AI for Science 분야는 단순히 모델의 능력만으로 해결되지 않는다. 모델이 이미 알고 있는 지식을 끌어내고, 올바른 질문을 던지며, 발견된 패턴을 실제 실험(또는 임상)으로 연결하는 과정에는 인간의 취향과 의사결정 능력이 결정적인 역할을 한다.
노정석이 제안한 두 번째 도망 방향인 AI for Science는 unbundling ChatGPT와 달리 극심한 경쟁이 덜하고, 중후장대한 영향력을 가질 수 있는 영역이다. 하지만 진입 장벽은 높다: 도메인 용어가 귀에 박히지 않으면 접근조차 어렵다. 원문에서 “GPT-Rosalind 프롬프트는 외계어”라는 평가가 이를 잘 보여준다.
GitLab CEO Sid Sijbrandij의 사례는 이 점을 극적으로 보여준다. 그는 의사의 인센티브(책임 회피)와 환자의 인센티브(해결책 극대화)가 충돌하는 의료 시스템에서, 개인화된 정밀의료(personalized precision medicine)라는 새로운 접근법으로 자신의 4기 암을 치료했다. 유전자 시퀀싱, mRNA 백신 기술, T세포 설계 등 전 과정을 소프트웨어 엔지니어링으로 해결한 것이다.
근거
노정석은 “모델은 이미 다 알고 있는 것들이 너무 많더라고요”라며, 모델의 지식 cutoff 이후에 발표된 논문의 결론을 제거하고 가정만 주었을 때 모델이 유사한 추정을 내놓는 현상을 언급한다. 또한 “AI for Science 영역을 가르는 것은 간단한데, 어떤 도메인을 봤을 때 그 도메인에 있는 사람들이 얘기하는 용어들이 귀에 안 박히면 그냥 새 도메인이다”라고 말한다.
이때 필요한 것은 “취향에 대한 의사결정”이다. 수많은 신호 중에서 “여기가 중요해, 여기를 해야 해”라는 결정을 내리는 능력이 인간의 가치가 되는 세상이 열리고 있다. 이는 Automated Alignment Researcher에서 weak model이 strong model을 가이드하는 문제와도 연결된다.
연결된 생각
- 20260605-capability-overhang — AI for Science는 capability overhang을 실제 가치로 전환하는 대표적인 사례.
- 20260605-70-day-release-cycle-signals-exponential-progress — 빠른 모델 발전이 AI for Science의 가능성을 계속 확장시킴.
출처
- 📎 클리핑: 20260613-ep98-ko-transcript