【충격】AI 에이전트가 마침내 '과학자'가 되었다 ― Nature에 게재된 자동 과학 발견 시스템 「Robin」의 전모

「다음 실험은 이것을 해야 한다」―― 그렇게 제안한 것은 인간이 아니라 AI였다.

2026년 6월, Nature에 게재된 논문이 AI 에이전트 업계를 조용하지만 확실하게 뒤흔들었다.

멀티 에이전트 시스템(Multi-agent system) 「Robin」이, 가설 생성부터 데이터 분석까지를 완전 자동화하여 실재하는 난치병의 치료 후보를 찾아낸 것이다.

Robin은 「과학의 발견 루프(Discovery loop)」를 닫은 최초의 멀티 에이전트 시스템입니다.

• 문헌을 읽는다 → 가설을 세운다 → 실험을 설계한다 → 데이터를 분석한다 → 다음 실험을 제안한다, 이 일련의 루프를
  AI 에이전트가 자율적으로 돌렸다 - 대상은
  **황반변성(Dry AMD)**이라는, 유효한 치료법이 부족한 난치병 - 결과, 기존의 녹내장 약인
  **ripasudil (ROCK 억제제)**과 화합물 KL001을 치료 후보로 특정하고, in vitro (시험관 내)에서 효과를 확인

여기서 중요한 것은 「AI 에이전트가 코드나 문장을 쓰는 존재에서, 과학 그 자체를 "수행하는" 존재로 한 걸음 내디뎠다」는 사실입니다.

단, 과장은 하지 않겠습니다. 실제 시험관과 세포를 다루는 웨트 랩(Wet lab) 실험은 인간 과학자가 수행했습니다. 이 구분은 엔지니어로서 정확하게 이해해 둘 가치가 있습니다.

과학의 진보는 대략 말하자면 다음 사이클의 반복입니다.

문헌을 읽는다— 기존 연구로부터 지식을 얻는다 -
가설을 세운다— 「이것이 효과가 있지 않을까?」라고 짐작한다 -
실험을 설계한다— 가설을 검증하는 절차를 결정한다 -
데이터를 분석한다— 결과를 해석한다 -
다음 실험을 제안한다— 분석으로부터 다음 수를 도출한다

이 루프 중에서 지금까지 AI가 담당할 수 있었던 것은 「문헌 검색 보조」나 「통계 분석 자동화」와 같은 단편적인 부분이었습니다.

Robin이 획기적인 점은, 이 단편들을 연결하여 루프로서 닫았다는 점에 있습니다.

「루프를 닫는다 (close the loop)」라는 표현에는 무거운 의미가 있습니다.

단발성 태스크를 자동화하는 것과, 이전 단계의 출력이 다음 단계의 입력이 되고 결과가 현실 세계로부터 피드백되는 것은 시스템 설계의 난이도가 차원이 다릅니다.

Robin은 단일 거대 모델이 아니라, 전문 특화된 에이전트들의 협조로 작동합니다. 엔지니어 관점에서 정리하면 다음과 같습니다.

포인트는, 각각의 에이전트가 「좁고 깊은」 책임을 갖는다는 것입니다.

하나의 모델에 「전부 다 해라」라고 명령하는 것이 아니라, 문헌을 읽는 뇌와 데이터를 해석하는 뇌를 나누고, 그 사이를 오케스트레이터(Orchestrator)가 중개한다. 이 구조가 복잡한 루프를 파탄 내지 않고 돌리는 열쇠가 되고 있습니다.

컨텍스트의 분리 (Separation of context): 문헌의 원문 텍스트와 데이터 분석 로직을 동일한 문맥에 담으면 모델은 혼란스러워하기 쉽다. 책임을 나누면 각 에이전트의 프롬프트·컨텍스트가 순수해진다 -
검증 가능성 (Verifiability): 어떤 에이전트가 무엇을 출력했는지 추적할 수 있다. 가설이 틀렸을 때, 문헌 해석의 실수인지 데이터 분석의 실수인지를 구분할 수 있다 -
재사용성 (Reusability): 문헌 검색 에이전트는 다른 질환 연구에도 그대로 사용할 수 있다

이 표의 오른쪽 하단―― 「in vitro에서 효과 확인 완료」가 Robin이 단순한 데모로 끝나지 않은 이유입니다.

Robin이 대상으로 삼은 **황반변성 (Dry AMD)**은 고령자 실명 원인으로 알려져 있으면서도 유효한 치료 선택지가 제한적인 질환입니다.

Robin이 제시한 것은 처음부터 신약을 만드는 것이 아니라――

ripasudil: 원래 녹내장 치료에 사용되는 ROCK 억제제 -
KL001: 기지의 화합물

이것들을 「황반변성에도 효과가 있지 않을까?」라고 **전용 (Drug repositioning)**하는 가설이었습니다.

그리고 인간 과학자가 웨트 랩에서 검증한 결과, in vitro에서의 효과가 확인되었습니다.

드러그 리포지셔닝 (Drug Repositioning)이 AI와 궁합이 좋은 이유 (필자의 견해)

기존 약물은 안전성 데이터가 이미 축적되어 있기 때문에, 신규 후보 물질보다 실용화까지의 거리가 가깝습니다. 방대한 문헌으로부터 '의외의 전용처'를 찾는 작업은 그야말로 문헌 검색 에이전트 + 가설 생성의 특화 영역입니다.

이 부분을 모호하게 처리하면, 그저 과장된 광고 기사 (Hype article)가 되고 맙니다.

• Robin은 물리적인 실험 (세포 배양, 시약 조작, 현미경 관찰 등)은 하지 않았습니다. 그것은 인간 과학자가 수행했습니다.
• Robin이 구동한 것은 가설 생성과 데이터 분석 (Data analysis) 부분입니다. 즉, '두뇌 노동'의 루프입니다.
• 바꿔 말하면, '생각하는 과학자'를 AI가 담당하고, '손을 움직이는 과학자'는 인간이 담당한 하이브리드 체제입니다.

그럼에도 의의는 큽니다. 왜냐하면 과학의 병목 현상 (Bottleneck)은 종종 '어떤 실험을 해야 하는가'라는 **의사결정 (Decision making)**에 있기 때문입니다. Robin은 그 병목 현상에 발을 들여놓았습니다.

Robin은 생물학 시스템이지만, 그 설계 사상은 여러분이 만드는 에이전트에도 직접 전용할 수 있습니다.

만능 에이전트 하나보다는, 역할 특화 에이전트 + 오케스트레이터 (Orchestrator).

각 에이전트의 컨텍스트 (Context)를 순수하게 유지함으로써, 정밀도와 추적 가능성 (Traceability)이 높아집니다.

• 이전 단계의 출력을 다음 단계가 구조화된 형태로 받을 수 있는가?
• 자유 텍스트로 전달하면 무너지기 쉽습니다. 스키마 (Schema, 형식)를 정하여 가교 역할을 해야 합니다.

Robin의 강점은 '실험 결과가 다음 사이클로 돌아온다'는 점입니다.

여러분의 시스템에서도 외부의 검증 결과 (테스트 결과, 사용자 반응, 실측값)를 루프에 환류시키는 경로를 설계에 포함시키십시오.

Robin은 가설과 분석을 AI에게, 실행을 인간에게 할당했습니다.

무엇을 자동화하고 무엇을 인간에게 남길 것인가를 명확히 하지 않는 것이 신뢰할 수 있는 시스템의 조건입니다.

어떤 에이전트가 무엇을 내놓았는지 기록하십시오.

실패 시 어디에서 틀렸는지를 분리하여 파악할 수 있는 설계가 루프의 폭주를 방지합니다.

---

• Robin은 Nature (2026년 6월)에 게재된, 가설 생성과 데이터 분석을 완전 자동화한 최초의 멀티 에이전트 시스템입니다.
• 문헌 검색 에이전트 + 데이터 분석 에이전트 + 오케스트레이터로 발견 루프 (Discovery loop)를 닫았습니다.
• 건성 황반변성 (Dry AMD)의 치료 후보로서 ripasudil과 KL001을 특정하였고, in vitro에서 효과를 확인했습니다.
• 단, 웨트 랩 (Wet lab) 실험은 인간이 실시했습니다. AI는 '생각하는 부분'을 담당했습니다.
• 엔지니어를 위한 교훈: 책임 분할 · 구조화된 피드백 · 현실 세계로의 환류 · 인간과의 역할 분담.
• AI 에이전트는 '쓰는 것'에서 '과학하는 것'으로 진화합니다. 루프를 닫는 자가 다음 돌파구 (Breakthrough)를 잡을 것입니다.

여러분이 지금 만들고 있는 에이전트는 루프가 닫혀 있습니까? 아니면 단발성 태스크에서 멈춰 있습니까?

"자신의 영역에서 루프를 닫는다면 무엇을 자동화하고 싶은가", 꼭 댓글로 알려주세요 👇

도움이 되었다면 좋아요👍와 저장📌을 부탁드립니다!

A multi-agent system for automating scientific discovery | Nature

Daily AI Agent News