AI가 설계하고 로봇이 24시간 실험한다: 자율 실험실의 산업 지도와 투자 기회
로봇이 밤새 실험하는 연구소는 이제 상상 속 장면이 아닙니다. 다만 로봇이 미리 정해진 일을 반복하는 것과, AI가 결과를 읽고 다음 실험을 바꾸는 것은 다른 수준의 기술입니다.
2026년 2월 OpenAI와 Ginkgo Bioworks는 AI가 실험을 설계하고 자동화 실험실이 실행하는 과정을 반복해, 특정 단백질 합성 시스템의 생산비용을 기존 비교 기준보다 40% 낮췄다고 발표했습니다. 9월 15일 Periodic Labs는 24시간 가동하는 소재 실험실과 자체 실험 데이터로 학습한 분석 모델을 공개했습니다. 릴리와 엔비디아는 1월, 실험과 AI 개발을 연결하는 공동 연구소에 5년간 최대 10억 달러를 투입하겠다고 발표했습니다. 각각 특정 과제의 실증, 실험실·모델 운영에 관한 회사 발표, 미래 투자 계획입니다. 세 가지를 같은 실적처럼 읽어서는 안 됩니다.[1] [2] [3]
이 분야의 투자 기회는 로봇 수보다 좋은 실험을 선택하는 능력, 결과를 믿을 수 있게 만드는 기술, 그 과정에서 축적되는 자산의 소유권에 달려 있다고 봅니다. 같은 기술을 사용하더라도 신약을 소유하는 회사, 실험을 대신 수행하는 회사, 다른 연구소에 소프트웨어를 공급하는 회사의 수익 구조는 크게 다릅니다.
자료 기준일은 2026년 9월 16일입니다. 기업 공식 발표와 제품 설명, 연구 공개 자료를 중심으로 검토했습니다. 회사가 설명하는 운영 상태와 독립적으로 검증된 과학적 성과는 구분했습니다. 아래 산업 분류와 투자 우선순위는 필자의 분석이며, 개별 기업의 투자 가격이나 비공개 계약을 평가한 것은 아닙니다.
1. 어디까지 해야 자율 실험실인가
자율 실험실을 판단할 때 확인할 흐름은 다음과 같습니다.
연구 목표와 제약 설정 → 후보·실험 설계 → 실행 가능한 절차로 변환 → 장비 실행 → 측정과 품질 확인 → 다음 실험 선택
앞선 실험 결과가 다음 실험의 선택을 바꿀 때 순환이 닫힙니다. 이를 폐쇄형 반복 실험, 또는 닫힌 고리형 실험이라고 부를 수 있습니다. AI가 논문을 읽어 실험계획서를 작성했더라도 사람이 일일이 절차를 옮겨 적고 다음 실험을 결정한다면, 전체 과정이 자율화됐다고 보기 어렵습니다.
OpenAI·Ginkgo 사례에는 실제로 AI가 제안한 실험을 로봇이 실행할 수 있는지 검사하는 프로그램이 별도로 들어갔습니다. 모델의 문장이 그럴듯하다는 이유만으로 장비에 전달하지 않은 것입니다. 연구진은 절차 개선과 시약 취급에 사람의 감독이 필요했다는 한계도 명시했습니다.[1]
자동화와 자율성을 구분하는 네 가지 상태
아래는 비교를 위한 분류이며 공인된 업계 등급이 아닙니다. 기업 전체가 아니라 개별 실험 업무에 적용해야 합니다.
| 상태 | 시스템이 하는 일 | 아직 사람이 맡는 일 |
|---|---|---|
| 설계 보조 | 문헌 조사, 후보 생성, 실험계획 제안 | 실행·결과 검증·다음 실험 결정 |
| 정해진 절차의 자동 실행 | 예약된 실험을 반복하고 데이터를 수집 | 실험 조건 변경과 다음 배치 선택 |
| 제한된 과제의 자율 반복 | 정해진 목표·장비·조건 안에서 결과에 따라 다음 실험 선택 | 목표와 탐색 범위 설정, 예외 처리, 중요한 승인 |
| 여러 단계가 연결된 자율 연구 | 후보 선정부터 합성·측정·해석까지 여러 장비와 모델을 연결 | 새로운 실험법 도입, 안전 경계, 연구 방향과 최종 판단 |
마지막 상태라고 해서 모든 과학 문제를 해결하는 무인 연구소라는 뜻은 아닙니다. 특정 합성 반응의 최적화에 성공한 시스템이 세포 배양이나 독성 평가까지 같은 수준으로 수행한다는 보장은 없습니다.
‘24시간’도 두 질문으로 나눠야 합니다. 밤에 장비가 계속 움직이는가, 그리고 밤에 나온 결과가 사람을 기다리지 않고 다음 실험을 바꾸는가입니다. Emerald Cloud Lab은 24시간·연중 운영을 설명하지만, 원격으로 접근 가능한 실험 인프라라는 사실만으로 모든 이용자의 연구가 AI 자율형이라는 뜻은 아닙니다.[17]
2. 빅파마와 빅테크는 무엇을 구현하고 있나
빅파마: 자체 연구 자산을 더 빨리 개선하는 방향
| 사례 | 연결하는 과정과 공개 근거 | 확인된 범위와 남은 한계 |
|---|---|---|
| 릴리–엔비디아 | 2026년 1월 공동 연구소 발표. 릴리의 실제 실험과 계산 연구를 연결하고 BioNeMo 등을 활용해 실험과 모델 개발을 반복하는 구상 | 5년간 최대 10억 달러의 투자 계획. 24시간 AI 보조 연구와 지속 학습은 목표이며, 발표만으로 연구소 전체의 자율 가동 실적이 입증되지는 않음.[3] |
| 아스트라제네카 iLab | Molecular AI와 로봇 합성·정제·시험 준비를 연결하는 의약화학 실험실. 2024년 공개 자료에서 시제품을 설명 | 해당 자료는 설계–합성–시험–분석 전체의 완전 자동화가 아직 달성되지 않았다고 명시. 2026년 8월 회사 자료에서도 AI 기반 바이오의약품 실험실을 구축 중이라고 설명. 목표와 완성된 기능을 구분해야 함.[4] [5] |
| 사노피–AWS | 2026년 8월 19일 공개한 SWEL. 실험 이력·샘플·절차·장비 데이터를 연결하고 AI 설계, 합성 경로 계획, 자동화 시험, 모델 재학습을 이어 붙임 | 회사와 AWS는 실제 프로젝트의 생물학적 활성 물질 확인과 50개 이상의 과학 업무 지원을 설명. 반면 검증할 분자 수 50% 감소 등 일부 수치는 목표. ‘수년에서 수주’라는 제목은 특히 계산·데이터·업무 통합 기반 구축을 설명하며, 신약 개발 전체 기간 단축의 실증으로 읽으면 안 됨.[6] |
| 다케다–Atinary | 2023년 시작한 프로젝트에서 기계학습을 이용한 화학 반응 최적화. 2024년 협력 확대 발표, 2026년 2월 Atinary의 보스턴 실험실 개소 | Atinary는 초기 과제에서 3회의 반복으로 수율이 50% 미만에서 90% 초과로 높아졌다고 보고. 특정 반응의 회사 보고이며 다케다 전체 연구 생산성의 개선율이 아님. 보스턴 실험실은 저분자 합성과 촉매에 우선 집중.[7] [8] |
이들은 하나의 공통된 방향을 보여줍니다. 필자의 해석으로는, 빅파마가 원하는 것은 범용 ‘AI 과학자’의 시연보다 자사의 실험 이력과 기존 장비를 활용해 특정 개발 과제의 의사결정을 앞당기는 시스템에 가깝습니다. 따라서 스타트업이 새 연구소를 통째로 판매해야만 시장에 들어갈 수 있는 것은 아닙니다. 기존 연구소의 막힌 구간을 해결하는 방식도 가능합니다.
빅테크: 모델·계산·실험 인프라를 연결하는 방향
| 사례 | 접근 방식 | 확인된 범위와 남은 한계 |
|---|---|---|
| OpenAI–Ginkgo Bioworks | GPT-5가 다음 실험 묶음을 설계하고 Ginkgo의 자동화 실험실이 실행한 뒤 결과를 반환 | 2026년 2월 연구 공개. 6회의 반복과 3만 6,000개 이상의 반응 조성 탐색을 보고. 단일 단백질·특정 합성 시스템의 실증이며 사람의 감독이 남음.[1] |
| 마이크로소프트–PNNL | Microsoft Discovery의 과학 에이전트·모델링·분석을 미국 태평양북서부국립연구소의 실험 자동화와 연결 | 2026년 6월 플랫폼 정식 제공과 PNNL 협업을 발표. 실제 실험 결과를 반영하는 에너지·바이오 연구를 설명하지만, 모든 과제의 자율성이나 공통 생산성 수치를 공개한 것은 아님. 데스크톱 앱은 별도로 미리보기 단계.[9] |
| 구글 딥마인드 | Gemini를 활용해 소재의 합성과 특성 측정을 연결하는 영국 자동화 연구소 계획 | 2025년 12월 발표 당시 2026년 개소 예정. 이번에 확인한 공개 근거만으로 실제 개소일과 가동 성과는 확정하지 못함. 구조 예측 모델이나 시뮬레이션 자체를 물리적 자율 실험실로 계산하지 않음.[10] |
| 엔비디아–Thermo Fisher Scientific | AI를 과학 장비와 실험실 솔루션에 통합하는 제휴. 모델과 장비 사이의 연결을 확대 | 2026년 1월 전략적 협력 발표. 장비 기업의 설치 기반에 AI를 결합하는 사업 경로를 보여주지만, 제휴 발표가 완성된 자율 연구소의 실증은 아님.[11] |
이 구도에서 빅테크는 모델 하나만 공급하지 않습니다. 실험을 요청하는 인터페이스, 계산 자원, 실행 이력, 데이터 저장, 권한 관리까지 연구 과정에 들어갑니다. 이에 대한 투자상 해석은 양면적입니다. 스타트업의 개발 기반은 좋아지지만, 범용 모델 호출과 간단한 업무 연결만으로 차별화하는 사업의 방어력은 약해질 수 있습니다.[6] [9]
3. 스타트업은 서로 다른 사업을 하고 있다
아래에는 비상장 스타트업뿐 아니라 스타트업에서 출발한 상장 기술·바이오 기업도 포함했습니다. ‘자율 실험실 관련 기업’이라는 이유만으로 모두 같은 산업이나 같은 투자 단계에 있는 것은 아닙니다.
| 기업 | 실제 제공하는 것 | 투자자가 구분해야 할 지점 |
|---|---|---|
| Recursion | 자동화된 생물학 실험과 기계학습을 연결해 후보물질을 발굴하는 플랫폼 | 연구 플랫폼과 신약 자산의 가치가 결합된 형태. 실험량과 모델 성능 외에 후보물질의 개발 가치가 중요. 회사의 지속 학습 설명을 모든 프로그램의 무인 운영 실적으로 확대하면 안 됨.[12] |
| Insilico Medicine | 표적 발굴·분자 설계 AI와 Life Star 자동화 실험실을 연결 | 회사는 Life Star 1의 2022년 가동 및 후속 설비를 설명. AI 설계와 생물학적 검증을 연결하는 신약 개발형. 2025년 12월 홍콩 상장 기업으로, 현재도 초기 비상장 스타트업인 것처럼 분류하면 부정확함.[13] |
| Lila Sciences | 과학용 기반 모델, 실험 자동화, 검증 체계를 연결하고 실제 결과를 모델 학습에 활용하는 구조 | 회사가 설명하는 목표는 개별 신약을 넘어 다양한 과학 과제를 다루는 연구 플랫폼. 실험 결과에 의한 강화학습을 강조. 넓은 적용 범위의 비전과 과제별 재현 성과·사업성은 별도로 확인해야 함.[14] |
| Periodic Labs | 소재 실험실, 물리 시뮬레이션, 실험 데이터로 학습한 분석 모델 | 2026년 9월 15일 24시간 실험실과 X선 회절 분석 모델 Neon의 배치를 발표. 공개된 구체적 성과는 우선 결과 해석이며, 연구 과제 지휘와 다음 실험 선택은 확장 중이라고 설명.[2] [20] |
| Chemify | 분자 설계를 실제 합성으로 바꾸는 소프트웨어·로봇·화학 실행 체계 | 2025년 6월 첫 Chemifarm 개소를 대학 공식 자료에서 확인. ‘만들 수 있는 분자’를 실제 공급하는 역량이 중요. 합성 자동화가 고객의 생물학적 효능 검증까지 자동으로 포함하는 것은 아님.[15] |
| Arctoris | Ulysses 기반의 자동화 생물학 실험과 연구 데이터 생성 서비스 | 고객의 연구와 AI에 필요한 실험을 수행하는 서비스형. 자체 신약을 소유하는 사업과 다르며, 모든 고객 과제에서 AI가 자율적으로 다음 실험을 정한다는 근거는 아님.[16] |
| Emerald Cloud Lab | 소프트웨어로 원격 제어하는 공용 실험실. 샘플 준비부터 측정·데이터 관리까지 제공 | 회사는 24시간·연중 운영, 구독 및 기업·대학용 시설 운영을 설명. AI 연구의 실행 기반이 될 수 있지만 원격 실험 서비스와 자율 실험 선택은 별개의 기능.[17] |
| Automata | LINQ 소프트웨어와 모듈형 실험 자동화 설비. 장비 연결, 절차 실행, 오류 처리, 외부 AI 연동 | 다른 연구소의 자동화 기반을 판매하는 형태. 소프트웨어 반복 매출과 하드웨어·구축·지원 부담을 분리해 봐야 함. AI와 연결 가능하다는 것만으로 과학적 자율성이 증명되지는 않음.[18] |
| Culture Biosciences | ChatDoE의 실험 설계, Console의 배양 장비 실행·데이터 수집, 분석 결과의 다음 설계 반영 | 신약 후보 생성보다 배양·공정 개발의 반복 최적화에 가까움. 제품 설명상 닫힌 고리형 업무를 제공하며, 고객별 실제 사람 개입과 성능 개선은 별도 검증 대상.[19] |
OpenAI·Ginkgo: 범용 모델과 전문 실험실을 분리할 수 있다
이 사례는 한 회사가 모델과 로봇을 모두 소유해야 하는 것은 아니라는 가능성을 보여줍니다. 모델 제공자와 실험실 운영자가 표준화된 요청·실행·결과 반환 체계로 협업할 수 있습니다.
다만 40%라는 성과는 특정 단백질 합성 조건에서의 단위 생산비용에 관한 결과입니다. 신약 개발 전체 비용이나 상업 생산 전체 원가의 40% 절감을 입증한 것은 아닙니다. 또한 결과를 AI에게 다시 제공해 다음 제안을 바꾸는 것과 AI의 가중치 자체를 다시 학습하는 것은 구분해야 합니다.[1]
투자 관점에서는 두 가지를 함께 봐야 합니다. 범용 모델이 좋아질수록 실험 수요가 늘어날 수 있습니다. 반대로 실험실 간 절차와 데이터 형식이 표준화되면 고객이 실행 사업자를 바꾸기도 쉬워질 수 있습니다. 실험실의 방어력은 연결 기능 자체보다 실행 품질, 지원하는 실험의 범위, 납기, 가격에서 찾아야 합니다.
Periodic: 다음 병목은 ‘무엇이 만들어졌는가’일 수 있다
Periodic이 9월 15일 공개한 연구는 AI가 새로운 소재를 제안하는 능력만을 내세우지 않았습니다. 합성 후 얻은 X선 회절 데이터를 해석해 어떤 물질이 만들어졌는지 판단하는 작업을 다뤘습니다. 회사는 공개 가중치 모델을 자체 실험 데이터로 추가 학습했으며, 어려운 내부 평가 134개 샘플에서 55.3%의 성공률을 보고했습니다.[20]
이 수치를 범용 과학 능력이나 새로운 소재의 발견 성공률로 읽으면 안 됩니다. 해당 평가는 전문 연구자의 판단과 보정한 AI 평가자 집단을 이용합니다. 회사가 별도의 미학습 화학계 평가도 제시했지만, 외부 기관의 독립 재현과는 다릅니다. 또한 자체 평가 체계와 내부 도구가 성과에 기여하므로, 모델 가중치 하나의 우위로 분리해 해석하기 어렵습니다.[20]
그럼에도 투자상 의미는 있습니다. 합성 장비를 더 많이 돌렸는데 결과 해석이 사람에게 쌓이면 연구 속도는 다시 막힙니다. 과학적 측정과 해석의 자동화는 로봇 제어에 딸린 부가기능이 아니라 독립적인 투자 대상이 될 수 있습니다. 다만 그 가치는 독립된 장비·고객·샘플에서도 정확성이 유지될 때 확인됩니다.
Atinary·Culture: 명확한 목표를 가진 최적화가 사업이 되기 쉽다
Atinary의 초기 적용 범위는 합성·촉매이고, Culture는 배양 실험의 설계·실행·분석을 연결합니다. 이처럼 과제를 좁히면 고객이 개선을 판단할 기준도 구체적으로 정할 수 있습니다.[8] [19]
필자는 초기 사업화 가능성을 평가할 때 ‘모든 연구를 수행하는 AI’보다 어떤 조건에서 어떤 성능을 얼마나 적은 실험으로 달성하는가가 분명한 회사를 우선 검토하겠습니다. 다만 실험실에서 얻은 최적 조건이 생산 설비에서도 작동하는지는 별도 문제입니다. 고객이 구매하는 것은 흥미로운 최적화 그래프가 아니라 다음 개발 단계에 쓸 수 있는 결과입니다.
4. 산업을 나누는 기준: 연구 대상과 사업모델을 분리한다
무엇을 연구하는가
같은 ‘AI 실험실’이라도 물리적 제약과 측정 방법이 다릅니다. 아래는 기술·실사 관점의 분류입니다. 특정 회사가 해당 분야의 모든 실험을 지원한다는 의미는 아닙니다.
| 연구 대상 | 주된 설계 변수 | 중요한 물리·측정 병목 | 관련 사례 |
|---|---|---|---|
| 저분자·합성 화학 | 분자 구조, 합성 경로, 반응 조건 | 합성 가능성, 정제, 생성물 확인, 장비 간 샘플 이동 | 아스트라제네카, Chemify, Atinary |
| 세포·질병 생물학 | 표적, 화합물 처리, 세포 조건 | 생물학적 변동, 배양, 이미지·기능 평가, 질병과의 관련성 | Recursion, Insilico, Arctoris |
| 단백질·생체분자 | 서열·구조·합성 조건 | 실제 기능 측정, 안정성, 생산성, 다른 시스템으로의 이전 | Lila, OpenAI·Ginkgo의 특정 합성 과제 |
| 제형·배양·공정 | 조성, 시간, 공정 운전 조건 | 장기 관찰, 장비 차이, 규모 확대 후 재현성 | Culture Biosciences, Atinary |
| 소재·촉매·에너지 | 조성, 결정 구조, 공정 조건 | 고체 취급, 열처리, 불순물·결정상 확인, 실제 사용 성능 | Periodic, 딥마인드의 연구소 계획, Microsoft·PNNL |
사례의 근거는 앞의 기업별 자료와 같습니다. 표의 병목과 투자 의미는 이를 바탕으로 한 기술적 해석입니다.
분류를 나누는 이유는 시장 크기를 보기 위해서만이 아닙니다. 실험 한 번이 빨리 끝나고 결과가 명확한 분야와, 오래 기다려야 하며 결과 해석이 모호한 분야는 필요한 자본과 검증 방식이 달라집니다. Periodic도 물리 실험은 장비·전력·엔지니어링을 추가해야 늘릴 수 있고, 일부 실험은 며칠 걸리며 결과도 모호하다고 설명합니다.[2]
무엇을 팔고, 누가 결과를 소유하는가
기업을 투자 대상으로 비교할 때는 아래 사업모델을 별도로 구분하는 편이 유용합니다. 실제 회사는 둘 이상을 결합할 수 있으며, 표의 수익 구조는 분석을 위한 전형입니다. 개별 기업의 비공개 계약 조건을 뜻하지 않습니다.
| 사업모델 | 고객이 구매하는 것 | 기업에 남아야 하는 자산 | 평가할 위험 |
|---|---|---|---|
| 신약·소재 자산 개발형 | 후보물질, 개발 권리, 공동개발 성과 | 후보물질·특허·검증 자료 | 기술이 빨라져도 개발 실패 위험이 남음. 플랫폼 홍보와 자산 가치를 중복 평가하기 쉬움 |
| 연구·합성 결과 서비스형 | 합성된 분자, 시험 결과, 특정 연구 과제의 수행 | 재사용 가능한 실험법·품질·납기 역량 | 사람이 과제마다 새로 붙으면 용역업의 경제성에서 벗어나기 어려움 |
| 공용 실험 인프라형 | 장비·자동화 실험실 접근과 실행 용량 | 표준 절차, 가동 품질, 운영 데이터, 고객 기반 | 시설 투자와 낮은 가동률, 긴 대기열, 실험당 수익성 |
| 실험실 운영 소프트웨어형 | 기존 장비의 연결·실행·추적·오류 복구 | 장비 연결 기술, 검증된 절차, 고객 업무에 대한 깊은 통합 | 현장 구축·지원비를 소프트웨어 매출 뒤에 숨길 위험 |
| 과학 모델·학습 플랫폼형 | 예측·설계·해석 모델과 연구 수행 능력 | 실험 데이터 사용권, 평가 체계, 모델, 실험과 학습의 연결 | 대규모 자본 투입, 범용 모델 추격, 좁은 평가 성과의 과대 일반화 |
| 장비·로봇 기반 공급형 | 자동 분주·합성·측정·이송 설비와 유지보수 | 정밀도, 신뢰성, 설치 기반, 장비별 소모품·지원 | 판매 주기와 하드웨어 마진, 고객별 맞춤화, 기존 장비업체와의 경쟁 |
Recursion·Insilico는 첫 번째 관점이 중요하고, Arctoris·Chemify는 두 번째, Emerald Cloud Lab과 Ginkgo의 클라우드 실험실은 세 번째 관점이 중요합니다. Automata는 소프트웨어와 물리 설비가 결합된 형태이며, Lila·Periodic은 실험 인프라와 모델 학습을 함께 평가해야 합니다. 이런 차이를 무시하고 모두 소프트웨어 기업의 배수로 비교하는 것은 적절하지 않습니다.
5. 기술은 일곱 부분으로 나눠 봐야 한다
‘자체 AI 모델이 있다’는 설명만으로는 실험실의 경쟁력을 판단할 수 없습니다. 아래는 시스템을 분석하기 위한 기술 분해이며, 모든 회사가 모든 기술을 자체 개발한다는 뜻은 아닙니다.
| 기술 부분 | 하는 일 | 확인해야 할 경쟁력 |
|---|---|---|
| 과학적 표현·후보 설계 | 분자·단백질·소재의 구조와 물성을 표현하고 후보를 생성·예측 | 기존 데이터 밖의 후보에서 성능을 유지하는가. 실제 만들 수 있는가 |
| 다음 실험 선택 | 예상 성능과 불확실성을 고려해 시험할 후보·조건을 배분 | 같은 실험 예산에서 전문가의 실험 설계나 기존 최적화보다 좋은가 |
| 절차 변환·사전 검사 | 연구자가 원하는 실험을 장비가 실행할 명령과 조건으로 바꿈 | 단위·용량·장비 지원 범위·시약 가용성·안전 제약을 기계적으로 확인하는가 |
| 실험 운영·조정 | 장비 예약, 순서, 샘플 위치, 동시 실행, 장애 복구를 관리 | 한 장비가 멈췄을 때 샘플과 전체 실험을 잃지 않고 복구하는가 |
| 물리적 실행 | 분주, 이송, 배양, 합성, 정제, 측정을 수행 | 정밀도·오염 관리·가동 안정성을 유지하는가 |
| 측정·품질·이력 관리 | 원시 신호를 과학적 결과로 바꾸고 샘플·장비·분석 절차와 연결 | 진짜 부정적 결과와 장비 오류를 구분하는가. 원시 데이터까지 추적 가능한가 |
| 학습·권한 관리 | 결과를 다음 판단 또는 모델 학습에 반영하고 사용권을 통제 | 어떤 데이터로 무엇이 개선됐는가. 고객 데이터를 재학습에 사용할 권리가 있는가 |
공개 사례에서 이 분해를 확인할 수 있습니다. OpenAI·Ginkgo는 실행 전 검사, Sanofi·AWS는 실험 맥락과 이력, Automata는 운영·연결, Periodic은 측정 해석과 모델 학습을 구체적으로 설명합니다. TetraScience처럼 과학 데이터의 연결·정리를 전면에 내세우는 기업도 인접한 공급자로 볼 수 있습니다. 다만 데이터 기반을 제공하는 회사가 곧 자율 실험 전체를 수행하는 회사는 아닙니다.[1] [6] [18] [20] [21]
모든 판단에 거대한 언어모델이 필요한 것은 아니다
문헌을 읽고 여러 도구를 연결하는 일에는 언어모델이 유용합니다. 반면 정해진 변수의 조건을 최적화하는 일에는 베이지안 최적화나 능동학습처럼 예측과 불확실성을 이용해 다음 관측을 선택하는 방법을 적용할 수 있습니다. 장비의 안전 경계와 실행 가능 여부는 자유로운 문장 생성보다 명시적 규칙과 검사를 우선하는 편이 합리적입니다.
따라서 실사에서는 ‘어떤 모델을 쓰는가’ 다음에 ‘그 모델이 꼭 필요한 판단은 무엇인가’를 물어야 합니다. 가장 비싼 모델을 모든 단계에 배치하는 구조보다, 과학적 판단이 필요한 구간에만 사용하고 나머지는 재현 가능한 코드로 실행하는 구조가 경제적일 수 있습니다. 이는 구현 원칙에 대한 판단이며 특정 회사의 내부 원가를 확인한 결론은 아닙니다.
로봇의 사람 같은 외형은 필수 조건이 아니다
과제에 따라 고정형 분주 장치, 로봇팔, 이송 장치, 반응기, 분석 장비를 연결하는 것으로 충분할 수 있습니다. 사람용 도구와 공간을 그대로 이용해야 할 때는 범용 조작 능력이 중요해질 수 있지만, 정형화된 반복 실험에서는 처리량과 신뢰성이 우선입니다. Automata의 모듈형 자동화나 Atinary의 여러 장비업체 통합은 이런 접근을 보여줍니다.[18] [8]
휴머노이드가 실험대를 오가는 영상보다, 중단 없이 검증 가능한 데이터를 얼마나 만들어 내는지를 먼저 봐야 합니다.
‘실험 결과를 학습한다’는 말도 구분해야 한다
첫째, 결과를 다음 요청의 입력에 넣어 AI의 판단을 바꿀 수 있습니다. 이때 모델의 가중치는 바뀌지 않을 수 있습니다. 둘째, 특정 실험의 결과를 예측하는 모델을 새 데이터로 갱신할 수 있습니다. 셋째, 과학용 기반 모델 자체를 추가 학습하거나 강화학습할 수 있습니다.
세 방식 모두 유용할 수 있지만 요구하는 데이터 양과 계산비, 개선을 확인하는 방법은 다릅니다. OpenAI·Ginkgo가 공개한 반복 실험, Sanofi가 설명하는 새 실험 데이터에 따른 모델 갱신, Lila·Periodic이 강조하는 과학 모델 학습을 하나의 기술로 묶지 않아야 합니다.[1] [6] [14] [20]
6. VC가 투자해야 할 것은 실험량인가, 연구 생산성인가
둘은 다릅니다. 실험을 많이 수행해도 결과가 비교 불가능하거나, 사람이 다시 확인해야 하거나, 다음 개발 단계에서 재현되지 않으면 경제적 가치는 제한됩니다.
실험실 사업의 원가는 적어도 다음 항목을 함께 봐야 합니다.
검증된 결과당 비용 = 해당 과제에 배분한 시설·장비 비용, 재료비, 인건비, 계산비, 재실험비의 합 ÷ 사전에 정한 품질 기준을 통과한 결과 수
이 식은 산업 통계가 아니라 실사를 위한 회계적 틀입니다. ‘결과 하나’의 정의부터 고정해야 합니다. 한 개의 측정값, 동일 조건의 반복 측정, 새 분자의 검증, 개발 후보의 선정은 서로 다른 단위입니다. 회사별 ‘하루 실험 수’를 그대로 비교하면 오판하기 쉽습니다.
원가가 낮아져도 정보의 가치가 낮으면 충분하지 않습니다. 따라서 같은 비용으로 몇 개의 결과를 얻었는지와 함께, 목표 성능에 도달하는 데 몇 번의 실험과 며칠이 필요했는지를 봐야 합니다. 비교 대상은 숙련된 연구팀과 기존 실험 설계·최적화 방법이어야 합니다. 약한 수작업 기준만 이기는 것으로는 경쟁력이 입증되지 않습니다.
실험 데이터가 쌓인다고 자동으로 방어력이 생기지는 않는다
실패 데이터는 중요할 수 있습니다. 하지만 원하는 효과가 없었던 실험과 장비 오류로 망가진 실험을 구분하지 못하면, 데이터가 많아질수록 잘못된 결론을 학습할 수 있습니다.
고객별 데이터도 모두 합칠 수 있는 것은 아닙니다. 원시 데이터 소유권, 모델 학습 허용 여부, 파생 데이터와 모델의 사용권, 계약 종료 후 처리 조건을 확인해야 합니다. 이는 개별 계약에서 확인할 항목이지 모든 사업자에게 공통으로 주어진 권리가 아닙니다.
또한 같은 이름의 실험이라도 장비, 시약 배치, 샘플 취급, 분석 절차가 다르면 결과를 바로 합치기 어렵습니다. 따라서 데이터의 양보다 권리·맥락·비교 가능성·새 과제로의 이전 능력이 중요하다는 것이 필자의 판단입니다.
자율 실험실의 가장 강한 반론
가장 강한 반론은 ‘AI가 아직 부족하다’만이 아닙니다. 과학 실험은 소프트웨어처럼 싸고 빠르게 복제되지 않을 수 있다는 점입니다. 새 실험법을 지원할 때마다 장비 변경과 연구자 개입이 늘어나면, 매출 확대와 함께 비용도 비슷하게 늘어납니다. Periodic도 물리 실험의 병렬화에는 장비와 엔지니어링이 추가로 필요하다고 명시합니다.[2]
장비업체가 AI 기능을 직접 붙이는 방향도 경쟁 위험입니다. 엔비디아–Thermo Fisher 제휴는 그 경로를 보여줍니다. 스타트업은 기존 장비업체가 확보한 고객 관계와 설치 기반을 무시하기 어렵습니다.[11]
신약 개발형은 또 다른 위험을 안고 있습니다. 후보를 더 빠르게 만들었다는 사실만으로 사람에게서의 효능과 안전성이 확정되지는 않습니다. 이 경우 플랫폼 생산성 개선과 후보물질의 개발 위험을 별도로 평가해야 합니다. 실험 자동화의 장점이 자산 평가에 이미 반영돼 있는데 플랫폼 가치라는 이름으로 다시 더하지 않는지도 점검해야 합니다.
7. 투자 우선순위와 실사 질문
현재 공개 근거를 기준으로 필자가 우선 검토할 영역은 다음과 같습니다. 특정 기업에 대한 투자 추천이나 기대수익률 순위는 아닙니다.
먼저, 목표와 비용 절감이 명확한 분야별 자율 최적화입니다. 합성·촉매·제형·배양처럼 고객이 구매할 결과를 정의할 수 있고, 일정한 실험 체계를 반복 사용하는 사업입니다. Atinary·Culture 같은 사례를 참고하되, 낯선 과제에서도 성과를 재현하는지와 고객이 실제로 비용을 지불하는지를 확인해야 합니다.
다음은 측정 해석과 품질 검증입니다. 로봇이 만든 데이터가 연구자의 판단으로 전환되는 구간입니다. Periodic의 X선 회절 분석은 이 기회를 보여줍니다. 다만 모델이 자신 있게 답하는 빈도보다 틀린 결과를 탐지하고 사람에게 넘기는 능력이 더 중요할 수 있습니다.
기존 연구소의 실행·운영 소프트웨어도 유망할 수 있습니다. 다양한 장비를 연결하면서 샘플과 절차 이력을 유지하고 장애를 복구하는 기능입니다. Automata 같은 사례를 참고할 수 있습니다. 조건은 분명합니다. 고객이 늘어날수록 새로 작성해야 하는 코드와 현장 지원시간이 줄고, 검증된 연결·절차가 재사용돼야 합니다.
공용 실험 인프라는 수요가 충분히 모이고 높은 품질로 운영될 때 매력적입니다. 그러나 빈 장비에 투자한 자본을 회수하지 못하면 모델 성능 개선만으로 문제가 해결되지는 않습니다. Lila·Periodic 같은 과학 모델·실험실 결합형은 성공 시 가치의 범위가 넓을 수 있지만, 과제별 실증과 대규모 자본 투입을 함께 검토해야 합니다.
데모 이후에 요구할 자료
| 실사 질문 | 요구할 증거 | 경계할 답변 |
|---|---|---|
| 결과가 다음 실험을 실제로 바꾸는가 | 연속된 여러 차례의 실험 요청·실행·결과·선택 기록 | 최종 성공 사례만 보여주고 중간 판단은 숨김 |
| 얼마나 사람 없이 운영되는가 | 실험 100건당 개입 건수·시간, 야간 중단과 복구 기록 | ‘24시간 가능’이라는 설계 사양만 제시 |
| 기존 방법보다 나은가 | 같은 예산·시간·품질 기준의 전문가·기존 최적화 비교 | 사람이 거의 최적화하지 않은 기준과만 비교 |
| 성공 판정이 믿을 만한가 | 원시 데이터, 독립 재측정, 미학습 과제 검증, 판정 불일치 분석 | AI가 설계하고 같은 체계의 AI가 정답으로 선언 |
| 고객이 늘면 경제성이 개선되는가 | 구축비·지원비·재실험비를 포함한 고객별 수익성 | 소프트웨어 매출만 보여주고 설비·서비스 비용을 제외 |
| 데이터와 성과를 재사용할 수 있는가 | 데이터·모델·특허 관련 계약상 권리와 실제 이전 성과 | 고객 데이터를 보유하므로 모두 학습에 쓸 수 있다고 가정 |
| 연구 결과가 고객의 다음 단계로 이어지는가 | 재구매, 다른 과제로의 확장, 생산 규모 검증 또는 개발 단계 진척 | 실험량·논문·협약 수만 사업 성과로 제시 |
한국에서의 진입 기회를 생각한다면 범용 과학 모델을 처음부터 만드는 경로만 볼 필요는 없습니다. 반도체·배터리·정밀화학·바이오 공정처럼 고객의 비용과 성능 기준을 구체화할 수 있는 분야에서, 하나의 실험–측정–판단 과정을 끝까지 연결하는 접근을 검토할 만합니다. 이는 국내 업체의 경쟁력이 이미 확인됐다는 주장이 아니라 사업 발굴을 위한 가설입니다. 해외 장비에 연결되는 능력, 국내 고객 밖에서의 재현성, 연구개발 예산을 반복 매출로 바꾸는 계약을 확인해야 합니다.
투자 판단은 자율성을 주장하는 범위보다, 검증된 결과를 얻는 비용과 시간이 반복해서 개선되는 범위에 맞춰야 합니다. 새 고객과 새 과제를 추가할 때 사람의 개입이 같은 비율로 늘고, 결과의 재현성이 떨어지며, 데이터 사용권도 남지 않는다면 높은 소프트웨어 기업 가치를 부여할 근거는 약해집니다. 반대로 특정 연구 과제를 안정적으로 반복하고, 그 경험이 다음 고객의 비용을 낮춘다는 증거가 쌓이면 투자 검토의 우선순위를 높일 수 있습니다.
출처와 확인 범위
기업 발표는 해당 기업이 무엇을 공개했는지를 확인하는 근거입니다. 독립적인 성능 검증이나 투자 수익성의 보증으로 사용하지 않았습니다. 날짜가 없는 제품 페이지는 2026년 9월 16일 열람 기준입니다.
- OpenAI, GPT-5 lowers the cost of cell-free protein synthesis, 2026-02-05. Ginkgo 공동 연구, 반복 실험·비용 지표·사람 개입·일반화 한계.
- Periodic Labs, Building Labs that Learn, 2026-09-15. 실험실 운영과 Neon 배치, 향후 확장 범위에 대한 회사 발표.
- NVIDIA, NVIDIA and Lilly Announce Co-Innovation Lab, 2026-01-12. 최대 투자 계획과 연구소 구상.
- AstraZeneca, iLab, 2024년 7월 작성 자료. 의약화학 자동화 시제품과 미완성 범위.
- AstraZeneca, Science and technologies, 2026년 8월 작성 자료. AI 기반 실험실 구축 방향.
- AWS·Sanofi, Enterprise lab-in-the-loop on AWS, 2026-08-19. SWEL 운영 구조·회사 보고 성과·미래 목표.
- Atinary, Launching its Self-driving Data Factory, 최초 발표 2024-11-07, 페이지 갱신 2026-04-30. 다케다 협업과 특정 반응 개선 주장.
- Atinary, Opens Self-Driving Labs in Boston, 본문 개소 발표 2026-02-09, 웹 게시 2026-03-04. 실험실과 초기 적용 분야.
- Microsoft, Discovery general availability and app preview, 2026-06-02. 플랫폼 제공 상태와 PNNL 등 협업 설명.
- Google DeepMind, Strengthening our partnership with the UK government, 2025-12-10. 2026년 개소 예정 자동화 연구소 계획.
- Thermo Fisher Scientific, Strategic Collaboration With NVIDIA, 2026-01-12. 장비·실험실 AI 통합 제휴.
- Recursion, Platform. 자동화 실험과 기계학습의 연결에 대한 회사 설명.
- Insilico Medicine, Hong Kong Stock Exchange listing announcement, 2025-12-30. 회사 배포 자료, 상장 및 Life Star 설명.
- Lila Sciences, Technology. 과학 모델·실험·검증·학습의 통합에 대한 회사 설명.
- University of Glasgow, Chemify Chemifarm opening, 2025년 6월. 시설 개소 확인.
- Arctoris, Company and platform. 자동화 생물학 연구·데이터 생성 서비스.
- Emerald Cloud Lab, Platform and operating model. 원격 실험, 운영시간, 서비스 형태.
- Automata, LINQ and lab automation. 소프트웨어·설비·외부 시스템 연결.
- Culture Biosciences, Closed Loop Process Development. ChatDoE–Console–분석의 연결.
- Periodic Labs, Nature Is Our Learning Environment, 2026-09-15. X선 회절 분석 평가·학습·평가자·일반화 검증의 회사 보고.
- TetraScience, Scientific data and AI platform. 과학 데이터 기반 공급자 사례.