AI, 과학 도구에서 과학자로: Google I/O가 보여준 전환점

AI가 과학을 '보조'하는 시대는 끝나가고 있다

2026년 5월 20일, Google I/O 키노트 무대에 오른 Google DeepMind CEO Demis Hassabis는 주목할 만한 발언을 했습니다. 그는 인류가 현재 "특이점(Singularity)의 산기슭에 서 있다"고 선언했습니다. 특이점이란 AI가 인간 지능을 급속도로 초월하는 이론적 미래 시점을 의미합니다.

그런데 흥미로운 것은 그 발언의 맥락이었습니다. Hassabis는 허리케인 Melissa의 상륙을 사전 예측해 자메이카 주민들의 생명을 구했을 가능성이 있는 기상 예측 AI WeatherNext를 소개하는 자리에서 이 말을 했습니다. 생명을 구하는 실질적 도구를 발표하면서 동시에 AI의 무한한 가능성을 이야기한 것입니다.

이 대조가 2026년 AI 과학 연구의 핵심 긴장을 압축적으로 보여줍니다.

두 가지 AI 과학의 방향성

방향 1: 특화 도구형 AI

지금까지 AI 과학 연구의 주류는 특정 문제를 해결하도록 설계된 **특화 모델(Specialized Model)**이었습니다.

• AlphaFold: 단백질 구조 예측 — 3백만 명 이상의 연구자가 활용 중이며, DeepMind 과학자들에게 노벨상을 안겨줬습니다.
• WeatherNext: 기상 예측 — 허리케인 사전 경보로 실제 인명 피해 감소에 기여.
• AlphaGenome / AlphaEarth Foundations: 유전체학 및 지구과학 전용 모델.

이 도구들은 각 분야에서 인간 전문가가 수십 년에 걸쳐 해결하지 못한 문제를 돌파했습니다. 실용성과 신뢰성이 검증된 접근법입니다.

방향 2: 에이전트형(Agentic) AI 과학자

그러나 지금 업계의 관심과 자원은 빠르게 두 번째 방향으로 이동하고 있습니다. 에이전트형 LLM(대형 언어 모델) 기반 시스템이 인간의 개입 없이 독립적으로 연구를 수행하는 미래입니다.

Google은 이번 I/O에서 Gemini for Science 패키지를 발표했습니다. 이 패키지는 가설을 생성하는 **AI Co-Scientist(AI 공동과학자)**와 알고리즘을 최적화하는 AlphaEvolve를 하나의 브랜드로 묶은 것입니다. 스탠퍼드 유전학자 Gary Peltz는 AI Co-Scientist를 "델피의 신탁을 자문받는 것 같다"고 평했습니다.

같은 주, OpenAI는 자사의 범용 추론 모델이 중요한 이산 기하학 수학 난제를 반증했다고 발표했습니다. 특화 수학 모델이 아닌 GPT-5.5 계열의 범용 모델이 독립적으로 수학 연구에 기여한 것입니다. 일부 수학자들은 이를 생성형 AI가 수학 분야에서 거둔 가장 의미 있는 성과로 평가했습니다.

왜 지금 이 전환이 일어나는가

Google은 특화 AI 도구를 버리는 것이 아닙니다. Isomorphic Labs(AlphaFold 기반 신약 개발)는 최근 20억 달러 Series B 투자를 유치했습니다. 특화 도구들은 여전히 과학계에서 광범위하게 사용되고 있습니다.

그러나 자원과 인재 배치가 달라지고 있습니다. AlphaFold로 노벨상을 받은 Google 펠로우 John Jumper가 현재 과학 특화 AI가 아닌 AI 코딩 분야로 이동했다는 보도가 이를 상징적으로 보여줍니다.

이유는 명확합니다. 에이전트형 AI가 코딩 능력을 핵심 기반으로 삼기 때문입니다. 코딩을 잘하는 AI는 곧 실험 설계, 데이터 분석, 논문 작성까지 자율적으로 수행할 수 있는 과학 에이전트로 진화할 수 있습니다.

Google Cloud 수석 과학자 Pushmeet Kohli는 학술지 Daedalus AI 특별호에 이렇게 썼습니다: "우리는 AI가 과학을 촉진하는 것을 넘어 과학을 직접 수행하기 시작하는 방향으로 나아가고 있다."

재귀적 자기개선(Recursive Self-Improvement)이란 무엇인가

**재귀적 자기개선(Recursive Self-Improvement)**이란 AI 시스템이 스스로를 개선해 더 뛰어난 AI를 만들고, 그 AI가 다시 자신을 개선하는 과정이 가속되는 시나리오입니다. 에이전트형 AI가 과학 연구를 직접 수행할 수 있다면, AI 자체의 발전도 AI가 주도하게 됩니다. 이것이 Hassabis가 "특이점의 산기슭"이라고 표현한 이유입니다.

물론 과학은 수학과 달리 실험적 검증이 필수입니다. AI가 가설을 생성하더라도 실험실과 물리적 검증 과정은 여전히 인간이 담당해야 합니다. 이것이 AI 과학자의 한계이자, Hassabis가 "향후 10년은 AI를 과학자를 돕는 놀라운 도구로 생각해야 한다"고 신중하게 말한 이유이기도 합니다.

학생과 교육자에게 주는 시사점

이 변화는 이공계를 공부하는 학생들에게 직접적인 영향을 미칩니다.

연구 방식의 변화: 대학원 수준의 연구에서 AI Co-Scientist 같은 도구가 가설 생성과 문헌 분석을 담당하게 되면, 연구자의 역할은 문제 정의와 실험 설계, 윤리적 판단에 집중될 것입니다. 단순 데이터 분석이나 문헌 조사를 AI에게 맡기고 더 창의적인 연구에 집중할 수 있는 환경이 열리고 있습니다.

AI 리터러시의 중요성: AlphaFold를 활용한 연구자가 3백만 명에 달하는 것처럼, Gemini for Science에 접근 신청을 할 수 있는 지금, 생명과학·물리학·지구과학을 공부하는 학생이라면 이러한 도구를 이해하고 활용하는 능력이 경쟁력이 됩니다.

학생 활용법: Gemini for Science는 현재 연구자 대상 접근 신청을 받고 있으므로, 연구 프로젝트를 진행 중인 이공계 대학원생이라면 지금 바로 신청을 검토해볼 수 있습니다. AlphaFold는 이미 무료로 공개되어 있어 단백질 구조 관련 수업이나 프로젝트에 즉시 활용 가능합니다.

앞으로의 과학은 어떤 모습일까

Hassabis는 AI에 관심을 갖게 된 계기를 이렇게 설명했습니다. 1970년대 이후 물리학의 발전이 정체된 것을 보고, 인간 지능이 한계에 달한 것은 아닌지, AI가 그 장벽을 넘어설 수 있지 않을까 생각했다고 합니다.

특화 AI 도구가 단백질 구조와 기상 예측을 해결했다면, 에이전트형 AI 과학자는 물리학의 미해결 난제, 새로운 소재 발견, 기후 위기 해법 같은 더 복잡한 문제에 도전할 수 있을 것입니다.

물론 그 미래가 언제 올지는 아무도 알 수 없습니다. 하지만 방향은 분명해지고 있습니다. AI와 과학의 협력 관계는 "도구와 사용자"에서 "동료 연구자"로 진화하고 있으며, 우리는 그 전환점을 목격하고 있습니다.