출발점
생물학은 탐색 문제입니다.
지금까지의 연구는 거대한 가능성 공간에서 극히 일부만 실험해 왔습니다. 저희는 파운데이션 모델, 생물 데이터, 분자 시뮬레이션, 대규모 연산, 자율 연구 에이전트를 묶어 실험을 시작하기 전에 수백만 가지 경우를 먼저 살펴봅니다.
더 넓게 찾고, 더 빨리 배우고, 더 좋은 것을 발견합니다.
탐색하는 곳
저희가 뒤지는 탐색 공간의 일부입니다.
공간마다 하네스가 따로 있습니다.
신약 탐색
타깃 발굴, 히트 탐색, 분자 생성, 가상 스크리닝, 리드 최적화, 약물성 예측, 약물 재창출.
수십억 개에서 실험할 몇 개로 → 단백질단백질 설계
치료용 단백질, 항체, 효소 엔지니어링, 결합 단백질 설계, 자연에 없던 단백질까지.
예측을 넘어 설계로 → 바이오마커바이오마커 발굴
환자 분류, 질병 신호, 치료 반응 예측, 그리고 새 코호트에서도 살아남는 다중 오믹스 통합.
복잡함 속의 신호 찾기 → 신소재신소재 발견
배터리, 반도체, 촉매, 고분자, 에너지 소재를 만들기 전에 계산으로 먼저 걸러냅니다.
만들기 전에 찾아내기 →무엇으로 만드는가
여러 역량을 분야마다 다르게 조립합니다.
파운데이션 모델
분자 구조, 단백질 서열, 유전체, 논문, 임상 데이터, 영상, 소재 구조를 읽는 모델을, 분야마다 실제로 가진 데이터에 맞춰 골라 쓰고 또 만듭니다.
생성형 탐색
이미 있는 목록에 점수를 매기는 데 그치지 않고, 아직 존재하지 않는 후보를 여러 목표를 동시에 만족하도록 만들어 냅니다.
시뮬레이션과 예측
물리 계산과 학습 모델로 실험 결과를 미리 추정합니다. 그래야 실제로 돌리는 실험이 할 가치가 있는 실험이 됩니다.
자율 연구 에이전트
에이전트가 논문을 읽고, 데이터를 분석하고, 가설을 세우고, 계산을 돌리고, 후보를 비교하고, 무엇이 실패했는지 기억합니다.
대규모 연산
발견의 한계는 결국 연산량입니다. AI3 디스커버리는 AI3가 직접 운영하는 AI 인프라와 대규모 서빙 위에서 돌아갑니다.
발견 루프
AI × 시뮬레이션 × 실험.
이해
과학 지식과 생물 데이터를 모읍니다.
생성
AI가 새로운 가설과 후보를 제안합니다.
예측
모델이 물성과 결과를 추정합니다.
선별
가장 유망한 후보를 추립니다.
검증
시뮬레이션이나 실험으로 확인합니다.
학습
결과가 모델로 돌아오고, 루프가 다시 돕니다.
실험 하나가 데이터를 남기고, 그 데이터가 다음 사이클을 더 좋게 만듭니다. 끝나면 사라지는 프로젝트가 아니라 갈수록 쌓이는 연구가 남습니다.
수십억 개의 후보에서 실험할 가치가 있는 몇 개로.
왜 AI3 디스커버리인가
처음부터 AI를 전제로 설계했습니다.
기존 연구 방식에 AI를 얹은 바이오 회사가 아닙니다. 일하는 방식 자체를 AI 기준으로 짰기 때문에, 저희의 작업 단위는 프로젝트 계획이 아니라 발견 사이클입니다.
AI 인프라
대규모 AI 시스템과 모델 서빙, GPU 운영을 실제 서비스로 해 온 경험이 있습니다.
모델을 가리지 않음
프런티어 모델, 오픈웨이트 모델, 분야 전용 과학 모델을 함께 쓰고 서로 교차 검증합니다.
에이전트 연구
연구 과정을 에이전트가 실행하고 기록하고 감사합니다. 실패한 것까지 남깁니다.
대규모 병렬
가설 수천 개를 한꺼번에 검토합니다. 그러면 물어볼 만한 질문 자체가 달라집니다.
증거 기준은 하나
맡는 문제마다 하네스를 따로 만들지만, 결과가 통과해야 할 증거 규칙은 같습니다.
