일하는 방식
분야마다 따로,
기준은 하나로.
막 투과 자유에너지 계산, 백만 개 유전체 스캔, 결정 안정성 선별은 같은 기계로 풀리지 않습니다. 그런 척하지도 않습니다. 분야마다 그 분야의 물리와 데이터와 대조군에 맞춘 하네스를 따로 만듭니다. 대신 결과를 믿어도 되는지 가리는 부분, 곧 증거 규칙과 그것을 대규모로 적용할 연산은 모든 분야가 같이 씁니다.
핵심
왜 분야마다 하네스를 따로 만드는가
파이프라인 하나를 모든 분야에 늘려 씌우면 장표에서는 효율적으로 보입니다. 하지만 결과가 진짜인지를 가르는 결정은 분야마다 다르고, 하나로 묶으면 바로 그 결정이 가려집니다.
물리가 다릅니다
분자동역학, 유전체 규모 서열 탐색, 밀도범함수 계산, 코호트 통계는 겉만 비슷할 뿐 속은 거의 겹치지 않습니다. 하네스마다 그 분야가 실제로 믿는 방법을 중심에 두고 짭니다.
대조군이 다릅니다
무엇을 양성 대조와 음성 대조로 삼을지는 그 분야의 문헌이 정합니다. 범용 세트를 빌려 쓰지 않고, 분야마다 1차 출처에서 대조군을 만들어 고정합니다.
속는 방식이 다릅니다
얇은 통계, 원 논문과 어긋나는 데이터베이스 값, 알고 보니 이미 발표된 닮은꼴. 하네스마다 그 분야 특유의 함정을 기준으로 점검합니다.
증거 기준만은 같습니다
음성 대조, 3단 판정, 선행 연구 대조, 모든 수치의 출처 표기는 어느 분야에나 똑같이 적용합니다. 코드는 따로지만 결과가 통과해야 할 규칙은 같습니다.
한 하네스에서 새로운 틀리는 방식을 배우면, 그 교훈을 규칙으로 적어 다른 하네스에 하나씩 반영합니다. 두 파이프라인이 같다고 가정하지 않고, 직접 대조해 본 뒤에야 같다고 말합니다.
예를 들면
무엇이 들어가고 무엇이 나오는가
신약
분자가 들어가고 결합·투과 에너지가 나옵니다. 실제로 합성할 가치가 있는 몇 개로 줄어듭니다.
단백질
표적 표면이 들어가고 서열과 골격이 나옵니다. 플라스미드를 주문하기 전에 걸러집니다.
바이오마커
다중 오믹스 코호트가 들어가고 신호가 나옵니다. 모델이 본 적 없는 기관 데이터로 검증합니다.
신소재
요구 물성이 들어가고 조성과 구조가 나옵니다. 가마에 불을 넣기 전에 물리로 먼저 거릅니다.
구성
무엇으로 만드는가
파운데이션 모델
분자, 생물, 과학 데이터를 이해하는 파운데이션 모델을 활용하고 직접 개발합니다.
생성형 탐색
기존 후보의 물성을 예측하는 데 그치지 않고, 여러 목표를 동시에 만족하는 새 후보를 직접 만들어 냅니다.
시뮬레이션과 예측
돈이 많이 드는 실험 전에 물리와 학습 모델로 물성을 추정합니다.
자율 연구 에이전트
에이전트가 연구 과정을 처음부터 끝까지 돌리고, 사이클 사이에 기억을 남깁니다.
대규모 연산
발견에는 규모가 필요합니다. AI3가 운영하는 AI 인프라와 대규모 모델 서빙 역량 위에 올라가 있습니다.
발견 루프
AI × 시뮬레이션 × 실험
실험 하나가 데이터를 남기고, 그 데이터가 다음 사이클을 개선합니다. 시간이 갈수록 쌓이는 연구가 남습니다.
이해
과학 지식과 생물 데이터를 모읍니다.
생성
AI가 가설과 후보를 제안합니다.
예측
모델이 물성과 결과를 추정합니다.
선별
가장 유망한 후보를 추립니다.
검증
시뮬레이션이나 실험으로 확인합니다.
학습
결과가 모델로 돌아가고 루프가 반복됩니다.
엔지니어링
검증받도록 만들었습니다
탐색 시스템의 수준은 무엇을 받아들이느냐가 아니라 무엇을 거절하느냐로 정해집니다. 틀린 답은 사람이 읽다가 잡는 게 아니라 시스템이 잡아야 합니다.
음성 대조를 기본으로
모든 관문을 일부러 망가뜨린 계에 돌려 봅니다. 실패할 수 없는 검사는 검사가 아닙니다.
판정은 세 가지
통과, 실패, 그리고 판정 불가. 데이터가 얇아서 통과한 검사는 판정 불가로 보고하고, 그 검사가 가릴 수 있었던 최소 효과 크기를 함께 적습니다.
다른 벤더끼리 교차 판정
계열이 다른 모델들이 같은 후보를 채점합니다. 의견이 갈리면 평균으로 뭉개지 않고 우선순위를 올립니다.
모든 수치에 출처
보고하는 값마다 어떤 계, 어떤 조건, 어떤 실행에서 나왔는지 따라붙습니다. 출처 없는 숫자는 인용하지 않습니다.