신소재 개발은 많은 후보를 계산하고, 실험으로 만들고, 성능과 재현성을 확인하는 긴 과정입니다. AI가 이 가운데 후보 탐색의 단가를 낮추면서 대규모 연구인력을 먼저 확보하지 않고도 개발을 시작하려는 회사가 등장하고 있습니다.
2026년 9월 Dealroom이 전한 SynMatAI 투자 소식이 한 사례입니다. 기사 제목은 150만 달러로 반올림했지만 본문에 적힌 투자액은 138만 달러입니다. 이 회사는 AI, 양자물리, 계산화학을 결합한 소재 연구 플랫폼을 내세웠습니다. 다만 공개된 자료만으로 연구인원, 개발기간 단축률이나 매출 성과까지 확인되지는 않습니다. ‘초경량 연구조직’은 확인된 회사 규모가 아니라, AI가 연구조직의 비용 구조를 어떻게 바꾸는지 살펴보기 위한 분석 틀로 봐야 합니다.
무엇이 작은 조직에도 열렸나
과거에는 후보 물질의 특성을 계산하려면 자체 데이터와 계산 인프라부터 갖춰야 했습니다. 지금은 공공 연구 인프라가 그 출발 비용을 낮춥니다. 미국 로런스버클리국립연구소의 Materials Project 소개에 따르면 이 플랫폼은 수십만 소재의 계산 특성을 제공하고, 머신러닝 학습에 쓸 수 있도록 표준화된 데이터도 공개합니다. Google DeepMind가 예측한 약 40만 개 화합물도 이곳에 추가됐습니다.
이런 기반 위에서는 작은 팀도 원하는 특성을 정하고, 많은 후보를 계산으로 거른 뒤, 가능성이 높은 소수만 실험에 넘길 수 있습니다. AI가 연구자를 대신한다기보다 탐색 공간을 줄여 연구자의 판단을 더 비싼 문제에 집중시키는 구조입니다.
| 단계 | AI·공개 인프라가 낮추는 비용 | 여전히 사람이 책임질 일 |
|---|---|---|
| 후보 생성 | 많은 조합의 계산·우선순위화 | 목표 성능과 제약조건 정의 |
| 합성 설계 | 문헌에서 유사 제조법 탐색 | 설비·안전·공정 조건 판단 |
| 실험 | 반복 조건 추천 | 실제 합성, 오염·불확실성 관리 |
| 검증 | 측정 데이터의 1차 해석 | 재현성·상업성·규제 적합성 판정 |
후보가 빨리 늘면 왜 검증이 병목이 되나
계산으로 유망한 물질을 찾는 것과 실제 물질을 만드는 것은 다른 문제입니다. Nature에 발표된 A-Lab 연구는 계산, 문헌 데이터, 머신러닝과 로봇 실험을 연결해 17일 동안 57개 목표 중 36개 화합물을 합성했습니다. 동시에 21개 목표는 얻지 못했고, 성공한 시료에도 부산물이 포함될 수 있다고 논문은 밝힙니다.
AI가 후보를 천 개에서 만 개로 늘려도 실험 장비, 원료, 측정시간과 전문가 검토는 같은 속도로 늘지 않습니다. 오히려 무엇을 먼저 검증할지 정하는 능력이 더 중요해집니다. 작은 조직은 ‘얼마나 많은 후보를 만들었는가’보다 한 번의 실험이 다음 판단을 얼마나 바꾸는가를 관리해야 합니다.
연구 생산성을 크게 높였다는 숫자도 그대로 가져오면 안 됩니다. MIT는 2025년 AI가 과학자의 생산성을 높였다고 주장한 미출판 연구에 대해 데이터의 출처·신뢰성·타당성을 신뢰할 수 없다며 논의에서 철회해 달라고 밝혔습니다. 신소재 AI의 효과는 모델 발표나 후보 수가 아니라 독립된 실험과 반복 측정으로 확인해야 합니다.
초경량 연구조직은 어떻게 설계해야 하나
작은 팀이 모든 설비를 소유할 필요는 없습니다. 내부에는 문제 정의, 후보 선별, 실험 기준과 결과 판정을 남기고, 계산 자원과 일부 실험은 공공 인프라나 전문기관을 활용할 수 있습니다. 다만 외부에 맡긴 단계까지 하나의 검증 기록으로 연결해야 합니다.
업무를 ‘모델 개발’로 묶지 말고 세 개의 루프로 나누는 편이 좋습니다. 첫째, 후보를 만든 근거와 제외 조건을 기록합니다. 둘째, 합성에 실패한 조건도 다음 추천에 반영합니다. 셋째, 성능이 나온 후보는 다른 장비·조건에서 재현되는지 확인합니다. 자동화 범위를 좁히고 검증 지점을 두는 방법은 AI 에이전트의 제로 트러스트와 좁은 스코프에도 이어집니다.
시작 전 확인할 질문
- 해결하려는 소재 문제와 성공 기준을 수치로 설명할 수 있는가
- 후보를 거르는 기준에 제조 가능성과 원료·안전 제약이 포함됐는가
- 실패한 실험과 제외한 후보도 다시 활용할 수 있게 기록하는가
- 모델 성능과 실제 합성 성공률을 별도로 측정하는가
- 외부 실험기관을 포함해 재현성 확인 책임자가 정해져 있는가
AI 네이티브 R&D의 장점은 연구자를 없애는 데 있지 않습니다. 값싼 계산을 넓게 쓰고, 비싼 실험과 판단을 좁고 빠르게 연결하는 데 있습니다. 결국 작은 조직을 강하게 만드는 것은 거대한 모델보다 검증 결과를 다음 실험으로 되돌리는 운영 루프입니다.
