핵심 내용 요약
이 글의 주요 메시지는 다음과 같습니다: 현재의 인공지능(AI)은 기존 과학적 틀 안에서 정확한 예측을 하는 데에는 뛰어나지만(마치 세부 사항이 많지만 방향을 제시하지 못하는 지도와 같음), 과학의 규칙을 완전히 바꾸는 혁신적인 발견(상대성 이론, 진화론과 같은)을 이끌어내지는 못합니다. 글은 이러한 AI에 과도하게 의존할 경우 “비정규 과학”의 위험이 따른다고 경고합니다. 즉, 기존 모델 내에서는 더 빠르게 진행하지만 새로운 문제를 제기하는 능력을 잃게 됩니다. 이러한 상황을 바꾸기 위해서는 “미래지향적인 AI”를 구축해야 합니다. 이 AI는 기존 틀을 벗어나서 생각할 수 있어야 하며, 동시에 과학 자체의 작동 원리(메타과학)를 연구하여 패러다임 전환에 유리한 환경을 조성해야 합니다.
1. 지도 비유: AI가 왜 “대혁신”을 이룰 수 없는가
글은 두 가지 지도 예시를 통해 AI의 한계를 설명합니다:
- 보르헤스의 완벽한 지도: 제국과 같은 크기의 지도로 세부 사항이 100% 정확하지만, 길을 찾는 데 전혀 쓸모가 없습니다. 현재의 AI도 마찬가지로 엄청난 양의 데이터(예: 수조 개의 텍스트, 단백질 구조)를 학습하여 기존 틀 내에서의 결과(예: AlphaFold가 단백질의 구조를 예측하는 것)를 정확하게 예측할 수 있지만, 새로운 지도를 그릴 수는 없습니다.
- 런던 지하철 지도의 혁명: 1933년 이전의 지하철 지도는 지리적으로 정확하게 그려졌지만, 도심 역들이 서로 붐비고 교외 지역이 넓게 차지하여 사용하기 어려웠습니다. 해리 베이크는 지리적 정확성을 포기하고 색상으로 구분된 노선과 균등한 간격의 역들로 지도를 그려내어 지도를 훨씬 명확하고 사용하기 쉽게 만들었습니다. 이것이 바로 패러다임 전환의 예입니다. 하지만 AI는 베이크처럼 기존 틀을 버리고 더 유용한 새로운 구조를 창출할 수 없습니다.
2. “비정규 과학”: AI의 숨겨진 함정
“비정규 과학”이란 기존 모델 내에서의 예측 능력은 점점 향상되지만, 새로운 문제를 제기하는 능력은 오히려 약해진다는 것을 의미합니다. 글은 몇 가지 예를 들어 설명합니다:
- 콜레라 사례: 1849년 런던에서 콜레라가 발생했을 때, 의사들은 지도를 그려 낮은 고도 지역의 사망률이 높다는 것을 발견하고 이를 “유해한 공기” 때문이라고 생각했습니다. 만약 AI가 법르의 데이터를 학습한다면 다음에 어디에서 콜레라가 발생할지 정확히 예측할 수 있겠지만, 진짜 원인(나중에 파스타르의 박테리아 이론으로 해결됨)을 찾을 수는 없을 것입니다.
- DeepMind의 GNoME: 220만 가지 새로운 물질을 발견했지만, 대부분은 이미 알려진 구조의 원소들을 교체한 것에 불과합니다(예: 주기율표상 인접한 원소를 사용함).
- AI가 지원하는 연구의 한계: AI를 사용하는 과학자들은 더 많은 논문을 발표하고 더 많이 인용받지만, 연구 주제의 범위는 5%나 줄어들었습니다. AI는 그들을 기존 데이터가 풍부한 분야로 몰아넣으며 새로운 방향을 탐색하게 하지 않습니다.
이러한 위험은 “더 많은 세부 사항”을 “더 깊은 이해”로 착각하게 만들어 세상을 변화시킬 수 있는 큰 아이디어를 놓치게 합니다.
3. 패러다임 전환의 비결: 인간은 어떻게 해낸가?
글은 아인슈타인과 다윈의 예를 들어 패러다임 전환을 이루는 세 가지 핵심 요소를 요약합니다:
- 단순성 우선: 아인슈타인은 두 개의 원리(모든 관찰 체계에서 물리 법칙이 동일하고 빛의 속도가 일정하다는 것)를 사용하여 복잡한 “에테르” 이론을 대체했습니다. 맥스웰은 네 개의 방정식으로 전기와 자기를 통합했습니다. 좋은 패러다임은 종종 단순하며 더 많은 현상을 설명할 수 있습니다.
- 학제간 유사성의 활용: 다윈은 맬서스의 경제학(자원 경쟁)에서 영감을 얻어 진화론을 제시했습니다. 파인만은 열류, 유체 흐름, 정전기가 동일한 방정식을 공유한다는 것을 발견했습니다. 학제간의 유사성은 새로운 관점을 제공할 수 있습니다.
- 틀을 벗어나는 용기: 아인슈타인은 특허청 직원이었으며(학계 외부 인물), “에테르”라는 전통적인 개념에 얽매이지 않았습니다. 반면, 수학 천재 푸앵카레는 같은 수학적 결과를 도출했음에도 불구하고 상대성 이론을 발견하지 못했습니다.
- 불완전함의 수용: 다윈의 자연선택 이론은 처음에는 유전 메커니즘이 부족했지만(잘못된 “파생설”을 제시함), 핵심 아이디어가 충분히 강력해서 유전학이 등장한 후에야 세부 사항이 완성되었습니다.
4. 미래지향적인 AI를 어떻게 구축할까?
AI가 패러다임 전환을 이끌 수 있도록 하기 위해 글은 몇 가지 방안을 제시합니다:
- 단순성 추구: AI Feynman 시스템은 “기호 회귀”를 사용하여 데이터를 설명하는 가장 간단한 방정식을 찾아내어, 이전 소프트웨어보다 29개 더 많은 파인만의 물리학 방정식을 재발견했습니다.
- 학제간 유사성 찾기: AI는 엄청난 데이터에서 다른 분야 간의 구조적 유사성을 찾을 수 있습니다(예: 다윈이 경제학과 생물학을 연결한 것처럼).
- 물리적 경험의 결합: 다중 모드 AI(시각, 촉각, 운동 처리)나 자율 실험실(AI + 로봇)을 사용하면 AI가 추상적인 아이디어와 실제 세계의 피드백을 결합할 수 있습니다(예: 아인슈타인이 빛 위를 타는 상상 실험처럼).
- 인간과 AI의 협력: 인간은 다양한 감각을 통해 정보를 처리하는 능력이 있고, AI는 엄청난 데이터를 처리할 수 있는 능력이 있습니다. 이 두 가지의 결합으로 AI 혼자서는 찾을 수 없는 유사성을 발견할 수 있습니다.
5. 메타과학: AI를 사용하여 “과학 자체” 연구하기
AI가 패러다임 전환을 이끌기 위해서는 먼저 과학이 어떻게 작동하는지 이해해야 합니다. 이것이 바로 “메타과학”입니다:
- AI를 사용한 과학 환경의 시뮬레이션: 우리는 실제 실험실에서 대조 실험(예: 소규모 팀과 대규모 팀 중 어느 쪽이 더 혁신적인지 테스트)을 할 수 없지만, AI는 다양한 연구 환경(팀 규모, 실험 방법 등)을 시뮬레이션하여 가능성을 탐색할 수 있습니다.
- 학계와의 협력: 과학자들은 AI를 사용하여 자신의 연구를 더 효율적으로 진행하고 새로운 발견을 할 수 있도록 해야 합니다.
이러한 방안들을 통해 우리는 AI가 과학 발전에 더 큰 역할을 할 수 있도록 할 수 있습니다.