리뷰 논문 한 편에 2년 걸리던 연구실이, 지금 100페이지급 리뷰를 수십 편 만들고 있어요
챗봇에게 논문을 요약시키는 것과, AI가 데이터베이스를 뒤지고 계산을 돌리고 결과를 검증까지 하는 건 완전히 다른 차원의 이야기예요. 6월 30일 Anthropic이 공개한 Claude Science는 후자입니다. 이름에 assistant가 아니라 workbench를 골랐다는 것부터가 선언이에요 — 옆에서 거들어 주는 도구가 아니라, 연구자가 그 위에서 하루 종일 일하는 환경을 만들겠다는 거죠.
무슨 일이 있었나
6월 30일 Anthropic이 Claude Science를 베타로 공개했어요(macOS·Linux). 구조를 뜯어보면 이렇습니다.
과학용 skill과 connector가 60개 넘게 미리 깔려 있어요. skill은 특정 작업의 절차와 도구를 묶어둔 패키지고, connector는 외부 데이터베이스나 서비스로 연결하는 통로라고 보면 돼요. Claude Code에서 skill을 만들어 쓰는 것과 같은 개념이 연구 도구로 옮겨온 거죠. 영역은 유전체학, 단일세포 분석, 단백질체학, 구조생물학, 화학정보학 — 전부 생명과학·화학 쪽이에요. UniProt(단백질), PDB(단백질 구조), ChEMBL(화합물), GEO(유전자 발현) 같은 표준 공공 데이터베이스가 연결되고, NVIDIA BioNeMo의 생명과학 모델들(Evo 2, Boltz-2, OpenFold3)도 붙어 있습니다.
멀티에이전트 구조예요. 총괄 에이전트가 질문을 받아 전문 에이전트들에게 일을 나누고, 그 결과를 별도의 reviewer agent가 검사해요. 인용이 실제 문헌과 맞는지, 계산에 오류가 없는지를요. 그리고 모든 산출물에는 어떤 과정을 거쳐 만들어졌는지 추적할 수 있는 이력이 붙어요. 연구자에게 이건 장식이 아니에요. “AI가 만든 결과를 논문에 쓸 수 있는가”라는 질문의 답이 바로 이 auditability(감사 가능성)에 달려 있거든요.
계산은 연구실 인프라에서 돌아요. 노트북, 리눅스 워크스테이션, HPC(대학·연구소의 고성능 컴퓨팅 클러스터) 어디서든 실행되고, 필요하면 GPU 1개에서 수백 개까지 확장돼요. 중요한 건 데이터의 위치인데요 — 민감한 실험 데이터가 외부 서버로 나가지 않고 원래 있던 시스템에 머뭅니다. 데이터 보안 규정이 깐깐한 기관에서도 도입을 논의할 수 있는 구조를 처음부터 만든 거예요.
접근과 지원. Pro·Max·Team·Enterprise 구독자가 대상이고, 활동 중인 학술 연구실은 Team 플랜을 할인가로 쓸 수 있어요. 그리고 AI for Science 지원 프로그램이 같이 열렸어요 — 최대 50개 프로젝트에 크레딧 최대 $30,000와 Modal(클라우드 GPU 서비스) 컴퓨트 $2,000를 줍니다. 신청 마감은 7월 15일이고, 프로젝트 기간은 9월 1일부터 12월 1일까지예요.
발표에 실린 초기 사례가 규모를 보여줘요. Allen Institute 연구팀은 예전 같으면 한 편에 2년까지 걸리던 대형 리뷰를, 지금 100페이지급으로 수십 편씩 진행 중이고요, UCSF 뇌종양센터는 생식세포 변이 분석 시간을 약 10분의 1로 줄였다고 합니다.
왜 중요한가
‘AI에게 시키는 것’과 ‘AI 위에서 일하는 것’의 차이가 핵심이에요. 지금까지 연구자의 AI 활용은 사람의 작업 흐름 사이사이에 AI를 끼워 넣는 방식이었어요. 논문 요약을 시키고, 코드를 짜달라 하고, 결과를 복사해서 내 분석에 붙였죠. Claude Science는 방향이 반대예요. 데이터베이스, 계산, 시각화, 검증을 한 환경에 모아두고 사람이 그 위에서 일합니다. 이 전환이 일어나면 연구 워크플로우는 부분 개선이 아니라 재설계가 돼요.
검증과 재현성을 기본값으로 박았어요. reviewer agent와 산출물 이력은 “AI 결과를 믿어도 되는가”라는 과학계의 가장 뾰족한 질문에 대한 제품 차원의 답이에요. 발표된 연구 결과가 재현되지 않는 문제, 이른바 재현성 위기로 몸살을 앓아온 분야에서 이 설계는 벤치마크 점수보다 중요할 수 있어요. AI 도구를 고를 때 “얼마나 똑똑한가”만큼 “결과를 어떻게 검증하고 추적하는가”를 봐야 한다는 기준을 보여주는 사례이기도 하고요.
생명과학이 첫 격전지가 된 데는 이유가 있어요. 60여 개 connector가 전부 바이오·화학 영역인 건 우연이 아니거든요. 이 분야에는 UniProt, PDB처럼 수십 년간 쌓이고 표준화된 공공 데이터베이스가 있어요. AI workbench는 정리된 데이터가 있는 곳에 먼저 옵니다. 데이터 표준화가 약한 분야는 그만큼 뒤에 온다는 뜻이기도 해요.
My Take
재료·배터리 연구를 해온 입장에서 부러운 건 60개의 connector 그 자체가 아니에요. connector가 깔린 분야와 아닌 분야의 격차가 벌어지기 시작했다는 사실이에요. 재료과학에는 아직 UniProt 같은 표준이 약하거든요. 거꾸로 말하면, 자기 데이터를 구조화해 둔 연구자부터 이런 도구의 수혜를 입는다는 뜻이죠.
그래서 실행 포인트를 셋으로 나눠 봤어요.
생명과학·화학 쪽 연구자라면, 7월 15일 마감인 AI for Science부터 챙기세요. $30,000 크레딧은 연구실 규모에서 무시할 금액이 아니고, 신청에 드는 비용은 시간뿐이에요. 떨어져도 잃는 게 없습니다.
해당 분야가 아니라면, 기다리지 말고 데이터부터 정리하세요. 구체적으로는 이런 것들이에요 — 실험 조건과 결과를 파일마다 제각각인 엑셀이 아니라 일관된 필드(재료, 공정 조건, 측정값, 날짜)로 기록하기, 문헌 노트에 태그와 출처를 구조화해서 붙이기. 한마디로 “사람만 읽을 수 있는 기록”을 “기계도 읽을 수 있는 기록”으로 바꾸는 거예요. 저도 올해부터 논문·실험 데이터를 파라미터 단위로 쪼개 구조화된 DB로 쌓기 시작했는데, 이런 발표를 볼 때마다 그 판단에 확신이 붙어요. workbench는 결국 정리된 데이터부터 연결하니까요.
그리고 어느 분야든, reviewer agent라는 개념은 지금 바로 가져다 쓸 수 있어요. 거창한 도구 없이도 됩니다. AI에게 초안을 시킨 뒤, 별도의 새 대화에서 “이 결과의 인용과 수치를 검증하라”고 시키는 2단계 습관만으로 결과물의 신뢰도가 달라져요. 생성과 검증을 분리하는 것 — Claude Science가 제품으로 구현한 이 원칙은 개인 워크플로우에서도 그대로 통합니다.
댓글Comments