AI는 생명의 불확실성을 어디까지 다루나: 연역의 층과 귀납의 층
AI와 생물학을 함께 볼 때 유용한 두 개의 명제가 있습니다. 하나, 생명 현상은 근본적으로 알기 어렵습니다. 시험관에서 되던 것이 몸에 들어가면 왜 그런지도 모르게 어긋나고, 어떤 단백질은 정해진 모양 자체가 없어 관찰하는 순간 이미 다른 모양이 되어 있습니다. 둘, 그래서 AI는 시간과 비용을 줄여 주는 조력기술이지 문제를 끝내는 최종 해법이 아닙니다.
이 두 명제는 서로 다른 이야기처럼 보이지만 뿌리가 같습니다. 물리학은 몇 개의 법칙에서 결과를 연역하는 세계이고, 생물학은 관찰을 쌓아 겨우 규칙을 짐작하는 귀납의 세계라는 인식입니다. 그리고 요즘의 딥러닝은 본질적으로 귀납 기계입니다. 데이터를 잔뜩 먹고 그 안의 패턴을 짐작합니다. 그러니 AI는 규칙이 뚜렷한 곳에서는 강하고, 규칙이 흐릿하고 계속 변하는 곳에서는 약합니다. 이 글은 2024년부터 2026년까지의 연구 동향으로 그 경계선을 짚습니다. 인용한 성과와 수치는 모두 연구 기준이며, 특정 종목의 투자 판단은 다루지 않습니다.
연역의 층과 귀납의 층
이 구분을 이해하면 나머지가 다 풀립니다. 연역은 규칙이 먼저 있고 사례가 그 규칙을 따르는 방식입니다. 뉴턴의 법칙을 알면 공이 어디로 떨어질지 계산으로 정해집니다. 귀납은 반대입니다. 규칙을 모르니 사례를 잔뜩 모아 규칙을 짐작합니다. 생명 현상이 그렇습니다. 해보고 또 해보고, 그런데 할 때마다 결과가 조금씩 다릅니다.
생명 존재론은 근본적으로 불확실하다
첫 번째 명제를 연구자의 언어로 바꾸면 세 겹의 문제가 됩니다. 정답이 하나의 점이 아니라 분포이고, 관찰하는 행위 자체가 대상을 바꾸며, 시스템이 적응해 어제의 규칙이 오늘 성립하지 않습니다.
정해진 모양이 없는 단백질. 단백질은 순서가 정해지면 모양도 하나로 정해진다고 믿어 왔습니다. 그런데 사람 몸의 단백질을 조사해 보니 아미노산의 약 30~40%가 정해진 모양 없이 흐물거리는 영역에 속했고, 하필 암과 치매 같은 신경질환, 세포 신호를 주고받는 핵심 단백질이 여기 몰려 있습니다. 학계는 이를 내재적 무질서 단백질(IDP)이라 부릅니다. 이 흐물거리는 단백질을 꽁꽁 얼려 사진을 찍으면(초저온 전자현미경), 흐물거리던 부분은 그냥 흐릿하게 뭉개지거나 사라집니다. 수만 가지 모양이 겹쳐 평균이 나버리기 때문입니다. 관측하는 행위 자체가 대상의 본질인 움직임을 없애 버립니다.
그래서 연구 방식이 바뀝니다. 하나의 정답 모양을 맞히지 않고, 이 단백질이 어떤 모양들을 어떤 확률로 오가는지라는 분포 자체를 예측하려 합니다. 마이크로소프트의 바이오에뮤(BioEmu, Science 2025)는 그래픽카드 한 대로 시간당 수천 개 모양을 만들어 기존 물리 시뮬레이션보다 훨씬 빠르게 숨은 결합 자리를 찾아내고, 워싱턴대의 스탈링(STARLING, Nature 2026.02)은 무질서 단백질의 형태 분포를 만들어냅니다. 다만 냉정해야 합니다. 2025년의 한 연구(arXiv 2510.15939)는 알파폴드3가 실제로는 정해진 모양이 없는데도 마치 뚜렷한 구조가 있는 것처럼 자신 있게, 심지어 높은 신뢰도로 헛것을 그린다는 것을 보였습니다. 근본 문제는 정답 데이터 자체가 없다는 것입니다. 무질서 영역은 "이게 정답이다" 할 단일 구조가 원리적으로 없어서, AI가 아무리 그럴듯한 분포를 그려도 맞는지 확인할 실측 정답이 원천적으로 제한됩니다.
시험관과 몸의 간극. 신약 후보가 임상 1상에 들어간 뒤 최종 승인까지 살아남을 확률은 대략 5~10%입니다. 열에 아홉은 떨어지는데, 가장 큰 이유가 안전성이 아니라 효과가 없어서입니다. 실험에 쓴 세포와 동물이 사람 몸을 제대로 대표하지 못하기 때문입니다. 가장 뜨거운 시도가 가상세포입니다. 세포를 컴퓨터 안에 통째로 흉내 내는 것으로, 비영리 연구소 아크 인스티튜트가 엔비디아, 챈 저커버그 재단과 손잡고 세포 1억 개가 넘는 관측 데이터로 학습한 세포 파운데이션 모델 STATE를 내놨습니다. 규제도 순풍이라, 미국은 2022년 FDA 현대화법 2.0으로 신약 허가에 동물실험을 반드시 요구하던 조항을 없앴습니다. 그러나 아크의 2025년 가상세포 경진대회에는 114개국 5천 명 넘게 참가했는데 주최 측 공식 총평이 "지금의 예측 모델이 아직 단순한 기준선조차 일관되게 이기지 못한다"였습니다. 2026년 논문 "규모가 아니라 맥락이다(Context, Not Just Scale)"는 가상세포가 안 되는 이유를 모델이 작아서가 아니라 원인과 결과를 담은 다양한 상황의 데이터가 부족해서라고 짚습니다.
계속 변하는 몸. 몸에는 균형을 유지하려는 힘, 곧 항상성이 있어 약으로 한쪽을 누르면 다른 길을 열어 균형을 되찾으려 하고, 그것이 약물 내성입니다. 그래서 같은 약이 처음엔 듣다가 나중에 안 듣습니다. 학계 용어로는 생명계의 비정상성이라 부릅니다. 상대가 있는 게임입니다. 돌이 정해진 자리에 그대로 있는 바둑판이 아니라, 내가 수를 두면 상대가 대응해 판 자체가 바뀌는 상황이라, 과거 기보를 아무리 외워도 상대가 새로운 대응을 하면 무용지물입니다. AI를 데이터로 이기려는 시도가 섭동 생물학입니다. 유전자를 하나씩 켜고 끄면서 세포 반응을 대량으로 찍어보는 것으로, "A와 B가 같이 움직인다"가 아니라 "A를 건드리면 B가 바뀐다"는 인과를 배우려 합니다. 다만 관측만 쌓아서는 인과를 못 잡고, 학습에 없던 새 조합으로 일반화하는 데는 한계가 큽니다.
생물학에 문법이 있는가. 물리학은 몇 개의 법칙에서 연역하고 생물학은 관찰을 쌓는 귀납입니다. 그렇다면 AI가 방대한 관찰에서 생물학의 문법을 찾아낼 수 있을까요. 언어 모델이 글의 문법을 배우듯 DNA 서열을 학습해 생명의 언어를 배우려는 것이 게놈 파운데이션 모델입니다. 대표가 아크의 Evo 2로, 세균부터 사람까지 모든 생물 계통의 DNA 9.3조 염기쌍으로 400억 파라미터에 한 번에 100만 염기까지 읽습니다. 놀랍게도 따로 가르치지 않아도 어떤 유전자 변이가 병을 일으킬지 맞히고, 학습에 없던 매머드 게놈을 서열만 보고 해석했습니다. 그러나 반대 증거도 분명합니다. 2026년의 한 연구는 정교한 파운데이션 모델이 특정 벤치마크에서 오히려 파라미터 없는 단순한 표현법보다 못했다고 보고했습니다. 규모가 곧 이해는 아니라는 뜻입니다.
AI는 조력기술이지 최종해법이 아니다
두 번째 명제로 넘어갑니다. "AI는 조력기술"이라는 규정은 특정인의 신중론이 아니라, 이 분야를 이끄는 연구자들 스스로 내리는 규정입니다.
확신해도 틀리는 진단. 폐암을 확신하고 조직검사를 해도 상당수, 약 30%가 틀립니다. 종양은 부위마다 다른 세포로 이뤄져 있어 바늘로 한 군데를 찍으면 정작 중요한 세포를 놓칠 수 있습니다. 세계 최대 규모의 폐암 진화 연구 트레이서엑스(TRACERx, Nature 2023)가 이를 정면으로 뒷받침합니다. 폐암 환자 421명의 종양을 조각조각 1,644군데나 떼어 비교했더니, 흔한 암 유전자 40개 중 22개가 종양 전체에 고르게 있는 게 아니라 진화 과정에서 갈라져 나온 일부 가지에만 있었습니다. 연구진 결론은 "표적 돌연변이라도 한 가지에만 있으면 좋은 표적이 아니다. 다른 가지가 살아남아 재발하기 때문"이었습니다. 병리 슬라이드를 읽는 파운데이션 모델(버쇼, 프로브 기가패스, CHIEF, BEPH)이 빠르게 발전했지만, 바늘이 잘못된 곳을 찔러 애초에 암세포가 없는 샘플을 가져오면 아무리 좋은 모델도 없는 것을 볼 수 없습니다. 이것은 알고리즘의 한계가 아니라 샘플링의 한계, 곧 생물학적 이질성의 문제입니다. AI는 데이터의 품질을 증폭할 뿐 나쁜 대표성을 고쳐 주지 못합니다.
무한히 복잡한 종양. 종양 미세환경은 암세포 주변의 면역세포와 혈관, 조직이 얽힌 생태계라 분석할 것이 끝이 없습니다. 세포가 조직 안 어디에 있는지 위치까지 함께 읽는 공간전사체 기술과 AI를 결합해(Nicheformer, scGPT-spatial, Novae) 종양을 하나의 생태계로 지도화합니다. 그런데 흥미로운 역설이 있습니다. 세포 하나하나를 읽으려면 조직에서 세포를 떼어내야 하는데, 그 순간 주변 환경이라는 정보가 사라집니다. 측정 행위 자체가 대상의 중요한 성질을 지운다는 존재론적 지적이 여기서 그대로 나타납니다. 지도가 정교해질수록 볼 것이 더 늘어나는 구조입니다.
데이터는 정말 부족한가. 종양 세포처럼 진짜 필요한 샘플은 희소합니다. 데이터가 부족한데 어떻게 AI가 푼다는 것인가. 가장 근본적인 대응은 데이터가 부족하면 잘 만들어내는 것입니다. AI가 다음에 할 가장 정보가 큰 실험을 고르고(능동학습), 로봇이 실제로 수행하고, 결과를 다시 AI가 학습하는 닫힌 순환, 곧 자율실험실입니다. 소재 분야의 A-Lab은 17일 동안 사람 손을 거의 거치지 않고 목표 화합물 57개 중 36개를 합성해 이 방식의 위력을 보였습니다. 다만 자율성은 아직 AI가 사람이 정한 범위 안에서 다음 실험을 제안하는 3단계에 머물러 있습니다. 버클리의 한 자율실험실이 신물질 41개를 발견했다고 발표했다가 상당수가 이미 알려진 물질의 오독이라는 반박을 받은 일도 있습니다. 로봇이 손을 대신하는 자동화는 진짜였지만, AI가 판단을 대신하는 자율은 아직 초보 수준이라는 교훈입니다. "데이터만 다 모으면 풀린다"는 순진한 전제는 현장에서 지지받지 못하고, 대신 "데이터를 똑똑하게 만드는 순환을 누가 소유하는가"가 실제 경쟁 축이 됐습니다.
8개 갈래 한눈에, 그리고 규모의 성적표
지금까지의 여덟 갈래를 명제와 연구 현실로 나란히 놓으면 이렇습니다.
| 갈래 | 명제가 짚은 것 | 연구 현실 |
|---|---|---|
| 1 · 부정형 단백질 | 아는 순간 이미 바뀐다 | 고정형은 AI가 정복, 부정형은 이제 막 확률 분포로 접근 시작 |
| 2 · 시험관과 몸 | 몸에선 왜 그런지 모르게 실패 | 가상세포는 아직 세포 하나 수준, 몸 전체 예측은 초입 |
| 3 · 항상성과 내성 | 해볼 때마다 결과가 다르다 | 계속 변하는 표적, 관측만으로는 인과를 못 잡음 |
| 4 · 생물학의 문법 | 데이터 다 모으면 풀리나 | Evo 2는 규칙을 배우나, 거대 모델이 선형모델에 지기도 |
| 5 · 진단 오류 | 확신해도 틀리고 샘플이 없다 | 이질성은 데이터로 못 없애는 근본 문제(샘플링 한계) |
| 6 · 종양 미세환경 | 분석량이 무한하다 | 공간전사체로 지도화 진전, 그러나 볼 것이 더 늘어남 |
| 7 · 데이터 부족 | 진짜 샘플은 희소하다 | 순환을 누가 소유하는가가 경쟁 축, 생물학 데이터는 질의 문제 |
| 8 · 규모의 성적표 | 다 모으면 풀린다에 회의적 | 거대 모델이 몇 줄짜리 선형모델을 못 이긴 실측이 나옴 |
마지막 갈래가 가장 뼈아픕니다. 2025년 8월 네이처 메소드에 "딥러닝 기반 유전자 섭동 예측은 아직 단순한 선형 모델을 이기지 못한다"는 논문이 실렸습니다(Ahlmann-Eltze 외). 수억 원어치 계산으로 훈련한 거대 모델이 그냥 평균을 찍는 단순한 방법을 이기지 못했다는 것입니다. 규모의 법칙이 언어 AI에서는 잘 통했는데 생물학에서는 눈에 띄게 흔들린다는 실측입니다.
신약 임상 성적도 같은 이야기를 합니다. 컨설팅사 BCG의 2024년 분석에 따르면 AI가 발굴한 신약은 임상 1상 성공률이 80~90%로 사람이 발굴한 신약의 40~65%를 크게 앞섭니다. 그런데 임상 2상 성공률은 약 40%로 업계 평균과 똑같습니다. 1상은 주로 안전성을, 2상은 진짜 효과를 봅니다. 즉 AI는 안전하게 사람에 넣을 후보를 빨리 고르는 앞단은 잘하지만, 실제로 병을 낫게 하는가라는 뒷단에서는 아직 남들과 같습니다. 다만 2026년 초 기준으로 순수 AI가 설계한 약이 미국 규제 승인을 받은 사례는 아직 없습니다.
| 구분 | 풀린 쪽 (규모가 통함) | 안 풀린 쪽 (규모만으론 부족) |
|---|---|---|
| 대표 사례 | 단백질 구조 예측(AlphaFold), DNA 문법 학습(Evo 2), 병리 진단(CHIEF) | 부정형 단백질 앙상블, 몸속 반응 예측, 내성 진화 |
| 공통점 | 정답이 대체로 하나로 정해져 있고 학습 데이터가 풍부 | 정답이 분포이거나 계속 움직이는 문제, 데이터가 맥락 의존 |
| 시사 | 충분히 크면 새로운 능력이 부분적으로 나타남 | 단순 표현법이 정교한 파운데이션 모델을 이긴 벤치마크가 경종 |
결론은 이렇습니다. 규모는 필요조건이지 충분조건이 아닙니다. 생물학에서 AI의 성패는 데이터의 양보다 문제가 하나의 답을 갖는가 아니면 분포와 변화인가, 그리고 데이터를 만드는 순환이 빨리 닫히는가에 달려 있습니다.
무엇이 방어 가능한가
그래서 어떤 접근이 방어 가능한지를 산업 관점에서 정리하면 세 갈래가 보입니다. 종목이 아니라 회사의 구조에 대한 관찰입니다.
반대로 회의적으로 볼 신호도 분명합니다. 정답이 분포이거나 계속 움직이는 문제(신약의 몸속 효능, 치료 내성)를 정면으로 "푼다"고 주장하는 곳에는 반드시 반증 조건을 물어야 합니다. 무엇이 나타나면 이 주장이 틀린 것인지 답하지 못하면, 그것은 테제가 아니라 희망입니다. 세포와 분자 수준 예측을 임상 예측처럼 포장하거나, 자체 벤치마크의 발표 성적만 내세우거나, 완벽한 예측을 약속하는 태도가 그런 신호입니다. 반대로 눈여겨볼 신호는 학습에 없던 새 조건에서 검증하고, 단순한 선형 기준선을 실제로 이기고, 데이터 누수를 통제하고, 불확실성을 정직하게 표시하는 태도입니다.
맺으며
여덟 갈래를 다 보고 나면 하나의 그림이 선명해집니다. AI는 생명현상의 연역에 가까운 층을 이미 정복했습니다. 안정된 단백질 구조가 대표이고, 이건 공짜로 풀려 상품이 되었습니다. 그런데 어렵다고 짚은 모든 것, 단백질의 부정형과 시험관과 몸의 간극, 몸의 항상성과 내성, 암의 이질성은 전부 순수 귀납의 층입니다. 여기서는 시스템이 계속 변하고, 원인이 숨어 있고, 데이터가 부족하거나 편향됩니다.
그리고 이 층에서 최신 연구가 스스로 밝혀낸 사실은 냉정합니다. 거대한 AI가 몇 줄짜리 선형모델을 못 이기고, 가상세포는 단순 기준선을 못 넘고, AI 신약은 효능 단계에서 남들과 같습니다. 그러니 "데이터를 다 모으면 풀린다"는 주장에 대한 회의는 직관이 아니라, 이 분야 최전선이 도달한 결론과 같습니다. AI는 부정형의 확률 분포에는 다가가지만, 부정형의 순간 실재는 여전히 관측으로 고정할 수 없습니다. 두 명제가 처음 던진 통찰이, 여덟 갈래 전체의 결론이기도 합니다.
출처: 동료심사 게재 논문과 공식 발표를 우선 사용했습니다. 규모론과 인식론: Ahlmann-Eltze 외, Nature Methods 2025.08; Arc Institute Virtual Cell Challenge 2025 및 Cell. 단백질 구조와 부정형: BioEmu, Science 2025.07; STARLING, Nature 2026.02; Tesei 외, Nature 2024; "Hallucinations in AlphaFold3 for IDPs," arXiv 2510.15939. 생물학의 문법: Evo 2, Nature 2026(Arc·Stanford·NVIDIA). 암 이질성·병리·미세환경: TRACERx, Nature 2023; CHIEF/Virchow/Prov-GigaPath; Nicheformer, Nature Methods 2025. 임상 성적·자율실험실·규제: Jayatunga 외, Drug Discovery Today 2024; A-Lab, Nature 2023; FDA Modernization Act 2.0(2022). 프리프린트(arXiv·bioRxiv)는 심사 전이라 게재본과 다를 수 있고, 회사가 발표한 성능 수치는 독립 검증 전까지 낮춰 보는 것이 안전합니다. 본 글은 정보 제공 목적의 기술·산업 분석이며 투자 자문이 아닙니다.