딥마인드 출신 Inherent, 소형 모델로 AI 과학자에 도전

논문 재현에 도전하는 연구 에이전트

런던의 AI 스타트업 Inherent가 과학 연구를 지원하는 에이전트 Faraday를 공개했다. 구글 딥마인드 출신 인력들이 세운 이 회사는 Faraday가 정답을 미리 제공받지 않은 상태에서 출판된 논문의 연구 결과를 재현하는 과제에서 Anthropic의 Claude Opus 4.8과 OpenAI의 GPT-5.5보다 좋은 성과를 냈다고 설명했다.

다만 이 주장은 현재 회사가 제시한 설명에 기반한다. 제공된 기사에는 전체 테스트 세트, 논문 수, 평가 방식, 제3자 검증 결과가 포함되어 있지 않다. 따라서 이번 결과를 대형 프런티어 모델 전반에 대한 확정적 우위로 해석하기보다는, 특정 연구 재현 과제에서 나온 회사 측의 중간 성과로 보는 것이 적절하다.

Faraday가 수행하는 작업

• 논문의 정답을 직접 전달받지 않고 결과를 재현한다.
• 어떤 실험을 할지 선택하고 실험 방법을 설계한다.
• 코드와 도구를 사용해 가설을 검증한다.
• 단순한 정확도뿐 아니라 가치 있는 실험을 고르는 연구 감각을 평가한다.
• 과학 연구 과정을 그대로 모방하기보다 강화학습으로 결과에서 피드백을 얻는다.

논문을 요약하거나 그럴듯한 설명을 생성하는 것과 연구를 재현하는 것은 다르다. 재현에는 문헌 이해, 실험 설계, 코드 실행과 수정, 예상 밖 결과의 분석이 연속적으로 필요하다. 인간 연구자에게도 기존 연구를 확인하는 일은 중요한 훈련 과정이다. AI에게는 도구를 활용하면서 여러 판단을 실제로 이어 가야 하는 실무형 과제라는 의미가 있다.

연구 감각을 학습시키는 방법

Inherent의 장기 목표는 이미 알려진 결과를 확인하는 AI를 넘어 새로운 과학 지식 발견에 기여하는 AI 과학자를 만드는 것이다. Faraday는 그 중간 단계로, 더 조사할 가치가 있는 질문을 찾고 추가 실험을 수행한 뒤 근거를 갖고 연구자에게 돌아오는 동료형 에이전트를 지향한다. 사용자가 듣고 싶어 하는 답을 제공하는 것이 아니라, 독립적인 연구 파트너가 되겠다는 구상이다.

이를 위해 회사는 강화학습을 핵심 수단으로 삼는다. 좋은 결과로 이어진 행동에 보상을 주면, 어떤 실험이 유용하고 어떤 실험이 자원 낭비인지 학습할 수 있다는 생각이다. 그러나 과학적 성과의 평가는 쉽지 않다. 재현 실패의 원인이 원 논문의 문제인지, 실행 환경의 차이인지, 라이브러리 의존성인지, 구현 오류인지 구분해야 한다. 따라서 자동 보상만으로는 충분하지 않으며 공개 벤치마크와 인간 검토가 중요하다.

Inherent는 모든 기반 도구를 자체 개발하려 하지 않는다는 점도 강조한다. Faraday의 코딩에는 OpenAI의 GPT-5.5 Codex를 사용한다. 인간 과학자가 기존 소프트웨어를 활용하는 것처럼, 중요한 경쟁력은 코드를 처음부터 만드는 능력보다 질문을 설정하고 실험을 실행하며 결과를 해석하는 전체 순환을 완성하는 데 있다는 판단이다.

의미와 앞으로의 검증

이번 사례는 비교적 작은 모델이라도 에이전트 구조, 도구 연결, 학습 목표를 적절히 조합하면 특정 전문 과제에서 대형 모델과 경쟁할 수 있음을 시사한다. 그렇다고 모델 규모의 중요성이 사라진 것은 아니다. 진짜 시험은 논문 재현을 넘어 새로운 문제, 다른 학문 분야, 낯선 코드와 불완전한 지시에 대응하는 능력이다. 외부 연구자가 결과를 반복해서 확인할 수 있는지도 핵심이다.

Inherent의 현재 팀은 약 12명이며 연말까지 20~25명 규모로 늘릴 계획이다. 런던의 AI 인재 밀도와 딥마인드 출신 네트워크를 바탕으로, 소규모 유럽 연구소가 과학 AI에서 지속적인 강점을 만들 수 있을지가 주목된다.

출처: TechCrunch AI