Lila Sciences의 AI 과학 공장

핵심

* 언어 모델이 통계 모델을 바탕으로 각 라운드의 탐색 전략을 선택합니다.

* 과학자의 역할은 각 선택지를 하나하나 검토하는 일에서 벗어나 안전성 점검과 의외의 결과에 대한 재테스트로 전환됩니다.

* 교대 근무하는 운영 엔지니어가 가동 시간과 인수인계를 추적하며 장비를 가동합니다.

1. 겨냥하는 산업

Lila Sciences는 신생 기업을 설립하고 투자하는 Flagship Pioneering 내에서 2023년에 설립되었습니다. CEO는 제프리 폰 말트잔입니다. 이 회사는 가설 수립부터 실험, 다음 가설로 이어지는 과학적 연구 방법 자체를 직접 수행하는 인공지능인 “과학적 초지능”을 구축하고 있다고 밝힙니다. MIT Technology Review는 2026년 9월 Lila가 13억 달러가 넘는 기업 가치로 5억 5,000만 달러 규모의 벤처 투자를 유치했다고 보도했습니다.

Lila가 겨냥하는 분야는 생명과학, 화학, 재료 과학 분야의 실험 R&D입니다. 오늘날 대부분의 연구실에서는 과학자가 다음에 무엇을 만들지 결정하고, 기술자와 과학자가 이를 제작하고 테스트하며, 팀이 데이터를 분석해 다음 단계를 계획합니다. Lila는 AI가 이 순환 과정을 주도하도록 만들고자 합니다. 핵심 도구는 모델이 실험을 선택하고 장비가 이를 실행하는 자동화 실험실인 AI 사이언스 팩토리(AISF)입니다. Lila는 이를 두 가지 방식으로 판매합니다. Lila Catalyst를 통해 고객사의 R&D 팀은 Lila의 모델인 Lila Iris와 서비스형 실험실 용량을 이용할 수 있습니다. Lila Creation에서는 파트너가 과제를 가져오면 Lila가 구조, 프로토콜, 데이터 패키지 등 검증된 후보 물질을 전달합니다.

2. 운영 방식

이 루프가 가장 명확하게 드러난 기록은 Lila가 2026-09-24에 공개한 프리프린트 논문과 이튿날 게시한 회사 블로그 글입니다. 22명의 Lila 직원은 희귀 금속인 이리듐이나 루테늄을 쓰지 않는 그린 수소 생산용 촉매를 탐색했습니다. 플랫폼은 53개 재료 시스템과 26개 원소에 걸쳐 2,942개의 촉매를 테스트했습니다. 논문에서는 이 구성을 “AI 주도형, 인간 감독형”이자 90% 이상 자동화된 시스템으로 설명합니다. 작업은 세 단계로 나뉩니다.

모델이 결정하는 작업. 시스템은 매 라운드마다 지금까지 확보한 모든 데이터를 바탕으로 예측 모델을 다시 학습시킵니다. 자동화 단계를 거쳐 가장 예측력이 뛰어난 모델을 선정합니다. 그런 다음 순차 학습 에이전트(sequential learning agent)가 여러 탐색 전략을 활용해 후보 조성을 평가합니다. 미지의 영역을 탐색하거나, 기존에 확인된 최상의 결과를 더 깊이 파고들거나, 드물게 나타나는 고성능 후보를 찾는 식입니다. 그 위에는 언어 모델이 자리합니다. 촉매의 성능을 직접 예측하지는 않습니다. 논문의 표현에 따르면 LLM은 “전략적 추론 에이전트”로 작동했습니다. 매 라운드의 탐색 전략을 고르고, 상위 후보군 중에서 대상을 선택하며, 각 결정의 근거를 작성했습니다. 시스템은 어닐링 온도를 선택하고, 기본 측정값만으로 불분명할 때 추가 조성 측정을 요청하며, 어떤 촉매를 장기 테스트로 넘길지도 결정했습니다. 논문에서는 이러한 제안이 보통 몇 분 안에 준비되었다고 전합니다.

실험실이 수행하는 작업. 각 배치는 스퍼터링 박막 공정으로 제작하며, 픽스처 하나당 48개의 촉매가 올라갑니다. 장비가 품질과 조성을 점검하고, 산성 환경에서 각 촉매의 활성과 안정성을 테스트한 뒤 사후 분석을 다시 진행합니다. 선정된 촉매는 최대 4시간에 걸친 심화 테스트를 거치며, 유력 후보군은 최대 1,000시간에 이르는 테스트로 넘어갑니다. 모든 장비 데이터는 중앙 데이터베이스로 자동 전송되어 결과, 예측, 결정 기록이 모두 보관되므로 다음 라운드에서 이를 바탕으로 재학습할 수 있습니다. Lila는 합성부터 테스트 후 분석까지 최소 주기가 약 22시간이며, 매주 약 240개의 촉매를 스크리닝한다고 밝힙니다.

사람이 수행하는 작업. 이번 프로젝트에서 사람은 스테이션 사이로 샘플 픽스처를 나르고 장비를 가동하는 일을 맡았습니다. 해당 작업을 맡을 로봇은 아직 개발 중입니다. 사람들은 AI의 선택을 검토하고 승인하는 역할도 맡았는데, 이 개입 수준은 시간이 지나면서 달라졌습니다. 전기화학자 켄 제네바인은 프로젝트에 대한 Lila의 설명에서 “처음에는 모든 제안을 일일이 지켜보며 몇 가지는 반려하기도 했다”고 말했습니다. AI가 자신이 선택했을 법한 결정을 계속 내리자 그는 점차 검토 작업을 줄였습니다. 나중에는 제안된 물질이 제조하기에 안전한지만 확인하는 수준으로 바뀌었습니다. 두 연구 책임자 중 한 명인 라파엘 고메스-봄바렐리는 “인간이 루프 안에 머물렀지만, 결정은 AI에 맡겼다”고 말했습니다.

결과가 예상과 다를 때 이를 검증하는 역할도 사람이 맡았습니다. 불과 “몇 차례의 학습 사이클”을 거친 뒤 시스템은 연구자들이 이 반응에 적합하지 않다고 보아 거의 제외해 두었던 계열인 팔라듐 기반 산화물을 지목했습니다. 또 다른 책임자인 존 그레고어는 “이 조합은 전통적인 통념에 완전히 반한다”고 말했습니다. 연구팀은 결과를 의심해 테스트를 다시 반복했습니다. 결과를 확인할 실험실이 없었다면 “환각으로 치부했을 것”이라고 고메스-봄바렐리는 밝혔습니다. 이후 유력 후보 물질은 산성 환경에서 1,000시간 이상 작동했습니다. 인프라를 구축하며 진행한 첫 프로젝트에는 4개월이 걸렸으나, 두 번째 프로젝트는 4주 만에 끝났습니다.

루프를 중심으로 짜인 조직 구조. Lila의 채용 공고를 보면 연구실이 마치 생산 공장처럼 운영되고 있음을 알 수 있습니다. 리서치 오퍼레이션스 팀은 오후 2시부터 10시까지 일하는 두 번째 교대조를 포함해 교대 근무로 “자동화된 실험실 워크플로를 실행”합니다. 엔지니어들은 액체 분주기와 통합 워크셀을 다루고, 품질 관리 결과를 살피며, 근무 교대를 이어받습니다. 교대 감독자는 표준에서 벗어난 변동을 짚어내고 자동화 워크플로가 수동 방식과 일치하는지 검증합니다. 로보틱스 오퍼레이션스 담당자는 “생산용 로봇 함대”를 관리하며 필요에 따라 로봇을 멈추거나 재설정합니다. 해당 업무 시간도 앞으로 확대될 예정입니다. 화학 AISF에는 연구 방향을 이끄는 프로그램 리드와 “자율성 수준”을 비롯해 다음에 어떤 역량을 구축할지 결정하는 프로덕트 매니저가 있습니다. 화학 분야 채용 공고에서는 연구원에게 “과학자가 검토할 수 있도록 이상 징후나 특이 결과를 짚어낼 것”을 요구합니다. Lila는 고객사의 장비와 데이터 시스템에 에이전트 기반 워크플로를 구축할 현장 배치 엔지니어와 AI 안전 과학자 그룹도 채용하고 있습니다. 2026-10-22 기준으로 Lila 채용 페이지에는 약 110개의 공고가 올라와 있습니다.

3. 격차

기존 R&D 연구실과의 차이는 속도보다는 다음 실험을 누가 결정하는가에 있습니다.

일반적인 연구실에서는 과학자가 경험과 기존 문헌을 토대로 다음에 무엇을 합성할지 정합니다. Lila에서는 이 결정을 모델 스택이 맡으며, 과학자는 두 가지 다른 위치로 옮겨갔습니다. 합성에 들어가기 전 거치는 관문은 단순 안전 점검 수준으로 줄었고, 예상치 못한 결과가 나왔을 때 진행하는 사후 검증을 맡게 되었습니다. 팔라듐 사례는 사후 검증이 중요한 이유를 보여줍니다. AI는 과학자들이 선택하지 않았을 방향을 골랐고, 이를 신뢰할 수 있었던 유일한 근거는 실제 실험이었습니다.

두 번째 차이는 AI 구성 방식입니다. Lila는 결정을 언어 모델 하나에만 맡기지 않았습니다. 논문의 자체 비교에 따르면, 프런티어 LLM이 예측 모델 없이 이전 결과만 보고 후보를 선택했을 때 “무작위 탐색보다도 성과가 떨어졌습니다.” 두 번째 테스트에서도 LLM 단독 선택 방식은 정해진 횟수 안에서 팔라듐 계열을 안정적으로 찾아내지 못했습니다. 언어 모델은 불확실성을 추적하는 통계 모델을 대체하는 것이 아니라, 그 위에서 작동합니다.

세 번째 차이는 연구실의 조직 방식입니다. 장비와 가장 가까운 곳에서 일하는 이들은 가동 시간, 품질 관리, 업무 인수인계를 담당하며 교대 근무를 서는 오퍼레이션스 엔지니어들입니다. 이는 일반적인 실험대라기보다 공장이나 데이터 센터에 더 가깝습니다. 연구 방향을 설정하는 과학자들은 프로그램과 프로덕트 역할을 맡아 AI에 다음에 어떤 실험 역량을 부여할지 결정합니다.

네 번째 차이는 제품 형태에서 드러납니다. Lila는 실험실 용량과 자체 모델을 서비스 형태로 판매합니다. Catalyst 소개 페이지에는 고객사 과학자들이 실험실 워크플로를 직접 운영하는 대신 “전략, 설계 결정, 후속 개발”에 집중할 수 있다고 나와 있습니다. 이것이 자리를 잡는다면, 기업은 실험 인력을 채용하고 실험대를 갖추는 대신 컴퓨팅 자원을 구매하듯 실험을 구매할 수 있게 됩니다.

4. 파급

위탁 연구와 사내 R&D의 경우, 병목 자원이 실험대 작업 시간에서 의사결정의 질로 옮겨갈 수 있습니다. 많은 기업이 다른 사람이 설계한 실험을 수행하기 위해 외부 연구실에 비용을 지불하거나 사내 팀을 유지합니다. 실험실이 실험 선택과 실행을 모두 해내고 수작업 대부분이 자동화된다면, 가치는 실험 실행 자체보다 무엇을 실행할지 결정하는 루프를 소유하는 쪽으로 이동할 수 있습니다. Lila는 모든 실험이 자체 모델의 학습 데이터가 된다고 밝히고 있어, 고객 프로젝트가 진행될수록 플랫폼 역량이 더 강화될 수 있습니다.

과학자의 역할은 범위가 좁아지는 동시에 더 높은 차원으로 올라갈 수 있습니다. Lila에서 과학자들은 여전히 목표를 세우고, 구축할 역량을 고르고, 안전을 점검하며, 놀라운 결과를 검증합니다. 다음 샘플을 일일이 고르는 데 쓰는 시간은 줄어듭니다. Lila의 개방형 탐색 팀의 한 구성원은 모든 과학자가 “AI 과학자 무리”를 거느리게 될 때 일의 모습이 어떻게 바뀔 것인가라는 질문을 던집니다.

다른 R&D 팀에 주는 교훈은 규모보다는 시스템 구성 방식에 있습니다.

* 언어 모델 아래에 불확실성을 고려하는 가벼운 모델을 배치할 수 있습니다. LLM은 전략을 선택하지만, 순위를 매기는 것은 통계 모델입니다. Lila의 벤치마크는 LLM만 단독으로 썼을 때 무작위 선택보다 결과가 나빴음을 보여줍니다.

* 인간의 개입 지점을 필요한 곳에 두고 점차 조정할 수 있습니다. 초기에는 모든 제안을 검토하다가 AI의 선택이 검증되면서 안전 점검 수준으로 줄었습니다. 조직은 엄밀한 검토로 시작해 단계적으로 통제를 완화해 나갈 수 있습니다.

* 모든 과정을 한곳에 기록할 필요가 있습니다. 각 결과와 그 바탕이 된 예측 및 결정을 연결하는 중앙 데이터베이스가 있어야 모델을 재학습시키고 전체 루프를 사후 검증할 수 있습니다.

* 아니라고 답할 수 있는 실험실을 갖추어야 합니다. 연구팀이 팔라듐 결과를 믿을 수 있었던 이유는 직접 실험해 볼 수 있었기 때문입니다. 빠른 실험 검증이 없는 루프에서는 새로운 발견과 환각을 구분할 방법이 없습니다.

5. 한계

* 워크플로에 관한 정보 대부분은 Lila 측에서 나온 내용입니다. 프리프린트의 저자 22명은 모두 Lila 직원이며, 연구 비용 전액을 Lila가 지원했고 관련 특허를 출원했거나 출원할 수 있다고 밝힙니다. 이 글을 위해 읽어본 외부 보도 중 그 루프를 내부에서 묘사한 것은 전혀 없습니다.

* 다른 탐색 방식과의 비교는