AI가 창출한 독창적이며 창의적인 결과는 새로운 게임 체인저로서 전방위적으로 활용될 것으로 보이며, 이는 과학기술계 및 연구현장에도 큰 영향을 미칠 전망이다.
과학기술적 측면에서 AI는 연구 대상이 되기도 하지만, 연구속도의 향상 및 통찰력 제고 등 연구 생산성 제고를 위한 수단으로도 활용된다.
Elsevier의 글로벌 연구 프로젝트인 Research Futures 2.0 보고서에 따르면, 47%의 연구원이 연구의 미래에 AI가 중요하며, 기술과 AI에 대한 의존도가 더욱 커질 것으로 전망된다.
최근 경제협력개발기구(OECD)는 과학기술 연구 생산성 저하 문제 해결 수단으로서 AI의 역할을 조망한 보고서 <Artificial Intelligence in Science: Challenges, Opportunities and the Future of Research>(OECD, 2023)를 발표했다.
이에 한국과학기술기획평가원(KISTEP)은 AI와 과학 연구의 생산성에 대한 OECD 보고서의 주요 내용을 정리하고 정책적 시사점을 제시한 정책브리프를 9월 21일 발간했다.
브리프는 OECD 보고서가 주는 정책적 시사점으로 다음의 네 가지 필요성을 제시했다.
• 첫째, AI를 활용한 연구생산성 제고를 위한 지속적인 지원･평가체계 구축
• 둘째, AI의 실질적인 활용을 위해 Local/Private GPT 및 한국어 기반의 대규모 언어 모델(LLM) 개발 및 보급 촉진
• 셋째, AI를 기반으로 한 국제적 연구 파트너십 강화 및 AI 관련 연구자 교육 실시
• 넷째, 연구 신뢰도·투명성 제고 및 연구자 윤리와 연계한 AI 윤리 가이드라인 개발·적용
【‘OECD AI in Science’ 보고서 주요 내용】
■ Challenges: 과학 연구의 생산성 저하
➤ 기초연구의 중요성에도 불구하고 관련 지식은 부족한 실정이며, 끊임없이 새로운 문제가 등장하는 등 연구 생산성 위기에 직면
ㅇ 기초연구를 기반으로 도출되는 혁신은 상업적 목표를 가진 응용·개발연구에 비해 상대적으로 넓은 범위 및 장기적으로 확산되는 경향이 있어 지속적인 경제성장을 견인
ㅇ 과학의 진보는 이루어지고 있지만, 연구의 생산성 및 효율성 저하 문제는 전 세계적인 현상으로 반도체, 제약바이오, 농업 등 다양한 기술 분야에서 나타남
ㅇ 생산성 저하는 ①인센티브의 변화, ②기초연구에서의 민간 분야 참여 저하, ③경제적 한계, ④정보의 양적 증가로 인한 새로운 정보 취득의 어려움, ⑤과학 발전과 함께 다양한 분야로의 분화, ⑥한정된 과학 법칙의 수 등 다양한 요인에 기인
➤ AI는 생산성 저하 문제에 대한 해결 수단으로서 과학 연구와 혁신을 가속화하고 다양한 글로벌 난제(Global Challenges)를 해결하는 데 활용될 전망
■ Opportunities: 과학 연구에서 AI의 활용 현황 및 가능성
➤ AI와 로봇 시스템의 결합은 연구실 자동화 수준 향상 및 과학 연구 생산성 제고
ㅇ AI와 로봇 시스템은 사람에 비해 비교적 저렴하고, 빠르고, 정확하며 오랫동안 일할 수 있어 시간과 비용 측면에서 경제성을 보유
ㅇ 연구실 자동화를 통한 AI와의 협업은 연구 편향성을 해소하거나 탐구하지 못한 영역을 조명하는 등 시너지 효과를 도출.
➤ AI를 활용한 학술 정보 관리는 기존 문헌에 존재했지만 인식하지 못했던 지식 발견 또는 기존 지식 간 관계를 파악하여 새로운 지식 생성 가능
ㅇ 문헌 기반 발견(literature-based discovery)과 미발견 공공지식(undiscovered public knowledge)은 연구자에게 새로운 과학적 통찰을 제시
ㅇ AI의 빠른 기술개발로 다음 세대 문헌 기반 발견 시스템은 비자연어 형태의 정보(표, 차트, 그림, 프로그래밍 코드 등)를 활용할 가능성 존재
ㅇ 데이터 마이닝(data mining)이나 메타분석(meta-analysis)과 비교해 복잡하고 전문화된 문제를 해결한다는 점에서 차별적이며, 생물 정보학이나 생의학 연구에서는 이러한 추론 방식을 새로운 명제나 가설을 생성하는 데 사용
➤ AI 기계학습(Machine Learning)을 통한 과학적 주장 검증
ㅇ 코로나19 팬데믹 중 잘못된 정보 확산 경험 및 기후변화와 같은 민감한 현안 논의 등에 있어 과학적 주장 검증 및 자동화의 시급성 확인
ㅇ 과학적 주장에 대한 기존 검증방식은 한계가 존재하며, 학습한 정보를 바탕으로 하는 AI 기계학습 활용은 과학적 주장을 검증하는 도구로 활용 가능
➤ AI와의 협력을 통한 과학에서의 시민 참여 확대
ㅇ 시민들이 과학연구에 참여 시 AI 와의 협력은 데이터 수집 및 처리의 양·속도를 향상시키고 새로운 방식으로 데이터 수집을 가능하게 만들어 줌
ㅇ AI는 복잡한 과학 연구 프로젝트를 시민 다수가 과학에 참여할 수 있는 적절한 수준의 과제로 분리하는 역할을 할 것으로 기대
■ The Future of Research: AI와 과학 연구의 미래
➤ 연구 대규모화와 국제화는 사람과 AI의 협업 중요성을 증대시키고 있으며, 집단지성을 발휘하여 각 능력의 총합보다 더 뛰어난 결과물 제시 및 연구 생산성 제고에 기여
ㅇ 지식 인코딩 및 발견: 언어 모델의 개발은 과학커뮤니케이션 인프라의 발전에 기여해 연구자가 학술문헌을 활용하는데 도움
ㅇ 지식 연결 및 구조화: 인간-AI 하이브리드(hybrid) 시스템은 관련성 있는 지식을 조직화하고 종합하는 데 핵심적 역할 수행
ㅇ 감독 및 품질 관리: 인간의 집단지성은 지식 종합 인프라의 지속적 관리와 품질 관리에 도움을 주어 AI의 활용 효과를 증대
➤ 반면, 연구에서의 AI의 활용은 한계점이 존재하며 국가, 기관 측면에서 지원방안 마련 필요
ㅇ 연구 다양성 감소: AI 기반 연구를 둘러싼 학계와 산업계의 긴밀성은 공공연구기관에서 연구 우선순위의 왜곡을 초래해 연구 다양성 정체 및 감소 유발
ㅇ 서비스 품질: AI가 보유한 데이터의 정확도, 신뢰성, 데이터 의존성 등 편향된 정보 보유 및 서비스 품질 상이
ㅇ AI 민주화: 비용과 자원의 문제로 인해 소규모 연구팀은 연구를 유지하는데 현실적 어려움 존재
ㅇ 정보 분산 및 민감성: 기계학습에 활용되는 방대한 정보 파편화 및 연구 분야에 따라 민감
정보에 대한 엄격한 규제 발생 가능성이 높은 편
ㅇ 해석력: 강력한 기계학습 기술도 해석력(interpretability)의 부족으로 원인과 결과의 연관성을 설명하지 못하는 경우에 블랙박스(black-box) 문제 존재
【정책적 시사점】
▶ AI를 활용한 연구생산성 제고를 위한 지속적인 지원･평가체계 구축
ㅇ 컴퓨터 과학자를 포함한 다양한 분야의 과학자와 엔지니어와 협력하여 AI를 활용한 여러 도전과제를 해결하기 위해서는 예산 지원 등 장기적 지원체계를 마련할 필요
ㅇ AI 연구 및 연구생산성 제고를 위한 AI 적용의 중장기 비전을 수립하고 이를 달성하기 위한 로드맵을 개발하여 연구자들에게 명확한 방향을 제시할 필요
ㅇ 연구 관련 블랙박스 처리과정 등에서 발생하는 숨겨진 편향 및 내재된 기술적 위험성을 진단하는 등 AI 연구의 성과를 측정하고 연구생산성 제고와 관련된 적절한 지표 및 평가도구 개발
▶ AI의 실질적인 활용을 위해 Local/Private GPT 및 한국어 기반의 대규모 언어 모델(LLM) 개발 및 보급 촉진
ㅇ AI 민주화, 정보 보안성 및 민감성 등 AI 활용에서의 한계점에 대응하여 조직 차원의 Local/Private GPT 개발 및 활성화 필요
ㅇ 영어권에 집중되어 있는 생성형 AI 한계 극복을 위해 한국어 기반 대규모 언어 모델 개발을 통한 국내 공공기관 및 민간기업 내 AI의 실질적 활용 가능성 제고
▶ AI를 기반으로 한 국제적 연구 파트너십 강화 및 AI 관련 연구자 교육 실시
ㅇ AI는 국제적으로 개방형 지식 네트워크 형성을 통해 다수의 과학자가 협력할 수 있는 체계를 구축할 수 있으므로 국경을 넘어서 지식을 조직화하고 종합하는데 수월
ㅇ 연구자들이 AI 기술과 도구를 활용하는데 필요한 교육 및 교육 프로그램을 제공함으로써 AI 기술의 활용범위를 확대할 수 있도록 지원
▶ 연구 신뢰도·투명성 제고 및 연구자 윤리와 연계한 AI 윤리 가이드라인 개발·적용
ㅇ AI를 활용한 연구의 재현 가능성 향상으로 연구의 신뢰성과 생산성을 제고하며 연구기관 및 출판사는 AI를 활용한 연구의 질 향상을 위해 노력할 필요
ㅇ AI 연구개발과정에서 윤리적 문제를 고려하고, AI의 잠재적인 부정적 영향을 방지하기 위한 가이드라인 개발 적용
