핵심 내용 요약
이 기사는 AI for Materials 분야의 스타트업인 “재과원도(材科源图)”에 초점을 맞추고 있습니다. 이 회사는 두 가지 핵심 기술적 장벽, 즉 세계 최대의 에너지 재료 실험 데이터베이스와 물리 모델 클러스터를 활용하여 AI와 자동화된 실험의 순환 시스템을 구축함으로써 더 우수한 성능의 신소재를 빠르게 발견할 수 있습니다. 사업 모델로는 먼저 맞춤형 연구 개발 서비스를 제공하여 “재료 은행”을 구축한 후, 자체 생산 라인을 건설하여 재료를 판매하는 방식을 채택하고 있습니다. 이 회사는 이론적인 구상보다는 실제 구현에 중점을 두고 있습니다. 업계 내에는 자본이 활발히 유입되고 있지만 거품도 많은데, 재과원도는 “계약이 회사 설립 이전에 이미 체결된다”는 실제 성과로 이러한 상황을 돌파하고 있습니다. 향후 고체 전지 등 분야에서의 신소재 개발이 기대되며, 중국과 미국은 각자의 강점을 가지고 있지만 중국은 실용적인 방향에 더 집중하고 있습니다.
1. 기술적 핵심: 두 가지 “특별한 도구”로 AI가 더 이상 “무작위로 추측”하지 않고 신소재를 빠르게 찾을 수 있게 하다
재과원도의 기술적 장벽은 두 가지 요소에 기반을 두고 있습니다:
- 세계 최대의 에너지 재료 실험 데이터베이스: 7년에 걸쳐 논문에서 데이터를 수집했으며, 실패한 실험 데이터까지 모두 포함하고 있습니다. 이 데이터베이스는 매우 귀중한데, 미국에서는 인력 비용이 높아 포기한 상태입니다. AI가 논문의 데이터를 자동으로 분석할 때 오류율이 90% 이상이므로 수작업으로 데이터를 수집해야 합니다. 이 데이터베이스에는 실제 실험 데이터만 포함되어 있어 이론적 계산이나 유기 분자 데이터베이스보다 훨씬 유용합니다.
- 물리 모델 클러스터: AI는 존재하지 않는 재료를 임의로 생성할 수 있는데, 물리 모델은 AI에게 물리적 규칙을 제공하여 이러한 문제를 해결합니다. 이 두 가지 요소와 자동화된 실험이 결합되어 데이터베이스가 커질수록 AI 모델의 정확도가 높아지고 실험 결과가 더 정밀해지며, 최종적으로 더 좋은 성능의 신소재를 빠르게 찾을 수 있습니다. 예를 들어, 이 기술을 활용하여 선두 에너지 기업이 수년간 해결하지 못했던 촉매 재료 문제를 해결한 사례가 있습니다.
2. 수익 모델: 먼저 고객에게 신소재를 제공하여 “재료 은행”을 구축한 후, 자체 생산하여 판매하다
재과원도의 사업 모델은 두 단계로 나뉩니다:
- 경량 자산 단계: 고객에게 맞춤형 신소재를 연구 개발하고 공정을 최적화하며, 발견한 우수한 재료를 저장하여 “재료 은행”을 구축합니다. 고객은 필요한 재료를 구입하거나 수익을 공유할 수 있습니다. 예를 들어, 희토류 가격이 변동적일 때 이 은행에 대체 재료가 있으면 공급자의 문제에 대비할 수 있습니다.
- 중량 자산 단계: 자체 생산 라인을 건설하여 재료를 판매합니다. 왜 SaaS 소프트웨어를 판매하지 않을까요? 데이터베이스가 유출될 수 있기 때문입니다. 또한 재료 판매가 서비스 판매보다 더 많은 수익을 가져다줍니다.
고객 선정에도 원칙이 있는데, 경쟁사와 협력하지 않아 직접적인 충돌을 피합니다.
3. 업계 현황: 자본은 활발하지만 거품이 많으며, 재과원도는 “계약이 먼저”라는 실제 성과로 돌파하다
AI for Science 분야는 자본의 새로운 유망 분야로, 해외 기업들은 수억 달러 규모의 투자를 유치하고 있으며 국내에서도 자본이 유입되고 있습니다. 하지만 거품도 많습니다. 많은 기업이 단지 이론적인 개념만 가지고 있을 뿐 실제 구현 사례가 없으며, 일부에서는 “실현할 수 없기 때문에 상상력이 필요하다”고 말하기도 합니다. 재과원도는 “계약이 회사 설립 이전에 이미 체결된다”는 실제 성과로 이러한 상황을 돌파하고 있습니다. 향후 고체 전지 등 분야에서의 신소재 개발이 기대되며, 중국과 미국은 각자의 강점을 가지고 있지만 중국은 실용적인 방향에 더 집중하고 있습니다.
4. 미래 방향: 고체 전지가 AI 신소재로 인해 가장 먼저 변화할 분야일 수 있다
리하오(李昊)는 고체 전지가 가장 먼저 변화할 분야라고 생각합니다. 인류는 고체 전지 전해질 재료의 8%만을 탐구했으며, 나머지 92%는 아직 알려지지 않았습니다. 현재 기업들이 “내년에 고체 전지를 대량 생산하겠다”고 말하지만, 사실은 다른 기업이 먼저 성공하기를 두려워하는 것입니다. 만약 지금 생산 라인을 건설하고 내년에 더 좋은 재료가 발견되면 그 생산 라인은 쓸모없게 될 수 있습니다. 그는 고체 전지가 대량으로 활용되기까지 약 2년이 걸릴 것으로 예상합니다.
다른 변화가 예상되는 분야로는 합성 암모니아(기존 방법은 전 세계 에너지의 3%를 소비하지만 AI를 활용하면 더 저렴한 전기화학적 방법을 찾을 수 있으며, 재생 에너지로 암모니아를 생산할 수 있음)와 전통 화학 산업 등이 있습니다.
5. 중국과 미국의 경쟁: 중국은 실제 구현이 빠르고, 미국은 연산 능력이 강하지만 실용성이 중요하다
중국과 미국은 AI for Materials 분야에서 각자의 강점을 가지고 있습니다:
- 중국: 팀 규모가 크고(미국 대학 연구팀은 20명이면 큰 규모), 소프트웨어 개발과 실제 구현 능력이 뛰어나며, 즉시 사용 가능한 재료(배터리, 촉매 등)에 집중하고 있습니다.
- 미국: 연산 능력이 강하고 펀드 규모가 크지만 연구 분야가 좁습니다(예: 초전도 재료는 수십 년 후에야 실용화될 수 있음).
리하오는 중국의 실용적인 접근 방식이 업계 발전을 더 빠르게 촉진할 것이라고 생각합니다.
결론
AI for Materials는 단지 이론적인 구상이 아니라 실제 데이터, 물리 모델, 자동화된 실험을 기반으로 신소재를 찾아내고 이를 활용하여 수익을 창출하는 것입니다. 향후 고체 전지 등 분야에서의 신소재 개발은 리튬 배터리가 스마트폰을 변화시킨 것처럼 우리의 삶을 크게 변화시킬 수 있습니다.