ko원 발행일 2026-05-22

AI는 과학 보조자에서 과학자로 자리를 옮겨가고 있다

Google I/O 2026이 진짜로 말한 것

매년 Google I/O는 발표가 너무 많아 진짜 큰 발표가 묻힌다. 이번 2026년도 마찬가지였다. Gemini 3.5 Flash와 Pro의 성능 개선, Gemini Omni라는 새 멀티모달 모델, Antigravity 2.0이라는 agent IDE 업그레이드, 그리고 100가지 항목으로 정리된 발표 리스트. 이 안에서 가장 조용했지만 가장 깊은 발표가 있었다.

Gemini for Science.

이 발표가 던지는 질문은 단순하다. AI는 과학자를 더 잘 돕는 도구가 될 것인가, 아니면 과학 자체를 수행하는 행위자가 될 것인가. Google은 이번에 후자 쪽으로 분명히 한 걸음 내디뎠다.

---

발표는 4개의 컴포넌트로 구성된다

(1) Literature Insights — NotebookLM 기반. 문헌 검색과 분석을 AI가 대신 수행한다. 수천 편의 논문을 가로질러 핵심 발견을 추출하고 비교한다.

(2) Hypothesis Generation — Co-Scientist 기반. 데이터를 보고 가설을 생성한다. 같은 날 Nature에 출간된 검증 논문이 함께 발표됐다.

(3) Computational Discovery — AlphaEvolve와 Empirical Research Assistance(ERA) 기반. 코드와 모델을 변이시키며 계산 실험을 자동화한다. ERA는 COVID-19 입원 예측 같은 역학 예측 작업에서 기존 앙상블 기준선을 넘어서는 결과를 냈다.

(4) Science Skills — 이번 발표의 진짜 인프라. UniProt, AlphaFold Database, AlphaGenome API, InterPro 등 30개 이상의 생명과학 데이터베이스와 도구를 묶어 Antigravity 같은 agentic 플랫폼에서 한 번에 접근하게 한다. 5월 19일부터 GitHub와 Google Antigravity에서 공개됐고, Antigravity 사용자라면 바로 써볼 수 있다.

앞의 셋은 실험적 도구라 점진 출시 중이지만, 네 번째 Science Skills는 이미 사용할 수 있다. 그리고 이게 가장 위험하고 가장 흥미롭다.

---

진짜 의미: 알파폴드 이후 가장 큰 변곡점

2018년 알파폴드 1, 2020년 알파폴드 2, 2024년 알파폴드 3. 이 흐름은 AI가 단백질 구조 같은 특정 과학 문제를 매우 잘 푸는 전문 도구를 만드는 흐름이었다. 알파폴드의 성공이 어찌나 압도적이었던지, 2024년 노벨 화학상이 이 모델을 만든 John Jumper와 Demis Hassabis에게 갔다.

그런데 2026년의 신호는 다르다. John Jumper가 Google의 AI coding 프로젝트에도 투입됐다는 보도가 나왔고, Google의 공식 발표 역시 "좁은 전문 모델"보다 "여러 분야의 연구자를 지원하는 일반 에이전트"를 다음 발견의 기반으로 제시한다.

알파폴드 같은 단일 목적 모델을 한 번 더 만드는 것보다, 여러 모델·DB·도구를 자율적으로 조합해 과학을 수행하는 agent를 만드는 게 다음 전장이라는 판단이다. Gemini for Science는 그 판단의 구현체다. 알파폴드는 이제 부품이고, agent가 그 부품을 어떻게 조합할지가 새 게임이다.

이게 단순한 도구 업그레이드와 다른 이유가 여기 있다. 패러다임 자체가 바뀐다.

---

가까운 미래에 가능해지는 것들

이 패러다임이 자리 잡으면 다음 같은 일이 가능해진다.

신약 후보 발굴 속도 폭증. 단일 단백질에 대해 1000개 분자를 도킹하고, 상위 후보의 결합 메커니즘을 자동으로 가설화하는 작업이 분 단위로 처리된다. Google이 공개한 AK2 유전자 희귀질환 사례가 이미 그 방향을 보여준다. 보통 몇 시간 걸리는 분석을 몇 분 만에 완료했고, 새로운 잠재적 질병 메커니즘을 도출했다.

희귀질환 메커니즘 규명. 유전체 데이터와 구조 데이터, 문헌까지 통합 분석하는 일이 1인 연구자에게 가능해진다. 이전에는 대형 컨소시엄이 오래 붙잡고 있어야 했던 작업이다.

과학 분야 확장. 약학을 넘어 다른 분야로 빠르게 번지고 있다. BASF는 AlphaEvolve를 공급망 최적화에 활용 중이고, Bayer Crop Science는 Co-Scientist를 농업 연구에 도입했다. 일본 제약사 Daiichi Sankyo와 미국 DOE 산하 국립연구소도 private preview 파트너로 들어가 있다.

연구자 역할의 분화. "문제 정의·해석" 단계는 인간이, "데이터 가공·문헌 탐색·후보 생성" 단계는 agent가 맡는 구조가 표준이 된다. 박사 과정의 노동 구조 자체가 다시 짜일 가능성이 있다.

---

그런데 빠진 것

여기서부터가 중요하다. Gemini for Science는 기존에 시간이 많이 걸리던 분석을 빠르게 만드는 도구지, 기존에 보이지 않던 것을 보이게 만드는 도구는 아니다. 더 빠른 처리량과 더 깊은 통찰 사이에는 차이가 있다.

지금 산업의 모든 AI 과학 도구가 비슷하다. 더 많은 데이터, 더 빠른 처리, 더 큰 모델. 그런데 왜 어떤 분자가 어떤 자리에 들어맞는가라는 메타-원리는 아직 누구도 다루지 않는다. 결합 가능성 점수와 ipTM 수치를 내주는 건 도구가 잘한다. 그러나 그 자리가 왜 비어 있고, 왜 하필 그 분자가 거기 들어맞는가에 대한 개념적 lens는 도구가 제공하지 않는다.

이 lens가 다음 변곡점이 될 것이다. 알파폴드가 "구조를 예측한다"는 lens를 제공했듯, 다음 도구는 "왜 거기에 빈 자리가 있는가"라는 lens를 제공해야 한다. Google이 아직 비워 둔 자리가 거기다.

---

정리

이번 Google I/O 2026의 진짜 발표는 모델 업그레이드가 아니라 과학 수행 방식의 재정의다. AI는 더 이상 과학자의 보조 도구에만 머물지 않고, 과학을 직접 수행하는 행위자로 위치를 바꾸고 있다. 알파폴드는 그 안에서 한 부품이 된다.

이 흐름에서 두 가지 질문이 남는다. 첫째, agent가 과학을 수행한다면 과학자의 역할은 어디로 이동하는가. 둘째, 모든 도구가 처리량 경쟁에 들어간다면 진짜 새로운 발견은 어디서 나올 것인가.

전자는 시간이 답할 것이다. 후자는 아마, 도구가 아니라 lens에서 나올 것이다.

---

Sources: [Google Gemini for Science announcement](https://blog.google/innovation-and-ai/technology/research/gemini-for-science-io-2026/), [Google Research ERA announcement](https://research.google/blog/empirical-research-assistance-era-from-nature-publication-to-catalyzing-computational-discovery/), [Google DeepMind AlphaEvolve update](https://deepmind.google/blog/alphaevolve-impact/), Google I/O 2026 materials, Nature Co-Scientist and ERA papers.