Executive Summary

주요 수치

출처: 네이처 논문 An AI-native experimental laboratory for autonomous biomolecular operations와 같은 호 해설 AI agents enter the 'wet lab'

네 칸 가운데 앞의 둘은 AutoDNA가 해낸 일이고, 뒤의 둘은 그 일을 어떤 조건에서 해냈는지를 말한다. 뒤쪽을 빼고 읽으면 성과가 실제보다 커 보인다.

AutoDNA에 들어가는 입력은 자연어 요청 한 줄이다. 그다음부터는 문헌을 찾고, 쓸 시약을 고르고, 실험 절차를 짜고, 장비를 움직일 코드를 쓰고, 장비를 돌리고, 나온 결과를 읽는 일이 차례로 이어진다. 사람이 중간에 절차를 승인하거나 코드를 손보는 자리가 설계상 없다.

네 가지 시연 가운데 가장 긴 것이 DNA 데이터 저장 왕복이다. 디지털 정보를 염기 서열로 바꾸고(인코딩), 그 서열대로 DNA를 합성하고, 보관했다가, 다시 시퀀싱해서 읽고, 원래 데이터로 되돌린다(디코딩). AutoDNA는 이 다섯 단계를 혼자 묶어 DNA 가닥 78개를 합성하고 시퀀싱했고, 처음에 넣었던 문장을 그대로 꺼냈다. 들어간 하드웨어 조작은 1만 1,382단계, 걸린 시간은 약 203.5시간이다.

이 숫자가 뜻하는 것은 규모보다 지속 시간이다. 여드레에 걸쳐 이어지는 동안 로봇 팔이 시료를 장비 사이로 옮기고, 가열과 냉각과 원심분리와 형광 측정이 번갈아 돌아간다. 중간에 한 단계가 어긋나면 뒤의 수천 단계가 함께 무너지는 구조다. 플랫폼은 마이크로미터급 위치 정밀도와 마이크로리터급 액체 취급 정밀도를 낸다고 논문은 적는다.

지금까지의 자동화 실험실과 갈라지는 지점은 여기다. 기존 플랫폼은 사람이 짜 놓은 공정 위에 인공지능을 덧붙이는 구조였다. 데이터 분석이나 조건 선택 같은 특정 작업만 모델이 맡고, 장비 구성과 실험 절차 정의와 최적화 규칙은 사람이 쥐고 있었다. AutoDNA는 처음부터 인공지능을 중심에 두고 설계했다는 뜻으로 'AI 네이티브'를 자처한다. 논문 공동 저자인 상하이교통대 컴퓨터과학자 천하이보(Haibo Chen)는 기존 실험실에 인공지능을 더한 것이 아니라 인공지능을 전제로 실험실을 지었다는 점을 차이로 들었다.

이 구조가 왜 눈길을 끄는지는 속도의 불균형에서 나온다. 같은 호에 해설을 쓴 스탠퍼드대 제임스 저우(James Zou) 교수는 인공지능이 생물학적 활성을 지닌 후보 분자를 몇 분 만에 설계해 놓고도, 그것을 실험으로 확인하는 데는 여전히 몇 주에서 몇 달이 걸리고 적지 않은 인력이 든다고 적었다. 설계는 빨라졌는데 실험대가 따라오지 못한 셈이다. 그는 AutoDNA가 인공지능이 실험을 제안하는 일과 실제로 해내는 일 사이의 간극을 좁히기 시작했다고 봤다.

AutoDNA의 머리는 역할이 나뉜 에이전트 여섯이다. 큰 묶음은 둘이고, 무엇을 어떻게 실험할지 정하는 쪽과 그것을 실제 장비 동작으로 바꾸는 쪽으로 갈린다. 가운데에서 전체를 지휘하는 것은 실험 설계 담당이다.

2.1무엇을 실험할지 정하는 넷

앞쪽 넷은 실험대에 손을 대지 않는다. 문헌을 찾고, 남은 시약을 세고, 그 안에서 밟을 수 있는 절차를 짜고, 뜻대로 되지 않으면 다음 수를 궁리하는 데까지가 이들의 몫이다.

• 실험 설계 에이전트(EPA) — 다른 에이전트가 내놓은 판단을 모아 실험 절차를 짜고 최적화 전체를 지휘한다.
• 가설 제안 에이전트(HPA) — 결과가 기대에 못 미치면 원인을 짚어 개선 가설을 만든다.
• 문헌 조사 에이전트(LRA) — 논문을 찾아 읽고 절차 설계와 조건 선택에 쓸 근거를 가져온다.
• 시약 관리 에이전트(RMA) — 남은 시약을 세고, 절차를 짤 때 그 한도를 넘지 못하게 막는다.

2.2장비를 움직이는 둘

뒤쪽 둘은 그렇게 합의된 절차를 장비가 알아듣는 형태로 바꾼다. 자연어로 적힌 실험 계획이 파이썬 코드가 되고, 그 코드가 다시 장비 동작이 되는 두 번의 번역이 여기서 일어난다.

• 프로그램 개발 에이전트(PDA) — 장비 기능을 '원자 서비스'로 바꿔 두고, 실행 가능한 파이썬 코드를 써서 스스로 검증한다.
• 하드웨어 실행·검증 에이전트(HEVA) — 코드를 장비에 올려 돌리고, 결과를 확인하고, 장비가 지금 비었는지 차 있는지를 실시간으로 들고 있는다.

이 여섯이 닫힌 고리를 이룬다. 설계하고, 실험하고, 결과를 보고, 다시 설계한다. 결과가 나쁘면 가설 제안 쪽이 개선안을 내밀고 고리가 한 바퀴 더 돈다. 사람이 끼어드는 자리는 그 고리 바깥에 있다.

2.3장비 설명서를 읽어 '원자 서비스'로 바꾼다

모델이 장비를 다루려면 장비가 무엇을 할 수 있는지 알아야 한다. 제조사마다 제어 방식과 인터페이스가 다르니, 에이전트가 장비별 저수준 제어를 직접 상대하면 시스템이 금세 복잡해진다. AutoDNA는 그 사이에 한 겹을 둔다. 장비 사양서와 사용설명서를 읽어 기능을 더 쪼갤 수 없는 단위로 나누고, 각 단위에 자연어 설명과 매개변수 제약을 붙여 둔다. 피펫 하나는 액체 이송과 혼합이라는 두 서비스가 된다. 에이전트는 이 서비스들을 조합해 복잡한 절차를 만든다.

쓴 코드를 곧바로 장비에 내리지는 않는다. 먼저 가상 실험실에서 한 번 돌려 액체의 양을 따라가고, 용기가 제자리에 있는지와 장비 설정이 맞는지를 확인한다. 저우 교수가 해설에서 든 사례가 이 단계의 쓸모를 보여 준다. 어떤 실험에서 생성된 코드가 시료 용기를 장비에 넣기도 전에 형광값을 읽으려 했고, 그 오류를 가상 실험실이 먼저 잡아냈다. 시약과 시간이 실제로 드는 실험을 시작하기 전에 걸러진 셈이다.

여러 사용자가 동시에 실험을 넣어도 장비 상태를 보며 순서를 조정한다. 어떤 장비가 차 있으면 기능이 같은 다른 장비로 경로를 바꾸고 제어 코드도 거기에 맞춰 고쳐 쓴다. 가열기가 차 있으면 서멀 사이클러로 돌려쓰는 식이다. 이 방식으로 동시에 돌아가는 작업의 실행 시간이 약 3분의 1로 줄었다고 논문은 적는다. 엔진은 구글 제미나이 API를 쓰는 멀티 에이전트 구성이고, 코드는 아파치 2.0 라이선스로 깃허브에 공개돼 있다.

연구진은 성격이 다른 네 가지 과제로 AutoDNA를 시험했다. 난이도가 아니라 종류가 다르다. 하나는 정해진 절차를 정확히 밟는 일이고, 하나는 답이 정해지지 않은 조건을 스스로 찾아가는 일이고, 하나는 긴 공정을 끝까지 끌고 가는 일이고, 마지막 하나는 모르는 시료를 받아 결론을 내는 일이다.

네 가지 가운데 성격이 가장 다른 것은 두 번째다. 앞뒤의 셋은 목표가 분명하고 밟아야 할 순서가 있다. 효소 DNA 합성 최적화는 어떤 변수를 건드려야 할지부터 열려 있는 문제였고, AutoDNA는 결과를 보면서 탐색 방향을 바꿔 나갔다. 사람이 몇 해에 걸쳐 다듬어 발표한 조건과 비슷한 자리에 닿았다는 것이 이 시연의 요점이다.

'무인'이 가리키는 범위는 생각보다 좁다. 저우 교수는 실험 과제를 고르는 일과 물리적 플랫폼을 꾸리는 일은 여전히 사람 몫이라고 분명히 적었다. 실험이 시작되기 전에 사람이 시약과 기구를 준비하고, 긴 운전 동안 소모품을 채우고 폐기물을 치운다. 요청을 넣는 사람과 실험실을 지어 둔 사람이 둘 다 있어야 고리가 돈다.

신뢰성 쪽 숫자도 함께 공개됐다. AutoDNA 실험 과정에서 연구진이 기록한 하드웨어 오류는 열넷이고, 그중 여덟은 시스템이 스스로 복구했다. 남은 여섯은 사람이 손을 대야 했다. 자동 복구율로 읽으면 57%이고, 사람을 부른 횟수로 읽으면 여섯 번이다. 둘 다 같은 사실인데, 무인 운전을 전제로 설계를 검토하는 쪽에서는 뒤쪽이 더 중요한 수가 된다.

논문 자체가 적어 둔 한계도 있다. 대규모 언어 모델에는 무작위성이 있어 실험 절차의 재현성에 영향을 줄 수 있다는 대목이다. 같은 요청을 다시 넣었을 때 같은 절차가 나온다는 보장이 없다는 뜻이고, 실험 과학에서 재현성은 부수적인 조건이 아니다. 지금 전면 자동화에 맞는 실험이 비교적 표준화된 검사 위주이고 동물 모델이 끼는 복잡한 실험은 범위 밖이라는 점도 함께 적혀 있다.

확산을 가로막는 쪽에서 저우 교수가 짚은 것은 인터페이스다. 제조사마다 프로그래밍 인터페이스가 달라서 한 실험실에서 만든 자동화 해법을 다른 실험실로 옮기기 어렵다. 에이전트와 장비 사이에 업계 표준 인터페이스가 서지 않으면 자율 실험실 하나하나가 맞춤 공사로 끝난다는 것이 그의 경고다. 연구진이 다음으로 꼽은 과제는 더 강한 장비, 시약을 스스로 옮기는 이동 로봇, 그리고 더 완전한 문헌 데이터베이스와 검색 증강 생성이다.

실험실이 무인이 된다는 말은 실험 데이터가 사람 손을 거치지 않고 생긴다는 말이다. 1만 1,382단계는 기계가 한 일이자 기계가 남긴 기록이다. 그 기록은 다음 모델의 학습 데이터가 되고, 다른 연구진이 절차를 가져다 쓰는 근거가 되고, 결과를 의심하는 사람이 되짚어 보는 유일한 자취가 된다.

사람이 실험 노트에 적던 것 가운데 가장 값진 대목은 수치가 아니라 '왜 이렇게 했는지'였다. 그 자리가 AutoDNA에서 비어 있지는 않다. 에이전트 여섯이 자연어로 의논하는 구조이니, 주고받은 말을 그대로 붙잡아 두면 형식만 놓고는 사람의 노트보다 촘촘해진다. 완충액을 왜 바꿨는지, 어떤 문헌을 근거로 삼았는지가 문장으로 남는다.

연구진도 그 기록을 그냥 두지는 않았다. 논문의 데이터 공개 항목을 보면 시퀀싱 데이터와 에이전트들이 주고받은 출력을 제노도(Zenodo)에 올려 뒀다. 실험 결과만이 아니라 그 결과에 이르는 대화까지 공개 대상으로 잡았다.

그런데 논문이 밝힌 한계가 바로 그 기록의 값을 깎는다. 모델에 무작위성이 있어 절차의 재현성이 흔들릴 수 있다면, 로그에 적힌 '이 조건을 고른 이유'는 그때 실제로 작동한 인과인가, 아니면 그럴듯하게 쓰인 사후 설명인가. 사람이 쓴 노트에도 같은 의심이 붙었지만, 사람에게는 물어볼 수 있었고 실험 노트의 저자는 자기 판단에 책임을 졌다. 생성된 설명에는 그 두 가지가 모두 없다.

이번 소식 안에 작은 실례도 하나 들어 있다. 같은 시스템의 같은 DNA 데이터 저장 실험인데, 연구진의 프로젝트 페이지는 1만 1,386단계에 162.9시간으로 적고, 네이처 정식판은 1만 1,382단계에 약 203.5시간으로 적는다. 프로젝트 페이지가 아직 프리프린트를 가리키고 있어서 생긴 차이로 보인다. 어느 쪽도 틀린 기록이 아니지만, 어느 판의 기록인지를 함께 적지 않으면 두 숫자는 서로를 반박하는 것처럼 보인다. 기계가 남긴 기록이라고 해서 저절로 한 벌로 수렴하지는 않는다.

자동 생성된 실험 데이터를 받아 쓰는 쪽에서 지금 물어 둘 만한 것은 네 가지다. 기록이 쌓이기 전에 묻는 것과 쌓인 뒤에 묻는 것은 품이 다르다.

• 이 데이터가 어느 판에서 나왔는가. 시스템 버전과 모델 버전이 로그에 함께 적혀 있는가.
• 절차를 정한 주체가 사람인가 모델인가. 모델이라면 그때 참고한 문헌과 판단 근거가 남아 있는가.
• 운전 중 오류가 몇 건이었고, 자동으로 복구된 건에서 시스템이 무엇을 바꿨는가.
• 같은 요청을 다시 넣었을 때 같은 절차가 나오는가. 나오지 않는다면 어느 단계에서 갈라지는가.

네 가지 모두 실험이 끝난 뒤에는 복원하기 어려운 정보다. 무인 실험실이 늘어날수록 데이터 품질을 묻는 자리는 결과값에서 로그 설계로 옮겨 간다. 어떤 수치가 나왔는지를 검사하는 일보다, 그 수치가 어떤 경로로 나왔는지가 남아 있는지를 먼저 보게 된다.

여기까지 읽어 주셔서 감사하다. 논문은 네이처에서, 해설은 같은 호 News & Views에서 확인할 수 있고, 시스템 구조와 장비 목록은 프로젝트 페이지에 정리돼 있다. 자동 생성된 실험 기록을 실제로 받아 써 본 경험이 있다면, 어떤 항목이 로그에 남아 있어서 도움이 됐는지 들려주시면 좋겠다.

학술 논문

• 1.Wu, M. et al. (2026). "An AI-native experimental laboratory for autonomous biomolecular operations." Nature.
• 2.Zou, J. (2026). "AI agents enter the 'wet lab'." Nature (News & Views).
• 3.Wu, M. et al. (2025). "An AI-native experimental laboratory for autonomous biomolecular engineering." arXiv:2507.02379 (정식판 이전 프리프린트, 단계 수·소요 시간이 정식판과 다름).

공식 자료

• 4.Institute of Parallel and Distributed Systems (IPADS), Shanghai Jiao Tong University. "AutoDNA — AI-Native Autonomous Laboratory" (프로젝트 페이지).
• 5.IPADS-X. "IPADS-X/AutoDNA" (소스 코드, Apache License 2.0).
• 6.Wu, M. et al. (2026). "AutoDNA code and data for autonomous biomolecular operations." Zenodo. DOI: 10.5281/zenodo.20624108.