AI 연구 자동화
270억 파라미터 Faraday가 보여준 AI 과학자의 다음 단계
인히어런트 공식 연구와 2026년 8월 22일 TechCrunch 최근 보도를 기준으로 Faraday의 논문 재현 실험과 한계를 살펴봅니다.
이 글에서 다룰 내용
Faraday 구조와 최근 보도 시점, Replica 벤치마크, 연구 자동화의 가치와 한계
인히어런트 Faraday는 어떤 AI일까
인히어런트 Faraday는 과학 논문을 읽고 질문에 답하는 데 그치지 않고, 논문 속 실험과 분석 과정을 다시 수행하도록 설계된 AI 과학자 에이전트입니다. 인히어런트 공식 연구에 따르면 규모는 270억 파라미터이며, 코딩 에이전트를 도구로 사용하도록 장기 작업 강화학습을 적용했습니다.
이번 글은 2026년 8월 22일 TechCrunch의 최근 보도를 기준으로 분석합니다. 기반 연구와 arXiv 논문은 8월 14일 공개됐으므로, Faraday가 8월 22일 처음 출시된 것처럼 해석해서는 안 됩니다.
기존 생성형 AI도 논문 요약이나 코드 작성을 도울 수 있습니다. 하지만 논문에 적힌 방법을 해석하고, 데이터를 정리하고, 분석 코드를 실행해 결과까지 확인하는 일은 훨씬 복잡합니다.
Faraday가 주목받은 이유도 여기에 있습니다. 단순히 그럴듯한 설명을 생성하는 과학 AI가 아니라, 실제 연구 절차를 끝까지 수행할 수 있는지를 시험했기 때문입니다.
이 글에서 다룰 내용
인히어런트 Faraday의 특징, 논문 재현 과정, Replica 벤치마크의 의미, 연구 자동화 가능성과 한계
논문 재현은 왜 어려운가
논문 재현은 기존 논문의 설명과 데이터를 바탕으로 같은 분석을 수행한 뒤, 원래 보고된 결과와 비슷한 결론이 나오는지 확인하는 작업입니다. 과학의 신뢰성을 검증하는 중요한 과정이지만 실제로는 상당한 시간과 전문 지식이 필요합니다.
논문에는 모든 과정이 친절하게 적혀 있지 않을 수 있습니다. 데이터 전처리 기준이나 소프트웨어 버전, 통계 옵션처럼 결과에 영향을 주는 세부 정보가 빠지는 경우도 있습니다.
공개된 코드 역시 바로 실행된다고 장담하기 어렵습니다. 패키지 충돌, 사라진 데이터, 불명확한 파일 경로처럼 사소해 보이는 문제가 재현 실험 전체를 막기도 합니다.
Faraday가 해결해야 하는 과제는 논문의 문장을 요약하는 것이 아닙니다. 연구 목적을 파악하고 필요한 자료를 찾은 뒤, 적절한 분석 절차를 구성해 결과를 비교해야 합니다.
Replica 벤치마크는 무엇을 평가하나
Replica 벤치마크는 AI가 과학 지식을 얼마나 많이 암기했는지를 묻는 시험과 다릅니다. 초기 과제군은 머신러닝과 AI-for-science 논문 100편에서 가져온 310개 과제로 구성됐습니다.
각 과제는 제한된 시간과 연산 예산 안에서 원본 그림을 보지 않고 논문의 특정 그림을 재현하도록 요구합니다. 공개된 연구 자료를 이용해 핵심 결과를 실제로 다시 만들어낼 수 있는지 평가하는 구조입니다.
여기에는 논문 이해, 데이터 탐색, 코드 작성과 수정, 통계 분석, 오류 해결이 함께 포함됩니다. 따라서 특정 문제의 정답만 맞히는 일반적인 벤치마크보다 실제 연구 환경에 가깝습니다.
평가할 때는 결과 그래프가 비슷하게 보이는지만 확인해서는 안 됩니다. 분석 방향과 통계적 결론이 원 논문에 얼마나 가까운지, 재현 과정에 치명적인 오류가 없었는지도 살펴봐야 합니다.
인히어런트 논문은 자체 루브릭 기반 평가에서 Faraday가 분포 내 머신러닝 과제의 73%, 학습에서 분리한 AI-for-science 과제의 60%에서 Claude Opus 4.8과 GPT-5.5보다 높은 성과를 냈다고 보고합니다. 이 수치는 인히어런트 연구진의 특정 평가 설정과 자체 판정 체계 기준이며, 모든 과학 연구에서 일반적인 우위를 입증한 결과로 확대해서는 안 됩니다.
인히어런트 Faraday의 실험이 흥미로운 지점은 270억 파라미터라는 규모 자체보다 작업의 완결성에 있습니다. 더 큰 모델을 만드는 경쟁에서 벗어나, 과학 연구에 필요한 도구 사용과 검증 절차를 하나의 흐름으로 연결하려는 시도이기 때문입니다.
270억 파라미터가 의미하는 것
270억 파라미터는 소형 모델이라고 하기는 어렵지만, 초거대 범용 모델과 비교하면 상대적으로 효율을 고려한 규모입니다. 특정 분야의 데이터와 작업 방식에 집중하면 무조건 큰 모델이 아니어도 전문적인 성능을 낼 수 있다는 접근입니다.
다만 파라미터 수만으로 AI 과학자의 능력을 판단할 수는 없습니다. 어떤 학습 데이터를 사용했는지, 외부 도구를 얼마나 안정적으로 다루는지, 실패한 분석을 스스로 수정할 수 있는지가 더 중요합니다.
특히 연구에서는 정답처럼 보이는 문장을 만드는 것보다 근거를 추적할 수 있어야 합니다. 사용한 데이터와 코드, 분석 조건, 오류 기록이 남아야 다른 연구자도 결과를 다시 검토할 수 있습니다.
연구 자동화는 어디까지 가능할까
Faraday와 같은 시스템이 발전하면 반복적인 데이터 정리와 분석 코드 작성에 드는 시간을 줄일 수 있습니다. 여러 논문의 방법을 비교하거나 재현 가능성이 높은 연구를 선별하는 작업에도 활용할 수 있습니다.
이는 인간 연구자를 없애는 자동화라기보다 연구자의 탐색 범위를 넓히는 자동화에 가깝습니다. AI가 초안을 만들고 실험을 실행하면, 연구자는 가설의 타당성과 결과의 의미를 검토하는 데 더 집중할 수 있습니다.
그러나 연구 자동화에는 분명한 한계가 있습니다. 원문에 정보가 부족하거나 데이터 접근이 제한되면 AI도 정확한 재현을 수행하기 어렵고, 잘못된 전제를 유지한 채 분석을 끝낼 위험도 있습니다.
재현 성공 역시 원 논문이 절대적으로 옳다는 뜻은 아닙니다. 같은 데이터와 비슷한 방법으로 결과를 다시 얻었다는 의미이므로, 새로운 표본과 독립적인 실험을 통한 검증은 여전히 필요합니다.
AI 과학자를 바라보는 현실적인 기준
인히어런트 Faraday는 AI가 과학 연구의 일부를 실제 작업 단위로 수행할 수 있다는 가능성을 보여줍니다. 특히 Replica 벤치마크처럼 결과 중심으로 평가하는 방식은 과장된 소개보다 실질적인 능력을 확인하는 데 도움이 됩니다.
앞으로는 성공한 사례뿐 아니라 실패율과 수정 횟수도 함께 공개되어야 합니다. 재현에 걸린 비용, 인간 연구자의 개입 정도, 결과 검증 방식까지 확인해야 과학 AI의 효율을 제대로 판단할 수 있습니다.
결국 중요한 질문은 AI가 논문을 쓸 수 있느냐가 아닙니다. 검증 가능한 과정으로 신뢰할 만한 결과를 만들 수 있느냐가 AI 과학자를 평가하는 핵심 기준입니다.
Faraday는 완성된 자율 과학자라기보다 연구 자동화가 현실적인 단계로 진입하고 있음을 보여주는 사례에 가깝습니다. 특히 Faraday가 코딩 에이전트를 도구로 사용했다는 점을 고려하면, 이번 비교는 모델 크기만의 경쟁이 아니라 전문 에이전트 훈련과 도구 조합의 효과를 함께 보여주는 실험입니다.
인간의 비판적 판단과 독립적인 외부 재검증이 결합될 때 그 가치도 가장 커질 수 있습니다.
참고 출처
한 줄 요약: 인히어런트 Faraday는 논문을 설명하는 AI를 넘어, 실제 논문 재현 과정에 도전한 270억 파라미터 AI 과학자입니다.
