과학적으로 올바른 방법을 알고,
물리적으로 가능한 실험만 실행하는 AI

“무엇을 아는가”, “어떻게 해야 하는가”, “지금 실행 가능한가”는 다른 질문이다

기존의 단순한 agentic stack은 흔히 LLM → RAG → Tool → Result로 설명된다. 하지만 과학 연구에서는 이 구조가 두 종류의 지식을 한데 섞는다. 하나는 fact knowledge이고, 다른 하나는 procedural knowledge다. 여기에 실제 물리 환경의 execution validity가 별도로 존재한다.

잘 실행되는 코드와 과학적으로 방어 가능한 분석은 같지 않고, syntactically valid한 robot command와 scientifically/physically valid한 experiment도 같지 않다. 이번 두 연구는 바로 이 두 간극을 각각 별도의 문제로 만든다.

신약개발에서는 절차 오류와 상태 오류가 결과 자체를 무효화한다

Multiple-testing correction, batch effect, coordinate convention, confounder 처리 같은 procedural error는 코드가 정상 종료돼도 분석 결론을 무효화할 수 있다. 반대로 후보 24종을 dose-response assay로 비교하라는 계획이 과학적으로 타당하더라도 plate 상태, reagent availability, sample identity, concentration, instrument capability, remaining volume, protocol dependency가 맞지 않으면 실제 실험으로 실행할 수 없다.

따라서 신약개발 Co-Scientist가 필요한 이유는 단순 자동화가 아니다. 과학적 절차 타당성과 물리적 실행 가능성을 서로 다른 검증 계층으로 분리하고, 둘을 evidence와 연결해야 하기 때문이다.

Scientific Agent Skills: A Library of Procedural Knowledge for Research Agents

Kassis 외의 연구로, 공개본은 2026년 9월 4일로 표시되어 있다. 연구진은 genomics, cheminformatics, medical imaging, study design, scientific communication 등을 포함하는 163개의 scientific procedure skill을 공개했다.

핵심은 knowledge와 procedure를 분리하는 것이다. 일반 RAG가 “이 단백질에 대해 무엇이 알려져 있는가?”를 검색한다면, Scientific Agent Skills는 “RNA-seq differential expression에서 어떤 statistical procedure를 써야 하는가?”, “어떤 identifier namespace가 authoritative한가?”, “어떤 caveat와 reporting rule을 적용해야 하는가?”처럼 과학자가 작업을 올바르게 수행하기 위해 알아야 하는 절차 지식을 versioned instruction으로 저장한다.

SKILL.md, reference, executable script를 단계적으로 공개한다

각 skill은 최소한 SKILL.md를 가지며 필요하면 reference document와 executable script를 포함한다. 중요한 설계는 모든 상세 procedure를 항상 context에 밀어 넣지 않는다는 점이다.

이 progressive disclosure 구조에서 전체 library의 standing description은 200k-token context의 약 7.1%이며, 대부분의 문서는 실제 선택될 때까지 로드되지 않는다.

RAG, Tool, Skill의 역할을 명확히 나눈다

이 구분은 화학 계산이나 분석 규칙까지 LLM의 암묵적 지식에 맡기지 말아야 한다는 방향과 맞닿아 있다. 절차를 외부화하면 어떤 규칙과 caveat가 적용됐는지 추적하고 versioning할 수 있다.

163개 skill이 있다는 사실과, 올바른 skill을 고른다는 것은 다르다

논문은 resource paper이며 163개 skill 전체에 대한 task-level effectiveness를 검증하지 않았고, agent가 올바른 skill을 선택하는 비율도 측정하지 않았다고 명시한다. 따라서 skill library를 추가하면 AI Scientist가 자동으로 더 정확해진다고 결론 내릴 수 없다.

가장 중요한 연구공백은 Evidence-Aware Scientific Skill Selection이다. 동일한 procedure도 assay type, target family, 데이터 규모, species, experimental design에 따라 적절성이 달라지므로 skill 자체에 applicability 조건이 필요하다.

이 typed skill representation을 Hyper-Relational KG로 표현하고 Agentic RAG가 현재 연구 context에 맞는 skill을 검색한다면, 사실 검색과 절차 선택을 하나의 evidence-aware reasoning 문제로 연결할 수 있다.

A computable representation of the physical laboratory enables verifiable workflows

Xiaobo Li 외의 연구로 2026년 9월 3일 공개됐다. 핵심 기여는 laboratory automation을 LLM → API/tool call → robot으로 단순화하지 않고, 물리 실험실 자체를 컴퓨터가 reasoning할 수 있는 computable state space로 표현한 데 있다.

Workflow는 시간에 따라 변화하는 laboratory state에 대한 프로그램이다. 실행 전에는 stateful simulation으로 object transformation을 추적하고 operation precondition과 laboratory constraint를 검사한다. 이 표현은 modular agentic robotic laboratory의 executable Function Skills와 연결된다.

Robot API 앞에 formal verification layer를 삽입한다

이 연구의 차별점은 hardware interface가 아니라 “이 행동이 현재 실험실 상태에서 수행 가능한가?”를 형식적으로 판단하는 execution semantics에 있다.

따라서 syntactically valid한 robot command와 scientifically/physically valid한 experiment를 구분할 수 있는 기반이 생긴다.

“무슨 실험을 할까?”에서 “지금 합법적으로 실행 가능한 실험은 무엇인가?”로

Closed-loop DMTA에서 Co-Scientist가 후보 24종의 dose-response assay를 결정했다고 하자. 실제 실행은 plate 상태, reagent availability, sample identity, concentration, instrument capability, remaining volume, protocol dependency가 모두 일치해야 한다.

이 구조는 AI Co-Scientist를 “실험 아이디어를 생성하는 시스템”에서 현재 laboratory state에서 어떤 실험이 허용되고 실행 가능한지를 reasoning하는 시스템으로 확장한다.

Physical Laboratory State를 Epistemic Laboratory State로 확장한다

논문의 핵심 검증은 workflow/state representation과 dispatch 전 verification이다. 이것이 실제 drug-discovery DMTA에서 장기간 prospective하게 실패율, 재현성, 비용을 얼마나 개선하는지는 아직 검증되지 않았다.

첨부 Research Watch가 제안하는 가장 가치 높은 확장은 laboratory state에 물리 상태뿐 아니라 다음 정보를 함께 넣는 Epistemic Laboratory State다.

이렇게 하면 Agentic RAG의 evidence state와 robotic laboratory의 physical state를 하나의 모델에서 연결할 수 있다.

LLM → RAG → Tool의 세 단계를 일곱 단계의 검증가능한 연구 stack으로 확장한다

이번 두 연구를 함께 보면 Co-Scientist software stack의 분화가 명확해진다.

“과학적으로 올바른 방법을 아는 것”과 “그 방법을 물리적으로 안전하게 실행하는 것”은 서로 다른 연구 문제이며, 좋은 Co-Scientist는 둘 다 해결해야 한다. Scientific Agent Skills가 전자를 다루고 computable laboratory가 후자를 다룬다.

Evidence-Aware Skill Selection과 Epistemic Laboratory State를 연결한다

통합 시스템은 multimodal scientific foundation model과 Agentic RAG가 evidence를 수집한 뒤, 현재 experimental context에 맞는 versioned scientific skill을 선택한다. 선택된 procedure는 Planner가 formal workflow로 변환하고, typed laboratory-state model이 실행 전 검증한다. 실행 결과와 실패는 provenance-aware evidence graph로 돌아가 다음 의사결정을 수정한다.

Procedurally and Physically Verifiable Drug-Discovery Co-Scientist

이 구조의 핵심은 tool-use를 늘리는 것이 아니다. 무엇을 해야 하는지 결정하는 절차적 지식과, 그 절차가 지금 실행 가능한지를 판정하는 물리적 의미론을 모두 외부화하고 검증 가능하게 만드는 것이다.

End-to-end prospective validation은 아직 빈칸이다

2026년 9월 6일 현재 이번 검색에서는 Evidence → Skill → Verified Physical Workflow → Wet-Lab Result → Belief Revision 전체 루프를 실제 small-molecule drug discovery에서 prospective하게 검증한 새 연구는 확인되지 않았다.

Scientific Agent Skills는 163개 skill의 task-level effectiveness와 agent skill-selection accuracy를 아직 전면 검증하지 않았다. Computable laboratory 연구 역시 실제 장기간 drug-discovery DMTA에서 실패율, 재현성, 비용의 개선을 prospective하게 입증한 것은 아니다.

따라서 현재의 가장 정확한 결론은 다음과 같다. 완전한 Co-Scientist가 완성된 것이 아니라, 이를 가능하게 하는 procedural layer와 physical-execution verification layer가 각각 독립적인 연구대상으로 등장했다.