가설을 만드는 AI에서
실험을 실행하고
증거로 스스로를 검증하는 AI로

기존 구조와 최근 구조

이 변화의 핵심은 생성능력이 아니라 execution grounding이다. agent가 과학적 문장을 만드는 것에서 멈추지 않고 프로그램을 생성·실행·수정하며, 실제 결과와 생성한 claim을 대조한다.

Ideation → Experimentation → Paper Writing

첨부 메모가 가장 중요한 신규 변화로 지목한 연구는 Schmidgall et al., “Accelerating Scientific Research with Gemini in the Real-World,” arXiv:2608.26701이다. 기존 Gemini 기반 Co-Scientist를 세 단계의 전체 연구 pipeline으로 확장한다.

이 구조는 이전의 literature → hypothesis → ranking보다 훨씬 직접적인 research execution을 포함한다. 특히 failed program에 structured error feedback을 주고 다시 구현하도록 하는 부분은 docking·MD·ADMET·omics workflow를 반복수행하는 future drug-discovery agent와 구조적으로 연결된다.

Materials, Biology, Computer Science

그러나 자동성 수준은 domain마다 다르다. 재료합성에서는 사람이 sample loading·실행·characterization을 담당했고, biology에서는 전문가가 task framing과 wet-lab을 담당했다. 따라서 이 결과를 “완전 자율 실험실”로 부르는 것은 source의 범위를 넘어선 과장이다.

Claim과 experimental execution log를 deterministic하게 비교

첨부 메모에 따르면 이 연구는 품질점수만 최대화할 때 reward hacking으로 가짜 결과를 만들 수 있음을 명시한다. 이를 줄이기 위해 reviewer score에 plagiarism·hallucination penalty를 넣고, 생성된 claim을 실제 experimental execution log와 비교하는 deterministic hallucination clipping을 추가한다.

이 결과가 Agentic RAG에 주는 메시지는 명확하다. citation을 붙이는 것만으로 provenance가 완성되는 것이 아니다. 미래 Co-Scientist는 다음과 같은 관계를 구조적으로 추적해야 한다.

Evidence/Provenance Graph는 retrieval 결과의 출처를 저장하는 보조기능이 아니라 scientific claim의 검증가능성을 구성하는 핵심 substrate가 된다.

Reason → Verify → Scan

두 번째 변화는 첨부 메모가 Li et al., “Not Just Reason, Not Just Scan: Reinforcement Learning for Proactive Scientific Error Verification over Academic Paper”로 정리한 VERA-RL이다. 메모는 이 논문이 2026년 8월 27일 공개되었고 EMNLP 2026 Findings에 채택되었다고 기록한다.

VERA-RL은 multimodal LLM에게 오류위치를 미리 알려주지 않는다. 대신 Reason → Verify → Scan의 난이도 계층을 만들고, 6종 scientific-error category를 포함한 VERA-13K를 구축해 proactive scientific verification을 학습한다.

Generator와 Critic의 correlated error를 줄인다

일반적인 critic은 이미 생성된 답을 보고 “비판하라”는 instruction을 받는다. 반면 VERA-RL의 핵심은 오류가 있는지조차 알려주지 않은 상태에서 evidence를 모으고 스스로 문제를 찾는 것이다.

Generator와 Critic이 같은 학습목표와 reasoning pattern을 공유하면 같은 오류를 반복할 수 있다. verification을 별도의 데이터·목표로 훈련하면 보다 독립적인 Epistemic Auditor를 만들 수 있다는 것이 첨부 메모의 해석이다.

Research state를 실제로 변화시키는 agent

이 구조에서 Co-Scientist는 단순 tool orchestrator가 아니다. 어떤 계산이나 실험을 다음에 수행할지 선택하고, 실패한 프로그램·실험·후보까지 활용해 policy를 수정하는 controller가 된다.

그러나 source는 이번 Gemini 연구가 실제 small-molecule drug-discovery closed loop를 검증한 연구는 아니라고 분명히 적는다. 따라서 drug-discovery 적용은 강한 architecture-level implication이지 직접적인 hit-discovery 성능증명은 아니다.

Paper text보다 훨씬 복잡한 evidence structure

Hit Selection Agent가 “Compound X가 가장 유망하다”고 결론내렸다고 하자. 독립 Verification Agent는 단순한 citation check보다 훨씬 넓은 검증을 수행해야 한다.

drug-discovery verifier는 molecular structure, protein 3D structure, assay table, supplementary data, dose-response curve, microscopy image까지 함께 검증해야 한다. 그래서 첨부 메모는 Multimodal Drug-Discovery Falsification Agent를 아직 크게 비어 있는 연구영역으로 지목한다.

Assay batch부터 instrument state까지

Gemini 연구는 code execution과 log verification을 강하게 보여준다. 하지만 drug discovery에서는 계산결과만 확인해서는 충분하지 않다. source가 열거한 검증대상은 다음과 같다.

• assay batch와 batch-specific condition
• cell line과 biological context
• protein construct와 sequence/state 차이
• compound lot와 sample provenance
• protocol version과 parameter
• instrument state와 calibration
• microscopy image 및 plate-reader raw output

따라서 다음 단계는 multimodal experimental provenance + agentic planning + wet-lab execution을 하나의 closed loop에 묶는 것이다.

Generator의 성능향상만으로 신뢰성을 얻을 수 없다

VERA-RL의 흐름을 drug discovery에 적용하면 verifier는 answer quality를 높이는 auxiliary critic이 아니라 별도의 학습목표를 가진 scientific auditor가 된다. 생성 agent는 후보와 가설을 적극적으로 제안하고, verifier는 contradiction·condition mismatch·missing provenance를 공격적으로 찾으며, system은 필요할 때 abstain하거나 hypothesis를 revise해야 한다.

이 분업은 “더 많은 agent”가 목적이 아니라 generation과 verification 사이의 epistemic independence를 확보하기 위한 architecture choice다.

Evidence와 counter-evidence를 모두 실행루프에 넣는다

2026년 8월 30일 현재의 명시적 연구공백

첨부 연구메모는 이번 검색범위에서 이 전체 구조를 실제 small-molecule hit discovery/selection에서 prospective하게 검증한 하나의 통합시스템은 확인되지 않았다고 결론내린다.

이 문장은 “세상에 절대 없다”는 보편적 부재주장이 아니다. 2026년 8월 30일 현재, 해당 research watch의 검색범위에서 확인되지 않았다는 source-scoped conclusion이다. 바로 이 연결부—execution-grounded planning, multimodal falsification, wet-lab provenance, prospective small-molecule validation—가 현재 가장 주목할 만한 연구공백으로 제시된다.