인공지능 분야의 오랜 목표인 지능형 에이전트 개념은 최근 대규모 언어 모델(LLM)의 발전으로 새로운 전환점을 맞이했습니다. LLM은 추론, 계획, 도구 사용 능력을 갖춘 정교한 에이전트 개발을 가능하게 하며, 자연어를 인지 및 상호작용의 보편적 인터페이스로 활용하여 자율 작업 보조부터 복잡한 사회경제 시스템 시뮬레이션에 이르기까지 다양한 실제 응용 분야로 빠르게 확장되고 있습니다.
본 연구는 LLM 기반 에이전트 분야를 통합적으로 조망하며, 단일 및 다중 에이전트 시스템을 핵심 구성 요소로 체계적으로 분석하는 조직 프레임워크를 제시합니다. 계획 패러다임, 메모리 구조, 성찰 기반 자기 개선 등 에이전트 지능의 근간을 이루는 아키텍처 원리와 핵심 메커니즘을 심층적으로 분석합니다. 또한, 다중 에이전트 시스템의 역학을 탐구하며 조정 전략, 통신 프로토콜, 조직 구조를 상세히 다룹니다.
주요 벤치마크를 통해 성능 평가의 중요성을 강조하고 핵심 과제를 식별합니다. 연구는 LLM의 내재적 한계, 안전 및 정렬 보장의 복잡성 등 현재 당면한 주요 과제를 종합적으로 논의합니다. 이를 바탕으로 지속적 학습 및 향상된 다중 모달 능력 구현을 포함한 미래 연구 방향을 제시합니다.
이 연구는 LLM 기반 지능형 에이전트의 현재와 미래를 이해하는 데 필수적인 통찰을 제공하며, 관련 분야의 연구자와 개발자에게 중요한 지침이 될 것입니다.
과학적 발견은 관찰, 가설 생성, 실험, 데이터 분석의 반복적인 과정으로 이루어집니다. 인공지능이 생물학 분야에 적용되며 발전했지만, 이 모든 단계를 자동화한 시스템은 아직 없었습니다. 본 연구는 가설 생성과 데이터 분석을 완전히 자동화하는 최초의 다중 에이전트 시스템인 Robin을 소개합니다.
Robin은 문헌 검색 에이전트와 데이터 분석 에이전트를 통합하여 가설을 생성하고, 실험을 제안하며, 실험 결과를 해석하고, 업데이트된 가설을 생성함으로써 과학적 발견에 대한 반자율적인 접근 방식을 구현합니다.
이 시스템을 건성 노인성 황반변성(dAMD) 치료제 발굴에 적용한 결과, Robin은 망막 색소 상피세포의 식세포 작용 증진을 치료 전략으로 제안했습니다. 또한 리파수딜(ripasudil)과 KL001의 시험관 내 효능을 확인했습니다. 특히 리파수딜은 dAMD 치료제로 제안된 적 없는 임상용 Rho 키나아제(ROCK) 억제제입니다. Robin은 리파수딜의 작용 기전을 규명하기 위해 후속 RNA-seq 실험을 제안하고 분석하여, 지질 유출 펌프이자 새로운 표적일 수 있는 ABCA1의 상향 조절을 밝혀냈습니다.
본 보고서의 모든 가설, 실험 방향, 데이터 분석 및 데이터 그림은 Robin이 생성했습니다. Robin은 반복적인 랩인루프(lab-in-the-loop) 프레임워크 내에서 새로운 치료 후보 물질을 자율적으로 발견하고 검증한 최초의 AI 시스템으로서, AI 기반 과학적 발견의 새로운 패러다임을 제시합니다.
