연구실로 들어온 AI, 연구 패러다임을 흔들다

Home -

 

 

인공지능(AI)이 학생과 연구자들의 연구 방식을 빠르게 바꾸고 있다. 2022년 후반 생성형 AI 기술이 대중화된 이후, 논문 조사부터 가설 수립, 실험 설계, 데이터 분석까지 연구의 거의 모든 과정에 AI가 활용되고 있다.

​

초기에는 학계에서도 AI 사용에 대해 신중하거나 경계하는 시각이 있었지만, 최근에는 많은 대학과 연구기관이 제한적 조건 하에 AI 사용을 허용하고 있다. 학생과 연구자들은 일상적으로 AI 도구를 활용하고 있으며, 연구의 속도와 편리함이 크게 향상됐다.

​

이 같은 흐름은 학술지 네이처(Nature)가 최근 학생과 연구자들을 대상으로 진행한 조사와 인터뷰에서도 확인됐다. AI는 다양한 연구 단계에서 실제로 활용되고 있으며, 그 경험은 긍정적 기대와 함께 조심스러운 우려도 동반하고 있다.

 

 

 

생성형 AI 기술과 AI 기반 도구들이 연구실에 자리 잡으면서, 논문 조사에서 실험 설계, 데이터 분석에 이르기까지 연구 프로세스 전반이 재편되고 있다. 연구의 속도는 빨라졌지만, 깊이와 비판적 사고를 유지하는 과제는 여전히 남아 있다. 연구자들은 AI의 지원을 받으면서도 연구 결과에 대한 완전한 이해와 책임을 강조하고 있다.

 

 

연구실에 들어온 AI, 문헌 조사 가설 수립 활용

문헌 조사는 연구자들에게 가장 큰 부담 중 하나였다. 최근에는 AI가 이 과정을 크게 간소화하고 있다.

​

구글의 Gemini Deep Research와 OpenAI의 Deep Research 같은 플랫폼은 사용자가 설정한 질문을 바탕으로 수십 분 동안 관련 자료를 검색하고 분석한다. 결과물은 논문, 그래프, 시각화 자료를 포함한 리포트 형태로 제공되며, 인용 정보까지 정확하게 포함된다. OpenAI의 이사 풀포드(Isa Fulford) 연구원은 "Deep Research는 우리가 출시한 모델 중 인용 신뢰성이 가장 높은 수준"이라고 설명했다.

 

​

네이처 인터뷰에 응한 MIT 박사과정 학생은 제조업 분야 탄소 배출 저감 방법을 찾기 위해 Deep Research를 활용했다고 말했다. 그는 "짧은 시간 안에 깊이 있는 이해를 얻을 수 있었다"고 밝혔다.

​

SciSpace, Claude, NotebookLM, PDF.ai 같은 플랫폼을 통해 사용자는 논문 파일을 업로드하고 주요 내용을 요약하거나 추가 질문에 대한 답변을 얻을 수 있다. 코넬대학교 박사과정 학생은 "논문을 읽기 전, AI로 요약본을 준비하면 토론 준비 시간이 줄어든다"고 말했다. 그는 "AI 덕분에 논문과 더 깊이 상호작용하게 됐다"고 덧붙였다.

 

 

 

연구실로 들어온 AI. 연구자가 AI와 함께 실험, 분석, 데이터 해석을 통합하는 시대. 디지털 도구가 연구의 흐름을 새롭게 그리고 있다. [이미지=NATURE]

 

 

가설 수립 단계에서도 AI의 활용이 확산되고 있다. 세만틱 스칼라(Semantic Scholar)의 수석과학자인 다니엘 웰드(Daniel Weld)는 "여러 논문을 연결해 새로운 연구 아이디어를 만들어내는 AI 도구를 개발 중"이라고 밝혔다. 그는 "아이디어 생성 과정에서 AI에 과도하게 의존할 경우 비판적 사고가 약화될 수 있다"고 지적했다.

​

연구실에 들어온 AI, 실험 설계와 데이터 분석까지 확장

 

AI는 이제 실험 설계와 실행 과정에서도 적극적으로 사용되고 있다. MIT 박사과정 당시 즈추런(Zhichu Ren)은 다양한 AI 기술을 통합해 CRESt라는 실험 보조 도구를 개발했다. 사용자는 CRESt와 대화하듯 실험을 설계하고, 데이터를 분석하며, 장비를 원격 제어하고, 결과를 기록할 수 있다. 이 시스템은 신형 연료전지 개발 프로젝트에서도 후보 물질을 추천하고 실험 계획을 제시하는 데 활용됐다.

​

복잡한 시스템인 CRESt 외에도, 보다 간단한 형태의 AI 도구들이 연구자들의 실험 과정을 지원하고 있다.

Scite나 Elicit 같은 플랫폼을 이용하면, 간단한 실험 계획을 세우거나 가설을 검증하는 작업을 보다 수월하게 진행할 수 있다.

 

 

 

MIT 재료과학·공학과 즈추런(Zhichu Ren) 연구원이 AI 기반 실험 자동화 시스템 CRESt를 만들었다. [사진=NATURE]

 

 

코딩과 데이터 분석 분야에서도 AI 도구의 역할이 커지고 있다. GitHub의 Copilot, Amazon의 Q Developer, Anysphere의 Cursor 같은 코드 에디터는 초보자도 데이터를 정리하고 분석할 수 있도록 지원한다. MIT 박사과정 학생은 "디버깅에 시간을 덜 쓰고, 데이터 자체를 더 깊이 탐구할 수 있게 됐다"고 말했다.

​

AI 도구들은 시각화 작업에도 활용되고 있다. 코넬대학교 박사과정 학생은 클로드를 이용해 대규모 시각화 작업을 빠르게 완성했다. 그는 "AI가 코드를 대신 써주긴 하지만, 최종 통계 분석만큼은 반드시 직접 코딩해야 한다"고 강조했다.

​

이처럼 AI의 확산은 연구의 속도와 편리함을 높이는 한편, 연구자의 비판적 사고와 깊이에 대한 우려도 함께 키우고 있다. 학생들은 중요한 분석이나 해석 단계에서는 AI에 의존하지 않고 직접 개입해야 한다고 강조한다. 코넬대학교 박사과정 학생은 "내가 제출하는 결과를 완전히 이해하고 책임질 수 있어야 한다"고 말했다.

 

연구자들은 AI를 적극 활용하면서도, 연구의 본질을 놓치지 않으려 노력하고 있다. 도구의 선택에서도 이러한 인식은 드러난다. 샌프란시스코에 기반을 둔 가우라브 락타(Gaurav Ragtah)가 개발한 CatalyzeX 플랫폼은 논문 속 오픈소스 코드를 쉽게 검색하고 활용할 수 있도록 지원한다. 락타는 "훌륭한 예제가 이미 있는 만큼, 처음부터 다시 만들 필요는 없다"고 말했다.

기존의 오픈소스 코드를 적극적으로 활용하는 흐름은 연구 재현성과 비교 가능성을 높이는 데 기여하고 있다.

​

기존의 오픈소스 코드를 적극적으로 활용하는 흐름은 연구 재현성과 비교 가능성을 높이는 데 기여하고 있다.

결국 연구자들은 빠르고 편리한 AI 도구를 활용하면서도, 결과를 이해하고 책임지는 본질적 자세를 유지하려는 방향으로 나아가고 있다.

 

 

머스크가 꿈꾸는 화성 이주…화성 먼지가 복병