2026년의 AI 트랙에서 흥미로운 방향 전환이 일어나고 있다. 업계의 시선이 아직 대형 모델의 파라미터, 에이전트, 범용 초지능에 집중되어 있을 때, 저커버그는 더 다루기 어려운 분야, 즉 생명 시스템에 자금을 걸었다.
올해 4월, 저커버그와 아내 프리실라 챈이 설립한 Biohub는 가상생물학 프로그램을 시작하고 5억 달러를 투입해 데이터와 실험 역량을 구축함으로써 생명 현상을 예측할 수 있는 AI 모델을 훈련하는 데 활용하고 있다. 10월에 이르러 이 프로젝트는 더욱 확대되었다. 미국 에너지부, 미국 국립보건원(NIH), Biohub가 손잡고 생명 예측 모델의 데이터 기반을 구축하며, Meta, 구글 DeepMind, Isomorphic Labs가 함께 참여한다. 프로젝트 전체의 약속된 투자액은 총 18억 달러이며, 이 중 미국 에너지부는 향후 5년간 5억 달러 이상을 투입하고, NIH는 축적된 방대한 바이오의학 데이터를 개방한다.
이 프로젝트의 목표는 아주 직접적이다. 생명의 행동을 예측할 수 있는 AI를 만드는 것이며, Biohub는 이를 가상생물학이라 부른다. 간단히 말해, 분자, 유전자, 세포에서 완전한 생명 시스템에 이르기까지의 고충실도 디지털 버전을 구축하는 것이다. 앞으로 연구자들은 지금 대형 모델에 질문하듯 컴퓨터 안에서 생명에 대해 가설을 세우고 개입을 시뮬레이션하며, 먼저 디지털 실험을 완료한 뒤 실험실에서 실제 실험을 할 수 있게 된다.
이 일은 저커버그가 단순히 바이오의약품을 좋아하기 때문만은 아니다. 더 깊이 들여다보면, 생명과학이 AI 경쟁의 제2전장이 되고 있는 것이다. 범용 대형 모델 트랙은 이미 자금 소모가 백열화되어 연산력, 인재, 자본의 문턱이 갈수록 높아지고 있는 반면, 생명 시스템의 이해는 아직 정형화되지 않은 프론티어이다. 누가 AI로 생명을 진정으로 읽어낼 수 있게 되느냐에 따라 챗봇보다 훨씬 복제하기 어려운 진입장벽을 구축할 수 있다.
AI는 분자 설계에 능하지만, 신약 개발은 여전히 어렵다
AI와 바이오의약품의 결합은 새로운 일이 아니며, AI가 산업화에 대한 기대를 처음으로 받았던 방향 중 하나이기도 하다. 그러나 십수 년을 지나온 동안 하나의 핵심 질문이 늘 앞에 놓여 있었다. 우리는 정말 신약에 가까워졌는가?
최근 몇 년간 AI 신약개발의 가장 눈부신 성과는 대체로 분자 수준에 집중되어 있다. 단백질 구조 예측, 후보 분자 스크리닝, 분자 생성, 약물 안전성 예측, 약물-표적 상호작용 등이다. AI는 한 번에 수천, 수만 개의 후보 분자를 생산해 스크리닝 가능한 화학 공간을 크게 확장할 수 있으며, 효율 향상은 실실적인 것이다.
그러나 평가 기준을 모델의 벤치마크 점수에서 하나의 신약의 성공적 출시로 옮기면, 현실은 그리 낙관적이지 않다. 올해 8월 《Nature Reviews Drug Discovery》는 십여 년간의 AI 신약개발 발전을 회고하는 글을 발표했다. 각종 AI 알고리즘이 쏟아져 나왔지만, 진정으로 임상적 가치를 만들어낸 성과는 여전히 제한적이라는 것이다. 많은 AI 제약 기업의 프로젝트가 전임상 또는 1상, 2상 임상에 머물러 있으며, 3상 임상에 진입한 프로젝트는 매우 적다.
소분자 생성 분야에서 AI는 실제로 단백질과 결합할 수 있는 분자를 더 쉽게 찾을 수 있지만, 이것은 리간드 설계일 뿐 약물 설계가 아니다. 표적에 결합할 수 있는 분자를 찾는 것과, 인체 내에서 안전하고 효과적인 약물을 찾는 것은 완전히 다른 문제이다.
이것이 바로 지금 업계가 가장 성찰해야 할 지점이다. 과거 우리는 복잡한 생명 문제를 지나치게 단순화했다. AI는 “어떤 분자가 이 표적에 결합할 수 있는가”라는 질문에 답하는 데 능하지만, 신약 개발에서 진정으로 어려운 것은 일련의 시스템적 질문들이다. 이 표적은 왜 질병을 유발하는가? 표적을 개입한 후 인체의 전체 생명 시스템은 어떤 연쇄 반응을 일으키는가? 같은 약물인데 왜 어떤 사람에게는 효과가 있고 어떤 사람에게는 없는가? 왜 세포, 동물 실험에서 효과가 좋았던 약물이 인체 임상시험에서는 실패하는가?
약물 분자는 고립되어 작용하지 않는다. 그것이 들어가는 곳은 유전자, 단백질, 세포, 조직, 장기, 면역, 대사, 그리고 외부 환경까지 모든 요소가 서로 영향을 주고받는 역동적이고 복잡한 시스템이다. 약물의 성공 여부를 결정하는 열쇠는 바로 이 시스템 안에 있다.由此 이로 인해 하나의 근본적인 문제가 생긴다. 만약 AI가 분자만 이해하고 완전한 생명 시스템은 이해할 수 없다면, 과연 신약 개발을 어디까지 이끌 수 있을까?
단일 분자 모델에서 생명 세계 모델로
이것이 2026년 AI 생명과학의 핵심 변화를 설명해 준다. 모델링의 스케일이 더 이상 단일 단백질, 분자 또는 세포에 국한되지 않고 위로 확장되기 시작하며 생명 예측 모델을 구축하고 있다. 목표는 더 이상 단백질 구조를 예측하는 것만이 아니라 생명 상태를 묘사하고, 시스템이 개입을 받은 후의 변화를 예측하며, 세포가 교란에 직면했을 때의 반응을 시뮬레이션하는 것, 즉 업계에서 말하는생명 세계 모델。
이다. 대규모 언어 모델은 언어의 법칙을 학습하고, 물리 세계 모델은 물체의 운동과 공간 법칙을 학습하지만, 생명 세계 모델이 직면하는 법칙은 훨씬 복잡하다. 유전자 변이는 단백질 발현을 바꾸고, 단백질은 신호 전달 경로를 조절하며, 신호는 세포 상태를 바꾼다. 세포 간의 상호작용은 조직 미세환경을 형성하고, 층층이 위로 올라가 장기와 인체에 영향을 미친다. 생명 자체가 정적인 것이 아니라 성장하고, 늙고, 대 compensation을 일으키고, 돌연변이가 발생하며, 외부 개입에 지속적으로 피드백한다.
따라서 생명 세계 모델은 정적인 생명 백과사전이 아니다. 그 핵심은 생명이 어떻게 작동하는지 이해하고, 어떤 하나의 변수가 바뀌었을 때 전체 시스템이 이후 어떻게 변화할지 예측하는 것이다.
이 모델이 실현되는 순간, AI의 의약품 연구개발에서의 위치는 완전히 바뀐다. 구모델: 표적이 주어지면 후보 분자를 빠르게 찾는다. 신모델: 하나의 질병이 주어지면 먼저 발병의 근원을 파악한 뒤, 어디를 개입해야 하는지, 어떤 환자가 그로부터 이익을 얻을 수 있는지 판단하고, 개입이 초래할 전신의 연쇄 반응을 예측한다. 똑같이 AI가 신약을 지원하는 것이지만, 두 모델이 해결해야 할 문제는 이미 완전히 다르다.
국내 동시 대응: 계산의학이 국가 계획에 포함되다
이러한 전환은 미국만의 것이 아니며, 중국 내 AI 생명과학 역시 단일 지점 알고리즘에서 시스템적 질병 모델링으로 전환하고 있다.
올해 9월, 공업정보화부, 국가발전개혁위원회 등 10개 부처가 《의약공업 발전 ‘15·5’ 계획》을 발표했으며,계산의학이 처음으로 AI, 양자컴퓨팅, 슈퍼컴퓨팅과 나란히 의약공업의 향후 5년 중점 기술 방향에 포함되었다. AI와 슈퍼컴퓨팅은 강력한 범용 계산 능력을 제공하며, 계산의학이 해결하는 것은 이러한 연산력을 생명 시스템과 연결해 실제 질병 문제를 해결하는 방법이다.
중국의 쎄위안테크놀로지는 바로 이 노선을 걷는 팀이다. 이 팀은 단순히 더 큰 바이오 대형 모델을 훈련하는 대신, 질병 그 자체를 중심으로 게놈, 세포 특징, 질병 기전, 환자 데이터, 약물 개입 정보를 통합해 다층위 계산 모델을 구축하며, 지속적으로 추론·훈련·검증할 수 있는 생명 세계 모델 체계를 구축하려 시도하고 있다.
10월 17일, 쎄위안테크놀로지는 WHIRLPO 계산의학 플랫폼을 발표했다. 그것은 독립된 바이오 대형 모델이 아니라 더 근본적인 엔지니어링 난제를 해결하는 것이다. 만약 생명 세계 모델이 차세대 생명과학의 인프라라면, 우리는 이런 모델의 훈련과 실행을 지탱할 기반 한 세트가 필요하다는 것이다.
생명 세계 모델 구축, 대규모 언어 모델 훈련보다 훨씬 어렵다
생명 세계 모델의 실현 난이도는 쉽게 과소평가된다. 첫째는 데이터 난제이다. 대규모 언어 모델에는 방대한 인터넷 텍스트가 양분이 되지만, 생명 분야에는 통합된 데이터셋이 없다. 게놈, 단일세포, 공간 오믹스, 병리, 영상, 임상 데이터의 출처는 분산되어 있으며, 형식, 품질, 관측 스케일의 차이가 매우 크다. 많은 고가치 데이터는 전문적인 실험을 거쳐야만 생산할 수 있다. Biohub가 투입한 18억 달러 중 상당 부분의 자금이 단순한 모델 훈련이 아니라 생물 데이터를 생산하는 데 쓰인다.
둘째는 다중 스케일 모델링 난제이다. 하나의 통일된 생명 모델은 존재하지 않는다. DNA 돌연변이, 세포 상태, 조직 미세환경, 인체 질병을 연구하려면 서로 다른 모델들의 협력이 필요하다. 미래의 완전한 생명 세계 모델은 아마도 단일 초대형 모델이 아니라 다중 모델, 지식베이스, 도구가 협업하는 복합 시스템일 것이다.
셋째는 이기종 연산력 엔지니어링 도전이다. 모델 사전훈련, 오믹스 분석, 질병 진화 시뮬레이션, 디지털 환자 추론은 계산 방식이 각각 달라 CPU, GPU 등 각종 연산 자원을 유연하게 스케줄링해야 하며, 전통적인 대형 모델이 거의 직면하지 않는 대형 과학 계산 엔지니어링 문제에 부딪히게 된다.
넷째, 생명 모델은 반드시 계산 세계와 실제 실험 세계를 연결해야 한다. 언어 모델은 답이 틀리면 바로 재훈련하면 되지만, 생명 모델이 제시한 표적 가설은 반드시 실험실 검증에 들어가야 하고, 실험 결과가 다시 모델을 수정하며, 최종적으로 임상 검증까지 받아야 한다. 모델의 결론이 컴퓨터 안에서만 자기일치해서는 안 된다.
WHIRLPO 플랫폼은 바로 이 페인 포인트를 겨냥합니다: 이기종 컴퓨팅 파워, 여러 그룹의 생명 데이터, 모델 매트릭스, 과학 도구, 지능형 Agent 및 실험 검증 체계를 통합하여 모델 학습, 과학 컴퓨팅부터 습실험 폐쇄 루프 검증에 이르는 인프라를 구축합니다. 간단히 말해, 哲源(저위안)는 모델만 만드는 것이 아니라 생명 세계 모델을 위한 생산 기반을 구축하는 것입니다.
AI 생명과학, 인프라 경쟁 단계로 진입하다
2026년, 중미 양지에서 업계 공진이 나타났습니다. 미국 측에서는 Biohub가 에너지부, NIH, Meta, DeepMind와 함께 생명 AI에 필요한 데이터, 컴퓨팅 파워, 실험 인프라를 구축하고 있습니다. 중국 국내에서는 컴퓨팅 의학이 15차 5개년 의약 계획에 포함되었고, 현지 팀들이 생명 세계 모델의 엔지니어링 플랫폼 구축을 시작하고 있습니다.
두 가지 사건은 겉보기에 독립적이지만, 본질적으로는 같은 판단을 가리킨다. AI 생명과학은 이미 모델 지표 경쟁에서 인프라 경쟁 시대로 진입했다는 것이다.
과거 업계에서 경쟁했던 것은 누가 단백질 예측이 더 정확한지, 누가 분자 생성 효과가 더 좋은지, 누가 특정 연구개발 단계의 속도를 높일 수 있는지였다. 다음 단계에서 경쟁의 핵심은: 대규모 고품질 생명 데이터를 확보할 수 있는지, 유전자, 세포, 조직, 인체라는 서로 다른 스케일을 아우르는 모델링을 할 수 있는지, 여러 모델을 협력적으로 스케줄링할 수 있는지, 모델이 실제 실험과 지속적으로 순환 검증을 이룰 수 있는지, 그리고 최종적으로 AI가 생명 데이터 처리에서 생명 시스템 이해로 업그레이드될 수 있는지에 있다.
AI 신약개발은 지난 십여 년간 방향이 틀리지 않았다. 우리가 그동안 극복한 것은 생명 문제 중 상대적으로 계산하기 쉬운 부분일 뿐이었다. 분자는 물론 중요하지만, 약물 치료의 대상은 분자가 아니라 사람이다. 후보 분자 하나에서 인체에서 효능을 발휘하기까지, 그 사이에는 완전하고 복잡한 생명 시스템 전체가 놓여 있다.
생명 세계 모델이 언어 모델, 물리 세계 모델에 이어 AI의 다음 핵심 방향이 된다면, 미래의 가장 큰 기회는 모델 지표를 조금씩 갱신하는 팀에 속하지 않을 수도 있다. 진정으로 희소한 자산은 또 하나의 바이오 AI 모델이 아니라, AI가 실제 생명 세계로 들어갈 수 있게 해주는 완전한 인프라 체계이다.
본 글은 절원기술(哲源科技)이 제공했으며, 챈처웨이(量子位)의 전재 허가를 받았고, 견해는 원저자에게 귀속된다.