AI 보조 연구 (AI-assisted research)는 시스템이 가설을 생성하거나, 실험을 수행하거나, 원고를 작성할 수 있는지 여부뿐만 아니라, 그들의 과학적 주장 (scientific claims)이 이를 뒷받침하는 증거에 적절히 교정 (calibrated)되어 있는지 여부가 핵심 질문이 되는 단계에 진입했습니다. 본 Perspective 스타일의 논문은 AI 보조 연구에서 증거 기반 주장 (evidence-licensed claims)을 위한 개념적 및 방법론적 프레임워크를 개발합니다. 특화된 과학적 파운데이션 모델 (scientific foundation models), LLM 연구 보조원 (LLM research assistants), 멀티 에이전트 공동 과학자 (multi-agent co-scientists), AI Scientist 파이프라인 (AI Scientist pipelines), 수학적 발견 에이전트 (mathematical discovery agents), 그리고 자율 주행 실험실 (self-driving laboratories)을 포함한 대표적인 경로들에 동기를 부여하여, 본 논문은 AI 보조 연구를 다섯 가지 연산자 (operators)로 나타냅니다: 가설 생성 (hypothesis generation), 모델 매개 결과 도출 (model-mediated consequence derivation), 외부 검증 (external validation), 신념 업데이트 (belief update), 그리고 주장 교정 (claim calibration)입니다. 핵심 주장은 교정 (calibration)이 단순히 신중한 어휘 선택이 아니라, 과학적 주장 권리 (scientific assertion rights)를 관리하기 위한 메커니즘이라는 점입니다: 즉, 증거는 특정 형태의 발언을 허가 (license)하고 다른 형태는 유보합니다. 본 논문은 언어적 (linguistic), 결과 기반 (consequence-based), 개입적 (interventional), 그리고 증거 기반 (evidence-licensed) 의미론을 구분하며, 주장-증거 간극 (claim-evidence gap)과 인식론적 부채 (epistemic debt)를 정의합니다. 또한 이질적인 출력물 전반에 걸친 최소한의 구조적 재구성 (minimal structural reconstruction)을 주장 교정의 상향된 형태로 다룹니다. AISim-Cal은 경험적 예측이나 벤치마크가 아닌, 예시적인 합성 역학 연습 (synthetic dynamics exercise)으로서 포함되었습니다. 도출된 원칙은 다음과 같습니다: 허가(license) 없는 주장은 없어야 하며, 검증 (validation)이 주장의 수준을 결정하지 않고, 자동화는 교정의 필요성을 증폭시킨다는 것입니다. 따라서 신뢰할 수 있는 AI 보조 연구는 가설을 생성하고, 테스트 가능한 결과를 도출하며, 독립적인 판결을 수용하고, 신념을 업데이트하며, 오직 증거 기반 주장 (evidence-licensed claims)만을 출력하는 루프로 평가됩니다.