EP114. 도망칠 틈이 없다! Navier-Stokes 방정식, GPT-2.5-image, AlphaGenome Atlas

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

나비에–스토크스 연구, GPT-2.5-image의 이미지 편집, AlphaGenome Atlas의 변이 예측은 AI 변화가 연구와 실무 전반으로 번지고 있음을 보여주지만, 성과의 검증과 도입 판단은 여전히 인간의 몫이다.

📌 핵심 요점

1. 나비에–스토크스 관련 성과는 공식 해결 선언과 구분해야 한다. 영상은 대규모 AI 연구의 진전을 소개하지만, 녹화 시점에 Clay의 공식 해결 선언은 없었다. 수학적 문제가 해결되더라도 기존 유체 시뮬레이션이나 난류 예측이 즉시 혁신되는 것은 아니라는 해석이다.
2. 연구 자동화의 핵심은 모델 능력과 에이전트 협업의 결합이다. 약 1만 개 에이전트가 88시간 동안 1,300억 토큰을 사용했다는 설명이 나온다. 소그룹이 발견을 공유하고 가설을 수정하는 구조이며, 인간이 문제와 예산을 정하고 Codex가 결과 통합과 후속 지시를 맡았다고 한다. 650만 달러라는 비용은 실제 지출이 아닌 단순 추산이다.
3. 연구 성과의 가치에는 기여 인정과 인간의 이해도 포함된다. 선행 연구의 아이디어가 어떻게 활용됐는지, 연구 대화가 학습에 유입됐는지는 확정되지 않았다. 방대한 형식화 결과가 인간에게 새로운 수학적 통찰을 제공하는지도 후속 검토가 필요하다.
4. 이미지 편집과 에이전트 실무 활용은 개선됐지만 마무리 검증이 남는다. Images 2.5는 반복 편집의 일관성이 좋아졌다는 평가를 받는다. Astra의 예약·브랜드 제작 사례도 소개되지만, 결제에는 인간 개입이 있었고 디자인에는 로고 변형과 간격 오류가 남았다.
5. AlphaGenome Atlas는 반복 예측을 데이터 조회로 바꾼다. 약 30억 위치에서 가능한 세 가지 단일 염기 치환, 약 90억 가지 변이의 영향을 미리 계산해 활용하는 방식이다. 세포별 기능 변화의 후보를 좁힐 수 있지만, 저장된 값은 예측이며 정확도와 생물학적 의미는 실험으로 확인해야 한다.

🧩 배경과 문제 정의

• 나비에–스토크스 방정식 관련 AI 성과가 밀레니엄 난제 해결로 거론되지만, 수학적 성과의 의미와 공학적 활용 효과, 공식 검증 상태는 구분해야 한다.
• 핵심 쟁점은 차세대 모델의 추론 능력과 대규모 에이전트 협업, 막대한 연산 투입이 연구 문제를 해결하는 방식을 얼마나 바꾸는가이다.
• 기존 연구자의 아이디어에 대한 기여 인정과 연구 대화의 학습 데이터 유입 의혹은 연구 공동체의 신뢰 문제로 이어진다. 해당 의혹은 결론이 나지 않은 상태다.
• 기업 간 경쟁이 연구 자동화를 가속하는 가운데, 재귀적 자기개선과 연산 자원 집중에 대한 우려, AI가 만든 증명에서 인간이 얻을 수 있는 통찰이 함께 쟁점이 된다.

🕒 시간순 섹션별 상세정리

1. 나비에–스토크스의 수학적 난제와 유체 시뮬레이션

• 오일러 방정식은 점성이 없는 유체를, 나비에–스토크스 방정식은 점성이 있는 유체를 다룬다. 유체의 움직임은 수치적으로 계산할 수 있어 미디어아트의 시뮬레이션에도 활용된다 [01:06]
• 나비에–스토크스 관련 문제는 2000년 선정된 일곱 밀레니엄 난제 중 하나다. 이번 성과를 이해하려면 이미 활용 중인 수치 계산과 난제가 요구하는 수학적 해결을 구분해야 한다 [02:11]

2. 난제 해결이 곧바로 공학의 혁신을 뜻하지는 않는다

• 8월 말 공개됐다는 하버드 응용수학 교수의 프리프린트는 난제 선정 이후 약 26년간 축적된 연구를 바탕으로, 최종 해결이 가져올 추가 영향을 재검토한다. 리만 가설은 이미 12조 개의 영점이 가설에 부합하는 것으로 확인됐다는 사례가 드러난다 [02:31]
• 나비에–스토크스의 폭주와 특이점에 관한 형식적 문제가 해결되더라도 실제 강이나 바람에서 같은 현상이 관측되거나 기존 알고리즘이 무효가 되는 것은 아니라는 해석이다. 태풍 예측과 항공기·자동차의 난류 계산이 즉시 크게 달라질 것이라는 기대에도 선을 긋는다 [03:09]

3. 차세대 모델과 추론 시점 연산량 확대

• 이번 연구에는 Astra 이후 모델의 중간 체크포인트가 사용됐다고 한다. 해당 모델은 8월 28일부터 후속 학습을 다시 시작했고, 9월 1일부터 녹화 전날까지 나비에–스토크스 관련 성과를 냈다는 일정이다 [04:10]
• 미해결 수학 문제의 성능 그래프는 추론 시점 연산량을 늘릴수록 성능이 개선되는 모습을 보여준다. 다만 가로축은 한 칸마다 연산량이 10배 증가하는 로그 척도이므로, 그래프의 모양을 투입량에 비례하는 성능 향상으로 읽어서는 안 된다 [04:43]

4. 해의 형태를 가정하고 장애물을 줄이는 연구 방식

• 안자츠는 해가 어떤 형태일지 먼저 가정하고 나머지 변수를 조정하는 접근이다. 사전 학습과 후속 학습으로 모델 능력이 높아지면, 유망한 가설의 형태를 선택하는 능력도 좋아질 수 있다는 해석이다 [06:11]
• 테렌스 타오가 제안한 접근은 가정한 형태가 성립하지 못하는 장애물을 찾고, 이를 적어도 일부 제거하도록 가설을 수정하는 과정을 반복하는 것이다. 이번 연구 역시 이러한 방식으로 진행됐다는 설명이다 [07:00]

5. 1만 에이전트의 협업과 그룹 간 발견 공유

• 약 1만 개 에이전트가 동시에 활동했다는 설명에서 중요한 요소는 개별 모델의 능력과 대규모 협업 능력의 결합이다. 협업 자체를 강화학습 환경에서 습득했을 가능성도 제기되지만, 이는 추측으로 남는다 [07:37]
• 이번에는 인간이 에이전트 운영 방식에 구체적인 지침을 제공한 것으로 보인다. 모든 에이전트가 실시간으로 소통하는 구조가 아니라, 여러 소그룹이 내부적으로 긴밀하게 소통하고 기록을 남기는 구조다 [08:55]

6. 인간과 AI의 선행 연구에서 대규모 자동 탐색으로

• Alpöge와 Buckmaster는 약 1년간 협력했고, Claude와의 별도 수학 연구 성과에 관한 Alpöge의 8월 게시물이 Anthropic의 밀레니엄 난제 도전설로 이어졌다. 오일러 문제에서 형식화 이전 단계의 상당한 진전이 있었다는 설명도 나오지만, 소문과 해석을 포함한 내용이다 [10:51]
• OpenAI가 선행 연구의 아이디어를 보고 대규모 자원을 투입했다는 추정이 제기된다. 먼저 난제 해결 성과를 내는 것이 기업 간 경쟁에서 큰 홍보 효과를 갖는다는 점이 그 배경으로 거론된다 [12:00]

7. 88시간·1,300억 토큰의 규모와 비용 추정의 한계

• 1만 개 에이전트가 88시간 동안 작업했고, 나비에–스토크스 문제에만 1,300억 토큰이 사용됐다고 한다. 다른 밀레니엄 난제도 동시에 시도했을 가능성이 있어 전체 투입량은 이보다 컸을 것으로 추정한다 [13:03]
• Astra의 100만 토큰당 50달러를 적용하면 650만 달러라는 계산이 나온다. 장문맥 가격으로 75달러도 거론되지만, 이 계산은 1,300억 토큰을 전부 출력 토큰으로 간주한 단순 추산이므로 실제 지출액으로 확정할 수 없다 [13:37]

8. 연산 확장의 위력과 공식 검증·통찰의 과제

• 인간 연구 공동체와 유사한 협업을 에이전트 집단에서는 훨씬 큰 규모로 확장할 수 있다는 해석이다. 다만 연산 투입의 효과를 모든 문제로 일반화하기보다 RLVR을 적용할 수 있는 영역이라는 조건을 붙인다 [15:18]
• 테렌스 타오의 문제의식은 문제를 풀었다는 결과뿐 아니라 인간 수학에 어떤 통찰을 남겼는가에 있다. 이번 성과의 수학적 파급력이 크지 않을 가능성도 열어 둔다 [15:50]

9. 연구 교류와 성과 발표 과정의 기여 인정 갈등

• Alpöge와 Buckmaster의 연구는 Anthropic 공식 프로젝트가 아니라 개인 연구였으며, Claude와 최근의 Astra를 활용했다는 설명이다. 약 1년간 더디게 진행되던 오일러 문제 연구에서 최근 돌파구가 생겼다고 한다 [18:20]
• Buckmaster가 OpenAI에 연락한 뒤 이메일 교류에서 연구의 단서가 전달된 것으로 보이며, OpenAI는 9월 1일 내부 모델과 다중 에이전트를 활용한 도전을 시작했다는 경위다 [19:12]

10. 연구 대화의 학습 유입 의혹과 연구 공동체의 신뢰

• 연구자가 Codex 등에 입력한 핵심 아이디어가 차세대 모델의 학습 데이터에 포함돼 성과의 단서가 됐을 수 있다는 의혹이 제기된다. 자막에서는 OpenAI 공식 글도 익명화된 데이터의 학습 유입 가능성을 완전히 배제하지 않았다고 보여준다 [20:34]
• 의혹은 아직 결론이 나지 않았으며, Anthropic의 Sholto Douglas가 그런 일은 불가능하다는 취지로 반박했다는 내용도 함께 나온다. 실제 유입이 확인된다면 연구자들이 핵심 연구를 최전선 AI에 입력할 수 있는지에 관한 신뢰 문제가 된다 [21:15]

11. 자기개선 경쟁에 대한 내부 경고와 속도 조절 제안

• Jacob Coxon은 OpenAI와 Anthropic 모두 책임 있게 행동하지 않고 자기개선 초지능을 향해 질주한다는 비판과 함께 퇴사한 인물로 묶인다. 이는 해당 인물의 위험 평가이며, 실제 재앙이 확정됐다는 뜻은 아니다 [23:42]
• Anthropic의 정렬 연구 책임자 Evan Hubinger도 우려에 동의했으며, 10년 안에 AI가 인류를 절멸시킬 확률을 10% 넘게 본다는 개인적 평가가 거론된다. 동시에 그가 기존 AI 안전 연구 진영의 배경을 지녔다는 맥락도 드러난다 [24:14]

12. 재귀적 자기개선과 연산 자원의 집중

• Astra 이후 체감 성능 향상과 활용 사례가 이어지는 가운데, 핵심 우려는 재귀적 자기개선인 RSI로 모인다. 올해 이미 RSI가 문제가 됐다는 단정은 피하면서도, 난제 도전 성과를 그 방향으로 이동하는 과정의 사건으로 해석한다 [25:47]
• 막대한 연산 자원을 보유한 두 회사로 역량이 집중될 가능성이 우려된다. 개발 속도를 조절하기 어려운 배경으로는 중국과의 경쟁이 반복해서 거론된다 [26:14]

13. 중국의 추격 기대와 학습 확장 효과에 대한 해석

• 모델을 통해 조사했다는 중국어권 반응에서는 최전선의 진전을 추격 가능한 목표로 받아들이는 분위기가 나타났다고 한다. 중국 정부와 베이징의 정렬 연구 노력도 거론되지만, 이 내용은 해당 조사에 기반한 설명이다 [27:14]
• DeepSeek V5 출시설은 공개된 소식이 없고 근거 없는 소문일 수도 있다는 단서와 함께 드러난다 [27:40]

14. 반례 탐색과 새로운 추측의 증명을 구분하는 평가

• 이번과 같은 수학 성과가 문제를 탐색 가능한 형태로 바꾸고 대규모 계산으로 반례를 찾은 결과에 가까운 것 아니냐는 의문이 제기된다. 반례 하나로 명제를 부정하는 방식이라면, 계산 규모의 확대가 해결에 결정적일 수 있다는 관점이다 [28:27]
• 완전히 새로운 추측에 논리적 증명을 제시하는 성과가 나올 때 더 큰 질적 차이를 느끼겠다는 평가도 나온다. 다만 이번 성과를 어느 범주로 판단할지는 더 지켜봐야 한다는 유보가 뒤따른다 [28:59]

15. 난제 해결 과정의 부산물과 인간이 읽어낼 통찰

• 테렌스 타오의 관점에서 밀레니엄 난제는 연구를 이끄는 대리 목표이며, 해결을 시도하는 과정에서 생기는 다양한 수학적 부산물이 중요하다 [29:17]
• 이번 연구에서도 그러한 성과가 나왔지만 아직 인간이 알아볼 형태로 드러나지 않았을 수 있다. 따라서 새로운 통찰이 전혀 없다고 단정하기에는 이르며, 문제 해결 기록 자체에서 많은 것을 배울 수 있다는 Bubeck의 견해도 연결된다 [29:37]

16. AI 수학 연구의 성과와 공개에 따르는 위험

• 모델이 초기에 제안한 추측은 유효했지만 서술이 지나치게 산만해 인간이 정리에 많은 노력을 들였고, 연구 진척도 느려졌다. OpenAI의 대량 시도는 논문으로 이어졌지만 수학자에게 얼마나 많은 통찰을 줄지는 아직 불확실하다 [30:29]
• 연구 방향을 공개하면 더 많은 자본과 연산 자원을 가진 경쟁자가 성과를 가져갈 수 있다는 우려가 ‘암흑의 숲’에 비유된다. 연구자가 입력한 내용이 학습에 얼마나 쓰이는지 서비스 약관을 확인할 필요성과도 연결된다 [31:11]

17. 모델의 독립적 발견과 인간 개입을 둘러싼 논쟁

• 인간의 연구 경로를 학습하거나 참고해 문제를 푼 경우와, 연구 대상이라는 소식만 듣고 독립적으로 푼 경우는 기여의 성격이 다르다. 후자라면 모델 능력의 의미가 더욱 크다는 평가다 [31:38]
• Alpöge 측과 OpenAI는 외력의 유무가 다른 문제를 다뤘다는 구분이 제기된다. 모델이 자율적으로 수행했다는 주장에도 인간의 힌트나 지도가 있었던 듯해 개입 수준을 둘러싼 논쟁이 남아 있다 [32:09]

18. Astra의 시각 능력 향상과 컴퓨터·로봇 제어

• Astra는 화면을 보고 컴퓨터를 조작하는 능력이 좋다는 평가를 받는다. 유튜브 웹페이지 분석을 맡기자 여러 분석 탭에 직접 들어가 내용을 확인한 사용 사례가 나온다 [34:24]
• 별도의 액션 모델을 만들지 않고 Astra에 카메라 관찰과 로봇 제어 권한을 연결해 조작한 사례들도 나온다. 이러한 사례를 시각적 이해 능력의 향상으로 해석하고 이미지 생성과 결합하는 실험으로 확장한다 [34:50]

19. Images 2.5의 편집 일관성과 연속 이미지 활용

• 기존 이미지 모델은 옷을 바꾸는 등의 편집을 반복할수록 원래 대상의 일관성과 품질이 떨어졌다. Images 2.5는 이를 더 잘 유지해 편집이 편리해졌다는 평가다 [35:37]
• 생성 중간 과정을 보여주는 스트리밍을 근거로, 자기회귀 방식으로 이미지를 구성하고 마지막에 확산 모델로 세부를 처리할 가능성이 제기된다. 이는 구조가 확인됐다는 설명이 아니라 기존 연구와 생성 방식에 기댄 추정이다 [36:16]

20. 빠른 기술 변화가 만드는 지속적인 도입 부담

• 창업자가 기술을 간헐적으로 살피다가 기존 결과물에 정착하면, 불과 서너 달 뒤에는 사용하는 기술과 최신 기술 사이에 큰 차이가 생길 수 있다. 당분간은 변화를 계속 따라가는 것이 최선이라는 판단이다 [38:14]
• Astra를 오래 사용한 듯 느끼지만 실제로는 이틀밖에 지나지 않았다는 반응과, 밤새 맡긴 작업이 아침에 해결됐다는 경험이 나온다. 모델이 실제 작업을 수행하더라도 사용자는 그 성과를 누릴 수 있다는 관점이다 [38:49]

21. 이미지 생성의 비용 하락과 썸네일 품질 비교

• Sunburst와 Flare는 빠른 모델과 표준 모델에 해당하는 두 버전으로 드러난다. 가격은 같고 품질과 속도에서 차이를 둔 것으로 보이며, 토큰 단가만으로는 해상도와 품질에 따른 실제 비용을 체감하기 어렵다 [39:31]
• 직접 생성해 비교한 결과 새 모델의 비용이 더 낮게 느껴졌고, API 사용 시 장당 약 0.5위안으로 추산됐다. Codex 구독으로도 이용할 수 있으며 Pro의 생성 여유가 크다는 평가는 개인적인 사용 감각에 근거한다 [40:29]

22. Grok 평가와 소비자용 에이전트 패키지 전망

• Grok은 Astra 출시 전 개인적으로 많이 사용했으며, Sol·Fable과 비교해도 크게 뒤처지지 않고 속도가 빠르다는 평가다. Grokbot은 이미 에이전트를 구성한 사용자보다 Hermes나 OpenClaw를 직접 설정하지 않은 사람에게 더 편리할 수 있다 [42:41]
• Google과 Meta를 비롯한 기업들이 OpenClaw와 비슷한 소비자용 에이전트 패키지를 제공할 것이라는 전망이 나온다. 기업 대상 수익화에 이어 소비자 서비스도 확대될 것이라는 예상이다 [43:00]

23. 출장 예약을 수행한 에이전트와 실제 자율성의 범위

• Astra에 출장 준비를 맡겨 약 8시간에 걸쳐 예약을 처리했다. 다만 연속으로 혼자 작업한 시간은 아니며, 사용자의 결정이 필요한 작업을 보류하고 응답을 기다린 시간이 포함됐다 [43:35]
• 이탈리아어 페이지를 읽으며 교통 요금제를 비교하고 식당과 호텔을 예약했다. 호텔 여러 곳의 가격을 살펴본 뒤 직접 예약이 가장 저렴하다고 판단해 진행한 사례도 포함된다 [44:19]

24. 예약 결과의 검증과 결제 단계에 남은 인간 개입

• 숙소와 교통 선택에 만족하는지는 실제로 다녀온 뒤 확인해야 하므로 아직 판단할 수 없다. 카드 번호는 사용자가 입력했고 일부 절차도 직접 처리했으며, Astra가 거절한 결제 관련 동작도 있었다 [45:28]
• 유럽 사이트에서 한국 카드로 결제할 때 국내 결제대행·카드사 화면을 거쳐 문자 인증 등을 요구받는 경우가 개인 경험상 약 70~80%였다는 설명이다. 인증 없이 통과한 경우도 있어 모든 결제에 동일하게 적용되는 조건은 아니다 [46:34]

25. 이미지 생성 도구를 활용한 자율적 브랜드 디자인

• Astra에 Images 2.5를 도구로 제공하고 AI Frontier KR 로고를 여러 개 만든 뒤 직접 보고 선택하도록 했다. 선택한 로고로 브랜드 키트와 다양한 굿즈까지 제작하는 작업을 한 번에 맡겼다 [47:49]
• 네 가지 로고 가운데 Astra와 출연자 모두 A를 선택했다. Astra는 선택 이유를 출력하고 두께를 조금 조정한 뒤 색상 팔레트·직물·서체 등의 요소를 구성했다 [48:20]

26. 반복 수정의 가능성과 디자인 완성도·비용

• 실행·검토·수정을 반복하는 하네스를 붙이면 오류가 빠르게 개선될 것이라는 기대가 나온다. 실제로 Astra가 결과를 보고 수정한 정황은 있었지만, 시각적 판단이 사람의 눈처럼 완벽하지는 않았다 [49:38]
• 세부 오류를 알아보는 정도는 사용자마다 다르며, 사람의 작업도 마무리를 얼마나 집요하게 다듬는지에 따라 품질이 달라진다. 대략 비슷한 결과에 만족하는 기준과 정밀한 디자인 기준 사이의 차이가 남는다 [50:19]

27. 이미지 비교를 통한 렌더링 최적화와 클라우드 자원

• GPT Image 2.0으로 만든 이미지를 참고해 Astra가 Mitsuba 렌더러와 Python으로 유사한 장면을 구현했다. 샘플링을 높이고 여러 번 수정했으며, 실시간 형태와 애니메이션 제작으로도 확장했다 [51:29]
• 원본과 렌더링 결과의 차이를 관찰하게 한 뒤 반복 최적화하는 방식은 언덕 오르기에 비유된다. 완벽하지는 않지만 상당히 비슷한 결과에 도달했다는 평가다 [51:44]

28. AlphaGenome Atlas와 AlphaFold가 보여준 사전 계산의 가치

• AlphaGenome Atlas는 90억 가지 변이를 조회할 수 있게 한 것으로 묶인다. 그 의미를 이해하기 위한 비교 대상으로, 아미노산 서열에서 단백질의 3차원 구조를 예측하는 AlphaFold가 연결된다 [53:36]
• 약 20만 건의 구조 정보를 담은 PDB를 기반으로 개발된 AlphaFold는 약 2억 종으로 추정되는 단백질의 예측 구조를 생성해 데이터베이스로 구축했다 [54:18]

29. 유전체 읽기 비용의 하락과 비암호화 영역 해석의 과제

• 인간은 23쌍의 염색체를 가지며 한 벌의 유전체에는 약 31억 염기쌍이 있다. 단백질을 암호화하는 영역은 약 2%이고, 나머지 98%의 역할은 오랫동안 충분히 이해되지 못했다 [56:54]
• 비암호화 영역의 기능을 밝히기 위해 관측 장비, 머신러닝, 미국 정부의 대규모 투자와 ENCODE 같은 실험 프로젝트가 활용됐다 [57:15]

30. 세포별 유전자 발현과 염색질 구조의 차이

• 비암호화 영역은 유전자 작동을 조절하는 ‘프로그램 영역’에 비유되며, 인핸서와 프로모터 등이 관련 요소로 등장한다. 뇌·간·근육 세포는 서로 다른 단백질을 만들어야 하므로 모든 유전자가 동시에 발현되는 방식으로는 설명할 수 없다 [59:09]
• 세포마다 일부 유전자 영역은 발현되고 다른 영역은 억제된다. DNA가 히스톤에 촘촘하게 감긴 부분과 펼쳐진 부분이 서로 다르다는 구조적 차이가 후성유전학과 연결된다 [59:45]

31. 세포 정체성을 되돌리는 리프로그래밍과 암 발생 위험

• 분화한 체세포는 특정 역할에 고정되지만, 야마나카 인자인 OSKM 네 유전자의 발현을 통해 기존 정체성을 잃고 다능성 줄기세포 상태로 돌아갈 수 있다. 노화 연구에서는 이 초기화 과정을 활용하려 한다 [1:00:31]
• 완전한 초기화는 노화와 관련된 상태를 되돌리는 동시에 세포의 역할까지 무너뜨릴 수 있다. 필요한 조직과 다른 방향으로 분화하거나 암이 발생할 위험 때문에, 무조건 세포를 젊게 만드는 접근에는 문제가 있다 [1:01:24]

32. 약물 스위치와 후성유전학적 초기화의 제어

• 리프로그래밍에는 위험이 있어 고도로 통제된 환경과 스위치가 필요하다. 눈에 인자를 주입한 뒤 특정 약물로 활성화하고 약물이 사라지면 비활성화하는 방식이 제어 사례이며, 구체적인 기전은 정확히 기억하지 못한다는 한계가 있다 [1:02:40]
• 줄기세포를 넣어 주변 조직의 영향을 받으며 분화하게 하는 방향과, 체세포의 정체성을 유지하면서 후성유전학적 시계를 일부 되돌리는 방향이 구분된다. 메틸기·아세틸기 등과 관련된 상태를 초기화해 젊은 세포처럼 기능하게 한다는 설명 역시 세부 내용의 정확성을 보장하지 않는다는 단서를 포함한다 [1:03:48]

33. 유전체의 크기와 개인 간 차이를 만드는 SNP

• 단백질 암호화 영역의 오류보다 조절 영역의 오류는 어떤 기능에 문제가 생기는지 파악하기 어렵다. 이 차이를 이해하려면 염기서열과 단일 염기 변이를 구분해야 한다 [1:04:26]
• 유전체 한 벌의 규모는 약 30억 염기쌍이며, 더 정확한 수치로 31억이 드러난다. 부모에게서 한 벌씩 받는 두 세트를 약 60억 염기쌍으로, 양쪽 DNA 가닥의 문자까지 세면 약 120억 개로 구분한다 [1:05:40]

34. 잘게 읽은 DNA를 참조 유전체에 맞추는 시퀀싱

• 유전체 분석은 DNA 조각의 서열을 읽고 계산으로 연결하는 과정이다. 짧은 조각을 읽는 방식과 긴 조각을 읽는 방식이 각각 숏리드와 롱리드로 구분된다 [1:08:27]
• 읽어낸 조각은 인간 게놈 프로젝트 이후 여러 차례 개정된 참조 유전체에 매핑한다. 대부분의 서열이 비슷하다는 점을 이용해 조각의 위치를 찾고, 참조와 다른 문자를 확인해 개인의 서열 정보를 구성한다 [1:09:09]

35. HLA처럼 복잡한 영역에서 롱리드가 필요한 이유

• 6번 염색체의 HLA는 세포 내부에서 만들어진 단백질의 조각을 표면에 제시하는 기능과 연결된다. T세포는 이 정보를 확인해 세포의 상태를 판단한다 [1:10:02]
• HLA 영역은 변이가 많고 비슷한 서열도 많아 숏리드만으로는 조각의 위치를 정확히 맞추기 어렵다. 롱리드는 더 긴 문맥을 함께 읽기 때문에 이 영역의 차이를 구분하고 매핑하는 데 유리하다 [1:11:05]

36. AlphaGenome의 입력과 세포별 실험 데이터

• AlphaFold가 아미노산 서열에서 단백질의 3차원 구조를 예측한다면, AlphaGenome은 약 100만 염기쌍의 DNA 서열을 입력받아 11종의 실험 결과를 예측한다. 목표는 특정 변이가 어느 세포에서 어떤 문제를 일으킬지 추정하는 것이다 [1:12:25]
• ENCODE 프로젝트는 지난 20년 동안 염색질의 열린 영역과 RNA 발현 등을 실험으로 조사해 왔다. 뇌·간·근육 등 세포 종류별로 축적된 데이터가 서열과 기능을 연결하는 근거가 된다 [1:13:11]

37. AI와 생물학 사이의 지식 격차가 만드는 사업 기회

• AI를 활용하는 사업에서는 제어 계층인 컨트롤 플레인을 잘 만드는 것이 한 방향으로 드러난다. 분야 선택에서는 AI로 변화하는 생물학을 이해하고, AI에 익숙하지 않은 생물학자와 생물학에 익숙하지 않은 AI 연구자 사이를 연결하는 역할이 기회가 될 수 있다 [1:15:09]
• 실리콘밸리의 AI for Science, 특히 생물학 관련 창업도 이런 접점과 연결된다. 다만 당장 특정 사업을 시작한다는 계획보다는 여러 시스템을 살펴보며 분야를 이해하려는 단계다 [1:15:50]

38. 참조 서열과 변이 서열의 예측값 비교

• AlphaGenome은 100만 염기쌍을 받아 뇌세포·간세포 등에서 예상되는 실험 결과를 배열 형태로 출력한다. 오랜 기간 수작업으로 쌓은 실험 결과를 계산으로 예측하는 구조다 [1:16:27]
• 참조 서열과 개인의 변이가 포함된 서열을 각각 입력한 뒤 출력 차이를 비교하면, 해당 변이가 특정 세포의 어느 기능에 영향을 줄지 추정할 수 있다. 예측값의 차이는 문제가 생길 가능성을 찾는 단서가 된다 [1:16:57]

39. AlphaGenome Atlas가 반복 계산을 데이터 조회로 바꾸는 방식

• Atlas의 핵심은 참조 유전체의 각 위치에서 현재 염기를 나머지 세 종류로 바꿨을 때의 영향을 미리 계산해 데이터베이스에 저장하는 것이다. 약 30억 위치에 대한 단일 염기 치환을 사전 계산한다는 구상이다 [1:17:47]
• 연구자가 매번 모델을 실행하는 대신 저장된 결과를 바로 활용할 수 있다. AlphaFold의 단백질 구조 데이터베이스가 미리 계산된 구조를 제공하는 것과 같은 역할이다 [1:18:24]

40. 예측 모델은 실험을 없애기보다 후보를 좁힌다

• 아직 실험하지 않은 영역에서 예측이 얼마나 정확한지는 실제 실험 결과와 비교해야 확인할 수 있다. Atlas가 존재한다는 사실만으로 미지의 변이에 대한 정확도가 보장되지는 않는다 [1:19:24]
• AlphaFold의 활용 방식처럼 먼저 계산으로 가능성 있는 후보를 고른 뒤 실험을 설계하면 탐색 과정을 줄일 수 있다. 예측은 실험을 대체하기보다 실험 대상을 전략적으로 선택하게 한다 [1:19:37]

41. LLM 도구 호출과 개인 유전체 분석의 연결

• AlphaGenome과 Atlas는 LLM이 호출하는 도구로 활용할 수 있으며, Codex로 Atlas를 사용한 개인 사례가 나온다. 롱리드 시퀀싱과 참조 유전체 비교로 미리 파악한 SNP가 추가 분석의 출발점이 된다 [1:21:04]
• 개인의 변이 가운데 기능적 영향이 알려진 부분은 아직 적다. 알려지지 않은 변이의 영향을 AlphaGenome으로 먼저 추정하고 그 결과에 맞춰 실험을 설계하면 검증 속도를 높일 수 있다 [1:21:55]

42. 희귀질환과 암에서 조절 영역의 문제를 찾는 가치

• 원인을 이해하기 어려운 유전질환에서는 변이가 조절 요소의 관계나 유전자 발현 과정의 어느 부분을 바꾸는지 예측중요하다. 서열 차이와 실제 기능 이상 사이의 연결을 좁히는 데 AlphaGenome을 활용할 수 있다 [1:23:07]
• 암의 변이가 단백질 암호화 영역에 있으면 달라진 단백질과 구조를 바탕으로 표적을 탐색할 수 있다. 반면 조절 영역의 변이는 여러 경로로 단백질 생성에 영향을 주므로, 어떤 과정이 바뀌는지 예측하는 도구의 가치가 커진다 [1:23:46]

43. 개인화 치료 비용과 실험·학습의 반복 구조

• 개인화 치료에는 큰 비용이 들 수 있다는 우려가 있다. Ginkgo Bioworks CEO가 암세포와 정상 세포의 차이에서 특정 단백질을 찾고, 이에 결합하는 물질을 확보해 개인화 약물을 만들었다는 사례와 함께 비용은 점차 내려갈 것이라는 전망이 나온다 [1:25:03]
• Merck와 Moderna의 mRNA 백신 개발도 유사한 개인화 접근과 연결된다. 생물학은 기존 실험 결과로 모델을 학습시키고, 그 모델로 다음 실험을 더 쉽게 설계하는 방향으로 변화하고 있다 [1:25:48]

44. 실험 결과를 학습하는 AlphaGenome과 서열을 학습하는 Evo 2

• AlphaGenome은 유전체 서열과 실험 결과를 짝지은 지도학습 데이터에 합성곱 신경망과 Transformer를 적용한다. Arc Institute의 Evo 2는 여러 종의 염기서열을 모아 서열 자체를 학습하는 방식으로 대비된다 [1:27:05]
• Evo 계열 모델은 AGTC 서열을 입력받아 LLM처럼 뒤에 이어질 서열을 생성한다. 생성 서열을 실제로 제작해 생물학적 결과를 확인하는 접근은 합성생물학과 연결된다 [1:27:30]

45. 서열 확률을 이용한 위험 추정과 계산 유전체학의 확장

• 참조 서열과 변이 서열을 각각 모델에 넣고 로그 확률을 비교하면, 알려지지 않은 변이의 위험도를 대략 추정하는 방식으로 활용할 수 있다. 자막에서는 두 값의 차이가 음수이면 위험할 가능성이 높고 양수이면 낮다는 예시가 제시되지만, 뺄셈 순서 등 구체적인 계산 정의는 없다 [1:28:35]
• 이런 점수는 변이가 위험할 가능성을 가늠하는 데 쓰이지만, 어떤 종류의 위험을 일으키는지까지 알려주지는 못한다. 데이터베이스가 축적되면서 유전체학은 점차 계산 중심의 분야로 확장되고 있다 [1:29:09]

46. DNA부터 개체 발생까지 연결하는 AI의 가능성과 위험

• 생명과학 연구는 관찰 결과를 암기하던 방식에서 DNA, 단백질 형성, 신체에 미치는 영향을 연결해 이해하는 방향으로 나아가고 있다. AI가 내부 기작을 설명 가능한 형태로 바꾸면 발견이 크게 늘고, 인간에게 적용되는 성과는 수요가 큰 장수 분야를 우선으로 여러 영역에 확장될 수 있다는 전망이다. [1:30:58]
• 대형 모델 출시 보고서에서 사이버보안과 생물보안이 반복적으로 다뤄지는 이유는 기술의 유익함과 위험이 공존하기 때문이다. 화학·생물학 역량 역시 어떻게 사용되느냐에 따라 위협이 될 수 있다. [1:31:23]

47. 생물학의 전환점에 대한 유보와 AI 연구 규모의 대비

• 생물학의 변화는 상대적으로 느릴 수 있지만 가속은 체감된다는 평가다. 2024년 9월 o1 등장 이후 약 2년 만에 SF 같은 문제를 논의하게 됐다는 놀라움과 별개로, 생물학은 수학의 ‘알파고 모멘트’에 해당하는 전환점보다는 새로운 도구를 얻어 탐구하는 단계에 가깝다는 판단이며, 향후 전개는 열려 있다. [1:33:10]
• 미국에서 AI 박사들이 개인적으로 생명과학 관련 주제를 연구하는 모습을 본 경험은 이 분야의 중요성을 기대하는 근거가 됐다. AlphaFold와 AlphaGenome은 큰 성과지만 최신 LLM보다 데이터와 연산 규모가 작다는 견해에는 총량을 직접 비교하지 않았다는 단서가 붙는다. 최신 LLM에 투입되는 막대한 자원의 실제 규모를 충분히 알지 못한다는 점도 중요하다. [1:34:07]

🧾 결론

• 이번 논의의 공통점은 AI가 탐색·생성·비교를 대규모로 수행하고, 인간이 목표 설정과 결과 해석·검증을 맡는 작업 방식의 확장이다.
• 수학에서는 공식 검증과 통찰, 이미지에서는 세부 일관성, 생물학에서는 실험 재현성이 성과를 판단하는 기준으로 남는다.
• 빠른 기술 변화는 지속적인 재평가를 요구한다. 다만 소개된 사례의 성공을 모든 문제에서의 자율성이나 성능 향상으로 일반화해서는 안 된다.

📈 투자·시사 포인트

• 대규모 에이전트를 조율하는 제어 계층과 결과 검증 체계가 사업 기회로 제시된다. 모델 성능뿐 아니라 실제 작업 완료율과 운영 비용을 함께 살펴볼 필요가 있다.
• 이미지 생성의 비용 하락과 편집 일관성 향상은 제작 과정의 자동화 가능성을 넓힌다. 경제성은 생성 단가에 더해 오류 수정과 최종 검수에 드는 노력까지 고려해야 한다.
• AI와 생물학 사이의 지식 격차를 연결하는 역할이 기회로 거론된다. Atlas 같은 사전 계산 데이터는 실험 후보 선별을 돕지만, 신약 개발이나 개인화 치료의 성공을 보장하지는 않는다.
• 연산 자원의 집중과 연구 기여 인정 문제는 연구 생태계의 신뢰에 영향을 줄 수 있다. 연구자가 아이디어를 공개하거나 AI 서비스에 입력하는 조건도 중요한 판단 요소다.

⚠️ 불확실하거나 확인이 필요한 부분

• 나비에–스토크스 관련 연구가 정확히 어떤 조건의 문제를 해결했는지, 형식화와 전문가 검토가 어디까지 진행됐는지 확인이 필요하다. 외력의 유무가 다른 문제를 다뤘다는 구분도 제기된다.
• 차기 모델의 이름·출시 일정, 협업 능력의 강화학습 여부, RLVR의 구체적 역할에는 추정이 섞여 있다. 연구 대화의 학습 유입 의혹과 당사자 간 갈등 역시 결론이 나지 않았다.
• 650만 달러의 연구 비용은 모든 토큰을 출력 토큰으로 간주한 계산이다. 이미지 장당 비용과 브랜드 제작 비용도 사용 사례에 따른 추산이므로 일반적인 실제 청구액으로 볼 수 없다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 수학 성과의 논문·형식화 자료·공식 검증 상태를 확인하고, 해결한 문제의 조건과 인간 개입 범위를 따로 기록한다.
• 미공개 연구 아이디어를 AI에 입력하기 전에 해당 서비스의 데이터 학습·보관 조건을 확인하고, 기여 경위를 남긴다.
• 이미지 도구를 동일한 프롬프트와 반복 편집 과제로 비교해 대상 일관성, 세부 오류, 수정 횟수와 실제 비용을 측정한다.
• 예약 에이전트의 결과는 요금·일정·예약 확정 여부를 검토하고, 사용자 결정과 결제가 필요한 단계를 구분한다.

❓ 열린 질문

• 대규모 자동 탐색이 얻은 결과에서 인간이 재사용할 수 있는 새로운 수학적 원리와 통찰은 얼마나 추출될까?
• 인간의 선행 아이디어, 모델의 독립적 발견, 기업의 연산 투입 사이에서 기여를 어떤 기준으로 인정할 수 있을까?
• 에이전트의 시각적 검토와 반복 수정은 어느 수준까지 정밀한 디자인 검수와 실무 판단을 맡을 수 있을까?