AI 물리학자를 꿈꾸다: ChatGPT 공동창업자의 'Periodic Labs' 도전기

요약:
이 영상은 OpenAI 출신의 ChatGPT 공동창업자 리암 페더스와 구글 딥마인드 출신 소재·화학 분야 리더 에킨 도구스 추북이 함께 설립한 신생 기업 'Periodic Labs'의 비전과 전략을 상세히 다룬다. 단순한 자연어 모델을 넘어, 실험을 반복하면서 실제 물리·화학 발견에 도전하는 'AI 과학자'라는 새로운 패러다임을 제시한다. 이들은 "실험적 검증"을 바탕으로 한 반복적 학습이 과학의 진정한 혁신을 이끈다는 신념 아래, AI와 실험실, 학제간 융합 인재, 산업 현장 경험까지 총동원해 새로운 과학 자동화의 길을 설계한다.

1. Periodic Labs의 탄생 배경과 목표

Periodic Labs의 출발점은 "실험을 기반으로 한 과학 자동화"라는 큰 목표다. 영상 초반, 두 공동창업자는 과거 구글에서 거대한 타이어를 같이 뒤집던 에피소드로 첫 만남을 소개하며, 그 뒤 오랜 기간 과학적 토론과 협업의 필요성을 공감해왔다고 밝힌다.

"과학은 궁극적으로 실험을 통해 현실 세계에서 검증받는 것에 의해 움직입니다. 그래서 저희는 Periodic Labs에서 이 기술들을 실험과 긴밀하게 연결하려 합니다."

이들은 "언어모델(LLM)의 발전이 코딩, 물리, 화학에서 점점 더 중요해지고 있다"고 강조하고, 단순한 챗봇을 넘어 "실험적 피드백을 직접 받는 AI 물리학자"의 필요성을 역설한다.

2. Periodic Labs가 하고자 하는 일과 접근법

Periodic Labs는 LLM을 이용해 물리와 화학의 진보를 가속화하는 최전선 AI 연구소다. 핵심은 데이터 생성 실험실(Lab)과 시뮬레이션, LLM을 유기적으로 연결해서 AI가 실제로 실험을 반복하며 학습하도록 만드는 것.

"실험과 시뮬레이션, LLM을 결합한 '피지컬 리워드 함수'를 기반으로 AI가 현실 세계에서 최적의 결과를 찾도록 최적화합니다. 결국 자연 자체가 RL(강화학습) 환경인 셈이죠."

이 방식은 기존 인터넷이나 텍스트북 데이터, 코드 채점 중심의 단조로운 검증을 넘어서, 실험실에서 직접 결과를 확인하며 AI가 '진짜 과학'을 하게 만드는 새로운 개념이다.

3. 왜 '실험적 검증'이 결정적인가

현재의 LLM이 논리, 수학, 코딩에 강한 건 단일하고 명확하게 검증할 수 있는 '디지털 리워드' 덕분이다. 하지만 실제 과학은 반복적 실험과 수많은 시행착오 위에 쌓인다는 점이 차별점이다.

"아무리 똑똑한 인간도 실험 없이 방 안에 가두면 영원히 새로운 걸 발견하지 못합니다. 과학의 본질은 반복적 실험, 그리고 그 과정에서 어떻게 배우는가에 있죠."

Periodic Labs는 물리, 화학 등 현실 세계의 데이터에 노이즈와 부정확함, 발표되지 않은 음성(negative) 결과가 많은 점을 지적하며, 'AI 실험실'이 이런 한계까지 포괄한다고 강조한다.

"실험실에서 음성 결과(실패)의 축적도 중요합니다. 우리가 원하는 진짜 결과는 기존 논문이나 긍정 결과에 다 드러나 있지 않으니까요."

4. 구체적 연구 목표와 팀 구성 전략

Periodic Labs의 당면 '북극성'(North Star)은 고온 초전도체(200K 이상)의 발견이다. 이 과정에서 AI가 자율적으로 분말 합성 등 실험 과정을 관리하며, 탐구하고(이론) 실제로 시료를 만들고(실험), 성능을 확인(테스트)하는 일까지 모두 경험하게 된다.

"고온 초전도체를 찾는 과정엔 자율 합성, 자율 특성화, 다양한 시뮬레이션과 실험이 반복됩니다. 이게 가능하다면 엄청난 과학적 임팩트 뿐만 아니라 산업적 파장 역시 대단하겠죠."

이를 위해 팀은 LLM 전문가, 실험/합성 전문가, 시뮬레이션 전문가가 각자의 sub-team을 구성, 서로 간 긴밀한 커뮤니케이션 및 교차 학습을 강조한다.

"최고의 사람들끼리 각 영역별 '초일류' 소규모 팀을 짜는 게 중요했습니다. 실험실·시뮬레이션·LLM 영역엔 각각의 '혁신 리더'가 필요하죠!"

5. Scaling Laws, 한계 그리고 Periodic의 차별화

기존 AI의 '스케일링 법칙'(더 큰 모델, 더 많은 데이터로 성능 향상)은 한계 상황을 만난다. 실험 데이터가 적거나, 기존 데이터셋(문헌, 시뮬레이션)이 현실의 목적과 차이가 클 경우 성능곡선의 기울기가 너무 작아 실질적 진보를 이루기 어렵다는 것이다.

"코딩 모델처럼 데이터가 풍성한 분야와 달리, 실험 데이터는 부족하고, 실제로 필요한 지식은 데이터셋에 없을 때가 많아요. 그래서 저희는 실제 실험을 반복해 데이터셋의 타깃을 우리의 목표에 맞게 발전시켜야 한다고 봅니다."

Periodic의 핵심은 실험과 시뮬레이션을 반복적으로 주입하는 'mid-training' (중간 학습) 기법과, 실질적인 산업 피드백을 곧바로 모델 개선으로 연결하는 구조다.

6. 상업적 성공과 '과학-산업' 융합

Periodic Labs는 AI 과학자라는 원대한 목표와 동시에, 실질적인 산업 현장의 문제를 빠르게 해결하고자 한다.
AI가 공학·화학·소재 산업에서 R&D 효율과 결과 개선의 핵심 동반자가 되는 걸 목표로 한다.

"실리콘밸리에서 컴퓨터 업무가 중심이지만, 우주·방위·반도체 등 엄청난 규모의 실물 R&D에서는 반복적 실험이 필수입니다. 이 영역에선 AI 도구가 아직 부족하죠. 저희가 바로 거기에 도전하는 겁니다."

Periodic은 반도체, 신소재, 철강, 우주·방위 산업 등 실제 현장에 AI 기반의 '과학자 코파일럿'을 제공, 실제 업무 흐름과 산업 피드백을 반복적으로 흡수하는 전략적 '랜드 앤 익스팬드' 방식으로 시장에 진입하고자 한다.

7. 팀 문화와 인재상, 복합 전문성의 시너지

Periodic은 실험실 과학자와 LLM·머신러닝 엔지니어가 서로 "가장 바보 같은 질문도 자유롭게" 주고받는, 험난하지만 즐거운 콜라보 문화를 지향한다.

"우리 팀에는 매주 서로 배우는 세션이 있어요. 물리학자, 화학자는 LLM을 어떻게 가르칠지 고민하고, 엔지니어는 물리·화학의 세부 과정을 공부하죠. 서로에게 배우는 문화가 정말 중요해요."

특정 학위, 백그라운드보다 "실제 과학 혁신과 문제 해결에 강한 열정, 실험적 탐구심, 신속한 실행력"이 가장 큰 인재상으로 꼽힌다.

"아무리 뛰어난 과학자도 자신이 모르는 분야가 훨씬 더 많아요. Periodic에서는 '모르는 것 투성이'가 당연하고, 협력해서 배워나가는 경험이 참 재미있어요."

8. 전통 산업과 AI, 그리고 배포의 현실성

AI 과학자가 실제 산업에 얼마나 빠르게 도입되느냐도 핵심 쟁점이다. Periodic은 핵심 고객(우주·방위·반도체 등)은 변화가 느릴 수 있지만, 이들에게 가장 '절박한(critical)' 현장 문제, 고객과 공동으로 정의한 명확한 평가지표부터 집중적으로 해결한다는 실용적 전략을 세웠다.

"처음부터 전체 R&D를 바꾸자고 하는 게 아니라, 정말 중요한 한두 문제를 잘 해결해서 기술력을 증명하고, 그 이후에 점진적으로 확장하는 방식이 유효하다고 봅니다."

시뮬레이션 자동화, 데이터 파이프라인 최적화, 실제 지식 학습/적용의 효율화가 산업 파트너와의 첫 협업 포인트다.

9. Mid-training(중간학습)과 모델 성능의 본질적 도약

Periodic은 단순 사전학습(pre-training), 후처리(post-training) 외에 'mid-training'이 중요하다고 강조한다.

"Mid-training이란 기존 모델에 없는 지식이나 실험적 결과, 새로 확보한 실험·시뮬레이션 데이터를 직접 쏟아붓는 학습입니다."

여기엔 기존 논문/시뮬레이션/실험결과는 물론 복잡한 구조(결정구조·제조공정 등), 고차원 개념(지오메트릭·의미론적 지식)까지 포함된다.
이러한 과정을 통해 "LLM에 진짜 '전문성'과 현장 이해도를 주입"할 수 있다.

10. 학계와의 협력, 오픈 이노베이션 전략

AI와 실제 실험의 융합에는 기존 학계, 대학 실험실과의 철저한 협력이 필수라는 점도 강조된다.

"중요한 시뮬레이션 툴, 신규 합성법, 실험적 인사이트는 대학에서 많이 나오고 있습니다. 저희는 자문위원단과 연구비 지원 프로그램도 운영해 접점을 넓히려 합니다."

구체적으로 스탠포드, 노스웨스턴 등 여러 연구자들과 초전도, 합성, 재료 특성 등 다양한 협력이 이루어지며, 실제로 가장 중요한 아이디어와 스킬 중 일부는 대학에 뿌리를 두고 있다는 점을 인정한다.

11. Periodic이 원하는 인재상과 최종 메시지

Periodic이 바라는 최고의 멤버는 "과학에 대한 순수한 탐구심, 실험실에서 현실에 부딪히며 배우고자 하는 열정, 새로운 방식의 협업과 혁신에 대한 개방성, 그리고 '빨리 실현시키고 싶은 긴박감'"을 지닌 사람이다.

"10년 뒤가 아니라, 지금 당장 과학을 빠르게 바꾸고 싶은 분, 그리고 어느 한 분야에서라도 '월드클래스' 역량을 가진 분이라면 언제든 지원해 주세요!"

마지막으로, "과학 자동화의 대전환"을 이끄는 여정에 동참할 열정 있는 인재들의 참여를 독려하며 대담이 마무리된다.

마무리

이 영상은 단순한 AI 챗봇을 넘어 진짜 'AI 과학자' 시대의 도래를 예고하며, Periodic Labs가 현장 실험, AI 기술, 산업 융합, 학제 간 소통, 인재 육성 등에서 어떻게 혁신을 현실로 끌어들이는지 구체적으로 보여준다. 기술의 발전을 다시 한 번 '실험'과 '실제 문제 해결' 중심으로 되돌리는 흐름이 여러 산업과 과학에 어떤 거대한 변화를 일으킬지 주목해볼 만하다. 🚀🔬

핵심 키워드:

실험적 검증, AI 과학자, mid-training(중간학습), 고온 초전도체, R&D 자동화, 학제간 융합, 산업 적용, 실험실 데이터, 협업, 인재상, scaling laws(스케일링 법칙), 현실 세계 피드백, 과학 자동화, 오픈이노베이션