Science와 Engineering의 가장 근본적인 차이는 연구대상이 아니라 목적함수에 있다. Science는 “세상은 실제로 어떻게 작동하는가?”를 묻고, Engineering은 “우리가 원하는 세상을 어떻게 작동하게 만들 것인가?”를 묻는다.
Science의 궁극적 산출물은 Knowledge, Engineering의 궁극적 산출물은 Capability라고 볼 수 있다. 그러나 국가가 강해지려면 둘을 분리하기보다 Science ↔ Engineering ↔ Industry의 반복적 feedback loop로 연결해야 한다.
이 글은 첨부된 `science-vs-engineering.md` 전체 내용을 재구성했다. 정책·예산 수치는 첨부자료가 인용한 공식자료 기준을 보존했으며 별도 보정하지 않는다.
Science는 가능한 세계의 경계를 찾고, Engineering은 그 안에서 최선의 가능성을 만든다
| 질문 | Science | Engineering |
|---|---|---|
| 출발점 | 모르는 것이 있다 | 원하는 것이 있다 |
| 핵심 질문 | What is? Why? How? | What can we build? How can we make it work? |
| 목적 | 원리·구조·인과 이해 | 요구기능을 가진 시스템 구현 |
| 성공 기준 | 설명력·예측력·재현성·반증가능성 | 성능·신뢰성·비용·안전성·제조가능성 |
| 산출물 | 이론·법칙·데이터·모델·발견 | 제품·시스템·공정·플랫폼·표준 |
| 핵심 가치 | Truth / Understanding | Utility / Functionality |
Science는 자연이 허용하는 것과 허용하지 않는 것의 경계를 발견한다. Engineering은 그 경계 안에서 성능 × 비용 × 안전 × 신뢰성 × 시간 × 제조성의 최적점을 찾는다. 따라서 Engineering 문제는 본질적으로 multi-objective optimization에 가깝다.
Science=기초연구, Engineering=응용연구라는 등식은 성립하지 않는다. OECD Frascati Manual의 Basic Research → Applied Research → Experimental Development는 다른 분류축이다. 공학에도 근본연구가 있고 과학에도 문제지향 응용연구가 있다.
현대 과학기술은 일방통행이 아니라 순환구조이다
첨부자료는 2026년 미국 백악관 Science: A New Golden Age가 기존 Basic → Applied → Engineering → Product의 linear model을 비판하고 Science ↔ Engineering의 feedback을 강조한다고 정리한다.
반도체가 좋은 예이다. 양자역학·밴드구조·반도체물리가 트랜지스터·IC·VLSI·CPU/GPU·AI accelerator를 만들었다. 그리고 GPU+AI는 단백질 구조예측, 재료발견, 기후모델, 핵융합 시뮬레이션, 자율실험실, AI Scientist를 다시 가능하게 했다.
Science가 Engineering을 만들었고, Engineering이 다시 새로운 Science를 가능하게 한다.
미국은 Science에는 자율성을, Engineering에는 Mission과 milestone을 적용한다
Science에는 market failure가 강하다. 장기·불확실한 지식은 사회적 가치가 커도 수익을 즉시 독점하기 어렵다. 그래서 정부는 민간이 충분히 투자하지 않는 장기적·불확실한 지식에 위험자본을 제공한다. 반면 Engineering은 시장이 투자하기 쉽지만 국가안보·핵융합·우주·양자·원자력·첨단반도체·AI 인프라처럼 비용과 조정위험이 큰 분야에서는 정부가 필요하다.
| 기능 | 대표 기관·제도 | 중심 철학 |
|---|---|---|
| Fundamental Science | NSF, NIH 일부, DOE Office of Science | 새로운 지식 |
| Big Science | DOE National Labs, NASA | 대형시설 + Science |
| Mission R&D | DARPA, ARPA 계열, DoD, NASA | 특정 난제 해결 |
| Engineering / Translation | DARPA, DOE, NASA, NIST | 작동하는 기술 |
| Industrial Scale-up | CHIPS, 제조지원, procurement | 생산과 시장 |
첨부자료는 2024년 미국 전체 R&D를 약 9,930억 달러로 정리한다. 기업이 약 75%를 부담하고 77%를 수행하며 experimental development의 약 91%를 수행한다. 반면 기초연구에서는 연방정부가 약 40%를 부담하는 가장 큰 단일 funding source이다.
DOE Office of Science FY2027 요청은 약 71.4억 달러, DARPA FY2026 확정예산 약 43.22억 달러와 FY2027 대통령 요청 약 50.39억 달러, CHIPS for America 총 500억 달러 중 약 110억 달러 R&D 생태계·390억 달러 제조 인센티브가 예로 제시된다. 미국은 Science와 Engineering 중 하나를 고르기보다 서로 다른 평가함수로 병렬 투자하고 다시 연결한다.
Science에는 자유를 주고, Engineering에는 Mission을 부여한다.
한국은 Engineering 중심 성장모델에서 Science와 Mission을 함께 강화하는 단계로 이동한다
한국의 국가 R&D는 경제성장 → 산업경쟁력 → 기술자립 → 수출 → 제조업 경쟁력과 밀접하게 발전했다. 반도체·통신·자동차·조선·원자력·디스플레이·배터리 같은 산업기술 목표가 강했던 이유이다. 이 모델은 빠른 산업화에 효과적이었다.
그러나 목표 → KPI → 기술이전 → 특허 → 사업화 논리를 모든 연구에 적용하면 Science가 약해질 수 있다. 2026년 한국 정부 R&D 예산은 35.5조원, 과기정통부 예산은 약 23.7조원으로 정리된다. AI 대전환 약 5.1조원, NEXT 전략기술 약 5.9조원, R&D 생태계 약 4.5조원이 주요 축이며, 기초연구는 예산과 과제 수를 복원하는 방향이 제시됐다.
동시에 출연연은 PBS 폐지와 함께 소규모·파편화 과제를 대형·중장기·임무중심형 연구로 전환하려 한다. 즉 Bottom-up Science와 Top-down Mission Engineering을 동시에 강화하려는 전환이다.
| 관점 | 미국 | 한국 |
|---|---|---|
| 역사적 강점 | Fundamental Science + Mission Engineering | Industrial Engineering·응용기술 |
| 기초과학 | 대학·NSF·NIH·DOE 생태계 강함 | 강화 중, 규모·안정성 개선 여지 |
| Mission Engineering | DARPA, NASA, DOE, National Labs | 출연연, 산업부 사업, K-문샷 |
| 최근 방향 | Science–Engineering–Industry loop 강화 | 기초연구 복원 + 임무 R&D 강화 |
| 핵심 위험 | 과학예산 변동·산업 과집중 | 단기 KPI가 Science까지 지배할 위험 |
출연연은 대학과 기업 사이의 국가적 공백을 맡아야 한다
출연연은 대학도 기업도 아니다. 대학이 혼자 하기 어려운 10~20년 거대 시스템 연구, 대형 scientific infrastructure, 대규모 engineering team, 국가 공공데이터·플랫폼과 기업이 투자하기 어려운 수익불확실 장기연구, 공공재 기술, 시장형성 이전 기술을 맡는 것이 타당하다.
첨부자료는 DOE National Laboratories와 Office of Science의 27개 대형 scientific user facilities를 대표 사례로 든다. 출연연의 가장 적절한 정체성은 Mission-oriented Science & Engineering이다.
모든 출연연에 3년 내 기술이전을 요구하면 대학보다 못한 Science와 기업보다 못한 Engineering이 될 수 있다. 반대로 좋은 논문만 요구하면 별도 국가연구기관의 존재이유가 약해진다.
핵융합, 우주, AI 컴퓨팅, 6G, 양자, AI for Science, 국방 AI, 신약 플랫폼처럼 “대학이 혼자 풀기에는 너무 크고, 기업이 혼자 투자하기에는 너무 위험하지만 국가적으로 반드시 필요한 문제”가 대표적 임무이다.
국가 R&D를 하나의 평가체계로 관리하면 안 된다
| 포트폴리오 | 목적 | 기간 | 평가 |
|---|---|---|---|
| Frontier Science | 새로운 원리·지식 발견 | 5~15년+ | scientific breakthrough |
| Mission Science & Engineering | 국가 난제 해결 | 5~10년 | mission achievement |
| Industrial Engineering | 제품·공정·산업 경쟁력 | 2~7년 | performance / market / deployment |
중요한 새로운 것을 알게 했는가?
Novelty · Explanation · Evidence · Reproducibility
원하는 일을 실제로 하는가?
Performance · Reliability · Cost · Safety · Scalability
새로운 이해가 capability를 만들고 그 capability가 다시 새로운 발견을 만드는가?
세 포트폴리오 사이에는 Pasteur-type Use-Inspired Research가 필요하다. 근본원리를 연구하지만 처음부터 중요한 활용문제를 의식하는 연구이다. Science에는 long-term option value를, Engineering에는 Mission → Milestone → Demonstration → Deployment를 적용해야 한다.
예산 질문도 달라야 한다. Science에는 “10~20년 뒤 국가의 선택지를 늘릴 지식에 투자하는가?”, Engineering에는 “지식이 capability로 전환되지 못하게 막는 bottleneck이 무엇인가?”, Mission에는 “둘을 결합해 이전에는 불가능했던 국가문제를 해결할 수 있는가?”를 물어야 한다.
AI 시대에는 Science와 Engineering이 하나의 폐루프로 더 빠르게 결합한다
AI는 literature search, hypothesis generation, simulation, experimental design, data analysis까지 수행한다. 그래서 Engineering AI to do Science, Science done by an engineered system, Engineering enabled by AI-generated Science가 연쇄적으로 이어진다.
Genesis Mission과 K-문샷도 Science와 Engineering을 연결하는 국가적 closed loop로 볼 수 있다. 신약의 biological mechanism 발견과 후보물질·제조공정, 핵융합 plasma instability의 이해와 경제적 reactor, Physical AI의 일반화 원리와 현장 reliability는 각각 다른 목적함수를 갖지만 하나의 미션 안에서 연결된다.
한국의 R&D 정책 철학은 “Science에는 자유와 시간을, Engineering에는 목표와 책임을, 그 사이에는 국가가 감당해야 할 장기적 Mission을 제공한다”로 압축할 수 있다.
이 관점에서 K-문샷 역시 단순 AI for Science가 아니라 Science → Engineering → Autonomous Experiment → Industrialization → New Science를 하나의 폐루프로 만드는 국가 Science & Engineering Mission으로 재정의할 수 있다.
주요 공식 근거
Basic, Applied, Experimental Development 분류.
Science–Engineering–Industry feedback loop 관련 근거.
미국 R&D 투자·수행 구조.
미국 기초과학 투자와 국가 우선분야.
Mission-oriented engineering.
R&D와 제조 scale-up 연결.
한국 R&D 예산 관련 공식 근거.
AI·NEXT·R&D 생태계 투자방향.