정의
AI가 과학적 발견 과정을 자동화하는 패러다임으로, 검증 가능한 보상(verifiable reward)을 활용하여 실험 설계, 데이터 생성, 결과 검증의 폐쇄 루프를 구축하는 방법론이다. 이는 코딩과 수학에서 성공한 self-play 방식이 화학, 생물학, 물리학 등 실험 과학 영역으로 확장되는 현상을 설명한다.
핵심 속성
- Verifiable Reward의 확장: 코딩(컴파일러), 수학(증명 검증기)에서 성공한 검증 가능한 보상 구조가 분자 클로닝, 초전도체 실험, 기후 모델링 등으로 확장 중. 인간의 직접 실험(wet lab)을 로봇과 AI가 대체하면서 reward signal을 자동으로 생성.
- Self-Play 기반 과학 발전: 모델이 스스로 가설을 생성하고, 실험을 설계하며, 결과를 평가하는 순환 구조. “데이터 고갈” 문제를 합성 데이터와 모델 내부 생성으로 극복.
- 인간 역할의 전환: “수학적 발판을 제공하는 것에서 검증과 명확한 글쓰기에 집중”으로 변화. 창의적 문제 설정과 AI 결과의 해석/검증으로 역할이 축소되지만, 더 높은 추상화 수준의 기여를 요구.
- 국가 차원의 집중 투자: 미국의 Genesis Mission(Google DeepMind, Anthropic, OpenAI 참여)과 같은 범정부적 프로젝트가 과학 AI 발전을 가속. 이는 Manhattan Project에 비유되는 국가 안보 차원의 경쟁.
관계
- 20260606-ai-science-era-transition — 하위개념: 과학 발견 자동화가 구체화된 시대적 전환의 사례
- 20260606-verifiable-reward-new-engine — 하위개념: Verifiable Reward가 과학 발전의 핵심 엔진으로 작동하는 메커니즘
- 20260606-terence-tao-ai-collaboration — 사례: Terence Tao의 AI 협업 수학 증명에서 verifiable reward와 인간 역할 전환의 실제 구현
- 20260512-agi-progress-2025 — 연장: AGI를 향한 과학적 발견의 자동화가 AGI의 주요 이정표가 된다는 관점
- 20260623-quantum-biological-ai-speculative-convergence — 검증 필요 사례: 과학 자동화 서사가 강한 성능 주장으로 확장될 때 필요한 검증 기준
인용
“2025년은 코딩의 해였다면, 2026년은 과학이 끝나는 해가 될 것이다, AI에 의해서.” “모든 문제를 다 search로 풀어내는 게 될 거고 모든 문제를 다 해결할 수 있다는 얘기, 무한의 computation만 주어지면”
출처
- 📎 클리핑: 20260613-ep80-ko-transcript