협력하는 AI, 완전 자율 과학 발견의 새 지평: ALEKS 멀티 에이전트 시스템의 혁신과 식물 병리 적용 사례

안녕하세요! 이번에 리뷰할 논문은 “ALEKS: AI POWERED MULTI AGENT SYSTEM FOR AUTONOMOUS SCIENTIFIC DISCOVERY VIA DATA-DRIVEN APPROACHES IN PLANT SCIENCE”라는 제목을 가지고 있어요. Cornell 대학 연구진이 발표한 작품입니다. 간단히 말해, ALEKS는 식물 과학 분야에서 완전 자율적으로 데이터를 분석하고 연구 질문에 답하는 AI 멀티 에이전트 시스템(MAS)이에요.

---

ALEKS, 단순 AI가 아닌 ‘협업하는’ 멀티 에이전트 시스템

기존의 AI 연구들은 흔히 단일 LLM 기반의 시스템이나 특정 작업 자동화 도구에 집중돼 있었는데요.

대표 예를 들어볼게요.

• ReAct (Yao et al., 2023): LLM에 추론과 행동을 엮어 동적인 의사결정을 가능하게 하는 기법이었는데, 말 그대로 ‘도움말’ 정도의 역할에선 훌륭했지만 완전 자동화된 연구엔 부족했죠.
• Agent Laboratory (Schmidgall et al., 2025): 완전 자율 ML 연구를 목표로 했지만, 결과물은 신속한 프로토타입 제작이나 요약에 적합할 뿐 논문 퀄리티에는 미치지 못했습니다.
• AutoML-Agent (Trirat et al., 2024): 전 과정을 에이전트가 분담하지만, ‘도메인 전문성’ 부족과 해석 가능성 부분에서 한계가 있었습니다.
• Virtual Lab (Swanson et al., 2025): 다중 에이전트가 협력하지만 인간 개입 없이 완전 자율적이라기보다 AI-인간 협업의 한 형태였죠.

이런 한계점들을 ALEKS는 흥미롭게 극복합니다.

ALEKS 의 차별점 3가지

1. 전문성 분산과 협력
   • 예를 들어, 도메인 에이전트는 최신 식물학 논문 기반의 지식을 지니고, 결과 해석과 다음 실험 개선에 의견을 줍니다.
   • 데이터 분석가는 데이터를 다루면서 문제 포맷(분류 or 회귀)과 특징 선택을 반복 탐색하고요.
   • 머신러닝 엔지니어는 자동으로 코드를 생성해 실제 학습 및 평가 작업을 수행합니다.
   • ALEKS 는 도메인 과학자(plant pathologist), 데이터 분석가, 머신러닝 엔지니어 에이전트 3개가 서로 다른 역할을 맡아 협력합니다.
2. 공유 메모리 시스템
   각 에이전트는 일회성 업무가 아니라 지속적·역사 기반 의사소통을 합니다. 전체 과정의 기록을 공유 메모리에 저장해서, 반복되는 피드백과 추론이 자연스럽게 이어지도록 설계했어요. 기존 체계처럼 단편적 명령-응답 방식이 아니라 일종의 ‘협업 기록지’을 통해 지식을 축적하고 보내는 점이 돋보입니다.
3. 완전 자율성 실험과 평가
   아이러니하게도, ALEKS는 인간이 설정한 질문과 데이터만 받으면 전 과정을 사람 개입 없이 수행해 답과 보고서를 내놓습니다. 이전 연구들처럼 어느 정도 인간 개입을 전제로 한 게 아니에요. 예상과 달리 다중 실험 후 안정적으로 의미 있는 결과를 도출하는 점에서 기계가 스스로 ‘과학 탐구’를 실제 수행하는 모습에 가까워졌다고 볼 수 있죠.

---

ALEKS가 식물 병리 연구에서 빛난 이유

논문에서는 포도 적점병(Grapevine Red Blotch Disease) 연구를 사례로 삼았는데요,

• 이 병은 감염 탐지가 어려워서 방대한 데이터(원격 감지, 과거 감염 기록, 식물 상태)를 통해 효과적 표본채취 전략을 세워야 해요.
• ALEKS에 주어진 건 질문 하나와 ‘사전 처리 안 된’ 복합 데이터셋뿐이었지만, 시스템은 자동으로 문제를 분류/회귀 문제로 풀어내고, 핵심 특징을 스스로 골라내며 의미있는 예측 모델을 만들었습니다.
• 역사적 데이터를 바탕으로 병원성 특징을 새롭게 유도하고, 도메인 지식이 이를 뒷받침했죠.

이는 기존 AutoML 도구가 단순 최적화에 집중하는 것과 달라서,

단순 수치적 성능뿐 아니라 ‘과학적 해석 가능성’과 ‘도메인 적합성’을 동시에 강화했다는 점에서 큰 기술적 진보입니다.

---

기술적 의미와 미래 전망

요즘 LLM 활용 분야에서 많이 지적되는 점은 “심층적 전문지식 통합의 어려움”과 “맥락 제한(컨텍스트 길이)” 문제인데요, ALEKS는

• 에이전트별 전문 메모리와
• 장기적 실험 기록 공유

구조를 통해 이 문제를 잘 해결합니다. 예를 들어, “과거 실험 이력을 완전히 공유한 경우에만 일관성 있고 신뢰할 수 있는 결과가 나왔다”고 밝혀 이에 대한 중요성을 강조했죠.

또한, ALEKS는

• 코드 생성을 담당하는 에이전트가 실패 경험(런타임 에러 등)을 자기 학습하듯 참고해 점진적으로 개선하고
• 도메인 전문가 에이전트가 주기적으로 ‘기능하는지’ 피드백하여 시스템 전체의 안정성과 신뢰도를 높여갑니다.

이런 ‘학습하는 에이전트’들의 긴밀한 피드백 루프는 AI가 복잡한 과학 연구 과정을 처음부터 끝까지 ‘자동화’하고 ‘신뢰할 수 있게’ 만드는 데 핵심 기술로 보입니다.

---

마무리하며: AI 에이전트가 풀어갈 미래 연구 패러다임

간단히 요약하자면, ALEKS는

• 기존 AI연구가 자동화의 일부분에 머물렀던 데 반해, 과학적 문제 정의부터 최종 모델 제안까지 완전 자율적으로 수행한 점과
• 3개 전문 에이전트의 협력을 공유 메모리로 관장하여 ‘지식 융합’이라는 복잡한 과제도 해결한 점에서 돋보입니다.

참고로, 국내외 식물 병리, 농업 AI 분야, 머신러닝 자동화 분야에 관심 있으시면 이번 연구는 꼭 눈여겨볼만해요!

앞으로 ALEKS처럼 멀티 에이전트 체계가 더욱 발전하면, 전통적 연구자의 역할이 ‘실험 설계·윤리 감독’, AI의 역할이 ‘지식 탐색 및 데이터 해석’에 집중되는 혁신적 연구 생태계가 펼쳐질 것 같네요.

---

여러분이 AI와 데이터 사이언스에 관심 있다면, 이번 논문은 ‘단순한 AI 도구’가 아닌 ‘협력하는 AI 동료’가 갖춰야 할 요소와 기술적 플랜을 생생하게 보여준다는 점에서 매우 의미가 깊습니다.

다음에도 AI의 혁신적인 적용 사례로 또 찾아 뵐게요. 읽어주셔서 감사합니다!