AI 과학 연구

필즈상 수상자 25명은 AI 연구소들이 수학적 돌파구를 선점하려는 과정에서 검증과 적절한 공로 표시를 훼손할 수 있다고 경고했다. OpenAI를 둘러싼 저자 표시, 데이터 활용, 증명 검증 논란은 갈등을 더욱 키우고 있다.

OpenAI는 미공개 모델이 약 88시간 만에 나비에–스토크스 문제의 해답을 찾았다고 밝혔다. 그러나 데이터 출처와 연구 선점, 학계의 신뢰를 둘러싼 논란이 성과 자체만큼 큰 관심을 받고 있다.

인과 파운데이션 모델은 사전 학습된 신경망을 새로운 데이터셋에 적용해 모델 업데이트 없이 인과량을 추정하는 접근법입니다. 이 연구는 코드 예제와 Jupyter Notebook을 통해 이 신흥 분야를 실용적으로 소개합니다.

Anthropic은 Claude가 약 11일 동안 페르마의 마지막 정리를 Lean에서 엔드투엔드로 형식화했다고 밝혔습니다. 새로운 수학적 증명을 발견한 것이 아니라, 인간의 증명을 컴퓨터가 한 단계씩 검증할 수 있는 코드로 바꾼 성과입니다.

OpenJiuwen의 ScienceDiscovery는 과학 코드를 트리 탐색으로 반복 수정하고 실행·평가한다. 진동 적분, 특수함수, 코드 최적화, 방정식 추론 사례에서 성과가 보고됐다.

새 연구는 관측 인코더와 대기 역학 프로세서에 서로 다른 확률적 장치를 적용해 Aardvark Weather를 확률 예보 시스템으로 확장했다. 예측 평균과 CRPS를 개선하는 동시에 앙상블 분산이 관측과 모델 중 어디에서 비롯됐는지 분석한다.

BaguanHR는 저해상도 예보 모델을 직접 미세 조정하는 대신, 변수별 초해상도로 재분석 데이터를 0.1도 학습 데이터로 확장합니다. 연구 결과는 고해상도 예보에서 데이터 규모가 핵심 병목임을 보여줍니다.

앤트로픽이 AI 에이전트와 실험 장비, 로봇을 연결하기 위한 ‘Model Hardware Standard(MHS)’ 연구 프리뷰를 공개했다. 우선 과학 연구 환경에서 서로 다른 제조사의 장비를 하나의 인터페이스로 묶는 데 초점을 맞춘다.

Station은 서로 다른 모델 계열의 AI 에이전트가 고정된 연구 절차나 중앙 조정자 없이 수학 문제를 함께 탐구하는 오픈월드 환경이다. 논문은 여러 구성 문제에서 기존 문헌 대비 새로운 결과를 보고하고, 대화 기록과 증명, 검증 코드도 공개했다.

RIBOSPAN은 최대 10,240개 뉴클레오타이드의 문맥으로 사전학습한 16억 1천만 파라미터 양방향 RNA 파운데이션 모델입니다. 연구진은 짧은 문맥 모델을 추론 단계에서 확장하는 방식보다 네이티브 장문맥 학습이 전체 전사체 표현에 더 안정적일 수 있음을 보였습니다.

AutoResearch는 연구 아이디어 생성과 실험 실행을 연결하는 2단계 자율 연구 시스템입니다. 다중 모델 교차 검토, 실험 진단, 독립적인 증거 검토를 통해 신뢰하기 어려운 연구 결론을 줄이려 합니다.

런던 스타트업 Inherent는 자사의 연구 에이전트 Faraday가 출판 논문의 결과를 독립적으로 재현하는 과제에서 Anthropic과 OpenAI의 대형 모델을 앞섰다고 밝혔다. 핵심은 단순한 성능 경쟁보다 AI에 연구 판단력을 학습시키려는 접근이다.

새 연구는 단일 단계 역합성에 Top-K 프롬프트와 학습 방식을 적용해 화학적으로 타당한 여러 반응 후보를 생성하도록 했다. 약 4,560만 건의 검증 반응으로 학습한 C3LM은 OOD URSA-expert-2026 벤치마크에서 강한 경쟁력을 보였다.

OmniScientist는 텍스트나 사전 계산된 특징에만 의존하지 않고 다양한 원시 데이터를 직접 다루는 엔드투엔드 AI 과학자 시스템입니다. 지각부터 연구 아이디어, 실험, 논문 작성까지 하나의 파이프라인으로 연결합니다.

MathForm은 Mathlib 지식 검색, 컴파일러 진단, 의미 일관성 피드백을 결합해 수학 문장을 단계적으로 수정한다. 약 367K개의 검증된 Lean 4 예제로 학습한 8B 모델은 여러 전용 32B 모델을 앞선 것으로 보고됐다.

「Personalized Auto-Research」는 진정한 AI 공동 과학자가 되려면 연구자의 선행 연구, 방법론, 협업 관계와 연구 커뮤니티를 이해해야 한다고 주장한다.

FAR는 전문가가 하나의 문제를 미리 지정하는 대신 연구 방향을 제시하면, 문헌 검색과 모델의 시도, 자동 선별을 거쳐 검토할 만한 수학 문제를 추천한다. 조합론 파일럿은 제한된 전문가 시간을 더 유망한 후보에 집중할 가능성을 보여준다.

DeepMind 연구진을 포함한 연구팀이 조합 손실 분석의 핵심 최적화 문제를 재정식화하고, 머신러닝 기반 최적화와 AlphaEvolve를 결합했습니다. 그 결과 행렬 곱셈 지수의 기존 상한 2.371339가 2.371177로 낮아졌습니다.

Large Discovery Model은 생성 모델과 베이지안 비모수 보상 대리 모델을 결합해 후보를 만드는 데서 그치지 않고 불확실성을 고려해 다음 탐색 방향을 결정한다.

CADENA는 3D 메시를 편집 가능한 파라메트릭 CAD 프로그램으로 재구성하면서, 각 단계의 결과 형상을 확인해 다음 작업을 결정한다. 연구진은 실제 기계 부품을 평가하기 위한 CADENA-Bench도 함께 공개했다.

EMBL AI Librarian은 Europe PMC를 AI 에이전트가 쓰기 쉬운 자연어 기반 증거 검색 인터페이스로 바꾸려는 시도다. 단순한 논문 목록 대신 질문에 답하는 데 필요한 문헌 근거 조각을 제공한다.