스탠퍼드, 3만 7천 개의 AI 에이전트로 신약 설계

스탠퍼드 대학교가 3만 7천 개의 AI 에이전트를 연계시킨 '가상 바이오테크 기업'을 구축하여 실제 신약 개발 연구에 활용하고 있다. 이 노력으로 설계된 약물 후보 분자 중 하나는 제약 대기업 머크에 의해 독립적인 검증 실험에서도 유효성이 확인되었다. 같은 대학의 생물의학 데이터과학 부교수인 제임스 저우가 2026년 VB Transform 컨퍼런스에서 밝혔다.

AI 에이전트란 목표가 주어지면 자율적으로 작업을 진행하는 AI를 말한다. 그동안의 개발 현장에서는 '엔지니어 1명에 대해 에이전트 1개'라는 사용 방식이 주류였으며, Claude의 코딩 도구인 Claude Code 등이 그 대표 사례로 알려져 있다. 그러나 저우는 이러한 전제가 붕괴되는 시대가 도래하고 있다고 주장한다. 다음 단계는 '더 똑똑한 1개의 에이전트'를 만드는 것이 아니라 '대량의 에이전트를 조직으로서 움직이는 것'에 있다는 견해이다.

연구의 출발점은 5~8개의 에이전트로 구성된 소규모 '가상 랩'이었다. AI가 교수 역할(주임 연구원)을 담당하고, 각각 다른 전문성을 가진 AI 학생이 정기적으로 회의를 진행하는 실제 연구실을 모방한 구조를 가지고 있다. 더 나아가 저우 팀은 에이전트가 '스탠퍼드의 레플리카 캠퍼스'에 다니며 자신의 전문 분야를 심화하기 위한 추가 학습(감독형 세부 조정)을 받을 수 있는 체계도 도입했다. 이 가상 랩은 신종 코로나바이러스 변이주에 대응하는 나노바디 단백질(바이러스에 결합하는 소형의 항체 유사 분자)의 설계에 성공했으며, AI가 설계한 나노바디는 기존의 인력에 의한 설계품보다 높은 바이러스 결합 성능을 보였다고 저우는 밝혔다.

이 성과를 바탕으로 팀은 규모를 크게 확대하여 단일 연구팀의 모방에서 대형 바이오테크·제약 기업의 조직 구조 자체를 모방한 '가상 바이오테크'로 발전시켰다. 이 시스템에서는 최고 과학 책임자(CSO) 역할의 에이전트가 전체를 총괄하고, 그 아래에 신약 타깃 탐색, 분자 설계, 안전성 평가·임상시험에 해당하는 부문의 에이전트 집단이 배치되어 있다. 각 부문 내에서도 전문화가 더욱 진행되고 있으며, 예를 들어 타깃 탐색 부문에서는 유전학 데이터를 담당하는 에이전트와 게놈학·단일세포 데이터를 담당하는 에이전트가 따로 존재한다.

저우 팀은 또한 같은 문제를 '대량의 전문 에이전트 팀'과 '단일의 고성능 에이전트'에 각각 풀게 하는 비교 실험도 수행했다. 그 결과 복수 에이전트에 의한 협조 시스템이 에러가 축적된 경우에도 붕괴되지 않기 쉽고, 더 높은 품질의 해를 도출하는 경향이 있음이 드러났다. 이는 대량의 계산 자원을 1개의 모델에 집중시키는 것보다 역할을 분담한 다수의 에이전트를 연계시키는 아키텍처가 유리할 가능성을 시사하는 결과라고 할 수 있다.

이번 연구가 보여주는 것은 AI를 '도구로 사용하는' 단계에서 '조직으로서 움직이는' 단계로의 전환이 적어도 과학 연구 분야에서 현실화되고 있다는 점이다. 또한 기존의 데이터베이스를 AI의 지휘 체계(오케스트레이션 층)에 연결하여 수천 개의 에이전트가 협력할 수 있는 환경을 설계하기 위한 구체적인 모델로도 참조할 수 있는 연구로 위치지어진다. 머크에 의한 독립 검증이라는 형태로 실용적 의의가 일부 확인된 사실은 순수한 학술 성과에만 그치지 않을 가능성을 보여준다. 향후 이러한 대규모 다중에이전트 시스템을 어떻게 안전하게 제어하고, 비용과 신뢰성을 어떻게 보장할 것인가가 연구의 다음 초점이 될 것이라는 견해가 가능하다.