AI가 연구를 수행하는 단계를 넘어
증거를 검증하고 자원을 조직하며
포트폴리오를 수정하는 단계로

Reason–Verify–Scan은 오류 위치를 미리 알려주지 않는다

2026년 8월 27일 공개된 “Not Just Reason, Not Just Scan: Reinforcement Learning for Proactive Scientific Error Verification over Academic Paper”는 논문 전체를 능동적으로 탐색하며 오류를 발견하고, 근거를 구성하고, 판단을 추적 가능하게 만드는 Reason–Verify–Scan 구조를 제시한다. 첨부 메모는 VERA-13K의 12,900개 sample과 reasoning completeness·evidence alignment·error precision을 분리한 reinforcement reward를 중요한 특징으로 본다.

연구기획으로 옮기면 Verification Agent는 경쟁기관 연구, 기술성숙도, 인력, 계산자원, 특허, benchmark, 이전사업 실패, commercialization feasibility를 능동적으로 조사한다. 결과는 “좋은/나쁜 아이디어”가 아니라 어느 주장에 근거가 없고, 어느 KPI가 검증 불가능하며, 어느 목표가 현재 기관역량과 충돌하는지에 대한 claim-level diagnosis가 되어야 한다.

이는 이전 RedTeam-R&D를 단순 critic prompt가 아니라 proactive verification methodology로 발전시키는 직접적인 근거가 된다.

BioCheck Agent는 biomedical claim verification에서 PubMed를 직접 검색하고 Evidence-Grounded GRPO로 좋은 search behavior와 evidence retrieval을 보상하며 hallucination을 벌점화한다. 첨부 메모는 Qwen3.5-4B baseline 대비 SciFact label accuracy +9.95%, evidence quality score +3.7%, evidence hallucination rate −19.63%를 핵심 결과로 정리한다.

이 결과는 연구기획용 Agentic RAG의 목적함수를 단순 Retrieval Recall에서 다음의 Decision Utility로 바꾸게 한다.

문장 품질이 아니라 전략판단의 근거품질을 reward로

첨부 메모가 제안하는 EGR-Plan — Evidence-Grounded Reinforcement Learning for Autonomous R&D Planning은 proposal prose quality 대신 다음 reward를 최적화한다.

이 정의는 Agentic RAG를 문헌검색 보조도구가 아니라 전략의사결정 policy로 바꾸는 알고리즘 contribution을 만든다.

2026년 6월의 Query-Centric Optimization of AI Workflows via Approximate Query Processing and Proxy Models는 expensive LLM/reward-model call을 비싼 predicate처럼 보고 progressive sampling과 confidence interval로 조기 종료하거나, proxy가 쉬운 사례를 걸러 애매한 것만 expensive model로 보내는 접근을 제시한다.

이를 연구기획으로 옮기면 Evidence-Budgeted Mission Planning이 된다.

모든 논문·특허·보고서를 읽지 않아도 portfolio decision이 충분히 안정적이라는 것을 어떻게 보장할 것인가가 DB/Data Systems 관점의 직접적인 연구문제가 된다.

첨부 메모는 8월 27일 University of Washington 공개자료를 바탕으로 DOE Genesis Mission Phase 1이 278개 프로젝트와 300개가 넘는 국가연구소·대학·기업 참여기관을 포함하며, Genesis Mission Platform을 통해 AI framework, 산업계 AI model, 국가연구소 HPC를 공유하는 구조를 주목한다.

neuromorphic sensing, metalloprotein design, multimodal astronomy infrastructure처럼 이질적인 capability를 국가미션 아래 조합하는 구조는 AMPRI — Autonomous Mission-to-Portfolio Research Intelligence를 단순 아이디어가 아니라 현실의 R&D operating model을 AI problem으로 formalize하는 연구로 만든다.

8월 26일 NST PTC Korea 2026은 기존 TLO 중심 행사를 정부·대학·기술지주·기업·투자·사업화 전문기관까지 확대하고 기술이전뿐 아니라 창업·투자·IP·글로벌 진출·기술융합을 포괄한다. 첨부 메모는 특히 Value Architect, TLO 지능형 혁신, AI 기반 기술사업화 지원과 “완결형 R&D” 표현을 중요한 정책신호로 읽는다.

이 흐름을 연구기획 AI에 반영하면 commercialization은 proposal 마지막 장이 아니라 처음부터 graph 안에 들어가야 한다.

단순한 Technology X → transferable-to → Company Y triple만으로는 조건부 사업화 가능성을 표현하기 어렵다. Hyper-Relational Graph에서는 관계에 다음 qualifier를 붙인다.

사업화 가능성을 unconditional fact가 아니라 condition-aware claim으로 저장하면 target shape–KPI–market pathway의 정합성을 계산 가능한 대상으로 만들 수 있다.

OmniScientist는 text summary만 쓰는 AI scientist가 아니라 image, signal, audio, video, 3D structure, trajectory, table, formula, graph 같은 raw scientific evidence를 직접 사용하는 end-to-end AI scientist를 제안한다. 첨부 메모는 36개 실제 데이터 연구사례에서 ideation–experiment–writeup을 수행하고 blind variant 대비 7개 평가차원 모두 개선, pairwise evaluation 85% 승리라는 결과를 핵심 신호로 요약한다.

출연연 기획에서 modality는 더 넓다.

OmniPlan의 novelty는 fusion 자체가 아니라, 서로 다른 modality가 같은 전략주장을 지지하는지 반박하는지를 계산하는 데 있다. 논문 SOTA가 좋더라도 재현코드가 실패하고, 기관 장비가 부족하고, FTO가 낮다면 strategic confidence는 내려가야 한다.

GRA — Schema-Agnostic Graph Reasoning Agent는 KG schema를 미리 완전히 알지 못해도 neighbor listing, node reading, description search 같은 generic graph tool로 필요한 구조를 실행 중 탐색한다. 첨부 메모는 산업 benchmark에서 full-context agent보다 5.1 percentage point 높은 88.4% 정확도와 1/3 이하 input token을 보고하며, 효과의 주요 원인이 graph topology 자체보다 selective agentic access였다는 control 결과를 강조한다.

기관 전체의 논문·특허·과제·연구자·장비·사업화 graph를 context에 넣는 대신 Retrieve Documents가 아니라 Navigate Institutional Evidence Graph가 되어야 한다.

HyperSkill은 경험을 flat trajectory/text memory로 저장하지 않고 subtask와 reusable skill을 hypergraph로 연결한다. trajectory 하나를 hyperedge로 보고 subtask-level과 trajectory-level을 동시에 검색하며, low-utility skill을 제거하고 유사 skill을 병합한다.

출연연에서는 “과제 A가 성공했다”를 저장하는 것이 아니라 다음 planning episode를 hyperedge로 만들 수 있다.

이는 Hyper-Relational Graph의 condition-aware factual memory와 hypergraph의 episodic planning memory를 결합하는 새로운 연구축이다.

마지막 단계가 정부출연연의 전략연구기획과 직접 맞닿는다. 연구자 수준의 hypothesis generation이 아니라 mission, R&R, capability, portfolio interaction, KPI, translation, infrastructure allocation을 함께 reasoning해야 한다.

Evidence-Verifiable Autonomous Mission-to-Portfolio Planning

첨부 메모가 가장 강한 Vision Paper 후보로 제안하는 것은 EVAMP다. 핵심은 portfolio를 생성한 AI가 자신이 만든 target shape, KPI, technology gap, commercialization hypothesis를 별도 verifier로 공격하고, 부족한 evidence만 budget-aware 방식으로 추가수집하며, 반증이 발견되면 portfolio를 수정한다는 점이다.

이 title은 proactive verification, mission-oriented institutional coordination, 완결형 R&D와 AI 기반 기술사업화, omni-modal scientific evidence, selective graph navigation, relational memory를 하나의 paradigm으로 묶는다.

다음 추적에서 주의 깊게 봐야 할 신호는 다섯 가지다.

따라서 현재는 research planning과 Vision Paper를 선점할 가치가 높은 시점이라는 것이 첨부 메모의 최종 판단이다.