더 잘 답하는 AI에서
경험을 쌓고 긴 연구를 끝내며
자기 결과를 검증하는 AI로

기존 구조는 단순했다.

현재 구조는 훨씬 길다.

핵심은 agent 수의 증가가 아니라 경험, 장기 실행, 검증, 평가, 실험 피드백이 하나의 폐루프를 이루는가이다.

Qian et al., “HypoForge: A Self-Improving Multi-Agent Framework for Automated Hypothesis Generation and Testing via Scientific Skill Learning”는 2026년 8월 26일 공개됐다. 문제의식은 기존 AI Co-Scientist의 prompt, workflow, agent role이 대체로 고정되어 있고 한 연구 session에서 얻은 경험이 다음 연구로 충분히 축적되지 않는다는 점이다.

HypoForge는 가설 생성과 가설 검증에서 얻은 경험을 reusable scientific skill로 저장·학습한다. Foundation model 자체를 fine-tuning하지 않고도 연구수행 방식이 지속적으로 개선되는 것이 핵심이다.

즉 “아이디어를 만드는 문제”와 “아이디어를 검증하는 문제”가 같은 supervision regime을 갖지 않는다는 사실을 architecture에 반영한다.

Agentic Drug Discovery는 프로젝트마다 비슷한 docking failure, assay incompatibility, ADMET trade-off를 반복한다. HypoForge식 memory가 있다면 다음과 같은 경험을 reusable scientific skill로 축적할 수 있다.

Google AI Co-Scientist의 Generate → Debate → Evolve가 현재 hypothesis set을 진화시킨다면, HypoForge는 연구를 수행하는 방법 자체를 학습한다는 점에서 한 단계 더 나아간다.

그러나 drug discovery에서 “성공한 전략”은 target family, assay, cell line, species, concentration에 따라 실패할 수 있다. 따라서 flat skill memory만으로는 위험하다. source가 제안하는 다음 단계는 다음과 같다.

즉 skill을 unconditional rule이 아니라 조건·출처·불확실성을 가진 context-conditioned scientific skill로 관리해야 한다.

Koch et al., “BixBench3: Benchmarking AI agents on research-study-scale computational biology tasks”는 published biological study의 raw data에서 실제 scientific result까지 전체 분석을 agent에게 위임한다. 20개 연구 규모 task에서 138개의 intermediate/final artifact를 생성하게 하고, 원 논문에서 실제 생성된 differential-expression table, peak-call matrix 등과 programmatically 비교한다.

이는 단일 분석·질문·코드실행을 평가하는 benchmark와 본질적으로 다르다. workflow의 중간 산출물이 모두 평가대상이 된다.

현재 많은 benchmark는 다음처럼 끝난다.

그러나 실제 신약개발 workflow는 다음과 같이 길다.

따라서 hit discovery/selection도 최종 docking score 하나로 평가해서는 부족하다. source가 제안하는 benchmark는 다음 전체 artifact를 검증한다.

BixBench3의 가장 큰 연구공백은 long-horizon scientific data systems다. 대용량 데이터 관리, intermediate artifact tracking, checkpoint/recovery, provenance, consistency가 LLM reasoning만큼 중요한 bottleneck이 된다.

Drug-Discovery Co-Scientist는 LLM 연구만이 아니라 DBMS/Data Systems 연구문제가 된다.

Granqvist, Mercado & Genheden, “Designing a Robust LLM-Based Evaluation System for Agentic AI in Drug Discovery Through Human Alignment”는 AstraZeneca의 agentic drug-discovery assistant ChatInvent를 평가하기 위한 framework다.

문제는 많은 agent benchmark가 LLM-as-a-Judge를 사용하지만, judge model의 점수가 실제 drug-discovery 전문가 판단과 정렬되어 있는지 충분히 검증하지 않는다는 점이다.

이 연구의 차별점은 “LLM judge가 준 점수”를 다시 인간 연구자의 annotation으로 calibration했다는 점이다. 앞으로 scientific-agent benchmark는 최소 세 층을 가져야 한다.

다만 이 연구도 주로 agent output 품질과 tool-call correctness를 평가한다. molecule/target 추천이 실제 wet-lab에서 성공하는지는 별도의 prospective validation이 필요하다.

신약개발에서는 성공만 기억해서는 안 된다. docking false positive, assay incompatibility, selectivity failure, permeability reversal, ADMET trade-off 같은 실패도 condition·source·uncertainty와 함께 저장해야 다음 연구에서 같은 오류를 반복하지 않는다.

따라서 memory는 단순 text summary가 아니라 scientific skill/evidence graph에 가까워져야 한다.

이번 신규 결과가 강화하는 신호는 분명하다. AI Co-Scientist 경쟁의 중심은 “더 잘 생성하는 AI”에서 “경험을 축적하고, 긴 연구를 끝까지 수행하며, 자신의 결과를 검증할 수 있는 AI”로 이동하고 있다.

그리고 drug discovery에서는 그 세 요소가 분리될 수 없다. 경험은 context-conditioned memory가 되어야 하고, 장기 실행은 data-system support를 필요로 하며, 검증은 deterministic check·expert alignment·prospective experiment의 세 층으로 구성되어야 한다.