AI가 과학 연구를 바꾸는 방식: 신약 개발부터 기후 연구까지

인공지능(AI)이 과학 연구의 패러다임을 근본적으로 변화시키고 있습니다. 전통적으로 수십 년이 걸리던 연구가 AI의 도움으로 몇 년, 심지어 몇 달로 단축되면서 과학계에 혁명적인 변화가 일어나고 있습니다. 특히 신약 개발과 기후 연구 분야에서 AI의 역할은 단순한 보조 도구를 넘어 필수적인 핵심 기술로 자리잡았습니다. 이 글에서는 AI가 어떻게 과학 연구의 미래를 재정의하고 있는지 구체적인 사례와 함께 살펴보겠습니다.

AI 신약 개발

신약 개발의 시간과 비용 혁명

전통적인 신약 개발 과정은 막대한 시간과 비용이 소요되는 도전적인 과제였습니다. 후보 물질 발굴부터 전임상, 임상 1상에서 3상에 이르기까지 평균 10년 이상의 시간과 약 3조 원의 비용이 필요했습니다. 더욱이 신약 개발의 성공률은 매우 낮아서, 한 화합물이 임상 1상에 진입할 확률은 10%도 되지 않으며, 임상 1상부터 시판 승인까지 받을 확률 역시 10% 수준에 그쳤습니다. 이러한 낮은 성공률과 높은 비용으로 인해 다국적 제약 기업의 평균 투자 대비 수익률은 2010년 약 10%에서 2019년 2% 미만으로 떨어지는 등 신약 개발의 생산성 저하 문제가 심화되어 왔습니다. 하지만 AI 기술의 도입으로 이러한 상황이 극적으로 개선되고 있습니다. AI는 방대한 생물학적·화학적 데이터를 신속하게 분석해 최적의 후보물질을 도출하고, 독성 및 약효를 정밀하게 예측함으로써 개발 기간을 기존 10년에서 3~4년 정도로 단축하고, 개발 비용을 기존의 5분의 1 수준으로 절감할 수 있게 되었습니다. 한국보건산업진흥원의 자료에 따르면 AI 기술을 신약 개발에 적용할 경우, 개발 기간을 7년 단축하고 약 6,000억 원의 비용을 절감할 수 있다고 합니다.

AlphaFold의 등장: 단백질 구조 예측의 혁명

AI 신약 개발에서 가장 획기적인 성과 중 하나는 구글 딥마인드의 AlphaFold입니다. 단백질의 3차원 구조를 예측하는 문제는 50년 이상 생명과학의 난제로 여겨졌습니다. 단백질의 아미노산 서열만으로 그것이 어떻게 접혀서 3차원 구조를 형성하는지 알아내는 것은 엑스선 결정학이나 극저온 현미경 등을 활용해야 했으며, 짧게는 몇 개월에서 길게는 몇 년, 심지어 십 수년이 걸리는 경우도 있었습니다. 2018년 제13회 단백질 구조 예측 대회(CASP13)에 처음 등장한 AlphaFold는 전 세계 98개 연구그룹 중 압도적인 1위를 달성했습니다. 당시 최고 난이도 과제에서 이전 대회 1등이 40점에 그쳤던 것과 달리, AlphaFold는 60점을 기록하며 단백질 구조 예측 분야에 새로운 지평을 열었습니다. 2020년 CASP14에서는 AlphaFold2가 92.4 GDT 점수를 기록하며, 실험으로 얻어지는 결과와 경쟁력을 갖춘다는 기준점인 90점을 넘어섰습니다. 이는 단백질 구조 예측 문제가 AI에 의해 본질적으로 해결되었음을 의미하는 역사적 순간이었습니다. 더 나아가 2022년 7월, AlphaFold2는 지구상에 존재하는 100만 종의 생명체가 만들어낼 수 있는 2.14억 개 단백질 전체의 3차원 구조 예측을 완료했습니다. 이 중 약 35%는 정확도가 매우 높아서 실험적으로 결정된 구조만큼 우수하며, 또 다른 45%는 많은 응용 분야에 바로 사용될 수 있을 만큼 충분히 정확도가 높습니다. 2024년 10월, AlphaFold를 개발한 데미스 허사비스와 존 점퍼는 단백질 구조 예측에 대한 공로로 노벨화학상을 수상하며 AI 기술의 과학적 가치를 인정받았습니다.

글로벌 제약사들의 AI 도입 경쟁

AI 신약 개발 시장은 빠르게 성장하고 있습니다. 글로벌 시장조사기업 마케츠앤마케츠에 따르면 신약개발에서 AI 활용 글로벌 시장은 2024년 18억 6,000만 달러에서 2029년 68억 9,000만 달러로, 연평균 29.9% 성장률로 확대될 전망입니다. 또한 글로벌 생명공학 분야 AI 시장은 2024년 약 32억 3,000만 달러에서 2029년에는 77억 5,300만 달러에 도달할 것으로 예상됩니다. 미국 생명공학 기업 인실리코 메디슨은 AI를 활용해 2019년 단 46일 만에 특발성폐섬유증 치료 후보물질을 발굴했으며, 18개월 만에 전임상 후보물질 도출에 성공했습니다. 2023년 7월에는 임상 2상을 개시했고, 현재 임상 3상을 앞두고 있어 AI가 설계한 최초의 의약품 탄생이 임박했다는 평가를 받고 있습니다. 또한 영국 베네볼런트사는 코로나19 팬데믹 기간 동안 AI를 활용해 기승인받은 류마티스 관절염 치료제 Baricitinib이 코로나19 치료제로서 효과적일 것이라고 예측했고, 2022년 6월 FDA 승인을 받았습니다. 국내 제약사들도 AI 신약 개발에 적극적으로 나서고 있습니다. JW중외제약은 AI 기반 신약 R&D 통합 플랫폼 '제이웨이브(JWave)'를 구축해 기존 대비 25~50% 이상의 시간과 비용을 절감할 수 있을 것으로 기대하고 있습니다. 대웅제약은 AI 플랫폼 '데이지(DAISY)'를 통해 화합물 8억 종 분자 모델에서 신약 후보물질을 최적화하는 시간을 대폭 단축했으며, 유한양행은 AI 스타트업들과 협력해 새로운 바이오마커 발굴과 치료 전략 개발에 나섰습니다. 임상 시험 단계에서도 AI의 역할은 중요합니다. AI는 화합물 구조의 정보와 생체 내 단백질의 결합능력을 계산하여 신약 후보 물질들을 먼저 제시할 수 있으며, 병원 진료기록을 토대로 연구하고 있는 질병과 관련성이 높은 임상 대상 환자군을 찾을 수 있습니다. 또한 유전체 변이와 약물의 상호작용을 예측해 임상 실험 디자인 설계 및 맞춤형 약물의 개발 단계에서의 시행착오를 현저히 줄일 수 있습니다. 맥킨지앤컴퍼니의 2024년 보고서에 따르면, AI를 활용하면 임상시험 기간을 15~30%까지 단축할 수 있다고 합니다. 2024년부터 한국에서는 AI 신약개발 사업 발전에 속도를 내기 위해 보건복지부와 과학기술정보통신부가 공동으로 한국형 연합학습 기반 신약 개발 플랫폼인 'K-MELLODDY' 사업을 추진하고 있습니다. 이 프로젝트에는 총 348억 원이 투자되며, 2028년까지 AI 기반 신약 후보물질 발굴과 약물 특성 예측 모델 개발을 목표로 하고 있습니다.

AI 기후 연구

기후 모델링의 새로운 패러다임

기후 변화는 인류가 직면한 가장 시급한 과제 중 하나입니다. 2025년 현재 우리는 전례 없는 기후변화를 겪고 있으며, 기후변화로 인한 재난은 매해 새로운 기록을 갈아치우고 있습니다. 2025년 1월 미국 로스앤젤레스 산불은 약 230km²의 면적을 불태웠으며, 추산 손실액은 약 340조 원에 달했습니다. 이러한 기후위기에 대응하기 위해서는 정확한 예측과 효과적인 대응 전략이 필요하며, 이 과정에서 AI가 핵심적인 역할을 하고 있습니다. 전통적인 기후 예측 모델들은 다양한 지구 시스템의 물리 법칙에 따라 에너지 및 물질의 흐름을 관련시키는 미분 방정식을 대규모 시뮬레이션을 통해 수치적 해를 구하는 방법을 따라왔습니다. 이런 모델은 일반적으로 슈퍼컴퓨터에서만 원활한 구동이 가능하며, 지구상에 존재하는 모든 물리 법칙을 수치적으로 표현할 수 없다는 한계 때문에 필연적으로 실제 지구와의 계통적 오차가 존재하는 문제점이 있었습니다. AI 기법은 이러한 기존 기후 예측 기법의 한계를 돌파하고 있습니다. AI는 위성, 레이더 및 센서로부터의 풍부한 기후 변수들의 관측 데이터를 직접적으로 도입하여 더욱 정확한 예측을 가능하게 합니다. 마이크로소프트에서 개발한 ClimaX 모델은 여러 기상 변수를 다양한 시공간 해상도에서 다루는 이질적인 데이터 세트를 사용하여 학습된 AI 기반 기후 모델로, 4주 이내의 예측에서 뛰어난 성능을 보이고 있습니다. 콜로라도 주립대 Elizabeth A. Barnes 연구팀은 뉴럴 네트워크 기법을 사용하여 기후 변화 예측 모델을 개발했습니다. 이들의 모델은 주어진 온도 분포에 기반하여 해당 온도 분포가 몇 년도인지 예측하고, 나아가 산업화 이전 대비 온도 상승폭이 1.5도가 되는 시기를 예측합니다. 이러한 예측은 파리 협약의 목표 달성 가능성을 판단하는 핵심 근거가 되며, 인류가 기후변화 대응에 얼마나 시간이 남았는지를 알려주는 중요한 정보를 제공합니다.

AI를 활용한 에너지 효율 향상

AI는 기후 예측뿐만 아니라 온실가스 감축에도 직접적으로 기여하고 있습니다. 2023년 환경 화학 저널에 발표된 연구에 따르면, AI를 활용한 스마트 제조 공정은 기존 방식보다 에너지 소비, 폐기물, 탄소 배출량을 30~50%까지 줄일 수 있는 것으로 나타났습니다. AI는 디지털 트윈 분석 기법을 활용하여 건물이나 물리적 자산, 시설의 디지털 복제본을 만들고, 실시간 에너지 소비 및 자원 사용 데이터를 분석할 수 있습니다. 전력 연구소의 수석 프로그램 관리자 Jeremy Renshaw는 "풍력, 태양광과 같은 저용량 가변 발전원이 대거 온라인에 등장하고 양방향 전력이 주택으로 들어오고 나가면서 기하급수적으로 복잡해지고 있는 전력망의 안정성을 유지하는 데 AI가 중요한 역할을 할 것"이라고 밝혔습니다. 실제로 전력회사들은 전력망의 효율성을 높이기 위해 AI를 도입하고 있으며, 물류 업체에서는 배송 경로를 최적화하여 차량의 연료 소비를 줄이고 있습니다. 농부들은 비료와 물 사용을 줄이기 위해 AI를 사용하고 있으며, 공장에서는 폐기물을 줄이고 에너지 효율을 높이기 위해 AI를 도입하고 있습니다. 구글 딥마인드는 AI를 활용해 데이터센터의 냉각 시스템, 서버 배치 등을 실시간으로 조정하여 전력 사용량을 낮추고 있습니다. 국립 에너지 연구 과학 컴퓨팅 센터의 테스트에서 엔비디아 A100 텐서 코어 GPU를 사용하여 네 가지 주요 과학 애플리케이션의 에너지 효율이 평균 5배 향상되었으며, 일기 예보 애플리케이션은 거의 10배의 향상을 기록했습니다.

기후 기술 투자의 새로운 트렌드

AI와 기후기술을 접목한 스타트업들은 2024년 1~3분기 동안 60억 달러를 조달해 기후 기술 투자 총액의 14.6%를 차지했습니다. 이는 2023년 전체 기후 기술 투자 중 AI 관련 기술이 7.5%를 차지하며 50억 달러를 조달했던 것과 비교하면 상당한 증가세입니다. 주요 투자 분야는 자율주행차와 농업, 스마트 홈, 스마트 에너지 솔루션을 포함한 산업 애플리케이션입니다. 2024년 S&P 글로벌 기업 지속 가능성 평가에서는 조사에 응답한 6,351개 기업 중 272개 기업이 AI를 활용하고 있다고 답변했습니다. 이들 중 38%는 에너지 소비를 개선하기 위해, 25%는 기후 성과를 개선하기 위해, 24%는 지속 가능한 제품 및 서비스 개발을 위해 AI를 활용하고 있다고 답했습니다. 또한 13%는 물 관리를 개선하기 위해, 8%는 생물다양성 성과를 개선하기 위해 AI를 사용하고 있다고 답했습니다. 유엔환경계획(UNEP)의 2024년 탄소 배출 격차 분석 보고서에 따르면, 지구 온난화를 2℃ 이하로 제한하기 위해 2030년까지 온실가스 배출량을 42%까지 줄여야 합니다. 이러한 목표를 달성하기 위해서는 2050년까지 넷제로를 달성하는 것이 중요하며, 이 과정에서 AI는 더 효율적인 에너지 사용과 혁신적인 해결책을 제공하여 기후변화 대응에 중요한 역할을 할 것으로 기대됩니다.

AI와 과학의 미래

AI의 양면성: 에너지 소비와 환경 영향

AI가 과학 연구에 혁명을 일으키고 있지만, AI 자체의 에너지 소비 문제도 간과할 수 없습니다. 인공지능, 특히 대규모 언어 모형의 발전은 막대한 에너지 소비를 초래해 기후 변화 대응에 새로운 과제를 제시합니다. AI 모형의 학습, 추론 및 응용 서비스에는 엄청난 전산 자원과 냉각 시스템이 필요하며, 이는 막대한 전력 소비와 온실가스 배출 증가로 이어질 수 있습니다. 2024년 5월 기준 ChatGPT의 하루 방문 수는 1억 건을 넘어섰으며, 구글도 검색 서비스에 생성형 AI를 도입하면서 에너지 소비가 지속적으로 증가하고 있습니다. 이러한 흐름은 향후 데이터센터의 전력 수요를 더욱 확대시키는 주요 요인이 될 것으로 예상됩니다. 그러나 AI 기술 자체를 활용해 기후 변화 완화 방안을 연구하고 개발하는 노력도 동시에 진행되고 있습니다. 효율적인 시스템 냉각 기술 개발, 에너지 효율적인 전산 설비 개발, 모형의 경량화 및 소형화, 재생 에너지 사용 확대 등 다양한 노력을 통해 AI의 환경 영향을 최소화하려는 시도가 이루어지고 있습니다. AI 모델이 시간이 지남에 따라 데이터센터의 효율성을 자동으로 개선하는 방식으로, 데이터센터의 에너지 효율성은 더욱 향상될 것으로 기대되고 있습니다.

학제 간 융합의 필요성

2025년 미래유망기술콘퍼런스에서 전문가들은 "AI 기반의 스마트 팩토리나 예측형 기후 모델은 탄소 배출 저감의 핵심 기술"이라며 "기후 대응은 더 이상 환경정책이 아니라 산업 생존의 문제"라고 강조했습니다. 서울대학교 박정재 교수는 "지구의 기온 상승은 단순히 환경 문제가 아니라 문명의 존속을 위협하는 구조적 문제"라며 "기술이 인류의 편의를 위해 발전해온 만큼 이제는 생태계 복원과 기후 대응을 위한 방향으로 진화해야 한다"고 강조했습니다. AI와 과학의 융합은 단순히 기술적 진보를 넘어 학제 간 협력을 요구합니다. 패널 토론에서는 "국가 단위의 기술 투자가 장기적 관점에서 일관성을 가져야 한다"며 "정책과 연구개발(R&D)이 분절되지 않도록 AI, 에너지, 소재 분야의 협력 생태계가 필요하다"는 제언이 나왔습니다. 기후, 생태, 사회, 경제가 통합된 거시적 관점에서 기술을 재정의할 시점이라는 것입니다.

국내 AI 과학 연구의 과제와 전망

국내에서도 AI를 활용한 과학 연구가 활발히 진행되고 있지만, 여전히 해결해야 할 과제들이 남아 있습니다. AI신약 개발지원센터의 설문조사에 따르면, 응답한 제약바이오 기업의 61.3%가 기업 내 자체 AI 인력을 보유하고 있지 않으며, 88.2%가 숙련된 인력 부족과 고용 문제를 가장 큰 어려움으로 꼽았습니다. 또한 데이터 접근성 개선, 협업 강화, 테크 대기업과의 협력, 신약 개발 파이프라인 다양화, 새로운 성과 지표 수립 등이 AI를 신약 개발에 효과적으로 도입하기 위한 핵심 고려 사항으로 지적됩니다. 그럼에도 불구하고 한국의 AI 기술은 글로벌 6위 수준의 상당한 역량을 확보하고 있으며, 국내 제약바이오산업은 지난 1998년 첫 국산 신약을 개발한 이래 25년간 총 36개의 국산 신약을 개발한 저력을 보여주고 있습니다. 이러한 AI 기술과 신약 개발 역량을 접목하여 신약 개발 산업을 차세대 산업으로 발전시킬 수 있는 가능성이 충분합니다. AI는 과학 연구의 방식을 근본적으로 변화시키고 있습니다. 신약 개발에서는 개발 기간을 10년에서 3년으로 단축하고 비용을 5분의 1로 절감하며, 기후 연구에서는 예측 정확도를 높이고 에너지 효율을 30~50% 향상시키는 등 구체적인 성과를 내고 있습니다. AlphaFold의 노벨상 수상은 AI가 단순한 기술을 넘어 과학적 발견의 새로운 도구로 인정받았음을 보여줍니다. 그러나 AI의 발전과 함께 에너지 소비 문제, 인력 부족, 데이터 접근성 등의 과제도 함께 해결해야 합니다. AI는 기후 변화 대응에 도전과 기회를 동시에 제공합니다. 모형의 에너지 효율성을 높이고 재생 에너지 사용을 확대하는 노력을 통해 AI가 기후 변화 대응에 긍정적으로 기여할 수 있도록 해야 합니다. 앞으로 AI와 과학의 융합은 더욱 가속화될 것입니다. 학제 간 협력을 강화하고, 정책과 R&D의 일관성을 유지하며, AI, 에너지, 소재 분야의 협력 생태계를 구축한다면, AI는 인류가 직면한 가장 시급한 과제들을 해결하는 데 핵심적인 역할을 할 것입니다. 기술의 진보가 생태계의 회복과 인류의 지속가능성을 함께 견인할 수 있을지, 그 가능성을 향한 여정은 이제 막 시작되었습니다.