AI에게 ‘손’이 생기기 시작했다

컴퓨터 안에서 아무리 똑똑해도, 생물학의 마지막 답은 현실이 준다

지금까지 AI와 신약개발을 이야기할 때 중심은 대개 컴퓨터 안에 있었다. 논문을 읽고, 단백질 구조를 예측하고, 후보물질을 만들고, 분자를 설계하고, 시뮬레이션하는 일이다. 이 단계에서 AI는 이미 연구자의 사고 비용을 크게 낮추고 있다.

하지만 생물학에는 피할 수 없는 마지막 단계가 있다. 실제로 해봐야 한다. 세포가 반응하는지, 단백질이 결합하는지, 화합물이 원하는 효과를 내는지는 현실의 실험이 확인한다. AI가 하루에 10만 개의 가설을 만들어도 실험실이 하루에 100개만 검증할 수 있다면 전체 연구 속도는 결국 100개에 묶인다.

그래서 Anthropic의 wet lab이 흥미롭다. Reuters는 9월 18일 Anthropic이 샌프란시스코 베이 지역에 물리적 생물학 실험을 위한 wet lab을 구축했다고 보도했다. 생명과학 책임자 Eric Kauderer-Abrams도 이를 확인했다. 회사는 Claude가 robotic unit을 지휘해 제한된 인간 개입으로 실험을 수행하는 방향을 시험하고 있다. 동시에 Anthropic은 아직 “매우 초기 단계”이며 인간의 감독과 개입이 안전을 위해 필수적이라고 선을 그었다.

중요한 팩트 경계도 있다. Anthropic은 해당 wet lab이 신약개발 전용 실험실은 아니라고 Reuters에 설명했다. 회사가 전임상 drug program과 생명과학 자동화를 확대하고 있는 것은 맞지만, wet lab 전체를 곧바로 “Claude가 신약을 만드는 공장”으로 부르는 것은 과장이다.

과학의 병목이 ‘생각’에서 ‘실행’으로 이동한다

Anthropic은 이 연결고리를 이미 제품과 표준으로 만들고 있다. 6월에는 연구자가 데이터베이스, 코드, 계산환경을 한곳에서 다룰 수 있는 Claude Science를 공개했다. 8월에는 AI agent가 현미경, 액체처리기, 로봇팔 같은 물리 장비를 안전하게 조작하도록 연결하는 Model Hardware Standard, MHS를 연구용으로 공개했다.

MHS의 한 proof-of-concept에서는 Claude가 액체처리기, 로봇팔, 판독기를 조정해 특정 dose-response 실험을 약 3배 빠르게 수행했다. 별도 사례에서는 장비 통합과 orchestration layer를 약 8시간 만에 구성했는데, Anthropic은 기존 vendor 방식이라면 수주가 걸릴 수 있는 작업이라고 설명했다. 이 수치를 과학 전체의 속도 향상으로 일반화할 수는 없다. 그러나 AI가 실험 계획만 쓰는 것이 아니라 장비의 상태를 읽고, 명령을 내리고, 결과를 받아 다음 행동을 결정하는 구조가 이미 작동한다는 점은 중요하다.

어제의 26%와 오늘의 wet lab을 연결하면 그림이 달라진다

그럼에도 두 뉴스는 같은 방향을 가리킨다. 먼저 AI가 디지털 연구의 실행 주체가 되고, 그 다음에는 로봇과 장비를 통해 물리적 실험의 일부까지 맡기 시작한다. AI가 더 좋은 코드를 만들고, 더 좋은 가설을 만들고, 그 가설을 현실에서 더 빨리 시험한 뒤 결과를 다시 AI에 넣는다면 연구의 반복 주기가 짧아진다.

이때 인간 연구자의 역할이 곧바로 사라진다고 보는 것은 성급하다. 오히려 가까운 시기의 변화는 한 사람이 감독할 수 있는 실험의 수와 병렬성이 커지는 것에 가깝다. 과학자의 가치가 손으로 피펫을 움직이는 시간보다 무엇을 물어볼지, 어떤 결과를 믿을지, 어떤 실험을 중단할지 판단하는 쪽으로 더 이동할 수 있다.

이 변화는 신약개발보다 더 큰 이야기다

AI가 물리 장비를 안정적으로 다룰 수 있다면 같은 구조는 생물학에만 머물 이유가 없다. 화학 합성, 신소재 탐색, 배터리 실험, 반도체 공정, 제조 품질검사처럼 가설 - 실행 - 측정 - 수정이 반복되는 산업에는 비슷한 폐쇄루프가 존재한다.

여기서 AI의 경제적 범위를 보는 프레임도 달라진다. 지금까지 생성형 AI의 시장을 사용자 수, 소프트웨어 seat, API token으로 계산했다면 앞으로는 장비와 공정, 실험 workflow까지 계산 단위에 들어올 수 있다. AI가 로봇, 센서, 실험장비와 연결될수록 AI의 TAM은 디지털 노동의 자동화에서 물리적 생산과 연구의 orchestration으로 넓어질 가능성이 있다.

Tesla가 Optimus를 통해 AI에 공장에서 일할 몸을 주려 한다면, Anthropic의 방향은 AI에 실험실의 손을 붙이는 것에 가깝다. 서로 산업은 다르지만 공통점은 같다. 다음 AI 경쟁은 더 좋은 답변만으로 끝나지 않고, 현실세계에서 얼마나 안전하고 반복 가능하게 행동할 수 있는가로 넓어진다.

아직 남아 있는 가장 어려운 문제

Anthropic도 이 경계를 인정한다. 회사는 현재 직접 임상시험까지 수행하지 않겠다고 밝혔고, 전임상과 기존 제약회사가 경제성 때문에 충분히 다루지 않는 영역에 초점을 맞추고 있다. Reuters가 지적했듯 어떤 drug program의 성공도 보장되지 않는다. 대부분의 후보물질은 결국 임상 안전성과 효능이라는 훨씬 높은 벽을 통과하지 못한다.