https://deploymentsafety.openai.com/gpt-6-astra/biological-and-chemical-capabilities
OpenAI가 공개한 GPT-6 Astra의 생물학·화학 능력 평가를 보면, AI가 이제 단순히 논문 지식을 많이 아는 수준을 넘어 실제 실험 과정에서 발생하는 문제를 진단하고 수정하는 능력까지 상당히 올라왔다는 점이 눈에 띈다. 특히 실험 트러블슈팅이나 연구자의 암묵지를 활용하는 영역에서는 박사급 인간 전문가와 비슷하거나 일부 평가에서는 더 높은 성능을 보였다.
하지만 더 중요한 건 그 다음 단계다. Astra는 기존 실험을 이해하고 문제를 고치는 능력은 강했지만, 완전히 새로운 생물학적 시스템을 설계하거나 예측하는 Critical 단계에서는 아직 기준을 넘지 못했다. AAV capsid, 단백질 기능, 바이러스-수용체 상호작용 같은 실제 생물학적 예측에서는 성능이 여전히 제한적이었고, 일부 항목에서는 이전 세대 모델과 비교해 큰 발전조차 없었다.
이건 결국 생물학에서는 단순한 모델 스케일링만으로 해결되지 않는 병목이 존재한다는 뜻이다. AI가 아무리 똑똑해져도 새로운 단백질이나 세포 설계를 검증하려면 현실에서 실험을 돌려야 한다. 서열을 설계하고, 샘플을 만들고, 배양하고, assay를 수행하고, 결과를 측정한 뒤 다시 AI에 데이터를 넣어 다음 실험을 설계하는 Design-Build-Test-Learn 루프가 필요하다.
OpenAI도 이번 평가에서 이 방향을 꽤 명확하게 보여줬다. 기존 computational model을 정답처럼 사용하는 평가에는 한계가 있기 때문에 앞으로는 실제 wet-lab에서 검증된 실험 데이터를 더 중요하게 활용하겠다고 밝히고 있다. 또한 향후 더 높은 단계의 AI를 위해 필요한 요소로 새로운 생물학적 설계, wet-lab 지원, 실험 운영 지원, laboratory automation까지 직접 언급했다.
AI는 수천 개의 실험 아이디어를 빠르게 만들 수 있지만, 현실에서는 그 수천 개의 샘플을 만들고 측정할 물리적 인프라가 필요하다. RACs, 자동화 랩, Catalyst 같은 시스템이 노리는 영역이 바로 이 부분이다.
결국 이번 Astra 자료의 핵심은 AI가 생물학을 해결했다는 것이 아니라, 오히려 AI가 강해질수록 실제 실험 데이터와 물리적 검증이 더 중요한 병목으로 떠오르고 있다는 점이다. 디지털 AI 시대에 GPU와 데이터센터가 핵심 인프라가 됐던 것처럼, AI 바이오 시대에는 자동화 실험실, 로봇, assay, 대규모 실험 데이터 생성 시스템이 핵심 인프라가 될 가능성이 크다.
