과학자 검토를 안전 점검으로 줄인 Lila

핵심

통계 모델 위에 얹힌 언어 모델이 라운드마다 실험 탐색 전략을 고릅니다.
과학자의 검토는 모든 제안 감시에서 안전 점검과 돌발 결과 확인으로 줄었습니다.
교대 근무로 일하는 운영 엔지니어가 장비 가동률과 인수인계를 관리합니다.

과학자가 하던 다음 실험 결정을 모델에게 넘기다

실험실에서 다음에 무엇을 만들지는 대개 누가 정할까요. 지금까지는 경험과 문헌을 살피는 과학자의 몫이었습니다. Lila Sciences가 바꾸려는 것은 바로 이 결정을 내리는 주체입니다.

일반적인 실험실의 연구는 뚜렷한 순환을 따릅니다. 과학자가 경험과 기존 논문을 바탕으로 다음에 무엇을 만들지 정합니다. 그러면 기술자와 연구원이 그것을 실제로 합성하고 시험합니다. 시험이 끝나면 연구팀이 모여 데이터를 해석하고 다음 차례를 계획합니다.

Lila Sciences(이하 Lila)는 이 순환 자체를 인공지능이 직접 이끌도록 설계한 회사입니다. 새 회사를 세우고 투자하는 회사인 Flagship Pioneering 안에서 2023년에 설립되었으며, 최고경영자는 Geoffrey von Maltzahn입니다. 회사는 가설을 세우고 실험을 거쳐 다음 가설로 이어지는 과학적 방법 자체를 AI가 수행하는 이른바 “scientific superintelligence”를 구축하고 있다고 밝힙니다. MIT Technology Review는 2026년 9월 보도에서 Lila가 13억 달러 이상의 기업 가치로 5억 5,000만 달러 규모의 벤처 투자를 유치했다고 전했습니다.

Lila가 겨냥하는 대상은 생명과학, 화학, 재료 분야의 실험 연구개발(R&D)입니다. 회사의 핵심 도구는 AI Science Factory(AISF)입니다. 모델이 실험을 고르고 장비가 이를 직접 실행하는 자동화 실험실입니다.

Lila는 이 체계를 두 가지 방식으로 판매합니다. 하나는 Lila Catalyst입니다. 고객사의 연구개발 팀이 Lila의 독자 모델인 Lila Iris와 AISF의 실험실 용량을 서비스 형태로 이용하는 방식입니다. 다른 하나는 Lila Creation입니다. 제휴사가 풀고자 하는 문제를 가져오면, Lila가 물질 구조와 합성 프로토콜, 데이터 패키지 같은 검증된 결과물을 돌려주는 방식입니다.

모델과 장비와 사람이 하나의 실험실 안에서 맞물리는 방식

이 자동화 루프가 실제로 어떻게 돌아가는지는 Lila 연구진이 2026년 9월 24일에 발표한 프리프린트 논문과 이튿날 게시한 회사 설명 글에 자세히 담겨 있습니다. Lila 직원 22명은 물을 전기분해해 수소를 얻는 그린 수소 생산에 쓰일 촉매를 탐색했습니다. 특히 공급이 부족하고 값비싼 희귀 금속인 이리듐과 루테늄을 전혀 쓰지 않는 촉매를 찾는 것이 목표였습니다. 이 캠페인(한 번의 탐색 프로젝트)에서 플랫폼은 26개 원소와 53개 재료 시스템에 걸쳐 총 2,942개의 촉매를 시험했습니다. 논문은 이 시스템을 “AI-guided, human-supervised” 체계이자 90% 이상 자동화된 환경으로 설명합니다. 일의 흐름은 모델, 장비, 사람의 세 층위로 나뉩니다.

첫째는 모델이 결정하는 영역입니다. 매 라운드가 시작되면 시스템은 지금까지 쌓인 모든 실험 데이터를 사용해 촉매의 성능을 예측하는 통계 모델들을 다시 학습시킵니다. 자동화된 평가 단계가 여러 모델 가운데 예측력이 가장 뛰어난 모델을 골라냅니다.

그 위에서 “순차 학습 에이전트(sequential learning agent)“가 작동합니다. 이 에이전트는 여러 탐색 전략을 바탕으로 후보 조성들에 점수를 매깁니다. 데이터가 없는 모르는 영역을 넓게 탐색할지, 지금까지 나온 가장 좋은 결과를 더 깊이 파고들지, 아니면 드물게 나타나는 고성능 후보를 적극적으로 찾아 나설지를 수치화합니다.

이 통계 시스템의 맨 꼭대기에는 언어 모델(LLM)이 있습니다. 여기서 언어 모델은 촉매의 성능 자체를 직접 예측하지 않습니다. 논문의 표현을 빌리면 언어 모델은 “strategic reasoning agents” 역할을 맡습니다. 이번 라운드에 어떤 탐색 전략을 채택할지 결정하고, 통계 모델이 추려낸 상위 후보들 가운데 어떤 것을 합성할지 최종 선택하며, 각 선택마다 이유를 글로 남깁니다.

그뿐만이 아닙니다. 시스템은 박막을 구워내는 어닐링(열처리) 온도를 스스로 고릅니다. 표준 측정 결과가 불분명할 때는 추가적인 원소 조성 측정을 스스로 요청합니다. 나아가 어떤 촉매를 장기 시험 단계로 올려보낼지도 결정합니다. 논문에 따르면 모델이 이러한 제안을 내놓는 데는 대개 몇 분밖에 걸리지 않았습니다.

둘째는 실험실 장비가 수행하는 물리적 영역입니다. 합성 장비는 반응성 마그네트론 스퍼터링 공정을 통해 기판 위에 얇은 막을 입히며, 픽스처(시료 판) 하나당 촉매 48개를 만듭니다. 시료가 만들어지면 광학 및 형광 X선 장비가 품질과 조성을 자동으로 점검합니다.

이어서 시료 판은 강한 산성 용액이 담긴 측정 장비로 이동해 촉매의 전기화학적 활성과 안정성 시험을 거칩니다. 시험이 끝나면 상태를 다시 분석합니다. 여기서 선택된 촉매는 최대 4시간 동안 이어지는 장기 시험으로 넘어가고, 가장 뛰어난 유력 후보는 최대 1,000시간 동안 작동 시험을 받습니다.

장비에서 나오는 모든 측정값은 중앙 데이터베이스로 자동 전송됩니다. 어떤 결과가 나왔고 모델이 무엇을 예측했으며 어떤 근거로 결정을 내렸는지가 모두 기록됩니다. 다음 라운드는 이 누적된 기록을 바탕으로 모델을 재학습합니다. Lila의 보고에 따르면 시료 합성부터 시험 후 분석까지 걸리는 최소 순환 주기는 약 22시간이었고, 일주일에 약 240개의 촉매를 걸러냈습니다.

셋째는 사람이 개입하는 영역입니다. 이 캠페인에서 사람은 시료가 담긴 픽스처를 검사 스테이션 사이로 직접 들고 나르고, 장비의 시작 버튼을 누르는 일을 맡았습니다. 그 물리적 이동을 대신할 로봇 장비는 아직 구축되는 중이었기 때문입니다.

사람은 또한 AI가 내놓은 선택을 승인하는 관문 구실을 했습니다. 다만 이 관문은 시간이 흐르며 형태가 바뀌었습니다. Lila의 전기화학자 Ken Jenewein은 당시 상황을 두고 “처음에는 모든 제안을 일일이 지켜보며 몇 가지는 뒤집었다”고 밝혔습니다. 하지만 AI가 계속해서 자신이 골랐을 법한 후보들을 정확하게 짚어내자, 그는 일일이 확인하던 단계를 서서히 줄여나갔습니다.

캠페인의 마지막 단계에 이르러서는 제안된 물질이 실제로 합성해도 안전한지만 사람이 확인하는 수준으로 단순해졌습니다. 두 과학 책임자 중 한 명인 Rafael Gómez-Bombarelli는 “사람이 루프 안에 있었지만, 결정을 내리는 쪽은 AI였다”고 말했습니다.

사람은 결과가 통념에서 벗어날 때 이를 검증하는 역할도 맡았습니다. 모델은 학습 주기를 불과 몇 차례 돌린 뒤, 연구자들이 산성 환경 촉매 후보군에서 사실상 배제해 오던 팔라듐 기반 산화물을 유력 후보로 지목했습니다. 다른 과학 책임자인 John Gregoire는 “이 조합은 모든 전통적인 통념에 어긋난다”고 말했습니다.

연구팀은 결과를 의심하고 장비에 넣어 시험을 반복했습니다. Gómez-Bombarelli는 결과를 확인할 물리적 실험실이 없었다면 “우리는 그것을 환각으로 치부했을 것”이라고 말했습니다. 검증을 거친 이 유력 후보는 강한 산성 용액 속에서 1,000시간 넘게 성공적으로 작동했습니다. 인프라를 한창 짓고 있던 첫 번째 캠페인은 4개월이 걸렸지만, 같은 환경이 갖춰진 두 번째 캠페인은 4주 만에 끝났습니다.

사람의 검토 관문 축소 과정

단계 간격과 띠 폭은 실제 수치에 비례하지 않는 개념도입니다. (출처: Lila Sciences)

생산 공장처럼 돌아가는 조직 구조

이 루프를 뒷받침하기 위해 Lila는 조직 구조 자체를 연구실보다는 생산 현장에 가깝게 꾸렸습니다. 회사의 채용 공고를 살펴보면 연구 운영(Research Operations) 팀이 자동화된 실험실 워크플로를 교대 근무로 수행하고 있습니다. 오후 2시부터 밤 10시까지 이어지는 두 번째 교대 근무도 포함되어 있습니다.

이 팀의 엔지니어들은 액체 분주기와 통합 워크셀을 직접 다루고, 품질 관리 지표를 감시하며, 교대 시간마다 장비 상태를 인수인계합니다. 교대 감독자는 공정에서 생기는 이탈을 짚어내고, 자동화된 워크플로가 기존 수작업 방식과 비교해 정확한지 지속해서 검증합니다.

로봇 운영(Robotics Operations) 인력은 현장에 투입된 생산용 로봇 함대를 모니터링하며, 문제가 생기면 로봇을 일시 중지하거나 재설정하는 역할을 맡습니다. 이들의 근무 시간 역시 늘어날 예정입니다.

화학 AISF 부문에는 전체적인 과학 방향을 책임지는 프로그램 리드와 함께, 시스템에 다음에 어떤 실험 역량을 추가할지 정하는 프로덕트 매니저가 배치되어 있습니다. 이 프로덕트 매니저는 실험의 세부 기능뿐만 아니라 그 기능에 얼마만큼의 자율성을 부여할지까지 결정합니다.

현장의 연구원들에게 주어지는 지침 역시 일반적인 실험실과 다릅니다. 자동화 화학 관련 공고는 연구원에게 ‘특이한 특징이나 결과가 나타나면 과학자가 검토할 수 있도록 표시하라’는 역할을 부여합니다.

이와 함께 고객사의 장비와 데이터 시스템 안에 에이전트 기반 워크플로를 직접 구축해 주는 현장 배치 엔지니어(forward-deployed engineer)와 AI 안전 과학자 그룹도 별도로 채용하고 있습니다. 2026년 10월 22일 기준으로 Lila의 채용 공고는 약 110개였습니다.

전통적인 연구 방식과 구별되는 네 가지 지점

Lila가 보여준 방식은 기존의 연구개발 실험실과 비교할 때 단순히 속도만 빠른 것이 아닙니다.

첫 번째 차이는 다음 실험을 누가 정하느냐에 있습니다. 전통적인 실험실에서는 과학자가 자신의 직관과 축적된 경험, 기존 문헌을 토대로 다음 시료를 고릅니다. Lila에서는 그 의사결정이 모델들의 묶음으로 넘어갔습니다. 과학자의 손길은 합성 전에 유해 물질 여부를 살피는 안전 점검과, 뜻밖의 결과가 나왔을 때 이를 사후 감사하는 두 지점으로 이동했습니다. 팔라듐 사례는 이 감사가 왜 중요한지 보여줍니다. AI는 과학자라면 고르지 않았을 방향을 골랐고, 과학자가 그 선택을 믿을 수 있었던 근거는 오직 실험 장비가 내놓은 실측값뿐이었습니다.

두 번째 차이는 인공지능을 엮어낸 구조입니다. Lila는 모든 결정을 언어 모델 단독에 맡기지 않았습니다. 논문에서 수행한 비교 분석을 보면, 예측 모델의 보조 없이 결과 데이터만 보고 다음 실험을 고른 프런티어 언어 모델은 무작위 탐색보다도 못한 성과를 냈습니다. 두 번째 시험에서도 언어 모델 단독 선택은 정해진 예산 안에서 팔라듐 계열에 안정적으로 도달하지 못했습니다. 언어 모델은 데이터의 불확실성을 체계적으로 추적하는 통계 모델 위에서 탐색의 방향을 조율할 때 비로소 제 몫을 다했습니다.

세 번째 차이는 조직의 운영 형태입니다. 실험 장비에 가장 가까이 머무는 사람들은 연구자가 아니라 교대 근무를 서는 운영 엔지니어들입니다. 이들은 가동 시간 유지, 품질 관리, 교대 간 인수인계를 주 업무로 삼습니다. 이는 대학 연구실의 실험대보다는 데이터 센터나 첨단 제조 공장의 모습에 가깝습니다. 연구의 방향을 고민하는 과학자들은 일상적인 합성 업무에서 물러나, AI 시스템에 다음에 어떤 실험 도구를 쥐여줄지 결정하는 프로그램 및 프로덕트 관리 역할을 맡습니다.

네 번째 차이는 결과물을 다루는 방식입니다. Lila는 실험실 용량과 모델 자체를 서비스로 판매합니다. Lila Catalyst 안내에 따르면 고객사 과학자들은 복잡한 실험 워크플로를 직접 운영하는 대신 전략 수립과 설계 결정, 다운스트림 개발에 집중할 수 있습니다. 이것이 가능해지면 기업들은 막대한 돈을 들여 사내 실험실을 짓고 연구원을 채용하는 대신, 클라우드 컴퓨팅 자원을 빌려 쓰듯 실험을 필요한 만큼 구매해 쓸 수 있게 됩니다.

연구개발 산업의 무게중심 이동과 현장을 위한 교훈

이러한 운영 방식이 확산된다면 위탁 연구(CRO)와 기업 사내 R&D의 경쟁 환경은 크게 흔들릴 수 있습니다. 지금까지 R&D에서 가장 귀한 자원은 숙련된 손으로 실험대를 지키는 시간이었습니다. 그러나 장비 자동화와 모델의 결합으로 물리적 실행 비용이 낮아진다면, 희소 자원은 ‘실험대를 채우는 시간’에서 ‘무엇을 실행할지 고르는 결정의 질’로 옮겨갈 수 있습니다. 실행 자체를 대행해 주는 것보다, 무엇을 실행할지 결정하는 루프를 소유한 조직이 훨씬 더 큰 부가가치를 가져갈 수 있습니다. 더구나 Lila의 설명처럼 모든 실험 결과가 모델의 재학습 데이터로 이어진다면, 고객 프로젝트를 수행할수록 플랫폼의 예측 역량은 더 강화될 수 있습니다.

과학자의 일하는 방식도 좁아지는 동시에 더 높은 층위로 올라갈 수 있습니다. 시료를 하나하나 고르는 데 쓰는 시간은 줄어들지만, 목표를 설정하고, 시스템이 갖춰야 할 실험 역량을 정의하며, 안전을 점검하고, 통념을 깨는 돌발 결과가 참인지 확인하는 일은 여전히 과학자의 몫으로 남습니다. Lila의 open-endedness 팀의 한 연구원은 모든 과학자가 인공지능 과학자의 무리(swarm)를 거느리게 된다면 일은 어떤 모습일지 질문을 던집니다.

이 사례는 규모와 상관없이 AI 에이전트를 조직에 도입하려는 다른 팀에 실질적인 지침을 줍니다.

첫째, 거대 언어 모델의 아래에 불확실성을 계산할 줄 아는 가벼운 통계 모델을 두는 편이 안전합니다. 언어 모델은 큰 틀의 탐색 전략을 세우고 의사결정의 근거를 정리하는 데 유용하지만, 정밀한 수치 평가나 순위 매기기를 단독으로 처리하게 두면 무작위 탐색보다 못한 결과를 낼 수 있습니다.

둘째, 사람이 개입하는 관문은 가장 중요한 지점에 두고 데이터에 맞춰 점진적으로 옮겨야 합니다. 처음부터 완전 자동화를 추구하기보다, 초기에는 제안 하나하나를 꼼꼼히 감시하다가 시스템의 판단이 안정화되면 안전 점검 같은 최소한의 관문으로 물러서는 편이 조직의 저항을 줄일 수 있습니다.

셋째, 모든 결과와 의사결정 과정을 단일 데이터베이스에 통합 기록해야 합니다. 어떤 예측을 바탕으로 어떤 결정을 내렸고 장비에서 무슨 결과가 나왔는지가 투명하게 연결되어 있어야만, 모델을 지속해서 재학습시키고 사후 감사를 진행할 수 있습니다.

넷째, 모델의 제안을 물리적으로 검증하고 ‘아니오’라고 말할 수 있는 현실의 실험실을 유지해야 합니다. Lila 연구진이 아무도 예상하지 못했던 팔라듐 산화물을 믿을 수 있었던 유일한 이유는 그것을 강산에 넣어 직접 확인해 준 장비가 있었기 때문입니다. 현실 세계와 닿아 있는 빠른 검증 장치가 없는 루프에서는 인공지능의 발견과 그럴듯한 환각을 구분해 낼 방법이 없습니다.

아직 증명되지 않은 것들

이 방식이 모든 연구 분야의 표준이 될 수 있을지는 아직 지켜볼 필요가 있습니다.

현재 공개된 워크플로 정보의 대부분은 Lila 자체 발표에 기대고 있습니다. 논문의 저자 22명은 모두 Lila의 직원들이며, 연구 비용 역시 전액 회사가 부담했습니다. 관련된 특허도 이미 출원되었거나 출원될 수 있는 상태입니다. 외부 매체의 보도 중에서도 이 자동화 루프를 내부에서 독립적으로 검증해 묘사한 기사는 아직 없습니다.

성능 비교 방식에도 한계가 있습니다. 기존 탐색 방식이나 언어 모델 단독 탐색과의 비교는 별도의 실제 캠페인을 따로 진행해 얻은 결과가 아니라, 이미 확보한 실험 데이터를 바탕으로 사후에 시뮬레이션한 것입니다. 일반적인 실험실보다 17배 빠르다는 주장 역시 독립적인 기관의 잣대가 아니라 회사가 자체적으로 설정한 기준에 따른 수치입니다.

실험실의 완전한 무인화도 아직은 미완성입니다. 공개된 캠페인 기록에서 시료를 다음 장비로 옮기는 일은 여전히 사람이 직접 수행했습니다. 채용 공고에 등장하는 로봇 함대는 이제 막 현장에 추가되는 단계입니다. 또한 회사의 전체 직원 수나 동시에 몇 개의 캠페인을 안정적으로 돌릴 수 있는지는 공개된 자료에서 확인되지 않습니다.

마지막으로, 이번에 찾아낸 촉매는 실험실 수준의 재료 발견이지 곧바로 시장에 내놓을 수 있는 상용 제품이 아닙니다. 이 촉매가 산업 현장에서 요구하는 긴 수명을 실제로 버텨낼 수 있는지, 그리고 공장에서 쓰이는 대형 설비 형태로 제작되었을 때도 같은 성능을 낼지는 여전히 추가적인 시험을 거쳐야 합니다.

출처

Lila Sciences (Jenewein, Habib Zadeh, et al.) — AI-guided high-throughput discovery of iridium- and ruthenium-free palladium-oxide catalysts for durable acidic oxygen evolution, arXiv 2609.30133 — https://arxiv.org/abs/2609.30133 — 2026-09-24
Lila Sciences — How an AI-run lab cracked open green hydrogen’s catalyst problem — https://www.lila.ai/news/how-an-ai-run-lab-cracked-open-green-hydrogens-catalyst-problem — 2026-09-25
Lila Sciences — What’s a science startup doing with an open-endedness team? — https://www.lila.ai/news/whats-a-science-startup-doing-with-an-open-endedness-team — 2026-09-10
Lila Sciences — From prompt to CAR-T: Inside Lila’s RNA discovery engine — https://www.lila.ai/news/inside-lilas-rna-discovery-engine — 2026-08-28
Lila Sciences — Technology — https://www.lila.ai/tech — 2026-10-22 확인
Lila Sciences — Lila Catalyst — https://www.lila.ai/lila-catalyst — 2026-10-22 확인
Lila Sciences — Lila Creation — https://www.lila.ai/lila-creation — 2026-10-22 확인
Lila Sciences — 채용 공고: Engineer I/II, Research Operations; Shift Supervisor, Research Operations; Robotics Operations Engineer I; Senior Research Associate, Automated Chemistry; Product Manager, Chemistry AI Science Factory; Staff Forward Deployed Engineer, Physical Sciences — https://job-boards.greenhouse.io/lilasciences — 2026-10-22 확인
MIT Technology Review — Benjamin Kompa, 35 Innovators Under 35 — https://www.technologyreview.com/innovator/benjamin-kompa-autonomous-science-tools/ — 2026-09-08
Flagship Pioneering — Lila Sciences — https://www.flagshippioneering.com/companies/lila-sciences — 2026-10-22 확인