AI 과학자가 등장했다: 자율 연구실과 합성 초지능

제목: AI 과학자가 등장했다: 자율 연구실과 합성 초지능 — Periodic Labs 원제: AI Scientists Are Here: Autonomous Labs & Synthesis Superintelligence — Periodic Labs URL: https://www.youtube.com/watch?v=YHiqVRxGViM 날짜: 2026-10-08 채널: latentspacepod (Latent Space)

---

📌 핵심 질문 / 새로운 지식은 어떻게 현실과 만나는가

==지능은 과학적 발견에 필요하지만 충분하지 않으며, 학습한 데이터 밖의 세계를 이해하려면 AI가 실제 물리 실험을 수행하고 그 과정에서 얻은 증거를 다시 학습해야 한다.==

• 수학·코딩의 문제는 주어진 공리, 함수, API와 맥락을 컴퓨터 안에 담을 수 있지만, 물리 세계에는 관찰할 수 없는 원자와 숨은 변수가 가득하다.
• 재료 발견은 목표 원자 배열을 예측하고, 실제 합성 조건을 찾고, X선 회절(XRD)·전기·자기·현미경 데이터로 결과를 식별하는 엔드투엔드 루프다.
• Periodic Labs는 시뮬레이션·강화학습(RL)·지능형 장비·고속 실험실을 한 조직에 묶어 과학의 최종 답이 아니라 과학을 수행하는 과정 전체를 학습하려 한다.
• 상온 초전도체처럼 학습 데이터에 없는 큰 발견은 제로샷 추론만으로 보장할 수 없고, 실험 횟수와 데이터 품질을 동시에 늘려야 발견 확률을 높일 수 있다.

새로운 물질은 논문이나 모델의 예측만으로 존재하게 되지 않는다. 가설을 만들고, 물질을 만들고, 측정하고, 실패와 이상 신호까지 계보로 남기며, 다음 실험을 더 잘 선택하는 반복 과정에서 지식이 현실과 일치한다. Periodic Labs가 말하는 합성 초지능(synthesis superintelligence)은 특정 답을 맞히는 챗봇이 아니라 물질을 설계하고 합성하고 특성 분석하는 전 과정을 가속하는 시스템이다.

1. 지능만으로는 충분하지 않다는 출발점 (00:00–05:59)

지능은 필요하지만 충분 조건은 아니며, 새로운 지식은 아이디어가 현실과 일치할 때 생긴다.

1.1. Periodic의 핵심 전제

1. 생각만으로 우주의 답을 닫을 수 없다

   1. 리암 페더스(Liam Fedus)와 에킨 도구스 추북(Ekin Doğuş Çubuk)은 가설을 세우고 실제로 맞는지 확인하는 반복이 지식의 경계를 넓힌다고 본다.
   2. 교과서와 논문을 아무리 읽고 혼자 고민해도 가능한 모든 실험 결과와 예상 밖의 결과를 예측할 수 없다.
   3. 그래서 AI 시스템·물리 시뮬레이션·고속 물리 실험 환경을 처음부터 함께 만들어야 하며, 그곳에서 다른 형태의 지능이 태어난다고 본다.
   4. Fable 7이나 GPT-7이 지금보다 훨씬 좋아져도 학습한 영역 밖의 과학적 발견에는 실험이 필요하다. 상온 초전도체를 제로샷으로 찾아낼 사람은 없다.

2. 대형 AI 연구소와 다른 길

   1. OpenAI나 Google 같은 대형 연구소에는 물리적 실험실과 재료 합성 자원이 없기 때문에 Periodic은 독자적으로 운영 매뉴얼을 만들어야 했다.
   2. 고체화학자·고체물리학자·실험가·이론가·하드웨어 엔지니어·LLM 연구자·컴퓨터 과학자를 한자리에 모으는 조합은 이전에 거의 존재하지 않았다.
   3. 고속 처리 실험, 로봇 팔, 힘장(force field) 기술 중 일부는 불과 약 3년 된 최신 기술이다.
   4. 이론가와 실험가와 화학자가 함께 성과를 낸 Bell Labs가 역사적으로 가장 가까운 조직 모델이다.

1.2. 물리 세계를 강화학습 환경으로 삼기

1. 논문 정답이 아닌 실험실이 궁극적 진실이다

   1. Periodic의 강화학습 환경은 디지털 게임이 아니라 물리적 실험실에서 파생된다.
   2. 논문이나 교과서의 알려진 답에 맞춰 최적화하는 것이 아니라, 이미 알려지지 않은 영역을 향해 나아간다.
   3. 강화학습·도구 사용 에이전트·분산 감소·학습과 추론의 정렬은 일반적인 머신러닝과 공유하지만, 물리 세계에서는 그 위에 불확실성 처리가 필요하다.

2. 불확실성과 샘플 효율성

   1. 용광로에서 나온 물질에는 이름표가 붙어 있지 않으며, 라벨링 자체가 확률적이고 노이즈가 많다.
   2. 장비마다 측정값이 다를 수 있고, 텔레메트리가 부족하면 특정 온도에서 작동했다고 생각한 실험이 실제로는 다른 온도에서 진행됐을 수 있다.
   3. 디지털 환경처럼 임의로 롤아웃을 추가할 수 없으므로 제한된 실험을 효율적으로 사용해야 한다.
   4. 물리 실험은 합성·가열에 걸리는 시간이 있고 장비를 오가며 기다려야 하므로, GPU를 일주일 내내 놀리지 않으면서도 보상을 설계해야 한다.

2. 물리 세계의 관측은 왜 축약되고 불완전한가 (05:59–10:26)

모든 과학 실험은 거대한 현실을 관측 가능한 저차원 표현으로 줄이는 과정을 거친다.

2.1. 코딩·수학과 물리학의 차원

1. 계산 가능한 맥락과 관측할 수 없는 원자

   1. 수학과 코딩에는 공리, 추론, 함수, API 호출 등 문제 해결에 필요한 맥락을 사람이나 LLM이 담을 수 있다.
   2. 물리학은 컴퓨터에 저장할 수 있는 것보다 훨씬 많은 원자에서 출발하므로, 원래 시스템을 제한된 비트로 줄이는 추상화가 필수다.
   3. 열역학은 증기기관의 원자를 모두 알지 못해도 온도·압력 등 5~6개의 변수로 거시적 작동을 설명할 수 있음을 보여준 사례다.
   4. 방 안에 10의 23승~10의 27승 개 원자가 있어도 온도·압력 같은 주성분만으로 충분히 이해할 수 있는 경우가 있다.

2. 축약 표현을 해석하는 물리학

   1. 이론 물리학에서는 에너지, 에너지 평균, 에너지 변동, 반응 장벽, 동역학(kinetics)이 핵심 변수로 작동한다.
   2. 인간은 팔면체·사면체 같은 원자 단위 그림과 차원 축소된 기술자를 만들어 복잡한 시스템을 추론한다.
   3. 실험가는 실험 노트에 가능한 많은 것을 기록하지만, 원래 상태의 많은 맥락을 놓칠 수밖에 없다.

2.2. 측정 노이즈가 과학의 실제 난이도를 만든다

1. 장비도 시간과 장소의 영향을 받는다

   1. 용광로는 물질 일부가 증발해 가열 장치를 덮으면서 시간이 지날수록 성능이 떨어진다.
   2. 용광로 내부 온도는 완전히 균일하지 않아 물질을 어느 위치에 놓는지가 결과를 바꾼다.
   3. 광학 장비는 진동에 민감하다. 박사 과정 시절 특정 시간대마다 레이저 결과가 달라진 원인이 위층에서 사람이 걷는 진동으로 밝혀진 사례가 있었다.
   4. 현실 세계에서 지능적인 다음 행동을 고르는 일은 누락된 맥락·노이즈·불확실성이 많은 과학과 더 닮아 있다.

2. 실험 결과는 하나의 깨끗한 보상이 아니다

   1. 물질을 만들고 며칠 뒤 상온 초전도체인지 알려주는 식의 RL은 너무 느리고 분산을 줄일 에이전트도 부족하다.
   2. 합성·특성 분석의 각 단계를 작은 지속 가능한 보상으로 쪼개야 한다.
   3. 관측 가능한 신호가 단일하더라도 여러 장비·복제 실험·문헌·화학적 사전 지식을 묶으면 더 안정적인 판단이 가능하다.

3. 엔드투엔드 재료 발견 루프와 합성 초지능 (10:26–21:30)

재료 발견은 예측·합성·특성 분석을 연결한 루프이며, 각 단계가 별도의 학습 환경이 될 수 있다.

3.1. 예측에서 합성으로

1. 원자 배열보다 원하는 물성이 먼저다

   1. 첫 질문은 어떤 원자들이 안정적으로 결합할 수 있는지, 결합했을 때 어떤 관심 물성을 가질지다.
   2. 새로운 원자 배열을 만드는 것만으로는 충분하지 않다. 원하는 물성을 낼 배열이어야 한다.
   3. 다음 질문은 그 구조를 실제로 어떤 공정 조건에서 합성할 수 있는지다.
   4. 결합이 이론적으로 유지될 수 있어도 온도·시간·분말·박막 등 실제 공정 조건을 알아내는 일은 매우 어렵다.

2. 만든 물질의 정체를 다시 확인한다

   1. 합성물이 결과와 함께 이름표를 달고 나오지 않으므로, 무엇이 존재하는지 규명해야 한다.
   2. X선을 물질에 쏘면 원자 간 거리와 비슷한 파장에 따른 회절 패턴이 생기며, 이 패턴은 결정 구조의 지문처럼 쓰인다.
   3. 초기 AI 연구의 일부는 원시 XRD 데이터에서 실제 존재하는 상(phase)을 식별하는 시스템을 만드는 일이었다.
   4. 실험이 많아질수록 무엇이 생성됐는지 알아내는 특성 분석이 병목이 되므로, 이 단계를 자동화하면 전체 속도가 빨라진다.

3.2. 작은 RL 환경에서 전체 발견 루프로

1. 특성 분석에 보상을 부여한다

   1. 실제 존재하는 상을 식별하면 보상하고, 거짓 상이나 화학적으로 타당하지 않은 후보에는 벌점을 준다.
   2. 이처럼 각 단계의 작은 보상을 연결하면 느린 최종 보상 대신 지속 가능한 엔드투엔드 발견 루프가 된다.
   3. XRD 패턴이 결정 구조의 지문 역할을 하더라도 실제 패턴 해석은 복잡하므로, 시뮬레이션·화학 지식·이전 실험을 함께 사용한다.

2. 실험 계보를 이용해 새로운 환경을 만든다

   1. 대규모 실험 데이터에 세계의 상태를 특정 날짜에 타임스탬프처럼 기록하면, 그 시점까지의 증거와 과학자의 선택을 바탕으로 다음 선택이나 결과를 예측하는 RL 환경을 만들 수 있다.
   2. 사전학습 모델은 답을 이미 외웠다면 물리적 추론 없이 정답을 맞히는 지름길을 택할 수 있고, 그렇게 강화된 정책은 새로운 시스템에 일반화되지 않는다.
   3. 실험 데이터와 선택의 계보를 연결하면 다른 곳에서는 만들기 어려운 환경과, 답을 외우지 않고 과정 자체를 재현해야 하는 과제를 만들 수 있다.

3. 물질 컴파일러와 합성 초지능

   1. 목표 물성·안정성·공정 조건을 입력하면 실제로 존재할 수 있는 원자 구성과 합성법을 출력하는 물질 컴파일러(matter compiler)가 스타트렉의 요구사항-실행 변환기처럼 작동할 수 있다.
   2. 한 팀은 공정 측면을, 다른 팀은 특성 측면을 맡아 서로의 예측을 검증하는 방식으로 워크플로를 분리할 수 있다.
   3. TSMC가 칩 설계사가 아니라 파운드리로서 제조 공정을 제공하듯, 소재 분야에서도 요구사항을 받아 재현 가능한 공정을 찾아주는 산업 모델이 가능하다.
   4. Periodic이 말하는 합성 초지능은 이런 요구사항이 실제로 유효한 구성인지 확인하고 현실의 물질로 구현하는 능력이다.

4. 물리학은 왜 아직 해결되지 않았는가 (15:04–30:32)

기본 법칙을 안다고 복잡한 물질의 집단 행동을 자동으로 예측할 수 있는 것은 아니다.

4.1. “나머지는 화학”이라는 오해

1. 디랙의 과도한 낙관

   1. 1920년대 후반 양자역학 교과서를 쓰던 폴 디랙이 “나머지는 화학이다”라고 말했다는 유명한 문구가 있다.
   2. 수소 원자나 1차원 수소 원자 사슬은 풀 수 있어도 질소와 산소가 상호작용하는 실제 문제까지 해결된 것은 아니다.
   3. 물리학자들이 단순한 단일 원자나 “구형 소(spherical cow)”를 좋아하는 이유는 그것이 풀 수 있는 범위의 전부인 경우가 많기 때문이다.

2. 집단 현상과 발현

   1. 필 앤더슨의 “More is different”는 기본 법칙을 모두 알아도 많은 요소가 모이면 질적으로 다른 집단 행동이 나타난다는 뜻이다.
   2. 고온 초전도, 단순한 양자 시스템의 강한 전자 상관, 복잡한 물성은 아직 완전한 이론이나 시뮬레이터가 없다.
   3. 전통적 초전도는 전자-포논 결합과 동위원소 효과를 따르며, 동위원소 질량을 바꾸면 예상 비율로 임계온도가 내려간다.
   4. 77K 이상, 예를 들어 93K 구리 산화물의 고온 초전도는 그 전통적 규칙을 따르지 않으며 어떤 물리 법칙을 따르는지 아직 모른다.

4.2. DFT와 시뮬레이션의 강점과 한계

1. 밀도 범함수 이론(DFT)의 압축

   1. 코흔(Walter Kohn)과 호엔베르크의 통찰은 지수적으로 커지는 파동함수·힐베르트 공간 대신 바닥상태의 전하 밀도만으로 문제를 표현할 수 있다는 것이다.
   2. 코흔-샴(Kohn–Sham) 방법은 양자역학적 물성의 실용적 근사를 제공하며, 재료 연구에서 가장 널리 쓰이는 시뮬레이션 방법 중 하나다.
   3. 전하 밀도는 3차원 객체인 반면 원래 파동함수 공간은 지수적으로 크므로, DFT는 계산 불가능했던 문제를 대략 n의 세제곱 비용으로 줄인다.
   4. 생성 엔탈피는 물질의 에너지를 비교하는 지표다. 후보 물질이 가능한 다른 물질보다 에너지가 높으면 만들어질 가능성이 낮고, 안정한 물질은 에너지 볼록 껍질(convex hull) 위에 놓인다.

2. 완벽한 DFT도 실험을 대체하지 못한다

   1. 콘-샴 정리는 원칙적으로 정확한 범함수가 존재할 수 있음을 보이지만, 교환-상관 범함수와 운동에너지 범함수를 실제로 알지 못해 현재의 DFT는 근사다.
   2. DFT로 수백만~수억 건을 계산할 수 있어도 완벽한 결정만 시뮬레이션하며, 실제 결정의 중간 규모 미세구조가 물성에 큰 영향을 준다.
   3. 초전도 온도처럼 DFT로 쉽게 계산할 수 없는 물성도 있고, 1억 번 계산해도 실험에서만 드러나는 공정·미세구조를 충분히 탐색하지 못한다.
   4. 계산 결과를 실험으로 필터링하고, Materials Project처럼 실험 데이터로 DFT를 보정하는 반복이 필요하다.

3. 계산과 실험의 역할 분담

   1. 빠르고 대량으로 가능한 계산은 후보 공간을 넓히고, 현실의 궁극적 진실인 실험은 실제 합성 가능성과 물성을 검증한다.
   2. 시뮬레이션·AI·실험을 하나의 루프로 묶으면 시뮬레이션만 또는 실험만 할 때보다 빠르게 전진할 수 있다.
   3. 금융의 Gaussian copula가 상관관계를 한 커널로 압축하고 VAE가 여러 요소를 잠재 변수로 줄이는 것과 비슷한 추상화가 물리에도 있지만, 전하 밀도 데이터 자체도 여전히 크고 정보 손실을 감수한다.
   4. 재료 안정성을 예측하는 더 나은 방법이 많지 않으므로 DFT는 불완전해도 현재의 강력한 기준점이다.

4.3. XRD가 생물학 구조 분석보다 어려운 이유

1. 손실 투영과 평균 구조

   1. 재료의 XRD는 실제 원자 배열 전체가 아니라 관측 가능한 평균과 일부 주성분을 보여주는 손실이 큰 투영이다.
   2. 원자가 왼쪽·오른쪽으로 조금씩 치우친 불균일한 구조도 평균하면 가운데에 있는 완벽한 결정처럼 보일 수 있다.
   3. 같은 XRD 패턴을 여러 구조가 설명할 수 있으므로 합성 조건과 화학적 직관을 사전 지식으로 넣어 낮은 확률의 해를 제거해야 한다.
   4. 전기·자기 특성, 전자 현미경의 형태, XRD를 함께 쓰는 다중 모달 특성 분석이 모호성을 줄인다.

2. 생물학과 무기 재료의 복잡도

   1. DNA·RNA와 단백질은 진화가 수백만 년 동안 만들어 놓은 도구 모음과 규칙을 활용할 수 있어 비교적 낮은 콜모고로프 복잡도의 표현을 찾기 쉽다.
   2. 3차원 무기 결정은 금속·절연체·초전도체·다이아몬드처럼 훨씬 다양한 결과를 만들며, 공유·이온·금속 결합이 뒤섞여 1차원 표현을 찾기 어렵다.
   3. 생물학의 세포·기관·유기체도 규모가 커지면 창발적으로 복잡해지지만, 재료의 복잡성은 여러 길이 척도의 미세구조에서 생긴다.
   4. 고체 전해질에서도 리튬이 덴드라이트를 만들어 전해질 안으로 침투하고 계면을 파괴한다. 생물학적 나노기술에 비해 원시적이지만, 무기 재료는 고온에 강하고 실리콘으로 무어의 법칙을 구현하는 장점이 있다.

5. 꿈의 물질, 에너지 한계, 양자 컴퓨팅 (43:48–47:22)

가장 가치 있는 물질은 새로운 현상뿐 아니라 문명 전체의 에너지·자원 제약을 바꿀 물질이다.

5.1. 우선순위가 높은 물질

1. 상온 초전도체와 차세대 배터리

   1. 상온 초전도체는 전력·자기·컴퓨팅의 판을 바꿀 후보로 가장 먼저 꼽힌다.
   2. 리튬 이온 배터리는 약 100년 동안 이어진 기술이므로 이를 뛰어넘는 배터리는 운송·저장 문제를 크게 바꿀 수 있다.
   3. 코발트 같은 구하기 어려운 전이금속과 희토류 의존도를 낮춘 자석과 배터리도 중요하다.
   4. 탄소나노튜브는 우주 엘리베이터라는 공상과학적 목표 때문에 매력적인 후보로 언급된다.

2. 란다우어 한계와 계산 에너지

   1. 플롭당 소비 에너지는 무어의 법칙처럼 지수적으로 줄어 왔으며, 란다우어 한계는 정보 삭제에 필요한 최소 에너지라는 물리적 바닥을 제시한다.
   2. 처음 이 개념을 접했을 때는 실제 컴퓨팅이 한계에서 10~20자릿수 떨어져 있었지만, 최근에는 3~4자릿수 차이까지 가까워졌다는 인상이 제시된다.
   3. 연산이 만드는 열을 반드시 배출해야 하므로 란다우어 한계에 가까운 계산은 우주의 화폐인 에너지를 가장 근본적인 활동에 효율적으로 쓰는 길이다.
   4. 가역 컴퓨팅은 정보를 삭제하지 않아 에너지 소비를 줄일 가능성이 있지만 실제 구현 가능성은 불확실하고, 양자 컴퓨팅도 열역학 법칙을 피할 수 없다.

5.2. 양자 컴퓨팅이 재료 발견을 자동 해결하지 않는 이유

1. 계산 공간과 실제 질문의 분리
   1. Elad Gil은 당장 양자 컴퓨터가 있어도 쓸 곳이 없고 보안을 무너뜨리는 것이 주된 효과일 수 있다고 회의적으로 말했다.
   2. 양자 컴퓨터가 시뮬레이션을 더 잘한다 해도 여전히 완벽한 결정 같은 이상화된 대상을 시뮬레이션할 수 있으며, DFT의 모델링 대상과 현실의 미세구조 문제는 남는다.
   3. 양자 논리 공간에서 계산한다는 사실의 매력 때문에 실제 기계가 무엇을 할지 과대평가할 수 있다.
   4. 다만 실제 양자 컴퓨터가 만들어지면 현재 상상할 수 없는 유용한 일을 발견할 가능성도 남아 있다.

6. 모든 장비에 IQ 140을 부여하는 자율 연구실 (47:22–54:37)

완전한 자율성보다 실험 의도와 맥락을 읽는 장비, 풍부하고 신뢰할 수 있는 데이터를 만드는 장비가 우선이다.

6.1. 단순 자동화에서 맥락을 아는 장비로

1. SEM 병목에서 지능형 캡처로

   1. 연구실 규모를 키우자 기계를 작동하는 일 자체가 병목이 되었고, 과학자와 기술자가 “우리가 실제로 무엇을 만들고 있는가”를 확인할 시간도 부족해졌다.
   2. 주사전자현미경(SEM)을 단순히 시야 확보·캡처·확대·캡처하는 프로그램만으로 제어하면 연구 목적에 비해 데이터가 빈약하다.
   3. AI가 실험 의도, 합성 목표, 다른 실험 증거를 함께 읽고 기기 내부를 살펴볼 위치·배율·촬영 시점을 결정하면 훨씬 풍부한 데이터가 나온다.
   4. 각 장비가 실험의 맥락을 이해하고 유용한 데이터를 생산하는 상태를 “모든 장비의 IQ가 140”이라고 표현한다.

2. 물리 시간 척도에 맞는 추론

   1. 클라우드 지연뿐 아니라 장비 자체의 연산 능력과 공정의 시간 척도가 중요하다.
   2. 모델의 토큰 생성·API·도구 호출이 물리 과정의 지연과 맞지 않으면 제어 루프가 작동하지 않는다.
   3. 실험 전체는 몇 시간 또는 며칠이 걸려도 중간의 정밀 제어 단계에는 짧은 지연이 필요하다.
   4. XRD 패턴을 2시간 기다려 받는 것과 2분 만에 받는 것은 인간의 다음 결정과 비용 측면에서 큰 차이가 있으며, 한 번의 모델 호출이 아니라 여러 토큰·도구·시뮬레이션이 이어지는 심층 연구 루프의 지연도 고려해야 한다.

6.2. 휴머노이드보다 실용적인 자동화

1. 병목을 하나씩 제거한다

   1. 사람과 자동화를 섞으면 실험 과정의 병목을 빠르게 찾을 수 있다.
   2. 인간이 잘하는 복잡한 손재주 작업을 기계로 자동화하는 데 몇 달이 걸린다면, 그보다 과학자와 기술자의 시간을 계속 소모하는 반복 작업을 먼저 자동화하는 편이 낫다.
   3. 휴머노이드 로봇을 곧바로 투입하는 것보다 목적에 맞는 장비와 워크플로를 고치는 편이 목표 물성에 빠르게 도달할 수 있다.
   4. 자동화의 목표는 완전한 자율성이 아니라 방대한 양·높은 품질·다양성을 가진 데이터다.

2. AI가 인프라 오류를 발견한다

   1. 한 단계에서 장비 중 하나가 잘못 로드되어 패턴이 일관되지 않는 순환 오류가 발생했다.
   2. AI는 실행된 내용과 전체 데이터 계보를 비교해 예상 밖 결과임을 감지하고, 순환 순열을 반대로 적용하면 일관성이 돌아온다는 사실을 찾아냈다.
   3. 인프라를 역추적한 결과 로딩 과정의 실수가 원인으로 드러났고, 이런 진단은 데이터 품질 관리와 자동화 신뢰성을 함께 높인다.
   4. 실험 데이터의 노이즈 플로어를 낮추려면 연구실·사람·장소·시점에 따른 변동을 줄이고 워크플로를 표준화해야 한다. 문헌의 실험 데이터는 노이즈가 높아 DFT보다도 부정확한 경우가 있다.

7. 데이터, 무결과, 과학 과정의 학습 (54:37–1:02:49)

고품질 데이터와 실패의 계보는 더 많은 컴퓨팅보다 강력한 학습 신호가 될 수 있다.

7.1. 컴퓨팅보다 데이터 품질

1. 오픈 모델·폐쇄 모델·독점 데이터의 조합

   1. Periodic은 오픈 소스와 폐쇄형 모델을 섞고, 시뮬레이션 스택과 ML 스택을 함께 구축한다.
   2. 지연이나 비용이 큰 작업은 독점적인 실험 데이터에 접근할 때 프론티어 모델의 최고 추론 노력만으로 얻을 수 있는 한계를 넘어설 수 있다.
   3. 같은 모델을 쓰더라도 고유 데이터가 있으면 더 높은 컴퓨팅 효율을 얻으며, 데이터와 컴퓨팅 사이에는 일종의 환율이 존재한다.
   4. 노이즈에 막대한 컴퓨팅을 쏟아 붓는다고 좋은 결과가 나오지 않으므로 실험 데이터의 노이즈 플로어를 낮추는 일이 우선이다.

2. 모든 데이터를 버리지 않는 이유

   1. 인간은 모든 원자의 위치를 관찰할 수 없고, 실험이 생성하는 정보는 컴퓨터에 저장할 수 있는 양보다 많아도 실제로 접근할 수 없는 정보가 있다.
   2. 신이 물질의 전체 상태를 알고 있다면 실험은 그 거대한 상태를 약 8비트 정도의 작은 선형 프로브로 읽는 일에 비유할 수 있다.
   3. 인간과 에이전트는 제한된 출력으로 내부에서 실제로 일어난 일을 재구성해야 하며, 원자 수준의 모든 가중치·활성화를 볼 수 없는 파운데이션 모델을 프로빙하는 일과 닮았다.
   4. 현재는 어떤 신호가 미래에 중요할지 모르므로 수집된 데이터를 삭제하지 않는다. 맥스웰의 악마 사고실험과 란다우어의 정보 삭제 에너지 논의는 데이터가 너무 많아지는 미래의 농담 섞인 비유로 연결된다.

7.2. 무결과(negative result)가 핵심 학습 데이터다

1. 실패는 부정 샘플과 공정 지식이 된다

   1. 의도한 구조가 만들어지지 않았다는 무결과는 분류 모델의 negative sample처럼 중요하다.
   2. 불순물 상이 원하는 물성을 망치거나 독성을 만들 수 있어, 만들지 말아야 할 구조를 의도적으로 확인하는 음성 대조군(negative control)도 필요하다.
   3. 의도한 구조는 실패했지만 데이터에서 이전에 식별하지 못한 새로운 구조가 나타나는 경우도 있어, 무결과가 새 발견의 출발점이 되기도 한다.
   4. 문헌에는 합성에 성공한 결정만 주로 발표되므로, 공개 데이터는 긍정 샘플에 치우친다. 직접 실패를 기록하면 분류기가 무엇을 피해야 하는지 배운다.

2. 실험 한 번이 아닌 캠페인으로 라벨링한다

   1. 합성 실패는 구조 자체가 불가능해서가 아니라 규모·합성법·장비 기술의 문제일 수 있다.
   2. 여러 부정적 결과를 거쳐 반복적으로 올바른 결과에 도달하는 경로 자체가 공정 엔지니어링 데이터가 된다.
   3. 이미 알려진 물질도 재현하기 어려울 수 있고, 고등학교 교과서의 물질부터 최첨단 합성까지 재현성의 난이도가 다르다.
   4. 실험별로 라벨링하면 대부분 부정적이지만, 목표를 달성한 캠페인이 끝나는 단위로 라벨링하면 추론의 계보와 성공 경로를 더 균형 있게 표현할 수 있다.

7.3. 결과가 아니라 과학을 수행하는 법을 학습한다

1. 전체 계보를 모델에 담는다

   1. 대화, 과학자의 직관, 실험실에서 실제 실행된 작업, 계산이 실행된 위치, 작성된 코드까지 하나의 계보로 묶는다.
   2. 최종 논문이나 성공 물질만 학습하는 것이 아니라 과학을 수행하는 과정 자체를 학습한다.
   3. 이는 모델이 더 나은 모델을 배우는 RSI와 닮았지만, 단일 핵심 모델의 가중치만 개선하는 것이 아니라 물리 모델·실험실·AI가 서로 개선하는 더 넓은 수준의 재귀적 자기개선이다.
   4. 데이터 계보는 다른 시스템이 정답을 암기해 지름길을 택하는 문제를 줄이고, 새로운 물리 환경으로 일반화할 가능성을 높인다.

2. 프론티어 모델도 물리 실험을 계속해야 한다

   1. GPT-7이나 Fable 7이 아무리 똑똑해져도 학습 데이터에 없는 영역에서 결과를 얻으려면 실험을 수행해야 한다.
   2. 추론 시간만 늘리면 충분하다면 모든 프론티어 연구소가 GPT-4 수준에서 학습을 멈추고 추론만 확장했을 것이지만, 실제로는 가중치에 새로운 과학적 지식을 압축하는 일이 여전히 가치 있다.
   3. 수학·코딩·이론 컴퓨터 과학에서 모델이 얻는 답과 물리 세계가 내놓는 결과는 서로 다른 종류의 결과다.
   4. Periodic은 오픈 모델과 폐쇄 모델 어느 쪽이든 실험실을 사용해 우주를 탐구할 수 있는 기반을 만들려 한다.

8. 자동화의 추상화 계층과 확장 전략 (1:02:49–1:10:57)

실험은 원자·연속체·열역학·동역학·캠페인이라는 여러 추상화 계층에서 동시에 최적화된다.

8.1. 물질을 보는 여러 계층

1. 원자에서 연속체로

   1. 원자 구조는 완벽한 실제 구조가 아니라 실험과 계산을 위한 근사 추상화다.
   2. 연속체 모델은 원자를 하나씩 보지 않고 물질을 연속적인 메쉬로 표현한다.
   3. 열역학은 실험을 영원히 진행했을 때 도달할 최종 상태를 다룬다.
   4. 동역학은 실험을 무한히 기다릴 수 없다는 현실을 반영해 반응이 얼마나 빨리 일어나는지를 다룬다. 에너지가 낮은지보다 시간 안에 실제로 일어나는지가 중요하다.

2. 추상화 위의 캠페인

   1. 여러 캠페인에 정보를 제공하는 새로운 이론적 진전이 생기면 개별 실험의 선택도 바뀐다.
   2. Periodic은 처음부터 자동화된 특성 분석이 가장 큰 병목 중 하나라고 보았다. 분말을 섞는 일보다 그 결과를 특성화하고 다음 날 무엇을 할지 결정하는 일이 어렵다.
   3. 인간은 물리적으로 재료를 옮기고 캠페인 방향을 정하며, AI는 특성 분석과 반복적인 판단을 점점 더 맡는다.
   4. 인간 주도에서 AI·인간 혼합으로 무게 중심이 옮겨가면서 과학자는 정교한 분석 대신 더 높은 수준의 연구에 집중하게 된다. 인간의 역할은 시간에 따라 변한다.

8.2. 진화 탐색과 병렬화

1. 물리 세계에서 통하는 탐색법

   1. 시뮬레이션의 저에너지 구조 예측에서는 진화적 탐색이 오래전부터 효과적으로 사용됐다.
   2. 반도체 공정 엔지니어는 실험 계획법(DOE), 베이지안 최적화, 진화 탐색, RL 같은 0차 최적화 기법을 사용한다.
   3. LLM에서 유행하는 탐색법이 물리에서 그대로 통한다고 가정하지 않고, 각 환경의 보상과 시간 척도에 맞춰야 한다.

2. 한정 데이터를 여러 RL 환경으로 재사용한다

   1. RL 에이전트가 실험을 시작한 뒤 모든 장비와 계산이 끝날 때까지 기다릴 필요는 없다.
   2. 같은 실험·계산 캠페인의 데이터를 이용해 전체 환경을 만들거나, 장비 부분집합만으로 별도의 RL 환경을 만들 수 있다.
   3. 서로 다른 장비를 교차해 하나의 보상 상태를 구성하면 실제 실험 실행 횟수는 늘리지 않고 ML 관점의 학습 표면을 확장할 수 있다.

3. 조합 스퍼터링과 초전도성 풀링

   1. 조합 스퍼터링은 여러 스퍼터링 타깃으로 조성 경사(compositional gradient)를 만들어 공간 위치마다 다른 결정을 생성하는 방식이다.
   2. 한 번에 수백~수천 개의 결정을 시도할 수 있지만, 물질이 확산되어 위치가 바뀌는 문제가 있어 아직 완전히 효과적이지 않다.
   3. XRD는 대량 분석이 가능하지만 초전도성 측정은 샘플 하나당 한 시간이 걸릴 수 있다.
   4. 후보 물질을 하나의 샘플에 섞고 초전도성이 나타나면 그중 하나가 성공했다고 보는 방식이 코로나 검사 같은 풀링 검사로 제안됐으며, 일부 아이디어는 작동하고 일부는 작동하지 않는다.

9. 연구실 확장, 하드웨어, 조직 (1:10:57–1:18:14)

연구실 확장은 장비 수를 늘리는 것만이 아니라, 배운 병목을 다음 버전의 하드웨어와 조직에 반영하는 일이다.

9.1. 새로운 유형의 연구실

1. 초기 루프에서 네트워크로

   1. 지금까지 구축한 Menlo Park 초기 연구실에서 AI·계산·실험의 순환을 검증했고, 확보한 자원으로 연구실 규모와 AI·컴퓨팅 자원을 크게 늘릴 계획이다.
   2. 다음 목표는 같은 규모의 복제보다 새로운 유형의 연구실을 만들고 그곳에서 순환 과정을 다시 검증하는 것이다.
   3. Periodic의 미래는 캘리포니아 한 곳에 국한되지 않는다. 중력·위치·방향·지역 전문성에 따라 최적의 연구 장소가 달라지므로 여러 연구실 네트워크가 필요하다.
   4. 스탠퍼드 물리학·공학 분야처럼 채용과 자원 공유에 도움이 되는 지역도 있고, 네팔·호주 같은 장소도 재료와 전문성에 따라 의미가 있을 수 있다. Zoom으로 지식을 나눌 수 있어도 실험은 위치의 영향을 받는다.

2. 기성품에서 직접 만든 장비로

   1. 초기에는 속도를 위해 기성 장비를 구매했지만, 확장하려면 빠른 구성요소와 병목을 직접 파악해 하드웨어를 설계해야 한다.
   2. 계량기가 병목이 되거나 로봇 팔의 대기 위치가 이전 혼합물이 있는 플레이트 위에 놓이면 오염이 생긴다.
   3. 로봇 팔의 대기 위치를 오염원에서 멀리 옮기는 작은 설계 변경만으로도 캠페인의 노이즈 플로어를 낮출 수 있다.
   4. 값비싼 장비도 어디에서 큰 수익이 생기는지 알게 되면 집중적으로 투자하고, 실험에서 배운 미세한 디테일을 다음 버전에 반영한다.

9.2. 하나의 목표를 향한 다학제 팀

1. 합성 초지능을 구성하는 직무

   1. AI 연구·인프라·계산과학·실험·하드웨어 엔지니어링·제품 엔지니어링이 모두 필요하다.
   2. 화학, 물리학, 시뮬레이션, 이론, 박막, 분말 기술을 가진 사람이 하나의 목표인 합성 초지능을 향해 움직인다.
   3. 제품 엔지니어는 연구 결과를 연구자가 실험실에서 바로 쓸 수 있는 제품으로 구현하며, 물리 세계 통제·캠페인 운영·계산 도구 사용·AI를 엔드투엔드로 연결한다.
   4. 각 분야에서 뛰어난 사람이 직접 실무를 하는 조직을 지향한다. 연구비 신청과 강의로 현장 시간을 잃은 학계의 문제와 대비되는 원칙이다.

2. Bell Labs식 실무 연구

   1. Bell Labs와 IBM의 큰 성과는 경험 많은 사람이 현장에서 직접 일한 결과였다.
   2. 이론가 존 바딘(John Bardeen)은 매일 실험실에 나왔고, 연구소장이었던 알렉스 뮐러(Alex Müller)도 직접 실험했다.
   3. 계산 재료과학자 무라트 아이콜(Murat Aykol)은 Chris Wolverton에게 박사 학위를 받고 계산과 실험을 모두 깊이 이해하는 전문가로 일한다.
   4. MIT 교수 조 체칼루스키(Joe Chekaluski)는 휴직하고 풀타임으로 합류했으며 초전도뿐 아니라 일본에서 익힌 합성·화학 지식도 갖췄다.
   5. Daniel Chica는 세계적인 Mercury 고체화학 합성 그룹에서 훈련받은 합성 전문가로, 손재주가 마술사처럼 뛰어나다.
   6. Dima Babahina는 AI·LLM 프로젝트와 추적 데이터·학습 분포·실험실 연결을 이끌고, Montreal 연구실에서 고체 합성 서적까지 직접 파고든다.
   7. OpenAI에서 Operator 기술 리드를 맡았던 Ray Nakano는 연구실에서 과학자들과 기계 자동화를 직접 수행한다. 새 과학자가 Ray를 닮았다고 생각했는데 실제 Ray였다는 농담이 조직의 현장성을 보여준다.

9.3. 현장 배치 엔지니어링과 산업화

1. 고객 0호에서 파트너 현장으로

   1. Periodic은 자체 제품·도구·AI·컴퓨팅 시스템을 직접 만든 “고객 0호”였다.
   2. 이제 반도체를 중심으로 보안이 높은 산업 현장에 도구를 적용하며, PeriodX의 현장 배치 엔지니어와 연구원이 파트너 현장에 상주한다.
   3. 현장 배치 팀은 안전한 환경에서 AI·컴퓨팅 시스템을 통합하고, 파트너의 데이터로 시스템을 학습해 독자적인 지능을 갖게 한다.
   4. API나 미세조정되지 않은 일반 모델을 넘어서 현지 추론과 학습을 함께 수행하므로, 일반적인 현장 배치보다 깊은 ML·인프라·물리·화학·재료·장비 이해가 필요하다.

2. 코파일럿에서 결과물 가격으로

   1. 소프트웨어가 GitHub Copilot과 초기 ChatGPT를 거쳐 Codex 같은 도구로 발전하며 엔지니어의 직접 코딩을 줄인 것처럼, 재료 과학자와 공정 엔지니어의 작업도 시스템으로 가속할 수 있다.
   2. 자율성·지능·역량이 커지면 단순 도구 사용료가 아니라 연구 결과와 과학적 성과를 기준으로 가격을 책정할 수 있다.
   3. Periodic은 기술을 전달하고 고객이 알아서 쓰기를 기다리기보다 목표 달성에 필요한 지능과 인프라를 현장에 함께 구축한다.
   4. 상업적으로 큰 영향을 주는 고체물리·재료과학을 보여주면 더 많은 젊은이가 물리학을 공부하고, 과학과 자본의 선순환이 생길 수 있다.

10. 오픈 소스, 자본, 초전도체로 가는 길 (1:18:14–1:25:10)

상업화와 개방형 연구는 서로 배타적이지 않으며, 실제 초전도체 발견은 이론과 무작위에 가까운 시도의 결합에서 나왔다.

10.1. 생태계로 확장되는 연구

1. 오픈 소스와 학술 지원

   1. Periodic 구성원은 pymatgen, Materials Project 코드베이스, Custodian, DFT runner, TorchSim, Jackson MD, Megatron 등에 기여하거나 유지보수한다.
   2. 합성 초지능을 향해 가는 대학 연구 그룹을 지원하는 학술 지원금 프로그램도 운영하며, 첫 지원 논문이 곧 발표될 예정이다.
   3. 최첨단 모델 전체를 공개하지 않더라도 유용한 모델·데이터·도구를 생태계에 돌려줄 가능성이 있다.
   4. Bell Labs가 상업화할 수 없는 우주배경복사도 연구하면서 진공관으로 동부와 서부를 전화선으로 연결한 것처럼, 기초 연구와 상업적 성과를 함께 추구한다.

2. 기술과 자본의 선순환

   1. 2010~2015년 챗봇의 변화보다 2021~2026년 ChatGPT와 시스템들의 제품-시장 적합성 이후 변화가 훨씬 컸다.
   2. 제품-시장 적합성은 채용·컴퓨팅·데이터·자본을 끌어들이고, 성공이 다시 더 큰 성공을 낳는 선순환을 만들었다.
   3. 과학 연구 자금도 정부 보조금에서 벤처캐피털·민간 자금으로 이동하고 있으며, 물리적 세계에서도 같은 자원 순환을 만들려 한다.

10.2. 초전도체는 합성에서 막힌다

1. 아이디어보다 어려운 것은 구현이다

   1. 초전도성을 보일 화학 공간을 상상하는 일은 상대적으로 어렵지 않지만, 실제 합성이 가장 큰 난관이다.
   2. 알렉스 뮐러는 전이금속 산화물이 초전도체가 될 수 있다고 보고 니켈 산염을 시도했지만 잘되지 않자 구리 산염을 시도해 성공했고 노벨상을 받았다.
   3. 이후 니켈 산염도 좋은 아이디어였음이 밝혀졌고, 스탠퍼드의 하 이동 왕 교수는 니켈 산염을 박막으로 만들어 초전도성을 보였다.
   4. 주기율표에서 이웃한 구리·니켈·코발트 산염과 3D 전이금속 산화물에는 아직 시도할 관련 아이디어가 많으므로 LLM이 탐색할 방향이 곧 고갈되지는 않는다.

2. MgB2가 주는 교훈

   1. 일본 연구 그룹은 상압에서 가장 높은 온도로 작동하는 전통적 초전도체 이붕화마그네슘(MgB2)을 약 3만 가지 물질을 시도하는 과정에서 찾았다.
   2. 그중 약 30개가 흥미로운 초전도성을 보였고 MgB2가 하나였다.
   3. MgB2의 전구 물질은 수십 년 동안 사람들의 선반에 있었고 BCS 이론도 1957년에 나왔지만, 발견은 이론에서 직접 도출되지 않고 많은 시도에서 나왔다.
   4. 완벽한 자동화가 이 3만 번의 시도를 한 달에 수행한다면 행운을 만날 표면적(surface area for luck)을 극적으로 넓힐 수 있다.

주요 발언 모음

“지능은 필요하지만 충분 조건은 아니다. 새로운 지식은 아이디어가 현실과 일치할 때 창조된다.”

“과학적 발견은 정의상 학습되지 않은 영역에서 일어난다.”

“우리는 최종 결과물을 학습하려는 것이 아니라 과학을 수행하는 과정 자체를 학습하려 한다.”

“실험실에서 원하는 것은 완전한 자율성이 아니라 방대한 양의 고품질·다양한 데이터다.”

“상온 초전도체를 제로샷으로 단번에 찾을 수 있는 사람은 아무도 없다.”

“합성 초지능에서 정말 어려운 것은 아이디어를 생각하는 일이 아니라 그것을 합성하는 일이다.”

핵심 데이터 & 수치

• 영상 길이: 약 85분 20초(5,120초).
• 업로드일: 2026-10-08(YouTube 표시 기준).
• 물리계의 규모: 방 안에 10^23~10^27개의 원자가 있을 수 있으며, 모든 원자 위치를 직접 추적할 수 없다.
• 열역학의 압축: 증기기관은 약 5~6개의 거시 변수만으로도 작동을 설명할 수 있다.
• 고온 초전도: 전통적 초전도의 기준으로 언급된 77K 이상, 구리 산화물의 예시 93K.
• DFT: 이상적인 조건에서 문제를 대략 n^3 규모로 다루지만 교환-상관 범함수·운동에너지 범함수와 현실의 미세구조를 완전히 해결하지 못한다.
• 실험과 계산: DFT는 수백만~수억 건으로 확장할 수 있어도 실험실은 하루 수백~수천 건 수준의 제약을 받는다.
• 관측 지연: XRD 결과를 2시간이 아닌 2분에 얻는 차이가 인간의 다음 결정을 크게 바꾼다.
• 초전도성 측정: 후보 하나를 측정하는 데 1시간이 걸릴 수 있어 풀링 방식이 제안됐다.
• 신기술의 나이: 고속 처리 실험·로봇 팔·일부 힘장 기술은 약 3년 된 최신 기술이다.
• 초전도 발견 사례: MgB2 탐색은 약 30,000개 물질 시도, 흥미로운 초전도 후보 약 30개, 그중 MgB2 1개로 설명됐다.
• 이론의 시점: BCS 이론은 1957년에 제시됐다.
• 계산 효율: 란다우어 한계와 실제 계산 사이의 격차가 과거 10~20자릿수에서 최근 3~4자릿수로 좁혀졌다는 인상이 언급됐다.
• 발견의 목표: 과학자는 최종 답만이 아니라 대화·직관·실험 실행·계산·코드까지 이어지는 전체 계보를 학습 데이터로 만든다.

결론 및 시사점

1. AI의 다음 과학적 도약은 더 큰 언어 모델만이 아니라 모델이 실험하고 실패하고 다시 선택할 수 있는 물리적 환경에서 나온다.
2. 재료 발견의 핵심 병목은 후보 생성보다 합성 가능성 판단과 특성 분석이며, XRD·전기·자기·현미경을 결합한 다중 모달 해석이 중요하다.
3. 시뮬레이션은 후보 공간을 빠르게 넓히지만 실제 미세구조·공정·노이즈는 실험이 검증해야 한다.
4. 모든 데이터를 버리지 않고 실패·무결과·장비 오류·과학자의 직관까지 계보로 남겨야 새로운 RL 환경과 재현 가능한 과학을 만들 수 있다.
5. 완전한 자율성보다 풍부하고 표준화된 고품질 데이터를 만드는 실용적 자동화가 먼저다.
6. 물리 실험은 시간과 위치의 제약을 받으므로, 제한된 데이터를 여러 학습 환경으로 재사용하는 샘플 효율성이 핵심이다.
7. 인간은 반복적인 특성 분석에서 벗어나 캠페인 방향과 이론적 질문처럼 더 높은 추상화 계층에 집중하게 된다.
8. 합성 초지능의 진짜 가치는 상온 초전도체 같은 후보를 말로 예측하는 데 있지 않고, 수만 번의 현실 실험을 빠르고 신뢰성 있게 실행하는 데 있다.

핵심 요약 (20줄)

1. 지능은 과학적 발견에 필요하지만 현실과 대조하는 실험 없이는 충분하지 않다.
2. Periodic Labs는 AI 모델, 물리 시뮬레이션, 지능형 장비, 고속 실험실을 하나의 루프로 묶는다.
3. 과학적 발견은 정의상 학습 데이터 밖에 있으므로 GPT-7급 모델도 물리 실험을 계속해야 한다.
4. 물리 세계의 강화학습은 노이즈, 누락된 맥락, 장비 편차, 긴 실험 시간을 보상 설계에 반영해야 한다.
5. 재료 발견은 원하는 물성을 예측하고 실제 합성 조건을 찾고 결과를 특성 분석하는 과정이다.
6. 합성물에는 이름표가 붙지 않으므로 XRD가 결정 구조의 지문을 읽는 첫 번째 자동화 병목이 된다.
7. 실제 실험은 목표 상과 전구체와 비정질 물질이 섞여 나타나 명확한 예·아니오로 끝나지 않는다.
8. AI는 XRD·전기·자기·현미경의 다중 모달 신호와 화학적 사전 지식을 함께 사용해 모호성을 줄인다.
9. 물리학의 기본 법칙을 알아도 집단 행동과 발현 현상 때문에 복잡한 재료의 물성을 완전히 시뮬레이션할 수 없다.
10. DFT는 전하 밀도로 양자 문제를 압축하지만 교환-상관 함수와 현실의 미세구조를 완전히 해결하지 못한다.
11. 시뮬레이션은 대량 후보를 빠르게 걸러내고 실험은 공정과 실제 물성을 궁극적으로 검증한다.
12. 상온 초전도체, 희토류·코발트 의존도가 낮은 자석, 차세대 배터리, 탄소나노튜브가 핵심 꿈의 물질이다.
13. 양자 컴퓨터가 재료 발견의 이상화된 시뮬레이션 문제와 실험·미세구조 문제를 자동으로 해결해 주지는 않는다.
14. 모든 장비에 IQ 140을 부여한다는 말은 실험 목적과 맥락을 이해하는 지능형 데이터 수집을 뜻한다.
15. 완전한 휴머노이드 자동화보다 과학자와 기술자의 반복 업무와 데이터 품질 병목을 먼저 자동화하는 편이 실용적이다.
16. 실패한 합성, 음성 대조군, 장비 오류는 분류기와 과학적 의사결정에 필요한 귀중한 부정 샘플이다.
17. 실험 한 번의 성공보다 실패를 거쳐 캠페인 전체가 성공에 도달한 계보가 더 유용한 학습 신호다.
18. Periodic은 과학의 최종 결과가 아니라 대화·직관·실험·계산·코드가 연결된 과학 수행 과정을 학습하려 한다.
19. 약 3만 번의 물질 시도로 MgB2를 찾은 사례는 자동화가 행운을 만날 표면적을 늘리는 이유를 보여준다.
20. 합성 초지능은 아이디어를 생성하는 모델이 아니라 새로운 물질을 실제로 만들고 검증하는 산업용 과학 시스템이다.