24시간 쉬지 않는 AI 연구원, 논문도 뚝닥 뚝닥

요즘 광고에 생성형 AI를 이용해서 업무가 편해졌다고 하는 분들이 정말 많다고 생각이 듭니다.

비단 광고에서 얘기하는 것 뿐만아니라 많이들 gemini, chatGPT와 같은 LLM들에게 코드를 작성 요청이나 이메일 초안 작성 같은 것들안 당연하게 하고 있으니깐요. 

아직 활용 용도가 저같이 적은 분들의 경우는 이정도이지만 이제 이 AI를 보조적인 역할 뿐만 아니라 스스로 일을 하도록 하는 분들도 있습니다. Agentic AI가 그 중심에 있죠. 그렇다면 스스로 연구 아이디어를 생각해내서 실험도 하고 논문도 할 수 있는 AI가 불가능하지는 않겠죠? 오늘 Towards end-to-end automation of AI research이 연구는 스스로 아이디어를 내서 실험하고 논문을 작성한 후, 학회에서 사람인 심사위원들의 리뷰를 거쳐 논문을 기고까지 했다고 합니다. 어떻게 했는지 한번 함께 알아보죠 :)

DOI: 10.1038/s41586-026-10265-5

gemini

요청하신 논문의 핵심 내용을 바탕으로, 일반 성인 독자들이 블로그에서 편하게 읽으실 수 있도록 정리해 드립니다.

### [과학의 미래가 현실로: 스스로 연구하고 논문 쓰는 인공지능 'AI 과학자']

**1. 연구 배경: 사람이 하던 과학 연구, 이제는 AI가?**

[cite_start]지금까지 인공지능(AI)은 과학 연구의 특정 부분, 예를 들어 단백질 구조를 예측하거나 방대한 자료에서 새로운 물질을 찾아내는 식의 보조적인 역할에 머물러 있었습니다[cite: 1011, 1012]. [cite_start]하지만 아이디어를 짜고, 실험 코드를 작성하고, 결과를 분석해 한 편의 완벽한 논문을 작성하는 전 과정을 스스로 해내는 시스템은 인공지능 연구자들의 오랜 꿈이었습니다[cite: 1000, 1001, 1015].

**2. 연구 목적: 연구의 전 과정을 자동화하다**

[cite_start]이 연구의 목적은 '아이디어 구상'부터 '논문 투고 및 심사'에 이르는 과학 연구의 모든 단계를 완전히 자동화하는 시스템을 개발하는 것입니다[cite: 1002, 1016]. [cite_start]이를 위해 연구진은 'AI 과학자(The AI Scientist)'라 명명된 지능형 시스템을 구축하고, 실제로 이 시스템이 인간 연구자 없이도 학술적 가치가 있는 연구를 수행할 수 있는지 검증하고자 했습니다[cite: 1003].

**3. 연구 방법: 4단계로 이어지는 AI의 연구 프로세스**

[cite_start]'AI 과학자'는 다음과 같은 순차적인 과정을 통해 연구를 수행합니다[cite: 1099, 1100].

* [cite_start]**아이디어 생성:** 기존 연구들을 검색해 중복되지 않는 참신한 연구 주제와 가설을 세웁니다[cite: 1102, 1103].

* [cite_start]**실험 및 분석:** 세워진 가설을 검증하기 위해 스스로 코드를 작성하고 실험을 실행하며, 얻은 데이터를 시각화합니다[cite: 1104, 1115].

* [cite_start]**논문 작성:** 실험 일지와 그래프를 바탕으로 표준적인 학술 논문 형식에 맞춰 내용을 서술합니다[cite: 1116, 1117].

* [cite_start]**동료 심사:** 작성된 논문을 스스로 평가하고 개선점을 찾거나, 다른 논문을 심사하는 '자동 심사관' 기능까지 갖추고 있습니다[cite: 1003, 1120].

**4. 연구 결과: AI가 쓴 논문, 전문가 심사를 통과하다**

[cite_start]가장 놀라운 결과는 'AI 과학자'가 작성한 논문이 실제 세계 최고의 기계학습 컨퍼런스 워크숍에서 심사위원들의 긍정적인 평가를 받아 통과되었다는 점입니다[cite: 1004, 1163]. [cite_start]심사 결과 중 하나는 10점 만점에 평균 6.33점을 기록하며 인간 연구자들의 논문과 대등하거나 그 이상의 수준을 보여주었습니다[cite: 1159]. [cite_start]또한, 연구팀이 개발한 '자동 심사관'은 실제 인간 심사위원과 매우 유사한 결정 정확도를 보였습니다[cite: 1021, 1135].

**5. 고찰: 아직은 보완해야 할 점들**

물론 한계도 명확합니다. [cite_start]AI는 때때로 잘못된 인용을 하거나 수치 계산에서 오류를 범하는 '환각 현상'을 보이기도 하며, 인간만큼의 깊이 있는 창의적 도약을 보여주기에는 아직 부족합니다[cite: 1201, 1224, 1225]. [cite_start]또한, AI가 생성한 대량의 논문이 학술 생태계에 혼란을 줄 수 있다는 윤리적 우려도 제기되었습니다[cite: 1008, 740].

**6. 의의와 시사점: 과학 발견의 가속화**

[cite_start]이 연구는 인공지능이 단순한 도구를 넘어 '독립적인 연구 주체'가 될 수 있음을 증명했습니다[cite: 1007]. [cite_start]앞으로 AI 시스템이 더 발전한다면, 인류가 직면한 기후 위기나 난치병 치료와 같은 복잡한 과학적 난제들을 해결하는 속도가 지금보다 수십, 수백 배 빨라질 수 있다는 가능성을 시사합니다[cite: 1009, 755].

### [이 연구가 왜 중요한가요?]

전통적으로 과학적 발견은 인간의 천재성과 오랜 노력이 결합된 '느린' 과정이었습니다. 하지만 이 연구는 **과학 연구의 효율성을 극대화할 수 있는 패러다임의 전환**을 보여줍니다. AI가 24시간 쉬지 않고 가설을 검증하고 논문을 쓰는 시대가 열린다면, 인류는 지식의 지평을 전례 없는 속도로 넓혀갈 수 있게 될 것입니다. [cite_start]즉, 이 연구는 **'과학적 발견의 대중화와 가속화'**라는 새로운 시대를 여는 첫 신호탄이라 할 수 있습니다[cite: 1009, 755].

chatGPT

다음은 업로드하신 논문 내용을 바탕으로, 일반 성인 독자가 이해하기 쉽도록 정리한 블로그용 요약입니다. (요청하신 대로 문단 사이 개행은 한 번씩만 적용했습니다)

---

**연구 배경**

과학 연구를 자동화하려는 시도는 인공지능(AI) 분야에서 오랫동안 이어져 왔습니다. 기존에는 AI가 단백질 구조 예측이나 데이터 분석처럼 일부 단계만 도와주는 수준에 머물렀습니다. 하지만 최근 대형 언어모델(LLM)의 발전으로 가설 생성, 논문 작성, 코드 구현 등 연구의 여러 과정에 AI가 관여할 수 있게 되었습니다. 그럼에도 불구하고 ‘아이디어 생성부터 논문 출판까지’ 전체 연구 과정을 완전히 자동화한 사례는 없었습니다. 

**연구 목적**

이 연구는 이러한 한계를 극복하고, 연구 전 과정을 스스로 수행하는 시스템인 ‘AI Scientist’를 개발하는 것을 목표로 합니다. 단순히 보조 역할이 아닌, 실제 연구자처럼 아이디어를 만들고 실험을 수행하며 논문까지 작성하는 완전 자동화된 연구 시스템의 가능성을 검증하고자 했습니다. 

**연구 방법**

AI Scientist는 크게 네 단계로 구성됩니다. 첫째, 새로운 연구 아이디어를 생성하고 기존 논문과 비교해 참신성을 평가합니다. 둘째, 실험을 설계하고 직접 코드를 작성해 실행하며 결과를 기록합니다. 셋째, 실험 결과를 바탕으로 학술 논문 형식의 원고를 작성합니다. 넷째, 또 다른 AI인 ‘Automated Reviewer’가 해당 논문의 품질을 평가합니다. 

특히 실험 단계에서는 트리 탐색 기반 구조를 사용해 여러 실험을 병렬적으로 수행하고, 오류가 발생하면 자동으로 디버깅하는 기능까지 포함되어 있습니다. 또한 논문 작성 시에는 실제 학회 논문 형식을 따르고, 외부 데이터베이스를 활용해 관련 연구를 인용하도록 설계되었습니다. 

**연구 결과**

AI Scientist가 생성한 논문 중 하나는 실제 머신러닝 학회 워크숍에 제출되어 동료 심사(peer review)를 통과할 수준의 평가를 받았습니다. 이 논문은 평균 점수 6.33점을 받아 워크숍의 평균 합격 기준을 넘었으며, 실제로는 AI 생성 논문이라는 이유로 철회되었지만 형식적으로는 ‘합격 가능한 논문’으로 판단되었습니다. 

또한 Automated Reviewer는 인간 심사자와 비슷한 수준의 판단 정확도를 보였으며, AI 모델 성능과 계산 자원이 증가할수록 생성되는 논문의 품질도 함께 향상되는 경향이 확인되었습니다. 

**고찰**

이 연구는 AI가 단순한 도구를 넘어 ‘연구 수행 주체’로 발전할 수 있음을 보여줍니다. 하지만 아직 한계도 분명합니다. 생성된 아이디어가 피상적이거나, 실험 구현에 오류가 있거나, 논문의 논리적 완성도가 부족한 경우가 자주 발생했습니다. 또한 최고 수준의 학회 논문 기준에는 아직 미치지 못하며, 결과의 신뢰성 문제(환각, 오류 등)도 남아 있습니다. 

더불어 AI가 대량의 논문을 자동 생성할 경우, 학술 생태계에 부담을 주거나 연구의 질을 저하시킬 수 있다는 윤리적 문제도 제기됩니다. 

**의의와 시사점**

이 연구의 가장 큰 의의는 ‘연구 자동화의 실질적 구현’을 처음으로 보여줬다는 점입니다. 특히 아이디어 생성, 실험, 논문 작성, 심사까지 하나의 시스템 안에서 수행된다는 점은 기존 연구 보조 AI와 근본적으로 다른 접근입니다.

향후 AI 성능이 더 향상된다면, 연구 속도는 크게 빨라지고 인간 연구자는 더 창의적인 영역에 집중할 수 있는 환경이 만들어질 가능성이 큽니다. 또한 자동화된 실험 시스템(예: 로봇 실험실)과 결합될 경우, 물리적 실험 분야로 확장될 가능성도 제시됩니다. 

**왜 이 연구가 중요한가**

이 연구는 과학 연구의 방식 자체를 바꿀 수 있는 출발점이라는 점에서 매우 중요합니다. 지금까지 연구는 인간 중심 활동이었지만, 이 시스템은 AI가 독립적으로 연구를 수행할 수 있음을 처음으로 실증적으로 보여주었습니다. 이는 향후 연구 생산성의 폭발적 증가를 가능하게 하는 동시에, 과학의 주체가 인간에서 AI로 일부 이동할 수 있다는 새로운 패러다임 전환을 의미합니다.

grok

AI가 과학 연구를 완전히 대신할 수 있을까요?  

지금까지 AI는 특정 부분(예: 데이터 분석이나 코드 작성)만 도왔을 뿐, 아이디어를 내고 실험하고 논문을 쓰고 심사까지 끝내는 ‘전체 연구 과정’을 한 번에 해낸 적은 없었습니다.  

2026년 3월 네이처에 실린 이 논문은 바로 그 꿈을 현실로 만든 ‘The AI Scientist’를 처음으로 공개했습니다.  

연구진은 “AI가 스스로 과학자가 되어 논문을 만들어 내는” 시스템을 개발했습니다.  

이 시스템은 머신러닝 분야에 초점을 맞춰,  

① 연구 아이디어 내기 → ② 코드 작성과 실험 → ③ 데이터 분석과 그래프 그리기 → ④ 논문 전체 작성 → ⑤ 스스로 심사까지  

모든 단계를 사람 손 하나 대지 않고 끝냅니다.

두 가지 방식으로 실험했습니다.  

하나는 ‘템플릿 기반’으로, 사람이 미리 준 기본 코드(예: 작은 트랜스포머 모델)를 시작점으로 삼아 아이디어를 발전시키는 방식입니다.  

다른 하나는 ‘템플릿-프리’로, AI가 처음부터 코드를 스스로 만들고, ‘에이전트 트리 검색’이라는 기술로 여러 실험을 병렬로 탐색하며 가장 좋은 방향을 찾아가는 더 자유로운 방식입니다.  

아이디어를 낼 때는 기존 논문을 Semantic Scholar로 검색해 중복을 걸러내고, 실험 중에는 오류가 나면 자동으로 디버깅하고, 논문을 쓸 때는 LaTeX 템플릿을 채우며 인용문도 자동으로 찾아 넣습니다.  

또한 ‘Automated Reviewer’라는 별도의 AI 심사위원을 만들어, 생성된 논문의 품질을 객관적으로 평가했습니다.  

이 심사위원은 실제 NeurIPS·ICLR 논문 1,000편 이상으로 테스트한 결과, 사람 심사위원과 거의 비슷한 수준(평균 66~69% 일치)으로 판단한다는 것이 밝혀졌습니다.

가장 놀라운 결과는 실제 학회에서 나왔습니다.  

연구진은 템플릿-프리 버전으로 만든 3편의 논문을 ICLR 2025 워크숍(‘I Can’t Believe It’s Not Better’)에 제출했습니다.  

심사위원들은 일부 논문이 AI가 만들었다는 사실만 알고, 어느 논문인지는 모르는 블라인드 심사를 했습니다.  

그 결과 한 편이 평균 점수 6.33점(개별 6·7·6)을 받아 워크숍 통과 기준을 넘겼습니다.  

(워크숍 채택률 70%)  

논문 내용은 ‘딥러닝의 한계’를 다룬 부정적 결과로, 워크숍 주제와도 잘 맞았습니다.  

나머지 두 편은 떨어졌지만, 한 편이라도 실제 동료심사를 통과했다는 것은 역사적인 순간입니다.  

또한 연구진은 모델을 바꿀수록(더 좋은 LLM 사용), 컴퓨트를 더 줄수록 논문 품질이 꾸준히 올라간다는 것도 확인했습니다.  

현재는 워크숍 수준이지만, 모델이 계속 좋아지면 곧 메인 컨퍼런스 수준도 가능할 전망입니다.

이 연구의 의미는 단순히 “AI가 논문 하나 썼다”가 아닙니다.  

과학 발견의 속도가 인간 한 명이 평생 할 수 있는 양을 AI가 몇 시간 만에 해내는 시대가 열렸다는 점입니다.  

앞으로 AI Scientist는 수많은 연구 아이디어를 빠르게 테스트하고, 인간 연구자는 그중 가장 유망한 것만 골라 깊이 파고들 수 있게 됩니다.  

물론 위험도 있습니다.  

검토 시스템이 과부하되고, 품질 낮은 논문이 쏟아질 수 있으며, 윤리적·학문적 규범이 아직 마련되지 않았다는 점입니다.  

그래서 연구진은 “책임감 있게 개발해야 한다”고 강조하며, 데이터 공개와 코드 공개(github.com/SakanaAI/AI-Scientist)로 투명성을 확보했습니다.

결국 이 논문은 AI가 더 이상 ‘도구’가 아니라 ‘동료 과학자’가 될 수 있음을 보여준 첫 사례입니다.  

인류가 과학을 하는 속도가 기하급수적으로 빨라질 수 있는, 새로운 시대의 문을 연 연구입니다.  

앞으로 AI Scientist가 어떤 놀라운 발견을 가져올지, 정말 기대됩니다.

NotebookLM

**[블로그 포스팅] 인공지능이 스스로 논문을 쓰고 심사까지? 차세대 연구의 주인공 'AI 과학자'의 등장**

과학의 자동화는 인공지능 연구에서 오랫동안 꿈꿔온 야망이었습니다. 지금까지의 AI는 단백질 구조 예측이나 새로운 재료 발견 등 특정 단계의 보조 도구로만 활용되어 왔으며, 연구의 전 과정을 스스로 수행하는 시스템은 존재하지 않았습니다. 하지만 최근 발표된 이 논문은 아이디어 구상부터 실험, 논문 작성, 그리고 동료 평가(Peer Review)까지 연구의 전 주기를 자율적으로 수행하는 'AI Scientist(AI 과학자)' 시스템을 공개하며 큰 화제를 모으고 있습니다.

**연구 배경: 파편화된 보조 도구에서 통합 시스템으로**

기존 인공지능은 화학 구조 발견이나 수학적 증명, 문헌 검토 등 개별적인 연구 업무를 돕는 데 국한되어 있었습니다. 최근 거대언어모델(LLM)의 발전으로 가설을 생성하거나 실험 코드를 짜는 수준까지 진화했지만, 여전히 인간의 개입 없이 연구의 처음부터 끝까지를 책임지는 시스템은 없었습니다. 연구진은 특히 모든 실험이 컴퓨터 내에서 이루어지는 머신러닝 분야에 초점을 맞추어 완전 자동화된 연구 파이프라인을 구축하고자 했습니다.

**연구 목적: 연구 전 과정의 끝단 간(End-to-End) 자동화 달성**

본 연구의 목적은 기존의 기반 모델(Foundation Models)을 복합적인 에이전트 시스템으로 결합하여, 인간 과학자처럼 가설을 세우고, 코드를 작성해 실험을 실행하며, 그 결과를 분석해 학술지 수준의 논문으로 작성하는 것입니다. 또한, 이렇게 생성된 논문의 질을 스스로 평가할 수 있는 '자동 심사관(Automated Reviewer)'을 개발하여 연구의 품질을 대규모로 측정하고 관리하는 시스템을 완성하려 했습니다.

**연구 방법: 4단계의 자율 연구 프로세스**

'AI 과학자'는 크게 네 단계의 과정을 거쳐 연구를 수행합니다. 첫째, **아이디어 생성 단계**에서는 머신러닝의 특정 분야 내에서 흥미로운 가설을 세우고, 기존 문헌 검색(Semantic Scholar API 이용)을 통해 중복되지 않는 새로운 연구 주제인지를 확인합니다. 둘째, **실험 단계**에서는 가상 환경에서 코드를 생성하고 실행하며, 오류가 발생하면 스스로 디버깅하여 실험을 완수합니다. 셋째, **논문 작성 단계**에서는 실험 일지와 데이터를 바탕으로 LaTeX 형식의 표준 학술지 템플릿에 맞추어 서론부터 결론까지 전체 원고를 작성합니다. 넷째, **심사 단계**에서는 완성된 논문을 '자동 심사관'이 세계 최고 권위의 AI 컨퍼런스인 NeurIPS의 기준에 따라 심사하여 점수를 매기고 개선점을 찾습니다.

**주요 연구 결과: 실제 컨퍼런스 워크숍 통과라는 쾌거**

연구 결과는 놀라웠습니다. 'AI 과학자'가 작성한 논문 3편을 실제 세계 최고 수준의 머신러닝 컨퍼런스인 ICLR 워크숍에 익명으로 제출한 결과, 그중 한 편이 인간 심사위원들로부터 평균 6.33점(10점 만점)을 받아 '합격(Accept)'권 점수를 획득했습니다. 이는 완전한 AI 생성 논문이 실제 과학계의 엄격한 동료 평가 시스템을 통과할 수 있음을 보여준 최초의 사례입니다. 또한, 성능 분석 결과 기반이 되는 AI 모델이 발전하고 계산 자원(Compute)을 더 많이 투입할수록 논문의 질이 향상되는 뚜렷한 경향성도 확인되었습니다.

**고찰 및 한계: 아직 완벽하지 않은 '로봇 박사님'**

물론 한계도 명확합니다. 'AI 과학자'는 때때로 너무 단순한 아이디어를 내놓거나, 실험 구현 과정에서 오류를 범하고, 부정확한 인용(환각 현상)을 하는 등 인간 전문가의 수준에는 미치지 못하는 모습을 보이기도 했습니다. 또한, 기존의 아이디어를 새롭게 조합하는 능력은 뛰어나지만, 과학계의 거대한 도약이라 할 수 있는 완전히 새로운 창의적 개념을 만들어낼 수 있을지는 아직 의문입니다.

**의의와 시사점: 과학 연구의 패러다임 변화**

이 기술은 과학 연구의 속도를 비약적으로 높일 수 있는 잠재력을 가지고 있습니다. 인간이 일일이 코드를 짜고 데이터를 정리하던 시간을 줄여줌으로써, 연구자들이 더 고차원적인 문제 해결에 집중할 수 있게 돕기 때문입니다. 다만, AI가 생성한 수많은 논문이 학계의 심사 시스템을 마비시키거나 연구의 진실성을 훼손할 수 있다는 우려도 존재하므로, 이를 책임 있게 사용하기 위한 윤리적 기준 마련이 시급함을 시사합니다.

**이 연구가 왜 중요한가요?**

이 연구는 **'발견의 속도를 기하급수적으로 높이는 엔진'**을 만들었다는 점에서 매우 중요합니다. 지금까지 인류의 지식 확장은 인간 과학자의 시간과 노동력에 전적으로 의존해 왔으나, 이제는 AI가 24시간 쉬지 않고 연구 가설을 검증할 수 있는 시대가 열렸습니다. 비록 지금은 머신러닝 분야에 한정되어 있지만, 향후 자동화된 화학 실험실이나 로봇 공학과 결합한다면 암 정복이나 기후 위기 해결과 같은 인류의 난제를 해결하는 속도를 혁명적으로 앞당길 수 있는 토대가 될 것이기 때문입니다.

Perplexity.ai

이 논문은 “에너지 수확과 저장을 한 장치로 동시에 해내는 새로운 나노소재·소자”를 제안하고, 실제로 작동까지 보여주는 연구입니다. 

연구 배경  

지금까지의 배터리와 슈퍼커패시터는 ‘저장’에 특화된 장치라서, 태양광·진동·열 같은 주변 에너지를 ‘수확’하려면 별도의 장치(태양전지, 발전기 등)가 필요했습니다. 이 때문에 웨어러블 기기나 사물인터넷(IoT)처럼 작은 기기에서는 공간·무게·복잡성이 커지는 문제가 있었습니다. 최근에는 한 장치 안에서 에너지 수확과 저장을 동시에 하려는 시도가 있었지만, 출력이 낮거나 수명이 짧고, 실제 환경에서의 안정성이 충분하지 않은 경우가 많았습니다. 

연구 목적  

이 논문에서 연구진은 한 번의 구조 설계로 “에너지를 모으는 부분과 저장하는 부분이 자연스럽게 연결된 소자”를 만드는 것을 목표로 했습니다. 구체적으로는 ① 일상적인 환경(빛, 움직임, 온도 차 등)에서 쓸 수 있을 정도의 전력을 얻고, ② 여러 번 충·방전을 반복해도 성능이 잘 유지되며, ③ 작은 크기로도 소형 전자기기를 직접 구동할 수 있는지를 입증하는 것이 핵심 목표였습니다. 

연구 방법  

연구진은 먼저 특정 나노구조를 가진 전극 소재를 설계하고, 그 위에 에너지 수확 기능과 저장 기능이 동시에 가능한 계면 구조를 만들었습니다. 소재 선택에서는 전기전도성이 높으면서도 이온이 잘 드나들 수 있는 다공성 구조를 갖도록 했고, 표면에는 전하를 잘 축적할 수 있는 활성층을 형성했습니다. 이후 이 전극을 이용해 하나의 소자 안에 ‘발전부’와 ‘저장부’가 이어지는 형태로 조립하고, 그 위에 젤 형태의 전해질을 덮어 유연하면서도 안전한 구조로 만들었습니다. 이런 소자를 여러 개 직렬·병렬로 연결해 전압과 전류를 조절하며, 실제로 LED, 센서, 작은 디스플레이 등을 구동해 보는 실험도 진행했습니다. 

연구 결과  

실험 결과, 이 소자는 주변에서 들어오는 특정 형태의 에너지를 스스로 전기로 바꾸고, 동시에 그 전기를 곧바로 내부에 저장해 두는 데 성공했습니다. 저장 성능 측면에서 에너지 밀도(얼마나 많이 저장하느냐)와 출력 밀도(얼마나 빠르게 꺼내 쓰느냐) 모두 기존 유사 소자들과 비교해 경쟁력이 있거나 더 우수한 수준을 보여주었습니다. 또 수천 번 이상의 충·방전 사이클 후에도 용량 유지율이 상당히 높게 유지되어, 실용화를 고려해도 될 정도의 안정성을 입증했습니다. 여러 개의 소자를 연결했을 때는, 손목에 찬 웨어러블 센서나 작은 무선 통신 모듈 정도는 외부 배터리 없이도 일정 시간 구동할 수 있을 정도의 전력을 공급하는 데 성공했습니다. 

고찰: 이 결과가 의미하는 것  

연구진은 이 소자가 단순히 “잘 되는 실험실 장난감”이 아니라, 실제 환경에서도 활용 가능한 수준에 점점 가까워지고 있다는 점을 강조합니다. 특히 작은 면적에서도 비교적 높은 전력을 얻을 수 있어, 앞으로 더 효율적인 구조 설계와 재료 개선을 통해 상용 웨어러블·IoT 장치에 붙여 쓸 수 있는 가능성이 큽니다. 동시에, 에너지 수확과 저장을 각각 따로 설계하던 기존 방식과 달리, 소재·구조 설계 단계에서부터 둘을 통합해 생각해야 한다는 방향성을 제시합니다. 이는 향후 에너지 소자 연구에서 “한 기능씩 쌓는” 방식보다 “복합 기능을 원천 설계에 녹이는” 방식으로 패러다임이 옮겨갈 수 있음을 시사합니다. 

의의와 시사점  

첫째, 이 연구는 “에너지 수확·저장을 통합한 소자”가 더 이상 개념 수준이 아니라, 구체적인 구조·성능 지표와 함께 제시될 수 있음을 보여줍니다. 둘째, 소형 전자기기의 전원 설계에서 배터리 용량을 무조건 키우기보다는, 주변 환경에서 스스로 에너지를 보충하는 ‘에너지 자립형 기기’ 쪽으로 전략을 바꿀 수 있다는 점을 보여줍니다. 셋째, 유연한 구조와 안정적인 사이클 수명을 동시에 확보함으로써, 기존의 딱딱한 배터리로는 어려웠던 착용형 기기, 의료용 패치, 구조물 모니터링 센서 등에 새로운 설계 옵션을 제공합니다. 

이 연구가 왜 중요한가  

앞으로 우리 일상에는 센서와 소형 기기가 지금보다 훨씬 더 촘촘히 깔릴 예정인데, 매번 배터리를 갈고 충전선을 꽂는 방식으로는 유지 관리가 사실상 불가능합니다. 이 논문은 “작은 기기가 스스로 주변에서 에너지를 모아 저장해 쓰는 것”을 현실에 한 걸음 더 가깝게 만든 사례로, 에너지 문제와 디지털 인프라를 동시에 고민해야 하는 시대에 매우 중요한 기술적 기반을 제시했다고 볼 수 있습니다. 

Kimi

# AI가 과학 연구 전 과정을 자동화한다: The AI Scientist 논문 요약

## 연구 배경

인공지능(AI)이 과학을 돕는 것은 오래된 꿈이었습니다. 과거에는 특정 분야만 도왔는데, 예를 들어 화학 구조 발견, 수학 증명 찾기, 단백질 구조 예측 같은 단순 작업이었죠. 최근 강력한 대규모 언어 모델(LLM)이 등장하면서 AI는 가설 생성, 문헌 검토, 실험 코드 작성까지 더 넓은 영역을 돕게 되었습니다. 하지만 연구의 전 과정—아이디어 구상부터 논문 발표까지—을 스스로 해내는 시스템은 여전히 불가능했습니다.

## 연구 목적

연구자들은 "The AI Scientist"라는 파이프라인을 개발하여 과학 연구 전 과정을 완전히 자동화하는 것을 목표로 했습니다. 이 시스템은 연구 아이디어를 만들고, 코드를 작성하고, 실험을 실행하고, 데이터를 분석하고, 논문 전체를 집필하며, 스스로 동료 심사까지 수행하는 것을 목표로 합니다.

## 연구 방법

The AI Scientist는 두 가지 모드로 작동합니다. 첫째, "템플릿 기반" 모드는 사람이 제공한 코드 템플릿을 출발점으로 특정 주제에 대한 연구를 수행합니다. 둘째, "템플릿 없는" 모드는 더 적은 사전 지침으로 더 넓은 과학 탐색을 합니다. 시스템은 네 단계로 진행됩니다: (1) 아이디어 생성 및 문헌 검색으로 참신성 확인, (2) 실험 실행 및 결과 시각화, (3) 표준 학회 형식의 논문 작성, (4) 자동화된 동료 심사. 특히 템플릿 없는 버전은 "에이전틱 트리 검색"을 사용하여 여러 실험을 병렬로 탐색하고, 비전-언어 모델로 그래프 품질을 평가하며, 네 단계(초기 조사, 하이퍼파라미터 튜닝, 연구 수행, 제거 연구)로 구조화된 실험을 진행합니다.

평가를 위해 연구자들은 "Automated Reviewer"라는 자동 심사 시스템도 개발했습니다. 이 시스템은 NeurIPS 학회의 심사 기준을 따르며, 실제 인간 심사자와 비슷한 수준의 판단 정확도(균형 정확도 69%)를 보였습니다. 궁극적인 테스트로, 생성된 논문 세 편을 ICLR 2025의 "I Can't Believe It's Not Better" 워크숍에 블라인드 제출했습니다—심사자들은 일부 논문이 AI가 작성한 것을 알았지만 어떤 것인지는 몰랐습니다.

## 연구 결과

세 가지 핵심 결과가 나왔습니다. 첫째, Automated Reviewer는 인간 심사자와 비슷한 수준으로 학회 수락 결정을 예측했습니다. 둘째, The AI Scientist가 생성한 논문의 품질은 기초 모델의 발전과 테스트 시 컴퓨팅 자원의 증가에 따라 꾸준히 개선되었습니다. 셋째, 세 편의 AI 생성 논문 중 한 편이 평균 6.33점(6, 7, 6점)을 받아 워크숍의 평균 수락 기준을 넘겼습니다. 주최 측은 AI 생성임이 밝혀지지 않았다면 수락되었을 것이라고 밝혔습니다. 이 논문은 흥미로운 부정적 결과를 보고했는데, 이는 해당 워크숍의 주제와 잘 맞았습니다.

## 고찰과 한계

시스템은 아직 여러 한계가 있습니다. 세 편 중 한 편만 수락되었고, 워크숍은 본 회의보다 수락률이 훨씬 높습니다(70% 대 32%). 흔한 실패 유형으로는 미숙한 아이디어, 핵심 아이디어의 잘못된 구현, 깊이 있는 방법론적 엄밀성 부족, 실험 오류, 본문과 부록의 중복된 그림, 부정확한 인용 같은 환각 문제가 있습니다. 연구자들은 AI가 수행 가능한 작업의 길이가 7개월마다 두 배로 늘어나고 있어, 이런 구현 및 디버깅 병목 현상이 곧 해결될 수 있다고 전망합니다.

## 의의와 시사점

이 연구는 완전히 AI가 작성한 논문이 최상위 머신러닝 학회의 동료 심사를 통과한 최초의 사례를 보여줍니다. 이는 AI의 과학적 추론 능력이 성장하고 있음을 입증하며, 발견의 과정이 더 이상 전적으로 인간의 영역이 아니게 되었음을 시사합니다. 과학 발견의 속도가 획기적으로 가속화될 수 있는 새로운 시대의 서막을 알리는 것입니다.

## 왜 이 연구가 중요한가

이 연구의 중요성은 기술적 성취를 넘어 과학 전체의 미래를 재정의하기 때문입니다. 첫째, 연구 생산성의 폭발적 증가가 가능해집니다. AI가 24시간 연구를 수행하면 인간 연구자가 수 개월 걸릴 작업을 며칠 만에 완료할 수 있습니다. 둘째, 과학의 민주화가 진행됩니다. 자금이 부족한 연구자나 기관도 AI 과학자를 활용해 세계적 수준의 연구를 수행할 수 있습니다. 셋째, 그러나 중요한 위험도 존재합니다—심사 시스템의 과부하, 연구 자격의 인위적 부풀림, 타인 아이디어의 적절하지 않은 사용, 과학자 일자리 감소, 윤리적 문제나 위험한 실험 등입니다. 연구자들은 이런 시스템을 책임감 있게 개발하고, AI 생성 연구의 공개와 평가에 대한 명확한 표준을 과학 공동체가 수립해야 한다고 강조합니다. 이 연구는 단순한 기술 발전이 아니라, 과학이 어떻게 수행되고 평가되어야 하는지에 대한 근본적인 질문을 던지는 획기적인 전환점입니다.

출처: @ye._.vely618