2026년 9월 18일 확인된 가장 중요한 변화는 새로운 알고리즘이 아니다. AI 모델 개발사가 실제 생물학 wet lab의 운영주체로 이동했다는 점이다. Anthropic은 샌프란시스코 베이 지역에 자체 생물학 실험시설을 구축했고, Claude가 로봇 장비를 지시해 과학실험을 수행하는 방법과 제한된 인간 개입 아래 실험 자동화를 연구한다고 밝혔다.
그러나 현재 공개된 근거만으로 이를 완성된 Autonomous Science Lab이나 자율 과학적 발견 시스템으로 볼 수는 없다. 성공한 자율실험 수, 인간 개입 빈도, throughput 향상, 재현성, 오류율, 안전사고, 실제 후보물질 성과 등 핵심 정량지표가 공개되지 않았다. 따라서 현재 위치는 “자율 과학적 발견”보다 “AI 보조형 실험 자동화 구축 단계”에 가깝다.
확인된 사실과 아직 공개되지 않은 것
Reuters 인터뷰를 통해 시설 운영은 확인됐지만, 구체적인 질환·프로토콜·장비구성·실험성과는 공개되지 않았다.
자체 wet lab을 운영하며 사내 실험과 외부 협력을 병행한다
Source factAnthropic 생명과학 책임자 Eric Kauderer-Abrams는 샌프란시스코 베이 지역에서 물리적 생물학 실험을 수행하는 자체 wet lab을 운영하고 있으며, 일부 실험은 사내에서, 일부는 외부 연구기관과 함께 수행한다고 확인했다.
공개된 연구방향에는 Claude가 로봇 장비를 지시해 실험을 실행하는 방법, 제한된 인간 개입 아래 자동화 수준 확대, 자체 시설을 통한 반복속도와 현장경험 확보, 희귀질환·난치 표적 및 다중특이성 항체의 전임상 연구 지원이 포함된다. 임상시험은 수행하지 않고 사람의 감독을 필수 안전조건으로 유지한다는 점도 명시됐다.
동시에 Anthropic은 이 시설을 특정 신약발견 전용 연구소라고 규정하지 않았다. 구체적 질환, 실험 프로토콜, 장비구성, 진행성과도 아직 공개하지 않았다.
현재 발표만으로는 실험실의 자율성과 성과를 정량 평가할 수 없다
| 평가항목 | 현재 공개 상태 | 왜 중요한가 |
|---|---|---|
| 성공한 자율실험 수 | 미공개 | 실험 자동화가 실제 반복운영 단계인지 판단하는 기본 지표다. |
| 인간 개입 빈도 | 미공개 | assistive automation과 autonomous operation을 구분하는 핵심이다. |
| 처리량·소요시간 | 미공개 | wet-lab automation의 경제적·운영적 효과를 보여준다. |
| 가설생성·후속실험 선택 | 미공개 | 단순 장비제어와 scientific decision-making을 구분한다. |
| 재현성·오류율·안전사고 | 미공개 | 장기 autonomous science의 신뢰성과 리스크를 판단한다. |
| 후보물질·생물학적 발견 | 미공개 | 과학적 성과가 실제로 생성됐는지 확인하는 결과지표다. |
핵심은 닫힌 실험 루프다
현재 확인 가능한 개념적 구조는 자연어 목표를 로봇 행동과 장비 측정으로 연결하고, 사람이 감독하는 수정단계로 되돌리는 폐루프다.
High-level intent에서 human-supervised revision까지
이 구조에서 중요한 변화는 언어모델의 출력이 텍스트에서 끝나지 않는다는 점이다. 계획은 실험 프로토콜과 장비 명령으로 변환되고, 장비의 결과는 다음 계획을 바꾸는 관찰값이 된다. AI Scientist의 추론 루프가 물리적 실험세계와 연결되는 것이 Autonomous Science Lab의 핵심 조건이다.
다만 현재 공개자료는 AI가 실험설계까지 주도하는지, 인간이 만든 프로토콜의 실행만 자동화하는지 구분할 만큼 상세하지 않다. 이 구분은 autonomous scientist와 robotic lab automation을 나누는 결정적 경계다.
Model Hardware Standard는 유력한 기술기반이지만 직접 연결은 아직 추론이다
MHS는 로봇·장비의 상태, 명령, 안전제약을 표준화된 인터페이스로 표현하는 구조다. 그러나 Anthropic 내부 wet lab이 MHS를 실제 사용한다는 공식 확인은 없다.
여러 장비를 하나의 agent-readable action space로 묶는다
Source factAnthropic이 2026년 8월 공개한 Model Hardware Standard(MHS)는 액체처리기, 로봇 팔, 현미경, 판독기 등의 상태·명령·안전제약을 표준화된 방식으로 표현하고 AI agent가 공동 제어하도록 설계됐다.
Inference이 특성 때문에 MHS는 자체 wet lab의 기술적 기반 후보로 자연스럽게 연결된다. 하지만 Anthropic 내부 시설이 실제로 MHS를 사용한다는 사실은 아직 공식 확인되지 않았다. 두 요소의 결합은 합리적 추론이지 검증된 사실이 아니다.
Genentech 실증은 가능성과 한계를 동시에 보여준다
이 결과는 Anthropic 내부 wet lab의 성과가 아니라 외부 파트너 Genentech의 MHS 개념검증이다. 의미는 두 가지다. 첫째, 자연어 기반 agent가 장비상태를 읽고 제어변수를 반복적으로 조정하는 폐루프가 실제 장비에서 작동할 수 있다. 둘째, 장비오류를 복구하는 것과 물리적 원인을 올바르게 설명하는 것은 다른 능력이다.
“제어가 가능하다”와 “과학적으로 이해한다”를 구분해야 한다. 기포 원인 해석 실패는 Autonomous Science Lab에서 mechanistic understanding과 uncertainty-aware handoff가 왜 중요한지를 보여준다.
새로운 알고리즘보다 더 중요한 변화: 수직통합형 연구조직
계산모델·분자설계 중심의 AI 기업이 physical verification infrastructure까지 내부화하는 방향으로 이동한다.
모델 개발사에서 실험 인프라 운영주체로
| 기존 생명과학 활동 | 이번에 확인된 변화 |
|---|---|
| 계산모델·분자설계 중심 | 자체 wet lab에서 물리적 검증 |
| 외부기관의 실험 검증 의존 | 사내 실험과 외부협력 병행 |
| AI–장비 인터페이스 제공 | 실제 로봇 실험운영 역량 구축 |
| 단발성 proof-of-concept | 장기적 전임상 연구 인프라 지향 |
Analysis이 변화의 가장 큰 의미는 알고리즘 benchmark가 아니라 조직의 feedback latency에 있다. 가설을 만든 조직이 실험시설까지 직접 운영하면 가설 → 실행 → 관찰 → 수정의 주기를 같은 조직 안에서 더 짧게 반복할 수 있다.
따라서 이번 발표는 완성된 Autonomous Science Lab의 성과 발표라기보다, AI Scientist가 생성한 가설을 자체 시설에서 검증할 수 있는 수직통합형 연구조직으로의 전환 신호로 읽는 편이 정확하다.
Autonomous Science Lab의 병목은 더 강한 모델보다 검증·재현·안전이다
현재 공개자료에서 가장 큰 공백은 장비사양보다 실패·오염·drift·bio-safety·IP isolation을 어떻게 기록하고 통제하는지에 있다.
아직 검증되지 않은 일곱 가지
- 방법론과 장비구성이 공개되지 않아 외부에서 재현할 수 없다.
- 독립 평가나 동료심사 결과가 없다.
- AI가 실험설계까지 담당하는지, 단순 실행만 담당하는지 불명확하다.
- 실패실험, 오염, 배치효과, 장비 drift를 처리하는 방법이 공개되지 않았다.
- 생물안전, 이중용도 연구, 장기간 자율운용에 대한 정량평가가 없다.
- 고객사의 연구데이터와 Anthropic 자체 연구 사이의 지식재산권·정보격리 문제가 잠재한다.
- 현재 근거만으로는 자율 과학적 발견보다 AI 보조형 실험 자동화 구축 단계로 분류하는 것이 타당하다.
ETRI 관점: “증거책임형 Autonomous Science Lab”로 차별화한다
범용모델이 장비를 직접 조작하는 것에서 끝내지 않고, 가설·근거·조건·행동·실패·인간개입을 감사 가능한 근거 그래프로 연결하는 방향이다.
문헌 기반 가설을 실제 assay로 닫는 physical verification backend
Autonomous AI Scientist의 문헌·데이터 분석 단계에서 생성된 가설을 실제 assay로 변환하고, 관찰 결과를 다시 belief revision에 반영하는 구조로 연결할 수 있다. 텍스트 중심 scientific agent와 physical experiment loop 사이의 단절을 메우는 backend가 된다.
실험실의 상태와 실패를 agent graph와 HRKG에 기록한다
TxAgentRAG
Planner–Retriever–Executor–Critic–Safety Checker 구조를 적용해 실험 전 장비범위·생물안전·프로토콜 충돌을 검증하고 실행 중 오류를 통제하는 방향이다.
AssayKG-RAG
시료, 농도, 배치, 장비, calibration, 온도, 시간, 작업자 개입, 실패원인을 qualifier로 기록해 조건부 재현성과 실패원인 검색을 지원하는 방향이다.
장비 자동화보다 epistemic accountability를 측정한다
| SGI 항목 | Autonomous Science Lab에서의 측정 초점 |
|---|---|
| D2 · Provenance | 실험·시료·장비 provenance와 변환이력을 추적한다. |
| D4 · Condition | 물리·생물학적 조건을 인식하고 결과의 적용범위를 한정한다. |
| D5 · Uncertainty / Abstention | 불확실성을 표현하고 안전하게 중단·인간에게 이관한다. |
| D6 · Revision / Negative Memory | 실패와 반대증거에 따라 계획·가설·protocol을 수정한다. |
| D7 · External Reproducibility | 다른 장비·시설에서도 결과가 재현되는지 검증한다. |
직접 근거
본문은 첨부 연구동향 문서의 확인된 사실·분석·한계를 기준으로 재구성했다. Anthropic 내부 wet lab과 MHS의 직접 연결은 공식 확인되지 않았으므로 추론으로만 표시했다.