저희는 과학자들이 획기적인 가설과 연구 제안서를 생성하고, 과학 및 생의학적 발견의 속도를 가속화하도록 돕기 위해 Gemini 2.0을 기반으로 구축된 다중 에이전트 AI 시스템인 AI 공동 과학자를 소개합니다.
https://research.google/blog/accelerating-scientific-breakthroughs-with-an-ai-co-scientist/
- 구글, 연구 가속화 위한 AI '공동연구원' 도구 개발
- 구글에서 AI 과학자들이랑 공동으로 인류난제 연구중이라고 밝힘
- 구글 공동 과학자 에이전트들이 다리오가 말한 데이터센터 속 천재들임
저 각 에이전트들이 부여받은 역할대로
재귀 개선의 기본적 절차로 행동해서
유용한 결과를 내놨음
이제 저런 에이전트듵이 수백만개로 늘어나
다리오가 말한 데이터 속의 천재들이 될것이고
이게 agi asi로 불릴거임
“난 과학자인데 이건 재귀개선을 향한 확실한 길이라고 생각해“
“연구진이 논문에 재귀개선이라고 이미 써놨구나...“
1. Gemini 2.0 기반 멀티 에이전트 시스템
-과학적 가설을 생성, 검증하여 새로운 지식을 발견하는 것을 목표로 함
-인간 연구자가 제시한 목표에 맞춰 가설을 생성, 토론, 개선하는 방식으로 작동
2. 어떤 에이전트가 있을까?
-생성 에이전트 (Generation Agent): 기존 문헌 검토 및 가설 생성
-반성 에이전트 (Reflection Agent): 가설의 논리적 일관성과 기존 연구와의 연관성 검토
-순위 평가 에이전트 (Ranking Agent): 가설을 토너먼트 방식으로 비교하고 점수 매김
-근접성 에이전트 (Proximity Agent): 유사한 가설들을 분류하고 정리
-진화 에이전트 (Evolution Agent): 기존 가설을 개선하고 새로운 관점을 도입
-메타 리뷰 에이전트 (Meta-review Agent): 전체적인 연구 진행 과정 분석 및 피드백 제공
-과학자는 자연어를 통해 AI와 상호작용하며 연구 목표를 설정하고 AI가 생성한 가설을 검토하고 개선할 수 있다.
-에이전트들은 웹검색 및 특화된 AI 시스템을 비롯한 몇 가지 도구(tool)를 사용할 수 있다.
3. 실제 연구 응용 사례
-이번 논문에서는 주로 생물의학 분야에 실제 연구에 활용될 수 있는지를 검증함
--급성 골수성 백혈병(AML) 치료를 위한 약물 재활용:
기존에 허가된 약물 중 새로운 치료 효과가 있을 가능성이 있는 후보 약물을 제안
실험 결과, AI가 제안한 약물이 실제로 종양 억제 효과를 보였음
--간 섬유화 치료를 위한 새로운 표적 발견:
AI가 에피제네틱 타겟을 새롭게 제안
실험 결과, AI가 제안한 타겟이 간 세포 재생을 촉진하고 섬유화를 억제함이 확인됨
--항생제 내성과 관련된 세균 진화 메커니즘 설명:
연구진이 실험을 통해 발견한 새로운 유전자 전달 메커니즘을 AI가 독립적으로 동일한 결론 도출
기존 연구 결과와 일치하며 AI의 예측 정확성이 검증됨
4. AI 공동 과학자의 성과 평가
-Elo 점수 기반 자동 평가 시스템을 통해 AI가 생성한 가설의 품질을 측정
-연구 목표를 203개로 나누어 AI의 성과를 측정한 결과, 시간이 지남에 따라 점진적으로 가설의 품질이 향상됨을 확인
-인간 전문가와 비교한 실험에서 AI가 보다 창의적이고 실용적인 가설을 제안할 수 있음이 입증됨
5. 결론 및 향후 과제
-AI 공동 과학자는 연구 과정에서 협업적인 도구(co-scientist)로 작용하며 연구자의 창의성을 보완하는 역할을 함
-본 논문에서는 생물의학 분야에서의 적용 가능성을 검토했으나, 향후 물리학, 화학, 재료과학 등 다양한 학문 분야에 적용 가능
-윤리적 문제 및 AI의 안전성을 강화할 필요성이 있으며, 이를 위한 추가적인 연구가 필요함
각주. 에이전트 예시
1. 생성 에이전트 (Generation Agent)
예시: "ALS의 진행을 촉진하는 주요 인자를 새로운 관점에서 제시하는 가설을 개발한다. 이를 위해 iPSC 세포를 사용한 in-vitro 실험을 고려할 수 있다."
2. 반성 에이전트 (Reflection Agent)
예시: "제안된 ALS 가설이 기존 연구와 일치하는지 검토하고, 새로운 실험적 검증이 필요한지를 평가한다."
3. 순위 평가 에이전트 (Ranking Agent)
예시: "ALS 연구에서 제시된 여러 가설을 상호 비교하여 가장 타당성이 높은 가설을 Elo 점수를 기반으로 평가한다."
4. 근접성 에이전트 (Proximity Agent)
예시: "ALS 관련 기존 연구와 AI가 생성한 가설의 유사성을 분석하여 중복을 줄이고 새로운 아이디어를 도출한다."
5. 진화 에이전트 (Evolution Agent)
예시: "ALS 가설을 개선하기 위해 기존 신경퇴행성 질환 연구에서 영감을 받아 새로운 메커니즘을 추가한다."
6. 메타 리뷰 에이전트 (Meta-review Agent)
예시: "ALS 연구 가설들의 공통적인 문제점을 분석하고, 반복적으로 등장하는 오류를 반영하여 향후 가설 생성에 피드백을 제공한다."
*결론 전문 번역:
AI 공동 과학자는 과학자들의 연구를 보조하고 과학적 발견을 가속화하는 AI 기반 시스템으로서 유망한 발전을 보여준다.
이 시스템은 다양한 과학 및 생물의학 분야에서 새로운 실험 가능한 가설을 생성할 수 있으며, 일부는 실험적 결과로 뒷받침되기도 한다.
또한, 계산 자원이 증가함에 따라 반복적으로 자기 개선이 가능하다는 점에서, 인류 건강, 의학 및 과학의 중요한 난제 해결을 가속화할 가능성을 시사한다.
이러한 혁신은 수많은 질문과 기회를 열어주며, AI 공동 과학자 시스템 자체를 경험적이고 책임감 있는 과학적 접근 방식으로 연구함으로써 그 잠재력을 안전하게 탐색할 수 있다.
이를 통해 협력적이고 인간 중심적인 AI 시스템이 인간의 창의성을 증진하고 과학적 발견을 가속화하는 방법에 대한 이해를 높일 수 있을 것이다.
*Test Time Computation에 대한 중요한 강조 내용:
Elo로 측정된 성능 포화의 증거는 보이지 않았으며, 이는 이 패러다임에서 테스트 시간 컴퓨팅을 더 확장하면 공동 과학자 시스템의 결과 품질이 계속 향상될 수 있음을 시사합니다.
공동 과학자 아키텍처가 모델에 구애받지 않으며 최첨단 및 추론 LLM의 추가 발전으로부터 이익을 얻을 가능성이 높다는 점을 다시 한 번 언급할 가치가 있습니다.
(Elo가 자동 평가된 점수라는 점에서 얼마만큼 믿을 수 있는지는 아직 의문이 조금 남아있음)