AI for Scientific Discovery is a Social Problem

이 논문은 과학을 위한 AI의 혜택이 데이터 기반이 튼튼한 일부 분야에 몰리는 문제를, 원인을 공동체, 연구 우선순위, 데이터, infrastructure의 사회적 장벽으로 짚고 공유 benchmark, 단순한 데이터 표준, 공동체 소유 infrastructure로 풀자고 제안했다.

이 논문은 한마디로 과학을 위한 AI(AI for science)를 가로막는 주된 제약이 흔히 기술보다 사회와 제도에 있다고 주장하는 position 논문이다. 저자들은 자율 AI scientist 서사, 데이터와 infrastructure 기여의 저평가, 분야별 응용에 몰린 연구 우선순위, 데이터 파편화, 계산 자원 격차를 장벽으로 짚는다. 해법으로는 분야 사이 교육과 협업, upstream 계산 과제를 다루는 공유 benchmark, 단순한 데이터 표준, 공동체가 소유하는 infrastructure를 제안하고, CASP(단백질 구조 예측 평가 대회), Protein Data Bank, Materials Project, Hugging Face Hub 같은 사례로 뒷받침한다. 논증은 문헌, 조사 자료, 사례 연구에 기댄다.

핵심 요약

• 문제: AI가 과학 연구에 점점 많이 쓰이지만 그 혜택은 공동체와 분야마다 차이가 크고, 지금까지는 데이터 기반이 튼튼하고 연구 공동체가 잘 조율된 분야에 몰렸다. 데이터 부족, 제각각인 표준, 계산 자원 접근의 불평등 같은 기술 과제는 이미 잘 알려져 있지만, 저자들은 사회적, 제도적 요인이 흔히 가장 큰 제약이라고 본다.
• 주장: 이 논문은 문헌, 조사 통계, 사례 연구를 엮어 주장을 펴는 position 논문이다. 저자들은 AI for science(과학을 위한 AI)를 지속 가능한 협업과 공정한 참여가 기술 진보의 전제 조건인 공동의 사회적 과제로 다시 보자고 주장한다. 또 과학적 성공을 높은 예측 성능에 더해 인과 관계를 밝히는 설명, 실험 검증, 이론과의 통합, 넓은 접근성까지 갖춘 상태로 정의하고, benchmark 예측 정확도만 높이는 시스템은 이 기준에 못 미친다고 본다.
• 분류: 저자들은 장벽을 공동체 기능 장애(자율 AI scientist 서사, 데이터와 infrastructure 기여의 저평가, 분야 사이 소통과 교육의 부족), 연구 우선순위의 어긋남(좁은 분야별 응용 집중과, DFT(밀도범함수 이론) 계산이나 PDE(편미분방정식) solver처럼 여러 분야가 함께 기대는 upstream 계산 병목의 소홀), 데이터 파편화(제각각인 형식과 표준, 차원은 높고 표본은 적은 과학 데이터), infrastructure 불평등(계산 자원 접근 격차)의 네 가지로 나눈다. 저자들은 상업 AI scientist 시스템이 주로 문헌 검색, 요약, 기존 글에서 가설 만들기에 집중하고, 과학 발견을 이루는 실험 검증과 기전 연구(작동 원리를 밝히는 연구)는 대체로 피한다고 본다.
• 제안: 해법도 네 가지로, 분야 사이 협업과 교육 강화(표준화된 interface와 API, 공동 개발 platform, 혼합 전문성을 기르는 교육), 공유 benchmark로 upstream 과제를 구조화하기, CSV(쉼표로 값을 나눈 표 파일)나 Parquet 같은 단순한 형식 중심의 데이터 표준화와 curation, 공동체가 소유하는 지속 가능한 infrastructure 만들기다. 저자들은 연구 자금이 여러 분야별 응용보다 넓게 적용되는 계산 과제를 우선해야 하고, 재현 가능한 연구가 채용, 정년 심사, 인용 수에서 보상받아야 한다고 주장한다.
• 근거: CASP(critical assessment of protein structure prediction, 단백질 구조 예측 평가 대회)는 1994년부터 2년마다 blind 예측 대회(실험 구조가 공개되기 전에 예측을 내는 방식)를 열어 분명한 성공 지표와 어려운 시험 사례를 쌓았고, 저자들은 이 기반 덕분에 2020년 14번째 대회(CASP14)에서 AlphaFold의 돌파가 가능했다고 본다. 데이터 쪽으로는 Cancer Imaging Archive 파일 9개를 맞추는 데 6개월 동안 329.5시간이 든 사례와, Protein Data Bank가 1971년 구조 7개에서 230,000개가 넘는 구조로 커진 사례를 든다. 자원 쪽으로는 아프리카 AI 연구 공동체의 5%만 복잡한 AI 작업에 필요한 계산 자원을 쓸 수 있고, G7 국가의 30분 반복 주기와 달리 아프리카 연구자는 6일 반복 주기를 겪는다는 자료를 인용한다.
• 한계: 저자들은 이 논문이 생물학, 화학, 재료과학, 물리학, 기후과학의 과제를 종합해 구조적 패턴을 짚은 글이라 분야마다 제약이 다르고, 일부 권고는 세부 분야나 규제 환경에 맞게 고쳐야 할 수 있다고 밝혔다. 여러 주장이 기대는 연구와 조사가 과학 기관의 다양성을 다 담지 못하고 특히 덜 대표된 지역이 그렇다고 했으며, ML의 빠른 발전으로 여기서 다룬 기술적 한계 일부는 바뀔 수 있다고 보았다. governance와 incentive 논의는 개괄적인 수준이라 실행하려면 세부 정책 설계와 이해관계자 협상이 필요하고, 두 저자는 논문이 협업 platform 예로 드는 Hugging Face 소속이라고 이해 상충을 밝혔다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.