저희는 과학자들이 획기적인 가설과 연구 제안서를 생성하고, 과학 및 생의학적 발견의 속도를 가속화하도록 돕기 위해 Gemini 2.0을 기반으로 구축된 다중 에이전트 AI 시스템인 AI 공동 과학자를 소개합니다.

https://research.google/blog/accelerating-scientific-breakthroughs-with-an-ai-co-scientist/

Accelerating scientific breakthroughs with an AI co-scientist

Accelerating scientific breakthroughs with an AI co-scientist

research.google

- 구글, 연구 가속화 위한 AI '공동연구원' 도구 개발

- 구글에서 AI 과학자들이랑 공동으로 인류난제 연구중이라고 밝힘

- 구글 공동 과학자 에이전트들이 다리오가 말한 데이터센터 속 천재들임

저 각 에이전트들이 부여받은 역할대로

재귀 개선의 기본적 절차로 행동해서

유용한 결과를 내놨음 

이제 저런 에이전트듵이 수백만개로 늘어나 

다리오가 말한 데이터 속의 천재들이 될것이고 

이게 agi asi로 불릴거임 

- 구글 재귀개선 레딧 댓글 지리네 ㅋㅋㅋㅋㅋㅋ

“난 과학자인데 이건 재귀개선을 향한 확실한 길이라고 생각해“ 

“연구진이 논문에 재귀개선이라고 이미 써놨구나...“

- Google 공동 과학자 에이전트 논문 정리

1. Gemini 2.0 기반 멀티 에이전트 시스템

-과학적 가설을 생성, 검증하여 새로운 지식을 발견하는 것을 목표로 함

-인간 연구자가 제시한 목표에 맞춰 가설을 생성, 토론, 개선하는 방식으로 작동

2. 어떤 에이전트가 있을까?

-생성 에이전트 (Generation Agent): 기존 문헌 검토 및 가설 생성

-반성 에이전트 (Reflection Agent): 가설의 논리적 일관성과 기존 연구와의 연관성 검토

-순위 평가 에이전트 (Ranking Agent): 가설을 토너먼트 방식으로 비교하고 점수 매김

-근접성 에이전트 (Proximity Agent): 유사한 가설들을 분류하고 정리

-진화 에이전트 (Evolution Agent): 기존 가설을 개선하고 새로운 관점을 도입

-메타 리뷰 에이전트 (Meta-review Agent): 전체적인 연구 진행 과정 분석 및 피드백 제공

-과학자는 자연어를 통해 AI와 상호작용하며 연구 목표를 설정하고 AI가 생성한 가설을 검토하고 개선할 수 있다.

-에이전트들은 웹검색 및 특화된 AI 시스템을 비롯한 몇 가지 도구(tool)를 사용할 수 있다.

3. 실제 연구 응용 사례

-이번 논문에서는 주로 생물의학 분야에 실제 연구에 활용될 수 있는지를 검증함

--급성 골수성 백혈병(AML) 치료를 위한 약물 재활용:

기존에 허가된 약물 중 새로운 치료 효과가 있을 가능성이 있는 후보 약물을 제안

실험 결과, AI가 제안한 약물이 실제로 종양 억제 효과를 보였음

--간 섬유화 치료를 위한 새로운 표적 발견:

AI가 에피제네틱 타겟을 새롭게 제안

실험 결과, AI가 제안한 타겟이 간 세포 재생을 촉진하고 섬유화를 억제함이 확인됨

--항생제 내성과 관련된 세균 진화 메커니즘 설명:

연구진이 실험을 통해 발견한 새로운 유전자 전달 메커니즘을 AI가 독립적으로 동일한 결론 도출

기존 연구 결과와 일치하며 AI의 예측 정확성이 검증됨

4. AI 공동 과학자의 성과 평가

-Elo 점수 기반 자동 평가 시스템을 통해 AI가 생성한 가설의 품질을 측정

-연구 목표를 203개로 나누어 AI의 성과를 측정한 결과, 시간이 지남에 따라 점진적으로 가설의 품질이 향상됨을 확인

-인간 전문가와 비교한 실험에서 AI가 보다 창의적이고 실용적인 가설을 제안할 수 있음이 입증됨

5. 결론 및 향후 과제

-AI 공동 과학자는 연구 과정에서 협업적인 도구(co-scientist)로 작용하며 연구자의 창의성을 보완하는 역할을 함

-본 논문에서는 생물의학 분야에서의 적용 가능성을 검토했으나, 향후 물리학, 화학, 재료과학 등 다양한 학문 분야에 적용 가능

-윤리적 문제 및 AI의 안전성을 강화할 필요성이 있으며, 이를 위한 추가적인 연구가 필요함

각주. 에이전트 예시

1. 생성 에이전트 (Generation Agent)

예시: "ALS의 진행을 촉진하는 주요 인자를 새로운 관점에서 제시하는 가설을 개발한다. 이를 위해 iPSC 세포를 사용한 in-vitro 실험을 고려할 수 있다."

2. 반성 에이전트 (Reflection Agent)

예시: "제안된 ALS 가설이 기존 연구와 일치하는지 검토하고, 새로운 실험적 검증이 필요한지를 평가한다."

3. 순위 평가 에이전트 (Ranking Agent)

예시: "ALS 연구에서 제시된 여러 가설을 상호 비교하여 가장 타당성이 높은 가설을 Elo 점수를 기반으로 평가한다."

4. 근접성 에이전트 (Proximity Agent)

예시: "ALS 관련 기존 연구와 AI가 생성한 가설의 유사성을 분석하여 중복을 줄이고 새로운 아이디어를 도출한다."

5. 진화 에이전트 (Evolution Agent)

예시: "ALS 가설을 개선하기 위해 기존 신경퇴행성 질환 연구에서 영감을 받아 새로운 메커니즘을 추가한다."

6. 메타 리뷰 에이전트 (Meta-review Agent)

예시: "ALS 연구 가설들의 공통적인 문제점을 분석하고, 반복적으로 등장하는 오류를 반영하여 향후 가설 생성에 피드백을 제공한다."

*결론 전문 번역:

AI 공동 과학자는 과학자들의 연구를 보조하고 과학적 발견을 가속화하는 AI 기반 시스템으로서 유망한 발전을 보여준다.

이 시스템은 다양한 과학 및 생물의학 분야에서 새로운 실험 가능한 가설을 생성할 수 있으며, 일부는 실험적 결과로 뒷받침되기도 한다.

또한, 계산 자원이 증가함에 따라 반복적으로 자기 개선이 가능하다는 점에서, 인류 건강, 의학 및 과학의 중요한 난제 해결을 가속화할 가능성을 시사한다.

이러한 혁신은 수많은 질문과 기회를 열어주며, AI 공동 과학자 시스템 자체를 경험적이고 책임감 있는 과학적 접근 방식으로 연구함으로써 그 잠재력을 안전하게 탐색할 수 있다.

이를 통해 협력적이고 인간 중심적인 AI 시스템이 인간의 창의성을 증진하고 과학적 발견을 가속화하는 방법에 대한 이해를 높일 수 있을 것이다.

*Test Time Computation에 대한 중요한 강조 내용:

Elo로 측정된 성능 포화의 증거는 보이지 않았으며, 이는 이 패러다임에서 테스트 시간 컴퓨팅을 더 확장하면 공동 과학자 시스템의 결과 품질이 계속 향상될 수 있음을 시사합니다.

공동 과학자 아키텍처가 모델에 구애받지 않으며 최첨단 및 추론 LLM의 추가 발전으로부터 이익을 얻을 가능성이 높다는 점을 다시 한 번 언급할 가치가 있습니다.

(Elo가 자동 평가된 점수라는 점에서 얼마만큼 믿을 수 있는지는 아직 의문이 조금 남아있음)