OpenAI와 Ginkgo, GPT-5의 수천 건 실험 설계 및 수행 능력 입증 — 로봇 통제는 누가 할 것인가?

로봇, 클라우드 연구소, 그리고 매우 바쁜 GPT‑5

2026년 2월, OpenAI와 Ginkgo Bioworks는 GPT‑5가 로봇 클라우드 연구소를 통해 36,000건의 생물학 실험을 자율적으로 설계하고 수행했다고 발표했습니다. 이는 AI가 사람의 손을 빌리지 않고도 수천 건의 연구소 실험을 설계하고 실행할 수 있음을 보여주는 시연이었습니다. 이 수치 이면에는 단순한 공학적 원리가 숨어 있습니다. 대규모 언어 모델이 설계안과 프로토콜을 제안하면, 클라우드 연구소는 이를 물리적 시약으로 변환하여 자동화된 분석을 수행하고, 측정된 결과가 다시 모델로 전달되어 다음 실험 단계를 제안하는 방식입니다. 연구 목적과 안전 경계는 인간이 설정하지만, 반복적인 설계-제작-시험 루프는 이제 공학적인 속도로 작동하며 수개월이 걸리던 수천 개의 변이 테스트를 단 며칠 만에 끝낼 수 있습니다.

그 결과는 프로그래밍 가능한 생물학입니다. 컴퓨팅 기술이 단백질 언어 모델, 연구소 제어 API, DNA 합성(또는 무세포 생산)을 결합하여 화면 속의 설계와 플레이트 리더의 판독 결과 사이의 주기를 단축합니다. Ginkgo–OpenAI의 연구에 따르면 목표 단백질 생산 비용이 약 40% 절감된 것으로 나타났습니다. 이는 자동화와 소프트웨어가 결합될 때 역량이 얼마나 빠르게 확장되는지를 보여주는 상업적 성과이기도 합니다.

루프의 작동 원리: 모델, 로봇, 그리고 클라우드 API

이 폐쇄 루프의 핵심은 명쾌한 공학 기술입니다. 생성 모델이 서열 변이나 실험 조건을 제안하면, 해당 제안은 클라우드 연구소 스케줄러가 이해할 수 있는 프로토콜로 변환됩니다. 로봇은 샘플을 분주하고 배양하며, 자동화된 기기가 데이터를 캡처하여 API를 통해 모델로 전송합니다. 모델은 다시 학습하거나 점수를 매겨 다음 실험 세트를 제안합니다. 모델 → 프로토콜 → 로봇 실행 → 측정된 피드백으로 이어지는 이 사슬이 바로 사람들이 말하는 'AI가 대규모로 수천 건의 실험을 설계하고 실행하는 것'의 실체입니다. 두 가지 기술적 진보가 이를 실현했습니다. 수백만 개의 천연 서열로부터 일반화하는 단백질 언어 모델과, 표준화된 머신 인터페이스를 제공하는 클라우드 연구소를 통한 연구소 자동화의 범용화입니다.

중요한 세부 사항들이 있습니다. 모델은 튜브를 물리적으로 조작하지 않고 계획을 출력합니다. 클라우드 연구소는 그 계획을 저수준 기계 명령으로 번역하여 실행합니다. 이러한 연구소들은 각기 다릅니다. 일부는 명확한 사용자 인증, 샘플 추적 및 물리적 격리를 갖춘 폐쇄형 상업 서비스인 반면, 일부는 맞춤형 학술 장비입니다. 클라우드 연구소의 기본 요소들이 더 빠르고 저렴해질수록, AI 루프가 가설에서 무인 실험으로 넘어가는 장벽은 낮아집니다.

거버넌스 격차: 이 변화가 생물 보안에 중요한 이유

기술적 참신함은 이야기의 절반에 불과합니다. 나머지 절반은 '이중 용도' 문제입니다. 더 나은 항체나 저렴한 효소를 찾는 것과 동일한 검색 및 최적화 로직이, 이론적으로는 바이러스의 특성이나 위해를 가할 수 있는 프로토콜 단계를 최적화하는 데 사용될 수 있습니다. 연구자들은 연구소 자동화와 통합된 모델이 바이러스 성장 매개변수를 최적화할 수 있으며, 대규모 언어 모델이 사용자에게 복잡한 바이러스학 워크플로우를 안내할 수 있음을 보여주었습니다. 최근 대조적인 두 연구가 경종을 울렸습니다. SecureBio/Scale AI의 실험에 따르면 대규모 언어 모델을 사용하는 초보자들의 바이러스학 작업 정확도가 향상된 반면, Active Site의 연구에서는 그 효과가 엇갈렸으나 AI의 도움을 받을 때 일부 웨트랩 단계에서 더 빠른 진전이 관찰되었습니다. 두 연구 모두 공통된 결론을 가리킵니다. 자동화와 접근 가능한 모델의 결합은 유해한 설계를 실제 생물학적 작용제로 전환하는 데 있어 가장 큰 병목 현상이었던 인간의 숙련도 장벽을 낮춘다는 것입니다.

규제는 이를 따라잡지 못하고 있습니다. 합성 DNA의 스크리닝은 많은 관할권에서 여전히 자발적으로 이루어지고 있으며, 1975년 생물무기금지협약(BWC)에는 AI에 대한 명시적인 규정이 없습니다. 기업의 모델 공개 프레임워크는 불투명하고 일관성이 없습니다. RAND와 Nuclear Threat Initiative의 분석가들은 누가 어떤 모델을 사용할 수 있는지, 그리고 모델이 실제 생물학적 환경과 어떻게 상호작용할 수 있는지를 제한하는 관리형 접근 방식을 촉구해 왔습니다. 다른 단체들은 더 나은 DNA 합성 스크리닝과 모델 출시 전 생물학적 위험 평가를 강조합니다. 핵심적인 정책적 문제는 역량 평가(이 모델이 프로토콜 단계를 제안할 수 있음)를 운영상의 위험 추정(이 모델과 접근 가능한 클라우드 연구소의 결합이 오용 가능성을 높임)으로 전환하는 것입니다. 이러한 전환은 여전히 논쟁적이며 불확실합니다.

위험을 줄일 수 있는 실질적인 안전장치

비교적 위험 부담이 적은 기술적, 정책적 완화책들이 존재합니다. 기술적으로는 생물학적 이중 용도 시나리오에 대한 모델 테스트, 철저한 레드팀 테스트, 그리고 연구소 단계에 관한 프롬프트가 입력될 때 모델 행동에 대한 통합 원격 측정이 있습니다. 연구소 측면에서는 외부에서 제출된 프로토콜을 실행하는 기기에 대한 관리형 접근 의무화, 작업 제출자에 대한 암호화 서명 및 증명, 그리고 기관 심의와 연계된 강력한 사용자 신원 확인이 필요합니다. 공급망 단계에서는 유해 서열 데이터베이스를 기반으로 한 DNA 주문 스크리닝을 전면 의무화함으로써 공격 표면 전체를 줄일 수 있습니다. 도구의 위험도를 사용자와 사용 환경에 맞추는 Nuclear Threat Initiative의 관리형 접근 개념은 이러한 요소들을 결합하려는 시도입니다.

이러한 제안들이 만병통치약은 아닙니다. 모델 평가는 실제 오용 실험과 다르며, DNA 스크리닝은 불완전합니다(모델은 단순한 패턴 매칭을 피하는 서열을 생성할 수 있습니다). 또한 관리형 접근 체계는 규제 회피를 막기 위해 국제적인 공조가 필요합니다. 그럼에도 불구하고 모델 게이팅, 연구소 접근 제어, 강화된 DNA 합성 거버넌스, 실험 계획의 출처 확인 등 계층화된 접근 방식은 호기심 많고 악의적인 행위자가 아이디어를 실행으로 옮기는 속도를 실질적으로 늦출 수 있을 것입니다.

유럽과 독일의 관점: 역량, 상업, 그리고 규칙

유럽은 익숙한 상황에 처해 있습니다. 뛰어난 산업 인재와 세계 수준의 바이오테크 연구소를 보유하고 있지만, 규제는 파편화되어 있고 표준화는 더딥니다. EU의 AI 법(AI Act)은 위험한 AI 시스템을 분류하기 위한 툴박스를 마련했지만, 이는 연구소 자동화를 염두에 두고 작성되지 않았기에 해석이나 확장이 필요할 것입니다. 독일은 클라우드 연구소를 유치하기에 매력적인 하드웨어 및 자동화 강점을 보유하고 있지만, 조달, 수출 통제 및 EU의 복잡한 규정들이 일관된 안전장치 마련을 방해할 수 있습니다. 요컨대, 유럽은 역량을 구축할 수 있지만 이것이 오용되기 가장 쉬운 곳이 되지 않도록 조정된 정책과 수출 통제 사고방식이 필요합니다.

산업 정책의 선택도 중요합니다. 정부가 구속력 있는 안전 조건 없이 프로그래밍 가능한 생물학 인프라에 보조금을 지급한다면, 유익한 연구와 그에 따른 위험 모두를 가속화하게 될 것입니다. EU와 회원국은 자동화 및 칩 수준 보조금 지원을 엄격한 접근 제어 및 국제적 생물학적 위험 규범과 연계하는 것을 고려해야 합니다. 그렇지 않으면 이 지역은 장비만 갖추고 이를 뒷받침할 거버넌스는 갖추지 못한 상태가 될 것입니다.

'완전 자율 발견'에 얼마나 가까워졌는가?

많은 이들이 예상했던 것보다 더 가까이 와 있습니다. 하지만 인간의 감독이 전혀 없는 연구소라는 꿈에는 여전히 전제 조건이 붙습니다. 폐쇄 루프 시스템은 이미 단백질 변이를 발견하고 발현을 최적화하며 백신 항원 스크리닝 속도를 높이고 있습니다. 자율성은 수많은 변이를 생성하고 지표를 추출하며 모델을 훈련하는 반복적인 최적화 문제에서 빛을 발합니다. 반면 자율성이 한계를 드러내는 지점은 판단과 가치의 영역입니다. 즉, 의미 있는 목표를 설정하고, 미묘한 생물 보안 신호를 해석하며, 윤리적 절충안을 결정하는 일입니다. 이는 단순한 공학적 문제가 아니라 거버넌스와 가치의 문제입니다.

실질적으로 2026년의 연구소는 인간의 손길을 최소화하면서 수천 건의 실험을 수행할 수 있습니다. 수동 분주 작업에서 벗어난 병목 현상은 이제 DNA 합성 비용, 기기 스케줄링, 그리고 감독으로 옮겨가고 있습니다. DNA 합성이 저렴해지고 클라우드 연구소 접근성이 확대됨에 따라 완전 자율 루프는 더욱 보편화될 것입니다. 이것이 곧 재앙이 닥친다는 의미는 아니지만, 혁신과 오용 모두의 타임라인이 압축됨을 의미합니다. 정책 입안자와 자금 지원 기관은 GPT‑5의 36,000건 실험 캠페인과 같은 역량 시연을 마케팅 성과가 아닌 경고 신호로 받아들여야 합니다.

규제 기관, 기업, 연구소가 지금 바로 할 수 있는 일

거창한 선언보다 중요한 세 가지 실무적인 단계가 있습니다. 첫째, 표준화되고 감사가 가능한 규칙 세트와 의무 보고 체계를 갖춘 합성 시점의 DNA 스크리닝을 요구하는 것입니다. 둘째, 외부에서 제출된 모든 프로토콜에 대해 클라우드 연구소에 대한 자격 인증 및 감사된 접근을 요구하는 운영상 관리형 접근 체계를 구축하는 것입니다. 셋째, AI 개발자가 모델을 출시하기 전에 생물학 관련 작업에 대한 엄격하고 재현 가능한 역량 평가 결과를 공개하도록 하고, 고위험 역량에 대한 제3자 감사를 요구하는 것입니다. Anthropic은 내부 안전 등급을 높였고 OpenAI는 대비 프레임워크를 업데이트하는 등 기업들이 자율 규제를 시작했지만, 기술이 널리 보급되면 자발적인 조치만으로는 충분하지 않을 것입니다.

윤리, 불평등, 그리고 새로운 접근 격차

출처

• OpenAI & Ginkgo Bioworks (자율 실험을 시연한 OpenAI/Ginkgo 연구, DOI 및 기술 보고서)
• SecureBio / Scale AI (초보자의 바이러스학 작업을 위한 LLM 사용 연구, 프리프린트)
• Active Site (합성 생물학에서의 AI 지원 워크플로우 연구, 프리프린트)
• RAND Center on AI, Security and Technology (생물 보안 및 AI 보고서)
• Nuclear Threat Initiative (생물학적 AI 도구를 위한 관리형 접근 프레임워크)
• U.S. National Security Commission on Emerging Biotechnology (정책 보고서)
• Biological Weapons Convention (생물무기금지협약, 국제 조약 및 UN 군축실 문서)