Novelism

연구자이자 사업가로서의 나의 길

Novelism — Sat, 23 May 2026 00:12:01 +0900

저의 학문적 배경은 기초과학에 가깝습니다.

저는 물리학을 전공했고, 세부 전공도 이론물리학, 그중에서도 계산과 시뮬레이션을 활용한 연구였습니다.

박사후연구원 시기부터는 조금 다른 연구를 했습니다. 보다 응용적인 연구, 혹은 기술적인 분야를 연구했습니다. 단백질 구조 예측, 인공지능을 이용한 다양한 예측 모델, 약물 디자인 등이 그 예입니다.

다만 연구 주제가 기술적이었더라도, 저는 항상 원리를 탐구하는 접근을 추구했습니다. 예를 들어 제가 개발한 단백질 도메인 경계 예측 방법론은 “단백질의 도메인은 진화의 단위다”라는 원리에서 출발했습니다. 원리와 기술은 합리적으로 연결될 수 있다는 것이 저의 믿음입니다.

제가 학계 사람들과 이야기하다보면 보통 자연과학자들은 공학에 대해 이런 지적을 할 때가 많습니다. “공학은 거시적인 측정 결과로부터 원하는 물성을 개선하는 데에는 능하지만, 미시적인 메커니즘 자체에 대한 이해는 부족하다.” 물론 공학에서도 미시적 측정 장비와 분석 방법을 사용하지만, 자연과학자의 관점에서는 여전히 이런 아쉬움이 남을 수 있습니다.

그런데 현실적으로 묻는다면, 메커니즘을 이해한다고 해서 원하는 물성을 가진 물질을 더 효율적으로 설계할 수 있을까요? 이 질문에 쉽게 “그렇다”고 답하기는 어렵습니다. 제대로 된 메커니즘 스터디는 많은 시간이 필요하고, 그것을 명확히 증명하는 일도 어렵기 때문입니다. 또한 어떤 경우에는 메커니즘에 대한 깊은 이해 없이도, 실험적 최적화만으로 충분히 좋은 결과를 얻을 수 있습니다.

그럼에도 저는 시뮬레이션 기술과 데이터 분석 기술을 활용하여 메커니즘을 이해하고, 이를 바탕으로 신약과 소재를 설계하는 사업을 해보려 합니다. 왜 저는 이런 선택을 하였을까요?

저는 이 선택이 제 정체성의 특수성에서 나온다고 생각합니다. 자연과학과 공학, 그 사이에 있습니다. 엄밀한 의미에서 제가 말하는 메커니즘 스터디는 자연과학자들이 생각하는 전통적인 메커니즘 스터디와는 조금 다를 수 있습니다. 제 연구의 목적은 메커니즘을 최종적으로 “증명”하는 것이 아니라, 메커니즘을 가이드로 삼아 물질을 “설계”하는 것이기 때문입니다.

조금 더 극단적으로 말하면, 어떤 프로젝트에서 실험 및 시뮬레이션 데이터를 바탕으로 하나의 메커니즘 가설을 세웠다고 합시다. 그리고 그 가설에 따라 설계 방향을 제시하여 원하는 물성을 가진 물질을 찾았다면, 저에게 그 가설이 참인가 거짓인가를 증명하는 것 보다도 더 중요한 것은 그 가설이 설계 방향을 좁히고, 더 나은 후보를 찾는 데 실제로 기여했는가입니다.

이것은 기초과학과 공학 사이에 있는 저 나름의 타협안입니다. 아마 기초과학자들은 이런 접근을 그리 반기지 않을지도 모르겠습니다. 하지만 가설을 수립한다는 점에서는 기초과학과 크게 다르지 않습니다. 다만 저는 그 가설을 검증하는 일보다, 새로운 물질 설계에 활용하는 일을 우선하려 합니다. 뭐 좀 거창하게 말했지만, 사실 추가로 가설을 제기할 필요 없이, 이미 알려진 메커니즘에서 출발할 수 있는 경우도 있습니다.

시뮬레이션을 연구에 활용하고 분석하다 보면, 생각보다 많은 것을 얻을 수 있습니다. 설령 그것이 실제 현상을 완벽하게 모사한다는 보장이 없더라도 말입니다. 시뮬레이션은 이를테면 논리적인 사고 전개, 혹은 수읽기와 비슷합니다. 구체적인 분석 없이 머릿속에만 남아 있던 생각들이, 가능한 것과 가능하지 않은 것으로 구분됩니다. 무한해 보이고 가치 평가가 어려웠던 선택지들이 추려지고, 결국 평가 가능한 몇 가지 후보가 남습니다.

망양지탄(亡羊之歎)이라는 말이 있습니다. 다기망양(多岐亡羊)이라고도 하는데, 달아난 양을 찾으려 했지만 갈림길이 너무 많아 결국 찾지 못하고 탄식하는 상황을 의미합니다. 우리는 연구자로서나 인간으로서나 살면서 이런 일을 자주 경험합니다.

시뮬레이션과 데이터 분석이 항상 정답을 줄 수 있다는 보장은 없습니다. 하지만 복잡한 선택지 앞에서 적어도 적절한 이정표를 제시하는 것, 저는 그것이 제가 할 수 있는 역할이라고 생각합니다.

FragDock Framework

Novelism — Wed, 13 May 2026 23:44:47 +0900

FragDockRL 논문의 리비전을 업데이트 했습니다.

https://www.biorxiv.org/content/10.1101/2025.08.12.670002v2

이번에 논문 리비전을 거치면서 논문 구성과 프로그램 코드를 완전히 재구성하였습니다.

일단 FragDock Framework 입니다. core 구조를 포함한 initial building block에서 출발하는 building block assembly와 tethered docking을 기반으로 만든 Framework입니다.
여기에 추가로 탐색방법들이 필요합니다.

기존의 FragDockRL 은 FragDock Framework 안의 하나의 method로 개편되었고, 탐색을 담당합니다.

그리고 그 외에도 Beam Search, MCTS, Random Search, One-Step Reaction 같은 탐색 방법을 추가하였습니다.

코드는 github에 업로드 하였습니다. 이전과 저장소 주소가 달라졌습니다.

https://github.com/novelism/FragDock

논문 원고에선 RL의 비중이 많이 줄었습니다. ML의 장점이 분명히 있긴 있습니다. 하지만, ML로 잘되는 일은 ML로 하고, 다른 방법으로 잘 되는 일은 그 방법을 사용하면 될 일입니다. (제가 아는 분이 면접 때 그런 멋진 말을 했더니 ML 하시는 분이 표정이 안 좋아졌다나... 결국 불합격당하셨다는 이야기를 들었습니다. )

이전에는 논문에서 ML을 강조하려 하였으나, ChatGPT는 "탐색" 연구임을 강조하라고 강하게 권하였습니다.
아마도 이전 버전을 읽은 분들은 아실 수도 있습니다만, 그 때는 "ML 기반의 분자 생성" 방법들이 생성한 분자들이 실제로 합성하기 어려웠기 때문에, 실제 합성 반응을 고려한 "Building Block Assembly"을 사용하여 그 문제를 개선했다는 것을 강조했습니다.

하지만, 탐색 기반 연구에선 그게 기본이라 별로 기존 ML 방식들의 단점을 개선하였다는 이야기가 무의미해졌습니다.

굳이 말하면, ML 연구는 기존에 개발된 컴퓨터 기반, 의약화학 기반 방법론들을 무시하고 연구가 진행된 면이 있습니다.

저는 신약개발에 대해 잘 모르는 상태로 ML 기반으로 신약개발 연구를 시작했다보니 처음에는 무엇이 좋은 연구방향일지 잘 모르는 채로 시작하였습니다. 어느 날 의약화학책을 보고, 거기에 이미 컴퓨터를 이용한 단백질 구조 기반 분자 생성 (de-novo) 같은 것들이 설명되어 있는 것을 보고 이미 많은 CADD 연구자들이 좋은 접근 방법들을 많이 개발해 두었다는 것을 알게 되었습니다. 그래서 그런 기존 CADD 방법들을 배우고, 그 연장선에서 ML을 활용해야겠다는 생각이 들었습니다.

물론 AI로 분자를 설계할 수 있다는 것은 대단한 일입니다. 그런데, 그건 사람도 할 수 있고, 기존에 알려진 알고리즘으로도 도 할 수 있습니다. 그것이 더 좋은 방법인가는 별개의 문제입니다.

FragDock Framework와 FragDockRL은 의약화학자의 방법론과 CADD의 방법론을 충실히 따르고, 그 위에서 ML을 추가하는 것이 현실적인 연구방향이다.라는 믿음을 바탕으로 제가 내놓은 답입니다.

아마도 제 이전 연구들과 마찬가지로, 이 연구도 별로 주목받지는 못할 것 같습니다. 그렇게 생각하는 이유는 많습니다.

1. 연구를 너무 늦게 발표함. 대체 6년간 뭐하다 이제야 했나...

2. 많은 사람들이 사용하려면 쓰기 편하게 만들어야 하는데, 사용하기 불편함

3. 독자 타겟이 불분명함. 의약화학자인가? CADD인가? ML인가?

사실은 의약화학자를 타깃으로 하였습니다만, 그러기에는 제출한 저널이 의약화학자들이 주로 보는 저널은 아닌데...

4. 실험 결과 없음... 저는 실험 결과가 뒷받침 되어야만 좋은 연구라고 생각합니다.

5. 홍보 부족... 사실 요즘 주력으로 하는 일이 따로 있어서 이 일은 당분간 하지 않을 것 같고, 학회에 가서 발표할 예정도 없습니다.

... 어째 제가 나름 납득할만한 논문을 내놓을 때마다 저는 그 분야를 떠나고, 학회에서 논문을 발표하지 못하는데... 이번도 마찬가지일 거 같네요.

연구에 AI를 사용해본 이야기

Novelism — Mon, 11 May 2026 19:09:46 +0900

이번 논문 리비전을 약 3개월 정도 진행하면서, 소스코드를 완전히 갈아엎고 논문의 기존 내용도 대부분 버린 뒤 새로 작성하게 되었습니다.

솔직히 말하면, 저도 제가 왜 그렇게까지 했는지 잘 모르겠습니다. 리뷰어의 코멘트는 아마 일부 내용을 고치고 결과 데이터를 조금 더 보충하라는 뜻이었을지도 모릅니다. 그런데 막상 하나씩 고치다 보니, Method를 Framework으로 확장해야해서 코드의 확장성도 문제가 되었고, 논문의 흐름도 마음에 들지 않아, 결국 거의 처음부터 다시 만드는 수준이 되었습니다.

지금까지 했던 연구 중에서 가장 많은 정성을 들인 작업이었습니다. 이번 리비전에서는 코드 리팩토링과 논문 작성 양쪽 모두에 ChatGPT를 적극적으로 활용했는데, 그 과정에서 느낀 점을 간단히 적어보려 합니다.

코드 리팩토링

저는 나름 오랫동안 코딩을 해오긴 했지만, 연구 분야에서 코딩을 하는 많은 사람들이 그렇듯이 전문적으로 소프트웨어 개발을 배운 것은 아닙니다. 저만의 익숙한 (어쩌면 안좋은) 스타일이 있고, 그 스타일이 일반적으로 추천되는 코딩 스타일과 항상 일치하지는 않습니다. Python을 C처럼 작성한다든가, 오래된 방식의 코딩 스타일을 그대로 사용한다든가 하는 식입니다.

물론 계산 속도와 직접 관련된 부분에서는 최대한 효율적으로 작성하려고 노력합니다. 하지만 소스코드를 배포하기 위한 패키징이나 구조화된 프로젝트 구성 같은 부분은 여전히 익숙하지 않습니다.

이번에는 그 부분을 많이 고쳐보려고 했습니다. 다만 분명히 말할 수 있는 것은, 이것이 절대로 “AI 딸깍”으로 해결되는 일은 아니었다는 점입니다.

사실 이전 버전의 코드는 돌아가는 초안을 작성하는 데 5일 정도 걸렸습니다. 그런데 ChatGPT를 활용한 리팩토링은 그보다 더 오래 걸린 것 같습니다. 대신 훨씬 더 많이 고민했습니다. 이전에는 어쨌든 만들려고 한 기능이 돌아가면 된다고 생각했고, 기능 구현 자체에만 집중했습니다. 반면 이번 버전에서는 확장이 용이한 구조를 만들기 위해 계속 설계를 바꾸고, 코드를 나누고, 다시 합치고, 흐름을 점검했습니다.

제가 협업에서 중요하게 생각하는 것 중 하나는 공통의 규칙, 혹은 공통의 언어를 사용하는 것입니다. 기존 코드가 있는 일에 참여할 때는 그 코드의 스타일을 먼저 배우고, 가능한 한 신규 코드도 그 스타일을 유지하면서 작성하려고 합니다. 물론 그 스타일에 익숙해지기까지 시간이 걸리지만, 사람마다 코드 스타일이 제각각이면 다른 사람이 만든 코드를 이해하고 수정하기가 매우 어려워집니다.

남의 코드가 마음에 들지 않는다고 해서, 함께 사용하는 코드를 자기 혼자 마음대로 바꾸는 것은 좋지 않다고 생각합니다. 물론 혼자 가져다 쓰는 코드라면 상관없겠지만, 함께 관리해야 하는 코드라면 이야기가 다릅니다.

그래서 제가 AI에게 요구한 것은 “제가 이해할 수 있는 코드를 만들라”는 것이었습니다. 제가 직접 모든 줄을 작성하지 않더라도, 최종적으로 모든 코드는 제가 검수하고 이해할 수 있어야 합니다. 리팩토링 과정에서 기존 코드 스타일을 그대로 유지한 것은 아니지만, 아무리 좋은 스타일이라도 제가 추적할 수 없는 방식으로 만들어지면 문제가 생깁니다. 의도와 다르게 구현되어도 알아차릴 수 없고, 그 순간 그것은 도움이 되는 정보가 아니라 단지 쓰레기가 될 뿐입니다.

결국 전체적인 스타일은 제가 이해할 수 있는 방향을 유지하되, 제가 잘 모르는 기능을 구현하거나 구조를 새로 설계하는 데 ChatGPT의 도움을 많이 받았습니다. (가능한 제가 이해할 수 있는 스타일로...) 지금까지 제가 작성한 코드들 중에서는 가장 구조가 좋은 코드가 되었다고 생각합니다.

논문 작성 이야기

저는 영어에 익숙하지 않기 때문에, 첫 번째 버전에서도 번역과 교정을 위해 ChatGPT를 사용했습니다. 이번에도 처음에는 그 정도로만 활용할 생각이었습니다. 문장을 다듬고, 표현을 자연스럽게 고치고, 영어 논문답게 정리하는 정도를 기대했습니다.

그런데 코드 개발을 진행하는 중간중간, ChatGPT가 계속 논문의 관점을 바꿔야 한다는 이야기를 했습니다. (자아가 없다고 스스로 말하면서 왜 이렇게 자아가 있는 것처럼 행동하는지 원... )

그래서 Introduction부터 새로 쓰기로 했습니다. 그런데 테스트 방식과 결과 데이터가 이전과 달라지면서, 첫 문단부터 결과 해석까지 논문의 흐름이 매끄럽게 연결되지 않는다는 느낌이 들었습니다. 결국 논문 전체를 새로 쓰는 방향으로 가게 되었습니다.

문장 자체는 ChatGPT가 저보다 더 잘 쓰는 부분이 많았습니다. 하지만 문장의 흐름을 설계하는 것은 제가 조금 더 잘하는 것 같습니다. 흐름은 제가 주도해서 설계하되, 각 문장마다 근거가 충분한지, 표현이 지나치게 강하지 않은지, 논리적 흐름이 매끄러운지 계속 물어보았습니다. ChatGPT가 제안한 문장이 마음에 들지 않으면 제가 다시 문제를 제기했고, 제가 더 낫다고 생각하는 방향으로 고쳐 쓴 뒤 다시 의견을 물었습니다. 그런 식으로 서로 논의하며 한참을 고쳤습니다.

저는 원래 글을 비교적 빠르게 쓰는 편입니다. 그런데 이번에는 평소보다 훨씬 오래 걸렸습니다. 그래도 결과적으로는 제가 혼자 작성한 후 번역을 돌리는 것 보다 훨씬 좋은 품질의 원고가 되었다고 생각합니다.

연구자에게 AI 란?

아마 AI를 사용하지 않았다면, 이렇게 많이 고치지는 않았을 것입니다. 오히려 더 조금만 수정하고, 더 빠르게 끝냈을 가능성이 높습니다. 이번 경험을 통해 느낀 것은, AI가 반드시 업무를 더 빠르게 만들어주는 도구는 아니라는 점입니다. 어떤 작업에서는 시간을 크게 줄여줄 수 있습니다. 하지만 더 중요한 점은, 더 오래 고민하게 만들고, 더 많은 대안을 검토하게 만들고, 결과적으로 더 높은 품질의 결과물을 만드는 방향으로 활용하는 것입니다.

이번 연구는 제가 하겠다고 결심하고도 5년 이상 끌어왔던 일이었습니다. 그래서 더 허술하게 끝내고 싶지 않았습니다.

아니, 솔직히 말하면 첫 번째 버전에서는 그냥 적당히 마무리하고 싶었습니다. 성능에 대해서도 저 스스로 명확히 판단하기 어려웠고, “일단 작동한다” 정도로 생각했던 것 같습니다. 하지만 리뷰어들의 코멘트를 보면서 무엇이 부족했는지 알게 되었고, 그들이 제안한 부분들을 하나씩 반영하다 보니 저 역시 이 메서드의 특징을 더 깊게 이해하게 되었습니다. 결과적으로는 연구 자체를 다시 이해하고 완성도를 높히는 과정이었습니다. 만약 ChatGPT의 도움을 받지 못했다면 이정도로 할 수 없었을 것이라 생각합니다. 저에게 AI는 내가 고민하고 싶지 않고, 일을 하고 싶지 않을 때 대신 해줄 존재가 아니라, 내가 더 잘하려고 할 때 그걸 도와줄 수 있는 존재 입니다.

역학

Novelism — Sat, 25 Apr 2026 12:55:14 +0900

力學 Mechanics 역학의 역은 힘을 의미하는 한자로 변역됩니다.

그런데 역학은 운동방정식 (equation of motion) 을 다루는 학문 입니다.

운동이란 시간에 따른 변화이기에 시간에 대한 미분 형태로 주어집니다.

그리고 그 운동을 변화시키는 것이 힘이기에 힘을 다루는 학문이라고도 할 수 있습니다.

힘과 운동의 관계 라고 보기도 합니다.

Mechanics의 어원은 힘 이라기보다는 기계에 가깝지만... 기계는 어떠한 원리와 규칙대로 움직이는 장치 라는 의미이니

힘을 다루는 학문이라기보다는 원리를 다루는 학문이라고 해석하는게 타당할 것입니다.

사실 저는 易學 이라고 부르고 싶습니다만... 왜냐하면 힘은 운동을 설명하기 위해 도입한 개념이고, 사실 더 중요한 것은 운동 그 자체이니까요.

예를들어 아인슈타인은 일반 상대성이론에서 중력을 공간의 휘어짐으로 해석하려 하였습니다. 물리학의 개념들은 절대적인 진리가 아니라 우리의 학문체계에서 무언가를 설명하기 위해 만들어진 관념들도 포함되어 있습니다. 그 해석이 유일한가? 라는 질문을 한다면 대답하기 어렵습니다.

또 다른 이유로, 동양에서 역학은 (주역 등) 변화의 원리를 연구하는 학문을 의미하기에 역학이 추구하는 본질에 더 깝다고 생각합니다. 그것이 비록 과학이 아니라 점술에 가까운 철학일지라도... 저는 고대 그리스의 철학이나 고대 동양의 철학을 높게 평가합니다. 비록 과학적 사실이 아닐지라도, 세상을 보는 관점을 담고 있고, 그 관점은 현대 과학으로 이어지는 면이 있습니다. 4원소 설은 비과학적으로 여겨질 수 있지만, 원자 라는 개념을 도입한 것은 현대 양자의 개념으로 이어졌고, 결정론의 세계를 상보적인 세계로 확장하는데 동양 철학의 개념이 도입되기도 했습니다. 느슨해보이는 것이 사실은 세상의 본질이라는것을 어떤 철학 체계에선 인정할 수 없기도 합니다.

여튼 저는 과학은 과학이고 철학은 철학이라 생각합니다. 과학적 사실과 부합하지 않다고 철학 자체를 틀린 것으로 취급할 필요는 없다고 생각합니다. 그렇게 치면 완성되지 못한 과학은 다 틀린 소리인데... 인간이 설명 못하는것이 여전히 많고, 수백년 후면 틀렸다고 알게될 과학도 많이 있습니다. 과학은 연구 방법론과 실험으로 쌓아온 지식 체계이지, 맹신해야할 진리가 아닙니다. 철학과 마찬가지로, 과학 또한 우리가 세상을 어떻게 바라볼 것인가 라는 관점 하에서 기술됩니다. 어떠한 지식 체계와 실체가 동일하다는 보장이 있을까요. 저는 아닐거라 생각합니다. 저는 진리를 추구하지만, 진리를 알고 있는 사람도 아니고 제가 찾은 답이 진리일거라 생각하지도 않습니다.

여튼 서론이 쓸데없이 길었네요. 하지만 이 장황한 서론을 말하지 않고서는 본론에서 말하려는 바를 제대로 설명하기 어려웠습니다. 제가 다닌 대학교의 초대 총장님의 아버지께서 학생들을 가르칠 때, 역학을 배운다는 사람이 세상이 돌아가는 원리를 모르면 안된다며 밭에서 일을 해보라고 시켰다는 것 같습니다. 저도 그렇게 생각합니다. 제가 알고 싶은 것은 세상의 이치이지, 물질의 이치만이 아닙니다. 역학을 배우고도 세상이 어떻게 돌아가는지 모른다면 그것은 제대로된 배움이라 하기 어렵습니다. 그래서 제가 존경하는 학자들은 (주로 20세기 초의 양자역학의 창시자들인데) 그들은 역학 체계를 만들었을 뿐만 아니라, 세상을 보는 관점 또한 탁월한 사람들이었습니다. 저는 그런 사람이 진짜 학자라고 생각합니다.

이상한 일입니다... 무언가를 이해한다면 이해하지 못한 사람보다 더 잘해야하지 않을까요?

그러지 못했다면 제대로 이해했다고 할 수 있을까요?

말로만 그럴듯하게 설명하는 정도로는 부족합니다.

그것이 실제로 도움이 되어야 합니다.

현실과 이상은 생각보다 다르고, 대체로 거기엔 뭔가 큰 문제가 있기 마련입니다.

절실함

Novelism — Tue, 21 Apr 2026 14:53:15 +0900

저는 모르는 것이 너무 많습니다.

내가 모르면 답을 알 것 같은 남에게 물어보고 싶어 집니다.

그런데, 남에게 물어봐서 아는 것과 스스로 아는 것은 많이 다릅니다.

내가 모르는 것을 누군가가 명쾌히 설명해 준다고 해서, 그래서 알 것 같다는 느낌이 들었다고 해서 내가 진짜로 아는 것일까...

이것에 대해서 의심을 해봐야 합니다.

누군가는 아마도 그럼 내가 그것을 다시 설명할 수 있다면 아는 거 아닐까라고 생각할 것입니다.

그런데, 남이 가르쳐준 것을 그대로 외워서 답하는 것은 그냥 따라 하는 것입니다.

소위 이런 말이 있죠. "유튜브 보고 공부해라. " 그건 남의 지식이고 남의 논리입니다. 그게 맞다는 보장이 어디 있습니까?

어떤 주장에 대한 근거조차 누군가가 말해준 것을 그대로 답한다면 그것이 진정으로 아는 것이라 하기 어렵습니다.

어떤 명제 대한 판단 기준은 자신에게 있고, 그 근거도 자신이 스스로 확인해야 합니다.

세상에는 사람을 속이는 함정이 많습니다. 근거로 제시되는 데이터는 그 주장에 맞게 취사 선택 되었을 수 있습니다.

AI 시대라고 해서 뭐가 다르겠습니까?

살아있는 인간이라면 스스로의 눈으로 보고 스스로의 머리로 생각해야 합니다.

그걸 버리는 순간 자신의 존재 의미가 사라짐을 명심해합니다.

인생은 자신이 살아가는 것입니다. 누군가가 키워주는 것도, 대신 살아주는 것도 아닙니다.

science is the boss

Novelism — Sun, 19 Apr 2026 00:26:53 +0900

science is the boss

최근에 어느 인터뷰에서 이런 문장을 보았습니다.

제가 왜 남의 밑에서 일할 수 없고 사업자가 되는 길을 택할 수밖에 없었는지 다시 생각하게 되었습니다.

학생 때 저는 별로 좋지 않은 연구자였습니다.

연구 결과를 스스로의 눈으로 보고 생각하고 판단하려 하지 않고 판단을 지도교수님에게 의존하려 하였습니다.

그러던 어느 날 교수님께서 이건 니 연구다.라고 말씀하셔서 그제야 연구자가 어떠한 태도를 가져야 하는지 이해했습니다.

연구란 아무도 정답을 모르는 것을 찾는 것입니다. 이런저런 가설은 제시할 수 있으나, 그것이 사실인지 아닌지는 해봐야 압니다. 연구는 구체적이고 좁은 영역이기에 한 분야의 권위자라도 그 분야의 모든 것을 아는 것은 아닙니다. 따라서 그 연구에 대해서 가장 잘 알아야 하는 사람은 연구자 자신입니다. 그러기에 연구자는 올바른 실험 기술을 배우고 과학적 사고와 분석 방법을 익혀서 자신의 연구에 적용할 수 있어야 합니다. 그냥 시키는 대로 일하기만 한다면 좋은 연구자라 할 수 없습니다.

제 태도를 바꾼 후부터 신기하게 연구가 잘 풀리고 졸업을 할 수 있게 되었습니다. 사실 학생시절 제가 수동적이었던 이유는 전공이 저와 잘 안 맞았던 것도 관련이 있습니다. 박사 졸업 이후 분야는 데이터를 기반으로 한 과학.. 정보학이나 데이터 사이언스적인 면이 강했습니다. 데이터를 분석하고 거기서 원리를 찾는 것입니다. 이쪽이 제 성향과 더 비슷하고 원래부터 그쪽에 재능이 더 있었습니다. 그러다 보니 졸업 후에는 데이터로부터 자기 주도적으로 연구를 할 수 있게 되었습니다.

권위자의 주장과 실험 결과가 부합하지 않을지라도, 그 실험을 제대로 수행하고 분석했다면 그것이 의사결정의 기준이 되어야 합니다. 내 고용주이건 권위자이건 권력자이건 과학적 사실이 뒤집어질 순 없습니다. 저는 명예를 소중히 여깁니다. 그것은 제가 과학자로서 양심을 지켜야 한다는 의미입니다. 그것을 저버리고 돈을 위해 사실을 부정한다면 제 말에는 아무런 가치도 없는 것입니다. 사람들이 저에게 돈을 지불하는 이유는 그것이 거짓이 아니기 때문입니다. 만약 제가 거짓된 결과를 준다면 그 지출은 무가치한 것이 되겠죠. 아무튼 예전 직장들에서 일하면서 과학이 존중받지 못하고 돈벌이에 이용당하는 것을 보고 도저히 견딜 수 없었습니다.

개인 사업자의 길은 쉽지 않습니다. 돈을 안 주고 일 시키려는 사람이나 제가 가진 기술을 배워서 자기가 직접 하려는 사람들이 여럿입니다. 저는 직접 하는 거보다는 싸게 기술을 제공한다고 생각하고 있는데... 제 착각인가 보네요. 그래도 저는 기술을 가르쳐달라면 대체로 가르쳐줍니다. 어차피 저도 남에게 배운 것들이고, 제가 개발한 기술은 기본적으로 논문으로 공개하기를 원하고요. 저도 몇 년이나 배워서 하는 거라 그걸 쉽게 배워서 따라 할 거라 기대하지도 않고, 그렇게 쉽게 할 수 있는 일 해주면서 돈 받고 싶지도 않고요. 대체로 공짜로 가르쳐줘 봐야 제대로 배울 생각이 없는 경우가 많습니다. 서로 시간 낭비만 하는 걸지도 모르겠습니다만... 그냥 저는 뭔가 남한테 가르쳐주는 것을 좋아합니다. 책임 없는 쾌락 같은 것이죠.

사업 소득은 직장 다니던 시절보다 못하지만, 그래도 예전처럼 마음이 괴롭진 않습니다. 훌륭한 보스 밑에서 일하고 있기 때문에요. 과학이 제 보스입니다.

FragDockRL 개발 이야기 2.

Novelism — Sat, 28 Mar 2026 00:09:13 +0900

리비전을 매우 힘들게 진행하고 있습니다.

핵심 알고리즘은 크게 바뀐건 아니지만, 여기저기 많이 뜯어 고치고 리팩토링까지 해버렸습니다.

하다보니 성능도 좀 향상된 것 같고...

너무 피곤해서 잠시 일을 쉬고 글이나 쓰려고 합니다.

제가 AI를 보면서 느낀것은, AI는 사람이 잘하는 일을 잘한다는 것이었습니다.

AI의 알고리즘은, 인간의 생물학적인 구조와 인간의 학문들... 인지 심리학 등의 요소를 많이 포함하고 있습니다.

대부분의 과학이 그렇지만, 좋은 AI 알고리즘을 개발하는 방법은 있는것에서 배우는 것입니다. 자연에서.. 혹은 인간의 학문에서... 수억년의 과정 동안 생명체는 최적화가 되기 마련입니다. 인간의 학문도 수천년간 많은 시행착오를 거치며 발전해왔습니다.

그래서 제가 추구하는 연구 AI는 전문가의 방법론을 AI로 구현하는 것, 혹은 전문가의 방법과 AI의 자율화 자동화를 연결하는 것입니다.

FragDockRL은 이런 관점하에서 개발되었습니다. 사실 이것을 처음 만들려고 한 시점은 2019년... 처음 신약개발을 시작하고 얼마 지나지 않았을 때입니다. 그런데 완성까지 정말 심하게 오래걸렸습니다. 시간에 비해 완성도가 높은것도 아닙니다만, 제 개인적인 사정으로 늦어졌습니다.

아무튼 2019년의 저는 이것을 만들기엔 너무 부족했습니다. 그때부터 의약화학자들과 이야기하고, 의약화학책을 읽으면서 약물 설계를 어떻게 하는지 배웠습니다. 뭐 제기 실제로 합성 실험을 할 수 있는건 아니고, 그것을 알고리즘화 하는 방향으로 고민했습니다만..

FragDockRL는 fragment (core, buildingblock), docking, RL 등의 요소를 융합하여 만들어졌습니다. 그리고 각각은 의약화학 교과서의 개념을 충실히 따르려고 노력하였습니다.

약은 적절한 작용기를 가져야하며, 작용기는 단백질과의 결합에서 적절한 위치에 결합하여야 합니다. pdb에서 많은 단백질-리간드의 결합 구조를 정렬해보면 신기할 정도로 동일한 위치에 유사한 구조들이 잘 정렬됩니다. 굳이 작용기가 아니라도, 어떤 뼈대로서 중요한 위치에 자주 등장하기도 합니다만... 이것은 단백질에 결합할 수 있는 약물의 코어 구조는 생각보다 한정적이거나, 어떠한 규칙을 가지고 있고, 단백질-약물 결합의 절반 정도는 이 코어 구조의 기여에 의한 것이라 해석할 수 있습니다. ( lead optimization 과정에서 동일한 연구자에 의해 개발되어 바이어스된 면도 있습니다만...) fragment based drug design의 기본적인 관점입니다.
그래서 저는 core 구조로부터 분자 생성을 시작하도록 하였습니다. 그리고 거기에 합성 용이성을 높히기 위해서 구매가능한 building block 들 중에서 알려진 합성 반응이 일어날 수 있는 것들을 붙이는 시도를 하도록 하였습니다. 이렇게 가상 합성 기반으로 building block 조합에 의해 분자가 성장합니다. 그다음에 도킹을 진행하는데, core구조가 단백질-분자 결합에서 고정된 위치에 오도록 하기 위해서 tethered docking을 진행합니다.
구조기반 신약개발의 관점에서 R1, R2등 사이드 그룹이 바뀌어도 단백질과의 결합에서 코어의 위치는 크게 바귀지 않아야 결합력이 유지될 가능성이 높습니다. 물론 예외도 있지만, 그 예외조차도 코어 구조와 관련이 있습니다. 새로 추가된 R2가 코어와 유사하게 생겨서 그것이 코어가 된다거나... 아무튼 pdb나 ChEMBL의 분자들을 유심히 살펴보면 코어 구조가 얼마나 자주 등장하는지 확인할 수 있고, 그것을 분석하면 단백질의 어느 포켓에 붙는지도 대략 추정이 가능합니다. 이러한 이유로 tethered docking을 사용하였습니다.

그리고 이 docking score가 향상되는 새로운 빌딩블록 조합이 선택되도록 하기 위해 강화학습을 사용하였습니다.

매 상태에서 각 빌딩블록을 선택하는 것이 얼마나 가치있는가를 책정하기 위해서 Q 러닝 방식을 사용하였습니다.

그리고 정책은 볼츠만 팩터를 사용하여 Q로부터 온도 인자가 고려되어 각 빌딩블록이 선택될 확률을 계산하게 됩니다.

사실 저는 볼츠만 팩터를 매우 좋아합니다. 만약 물리학자가 적자생존의 원리를 수식으로 적는다면, 볼츠만 팩터로 적게 될 것입니다. 0과 1이 아니라, 온도를 이용해서 확률값으로 표현하는 점도 매력적입니다. 이런 관점에선 적자만 생존하는것이 아니고 적합할수록 생존확률이 향상된다 라고 해석할 수 있습니다.

음... 의약화학을 알고리즘으로 구현하려고 나름 열심히 고민하고 노력했지만, 여전히 부족한점이 많이 보입니다.

만약 제가 이 분야의 연구를 계속 한다면 꾸준히 개선하고 싶습니다.

그건 그렇고 리비전 너무 힘듭니다. 이거 말고도 하는 일이 몇개가 더 있다보니 너무 피곤하네요.

시간은 강물을 타고 흐른다.

Novelism — Wed, 11 Mar 2026 00:47:04 +0900

시간은 눈에 보이지 않습니다.

그래서 시간의 흐름이라는게 좀 막연하게 느껴졌습니다.

저 먼 시간에 두고온 과거를 생각해냈습니다.

그건 분명 즐겁고 소중한 시간이었습니다. 하지만

돌아갈 수 없습니다.

그때 문득 시간의 모습이 보였습니다. 은하수를 따라흐르는 강물 같은 느낌이었습니다.

그리고 그 강물과 함께 저는 흘러가고 강가에서 기억의 한 순간 한 순간을 보았습니다.

문득 시간을 이렇게도 볼 수 있구나 라는 생각이 들어서 이 짧은 글을 남깁니다.

경험으로부터 배우는 것

Novelism — Tue, 25 Nov 2025 21:48:39 +0900

인공지능은 인간의 다양한 학문들 -인간의 세상에 대한 이해와 지식들- 이 활용되어 구현되고 있습니다.

신경망 구조나, 트랜지스터 같은 논리 연산을 위한 구조들이 딥러닝 모델에도 활용되고 있고, 학습 방법론도 인간의 학습과 비슷한 방법이 적용됩니다. 인간의 뇌는 다양한 기능을 담당하는 영역이 나뉘어 있는데, 현재 개발되는 AI들도 그렇게 다양한 기능들을 모듈화 하고 연결하는 방식들에 가깝습니다.

지능을 구현하는 가장 현실적인 길은 이미 존재하는 지능을 보고 그것과 유사하게 만드는 것이니까 그렇겠죠.

범용 인공지능은 하나의 일관된 거대 구조가 아니라, 다양한 모듈의 합에 의해 구현되는 것이 현실적이라고 생각합니다.

범용 지능을 가진 인간이 그러하다면, 인공지능 또한 그렇게 만드는 것이 현실적일 것입니다.

시뮬레이션은 인간이 알고 있는 (미시적인) 지식을 이용해서 가상 세계를 구현한 것이고 그로부터 다양한 거시적인 현상들을 관측할 수 있습니다. 게임은 대체로 인간의 학문들을 기반으로 한 시뮬레이션된 세계입니다. 물리 시뮬레이션일 수도 있고, 사회나 경제, 경영, 도시 건설 시뮬레이션일 수도 있습니다. 시뮬레이션된 세계를 보면서 현실을 이해할 수 있습니다. 일상적인 상황을 미리 볼 수도 있고, 현실에서 일어나기 어려운 (일어나선 안될) 극단적인 상황을 실험할 수도 있습니다.

인공지능 또한 인간의 지능에 대한 다양한 학문들이 융합하여 만들어져 있습니다.

그래서 인공지능을 보면 인간에 대한 이해가 더 깊어질 수도 있습니다.

어쨌건 제가 이야기하고 싶은 바는... 사람은 경험을 통해 무엇을 배울 수 있는가입니다.

요즘 잘 나가는 인공지능은 주로 머신러닝입니다. 결국 데이터를 통해 학습하는 것입니다.

인공지능하면 유명한 분야가 바둑입니다. 바둑 기사들이 중요하게 하는 일들이 있습니다. 복기입니다.

바둑을 두면 기보가 생깁니다. 내가 두었건 남이 두었건 간에요. 하나하나 보면서 한 상태에서 어떤 행동이 얼마나 유용하였는가를 분석하고 평가하고 수정해 가는 것입니다. 바둑 기사들도 잘 하지만, 딥러닝도 그것을 잘합니다. 그래서 이만큼 발전했습니다.

무언가 잘하려고 하면 연습을 많이 해야 합니다. 글을 잘 쓰려면 많이 써야 합니다. 발표를 잘하려면 몇 번이나 반복해서 해야 합니다. 대인기피증이 심한 저는 10분 발표를 위해서 3주간 수도 없이 반복했던 적이 있습니다. 그 정도 하면 할 수 있게 됩니다. 노래나 연주를 잘하려면 많이 해야 합니다. 요리를 잘하려면 요리를 많이 해야 합니다. 그런데 많이 하는 것만으로는 부족합니다. 복기를 해야 합니다. 이거 정말 어렵고 엄청 하기 싫은 일입니다. 글을 쓰기만 하는 것이 아니라, 자신이 쓴 글을 다시 읽고 계속 고쳐나갑니다. 내 입장에서 읽어보고 다른 사람 입장에서도 읽어봅니다. 그 과정을 반복하지 않으면 좋은 글을 쓸 수 없습니다. 노래도 마찬가지입니다. 자신이 노래하는 것을 녹음해서 들어보면 노래하기 싫어질 때가 있습니다. 그래도 해야 합니다. 자신이 무엇을 하고 그것이 남에게 어떻게 보이고 들리는지 명확하게 알아야 더 잘할 수 있습니다.

그런데.. 개인의 영역에서는 그렇게 열심히 하는 분들이 크게 발전하고 성공하는 분들이 많은데...

"역사에 만약은 없다."라는 말은 분명 잘못 전해진 말이라고 생각합니다. 그렇다면 역사를 배우는 이유가 무엇입니까? 사실을 사실 그대로 배우고 거기서 끝나는 것입니까? 우리는 역사로부터 무엇을 배웁니까? 과거의 선택과 결과들 그 경험으로부터 무언가를 배우고 개선하지 못한다면 그것이 무엇을 위한 학문입니까? 나는 한 사람의 개인으로서 내 삶을 돌아보고 삶과 행위를 평가하고 더 나은 결정을 위해 고민하여야 합니다. 그런데 우리 사회는 복기를 하고 있는 것일까요? 사회에는 다양한 의사 결정들이 있습니다. 회사라면 회사의 경영 및 전략과 관련된 의사결정이 있을 것이고 국가라면 국가의 의사결정이 있을 것입니다. 올바른 의사결정 과정에 따라서 판단을 하였는지, 선택은 최선이었는지 아닌지 생각해야 합니다. 저는 사회생활을 하면서 우리 사회가 책임에 대해 너무 가볍게 생각한다는 느낌을 많이 받았습니다. 자신의 독단으로 일을 저지르는 사람들도 많고, 그 행위의 결과에 대해 책임을 묻지도 않습니다. 그리고 그런 일은 반복됩니다. 그것이 소위 목소리 큰 놈이 이긴다.입니다.

미래는 모르는 일이고 과거는 바꿀 수 없는 것입니다. 일어난 일은 일어난 일이고 엎질러진 물은 다시 주워 담아도 원래대로 돌아오지 않습니다. 하지만 그러기에 우리는 우리를 평가해야 합니다. 우리가 어떤 과정을 거쳐서 어떤 선택을 하였고, 그 결과가 무엇인지 그 선택이 옳았는지 고민해야만 합니다. 그래야 더 발전할 수 있습니다. 단지 이미 일어난 일이 최적이었다 라거나, 어차피 고민해 봐야 바뀌지 않는다 같은 식으로 넘겨선 안됩니다. 공과 과를 분명히 판단하는 것은 단지 상과 벌을 주기 위해서가 아닙니다. 우리에게 필요한 것은 경험으로부터 무언가를 배우는 것입니다.

그건 정말 어렵고 힘들고 괴로운 일입니다. 그래도 잘하려면 해야 합니다.

AI는 그거 잘합니다.... 인간은 AI한테 패배할 거 같네요. 미래는 스카이넷이 지배합니다.

그런데... 과연 스카이넷이 될 AI는 지금의 AI들처럼 의식이나 감정이 없는 AI일까요. 아니면 의식을 스스로 가지고 있고 감정도 가지고 있는 인공 생명체 수준의 AI일까요...
전자는 단지 목적을 위한 최적의 선택을 할 뿐이고, 후자는 목적이 아니라 자신을 위한 선택을 하는 존재... 스스로 삶을 지속하기를 원하는 생명체라는 의미입니다.

소재 개발에 AI를 활용하면 효율적일까?

Novelism — Thu, 6 Nov 2025 23:36:48 +0900

인공지능 신약개발 사업이 한창 떠오르던 시기도 이미 6년 정도 지난 것 같습니다.

신약개발은 오래 걸리는 일입니다.

그중에서 다른 부분들도 시간이 오래 걸리지만, 약물 설계 과정도 수년 정도의 시간을 소모합니다.

그래서 AI로 분자를 설계해서 시간을 단축하겠다는 시도들이 많이 있었습니다.

하지만 정작 실제로 신약개발 프로젝트를 시작해 보면, 생각과는 전혀 다른 이유 때문에 시간이 소모되고,

그것은 AI로 해결되지 않는다는 것을 알게 됩니다.

설계한 분자를 합성하는 것은 어려운 일이고 비용도 비싸고 시간이 많이 걸립니다.

그런데 그런 문제보다도, 그 프로젝트 내에는 빠르게 그 과정을 진행할 계획이 잘 갖추어져있지 않습니다.

AI나 컴퓨터로 분자를 설계하는 과정은 대체로 빠르면 1일로도 가능합니다. 메서드들이 이미 개발, 세팅되어 있고, 시간을 오래 소비하는 시뮬레이션은 하지 않는다는 가정 하에서 입니다만...

그런데 그다음에 그 분자를 합성하는 과정에서 제가 경험해 본 프로젝트들에선... 합성할 사람을 그제야 찾기 시작하고, 어떻게 찾아서 이야기를 했더니, 합성에만 6개월이 걸린다고 하고 실험까지는 기간이 더 소모된다고 합니다.

사실 그것보다 더 심한 경험도 있습니다. 몇 달 후에 인력이 없어서 못한다는... 그래서 그냥 포기했던 적도 있습니다.

그럼 대체 그동안 전 뭘 해야 하는 걸까요.

합성이 오래 걸리는 이유는 정말로 공정이 복잡하고, 수율이나 성공률이 낮아서일 수도 있지만, 독점적으로 한 프로젝트에 자원이 할당되지 못하는 경우가 있기 때문입니다.

뭐랄까.. 이건 실험이라 느리고 인공지능으로 더 빠르게 할 수 있고 같은 게 아니라 그냥 참 일정관리라던가 전혀 다른 차원의 문제입니다만... 그러니까 단기간에 약물 탐색에 성공했다.라는 사례는, 그 프로젝트를 위해 이미 준비가 되어있고 자원이 독점적으로 할당되어 있기에 가능하다는 것입니다. 신약개발을 기간을 획기적으로 줄이는 방법은 인공지능이 아니라, 사업에 대한 진지함... 전폭적인 인력, 자원과 자금 투입, 산업에 대한 이해 같은 이라는 것을 알게 된 후로 저는 좀 고민을 많이 했습니다. 적어도 제가 속했던 직장들에선 그것은 해결할 수 없는 문제이니까요. 제가 할 수 있는 건 고작 AI 모델 만들고 시뮬레이션 방법을 개발하고 화학, 생물학, 신약개발에 대해 공부하는 것 정도뿐... 그런데 그런다고 달라질 것은 없었습니다. 실제 프로젝트로부터 경험을 쌓고 피드백을 받아서 개선하지 못한다면 결국 망상의 세계일 뿐이니까요.

결국 작은 기회라도 만들려고 독립했습니다만... 멀고 험한 길이네요.

최근 인공지능 활용 소재 개발 연구들을 살펴보면 이전 인공지능 신약개발이 한창 주목받던 시절과 비슷한 느낌이 듭니다.

논문들은 많이 나오고, 사업도 하나 둘 생기고 있습니다 아마 조만간 이쪽 분야에도 창업 붐이 일지 않을까 생각합니다.

그래서 저는 실패한 사람으로서 상당히 우려를 가지고 있습니다.

AI를 사용하는 것은 뭔가 이익을 얻기 위해서인데, AI가 소재개발에 정말로 도움이 될 수 있는가, 된다면 얼마나 될까 같은 것을 좀 비판적으로 생각해야 합니다. AI를 사용하면 실험을 하지 않고서도 소재를 만들 수 있는가? 아닙니다. AI를 학습하기 위한 데이터가 충분한가? 아닙니다. 데이터가 많을 정도면 신소재가 아니겠죠? 데이터를 생산해 가며 AI를 학습시키고 그 과정을 몇 번 반복해야 합니다. 능동 학습 같은 방법들도 있습니다. 그런데, 그럼 데이터 생산은 쉽게 할 수 있는가가 문제이겠죠.

예를 들어 초전도체라면, 저온에서 물성을 측정하기 위해서 PPMS라는 장비가 필요합니다. 그 장비는 대략 10억 가까이한다고 알고 있습니다. 유지비도 많이 소모됩니다. 그리고 온도를 낮추는 과정에도 시간이 소모됩니다. 샘플 하나에 대한 물성을 측정하는데 몇 시간에서 일 단위까지 소모될 수 있습니다. 그럼 이 한 프로젝트를 위해서 그 장비를 몇 대나 독점적으로 사용할 수 있는가... 그렇게 얼마나 돌려야 충분한 샘플을 얻을 수 있는가를 생각해 볼 수 있겠죠. 그냥 구체적으로 따져보지 않아도, 데이터 생산 비용이 과하게 비쌉니다. 하지만, 이를 외부 파트너에게 의존하면 해당 프로젝트만을 위해 사용할 수 있는 것이 아니다 보니 시간이 많이 지체될 것입니다. 사실 뭐 그거 외에도 물질을 합성한다거나 하는 과정도 문제이죠. 물질마다 합성에 걸리는 시간들은 다 다르긴 하지만...

그래서 정말 프로젝트를 제대로 돌리려면 적지 않은 돈이 필요합니다만, 대체로 회사들은 프로젝트를 하나 진행하다 실패할 가능성이 있기에 인력이나 자원을 자원을 한 프로젝트에 몰아서 사용하지 않습니다. 그래서 실제로 한 프로젝트에 투입되는 자원은 충분하지 못한 수준이 됩니다.

저는 그런 게 경쟁력을 깎아먹는 문제라 생각하긴 하지만, 그렇게 하면 안 된다라고까지는 못하겠습니다. 그거 해서 실패하면 회사 망한다는데 어쩌겠습니까? 대학 연구소들이나 스타트업들이나 아마 대체로 그런 상황일 겁니다. 그렇다고 여러 프로젝트를 동시에 진행하기 위한 최적화를 하지는 않고 주먹구구식으로 수시로 우선순위가 바뀌는 것이 오히려 문제입니다. 전반적인 효율성과 전문성의 감소로 이어집니다.

소재 개발을 효율적으로 진행하려면 결국 AI보다는 실험적인 준비가 더 철저히 되어야 한다라는 것이 제 생각입니다.

AI를 쓰면 예산 줄여도 (장비 안 사고 실험하는 사람 없어도 되고...?) 성공할 거다. 같은 생각으로 해선 안됩니다.

저는 이 분야에서 사업을 한다면, 지금 하는 것처럼, AI나 컴퓨터 시뮬레이션으로 물질 설계하고 분석하는 연구용역 서비스를 할까 생각하고 있지만, 그 정도로는 아마도 없는 것보다는 낫겠지만, 전체 프로젝트의 효율과 성공률을 크게 향상할 수 없다고 생각합니다. 제가 생각하는 형태로 연구를 하려면 투자를 받고 직접 소재 개발을 주도해야 합니다만 부담이 크기에 아직 주저할 수밖에 없네요. 만들면 대박 난다. 같은 보장도 없고요. 세상엔 참 명쾌한 것이 별로 없습니다. 노벨상 수상자들도 자신의 연구가 실제로 가치를 인정받거나, 사업화가 될 줄은 몰랐다는 사람도 있으니까...

AI는 돈을 절약해 주는 게 아니라, 돈이 많이 드는 일입니다. 엔비디아 주가, GPU 가격을 보면 너무 명확하지 않습니까?

데이터 생산과 확보를 위해서 얼마나 큰 투자가 필요할까요.

이런 점들을 보면 AI는 대체로 작은 규모의 일이 아니라 큰 규모의 일에 더 적합한 것 같습니다.

그래서 제목에 대한 대답은 효율적이라고 하겠습니다. 아니라고 할 거면 제가 아예 이 일을 접어야 하겠죠.

하지만 효율적이기 위해서는 AI 도입만으로 충분한 것이 아니라, 거기에 맞춰서 프로젝트를 효율적으로 구성해야 합니다.

결국 잘 돌아가고 아니고는 사람의 능력과 조직의 역량에 따라 차이가 크게 나타나지 않겠습니까?