정의
AI 기반 과학 발견 가속화 패러다임은 2025년 말에서 2026년 초에 걸쳐 확인된, 인공지능이 수학·생물학·화학 등 과학 전 분야의 가설 수립, 증명, 실험, 검증 과정을 주도적으로 수행하게 된 현상을 가리킨다. 이는 2025년 ‘코딩의 해’에 이어 2026년 ‘과학의 해’가 될 것이라는 전망을 현실화시키는 흐름이다.
핵심 속성
- verifiable reward 기반 확장: thinking 모델 이후, 보상이 검증 가능한(verifiable reward) 영역(수학, 코딩, 과학)은 AI가 자율적으로 해결 가능한 게임으로 전환됨.
- 습식 실험실(Wet Lab) 자동화와 피드백 루프: AI가 후보 물질을 논리로 선별하고, 로봇이 실제 실험을 수행하여 데이터를 생성, 그 결과를 다시 학습에 반영하는 폐쇄 루프가 구축됨.
- AI-인간 협업의 중층 구조: 인간은 수학적 발판 제공보다 검증과 명확한 글쓰기에 집중하고, AI 도구들(Aristotle, AlphaEvolve, GPT-5.2, Deep Research)이 중층적으로 협력하여 문제를 해결.
- 국가 주도 프로젝트화: 미국의 Genesis Mission, Google DeepMind·Anthropic·OpenAI의 참여로 과학 AI 도구(AlphaEvolve, AlphaGenome, WeatherNext)가 국가 차원에서 제공되기 시작.
- 에너지-지능 치환 가속: 핵융합(Commonwealth Fusion) 등 에너지 문제 해결이 AI 확장의 전제로 인식되며, 계산량을 전력량으로 치환하는 담론이 정착됨.
관계
- 20260606-post-agi-prepare-speed — 하위개념: AI가 과학을 가속화하면 사회적 속도 충격은 더 커진다.
- 20260606-mamba-hybrid-architecture-insight — 연장: 하이브리드 아키텍처(Mamba+Transformer)는 과학 모델 훈련 비용을 낮추어 하위 도메인 AI를 민주화한다.
- 20260508-llm-wiki-compounds-with-accumulation — 대조: 위키 방식은 지식 누적이 정확성을 높이는 데 반해, 과학 발견 패러다임은 새로운 지식을 직접 생산한다는 점에서 다르다.
인용
“pre-train과 RLHF 얘기하던 게 사실은 2024년 8월까지고… Thinking 모델이 나온 이후로는 verifiable reward를 만들 수만 있다면 이건 모델이 풀 수 있는 게임이다라는 믿음이 지배했다.”
“코딩이나 수학이라든지 논리가 지배하는 부분, 그런 부분들은 거의 정복이 돼 왔고 이제 과학의 영역으로 넘어갔다.”
“시뮬레이션할 수 있는 것에 한계가 뭔가요? 시뮬레이션을 할 수 있다면 어떤 의미에서는 이해한 것이다.” — Demis Hassabis
출처
- 📎 클리핑: 20260613-ep80-ko-transcript