AI for Science는 R&D의 속도를 바꾸지만, 성공률을 자동으로 보장하지는 않는다

Summary
AI for Science는 연구개발의 모든 문제를 한 번에 해결하는 마법이 아니다. 그러나 후보 탐색, 문헌·특허 분석, 실험 조건 설계, 배터리 설계, 소재 특성 예측처럼 시간이 많이 걸리는 탐색형 업무의 속도는 크게 바꿀 수 있다. LG에게 중요한 것은 AI가 좋은 답을 한 번 내는 것이 아니라, AI가 제안한 후보가 실제 실험과 검증을 거쳐 다시 데이터로 돌아오는 closed-loop R&D를 만드는 것이다.

1. Key Factors & Questions

Key Factors

LG AI Research는 EXAONE을 언어 모델에서 멀티모달·산업·과학 문제 해결로 확장하고 있다. 공식 EXAONE 페이지는 EXAONE Chemical Agent를 “실험 없이 target-optimized materials를 설계하고 물성 예측을 지원하는 솔루션”으로 소개한다.

2026년 6월 17일에는 D&D Pharmatech과 차세대 oral peptide drug 개발을 위한 master agreement를 체결했다. 발표에 따르면 LG AI Research는 disease-causing substances의 구조를 분석하는 모델을 활용해 peptide drug candidate를 설계하고, D&D Pharmatech은 structural design, synthesis, evaluation, formulation, preclinical·clinical development, regulatory approval 역량을 결합한다.

LG에너지솔루션도 GenAI를 배터리 설계, 지식관리, 특허 검색에 적용하는 사례를 공개했다. Battery Inside에 따르면 RFx 기반 배터리 설계에서 GenAI diffusion model을 적용해 기존 2주 걸리던 simulation process를 24시간 이하로 줄이는 방향을 소개했다.

Questions

이 흐름에서 LG가 던져야 할 질문은 다음이다.

1. AI for Science는 실제 R&D 생산성을 얼마나 바꿀 수 있는가?
2. AI가 후보를 많이 제안하는 것과 성공률이 높아지는 것은 같은 말인가?
3. 실험·검증·규제·상용화까지 이어지는 closed-loop R&D를 만들 수 있는가?
4. EXAONE은 LG의 신약·소재·배터리·화학 R&D에서 어떤 공통 지능 계층이 될 수 있는가?

2. AI가 먼저 바꾸는 것은 “탐색의 속도”다

R&D에서 시간이 많이 걸리는 일은 답을 내는 일만이 아니다. 가능한 후보를 찾고, 문헌을 읽고, 특허를 확인하고, 실험 조건을 설계하고, 반복 실험 결과를 비교하는 과정이 길다.

AI for Science가 먼저 바꾸는 것은 이 탐색의 속도다. 신약 후보, 소재 조합, 배터리 설계 변수, 특허 선행기술처럼 경우의 수가 많은 영역에서 AI는 사람보다 훨씬 넓은 후보 공간을 빠르게 탐색할 수 있다.

하지만 여기서 멈추면 생산성 개선은 제한적이다. AI가 제안한 후보가 실제로 합성 가능한지, 안전한지, 성능이 좋은지, 경제성이 있는지는 실험과 검증을 거쳐야 한다.

3. 신약에서는 AI와 wet-lab의 연결이 핵심이다

LG AI Research와 D&D Pharmatech의 협력은 이 점을 잘 보여준다. LG AI Research는 peptide drug candidate를 설계하고, D&D Pharmatech은 synthesis, evaluation, formulation, preclinical·clinical development와 regulatory approval 역량을 담당한다.

이미지 URL 확보 필요
LG AI Research와 D&D Pharmatech의 차세대 oral peptide drug discovery 협력. 원문 페이지의 직접 이미지 URL은 별도 확보 필요.
원문: PRNewswire / LG AI Research

즉, AI가 단독으로 신약을 만드는 것이 아니다. AI는 후보를 설계하고 좁혀주는 역할을 한다. 이후 wet-lab 검증, formulation, preclinical, clinical, regulatory 과정이 이어져야 한다. AI for Science의 성과는 후보 수가 아니라, 이 루프가 얼마나 빠르고 정확하게 반복되는가로 봐야 한다.

4. 배터리 R&D에서도 AI는 설계 시간을 줄인다

배터리 산업에서도 같은 변화가 일어난다. LG에너지솔루션은 GenAI diffusion model을 RFx 대응 배터리 설계에 적용해, 기존에 약 2주 걸리던 simulation process를 24시간 이하로 단축하는 방향을 설명했다.

또한 B-LEX 기반 battery knowledge AI chatbot, RAG·fine-tuning, patent AI chatbot 사례도 소개했다. 이는 AI가 단순 연구 도구를 넘어 R&D 지식관리와 특허 전략까지 확장될 수 있음을 보여준다.

5. 생산성은 closed-loop에서 나온다

AI for Science가 진짜로 R&D 생산성을 바꾸려면 세 가지가 연결되어야 한다.

1. AI가 후보를 제안한다.
2. 실험과 검증이 결과를 만든다.
3. 그 결과가 다시 데이터로 축적되어 다음 AI 제안을 개선한다.

이 루프가 닫히지 않으면 AI는 좋은 아이디어 생성기에 머문다. 반대로 루프가 닫히면 LG는 신약, 소재, 배터리, 화학, 화장품 원료 등 다양한 R&D 영역에서 반복 가능한 학습 시스템을 만들 수 있다.

6. 한 줄 결론

AI for Science는 R&D 성공을 자동으로 보장하지 않는다.
하지만 후보 탐색, 문서·특허 분석, 실험 설계, 결과 피드백을 연결하면 R&D의 반복 속도와 학습 효율을 바꾸는 생산성 엔진이 될 수 있다.