From Scientific Plans to Reliable Laboratory Actions

PART 01

1 Definition

AI 과학자의 핵심은 과학적인 문장을 만드는 능력이 아니라, 증거에 따라 가설과 행동을 바꾸고 그 과정을 다른 연구자가 다시 검사할 수 있게 만드는 능력이다.

이 글은 ‘AI 과학자’를 가설 제안, 실험 또는 계산 설계, 도구 실행, 결과 해석, 다음 연구 선택을 연결하는 시스템으로 정의한다. 시스템의 이름에 Scientist가 들어간다는 이유만으로 이 전주기가 입증되지는 않는다. 특정 계산 과제에서 끝까지 실행하는 능력과 실제 실험실에서 장비·시료·안전을 관리하는 능력도 별도로 평가해야 한다.

다섯 용어는 하나의 성숙도 사다리가 아니다. 뛰어난 자율실험실도 사람이 정한 목적함수만 최적화할 수 있고, 창의적인 공동연구 에이전트도 실제 장비를 제어하지 않을 수 있다. 이 글에서는 인간 참여를 목표 설정, 실행 중 승인, 유지보수, 결과 판정의 네 위치로 나누어 표시한다.

PART 02

2 Problem Definition

목표는 제한된 시간·비용·장비·인력으로 검증 가능한 지식을 늘리는 것이다. 논문 검색 결과를 길게 요약하거나 실험 횟수를 줄이는 것만으로 달성되지 않는다. 나쁜 가설을 빠르게 실행하면 자원 낭비가 가속되고, 좋은 가설도 장비 상태를 잘못 이해하면 실패한다. 따라서 연구 전주기의 병목을 하나의 ‘추론 성능’ 점수로 묶는 접근에는 한계가 있다.

하나의 연구 임무는 연구 질문, 경쟁 가설, 반증 조건, 자료의 출처, 허용 행동, 관측값, 비용과 위험, 중단 기준의 묶음이어야 한다. 특히 실패한 실행과 가설을 반박한 실험은 다르다. 시료를 옮기지 못한 결과는 가설의 음성 증거가 아니며, 계산이 수렴하지 않은 결과를 해당 물질의 불안정성으로 곧바로 해석해서도 안 된다.

여기서 ‘검증된 정보 증가’는 논문 수나 에이전트가 작성한 보고서 분량이 아니다. 어떤 가설을 지지하거나 기각했는지, 같은 결론을 얻는 데 필요한 실험 조건이 무엇인지, 다른 조건에서 결론이 유지되는지를 말한다. 이 목적식은 개념적 설계 원칙이며 이번에 검토한 연구들의 공통 실측 지표가 아니다.

K-문샷과 연결할 때의 문제 정의도 같다. 국가 연구데이터, 과학 모델, 에이전트, 자율실험실을 각각 개발하는 것만으로는 연결이 보장되지 않는다. 한 단계의 출력이 다음 단계의 입력으로 사용될 수 있는지, 그 과정에서 단위·불확실성·버전·권한이 유지되는지를 검증하는 공통 구조가 필요하다.

PART 03

3 Core Concepts

지식과 관측을 함께 이해한다

과학 특화 멀티모달 이해는 논문 그림을 설명하는 데서 끝나지 않는다. 구조 파일, 스펙트럼, 현미경 이미지, 장비 화면, 동영상, 시계열을 시료·실험·시간·단위에 맞춰 연결해야 한다. 문헌의 장비 사진과 현재 실험실의 장비 상태는 출처와 시점이 다르므로 기억에서도 구분해야 한다. 이 구분이 없으면 과거에 가능했던 조작을 지금도 가능하다고 판단할 수 있다.

반증 가능한 가설은 예상 관측과 함께 저장한다

“이 소재가 더 좋다”는 표현 대신 비교 대상, 조건, 측정 지표, 기각 기준을 명시해야 한다. 다중 에이전트는 지지자·회의론자·판정자처럼 서로 다른 검토 역할을 맡을 수 있다. 그러나 동일 모델과 동일 자료를 공유한 에이전트들의 합의는 독립 검증이 아니다. 경쟁 설명을 구별할 관측을 제안하는지, 실제 자료가 부족하면 ‘판정 보류’를 선택하는지가 더 중요하다.

능동 실험설계는 가치와 실행 가능성을 함께 고려한다

베이지안 최적화는 관측 결과로 대리모델을 갱신하고 다음 실험을 선택하는 한 방법이다. 불확실성이 큰 곳을 탐색하는 이득과 유망한 조건을 활용하는 이득을 조절한다. 연구 임무에서는 여기에 장비 예약, 시료 안정성, 전처리, 안전 제약과 사람의 준비 시간을 함께 넣어야 한다. 최적화가 제안한 조건이 실행되지 않았다면 목적함수 값도 같은 방식으로 취급할 수 없다.

실행 계약과 연구 기억

이 글에서 ‘실행 계약’은 추상적인 계획을 검사 가능한 입력·출력·전제조건으로 바꾸는 설계 개념이다. 계산에는 모델·정밀도·시드·수렴 조건을, 물리 실험에는 시료·장비 상태·교정·조작 순서를 붙인다. 연구 기억에는 결론뿐 아니라 원시 관측, 코드와 도구 버전, 실패 유형, 사람의 수정, 재실행 이력을 남긴다. 메타인지는 자신감 표현보다 재측정·중단·인간 인계의 선택으로 평가해야 한다.

PART 04

4 Introduction

2026년 11월 12일의 종합 글은 통합 플랫폼과 검증 가능한 발견을, 11월 13일의 후속 글은 경쟁 설명·실행 환경·독립 재현을 중심으로 정리했다. 이번 글은 그 기준선에서 실험 행동으로 넘어가는 연결부를 보완한다. 오늘 새로 공개된 논문 네 편이라는 뜻은 아니다. 직전 원장에 없던 기간 내 연구 네 편을 새로 검토했으며, 그중 AutoDNA는 프리프린트와 최근 정식 출판을 하나의 연구로 합쳤다.

네 연구는 서로 다른 질문에 답한다. AutoDNA는 통합 운영, MIND는 계산 검증, BEAKER는 행동 인지, Embodied Science Agents는 실험 선택과 조작의 결합을 보여준다. 데이터·장비·평가 방식·자원이 다르므로 성능 숫자를 한 줄로 세워 우열을 정할 수 없다. 공통점은 연구 계획이 실행 가능한 단위로 변환되어야 한다는 것이며, 이것은 네 논문을 종합한 분석적 연결이다.

이전 글: 2026-11-12 종합 · 2026-11-13 후속. 조사일 2026-11-14 KST. 논문별 접근 범위와 날짜는 아래 근거 원장에 공개한다.

PART 05

5 Motivation and Background

정책이 요구한 연결과 연구가 보여준 연결

[정책 원문] 과기정통부 「K-문샷 추진전략(안)」(2026-02-25), PDF p.24는 연구 전주기 통합 AI Scientist 플랫폼, 과학적 발견 핵심기술, 국가 연구데이터 연계, 과학 특화 멀티모달 독자모델, 버티컬 AI 파인튜닝 툴킷을 제시한다. ETRI·KISTI 플랫폼, ETRI 과학 모델, KISTI 데이터의 표기는 역할(안)이다. 이를 확정된 기관별 본사업 배분으로 강화하지 않는다.

[새 공식 후속자료] NST는 2026-11-13 「신약개발 AI-ready 학습과 벤치마크 데이터 구축사업 기획 연구」 정책연구과제를 공고했다. 공식 홈페이지 목록의 게시일과 공고 본문의 K-문샷 AI신약 미션 지원 목적, 담당부서, 11월 23일 마감, 첨부 목록을 확인했다. 공식 공고 본문의 RFP는 다운로드 형식 문제로 읽지 못했다. 따라서 세부 과업·예산·구축 규모를 인용하지 않는다.

[분석적 연결] 이 공고는 AI신약 미션에 관한 기획 연구다. AI 과학자 미션의 새 상세 로드맵이나 데이터 본사업의 확정 발표가 아니다. 다만 학습 데이터와 벤치마크를 함께 기획한다는 공개 내용은, 범용 플랫폼과 도메인별 검증 데이터를 연결해야 한다는 연구 설계의 필요성을 뒷받침하는 정책적 맥락을 제공한다. ETRI에 특정 역할이 새로 부여됐다고 해석하지 않는다.

이번 실행에서는 정부·NST 후속 발표를 다시 검색하고 관련 공식 페이지를 확인했다. AI 과학자 상세 로드맵의 후속 확정 원문은 확보하지 못했다. 11월 10일 정책 세미나의 전문·첨부와 기존 독립 검증 기획 공고의 RFP도 미확인 항목으로 유지한다. 접근 제한은 정책 변화가 없다는 증거가 아니다. 보관 원문에서 읽은 내용과 실시간 웹에서 확인한 범위를 참고문헌에 나누어 적었다.

PART 06

6 Challenges

행동을 말로 설명하는 것과 수행하는 것의 간극

과학 지식이 풍부한 모델도 장비 뚜껑의 개폐, 액체 이동의 전후 관계, 도구의 조작 가능 부위를 잘못 판단할 수 있다. BEAKER가 제기하는 문제를 플랫폼 설계에 적용하면, 과학 추론 모델과 실험 행동 모델을 동일한 테스트만으로 평가해서는 안 된다는 결론이 나온다. 실제 실행을 검증하려면 상태 관측, 행동 선택, 결과 확인을 연결해야 한다.

고품질 계산에도 모델 편향이 남는다

계산 프로그램을 정확히 실행한 사실과 물질에 대한 결론이 현실에서 정확하다는 사실은 다르다. 구조 파일의 오류, 계산 모델이 학습하지 않은 물질군, 정밀도와 수렴 기준, 경계조건이 결론을 바꿀 수 있다. MIND와 같은 구조화된 실행 방식은 감사 가능성을 높이는 설계 사례지만 대리모델의 적용 범위까지 자동으로 보증하지는 않는다.

사람의 숨은 노동과 장기 운용

시약 보충, 소모품 교체, 장비 교정, 학습용 시연, 실패 후 재정렬은 연구 시스템의 실질적인 자원이다. 사람이 개입하지 않은 ‘한 번의 실행’과 사람이 관리한 ‘전체 운영 기간’은 구분해야 한다. 긴 임무에서는 오류 하나를 복구한 뒤에도 원래 실험 의도가 보존됐는지, 새로 쓴 시료가 이전 시료와 동등한지 확인할 필요가 있다.

국가 데이터의 연결은 접근권과 계보의 문제다

여러 기관의 자료를 한곳에서 검색하는 기능만으로 AI-ready 상태가 되지는 않는다. 원본과 파생물의 연결, 실험 프로토콜 버전, 누락·검출한계·실패 상태, 사용 허가와 수정 이력이 필요하다. 데이터가 학습과 평가에 동시에 쓰이면 연구 기억이 평가 정답을 미리 알고 있는 상태가 될 수 있다. 기관 간 분할뿐 아니라 실험 계열·시간·장비·물질 계열을 고려한 누수 점검이 요구된다.

PART 07

7 Research Questions

위 질문들은 신규 제안이며 이번 논문들이 이미 답을 낸 것으로 서술하지 않는다. 공통 모델, 도구 버전, 데이터 분할, 튜닝 예산, 인간 지원 시간을 먼저 고정하고 반복 실행해야 한다. 통계적 유의성과 실제 연구 효용도 구별해야 한다. 작은 점수 상승이 한 번의 추가 장비 교정 비용보다 작다면 운영상의 개선으로 볼 수 없기 때문이다.

PART 08

8 Approaches(Methods)

8.1 AutoDNA — 여러 장비를 통합한 생체분자 작업

[저자 결과·동료심사 출판] AutoDNA는 AI 모델·실험·장비를 함께 설계한 다중 사용자 실험실이다. 출판사 초록은 20종을 넘는 장비, 11,000회를 넘는 실험 단계와 핵산 합성·전사·증폭·시퀀싱을 보고한다. 전문가 최적화 효소적 DNA 합성의 수율 수준을 맞추고, 병행 프로토콜 실행을 3.2배 가속했으며, DNA 저장 디지털 정보의 정확 복원과 임상에서 관찰되는 KRAS G13D 변이의 식별·검증 사례를 제시한다. 사람은 시약·소모품 보충을 포함한 하드웨어 유지보수를 담당했다. Nature 원논문 · 같은 연구의 프리프린트.

[조건·한계] 3.2배는 병행 실행의 비교이며 개별 실험의 보편적인 속도 향상이 아니다. 변이 검출 사례는 임상 진단 정확도나 치료 효능을 증명하지 않는다. 저자 실험실의 결과로서 독립 기관 재현과 구분한다. 이번에는 출판사 검색으로 제공되는 초록·서지·자료 및 코드 공개 안내를 읽었고, 출판사 본문·PDF는 접근하지 못했다. 장비별 고장률·전체 비용·세부 대조군은 확인한 범위를 넘어 수치화하지 않는다.

[기획 해석] 통합 실험실의 성과를 모델 크기만으로 설명하기 어렵다는 사례다. 장비 기능을 표준 동작으로 표현하고 여러 작업의 자원 충돌을 관리하는 운영 구조가 연구 대상이 된다. 장비별 어댑터 수를 곧바로 과학적 발견 능력으로 바꾸어 평가해서는 안 된다.

8.2 MIND — 가설을 구조화된 계산으로 판정한다

[저자 결과·개정 프리프린트] MIND는 물질·가설을 추출하고 CIF 출처, 계산 모델·정밀도·시드·수렴 조건을 구조화한다. MCP를 통해 SevenNet-Omni 계산을 호출하고 지지자·회의론자·판정자 토론으로 정량 결과를 해석한다. 단위 실행 실패는 다른 실행과 분리한다. 전문가가 구성한 이진 가설 28개 중 21개를 맞혀 75%를 보고했고, 맞힌 사례 중 8개는 추가 정제 순환을 거쳤다. 평균 검증 시간은 약 5분이었다. v2 원문·방법·평가.

[조건·한계] 저자의 인간 작업 3–6시간 대비 36–72배 주장은 동일 예산의 통제된 인간 비교 실험으로 읽지 않는다. 26명 재료과학자의 7점 평가에서 타당성 5.76, 투명성 5.78, 유용성 5.88은 주관적 평가다. 계산 기반 검증이며 실물 합성·측정으로 독립 입증한 결과가 아니다. 저자 코멘트의 ECML PKDD 2026 데모 트랙 채택과 미래 연도 2027로 표시된 서지 항목을 구별하여, 현재 정식 출판 완료로 세지 않았다.

[기획 해석] 계산 도구가 반환한 숫자를 문장으로 바꾸는 것보다, 어떤 조건에서 계산했고 실패가 무엇이었는지 보존하는 구조가 중요하다. 원격 도구 연결 표준과 과학적 의미의 검증은 별개이므로, 인터페이스 호출 성공 후에도 모델 적용 범위와 판정 근거를 검사해야 한다.

8.3 BEAKER — 실험 행동을 이해하는 능력의 별도 평가

[저자 결과·프리프린트] BEAKER는 전문가가 수작업으로 만든 이미지·동영상 질의응답 1,000개, 11개 과제로 28개 멀티모달 모델을 평가한다. 주석 생성에 AI를 사용하지 않았고, 문항 제작에 참여하지 않은 화학 전문가 3명의 비교 결과를 둔다. 모델은 API 또는 로컬 16개 A100 환경에서 평가됐으며 조절 가능한 경우 온도 0.7을 사용했다. 행동 가능 부위 식별(AFF) 평균 점수는 9.7, 궤적 관련 과제(TRAJ)는 34.7로 보고된다. 원문 평가·자원·한계.

[조건·한계] 이 수치는 과제별 점수이며 로봇 성공률이 아니다. 미세 조작과 상태·순서의 어려움을 보여주는 오프라인 단일 응답 평가로, 실제 장비 실행이나 다회 복구를 검증하지 않는다. 벤치마크 점수와 현장 성공의 상관은 입증되지 않았고, 사전 수집 자료의 학습 중복 가능성도 남는다. NeurIPS 2026 Eval & Data Spotlight 채택은 arXiv 저자 코멘트로 확인했으며 공식 학회 기록은 독립 확인하지 못했다.

[기획 해석] 실험실 행동 이해를 과학 상식 문제와 분리할 필요성을 보여준다. 플랫폼 평가에는 정답을 설명하는 단계와 실제 도구·장비 상태에 접지하는 단계를 각각 넣고, 두 단계의 결과가 얼마나 연결되는지 별도로 측정해야 한다.

8.4 Embodied Science Agents — 실험 선택과 배운 조작의 폐루프

[저자 결과·프리프린트] 이 연구는 기억·추론·베이지안 최적화를 수행하는 Digital Agent와 API·GUI·ACT 시각운동 정책을 사용하는 Embodied Agent를 통합한다. Safranine T 모델 폐수 전기펜톤 실험에서 5개 매개변수를 다뤘다. 총 15회는 초기 라틴 하이퍼큐브 5회와 최적화 10회다. 투과율은 82%에서 99.7%로 증가했고, 광학 관계에 근거한 잔류 염료 농도 상대 감소 98.5%를 보고한다. 원문·실험·부록.

[조건·한계] 투과율 차이는 17.7%포인트이며 잔류 농도 감소와 다른 지표다. 광학 가정을 전제로 한 염료 제거를 총 오염물 무기화·독성 제거로 확대하지 않는다. ACT는 전문가 시연으로 학습했고 부록은 두 시나리오에 걸친 총 480개 궤적을 제시한다. 미리 학습한 기술과 정해진 실험 환경을 사용했으며 독립 실험실의 재현은 확인하지 못했다. DAI 2026 채택 표기는 저자 코멘트이며 미래 학회 개최 완료를 뜻하지 않는다.

[기획 해석] 연구 지능과 신체 기술을 연결하는 구체적 사례다. 다음 실험의 선택 능력과 그 실험을 수행하는 기술의 학습 비용을 함께 평가해야 한다. 조작 기술을 사전에 훈련한 비용을 빼고 ‘15회만에 자율 학습’이라고 표현하면 연구의 실제 조건이 사라진다.

8.5 공통 아키텍처 제안: 증거에서 실행으로, 실행에서 반박으로

이 구조는 기존 연구의 공통 표준으로 이미 합의된 것이 아니라 신규 제안이다. 특히 메모리 검색을 잘하는 것만으로 복구 능력이 확보되지 않는다. 실패 직전 상태를 복원하고 같은 실험 의도를 유지하는지까지 검증해야 장기임무를 논할 수 있다.

PART 09

9 Key Applications

응용을 확장할 때 공통 플랫폼의 역할은 분야 지식을 모두 하나의 모델로 대체하는 데 있지 않다. 분야별 도구와 실험법을 호출하면서도, 근거·단위·상태·계보가 전주기에서 유지되도록 만드는 것이 우선이다. ETRI의 2028–2032년 기획 관점에서는 과학 멀티모달 모델, 실행·복구 에이전트, 데이터 계보, 장비 연결, 독립 평가의 접점을 연구할 여지가 있다. 이는 정책 역할(안)과 이번 연구를 연결한 제안이며 확정 사업 분담이 아니다.

인간-AI 협업의 효용은 전문가를 몇 명 줄였는지보다 전문가의 판단이 어디에서 더 잘 쓰였는지로 평가할 수 있다. 목표·반증 기준 설정과 위험 판단에는 사람의 역할을 명확히 두고, 반복 계산과 실행 기록에는 자동화를 적용한다. 시스템이 증거 부족을 알리고 개입을 요청하는 능력도 긍정적인 결과로 인정해야 한다.

PART 10

10 Open Problems

계산의 정답과 실험의 진실을 어떻게 잇는가

대리모델이 높은 확신으로 틀리는 영역을 탐지하는 문제는 남아 있다. 계산에 성공한 가설만 실험으로 보내면 계산 모델의 사각지대가 검증 대상에서 빠질 수 있다. 불일치 사례와 판정 불가 사례를 적극적으로 수집하고, 어떤 경우에 계산을 신뢰하지 말아야 하는지 학습하는 연구가 필요하다.

자율성은 얼마 동안, 어떤 조건에서 유지되는가

짧은 과제에서 한 번 성공한 시스템이 장기 운영에서도 같은 수준을 유지한다고 볼 수 없다. 시약 열화, 장비 드리프트, 데이터 형식 변경, 도구 업데이트가 누적될 때 연구 기억의 일관성과 복구 정책을 평가해야 한다. 이번 네 연구만으로 수개월 장기임무·범용 무인 연구소·완전 자율적 발견을 검증했다고 주장할 수 없다.

안전과 재현성은 계획을 제한하는 기능이어야 한다

금지 행동을 말로 적어두는 것보다 권한과 장비 인터록을 실행 단계에 적용하는 것이 중요하다. 안전한 중단 후 무엇을 재사용할 수 있고 무엇을 폐기해야 하는지 기록해야 재현도 가능하다. 사람의 승인으로 위험을 회피한 시스템과 자동으로 위험을 탐지한 시스템을 같은 지표로 평가하지 않는 설계도 필요하다.

벤치마크가 연구 방향을 왜곡하지 않는가

정답이 고정된 질의응답, 보고서 완성, 제한된 과제 성공만 최적화하면 새로운 현상을 발견하는 능력은 평가에서 빠질 수 있다. 반대로 발견 수만 세면 부정확한 결과를 많이 만드는 전략이 유리해진다. 연구 과정의 완결성, 독립 검증, 음성 결과의 가치, 사람의 기여를 함께 평가하는 기준이 아직 미해결이다.

PART 11

11 Future Directions

2028–2032년의 전략연구사업은 ‘더 긴 연구 보고서’보다 ‘다른 기관에서도 검증할 수 있는 연구 행동’을 목표로 설계할 수 있다.

아래는 신규 사업 구상이며 정부의 확정 사업명·예산·기관 배분이 아니다. 2028–2032년에 확보할 기술과 검증 단계를 제안하되, 정책 원문의 2029·2032·2035 목표연도는 앞 절의 발표 문서별로 유지한다. 특히 2035 목표를 2032년 실적 의무로 앞당기지 않는다.

사업 간 접점은 공통 산출물로 고정한다

모델 사업이 ‘가설과 근거’를, 에이전트 사업이 ‘실행 계약’을, 데이터 사업이 ‘계보와 권한’을, 실험실 사업이 ‘관측과 실패’를 같은 임무 식별자로 연결하도록 설계할 수 있다. 인터페이스가 연결됐다는 선언보다 실제 임무의 앞뒤 단계가 서로를 검사하는지를 공동 실험으로 보여줘야 한다. KISTI·ETRI 등 기관 간 분담은 공식 후속 계획과 협의에서 정할 사항이며, 여기서는 공통 산출물의 형태만 제안한다.

창의적 연구 아이디어: 반박을 실행하는 과학자

아이디어 A — 반증 계약을 가진 가설. 가설을 문장과 함께 예상 관측·대안 설명·기각 기준·필요 도구로 저장하고, 실행 후 어떤 부분이 반박됐는지 자동 갱신한다. 반증 계약이 없는 가설 생성과 비교해 실험 낭비와 잘못된 결론 채택을 줄이는지 검증한다.

아이디어 B — 복구 가능한 연구 분기. 소프트웨어의 실행 재개 개념을 시료·장비·계산 상태에 확장하되 물리적 상태의 비가역성을 명시한다. 실패한 단계부터 무조건 다시 시작하지 않고, 재측정·새 시료·인간 인계 중 가장 타당한 분기를 선택한다. 복구 성공률뿐 아니라 원래 연구 질문의 보존 여부를 평가한다.

아이디어 C — 인지 점수와 현장 성과의 연결 지도. BEAKER와 같은 오프라인 평가의 어떤 하위 능력이 실제 실험 실패를 예측하는지 연결한다. 상관이 없는 하위 점수는 배포 판단에서 제외하고, 예측력이 있는 상태·행동 오류를 중심으로 훈련 자료를 보강한다. 이 연결 자체가 검증 대상이다.

아이디어 D — 가설 포트폴리오와 인간 개입 예산. 한 가설의 최적화가 아니라 서로 다른 설명을 구분할 실험 묶음을 선택한다. 자동 실행, 전문가 검토, 외부 재현의 비용을 함께 배분하고, 오류 가능성이 큰 가설에는 더 많은 독립 검증을 배정한다. 새로움·반증 가능성·실행 가능성·재현성을 함께 설계하는 것이 핵심이다.

위 네 아이디어와 후보 사업은 향후 검증할 연구 제안이다. 이번 논문들의 실적, 정부의 확정 목표, ETRI의 승인 사업으로 집계하지 않는다. 의미 있는 후속 원문이나 정정·재현 결과가 확인되면 이 구상의 전제도 함께 수정해야 한다.

EVIDENCE REGISTER · 2026-11-14 KST

새 발견·버전·출처 원장

검색 범위는 2025-01-01부터 조사일 현재까지이며 최근 24시간에 제한하지 않았다. 직전 글의 DOI·arXiv ID 원장과 대조해 네 연구를 새로 검토했다. 누적 논문은 21편에서 25편이 됐다. 이는 분야 전체 논문 수가 아니라 이 연속 글의 검토 원장 수다. 프리프린트와 정식 출판은 같은 연구로 묶고, Nature 논평은 논문 수와 별도로 유지한다.

¹ arXiv 제출·개정 날짜는 원 사이트의 UTC 날짜를 보존했다. 조사일과 블로그 게시일은 KST이며, 출판사 발행일은 원 표기를 보존했다. 다른 검색 서비스의 수집일을 최초 공개일로 쓰지 않았다. 새로 읽은 MIND v2는 오늘 개정된 자료라는 뜻이 아니며, v1과의 실험 차이를 확인했다고 주장하지 않는다. 미래 연도 출판은 자료에서 제외한다.

새 연구의 원문·재현 자료 경로

1. Wu 외, An AI-native experimental laboratory for autonomous biomolecular operations, Nature, 2026-11-04. DOI: 10.1038/s41586-026-11228-6. 최초 프리프린트. 출판사 안내에 연결된 코드 저장소와 보존 버전. 코드 실행·독립 재현은 이번 조사에서 수행하지 않았다.
2. Ahn 외, MIND: AI Co-Scientist for Material Research. v2 HTML, 저자 코드. 현재 분석 근거는 공개된 v2이며 미래 연도 출판물을 읽었다고 주장하지 않는다.
3. Lin 외, BEAKER: An Expert-Curated Benchmark for Embodied Brains in Self-Driving Chemical Laboratories. v1 HTML, 본문 평가 설정·결과·한계.
4. Embodied Science Agents: Making Embodied Experimental Design Learnable. v1 HTML, 실험 설정과 부록의 시연 자료. 저자 이름은 메타데이터와 HTML 표기 차이가 있어 여기서는 제목으로 식별한다.

정책 원문과 공식 후속 경로

1. 과학기술정보통신부, AI시대 과학기술 경쟁력 대도약을 위한 K-문샷 추진전략(안), 2026-02-25, PDF p.24. 한국화학연구원 공식 정책자료·첨부. 쪽 근거는 보관 원문에 기반하며 역할(안)을 확정 배분으로 바꾸지 않는다.
2. 과학기술정보통신부, K-문샷 추진현황 보고, 2026-03-11, PDF p.21. 정부 공식 회의 발표·안건3. 일정의 쪽 근거는 보관 원문에서 확인했으며 웹 회의 안내와 PDF를 구분한다.
3. 과학기술정보통신부 제출, 제13회 과학기술관계장관회의, K-문샷 전략 로드맵(안), 2026-09-30, PDF pp.4·19–20. 공식 연구기관 정책자료 경로. 웹 경로의 접근 오류와 별개로 보관 원문을 분석했다. AI 과학자 상세 로드맵 별도 발표 예정이라는 단서를 유지한다.
4. NST K-문샷추진지원단, 신약개발 AI-ready 학습과 벤치마크 데이터 구축사업 기획 연구 정책연구과제 공고. 공식 공고; 공식 홈페이지 목록에서 2026-11-13 게시일 확인. 공고 본문·마감일·첨부 목록을 읽었다. RFP 다운로드는 application/x-msdownload 형식 미지원으로 읽기 실패. 세부 요구·예산은 인용하지 않는다.
5. NST, 국가과학AI연구센터 소개. 오늘도 공식 운영 소개를 확인했으나 게시·개정일이 명시되지 않아 정책 개정 날짜로 사용하지 않는다. AI 과학자 독립 검증·재현 인프라 기획 연구는 직전 글에서 검토한 공고로 유지하며 미확인 RFP를 읽은 것으로 처리하지 않는다.
6. 과기정통부, 2026-11-10 K-문샷 정책 세미나 공식 보도자료 경로. 전문·첨부 확보의 한계를 유지하며 상세 로드맵 확정 근거로 사용하지 않는다.

직전 원장과 기존 논문 버전 대조

PaperBench는 2504.01848 최초 2025-04-02, v3 2025-04-07과 ICML 2025 공식 출판을 같은 연구로 유지했다. ETRI AI Scientist 기술 개발 동향(2026-10-01)은 기술 동향 논문이다. Co-Scientist의 Nature 출판과 Robin의 Nature 출판도 프리프린트와 중복 집계하지 않는다.

별도 분류한 Nature 책임성 논평(2026-09-01)은 실험 논문이 아니다. 기존 원장의 버전이 같다는 사실은 모든 정정·외부 재현·후속 정책 변화의 부재를 증명하지 않는다. 이번에 새로 확인한 네 연구에도 독립 기관 재현이 완료됐다고 주장하지 않는다.

조사 방법: 기존 게시물·원장의 식별자 대조 → arXiv 버전 이력·원문 확인 → 출판사·공식 학회 기록 검색 → 정부·NST 후속 발표 검색 → 새 근거의 조건·한계 분리. 직접 실행한 재현 실험은 없으며 검색 실패를 ‘변화 없음’으로 처리하지 않았다.