Periodic Labs: 자체 AI를 키우는 연구실

핵심

* 실험 결과를 판독하는 일부터 자동화가 시작되지만 실험 선택은 여전히 사람이 함께 결정합니다.

* 테크니션은 지침서에 적힌 내용이 아니라 실제로 수행한 작업을 기록합니다.

* 전문가 간 일치도를 기준으로 벤치마킹한 AI 심사관이 모델을 채점합니다.

1. 겨냥하는 산업

Periodic Labs는 2025년 9월 30일에 출범했습니다. 공동 창업자는 ChatGPT 개발에 참여한 전 OpenAI 연구 부사장 리엄 페더스와 Google DeepMind에서 재료 연구를 이끌었던 에킨 도우쉬 추북입니다. TechCrunch 보도에 따르면 a16z, DST, Nvidia, Accel 등이 참여한 시드 투자에서 3억 달러를 유치했습니다. 출범 당시 글에서 밝힌 목표는 분명합니다. “우리의 목표는 AI 과학자를 만드는 것입니다.” 아울러 “지능은 필요조건이지만 충분조건은 아닙니다”라고 덧붙였습니다. 새로운 지식은 아이디어를 현실에 부딪혀 검증하는 과정에서 나온다는 것이 회사의 시각이며, 이에 따라 “AI 과학자와 이들이 운영할 자율 실험실”을 함께 구축하고 있습니다.

Periodic Labs가 파고드는 분야는 신소재 발굴과 재료 공학입니다. 1차 목표는 더 높은 온도에서 작동하는 초전도체와 새로운 자석입니다. 전형적인 재료 연구실에서는 사람이 무엇을 만들지 고르고, 합성법을 찾고, 가열로와 측정 장비를 다룬 뒤, 실제로 무엇이 합성되었는지 밝혀내느라 몇 시간씩 씨름합니다. Periodic Labs는 이 순환 과정의 더 많은 부분을 AI에 맡기려 합니다. 또한 반도체 제조사를 시작으로 같은 도구를 산업계에 판매하고 있습니다.

2. 운영 방식

연구 순환 구조. 2026년 9월 15일 글에서 Periodic Labs는 신소재 발굴 과정을 반복되는 세 단계로 나누어 설명합니다. 첫째, 안정성과 물성 시뮬레이션을 바탕으로 무엇을 만들지 예측합니다. 둘째, 그것을 어떻게 만들지 예측합니다. 셋째, 실제로 무엇이 만들어졌는지, 원하던 특성을 띠는지 확인합니다. 2026년 10월 8일 Latent Space 팟캐스트 인터뷰에서 리엄 페더스는 세 번째 단계를 간단히 요약했습니다. 시료는 “라벨이 붙은 채로 나오지 않는다”는 것입니다. 시뮬레이션으로 후보를 좁히고, 자체 실험 데이터로 이를 보정합니다.

가장 먼저 자동화한 영역. Periodic Labs는 다음 실험을 고르는 일부터 모델에 맡기지 않았습니다. 추북은 무엇이 합성되었는지 알아내는 특성 분석이 병목이라는 것이 처음부터 팀의 판단이었다고 밝혔습니다. “가루를 섞는 일 자체는 그리 어렵지 않지만”, 분석이 빠르지 않으면 정보에 기반한 다음 결정을 내릴 수 없기 때문입니다. 페더스는 시간의 흐름에 따른 비중 변화를 설명했습니다. 연구 캠페인의 방향 제시는 초기에 “완전히 사람이 주도”했으나 현재는 “AI 주도와 사람 주도의 혼합” 형태를 띱니다. 반면 특성 분석은 “AI 주도로 크게 전환”되었으며, 과학자들은 일상적인 데이터 피팅 작업에서 벗어나 “업무 수준을 높일 수” 있게 되었습니다.

가장 대표적인 사례가 분말에 무엇이 들었는지 확인하는 핵심 검사인 X선 회절(XRD)입니다. Periodic Labs에 따르면 복잡한 패턴을 해석하는 데는 전문가도 몇 시간씩 걸립니다. 회사는 “자율 실험실 규모가 커지면서 과학자들이 XRD 결과를 수작업으로 분석하는 속도를 더 이상 따라갈 수 없게 되었다”고 적었습니다. 그 해결책이 1조 개 매개변수를 갖춘 모델 Periodic Neon입니다. Periodic Labs는 오픈 웨이트 모델인 Kimi K2.6을 기반으로 삼아 과학 문헌과 자체 실험실 데이터로 추가 학습을 진행했습니다. Periodic Neon은 현재 실험실에 배치되어 실험 데이터를 분석하고 있습니다. 회사는 이를 통해 과학자들이 “훨씬 더 많은 실험을 감독”할 수 있게 되었다고 설명합니다. 동일한 접근법이 다른 장비에도 적용되었습니다. 전자현미경 이미지를 판독하던 기술자와 과학자들의 업무가 밀리자, 팀은 처음에 단순 스크립트를 시도했으나 페더스의 표현대로 “다소 둔한” 방식이었습니다. 결국 각 실험이 무엇을 만들려 했는지 맥락을 파악하는 AI를 장비에 직접 탑재했습니다.

AI를 검증하는 방식. XRD 분석에는 정해진 모범 답안이 없습니다. Periodic Labs는 과학이란 “반증할 수는 있지만, 쉽게 검증하기는 어렵다”고 썼습니다. 그래서 전문가의 판단 자체를 자동화된 평가자로 바꿨습니다. 박사 학위를 가진 재료 전문가들이 패턴 하나당 3명씩 배정되어 수천 개의 패턴에 라벨을 달았습니다. 전문가들 사이의 일치율은 77.2%였습니다. AI 평가자 한 쌍은 전문가와 74.6% 일치했고, 전문가 합의 결과와는 84% 일치했습니다. 이 AI 평가자가 학습과 평가 과정에서 모델을 채점합니다. 회사는 또한 전체 데이터를 조망하는 AI가 실험실 오류도 잡아낸다고 말합니다. 한 번은 여러 실험에 걸친 결과의 불일치를 AI가 감지해 특정 장비에 시료가 잘못 들어간 사실을 밝혀내기도 했습니다.

실험실 운영과 구성원. 멘로파크에 자리한 Periodic Labs의 실험실은 회사 설명에 따르면 “연중무휴 24시간” 돌아갑니다. 자동화는 여전히 단계적으로 진행 중입니다. 2025년 12월 MIT Technology Review는 Periodic Labs가 “AI 예측을 바탕으로 사람이 직접 합성하는 방식에서 출발”하고 있다고 보도했습니다. 2026년 5월 분말 공정 엔지니어 채용 공고에도 “향후 구축할 자동화된 대규모 실험실”의 밑거름이 될 “수작업 실험실”이라는 표현이 남아 있습니다. 페더스는 실용적인 접근 방식을 취하고 있다고 설명합니다. 과학자와 기술자의 시간을 많이 잡아먹는 반복 작업부터 자동화하고, 자동화에 몇 달씩 걸릴 까다로운 수작업은 건너뜁니다. 그는 “완전한 자율성은 목표가 아니며”, 고품질의 다양한 데이터를 대량으로 확보하는 것이 목표라고 말했습니다.

채용 공고는 데이터 주변에서 사람들이 어떤 일을 하는지 잘 보여줍니다. 계약직 기술자는 표준 절차에 따라 증착 장비를 다루고 시료를 준비하며 장비 교정을 유지합니다. 한 공고에는 “모든 실험 실행이 모델을 위한 잠재적 데이터 포인트”라며 “레시피에 적힌 내용이 아니라 실제로 수행한 작업을 기록하라”고 안내합니다. 자동화 엔지니어는 장비 드라이버를 개발하고 로봇과 기기를 실험실 데이터 시스템 및 AI 모델에 연결해 “실험 분석과 계획 수립”을 돕습니다. 재료 데이터 담당 직무는 연구 절반, 데이터 정제 절반으로 구성되며 “에이전트 로그를 조사해 데이터 오류와 에이전트 실패 양상을 규명”하는 일을 맡깁니다. 이 밖에도 과학 워크플로를 바탕으로 평가 및 학습 환경을 구축하고 모델을 직접 훈련하는 직무들이 있습니다.

조직 구조. 페더스는 직무를 AI 연구 및 인프라, 계산, 실험, 하드웨어 엔지니어링, 제품 등 다섯 가지로 구분했습니다. 추북은 벨 연구소처럼 수석 전문가들도 현장 실무를 직접 챙겨야 한다고 말합니다. 실험실 총괄은 휴직 중인 MIT 물리학자 조 체켈스키가 맡고 있습니다. 페더스에 따르면 OpenAI에서 Operator 에이전트 기술 개발을 이끌었던 레이 나카노가 실험실에 상주하며 장비 자동화를 담당하고 있습니다. 느린 계량기나 혼합 시료 상단에 멈춰 오염 위험을 부르는 로봇 팔처럼 기성 부품이 병목을 일으킬 때는 하드웨어도 자체 제작합니다.

3. 격차

기존 재료 연구실과의 차이는 로봇의 유무보다 실험실이 존재하는 목적에 있습니다.

기존 연구실에서는 실험이 결과를 낳고, 그중 유용한 부분만 논문에 실립니다. Periodic Labs에서는 모든 실험 실행이 자체 모델을 위한 학습 데이터가 됩니다. 페더스는 이를 “과학을 수행하는 과정 자체를 학습시키는 일”이라고 불렀습니다. 이는 대화 내용, 직관, 실험실에서 실제로 돌아간 과정, 코드까지 연구 캠페인의 전체 기록을 보존한다는 뜻입니다. 실패한 실험이 중요한 이유도 여기에 있습니다. 출범 당시 글에서는 연구실에서 만들어내는 실패한 결과(부정적 결과)가 “거의 출판되지 않는다”고 언급합니다. Periodic Labs는 이를 버리지 않고 학습에 사용합니다.

두 번째 차이는 사람의 손길이 닿는 위치입니다. 본 시리즈의 다른 사례인 Lila Sciences에서는 모델이 다음 실험을 결정하고 과학자의 검토는 안전 점검 수준으로 축소된 연구 캠페인을 다루었습니다. 반면 Periodic Labs의 기록에서 나타난 첫 번째 큰 변화는 다른 지점에서 일어났습니다. 과학자들은 회절 패턴을 맞추느라 몇 시간씩 소모하는 일을 멈추고 더 많은 실험을 감독하기 시작했습니다. 다음에 무엇을 시도할지는 여전히 사람과 AI가 함께 결정합니다. 또한 Periodic Labs는 사람이 전혀 없는 실험실을 지향하지 않는다고 공개적으로 밝히고 있습니다.

세 번째 차이는 AI를 검증하는 방식입니다. Periodic Labs는 프런티어 모델이나 단일 실험 결과에만 의존하지 않습니다. 사내 전문가들의 의견 일치율을 측정하고, 그 수준에 근접하는 AI 평가자를 구축한 뒤, 이를 활용해 자체 모델을 훈련했습니다. 회사 발표에 따르면 자체 모델은 가장 까다로운 내부 XRD 테스트에서 주요 범용 모델들을 제쳤으며 분석당 비용도 더 낮았습니다. 또한 동일한 프런티어 모델이라도 공개 데이터베이스와 표준 XRD 소프트웨어를 결합한 Claude Code 환경보다 실험실 맥락과 사내 데이터베이스를 갖춘 Periodic Labs의 도구 환경 안에서 3.8배 더 나은 성능을 냈다고 밝혔습니다.

네 번째 차이는 사업 방식에서 드러납니다. 페더스는 Periodic Labs가 자체 도구의 “첫 번째 고객”이었으며 이제 그 도구를 반도체 기업들에 공급하고 있다고 설명했습니다. API만 판매하는 대신, 현장 배치 엔지니어가 고객사에 상주하면서 모델을 로컬 환경에서 구동하고 파트너의 데이터로 재학습시킵니다. 이를 통해 파트너가 “자신만의 인텔리전스를 소유”할 수 있게 돕습니다. 채용 공고에는 대만 장기 체류 조건도 명시되어 있습니다. 페더스는 시스템의 자율성이 높아질수록 도구 사용료 대신 목표 달성에 비용을 청구하는 “성과 기반 요금제”를 도입할 수 있다고 언급했습니다.

4. 파급

연구개발 연구실의 희소 자원은 연구 벤치에 머무는 시간에서 정제되고 연결된 데이터로 이동할 수 있습니다. 추북은 발표된 실험 데이터 상당수에 노이즈가 많아 흔히 쓰이는 시뮬레이션 기법인 “DFT 정확도보다 대개 못하다”고 말했습니다. 모든 단계를 표준화된 방식으로 기록하는 연구실이 범용 모델보다 결과를 더 잘 판독하는 모델을 훈련할 수 있다면, 해당 데이터는 다른 연구실이 쉽게 사거나 흉내 낼 수 없는 자산이 될 것입니다.

재료 및 공정 컨설팅 분야는 새로운 유형의 경쟁자를 마주할 수 있습니다. Periodic Labs는 시뮬레이션, 훈련된 모델, 자체 엔지니어를 고객사의 공정 현장에 직접 투입합니다. 이 방식이 안착하고 향후 성과 기반 과금으로 전환된다면, 현재 이 업무를 수행하는 사내 조직이나 외부 전문 기관과 경쟁하게 될 수 있습니다. 다만 아직은 초기 사례에 해당합니다.

다른 연구개발 조직을 위한 교훈은 순서와 검증 방식에 있습니다.

* 결정하기 전에 판독부터 자동화해야 합니다. Periodic Labs는 사람이 분석할 수 있는 양보다 더 많은 실험을 수행할 수 있다는 점을 깨달았습니다. 아무도 읽지 않은 결과로는 올바른 다음 선택을 내릴 수 없으므로, 빠르고 신뢰할 수 있는 분석 체계가 먼저 갖춰져야 했습니다.

* AI 평가자를 만들기 전에 전문가 사이의 일치율부터 측정