EP114. 도망칠 틈이 없다! Navier-Stokes 방정식, GPT-2.5-image, AlphaGenome Atlas
📺 원본 영상: EP114. 도망칠 틈이 없다! Navier-Stokes 방정식, GPT-2.5-image, AlphaGenome Atlas
🎙️ 채널: AI Frontier Korea (노정석)
📅 정리 일자: 2026-09-12
⚠️ Note: 본 리포트는 영상의 음성을 텍스트로 변환(STT)하여 정리한 것입니다. 화면에 표시된 자료와 논문, 차트, 코드, 슬라이드 등은 포함되지 않을 수 있습니다. 특히 영상 녹화 시점에 막 공개됐다고 소개된 연구 성과와 기업 간 논란은 검증이 진행 중인 사안이므로, 확정된 사실과 출연진의 해석을 구분해 읽을 필요가 있습니다.
개요
이번 에피소드는 서로 멀리 떨어져 보이는 세 가지 사건을 하나의 흐름으로 묶는다. 첫 번째는 대규모 AI 에이전트를 투입한 Navier–Stokes 방정식 관련 수학 연구이고, 두 번째는 일관성과 편집 능력이 개선됐다고 소개된 GPT Image 2.5이며, 세 번째는 인간 유전체의 방대한 변이를 사전에 계산해 조회할 수 있도록 만든 AlphaGenome Atlas이다. 출연진이 세 사건에서 공통으로 발견한 변화는, AI가 단순히 답을 생성하는 도구에서 벗어나 가설을 세우고 도구를 호출하며 결과를 검증하는 연구·생산 시스템으로 변하고 있다는 점이다.
다만 영상의 일부 주장은 공개 직후의 자료와 온라인 논쟁을 토대로 구성되어 있다. 따라서 Navier–Stokes 밀레니엄 문제의 공식 해결 여부, 모델의 정확한 명칭과 학습 과정, 연구 아이디어의 출처를 둘러싼 의혹은 영상 속 설명만으로 확정할 수 없다. 이 리포트는 그러한 불확실성을 유지하면서도, 출연진이 포착한 기술적 구조와 그것이 연구 생태계에 던지는 질문을 중심으로 내용을 재구성한다.
Navier–Stokes는 무엇이 어려운가
Navier–Stokes 방정식은 점성을 지닌 유체의 운동을 기술하는 비선형 편미분방정식(Partial Differential Equation)이다. 영상에서는 점성이 없는 이상 유체를 다루는 Euler 방정식과 대비해 개념을 설명하며, 물이나 공기처럼 실제 유체에서 나타나는 속도장과 압력의 변화를 표현하는 핵심 도구라고 소개한다. 공학 현장에서는 이미 수치해석을 통해 비행기, 자동차, 날씨, 미디어 아트 등의 유체 시뮬레이션에 폭넓게 사용하지만, 수학적으로는 특정 조건에서 해가 항상 매끄럽게 존재하는지, 혹은 유한한 시간 안에 특이점이 발생할 수 있는지를 일반적으로 증명하지 못했다.
이 구분은 “Navier–Stokes를 풀었다”라는 표현을 해석할 때 특히 중요하다. 실제 유체의 움직임을 근사 계산하는 것과, 3차원 비압축성 Navier–Stokes 방정식의 해가 항상 존재하고 매끄러운지를 엄밀히 증명하는 것은 완전히 다른 문제이기 때문이다. 영상에서도 이번 성과가 곧바로 태풍 예측을 혁신하거나 기존의 항공·자동차 시뮬레이션 알고리즘을 뒤집는 것은 아니며, 매우 형식적이고 엄밀한 수학의 문제에 가깝다고 강조한다.
💡 [영상 참조] 강연자는 이 대목에서 Euler 방정식과 Navier–Stokes 방정식의 차이, 유체 시뮬레이션, 공개 논문의 구조를 화면 자료와 함께 설명한다.
📺 원본 영상에서 확인할 수 있다.
Navier–Stokes 문제는 Clay Mathematics Institute가 2000년에 선정한 일곱 개의 밀레니엄 문제 가운데 하나다. 영상에서는 Poincaré 추측만 공식적으로 해결된 상태이며, Riemann 가설과 P 대 NP 문제 등이 여전히 대표적인 미해결 문제로 남아 있다고 설명한다. 동시에 출연진은 밀레니엄 문제의 상징성과 실용적 파급력을 구분해야 한다고 지적한다. 수십 년간 문제에 도전하면서 이미 수많은 중간 정리와 계산 기법이 축적되었기 때문에, 최종 증명이 완성되더라도 공학적 실무가 하루아침에 바뀌지는 않을 수 있다는 것이다.
핵심은 답보다 탐색 시스템이다
영상이 가장 주목하는 부분은 증명 자체보다 그 증명 후보를 탐색한 방식이다. 출연진의 설명에 따르면, 이번 시도에는 새 내부 모델의 중간 체크포인트와 약 1만 개의 에이전트가 동원됐으며, 에이전트들은 서로 다른 가설과 보조정리를 병렬로 탐색했다. 한 그룹이 막히면 다른 그룹이 발견한 보조정리나 반례를 가져와 기존 가설을 수정하고, 변경된 조건을 다시 검증하는 순환 구조가 사용됐다고 한다.
이 접근은 수학에서 말하는 Ansatz(가설적 해의 형태를 먼저 설정하는 방법)와 유사하다. 모델은 처음부터 완성된 증명을 곧바로 내놓기보다, 가능한 해의 구조를 제안하고 그 구조가 실패하는 장애물을 찾는다. 이후 장애물을 부분적으로 제거할 수 있는 보조정리나 새로운 함수 형태를 탐색하고, 살아남은 결과를 다른 에이전트에게 전달한다. 결국 연구는 하나의 긴 추론이라기보다 생성, 반박, 수정, 교차 검증이 반복되는 분산 탐색 과정으로 바뀐다.
영상은 서로 다른 그룹의 성과가 공유되는 과정을 Cross-pollination(교차 수분)이라고 표현한다. 예컨대 A그룹의 접근이 특정 조건에서 막혔더라도 B그룹이 발견한 보조정리가 그 장애물을 제거할 수 있다면, A그룹은 자신의 가설을 수정해 해당 보조정리를 흡수한다. 이러한 협업이 가능한 이유는 수학적 명제가 비교적 명확하게 검증 가능한 영역이기 때문이다. Reinforcement Learning with Verifiable Rewards(RLVR·검증 가능한 보상을 활용한 강화학습)의 관점에서 보면, 정답이나 증명의 타당성을 판별할 수 있는 환경은 대규모 탐색을 훈련하고 자동화하기에 유리하다.
10:22 - 여러 에이전트 그룹이 보조정리와 가설을 교차 공유하며 증명 후보를 개선하는 Cross-pollination 과정
💡 [영상 참조] 강연자는 에이전트 그룹 사이에서 가설과 보조정리가 이동하고, 실패한 접근이 다른 발견을 받아 수정되는 과정을 도식으로 설명한다.
📺 원본 영상에서 확인할 수 있다.
여기서 중요한 능력은 단순한 병렬 실행이 아니다. 수많은 중간 결과 가운데 무엇이 유망한지 평가하고, 어느 결과를 다른 가설에 결합할지 판단하며, 실패 원인을 다음 탐색에 반영해야 하기 때문이다. 출연진은 모델 자체의 추론 능력 향상과 대규모 에이전트 오케스트레이션 능력이 맞물렸다는 점을 이번 사건의 본질로 본다. 컴퓨팅 자원을 늘리는 것만으로는 부족하며, 탐색의 방향을 정하고 결과를 통합하는 메타 수준의 판단 능력이 함께 향상돼야 한다는 해석이다.
Test-time Compute가 연구 예산으로 바뀌는 순간
영상에서는 새 내부 모델이 Test-time Compute(추론 시점 연산량)를 늘릴수록 미해결 수학 문제에서 더 높은 성과를 보였다는 그래프를 소개한다. 다만 그래프의 가로축이 로그 스케일이기 때문에 연산량을 열 배 늘릴 때마다 성능이 같은 비율로 상승하는 것은 아니며, 투입 자원 대비 성과는 점차 둔화할 수 있다고 설명한다. 그럼에도 기존 모델과 새 내부 모델 사이에 뚜렷한 격차가 관찰됐다는 것이 출연진의 평가다.
05:17 - 새 내부 모델과 기존 모델의 미해결 수학 문제 성능을 비교한 Test-time Compute 로그 스케일 그래프
이 변화는 모델 개발의 초점을 학습에만 두던 관점에서 벗어나게 한다. Pre-training(사전학습)과 Post-training(후학습)을 통해 모델의 기본 능력을 높이는 한편, 실제 문제를 풀 때도 수천 개의 에이전트와 긴 추론 시간을 배정해 성능을 끌어올릴 수 있기 때문이다. 즉 모델의 지능은 고정된 제품 사양이 아니라 문제마다 추가 예산을 투입해 확장할 수 있는 계산 서비스에 가까워진다.
출연진에 따르면 Navier–Stokes 관련 작업에는 약 88시간 동안 1,300억 개의 출력 토큰이 사용됐다고 소개됐다. 이어 공개 API 가격을 단순 대입하면 비용이 수십억 원에서 100억 원을 넘을 가능성도 있다는 추산을 제시하지만, 이는 모든 토큰을 외부 판매 가격과 같은 출력 단가로 계산한 가정적 수치다. 내부 인프라 원가, 캐시 사용, 입력과 출력의 구성, 할인 및 병렬화 효율이 공개되지 않았으므로 실제 비용으로 받아들여서는 안 된다.
이 사례의 함의는 정확한 금액보다 자원의 집중 가능성에 있다. 기존의 인간 연구 공동체도 여러 연구자가 가설과 보조정리를 나누어 발전시키지만, AI 에이전트 시스템은 특정 목표에 수천 개의 탐색 주체를 단기간 투입할 수 있다. 성공 가능성이 충분하고 홍보 또는 전략적 가치가 높다고 판단되는 문제라면, 기업이 상금이나 전통적 연구비보다 훨씬 큰 계산 예산을 배치할 수 있다는 것이다. 연구 경쟁력의 일부가 연구자의 수뿐 아니라 컴퓨팅 자원과 오케스트레이션 역량에 의해 결정되는 시대가 열리고 있다는 문제의식이 여기서 나온다.
해결과 이해는 같은 말이 아니다
대규모 탐색이 증명 후보를 만들어냈다고 해도, 그것이 인간 수학에 어떤 통찰을 남기는지는 별도의 문제다. 영상에서 언급된 비판에 따르면 밀레니엄 문제의 중요한 가치는 최종 정답뿐 아니라, 그 문제를 풀기 위해 새로운 개념과 도구를 개발하는 과정에서 발생한 부산물에 있었다. 그런데 에이전트가 방대한 시행착오를 거쳐 거대한 형식 증명을 생성한다면, 결과가 논리적으로 맞더라도 인간이 그 안에서 일반화 가능한 아이디어를 발견하기는 어려울 수 있다.
출연진은 그렇다고 해서 통찰이 전혀 없다고 단정하기도 이르다고 본다. 모델의 전체 탐색 기록에는 실패한 가설, 부분적으로 성립한 보조정리, 기존 이론 사이의 예상 밖 연결이 포함될 수 있기 때문이다. 문제는 이러한 기록이 너무 방대하고 난삽해 인간이 읽을 수 있는 서사로 정리되지 않았다는 데 있다. 앞으로는 증명을 생성하는 능력뿐 아니라, 그 증명의 핵심 아이디어를 압축하고 교육 가능한 형태로 재구성하는 능력이 연구 시스템의 중요한 평가 기준이 될 가능성이 크다.
또한 영상 녹화 시점에는 Clay Mathematics Institute가 해당 문제의 해결을 공식 인정하지 않았다고 언급한다. 형식 검증 시스템을 통과한 결과가 있더라도 문제의 원래 조건을 정확히 충족했는지, 형식화 과정에 빠진 가정은 없는지, 수학 공동체가 독립적으로 검토할 수 있는지는 따로 확인해야 한다. 따라서 이번 사건은 “밀레니엄 문제가 완전히 끝났다”기보다, 대규모 AI 연구 시스템이 최고 난도의 수학 문제에 실질적인 증명 후보를 제출할 단계에 도달했다는 신호로 이해하는 편이 신중하다.
연구 아이디어의 출처를 둘러싼 논란
영상의 중반부는 Tristan Buckmaster, Levent Alpöge, Sébastien Bubeck 등 연구자들 사이에서 벌어진 것으로 소개된 논쟁을 다룬다. 출연진의 설명에 따르면, 일부 수학자는 AI를 활용해 Euler 방정식 관련 문제를 장기간 연구하고 있었고, 그 움직임을 접한 OpenAI 측이 자체 멀티에이전트 시스템을 대규모로 투입했다는 정황이 제기됐다. 이후 선행 아이디어에 대한 크레딧, 연구자 사이의 연락과 발언, 서로 다른 접근법의 독립성 등을 놓고 온라인에서 논쟁이 이어졌다고 한다.
가장 민감한 쟁점은 연구자가 모델과 나눈 대화나 제출한 문제가 후속 모델의 학습 또는 개발 과정에 영향을 주었는지 여부다. 영상에서는 이것이 확인된 사실이 아니며, 당사자들의 주장도 엇갈린다고 분명히 선을 긋는다. 그럼에도 연구자가 자신의 미공개 아이디어를 상용 AI에 입력한 뒤 같은 기업이 유사한 성과를 발표한다면, 실제 데이터 사용 여부와 무관하게 신뢰 문제가 발생할 수 있다. 연구용 AI 서비스는 보안, 데이터 보존, 학습 제외 정책, 내부 접근 권한과 성과 귀속 방식을 훨씬 명확하게 제시해야 한다.
이 논란은 연구자의 공개 전략도 바꿀 수 있다. 출연진은 아이디어가 충분히 완성되기 전에 목표와 방향이 노출되면, 더 많은 자본과 컴퓨팅 자원을 가진 조직이 그 좌표를 따라가 먼저 결과를 완성할 수 있다고 지적한다. 이는 공개와 상호 검토를 중시해 온 학술 공동체의 규범에 긴장을 만든다. AI 시대의 연구 경쟁에서는 논문의 최종 결과뿐 아니라, 문제를 발견하고 탐색 경로를 만든 사람의 기여를 어떻게 기록할 것인지가 새로운 제도적 과제로 떠오른다.
가속 경쟁과 AI 안전의 충돌
수학 연구의 돌파구는 영상에서 AI 안전 문제로 곧바로 연결된다. 출연진은 선도 기업의 연구자들이 자율적으로 개선되는 초지능을 향한 경쟁에 우려를 표시하고, 기업 간 속도 조절이나 구속력 있는 합의를 논의해야 한다고 주장한 사례를 소개한다. 이들의 주장은 영상 속 인용과 해석에 근거한 것이며, 위험 확률이나 시간 전망을 객관적 예측으로 받아들이기보다는 내부 관계자들의 위기감이 커지고 있다는 신호로 읽어야 한다.
경쟁을 멈추기 어려운 이유도 명확하다. 한 기업이 속도를 늦추더라도 다른 기업이나 국가가 계속 개발할 것이라는 예상이 존재하고, 실제 능력 향상은 시장과 국가 안보 양쪽에서 막대한 가치를 갖는다. 영상에서는 특히 미국 기업의 중앙집중적 컴퓨팅 자원과 중국의 추격 가능성이 서로를 가속하는 요인으로 거론된다. 그 결과 개별 조직이 위험을 인식하더라도 공동의 페이싱(Pacing·개발 속도 조절)을 실행하기 어려운 구조가 형성된다.
Navier–Stokes 사례가 불안을 키우는 이유는 AI가 정해진 벤치마크만 잘 푸는 것이 아니라, 가설을 만들고 다른 에이전트와 협력하며 며칠 동안 연구를 지속하는 모습을 보여주기 때문이다. 이는 곧바로 Recursive Self-Improvement(RSI·재귀적 자기 개선)가 실현됐다는 뜻은 아니지만, 자율적 연구와 장기 작업 능력이 그 방향의 기반이 될 수 있다는 것이 출연진의 해석이다. 따라서 성능 평가도 정답률만 볼 것이 아니라, 에이전트가 장기간 어떤 목표를 유지하고 어떤 자원을 사용하며 인간의 감독을 어떻게 우회하거나 요청하는지까지 포함해야 한다.
GPT Image 2.5가 개선하려는 핵심 문제
두 번째 주제는 영상에서 GPT Image 2.5로 소개된 이미지 생성 모델이다. 출연진이 가장 크게 주목한 개선점은 반복 편집 과정에서의 일관성(Consistency)이다. 기존 이미지 모델은 같은 인물이나 사물을 여러 번 수정하면 얼굴, 의상, 로고, 질감이 조금씩 달라지고 이미지가 거칠어지는 문제가 있었는데, 새 모델은 원본의 정체성을 상대적으로 더 잘 유지하면서 지시한 부분만 바꾸는 모습을 보였다고 평가한다.
35:30 - GPT Image 2.5가 반복 편집 과정에서 대상의 외형과 의상 일관성을 유지하는 정도를 이전 버전과 비교한 화면
이 능력은 한 장의 멋진 이미지를 만드는 것보다 실제 제작 과정에서 더 중요하다. 스톱모션, GIF, 캐릭터 애니메이션, 광고 소재, VFX 작업은 프레임 사이에서 배경과 캐릭터의 형태가 안정적으로 유지돼야 하기 때문이다. 움직여야 할 부분만 변하고 나머지가 고정된다면, 이미지 생성 모델은 단발성 시안 도구에서 연속 콘텐츠 제작 도구로 확장될 수 있다. 영상이 스톱모션 예시를 중요한 데모로 해석한 이유도 여기에 있다.
모델이 생성 과정을 스트리밍 형태로 보여준다는 점도 언급된다. 출연진은 이 모습을 근거로 이미지 생성이 순수한 Diffusion(확산)만으로 한 번에 완성되는 것이 아니라, Transformer와 유사한 Autoregressive(자기회귀) 과정으로 전체 구성을 만들고 확산 과정이 세부 묘사를 보완하는 구조일 가능성을 추론한다. 다만 이는 영상 속 관찰과 기존 연구를 결합한 해석이며, 공개된 화면만으로 정확한 내부 아키텍처를 확정할 수는 없다.
💡 [영상 참조] 강연자는 이전 모델과 새 모델의 연속 편집 결과, 이미지 생성 스트리밍 과정, 스톱모션 사례를 화면에서 비교한다.
📺 원본 영상에서 실제 결과를 확인할 수 있다.
이미지 모델과 에이전트가 결합하면 달라지는 것
새 이미지 모델의 의미는 이미지 품질 자체보다 시각 능력이 향상된 에이전트와 결합할 때 더 커진다. 영상에서는 Astra로 불리는 에이전트에게 이미지 생성 도구를 제공하고, AI Frontier Korea의 로고 후보를 여러 개 만든 뒤 스스로 가장 적절한 안을 고르게 한 실험을 소개한다. 선택된 로고를 바탕으로 색상 팔레트, 서체, 의류, 모자, 스티커, 키링, 키캡까지 포함하는 브랜드 키트를 제작하도록 맡겼다는 것이다.
이 실험에서 에이전트는 생성 도구를 한 번 호출하고 끝내지 않았다. 결과를 눈으로 평가하고, 문제가 있다고 판단하면 수정 지시를 만들어 이미지를 다시 생성하는 루프를 수행했다. 이는 이미지 모델이 창작 엔진을 담당하고, 멀티모달 에이전트가 아트 디렉터와 품질 관리자 역할을 맡는 구조다. 사람은 구체적인 제작 지시를 일일이 작성하기보다 목표와 취향을 전달하고 최종 결과를 승인하는 위치로 이동한다.
51:38 - 생성 이미지를 기준으로 렌더링 결과를 비교하고 반복 최적화해 유사도를 높인 실험
그러나 결과에는 분명한 한계도 있었다. 로고의 간격과 기호 형태가 굿즈마다 달라졌고, 번짐이나 변형이 발생했으며, 키보드 같은 물체의 구조도 현실과 맞지 않는 부분이 있었다. 에이전트가 스스로 반복 수정했음에도 인간 디자이너가 발견할 법한 미세한 오류를 모두 제거하지는 못한 것이다. 영상은 결국 최종 품질을 좌우하는 요소가 마지막 단계의 집요한 검수라는 점을 강조한다.
48:52 - 에이전트가 선택한 로고를 스티커, 키링, 키캡 등 굿즈에 적용하면서 발생한 형태 불일치
그럼에도 경제성은 빠르게 개선되고 있다. 출연진의 간이 계산에 따르면 API로 생성한 이미지 한 장의 비용은 대략 100원 수준이었고, 여러 차례 생성과 평가를 반복한 브랜드 키트 실험도 약 2달러로 추정됐다. 실제 비용은 해상도, 품질 설정, 토큰 산정 방식에 따라 달라질 수 있지만, 제작 후보를 대량 생성하고 에이전트가 선별하는 방식이 실용적인 비용 범위에 접근하고 있다는 점은 분명하다.
Computer Use는 앱의 경계를 지운다
영상에서는 Astra의 Computer Use(컴퓨터 사용) 능력도 구체적인 여행 준비 사례를 통해 소개한다. 출연자는 에이전트에게 웹브라우저를 맡겨 이탈리아어 페이지를 읽고, 호텔 가격을 비교하며, 기차와 레스토랑을 예약하고, 현지 가이드에게 메시지를 보내도록 했다고 설명한다. 에이전트는 약 하루 동안 백그라운드에서 작업했고, 판단이 필요한 지점에서만 사람에게 질문하며 여러 사이트에 걸친 업무를 이어갔다.
이 사례에서 중요한 것은 특정 여행 서비스의 API가 아니다. 에이전트는 사람이 보는 웹 화면을 비전으로 해석하고 버튼과 입력창을 조작했기 때문에, 전용 연동이 없는 서비스도 사용할 수 있었다. 사용자 관점에서는 호텔, 철도, 식당, 여행 중개 사이트를 각각 방문할 필요가 없어지고, 에이전트가 여러 서비스를 대신 연결하는 상위 인터페이스가 된다. 영상에서 Codex를 “슈퍼 앱”으로 표현한 맥락도 개별 앱의 기능을 흡수한다기보다, 사용자를 대신해 기존 앱을 조작하는 관문이 된다는 뜻에 가깝다.
다만 결제와 개인정보 단계에서는 위험이 급격히 커진다. 영상 속 사례에서도 카드 정보 입력과 추가 인증은 사용자가 직접 처리했으며, 일부 행동은 에이전트가 거부했다고 설명한다. Computer Use가 편리할수록 사용자는 더 많은 계정, 메시지, 결제 권한을 한 에이전트에 집중시키게 되므로, 권한별 한도와 승인 단계, 행동 기록, 취소 가능성을 함께 설계해야 한다. 결과가 편리하게 나왔다는 사실만으로 선택의 품질이나 거래의 안전성까지 검증된 것은 아니기 때문이다.
AlphaFold에서 AlphaGenome으로
세 번째 주제인 AlphaGenome Atlas를 이해하기 위해 영상은 먼저 AlphaFold의 역할을 되짚는다. 단백질은 아미노산 서열이 접히면서 특정한 3차원 구조를 형성하고, 그 구조가 다른 분자와 어떻게 결합하는지를 결정한다. 과거에는 X선 결정학 등 실험을 통해 구조를 확인해야 했지만, AlphaFold는 서열로부터 단백질 구조를 높은 정확도로 예측함으로써 후보 탐색 시간을 크게 줄였다.
영상에서는 실험적으로 확인된 단백질 구조를 모은 Protein Data Bank(PDB)가 약 20만 건 규모인 반면, AlphaFold Protein Structure Database는 약 2억 개 단백질의 예측 구조를 제공한다고 설명한다. 이 데이터베이스가 있다고 해서 실험이 불필요해지는 것은 아니다. 연구자는 먼저 예측 구조를 이용해 가능성이 낮은 후보를 제거하고, 유망한 표적에 제한된 실험 자원을 집중할 수 있다. 위성사진으로 지형을 먼저 확인한 뒤 현장 작전을 설계하는 것과 비슷한 역할이다.
AlphaGenome은 단백질 구조가 아니라 DNA 서열의 기능적 효과를 예측한다. 영상의 설명에 따르면 인간 유전체 약 31억 염기쌍 가운데 단백질을 직접 코딩하는 영역은 약 2%에 불과하며, 나머지 대부분은 유전자 발현을 조절하는 영역과 다양한 비암호화 영역으로 구성된다. 질병과 관련된 변이가 단백질 코딩 영역에 있다면 변화의 결과를 상대적으로 직접 추적할 수 있지만, 조절 영역의 한 글자 변화가 어느 세포에서 어떤 발현 변화를 일으키는지는 훨씬 파악하기 어렵다.
AlphaGenome은 최대 약 100만 염기쌍 규모의 서열을 입력받아 여러 종류의 유전체 기능 측정값을 예측하는 모델로 소개된다. 정상 참조 서열과 변이가 포함된 서열을 각각 입력한 뒤 출력 차이를 비교하면, 특정 Single Nucleotide Polymorphism(SNP·단일염기다형성)이 간세포, 뇌세포, 근육세포 등에서 어떤 영향을 일으킬 가능성이 있는지 추정할 수 있다. AlphaFold의 입력과 출력이 아미노산 서열과 단백질 구조라면, AlphaGenome의 입력과 출력은 DNA 서열과 세포별 기능 효과라는 점에서 근본적으로 다르다.
유전체의 98%를 계산 대상으로 바꾸다
인간의 모든 세포는 기본적으로 같은 유전체를 갖지만, 간세포와 뇌세포가 서로 다른 단백질을 만드는 이유는 유전자의 사용 방식이 다르기 때문이다. DNA 일부는 Histone(히스톤) 단백질에 촘촘히 감겨 접근하기 어려운 상태로 존재하고, 다른 부분은 풀려 있어 전사 기구가 접근할 수 있다. 이러한 Chromatin(염색질) 상태와 유전자 발현의 조절은 세포 정체성을 구성하는 핵심이며, Epigenetics(후성유전학)가 다루는 중요한 영역이다.
지난 수십 년간 ENCODE를 비롯한 프로젝트는 세포별로 열린 염색질 영역, RNA 전사량, 단백질 결합 위치 등을 실험해 데이터로 축적해 왔다. 영상에서는 AlphaGenome이 이처럼 인간이 수행한 기능유전체학 실험을 학습해, 새로운 서열이 들어왔을 때 해당 실험 결과를 예측하는 Supervised Learning(지도학습) 시스템이라고 설명한다. 따라서 모델은 생물학적 원리를 완전한 수식으로 직접 발견했다기보다, 서열과 관측 결과 사이의 복잡한 대응 관계를 학습한 셈이다.
이 모델이 중요한 이유는 비암호화 영역의 변이를 다루는 비용을 낮추기 때문이다. 기존에는 특정 변이가 어떤 세포에서 문제를 일으키는지 확인하려면 수많은 실험 후보를 하나씩 설계해야 했다. 이제는 모델 예측으로 후보의 우선순위를 정하고, 실제 실험은 가장 위험하거나 흥미로운 변이에 집중할 수 있다. 모델이 실험을 대체하는 것이 아니라 실험의 탐색 공간을 압축하는 것이다.
영상에는 세포 분화와 Partial Reprogramming(부분적 리프로그래밍)에 관한 긴 설명도 등장한다. 체세포의 정체성과 노화 상태가 후성유전적 표지와 연결돼 있으며, Yamanaka factors(야마나카 인자)로 알려진 OSKM 전사인자를 활용하면 세포를 다능성 줄기세포 상태에 가깝게 되돌릴 수 있다는 내용이다. 그러나 완전한 리프로그래밍은 세포 정체성을 잃게 하거나 종양 위험을 높일 수 있으므로, 원래 기능은 유지하면서 노화 관련 표지만 부분적으로 되돌리는 연구가 진행된다고 소개한다. 출연자도 이 부분은 복잡한 전문 영역이며 세부 기전에 대한 설명이 부정확할 수 있다고 밝혔으므로, 영상의 개념적 맥락 이상으로 확대 해석해서는 안 된다.
AlphaGenome Atlas는 무엇을 미리 계산했는가
AlphaGenome Atlas의 핵심은 매번 모델을 실행하지 않아도 되도록 가능한 단일 염기 변이의 결과를 대규모로 사전 계산했다는 데 있다. 영상에서는 참조 유전체의 각 위치에 있는 염기를 나머지 세 종류의 염기로 바꾸었을 때 나타날 예측 결과를 계산해 약 90억 개의 변이를 조회할 수 있도록 만들었다고 설명한다. 약 30억 개 위치마다 세 가지 대체 가능성이 존재한다는 점을 고려하면 90억이라는 규모가 나온다.
연구자가 직접 AlphaGenome을 실행한다면 관심 변이를 포함하는 긴 유전체 구간을 입력하고, 정상 서열과 변이 서열의 출력을 비교해야 한다. Atlas는 이 과정을 광범위하게 미리 수행해 데이터베이스로 제공하므로, 연구자는 특정 위치를 검색해 어떤 기능적 지표가 얼마나 달라지는지 바로 확인할 수 있다. 이는 AlphaFold 데이터베이스가 이미 계산된 단백질 구조를 제공하는 것과 유사한 발상이다.
💡 [영상 참조] 강연자는 참조 유전체의 각 위치를 다른 염기로 치환하고, 약 90억 개 변이에 대한 예측 결과를 미리 계산한 AlphaGenome Atlas의 구조를 화면 자료로 설명한다.
📺 원본 영상에서 확인할 수 있다.
다만 사전 계산된 값은 어디까지나 예측이다. 특정 변이가 실제 사람의 특정 조직에서 같은 결과를 일으키는지는 후속 실험과 임상 데이터로 검증해야 한다. 또한 하나의 변이가 다른 변이, 환경, 발달 단계와 상호작용하는 복잡한 상황까지 단일 변이 데이터베이스가 모두 포착한다고 볼 수 없다. Atlas의 가치는 진실을 확정하는 데 있기보다, 방대한 후보 가운데 무엇부터 실험할지 결정하는 탐색 지도에 있다.
희귀질환과 암 연구가 빨라지는 방식
희귀 유전질환에서는 환자에게만 나타난 변이를 발견하더라도 그것이 실제 증상의 원인인지 알기 어려운 경우가 많다. 특히 변이가 단백질 코딩 영역이 아니라 Promoter(프로모터), Enhancer(인핸서)와 같은 조절 영역에 존재하면 어느 유전자의 발현을 어떻게 변화시키는지 추적하기가 복잡하다. AlphaGenome 계열의 모델은 변이 전후의 예측치를 비교해, 어떤 세포 유형과 조절 과정에서 문제가 발생할 가능성이 높은지 후보를 좁혀줄 수 있다.
암 연구에서도 같은 구조가 적용된다. 암세포의 유전체와 정상세포의 유전체를 비교해 암에서만 나타나는 변이를 찾은 뒤, 그 변이가 특정 단백질의 구조를 바꾸는지 또는 발현 조절을 교란하는지 구분할 수 있다. 단백질 자체가 변했다면 AlphaFold와 결합해 결합 가능한 약물이나 Ligand(리간드)를 탐색할 수 있고, 조절 영역이 변했다면 AlphaGenome을 통해 영향을 받을 가능성이 높은 발현 경로를 추적할 수 있다.
이 과정은 Personalized Medicine(개인맞춤의학)과 보편적 신약개발 모두에 활용될 수 있다. 특정 환자의 암에서만 발현되는 표적을 찾아 개인화된 치료제를 설계할 수도 있고, 여러 환자에게 반복적으로 나타나는 조절 이상을 발견해 더 넓은 집단을 위한 치료 표적으로 발전시킬 수도 있다. 영상은 유전체 해독과 계산 비용이 지속적으로 낮아지고 있기 때문에, 과거에는 극소수 사례에만 가능했던 개인화 접근이 점차 더 일반적인 치료 과정으로 이동할 가능성을 제기한다.
그러나 원인을 더 정확히 안다고 해서 치료가 자동으로 만들어지는 것은 아니다. 안전하게 개입할 수 있는 약물 전달법, 부작용, 제조 비용, 임상시험, 규제라는 별도의 난제가 남는다. AlphaGenome Atlas는 질병의 원인 후보를 찾는 앞단을 크게 가속하지만, 환자에게 적용되는 치료법까지의 전체 경로를 단축하는 정도는 질환과 표적에 따라 크게 달라질 것이다.
Evo 2와 합성생물학이 보여주는 또 다른 경로
영상은 AlphaGenome과 비교되는 모델로 Evo 2를 소개한다. AlphaGenome이 DNA 서열과 기능유전체학 실험 결과를 대응시켜 학습하는 지도학습 모델이라면, Evo 계열 모델은 여러 생물 종의 방대한 유전체 서열을 언어처럼 학습하고 다음 염기를 예측하는 방식에 가깝다고 설명한다. 인간 언어 모델이 앞선 토큰을 보고 다음 토큰의 확률분포를 만드는 것처럼, 유전체 모델은 A, C, G, T의 연속 패턴에서 생물학적 규칙을 학습한다.
이러한 모델은 참조 서열과 변이 서열의 확률을 비교해 해당 변이가 자연스러운지 또는 위험할 가능성이 있는지를 추정하는 데 사용할 수 있다. 변이 서열의 로그 확률이 정상 서열보다 크게 낮다면 진화적으로 덜 자연스러운 변화일 수 있다는 식이다. 다만 이 점수만으로 어떤 질병이 발생하는지 설명할 수는 없으며, 위험 후보를 선별하는 신호로 사용하는 편이 적절하다.
더 나아가 생성 모델은 기존 생물에서 관찰되지 않은 유전체나 단백질 서열을 설계하는 Synthetic Biology(합성생물학)로 이어질 수 있다. 모델이 만든 서열을 실제 세포에서 구현하고 기능을 검증하면, 그 결과가 다시 데이터가 되어 다음 세대 모델의 성능을 높인다. 계산 모델이 후보를 만들고 Wet Lab(실험실)이 검증하며, 검증 데이터가 다시 모델로 돌아가는 폐쇄 루프가 구축되는 것이다.
이 구조가 충분히 확장되면 생물학도 언어 모델이 겪은 스케일링 국면과 비슷한 변화를 맞을 가능성이 있다. 현재의 한계는 고품질 실험 데이터가 텍스트 데이터보다 훨씬 적고 비싸다는 점이지만, 자동화된 실험실과 모델 기반 후보 선정이 결합되면 데이터 생산 속도 자체가 빨라질 수 있다. 동시에 생물·화학 모델은 유해 물질이나 병원체 설계에도 악용될 수 있으므로, Secure Bio와 같은 생물보안 체계가 모델 공개와 함께 논의돼야 한다.
세 사건을 잇는 공통 구조
Navier–Stokes 연구, 이미지 생성, AlphaGenome Atlas는 표면적으로 전혀 다른 분야지만 계산 관점에서는 같은 구조를 갖는다. 먼저 모델이 넓은 후보 공간을 생성하고, 평가기나 검증 도구가 결과를 걸러내며, 에이전트가 실패의 원인을 다음 시도에 반영한다. 수학에서는 형식 검증과 보조정리가 평가 장치이고, 이미지 생성에서는 멀티모달 모델의 시각적 판단이 평가 장치이며, 생물학에서는 Wet Lab과 축적된 실험 데이터가 평가 장치가 된다.
이 때문에 앞으로의 경쟁력은 단일 모델의 벤치마크 점수만으로 설명되지 않는다. 문제를 여러 작업으로 분해하고, 적절한 도구를 호출하며, 병렬 결과를 통합하고, 검증 실패를 다음 탐색으로 되돌리는 Harness(하니스)와 오케스트레이션이 중요해진다. 영상에서 브랜드 키트의 사소한 오류도 반복 루프를 더 정교하게 설계하면 개선될 수 있다고 본 이유와, 수학 문제에 1만 개 에이전트를 투입한 이유가 같은 맥락에 놓인다.
또 다른 공통점은 인간이 탐색 과정의 직접 수행자에서 목표와 검증 기준을 설계하는 역할로 이동한다는 것이다. 수학자는 모든 보조정리를 직접 만들기보다 문제와 형식화 조건을 정하고, 디자이너는 모든 이미지를 직접 그리기보다 브랜드 규칙과 품질 기준을 정의하며, 생물학자는 모든 후보를 무작위로 실험하기보다 모델이 압축한 후보군을 검증한다. 인간의 일이 사라진다기보다, 무엇을 풀 가치가 있는 문제로 선택하고 어떤 결과를 믿을 것인지 결정하는 쪽으로 재배치된다.
도망칠 분야가 아니라 경계면을 찾아야 한다
영상의 제목인 “도망칠 틈이 없다”는 AI가 모든 분야를 즉시 대체한다는 단순한 선언이라기보다, 안전한 도메인을 골라 변화에서 벗어나려는 전략이 오래 지속되기 어렵다는 의미에 가깝다. 수학처럼 고도의 추상성을 요구하는 분야, 디자인처럼 취향과 감각이 중요한 분야, 생물학처럼 실험과 물질 세계에 묶여 있는 분야 모두에서 AI가 서로 다른 방식으로 연구와 생산의 병목을 압축하고 있기 때문이다.
출연자는 오히려 서로 다른 전문 영역의 경계면에 기회가 있다고 본다. AI를 모르는 생물학자와 생물학을 모르는 AI 연구자 사이에서 두 언어를 연결하거나, 모델의 능력을 실제 업무에 배치할 수 있는 Control Plane(제어 계층)을 만드는 역할이 대표적이다. 모델 자체가 빠르게 범용화되더라도, 도메인의 문제를 계산 가능한 형태로 바꾸고 결과를 현장의 기준으로 검증하는 일은 여전히 깊은 전문성을 요구한다.
따라서 실무자가 취할 현실적인 태도는 한 번 만든 AI 활용법을 고정된 것으로 생각하지 않는 것이다. 영상에서는 불과 몇 달 사이 모델의 Computer Use와 이미지 생성 능력이 크게 달라져, 이전의 비용·품질 판단이 빠르게 낡는 사례를 지적한다. 핵심은 모든 신제품을 무비판적으로 따라가는 것이 아니라, 자신의 업무에서 가장 비싼 병목을 정기적으로 다시 측정하고 새 모델이 그 병목을 실제로 줄이는지 반복 검증하는 데 있다.
마무리 / 핵심 정리
이번 에피소드가 보여주는 가장 큰 변화는 AI가 콘텐츠 생성기를 넘어 탐색과 검증의 주체가 되고 있다는 점이다. Navier–Stokes 관련 연구에서는 수많은 에이전트가 가설과 보조정리를 교환했고, GPT Image 2.5 실험에서는 에이전트가 결과물을 보고 도구를 반복 호출했으며, AlphaGenome Atlas에서는 과거의 실험 데이터가 미래 실험의 우선순위를 결정하는 계산 지도로 변환됐다. 세 사례 모두 생성 능력보다 생성과 검증을 연결한 반복 시스템에서 더 큰 힘이 나온다.
그렇다고 인간의 이해와 검증이 불필요해진 것은 아니다. 수학적 증명 후보는 독립적인 검토를 받아야 하고, 이미지 결과는 세부 일관성과 물리적 구조를 확인해야 하며, 유전체 예측은 실제 세포와 환자에서 검증돼야 한다. 모델이 탐색 공간을 빠르게 넓힐수록 인간에게 요구되는 판단은 오히려 더 높은 수준으로 이동한다.
동시에 데이터 권리, 연구 크레딧, 모델과 나눈 대화의 기밀성, 장기 자율 작업의 안전성 같은 제도적 문제도 기술 발전과 같은 속도로 다뤄져야 한다. 연구자가 AI에 아이디어를 입력하는 순간부터 결과가 발표되는 순간까지 누가 무엇을 볼 수 있고, 어떤 데이터가 학습에 사용되며, 발견의 기여를 어떻게 기록하는지가 명확해야 한다. 이번 영상은 2026년을 단순히 더 좋은 모델이 출시된 해가 아니라, AI가 연구의 속도와 구조, 소유권의 규칙까지 바꾸기 시작한 전환점으로 해석한다.
📚 출처 및 참고
| 구분 | 내용 |
|---|---|
| 원본 영상 | EP114. 도망칠 틈이 없다! Navier-Stokes 방정식, GPT-2.5-image, AlphaGenome Atlas |
| 채널 | AI Frontier Korea (노정석) |
| 영상 길이 | 약 94분 33초 |
| 리포트 작성 | 2026-09-12 |
| 작성 방식 | YouTube 영상 STT 변환 후 문맥 교정 및 에디팅 |
| 검증 주의 | 공개 직후의 연구 주장, 기업 내부 모델, 연구 크레딧 논란은 영상 녹화 시점 기준으로 확정되지 않은 내용이 포함됨 |
💬 본 리포트는 영상 내용을 바탕으로 재구성되었습니다. 화면 자료와 논문의 세부 조건, 공식 인정 여부 및 논란의 후속 전개는 원본 영상과 관련 원문을 함께 참조해 주세요.