OpenAI의 AI 군집, 3200만 뇌세포를 32분 만에 분석

OpenAI, 연구 그룹 PerturbAI, Scripps Research 연구소의 팀이 수행한 실험은 단일 발견보다 과학이 어떻게 이루어지는지에 대해 더 많은 것을 말해줄 수 있다. 10월 21일 공개된 OpenAI의 보고서에 따르면, 수천 개의 AI 에이전트가 수백만 개의 쥐 뇌세포를 포함한 생물학적 데이터에 투입되었다. 전체 분석은 32분이 걸렸다.

연구진이 제시하는 비교가 흥미로운 부분이다. 인간 과학자들이 동일한 결과를 항목별로 처리하며 각 발견을 출판된 문헌과 대조했다면 이 작업은 수개월, 어쩌면 최대 1년이 걸렸을 것으로 추정한다. 에이전트는 단순히 파일을 요약한 것이 아니다. 방대한 실험 결과 전반에 걸쳐 추론하고 이를 선행 연구와 연결하도록 요구받았다.

이 작업은 범용 채팅이 아닌 생명과학 연구 전용으로 구축된 모델인 GPT-Rosalind에 의존했다. 이 점이 중요하다. 과학에서 AI를 둘러싼 대부분의 소음은 시험 스타일 질문에 답하도록 요청받은 범용 시스템에서 비롯되었다. 생물학적 데이터에 맞춰 조정된 후 대규모로 배치된 모델은 다른 제안이며, 챗봇보다 연구 도구에 가깝다.

속도를 가능하게 하는 것은 아키텍처다. 하나의 모델이 대기열을 처리하는 대신 많은 에이전트가 병렬로 작동하며 각자 데이터의 일부를 맡고, 이후 출력을 통합한다. 이는 현재 소프트웨어 엔지니어링과 고객 서비스에 퍼지고 있는 패턴과 같으며, 에이전트 함대가 그렇지 않으면 직렬화될 작업을 처리한다. 거대하고 지저분한 데이터 세트를 가진 생물학은 명백한 다음 목표다.

회의론자들은 늘 제기되는 질문을 할 것이고, 그것은 타당하다. 이 규모의 자동화는 확신에 찬 오류를 빠르게 생성할 수 있으며, 에이전트의 결론을 검증하는 비용은 손으로 도달하는 것과 거의 같을 수 있다. 여기서 정직한 주장은 처리량에 관한 것이지, 어떤 이상이 추적할 가치가 있는지 아는 과학자의 판단을 대체하는 것이 아니다. 32분은 분석을 생성하는 시간이지, 그것을 신뢰하는 시간이 아니다.

그럼에도 나아가는 방향은 분명하다. 연구 그룹은 지난 2년 동안 요약 작성, 가설 제안, 코드 한 줄 작성 등 개별 작업의 도우미로서 AI를 실험해 왔다. 전체 분석 파이프라인을 조정된 군집에 넘기는 것은 그 이상의 단계이며, 동료 검토와 재현처럼 기계 속도를 위해 설계되지 않은 과학 프로세스 부분에 압력을 가한다.

전 세계 독자에게 중요한 것은 쥐의 뇌보다 템플릿으로서의 의미다. 수천 개의 에이전트가 수백만 세포 데이터 세트를 30분 만에 처리할 수 있다면, 동일한 접근 방식은 임상 기록, 소재 스크리닝, 기후 데이터 등 병목이 원시 컴퓨팅 성능이 아닌 인간의 주의력인 모든 곳에서 시도될 것이다. 결과의 독립적 재현과 연구진이 에이전트의 발견을 어떻게 검증했는지 공개하는지 주목할 만하다.