AI가 과학 연구를 빠르게 바꾸더라도 그 효과는 분야마다 다르며, AI의 발전 속도가 느린 분야가 다른 분야의 장기적 발견을 제한할 수 있다고 조던 드워킨(Jordan Dworkin)은 주장한다. 그는 과학 분야 간 의존성을 단순화한 모형을 통해, AI가 빠르게 발전시키는 분야에 자원을 몰아주면 초기 성과는 빨라져도 장기적으로 전체 발견 속도가 낮아질 수 있다고 설명한다.
경제학 연구인 Jones와 Tonetti의 2026년 논문과 Aghion, Jones, Jones의 2019년 연구는 생산성이 필수적이지만 개선하기 어려운 작업에 제약받을 수 있다고 분석한다. Jones의 2025년 연구는 이 논리를 연구개발에 적용해, AI의 과학 발전 효과가 AI가 맡을 수 있는 작업의 비중과 능력, 한 작업의 진전이 다른 작업의 진전을 대체할 수 있는 정도에 달렸다고 본다.
드워킨의 논지는 과학에서는 한 분야의 발견이 다른 분야의 전제가 되기도 한다는 점에 초점을 둔다. 컴퓨터과학의 통계적 학습 알고리즘은 여러 과학 분야의 방법과 발견을 돕고 있다. 방사성 탄소 연대 측정은 물리화학에서 개발된 뒤 고고학과 지질학에 영향을 줬고, 미생물학자 토머스 브록(Thomas Brock)이 1960년대 발견한 Thermus aquaticus는 생화학자 캐리 멀리스(Kary Mullis)가 1983년 중합효소 연쇄 반응(PCR)을 발명하는 데 기여했다.
하지만 이런 분야 간 병목은 시장의 가격 신호처럼 쉽게 드러나지 않는다. 어떤 기초 연구가 다른 분야의 전제가 될지 미리 알기 어렵고, 연구의 사회적 가치는 실시간으로 파악하기도 쉽지 않다. 반면 AI로 성과가 눈에 띄게 빨라진 분야에는 연구비와 인력이 더 몰릴 수 있다. 드워킨은 이 흐름이 단기적으로는 성과를 키우더라도, 느린 분야의 자원을 줄여 장기적 병목을 심화할 가능성이 있다고 본다.
그는 발견을 선행 발견의 네트워크로 표현한 단순 모형을 만들고 대화형 사이트에서 가정을 바꿔볼 수 있게 했다. 기본 사례에서는 발견마다 선행 조건 두 개가 필요하고, 선행 조건 연결의 15%가 다른 분야에 걸치며, 전체 분야의 60%가 AI로 빨라져 발견 속도가 5배가 된다고 가정한다. 이는 실측 결과가 아니라 모형을 설명하기 위한 가정이다. 참고 자료로는 발명 기술 계보 데이터와 논문 참고문헌의 분야 간 연결 비율을 제시한다.
모형에서는 AI로 빨라진 분야에 자원을 생태계 내 비중보다 더 배분하면 초기에 발견이 늘지만, 선행 조건을 제공하는 느린 분야가 뒤처져 전체 진전이 막힐 수 있다. 반대로 느린 분야에 더 투자하면 초기 진전은 더딜 수 있지만, 장기 발견 속도는 비례 배분이나 AI 가속 분야에 집중 투자하는 경우보다 높아지는 결과가 나온다. 이는 모형의 설정에 따른 시뮬레이션 결과이지 실제 과학 투자에서 확인된 효과는 아니다.
드워킨은 이 모형이 빠른 분야와 느린 분야를 둘로 나누고, 선행 조건을 실제보다 강한 제약으로 다루는 등 단순화했다고 짚는다. 분야 간 의존성의 추정이 실제로 중요한 연결을 과대평가했을 가능성도 있다. 또한 초기 성과와 장기 발전 중 무엇을 우선할지 판단하려면 사회적 가치에 대한 별도의 평가가 필요하다. AI가 느린 분야 자체를 가속하거나 연구 인력이 충분히 이동하지 않아 병목이 생기지 않을 가능성도 있다.
그럼에도 드워킨은 민간 투자와 연구 명성이 AI로 성과를 내기 쉬운 분야에 쏠릴수록, 시장의 신호만으로 장기적 핵심 분야를 알아내기 어려운 기초과학에 공공 지원을 유지할 이유가 커진다고 주장한다. 느린 분야에 일률적으로 더 투자하자는 뜻이 아니라, 단기적으로 AI에 덜 반응한다는 이유만으로 장기적 가치까지 낮다고 판단해서는 안 된다는 제안이다.
댓글 (0)
로그인하면 이 기사에 내 생각을 남길 수 있어요