미국 라일라 사이언스와 피리오딕 랩스가 로봇 기반 자율실험실과 대형 AI 모델을 하드웨어 단으로 결합한 신물질·바이오 연구 장비를 잇따라 가동하고 있다. AI가 만든 가설을 로봇 실험 장비가 직접 수행하고, 그 결과 데이터를 다시 모델 학습에 넣는 구조가 공통점이다. 국내에서는 아스테로모프가 범용 AI 모델과 실제 과학 연구를 잇는 '추론 레이어'를 개발해 자체 개념검증(PoC) 시스템 틸라(Thyla) 1.0으로 성능을 검증하고 있다.
모델 성능부터 검증 시간까지, 수치로 본 경쟁
수학 분야는 결과를 형식적으로 검증할 수 있지만 생물학·신소재는 실제 실험 장비를 거쳐야 가설을 확인할 수 있다는 점이 이번 기술 경쟁의 배경이다. 오픈AI는 내부 연구 모델로 나비에-스토크스 밀레니엄 문제 해법을 제안하면서 약 1만개의 에이전트를 동시 실행해 약 88시간 만에 해법에 도달했고, GPT-6 Astra 모델로 Lean 형식화·검증에 17시간을 더 썼다. 앤트로픽은 클로드로 페르마 마지막 정리 증명을 11일간 형식화했으며 최종 Lean 코드 규모는 약 1300만줄에 이르렀다.
아스테로모프의 틸라 1.0은 특정 기반 모델에 종속되지 않는 모델 애그노스틱 구조로, 문제에 따라 여러 AI 에이전트와 과학 데이터, 전문 도구를 조합한다. 기반 모델인 GLM-5.1의 Frontier Science-Research 점수는 10.0%였으나 틸라 1.0을 적용하자 33.9%로 올랐다. 이 시스템은 지난 7월 열린 제56회 국제물리올림피아드(IPhO 2026) 이론시험에서 외부 AI 모델이나 인터넷 접속 없이 실제 참가자와 같은 5시간 동안 문제를 풀어 30점 만점에 28.6점을 받았다. 아스테로모프 관계자는 “향후 과학 AI의 경쟁력은 단순히 벤치마크에서 높은 점수를 내는 것을 넘어 실제 연구 현장에서 의미 있는 가설을 제시하고 이를 실험을 통해 검증하는 과정까지 얼마나 효과적으로 이어갈 수 있느냐에 달려 있다”고 말했다.
신소재·바이오 밸류체인에 들어선 자율실험 장비
미국 라일라 사이언스가 운용하는 실험 장비는 AI가 세운 가설에 맞춰 로봇 실험 장치가 물질을 직접 합성·측정하고, 여기서 나온 데이터가 다시 모델 학습에 투입되는 순환 구조로 움직인다. 이 장비를 통해 실제 합성된 mRNA 서열은 95만개 이상이며, 살아있는 세포에서 측정한 데이터가 모델 학습에 쓰였다. 피리오딕 랩스는 초전도체·자성 소재 등 신물질 탐색을 목표로 자율실험실 데이터를 학습에 활용하며, 지난 15일 1조 파라미터 규모 모델 Periodic Neon을 공개했다. 이 모델은 X선 회절(XRD) 데이터를 분석해 실험 장비에서 만들어진 물질을 판별하는 역할을 맡고 있으며 실제 실험실에 배치돼 가동 중이다.
디스커버리 루프는 특정 분야보다 연구·엔지니어링 과정 자체의 자동화에 초점을 맞춘 시스템으로, 실험 제안과 실행, 결과 분석, 후속 실험 설계로 이어지는 절차를 연속으로 처리하도록 설계됐다. 아스테로모프 관계자는 “AI의 추론과 실제 실험을 긴밀하게 연결해 복잡한 과학 연구를 반복 가능한 체계로 만드는 데 집중하겠다”고 말했다. 결국 AI 모델의 추론 성능 자체보다, 그 추론이 어떤 실험 장비·데이터와 물리적으로 연결돼 검증 루프를 도는지가 다음 경쟁 지점으로 부상하고 있다.