더 많은 에이전트보다
더 독립적인 증거가 중요하다

이번 업데이트에서 추가할 가치가 있는 세 변화

세 연구를 관통하는 해석은 명료하다. AI Co-Scientist는 “많은 agent가 토론하는 시스템”이 아니라 증거의 독립성·재현성·실행 검증을 관리하는 과학 시스템으로 재정의되고 있다.

Biomedical foundation model 평가 자체를 다시 설계해야 한다

Saez-Rodriguez et al., “Benchmarking biomedical foundation models,” Nature Methods, 2026년 9월 4일은 이번 Research Watch에서 가장 중요한 변화로 제시된다. 논문의 출발점은 biomedical foundation model이 방대한 생물학적 데이터의 패턴을 파라미터 내부에 내재화한다는 특성 때문에, 일반 supervised model과 같은 몇 개의 downstream benchmark만으로 “일반적 생물학 이해”를 주장하기 어렵다는 문제의식이다.

중심 질문은 foundation model을 반증할 수 있는가, 검증할 수 있는가, 아니면 궁극적으로 utility로 평가해야 하는가이다. 원문은 reproducibility, generalization, replicability를 평가의 핵심 전제로 둔다.

이 때문에 논문은 CASP와 DREAM 같은 독립적·community-driven challenge를 진짜 방법론적 돌파구와 과장된 성능 주장을 구별하는 중요한 선례로 본다.

신약개발 Co-Scientist는 모델 점수를 신뢰도로 사용해서는 안 된다

신약개발의 실제 agent workflow에서는 AlphaFold 3, Boltz-2, virtual-cell model, multimodal cell foundation model, MAMMAL, protein language model, ADMET model 등이 서로 다른 validity domain을 가진 도구로 호출될 수 있다. 따라서 headline benchmark score 하나를 “신뢰도”처럼 다루는 순간 오류가 시작된다.

원문은 이 다섯 요소를 모델별 Model Evidence Card로 관리할 필요가 있다고 제안한다. 따라서 model-selection agent의 목적함수도 “가장 높은 benchmark score의 모델”에서 다음으로 바뀐다.

Agent-aware Foundation Model Benchmarking

현재 foundation-model benchmark는 대체로 모델 단독 성능을 측정한다. 그러나 Co-Scientist에서는 작은 모델 오류가 RAG → planning → candidate ranking → experiment selection을 거치며 증폭될 수 있다. 따라서 필요한 benchmark는 “FM 단독 성능”과 “FM을 포함한 agent workflow의 의사결정 오류”를 함께 측정하는 benchmark이다.

Agent를 복제하는 것과 증거를 늘리는 것은 다르다

Marc Bara, “Epistemic Sybil Resistance: Multiplying AI Agents Without Multiplying Evidence,” arXiv:2609.01873, 2026년 9월 1일 제출은 drug discovery 전용 논문은 아니지만 multi-agent AI Co-Scientist 설계에 직접적인 함의를 갖는다.

여러 agent가 동일 논문, 동일 database, 동일 foundation model에서 정보를 가져오면 겉으로는 독립적인 의견처럼 보여도 실제로는 같은 evidence root를 복제한 것일 수 있다. 이 현상이 epistemic Sybil problem이다.

반대로 agent/report 수가 아니라 독립적인 evidence root 수를 1개에서 16개로 늘렸을 때 calibration 문제가 크게 줄었다. 동일 agent 계열의 extraction error 자체도 상당히 상관되어 있다는 결과가 함께 제시된다.

다수결이 아니라 증거 계보를 집계한다

기존 구조는 흔히 Generator 5명 → Critic 3명 → Majority/Judge → Conclusion으로 그려진다. 그러나 다섯 generator와 세 critic이 모두 같은 PubMed review와 같은 KG triple을 읽었다면 과학적으로는 1 Evidence → 8개의 재진술에 가깝다.

따라서 multi-agent aggregation은 agent 수나 문장 유사도보다 evidence ancestry와 dependence를 추적해야 한다.

Memory를 Agent→Claim에서 Claim→Evidence Lineage로 바꾼다

향후 Drug-Discovery Co-Scientist memory는 단순한 Agent → Claim 관계가 아니라 다음의 lineage를 저장해야 한다.

원문이 제시하는 Hyper-Relational KG 표현은 다음과 같다.

이 구조에서는 evidence aggregation 시 단순 vote 대신 독립성 가중치를 계산할 수 있다. 여기서 도출되는 연구 공백이 Evidence-Ancestry-Aware Agentic RAG이다. 현재 GraphRAG/Agentic RAG는 provenance URL을 저장할 수 있어도 여러 claim이 같은 원실험, 같은 cohort, 같은 database import에서 파생됐는지를 계산하는 기능은 거의 없다는 것이 원문의 문제의식이다.

Prompt engineering보다 deterministic scientific computation

MacGregor et al., “Analysis of Prompt Engineering for Drug Toxicity Prediction,” arXiv:2609.03635, 2026년 9월 3일, CIBB 2026 채택은 규모가 큰 breakthrough 논문은 아니지만 drug-discovery agent 구현에는 실용적인 메시지를 준다.

연구진은 toxicity prediction에 사용할 chemical feature를 LLM에게 추출하게 하고 role prompting, prompt structure, rule interpretation 등을 바꿔 비교했다. 원문에 따르면 prompt engineering으로 얻는 변화보다 LLM 자체의 stochastic variation이 더 컸다.

더 중요한 결과는 chemical property를 LLM의 텍스트 추론으로 생성하게 하는 대신 chemoinformatics code로 직접 계산한 feature를 사용했을 때 downstream ML 성능이 크게 개선되었다는 점이다.

계산 가능한 것은 가능한 한 실행한다

이 원칙은 toxicity prediction에만 머물지 않는다. Molecular weight, logP, TPSA, Lipinski descriptors, substructure alert, docking, FEP, PK simulation 등은 가능하면 LLM의 latent knowledge로 추정하지 않고 검증 가능한 scientific code/model을 호출해야 한다.

최신 대형 모델이나 새로운 molecular representation을 제안한 것이 아니라 prompt tuning과 deterministic scientific computation을 직접 대비했다는 점이 이 연구의 차별점으로 정리된다. 이는 DDA, TxGemma/Agentic-Tx 같은 agentic drug-discovery architecture가 전문 scientific tool을 사용해야 하는 이유를 실증적으로 뒷받침하는 근거로 해석된다.

Typed Scientific Tool Contract

핵심 연구 공백은 agent가 무엇을 직접 언어 추론해도 되는지, 무엇을 반드시 scientific tool로 실행해야 하는지 자동으로 결정하는 메커니즘이다. 원문은 각 tool에 다음 metadata를 붙이고 Planner가 이를 이용하는 Scientific Tool Type System을 제안한다.

More Models + More Agents + More Debate의 한계

이전에는 흔히 다음과 같은 직관이 있었다.

그러나 이번 Research Watch가 묶는 세 결과는 이 직관을 수정한다. agent 수를 늘려도 evidence root가 같으면 정보는 늘지 않는다. model 수를 늘려도 validity domain을 구분하지 않으면 오류는 이동할 뿐이다. prompt를 정교하게 해도 계산 가능한 과학량을 언어모델에 맡기면 stochastic error가 남는다.

Agent 수보다 Evidence Root 수가 중요하고, LLM의 설명보다 scientific tool execution이 중요하며, benchmark score보다 독립 재현·일반화·prospective utility가 중요하다.

다음 세대 Drug-Discovery Co-Scientist의 목표형상

원문의 제안을 하나의 시스템으로 압축하면 다음과 같다.

아직 실증되지 않은 연결부

첨부 Research Watch는 2026년 9월 5일 현재 새로 확인한 문헌 범위에서 evidence ancestry + multimodal FM + Agentic RAG + deterministic scientific execution + wet-lab revision 전체를 하나의 신약개발 Co-Scientist로 실증한 연구는 아직 확인되지 않았다고 정리한다.

따라서 이 연결부는 단일 기술의 성능 향상보다 더 큰 연구 기회를 만든다. 증거가 어디에서 왔는지 추적하고, 모델의 유효 범위를 평가하고, 계산 가능한 것은 실행하며, 새로운 실험 결과가 들어오면 믿음을 수정하는 시스템이 핵심 목표가 된다.