Google DeepMind의 ERA 시스템, 과학 코드 자동 재작성으로 데이터 분석 혁신
ERA는 LLM 기반 트리 검색을 사용해 소프트웨어를 최적화합니다. 이 시스템은 14개의 COVID-19 입원 예측 모델을 생성하여 CDC CovidHub 앙상블을 능가했으며, 개발 시간을 몇 주에서 몇 시간으로 단축했습니다.
2026년 5월 19일 Nature에 Co-Scientist와 함께 발표된 ERA(Evolving Research Agent) 시스템은 학계에서 거의 논의되지 않는 문제를 해결합니다. 현대 과학은 아이디어 부족이 아니라 계산 능력 부족으로 병목 현상을 겪고 있습니다. 대부분의 과학 코드는 소프트웨어 엔지니어링이 아닌 생물학이나 의학이 주 전공인 사람들이 작성합니다. 그 결과 데이터 처리 지연, 재현성 오류, 디버깅에 수년이 소요되는 문제가 발생합니다. ERA는 과학자로부터 마지막 일상적인 작업인 계산 파이프라인 작성 및 최적화를 인수하는 자율 AI 개발자입니다. 이는 어떤 가설 생성기보다 연구 경제를 근본적으로 변화시킵니다.
핵심: 과학적 방법의 마지막 단계 자동화
ERA는 자연어로 표현된 과학적 작업을 받아 코드 아키텍처 설계부터 실행, 디버깅, 최적화까지 전체 사이클을 수행하는 LLM 에이전트입니다. 이 시스템은 트리 검색을 사용하여 수백 가지 구현 변형을 탐색하고 주어진 메트릭에 따라 최상의 것을 선택합니다. 이는 IDE 자동 완성이나 정적 스크립트 생성이 아닙니다. 오류 메시지를 읽고, 버그를 수정하고, 인간의 개입 없이 전체 모듈을 다시 작성하는 에이전트입니다.
주요 시연: ERA는 사망 및 입원 예측 챌린지(Deaths and Hospitalizations Forecasting Challenge)를 위해 14개의 COVID-19 입원 예측 모델을 생성했습니다. 결과: 수십 개의 전문가 팀을 기반으로 한 예측 벤치마크인 CDC CovidHub 앙상블을 능가했습니다. 개발 시간은 몇 주에서 몇 시간으로 단축되었습니다.
타임라인 및 맥락: 과학 자동화의 세 가지 물결
과학 자동화는 세 단계를 거쳤습니다. 첫 번째 물결은 Emerald Cloud Lab과 같은 로봇 실험실로, 실험실 기술자의 손을 대체했습니다. 두 번째 물결은 Co-Scientist 및 Robin과 같은 AI 가설 생성기로, 연구 책임자의 일부 기능을 대체했습니다. ERA는 세 번째 물결로, 계산 생물학자와 데이터 과학자를 대체합니다. 가설과 결과 사이의 격차는 수개월의 수동 코딩에서 몇 시간으로 줄어듭니다.
이는 우연한 출시가 아닙니다. DeepMind는 ERA의 출시를 Co-Scientist와 동기화하여 통합 플랫폼을 만들었습니다. 하나의 에이전트가 가설을 생성하면 다른 에이전트가 즉시 이를 테스트할 실험을 설계하고 데이터 분석을 위한 코드를 작성합니다. 함께 중간 단계에서 인간의 개입 없이 과학적 발견의 전체 사이클을 완료합니다.
승자와 패자
승자는 계산 데이터 처리가 병목인 모든 연구실입니다. 유전체 연구, 역학 모델링, 구조 생물학, 대규모 환자 데이터 세트를 사용한 임상 시험 등 연간 6만~8만 달러에 2년 동안 박사후 연구원을 고용했던 곳에 ERA를 배포할 수 있습니다. 단일 직위당 절감액: 혜택 및 대학 간접비를 포함해 2년 동안 최대 20만 달러.
승자는 과학 예산이 적고 숙련된 프로그래머가 부족한 국가입니다. ERA가 계산 방법을 민주화한다면, 아프리카나 동남아시아의 소규모 대학 그룹도 컴퓨팅 리소스에 접근할 수 있다면 데이터 분석 품질에서 MIT와 경쟁할 수 있습니다.
패자는 중간 수준의 생물정보학자입니다. 업계는 분열됩니다. 새로운 알고리즘을 만드는 최고 수준의 전문가는 계속 수요가 있을 것입니다. RNA-seq 처리 및 그래프 플로팅을 위한 스크립트 작성이 업무의 80%였던 사람들은 불필요해집니다. 패자는 Galaxy Project 및 Nextflow와 같은 플랫폼입니다. 에이전트가 즉석에서 코드를 작성한다면 시각적 파이프라인 환경에 대한 필요성이 급격히 줄어듭니다.
언론이 놓치는 점
첫 번째 비명백한 점은 통계적 정직성의 문제입니다. ERA는 주어진 메트릭을 기반으로 최적화하는 트리 검색을 사용합니다. 목표가 "예측 오류 최소화"라면 에이전트는 가장 좋은 점수를 내는 모델을 정직하게 찾을 것입니다. 그러나 실제 과학에서는 연구자들이 무의식적으로 또는 의식적으로 자신의 가설을 확인하는 메트릭을 선택합니다. ERA에는 이러한 편향이 없지만 과학적 직관도 없습니다. 과거 데이터를 완벽하게 예측하지만 미래에는 전혀 쓸모없는 패턴을 찾을 수 있습니다. 보상 함수에 내장된 산업적 규모의 과적합은 언급되지 않는 위험입니다.
두 번째 점은 코드를 아티팩트로 보는 문제입니다. 과학 코드는 결과를 얻기 위한 도구일 뿐만 아니라 재현 가능한 방법론의 일부입니다. ERA가 몇 초 만에 수천 줄의 코드를 생성한다면, 동료 검토가 그 정확성을 어떻게 검증할 수 있을까요? 현재 검토 시스템은 자동 생성된 파이프라인을 감사하도록 설계되지 않았습니다. 2~3년 안에 대부분의 계산 논문에 저자를 포함한 아무도 읽거나 이해하지 못한 코드가 포함될 위험이 있습니다.
세 번째 통찰은 Google의 전략에 관한 것입니다. ERA와 Co-Scientist는 단순한 연구 프로젝트가 아니라 Google Cloud 기업 고객을 위한 역량 시연입니다. 모든 ERA 실행은 TPU 및 Vertex AI에 대한 청구서입니다. Google Labs를 통한 무료 액세스는 미끼입니다. 일단 연구실이 DeepMind 에이전트에 의존하게 되면 다른 플랫폼으로 전환하는 비용이 엄청나게 높아집니다. Google은 과학을 위한 도구가 아니라 연간 10만 달러부터 시작하는 클라우드 서비스 판매 깔때기를 구축하고 있습니다.
예측: 향후 30일 및 90일
향후 30일 동안 저자는 독립 데이터 세트에서 ERA의 결과를 재현하거나 도전하려는 수십 개의 사전 인쇄물이 나올 것으로 예상합니다. 테스트할 핵심 질문: ERA가 CDC CovidHub 앙상블을 능가한 이유는 아키텍처 우수성 때문인가, 아니면 에이전트가 데이터에서 통계적 아티팩트를 찾아 벤치마크의 특정 약점을 이용했기 때문인가?
90일 관점에서 과학 저널 정책의 분열이 발생할 것입니다. Nature는 이미 AI 과학자에 평판 자본을 투자했으며, 에이전트 사용이 공개된다면 계산 부분이 ERA에 의해 수행된 논문을 수락할 것입니다. 더 보수적인 저널은 감사 표준이 개발될 때까지 AI 생성 코드에 대한 모라토리엄을 부과할 것입니다.
주요 예측은 DeepMind API를 중심으로 완전히 구축된 첫 번째 스타트업의 등장입니다. 생물학자, 임상의, 제품 관리자로 구성된 3인 팀이 이전에는 15~20명의 연구실이 필요했던 작업을 수행할 수 있을 것입니다. "Co-Scientist 가설 → ERA 코드 → 출판" 사이클이 12~18개월에서 2~4주로 단축됩니다. 이것은 유토피아가 아니라 Google이 2026년 5월 19일에 출시한 아키텍처의 직접적인 결과입니다. 과학은 결코 예전과 같지 않을 것이며, 유일한 질문은 기관이 이러한 시스템이 설정한 속도에 적응할 것인지, 아니면 AI 지원 발견의 물결에 휩쓸릴 것인지입니다.
— Editorial Team
