보조한다. 연구자는 연구 목적에 따라 방법과 제약을 확정해 이후 계산이 명확한 방향을 갖도록 한다.

다만 여기에는 한 가지 문제가 있을 수 있다. 바로 Agent가 연구자가 연구하고 있는 분자를 '읽을' 수 있어야 한다는 점이다.

단백질은 아미노산이 연결되어 만들어지며, 사슬 속의 아미노산 단위는 보통 잔기(residue)라고 불린다. 이 사슬은 3차원 구조로 접히며, 서열상 멀리 떨어진 잔기가 공간에서는 서로 가까워질 수 있다.

Binder가 표적과 적절한 결합 인터페이스를 형성할 수 있는지는 이러한 공간적 관계와 직접적으로 관련된다. 그래서 연구자가 어느 잔기를 선택했는지, 어느 두 가지 형태(conformation)를 비교하고 있는지 등의 정보도 Agent의 작업 범위에 포함되어야 한다.

이를 위해 러원쒀는 Agent 작업 공간에 3차원 분자 시각화 도구를 내장했으며, 화면상의 분자 구조 정보와 관련 조작을 Agent의 컨텍스트로 직접 전환해 대화가 명확한 연구 대상을 향하도록 했다.

연구자가 대화에서 '여기'와 같은 모호한 표현을 제시해도 Agent는 구체적인 공간 위치를 이해할 수 있다. 이후 특정 잔기를 조정할지, 국소 상호작용을 추가로 점검할지도 함께 검토할 수 있는 근거가 생겨, 구조 분석이 작업을 따라 설계 과정 전반에 관통할 수 있다.

판단 근거가 마련되면 다음 단계는 설계 사고를 계산으로 구현하는 것이다.

단백질 설계 분야에는 이미 많은 전문 도구가 등장했다. 예를 들어 AlphaFold 등의 모델은 구조 예측에 사용되고, ProteinMPNN은 주어진 구조에 대해 아미노산 서열을 설계할 수 있으며, Pallatom은 전원자(all-atom) 단백질 생성을 지향하고, RFantibody는 항체 설계를 지원한다…… Agent는 작업 의도에 따라 스스로 해당 역량을 선택한다.

다만 도구가 많아지면 그것을 사용하는 것 자체도 작업량을 발생시킨다. 서로 다른 모델의 입력, 출력과 실행 환경이 반드시 일치하지는 않으며, 이전 계산의 파일을 다음 도구에 어떻게 넘길지, 설계 조건을 매개변수로 어떻게 변환할지 모두 누군가가 처리해야 한다.

이 문제를 해결하기 위해 Lévin™ Harness는 맞춤형 플러그인 시스템을 통해 전문 역량을 동일한 환경에 접속시켰다.

이미 접속된 플러그인의 경우, 시스템이 도구의 다운로드, 설치와 호출을 자동으로 완료할 수 있으며, Agent는 목표에 따라 스스로 적합한 도구를 선택하고 매개변수를 설정하며 해당 계산을 연결한다.

또한 사용자는 플러그인을 통해 새로운 모델과 과학 역량을 계속 추가하고 자신만의 전용 플러그인을 구축할 수 있어, 연구 방법의 선택 공간을 보존한다.

이와 동시에 컴퓨팅 자원 역시 이 작업 사슬에 접속되었다.

구조 생성과 대량 스크리닝은 종종 GPU 작업을 지속적으로 실행해야 하는데, Harness는 로컬 워크스테이션에 연결하거나 작업을 원격 GPU 서버에 제출해 대형 계산을 백그라운드에서 진행하고, 완료된 뒤 Agent가 산출물을 분석해 후속 단계를 추진할 수 있다.

binder 작업으로 돌아가면, 이때 Agent는 후보 생성과 평가를 조직하고 구조 분석과 결합해 선별 근거를 제시할 수 있다.

다만 한 라운드의 계산이 끝나도 연구는 보통 아직 완료되지 않는다. 후보가 제약을 충족하지 못했거나 서로 다른 평가 항목에서 상이한 성능을 보인다면, 연구자는 여전히 문제가 어디에 있는지 판단해야 한다.

이를 위해서는 워크플로(Workflow)가 필요하다. 이러한 역량을 실행 가능하고 수정 가능한 연구 방법으로 조직하는 것이다. Harness에서 이는 연구자가 과학적 방법과 핵심 의사결정을 정하고, Agent가 연결, 실행과 디버깅을 보조하며, 결과에 따라 조정에 참여하는 것으로 나타난다.

예를 들어 한 라운드의 후보가 모두 기대에 미치지 못하면, 연구자와 Agent는 결합 부위와 설계 제약을 다시 살펴보고, 생성 방법과 스크리닝 전략을 점검한 뒤, 어느 고리를 수정할지 결정해야 한다.

Agent는 제안을 제시하고 새 방안을 실행할 수 있으며, 연구자는 이러한 판단을 검토해 작업이 원래의 연구 목표를 중심으로 계속 추진되도록 한다.

후보가 실험에 들어간 뒤에는 정리된 실험 결과도 프로젝트로 반환되어 다음 라운드 설계의 근거가 될 수 있다. 만약 분자가 예상 기능을 나타내지 못하면 팀은 평가 방법을 다시 검토해야 한다.

이 일련의 흐름을 직관적으로 이해하면, 실험 조작은 여전히 실험 팀이 완료하고, Harness가 이어받는 것은 연구자, 계산 도구와 피드백 사이의 협업이다.

여러 라운드의 조정을 거치면서 검증된 도구 조합, 매개변수와 점검 단계는 워크플로에 남아 유사한 작업에 재사용될 수 있다.

Lévin™ Harness의 제품 사고는 항상 연구 작업을 어떻게 계속 추진할 것인가를 중심으로 하며, 서로 다른环节이 연구 목표를 중심으로 이어져 하나의 '연구 폐쇄 루프'를 형성하도록 한다.

현재 Lévin™ Harness는 연구 커뮤니티에 개방되어 사용할 수 있으며, Apple 칩을 탑재한 Mac을 지원한다.

러원쒀가 개발한 Agent로서, 이는 팀이 단백질 설계에서 쌓아온 다년간의 축적을 자연스럽게 계승한다. 오늘날의 모습을 이해하려면 이 회사가 시작한 지점으로 돌아가야 한다.

AI 단백질 설계 기업은 왜 스스로 Harness를 만드는가?

항저우 러원쒀 생물과학기술 유한공사(杭州力文所生物科技有限公司)는 2021년 9월에 설립되었다. 회사 이름은 단백질 과학의 고전적 명제인 Levinthal 역설(Levinthal悖论)에서 왔다.

한 단백질에는 이론상 극도로 방대한 수의 가능한 형태(conformation)가 존재하며, 만약 완전히 무작위 시도로 자연 구조를 찾는다면 이론적 소요 시간이 우주의 나이를 훨씬 초과할 수도 있다. 그러나 자연계의 단백질은 극히 짧은 시간에 접힘을 완료할 수 있다.

따라서 거대한 탐색 공간에서 어떻게 유효한 경로를 빠르게 찾을 것인가는 단백질 과학의 오랜 연구 문제 중 하나가 되었다.

러원쒀가 처음 해결하고자 했던 문제도 단백질을 둘러싼 것이었다. 알려진 바에 따르면, 그 최초의 목표는 범용형 단백질 설계 기업이 되는 것, 즉 서로 다른 분자와 응용을 대상으로 설계 역량을 제공하면서 동시에 자체 제품을 발전시키는 것이었다.

'범용형'은 팀이 결합 단백질, 항체, 환상 펩타이드(cyclic peptide)와 산업용 효소 등 서로 다른 방향을 마주해야 함을 의미한다. 이러한 단백질은 용도와 요구가 각기 다르므로, 러원쒀는 공용으로 사용할 수 있는 설계 역량을 찾아내고, 이 역량을 구체적인 프로젝트에 넣어 검증해야 했다.

이러한 범용형 노선 선택은 러원쒀를 뒷받침하는 창업팀과 관련이 있다.

회사 창업자 겸 CEO 왕하오보(王浩博)는 베이징대학교 박사, 하버드대학교 박사후 과정 배경을 지녔으며, 단백질 AI 분야 학자 Sergey Ovchinnikov의 지도 아래 유기화학, 구조생물학, 생물정보학과 인공지능을 아우르는 연구 경력을 쌓았다.

러원쒀 팀 자체도 매우 강한 학제 간 특성을 지니며, 컴퓨터 과학, 구조생물학, 화학 분야의 전문 지식과 실제 실험 능력을 동시에 갖추고 있다.

초기에 러원쒀는 Lésign 지능형 단백질 설계 플랫폼을 구축했고, 이후 기술 중심을 전원자 단백질 생성으로 더욱 밀어붙였다.

그중 가장 대표적인 작업이 바로 러원쒀가 자체 개발한 전원자 단백질 생성 모델 Pallatom이다.

골격(backbone)이 단백질의 주체 구조를 구성하고 곁사슬(side chain)이 골격에 연결되므로, 골격, 서열과 곁사슬의 모양, 위치와 화학적 성질은 모두 단백질이 어떻게 접히고 다른 분자와 어떻게 상호작용하는지에 영향을 미친다.

많은 단백질 생성 방법은 먼저 골격을 생성하고, 그다음 일치하는 서열을 설계하고, 이후 곁사슬을 최적화한다. 연구자는 이러한 단계를 지속적으로 조율해야 한다.

반면 Pallatom은 전원자 차원에서 이러한 연관성을 처리하며, 서열과 구조의 협동 설계를 통일된 생성 과정에 포함시키고, 전원자 좌표를 포함한 구조를 출력함으로써 모델이 설계 시점에 분자 각 부분 간의 연관성을 고려하도록 하고, 후속 연구에 더 완전한 출발점을 제공한다.

이 연구는 2024년에 공개되었고, 이후 ICML 2025 Spotlight에 선정되었다.

Pallatom은 또한 엔비디아(NVIDIA) 공식 홈페이지에 대표적인 '단백질 기반 모델'로 등재되어 AlphaFold 3, ESM-3, Proteína와 나란히 소개된 바 있다.

Pallatom이 비교적 일찍 추진한 전원자 생성 사고는 이후 점차 단백질 생성 모델의 중요한 기술 방향이 되었다.

예를 들어 2025년에 발표된 RFdiffusion3는 단백질 전원자 구조를 직접 생성하기 시작했고, atom14 표현을 채택해 미지의 서열 상황에서의 곁사슬 원자를 처리했다. 이후 발표된 범용 binder 설계 모델 BoltzGen 역시 유사한 전원자 표현을 채택했다.

BoltzGen 논문은 관련 기술 노선을 정리할 때 Pallatom을 직접 인용했으며, Pallatom, RFdiffusion3와 BoltzGen을 padded atom14 표현을 채택한 전원자 생성 방법으로 나란히 열거했다.

△Pallatom 모델 아키텍처 개략도, 사진 출처: 러원쒀

전원자 노선을 따라 러원쒀는 다시 역량을 결합 단백질, 항체, 환상 펩타이드 등의 작업으로 확장해 Pallatom 제품군을 형성했으며, 소분자 리간드 결합 단백질 설계를 위한 Pallatom-Ligand도 ICLR 2026에 선정되었다.

이러한 여러 방향으로의 확장은 점차 회사의 '범용형' 목표와 연결되고 있다.

그러나 후보가 계산에서 좋은 평가를 받는 것은 그것이 추가 연구할 가치가 있음을 의미할 뿐이며, 제조될 수 있고 예상 기능을 실현할 수 있는지는 실험이 답해야 한다.

러원쒀의 관점에서 단백질 구조 예측 자체는 직접적으로 실제 가치를 창출하지 않는다. 실제로 생산과 응용 시나리오에 들어갈 수 있는 분자는 반드시 실험 검증을 거쳐, 그것이 체외(in vitro)나 구체적 응용 환경에서 실제로 성립함을 증명해야 한다.

그래서 팀은 회사의 '건식(dry)'과 '습식(wet)' 두 가지 역량이 동시에 구축되어야 한다고 본다. 전자는 계산 설계와 분석을, 후자는 실제 생물 실험을 가리킨다.

량쯔웨이가 확인한 바에 따르면, 회사는 설립 초기부터 알고리즘 팀과 습식 실험 팀을 동시에 구축했으며, 양측은 끊임없이 서로에게 새로운 문제를 제기한다.

이는 국내 AI for Science 팀 중에서는 상대적으로 드문 구조로, '우산형 구조(伞形结构)'로近似해서 이해할 수 있다.

공용 AI 설계 능력으로 서로 다른 전문 분야와 제품 라인을 뒷받침하고, 실험 체계를 통해 결과를 이어받으며, 구체적인 수요가 다시 공용 능력의 개선을 이끌어낸다. 이로써 범용 능력과 제품 개발은 서로를 검증할 수 있게 된다.

회사 자료에 따르면, 항저우에 건설한 산업화 플랫폼은 면적이 3000제곱미터를 넘으며, 그중에는 1000제곱미터 규모의 만급(萬級) 청정구역이 포함되어 있고, 동시에 발효, 원심분리, 균질화, 여과, 컬럼 크로마토그래피 등의 설비를 갖추어 실험 검증, 중시험(파일럿)에서 나아가 추가 확대까지 가능한 능력을 보유하고 있다.

하나의 단백질 연구개발 과제는 이로 인해 점점 더 길어진다. 앞에는 알고리즘 설계가 있고, 중간에는 모델 선별이 있으며, 뒤이어 서열 합성, 활성 테스트, 방향성 진화로 들어가고, 그 이후에는 공정 개발과 중시험으로까지 이어질 수 있다.

이 사슬은 현재 이미 적지 않은 명확한 결과를 산출해 냈다.

리원수(力文所)가 제조한 스테비올 배당체 효소 제제는 효소 전환율이 95%에 달하고 생산 원가가 50% 하락했다. 그 브라질산 단맛 단백질(타우마틴)은 AI 기반 재조합 발현법으로 전통적인 식물 추출을 대체하여 순도가 90%에 달하고 원가가 식물 추출법의 10분의 1로 낮아졌다.

AI 단백질 설계 회사에게 이는 곧 모델이 계산 차원의 답을 제시했을 뿐만 아니라, 그중 일부 설계가 이미 실제로 제조될 수 있게 되어 생산과 응용 단계로 계속 나아가고 있음을 의미한다.

다만 단일 지점의 능력이 강해지고 연구개발 사슬이 점점 길어지면서, 모델 바깥의 프로세스 연결이 또 하나의 비용이 되기 시작했다.

연구자들은 여전히 정보를 정리하고, 도구를 설정하고, 계산을 제출한 뒤, 흩어진 결과를 다시 조직하는 데 많은 시간을 써야 한다.

Lévin™ Harness는 바로 이러한 배경에서 탄생했다.

알려진 바에 따르면, 리원수는 2026년 초에 이미 Harness 프로젝트를 추진하여 조사, 모델 호출, 계산과 분석을 동일한 환경에 넣었다.

프로젝트는 처음에는 내부 연구개발을 지원했으나, 이후 팀이 과학 연구 커뮤니티의 요구가 점차 명확해지는 것을 감지하고 이를 커뮤니티에 개방해 사용하는 제품으로 정리하기 시작했다.

다만 내부 도구가 외부로 나아갈 때, Harness는 또 하나의 요구에 직면해야 한다.

다른 기관은 이미 자체 모델, 데이터와 방법을 가지고 있는데, 이러한 기존 축적이 새로운 Agent 환경에서 어떻게 계속 역할을 발휘할 수 있을까?

연구기관이 자체 AI 과학연구 시스템을 갖도록 하기

새로운 도구 한 세트가 제약회사나 실험실에 들어갈 때, 마주하는 것은 대개 이미 여러 해 동안 돌아가고 있는 연구 환경이다. 팀은 보통 이미 자주 쓰는 모델을 선택했고, 서버를 구축했으며, 대량의 분석 스크립트도 작성하여 자신만의 실험과 선별 방법을 형성해 두었다.

한 세트의 Agent를 도입할 때 우선 고려해야 하는 것은 바로 이러한 투입이 어떻게 계속 활용될 수 있는가이다.

Lévin™ Harness가 유지하는 모델 선택, 플러그인 확장과 연산력 접속 공간이 바로 여기에서 역할을 발휘한다.

연구팀은 자신의 요구에 맞는 범용 대형 모델을 선택하고, 플러그인을 통해 새로운 전문 능력을 접속하며, 기존의 계산 자원을 그대로 사용하고, 다시 자신의 프로젝트를 중심으로 프로세스를 조직하여 자신에게 더 적합한 단백질 설계 파이프라인을 구축할 수 있다.

다만 기관이 실제 프로젝트를 여기에 넣고 사용할 의향이 있는지는 또 하나의 관건적 요소, 즉 데이터 경계가 명확한지를 확인해야 한다.

결국 공개되지 않은 타깃, 후보 서열과 실험 결과는 구체적인 연구개발 방향과 관련되며, 실패 기록 역시 팀이 이미 시도해 본 경로를 담고 있다.

외부 도구가 이러한 단계에 들어가려면, 연구기관에 데이터의 안전성을 확인시켜야 한다.

이에 대해 Lévin™ Harness는 사용자의 프로젝트, 대화, 설정과 API 키가 모두 사용자 자신의 기기에 저장되며, 대화는 사용자가 설정한 대형 모델 제공업체로 전송된다고 강조한다.

백업 여부와 백업 위치는 모두 사용자가 스스로 결정하며, 리원수는 사용자의 사설 대화나 파일을 자사 모델 학습에 사용하지 않는다.

이로써 기관은 자신의 요구에 따라 모델 서비스와 저장 방식을 선택하고, 외부 지능 능력을 프로젝트에 접속하면서도 설계 성과와 연구 기록의 보존 방식을 파악할 수 있다.

또한 각 팀이 방법을 선택하고 선별 기준을 조정한 경험, 그리고 실험이 기존 가설을 수정한 내용은 모두 각자의 구체적인 프로젝트에서 비롯된다.

따라서 동일한 공개 모델을 서로 다른 실험실에서 사용한다 하더라도, 서로 다른 팀이 그로 인해 같은 연구 능력을 갖게 되는 것은 아니다.

다만 주의해야 할 점은, 이러한 경험 중 실제로 상당 부분이 스크립트, 실험 기록 혹은 개인의 기억 속에 흩어져 있다는 것이다. 같은 팀의 후임자가 최종 결과를 넘겨받더라도, 특정 파라미터나 경로를 채택한 이유를 반드시 이해하는 것은 아니다.

그렇다면 연구 방법과 그에 상응하는 과정 기록을 남겨 둘 수 있을까?

Harness의 선택은 그중 실행 가능하고 재사용 가능한 부분을 Workflow에 들어가게 하고, 프로젝트 기록과 결합하여 조정 근거를 남겨 팀이 계속 검증하고 수정할 수 있도록 하며, 공유 여부 또한 팀이 결정하도록 하는 것이다.

기관은 이로써 점차 자신만의 전용 AI 과학연구 시스템을 형성할 수 있다. 범용 모델은 지능 능력을 제공하고, 전문 모델은 과학 계산을 담당하며, 팀 자신의 Workflow는 그것이 어떻게 문제를 제기하고, 결과를 검증하고, 프로젝트를 추진하는지를 구현한다.

이 전제가 성립한 뒤에야 개방형 생태계가 지속적으로 발전할 기반을 갖게 된다.

개발자는 모델과 플러그인을 제공할 수 있고, 연구자는 적용 가능한 워크플로를 공유할 수 있으며, 사용 기관은 공공 능력 위에서 자신의 타깃, 후보와 실험 데이터를 보존한다.

리원수는 이러한 능력을 연결하고 운영하는 제품 작업을 담당하여, 공유된 방법과 기관 자신의 축적이 동시에 발전할 수 있도록 한다.

이러한 방식은 사실 리원수가 앞서 Pallatom 1세대 모델 코드를 공개했을 때의 사고방식도 이어간다.

코드를 공개하면 커뮤니티가 한 가지 방법을 검사하고 사용할 수 있지만, 사용자는 여전히 적용 과제를 이해하고, 입력을 준비하고, 출력을 평가해야 한다. 이제 Harness가 사용을 개방한 것은 바로 이러한 단계를 더 조직화하여, 전문 능력이 더 많은 실제 연구에 들어갈 기회를 갖도록 하는 것이다.

리원수에게 이것은 자사 프로젝트 바깥의 성장 공간도 열어 준다. 이전에 주로 내부 연구개발을 지원하던 경험이 일단 재사용 가능한 플러그인과 워크플로로 전환되면, 더 많은 실험실에 들어갈 기회를 갖게 된다.

그리고 이러한 방법이 서로 다른 프로젝트에서 안정적으로 작동한 뒤에는, 회사가 축적한 과학 및 엔지니어링 능력도 제품 사용과 함께 확대될 것으로 기대된다.

리원수는 이 논리의 궁극적 목표를 제시했다. Harness가 계속 합성과 실험을 연결하고, 과제와 샘플을 추적하며, 데이터 수집, 분석 및 피드백을 지속적인 반복에 포함시켜 점차 「24시간 지능형 연구개발 공장」에 가까워지도록 하는 것이다.

현재 업계 차원에서 보면, 범용 대형 모델과 전문 과학 도구가 끊임없이 발전하는 동시에 AI for Science는 더 세밀한 분업을 형성하기 시작했다.

범용 모델은 목표를 이해하고 과제를 계획할 수 있고, 전문 과학 모델은 계산을 담당하며, 실험 체계는 결과를 검증하는 역할을 맡는다. 단일 지점의 능력이 점점 풍부해진 뒤, 새로운 난제가 이러한 단계들 사이에서 나타나기 시작한다.

한 과제에 어떤 모델을 호출해야 하는지, 서로 다른 도구를 어떻게 조합해야 하는지, 어떤 결과가 실험에 계속 투입할 가치가 있는지, 실험 피드백이 돌아온 뒤 다음 라운드 방안을 어떻게 조정해야 하는지.

이러한 작업은 겉으로 보기에는 모델과 도구를 연결하는 것 같지만, 그 이면에는 과학 문제와 실제 연구개발 과정에 대한 이해에 의존하고 있다. 과학연구 폐루프가 지속적으로 작동할 수 있는지는 궁극적으로 이러한 판단, 실행과 피드백이 진정으로 이어질 수 있는지에 달려 있다.

이는 또한 AI for Science가 이제 새로운 유형의 조직을 필요로 하기 시작했음을 의미한다.

그것은 전문적인 핵심 능력을 갖추어야 할 뿐만 아니라, 외부 도구와 기관 자신의 축적을 수용해야 하며, 더욱이 업계의 문제점에 대해 명확히 인식하고 있어야 한다.

현재 이러한 능력을 겸비한 회사는 여전히 드물다.

그리고 Pallatom에서 Lévin™ Harness까지 줄곧 걸어온 리원수는, 가장 먼저 이 위치에 올라선 조직자 중 하나가 되었다.