한눈에

Google DeepMind Institute가 과학자들이 AI를 어떻게 쓰는지 분석한 에세이를 냈다. 필자는 James Manyika와 Alex Imas다. Shane Legg가 X에서 공유했다.

자료는 세 가지다. Gemini 대화 1,500만 건, 전문 AI 모델 2,600여 개의 논문 인용 데이터, 미국·영국 과학자 600여 명 설문이다.

무엇을 찾았나

왜 중요한가

언어 모델과 전문 모델은 하는 일이 거의 겹치지 않았다. 언어 모델은 코딩과 글쓰기를, 전문 모델은 분야별 예측과 모델링을 맡는다. 둘 사이를 잇는 건 아직 사람이다.

속도가 붙은 만큼 새 병목도 생겼다. 계산은 빨라졌지만 실험과 검증이 따라가지 못한다. 검증 못 한 가설이 쌓이고, AI 결과를 확인하는 데 시간을 많이 쓴다는 답이 나왔다.

응답자 50% 가까이는 AI가 무난하고 작은 질문에 집중하게 만든다고 답했다. 이런 경향은 젊은 연구자에게 더 컸다.

어떻게 바뀌나

필자들은 AI가 현미경이나 통계처럼 발견하는 방법 자체를 바꾸는 도구가 될 수 있다고 봤다. Imas는 언어 모델이 전문 모델을 부르고 결과를 점검하는 과정을 자동으로 돌리고, 과학자는 그 흐름을 설계하는 쪽으로 역할이 바뀔 것이라고 X에 썼다. 그러려면 동료 심사와 연구자 교육 같은 제도도 함께 바뀌어야 한다는 결론이다.