구글이 AI 의사에게 레지던트 수련을 시켰습니다. 환자는 일부러 까다롭게 만들었습니다

의사 국가고시를 만점 받는 AI는 이미 흔합니다. 문제는 시험과 진료가 다른 일이라는 것입니다. 시험은 정리된 문제를 받고 답을 고르는 일이고, 진료는 정리되지 않은 사람에게서 질문으로 정보를 캐내는 일입니다. 그리고 그 사람은 증상을 과장하기도, 의사 말에 반박하기도, 처방을 따르지 않기도 합니다.

구글 연구진(35인 공저, 발표 기준)이 8월 7일 공개한 논문의 접근은 이 간극을 정면으로 다룹니다. 이름부터가 선언입니다. ResidencyRL, 레지던트 수련 강화학습. 의학 지식을 더 외우게 하는 대신, 시뮬레이션 진료실을 짓고 그 안에서 진료 행위 자체를 강화학습으로 수련시켰습니다. 대화형 진단 AI 연구인 AMIE 계보를 잇는 작업입니다.

시험장이 아니라 진료실을 지었습니다

훈련 환경의 설계가 이 논문의 본체입니다. AI 에이전트는 한 환자당 최대 60턴의 대화를 주고받으며 병력을 캐고, 가설을 세우고, 궤적당 최대 8회의 의료 도구 호출로 검사를 시켜 진단과 관리 계획까지 냅니다. 상대편 환자는 LLM 시뮬레이터인데, 협조적인 환자만 만들지 않았습니다. 복잡하고 적대적인 행동, 즉 증상 과장, 의사 판단에 대한 반박, 조언 불이행 같은 실제 진료의 까다로운 상황을 의도적으로 집어넣었습니다.

보상 설계도 시험 채점과 다릅니다. 정답 하나에 1점을 주는 대신 진단 정확도, 관리 품질, 의사소통, 문서화, 안전의 다섯 축으로 구조화된 보상을 줬습니다. 진료라는 일이 원래 다차원이기 때문입니다. 진단은 맞혔는데 위험한 계획을 내는 모델, 유능한데 환자에게 설명을 못 하는 모델을 각각 다른 축이 잡아냅니다. 앞서 정리한 RLVR 연구 전선의 언어로 말하면, 정답 채점이 아니라 루브릭 보상의 대규모 실전 적용입니다.

숫자: 어려운 환자 앞에서 갈렸습니다

결과 수치는 전부 논문 보고 기준입니다.

• 적대 조건 진단 정확도 88.0퍼센트. 같은 조건의 기준 모델은 81.0퍼센트로, 7.0퍼센트포인트 차이입니다. 협조적인 환자에서가 아니라 까다로운 환자에서 벌어진 격차라는 점이 핵심입니다.
• 위험 신호(레드 플래그) 누락 31퍼센트 감소. 다섯 축 중 안전 보상이 실제로 작동했다는 증거입니다. 이 숫자가 특히 무거운 이유가 있습니다. 최근 NOHARM 벤치마크 기준으로 임상 LLM의 중증 오류 80퍼센트 이상이 무언가를 빠뜨리는 누락형이었습니다. 이 연구의 개선이 정확히 그 오류 유형을 겨냥합니다.
• 블라인드 전문의 선호 87.6퍼센트. 어느 쪽이 AI인지 모르는 상태에서 전문의들이 나란히 놓인 진료 결과를 비교했을 때, ResidencyRL 에이전트 쪽을 87.6퍼센트 비율로 선호했습니다.
• 전이 성능. 훈련에 쓰지 않은 평가에서도 유지됐습니다. AMIE 다회차 진료 벤치마크의 여섯 개 임상 축 전부에서 우세했고, AgentClinic과 CRAFT-MD에서도 검증됐습니다.

열흘 간격으로 나온 두 논문이 한 그림을 완성합니다

이 논문을 더 크게 만드는 것은 시점입니다. 열흘 앞서 네이처 메디슨에 실린 의료 초지능 검증 아티클은 평가의 문제를 지적했습니다. 단발 사례 문제 풀이가 아니라 다회차·에이전트형 과제로 시험해야 하고, 멀티턴을 막은 평가 설계가 AI를 과소평가한다고. ResidencyRL은 같은 논리를 훈련 쪽에서 실행한 것입니다. 평가를 진료처럼 바꾸자는 문서와, 훈련을 진료처럼 바꾼 실물이 같은 달에 나왔습니다.

둘을 겹치면 의료 AI의 루프가 닫혀 가는 그림이 보입니다.

판단

의료가 RL 환경 산업의 첫 대형 수직 사례가 되고 있습니다. 환경이 데이터셋을 대체하는 흐름에서 코딩 다음 후보가 무엇이냐는 질문에, 이 논문은 의료라고 답한 셈입니다. 그리고 여기서 자산은 모델이 아니라 까다로운 환자를 연기할 줄 아는 시뮬레이터입니다. 실제 진료의 어려움 분포를 아는 조직만이 그 시뮬레이터를 만들 수 있고, 그것이 곧 채점기 소유 문제입니다.

레지던시라는 이름은 은유 이상일 수 있습니다. 사람 레지던트의 수련도 결국 감독된 환경에서 어려운 사례를 반복하는 일입니다. AI 수련용으로 만든 적대적 환자 시뮬레이터는 구조상 사람 수련에도 쓸 수 있는 물건이고, 준비 노동이 사라지며 수련 사다리가 끊기는 문제의 보완재가 같은 기술에서 나올 가능성이 있습니다.

남는 경계는 프록시 갭입니다. 시뮬레이터 환자는 LLM입니다. LLM이 흉내 낼 수 있는 까다로움에는 잘 대비되지만, 흉내 내지 못하는 종류의 실제 환자 앞에서 어떤지는 이 설계로 알 수 없습니다. 시뮬레이션 안에서 88점을 받은 수련의가 실제 병동에서 어떤지를 묻는 것과 같은 질문이고, 논문 스스로도 실제 워크플로의 전향적 검증이 남았다고 못 박았습니다. 훈련과 평가의 회전은 시간 단위로 당겨졌지만, 최종 채점자는 여전히 병원 바깥이 아니라 안에 있습니다.

시험 잘 보는 AI와 진료 잘 하는 AI가 다르다는 것은 오래된 지적이었습니다. 이 논문의 기여는 그 지적을 훈련 목표로 번역한 것입니다. 어려운 환자를 일부러 만들어 상대하게 했더니, 정확히 어려운 환자 앞에서 격차가 벌어졌습니다. 수련이란 원래 그렇게 설계하는 것이라는 걸, 의학은 오래전부터 알고 있었습니다.