AI가 20년짜리 소재 개발을 80시간으로 압축했다 — 그런데 성공률은 0.033%다
Microsoft와 미국 태평양 북서부 국립연구소(PNNL)가 협력해 리튬 사용량을 줄인 신규 고체전해질 소재를 단 80시간 만에 발굴했다. 전통적 방식으로 약 20년(추정)이 걸릴 일이다. Google DeepMind의 GNoME 모델은 안정 신소재 후보 220만개를 AI로 생성했고, 이 중 736개는 외부 연구소에서 실제 합성을 성공적으로 완료했다. 그러나 AI가 생성한 220만개 후보 중 최종 합성 성공 비율은 약 0.033%(추정)다. 속도 혁명은 실제이지만, 생성과 검증 사이의 간극도 실제다.
산업 정의 — 배터리 제조업이 아닌 ‘R&D 가속 인프라’ 산업
이 산업의 핵심은 배터리 제조가 아니라 그 상류에 있다.
| 단계 | 내용 | 성숙도 |
|---|---|---|
| AI 모델·알고리즘 개발 | GNoME, MatterGen, AMI 등 | 초기 성장기 |
| 소재 시뮬레이션·스크리닝 | 1차 가상 탐색, 후보 생성 | 성장기 |
| 자율실험실 합성·검증 | 로봇 기반 자율 합성 | 태동기 |
| 배터리 제조사 파이프라인 채택 | 실제 양산 적용 | 극초기 단계 |
시장 규모는 글로벌 AI 신소재 발굴(AI in Materials Discovery) 시장 기준 2024년 약 5억3,640만달러에서 2034년 약 55억8,420만달러로 성장할 것으로 전망된다(CAGR 약 26.4%, 추정, 출처: market.us 2025년 발행 리포트). 이 중 배터리 소재 분야가 약 32.4%(추정)를 차지한다.
핵심 플레이어 — 빅테크, 스타트업, 배터리 제조사의 삼각 구도
| 포지션 | 대표 기업·기관 | 핵심 역할 |
|---|---|---|
| AI 플랫폼 | Google DeepMind, Microsoft | GNoME, MatterGen+MatterSim |
| 자율실험실 | 버클리 국립연구소, PNNL | 로봇 합성·검증 파이프라인 |
| 특화 스타트업 | Aionics, Citrine Informatics | 전해질·소재 포뮬레이션 AI |
| 배터리 제조사 | CATL, LG에너지솔루션, SK온 | 독점 실험 데이터 보유 |
핵심 긴장 관계가 여기서 발생한다. AI 플랫폼을 보유한 빅테크는 가장 강력한 모델을 갖고 있지만 배터리 제조 실험 데이터가 없다. 배터리 제조사는 수십 년간 축적한 비공개 실험 데이터가 있지만 AI 역량은 빅테크 대비 격차가 있다(추정). 이 두 자원을 어떻게 결합하느냐가 산업의 핵심 게임이다.
단위 경제학 — AI가 소재 발굴 1건의 비용을 어떻게 바꾸나
AI 도입 전후의 소재 발굴 비용을 비교하면:
- 전통 방식: 신소재 1개 개발에 1억
5억달러(추정), 기간 1520년(추정) - AI 스크리닝: 후보 생성 단계 비용은 GPU 추론비용 수준으로 대폭 감소
- 실험 검증 단계: 후보 1건당 수천만~1억원 수준의 실험 비용은 여전히 필요
- 자율실험실 CAPEX: 버클리 국립연구소 + Google 협력 사례 기준 수백억~수천억원(추정)
가장 큰 레버는 스크리닝 처리량이다. Citrine Informatics는 5개월 안에 150개 이상의 솔벤트 블렌드를 기존 벤치마크 대비 우수한 성능으로 발굴한 사례가 있다. 다만 가장 큰 병목은 ‘생성’이 아니라 ‘검증’이다.
AI가 만들어내는 후보를 실험실에서 검증하는 처리량이 AI 생성 속도를 따라가지 못하는 것이 2026년 현재의 진짜 제약이다. 수율(hit rate) 0.033%(추정)는 220만개 생성해도 검증 가능한 것이 수천 개 수준임을 의미한다.
CATL의 전략 — ‘AI 소프트웨어 기업’으로의 전환 시도
CATL은 2025년 R&D 투자 221.5억위안(약 5.0조원, 추정 환율 적용)으로 소재개발·공정자동화·수명예측·품질관리 통합 AI 플랫폼을 구축하고 있다. 모건스탠리는 CATL의 홍콩 R&D센터 전략을 ‘AI 소프트웨어 기업으로의 전환 시도’로 평가했다.
소재 합성 업무의 70~80%(추정)가 AI 자율실험실로 자동화됐으며, 단기(소듐이온)·중기(전고체)·장기(리튬-에어)를 동시에 AI로 개발하는 3단계 로드맵을 공식 발표했다.
한국 배터리 3사의 대응:
- LG에너지솔루션: LMR·리튬메탈·소듐 배터리 개발에 AI 시뮬레이션 활용
- 삼성SDI: 2026 인터배터리에서 로봇용 파우치형 전고체 샘플 공개, AI 소재 발견과 연계 추진
- SK온: 소재개발~제조공정 전 과정 AI 기반 리스크 관리 체계 구축
한국 정부는 2026년 R&D 예산 35조5,000억원(전년比 +19.9%) 중 차세대 이차전지 R&D에 1,800억원을 별도 지원하며, ‘국가소재연구데이터통합플랫폼’ 구축을 추진하고 있다.
3대 기술 병목
수율 0.033%(추정)에 머무는 이유는 세 가지 기술 병목에서 비롯된다.
병목 1: 고품질 학습 데이터 부족 (긴급도 최상) 배터리 1사이클 = 수시간~수십 시간 소요. 열화(SOH) 패턴 학습에 필요한 장기 사이클 데이터가 절대적으로 부족하다. 합성 데이터(물리 기반 시뮬레이션)와 데이터 컨소시엄이 해결 경로로 논의 중이다.
병목 2: 소재 발굴→양산 번역 장벽 (긴급도 높음) 실험실 스케일에서 양산 스케일로 전환할 때 성능 재현성 문제가 발생한다. Microsoft-PNNL N2116 소재도 양산 검증 진행 중이다. AI가 발굴했다고 바로 양산에 투입할 수 없다.
병목 3: 안전성 예측 신뢰도 (긴급도 높음) 열폭주(Thermal Runaway) 예측 AI의 False Negative 오류는 인명 피해로 이어질 수 있어 규제 당국의 높은 검증 기준이 요구된다. 물리정보 신경망(PINN) 기반 접근이 이 병목의 해결 경로로 주목받고 있다.
My Take
이 산업이 흥미로운 이유는 기술의 비대칭성 때문이다. 빅테크는 AI 역량을 갖고 있지만 데이터가 없다. 배터리 회사는 데이터가 있지만 AI 역량이 부족하다. 그리고 두 쪽 모두 그 데이터를 쉽게 공유하지 않는다.
R&D 배경을 가진 시각에서 이 산업을 보면, 가장 중요한 자산은 알고리즘이 아니라 수백만 사이클의 실제 배터리 실험 데이터다. AI 모델 품질은 데이터 품질에 비례하며, 이 데이터를 가장 많이 보유한 기업이 3년 뒤에도 AI R&D에서 앞서 있을 가능성이 높다.
한국 정부의 국가소재연구데이터통합플랫폼 추진은 맞는 방향이라고 생각한다. 개별 기업이 데이터 사일로를 유지하는 구조에서는 빅테크의 범용 AI에 지속적으로 의존하게 된다. 데이터 공유 컨소시엄 구축이 한국 배터리 산업 AI R&D의 핵심 전략 과제 중 하나다. 이는 기업 단독의 노력보다는 산·학·연·정 협력 모델이 필요한 영역이다.