앤트로픽, AI가 실험실 기계를 움직이는 공통 표준 공개…안전은 괜찮을까

앤트로픽이 AI가 현미경, 액체를 옮기는 실험 장비, 로봇팔 같은 실제 기계를 공통 방식으로 제어하도록 만드는 ‘모델 하드웨어 표준(Model Hardware Standard·MHS)’을 공개했다. 2026년 8월 27일 발표된 연구 미리보기로, 우선 과학 연구소와 첨단 제조사 일부에 제공한 뒤 안전 평가와 운영 기준을 보완하고 오픈소스로 공개할 계획이다.

이번 발표가 주목받는 이유는 챗봇이 화면 속 답변을 만드는 단계를 넘어 현실의 장비를 움직이는 문제를 다루기 때문이다. AI가 보고서를 잘못 쓰면 사람이 수정할 수 있지만 로봇팔이 잘못 움직이거나 실험 장비의 온도·압력을 틀리게 설정하면 장비, 시료, 사람에게 피해가 생길 수 있다. 앤트로픽은 서로 다른 회사의 기계를 한 언어로 연결해 설정 시간을 줄이겠다고 주장하면서도, 현재 AI가 거품 같은 물리 현상을 제대로 이해하지 못해 전문가 개입이 필요했던 사례도 함께 공개했다.

MHS는 무엇을 해결하려 하나

연구실이나 공장에는 서로 대화하지 못하는 기계가 많다. 현미경, 센서, 로봇팔, 액체 처리 장비가 각자 다른 프로그램과 데이터 형식을 쓰고, 오래된 장비는 화면 조작만 제공하기도 한다. 여러 기계를 한 실험에 묶으려면 전문가가 장비마다 맞춤 연결 프로그램을 만들어야 한다. 앤트로픽은 이 통합에 수주에서 수개월이 걸릴 수 있다고 설명한다.

MHS는 각 장비 앞에 공통 통역사를 두는 방식이다. 온도를 읽거나 설정하고, 로봇팔 위치를 확인하거나 이동하는 등 기본 동작을 표준 형태로 표현한다. 기계의 무게, 측정할 수 있는 값, 조정 가능한 범위, 넘으면 안 되는 안전 한계도 함께 설명한다. AI는 처음 보는 장비라도 이 설명을 읽고 무엇을 할 수 있는지 파악한다.

일상적인 비유로 보면 여러 가전제품을 하나의 리모컨으로 제어하는 것과 비슷하다. 다만 TV 전원을 켜는 수준이 아니라 현미경의 레이저를 맞추고, 로봇팔이 실험용 판을 옮기며, 다른 장비가 액체를 분주하는 순서를 조정한다. 한 기계의 작업이 끝났다는 신호를 받아 다음 기계를 움직이고, 측정 결과가 예상과 다르면 조건을 바꿔 다시 실험할 수도 있다.

앤트로픽은 MHS가 특정 AI 모델에만 묶이지 않는다고 설명한다. 프로그래밍 가능한 인터페이스가 있는 장비라면 연결할 수 있고 다른 AI도 표준을 사용할 수 있다는 입장이다. 현재는 제한된 파트너를 대상으로 한 연구 미리보기이며, 완성된 산업 표준이나 누구나 내려받아 즉시 쓰는 제품은 아니다.

왜 과학 연구에서 먼저 시험하나

실험실은 자동화의 필요성과 어려움이 동시에 큰 공간이다. 같은 동작을 반복하는 공장 라인은 한 번 연결해 놓으면 오래 쓸 수 있지만 연구실에서는 실험 조건이 자주 바뀐다. 오늘은 단백질 농도를 측정하고 내일은 다른 시료와 다른 온도로 실험할 수 있다. 매번 자동화 전문가가 새 코드를 만드는 비용이 커서 사람이 직접 장비를 옮겨 다니며 확인하는 경우가 많다.

AI가 여러 장비를 유연하게 조정할 수 있다면 과학자는 밤새 화면을 지켜보거나 한 시간마다 시료 판을 갈아 끼우는 일에서 벗어날 수 있다. 측정 결과를 보고 다음 조건을 고르는 반복 작업도 빨라진다. 신약 후보를 설계하는 AI가 발전해도 실제 실험으로 검증하는 속도가 느리면 발견 과정 전체는 빨라지지 않는다. MHS는 계산 단계와 물리 실험 사이의 병목을 줄이려는 시도다.

앤트로픽은 제넨텍, 워싱턴대, 카네기멜런대, HHMI 자넬리아 연구 캠퍼스, 양자컴퓨터 기업 퀘라 등과 진행한 초기 사례를 공개했다. 장비 연결 시간이 줄고, AI가 실험을 감시하거나 오류를 발견해 다시 시도한 결과가 담겼다. 그러나 이 수치들은 앤트로픽과 참여 파트너가 특정 환경에서 수행한 초기 실증 결과다. 독립 기관이 여러 장비와 조건에서 반복 검증한 산업 평균으로 받아들이면 안 된다.

제넨텍 실험이 보여준 가능성과 한계

제넨텍은 단백질 농도를 측정하는 BCA 분석을 자동화하는 개념 검증에 MHS를 사용했다. 이 실험은 액체를 정밀하게 옮기는 장비, 실험용 판을 나르는 로봇팔, 빛 흡수량을 측정하는 판독기를 함께 움직여야 한다. Claude는 세 장비 사이의 중심 조정자 역할을 맡았다.

초기에는 물과 점성이 높은 단백질 용액에 같은 속도를 적용했다. 점성이 높은 액체를 너무 빠르게 다루자 거품이 생겨 정확한 양을 옮기지 못했다. 이후 AI가 여러 유속을 시험하고 측정 결과를 전문가가 만든 기준과 비교해 물과 단백질 용액에 다른 속도를 선택했다. 일부 장비 오류에서는 스스로 복구하기도 했다.

하지만 거품 때문에 오류가 반복됐을 때 AI의 첫 반응은 같은 위치에서 조건만 바꿔 다시 시도하는 것이었다. 이는 액체를 더 흔들어 거품을 늘렸다. 사람 연구자가 오류가 소프트웨어 문제가 아니라 물리적 거품 때문이라고 알려주고, 깨끗한 위치로 옮겨 혼합 횟수를 줄이라고 설명해야 했다. AI는 이 설명을 받은 뒤에는 같은 맥락을 유지했지만 처음부터 현실의 물성을 제대로 이해한 것은 아니었다.

이 사례는 물리 AI의 핵심 한계를 선명하게 보여준다. 언어 모델은 장비 설명과 오류 코드를 읽고 논리적인 절차를 만들 수 있지만, 끈적한 액체가 어떻게 흐르고 거품이 왜 늘어나는지에 대한 몸의 경험이 없다. 화면 속 작업에서는 재시도가 합리적일 수 있어도 현실에서는 재시도가 상황을 악화시킨다. 따라서 “AI가 실험실을 완전히 자율 운영했다”는 제목보다, 표준 연결을 통해 반복 작업을 자동화했지만 물리적 직관은 전문가가 보완했다는 설명이 정확하다.

장비 연결 시간이 줄었다는 사례

카네기멜런대 연구진은 농도에 따른 반응을 알아보기 위한 연속 희석 실험에 MHS를 적용했다. 액체 처리 장비, 판독기, 로봇팔과 카메라가 서로 다른 세 대의 컴퓨터와 호환되지 않는 방식으로 작동했다. 연구진은 MHS를 통해 이를 한 흐름으로 묶고 AI가 실험 결과를 보고 농도 범위를 조정하도록 했다.

앤트로픽 발표에 따르면 연구진은 연결과 첫 결과까지 약 8시간이 걸렸고, 전통적인 공급업체 구축에는 여러 주가 걸릴 수 있다고 비교했다. 첫 실험에서 데이터 곡선의 품질이 기준에 미치지 못하자 시스템은 시료 판을 버리고 농도 범위를 낮춰 다시 실행했고, 두 번째 결과를 받아들였다. 빠른 연결과 자동 재실행이 가능성을 보여준 사례다.

다만 ‘8시간 대 여러 주’는 모든 시설에 적용되는 보장치가 아니다. 연구진의 사전 경험, 사용 장비, 안전 요구, 실험 복잡도에 따라 통합 시간은 크게 달라진다. 규제를 받는 의약품 생산이나 사람 가까이에서 움직이는 산업용 로봇은 개념 검증보다 훨씬 엄격한 검증과 승인 절차가 필요하다.

워싱턴대 연구실에서는 여섯 장비를 일주일 이내에 연결했고, 연구자가 여러 기계의 상태를 노트북이나 휴대전화에서 확인했다. AI는 DNA 증폭 곡선을 감시해 적절한 시점에 멈출지 연구자에게 물었고, 로봇팔과 액체 처리 장비가 충돌하지 않도록 시료 판 전달 순서를 조정했다. 밤중에 90분마다 장비를 확인하던 부담을 줄일 가능성이 드러난다.

양자컴퓨터 사례가 의미하는 것

양자컴퓨터 기업 퀘라는 레이저가 목표 주파수에서 벗어났을 때 다시 맞추는 작업에 MHS를 시험했다. 중성 원자를 사용하는 양자컴퓨터는 레이저 주파수를 매우 정밀하게 유지해야 하며, 온도·진동·압력 변화가 생기면 계산이 실패할 수 있다. 기존 맞춤 스크립트는 약 58%의 복구율을 보였고 한 번에 약 150초가 걸렸다고 회사는 설명했다.

AI는 여러 역할로 나뉘어 가설을 세우고 코드를 바꾸고, 실제 장비에서 시험하고, 결과 기록을 읽는 과정을 밤새 반복했다. 이후 AI가 만든 결정 규칙을 700차례의 별도 시험에 적용했을 때 695번 복구해 99.3% 성공률을 보였다는 것이 발표 내용이다. 단순한 오류는 수초, 어려운 오류도 10~14초 안에 처리했다고 한다.

중요한 점은 최종 운용에서 AI가 매번 즉흥적으로 레이저를 움직인 것이 아니라는 사실이다. AI가 반복 실험으로 규칙을 만든 뒤, 검사 가능한 고정 스크립트가 실제 복구를 담당했다. 위험한 물리 시스템에서는 ‘AI가 실시간으로 자유롭게 판단하게 한다’보다 ‘AI가 후보 절차를 찾고 사람이 검증 가능한 규칙으로 굳힌다’는 방식이 더 현실적일 수 있다.

이 수치 역시 퀘라의 한 레이저 장치와 인위적으로 만든 장애 조건에서 나온 결과다. 다른 레이저, 장기간의 자연 장애, 실제 양자 연산 중에도 같은 성능이 나오는지는 후속 검증이 필요하다. 앤트로픽도 물리 장비 자체의 문제가 생기면 Claude가 해결하지 못했고, 위험하다고 판단한 행동 전에 사람의 승인을 기다려 밤새 실험이 멈추기도 했다고 밝혔다.

일반 사용자에게 왜 중요한가

대부분의 사람은 실험실 로봇을 직접 조작하지 않는다. 그럼에도 이번 변화가 중요한 이유는 AI의 오류가 현실에 미치는 범위가 넓어지기 때문이다. 챗봇은 지금까지 글, 이미지, 일정, 검색처럼 디지털 정보를 주로 다뤘다. 공통 하드웨어 표준이 자리 잡으면 같은 AI가 연구 장비, 제조 설비, 물류 로봇, 카메라와 센서를 연결해 실제 행동을 수행할 수 있다.

첫 번째 영향은 신약과 소재 개발의 속도다. AI가 후보 물질을 제안한 뒤 로봇 장비가 실험하고, 결과를 다시 AI가 읽어 다음 실험을 정하는 순환이 빨라질 수 있다. 사람이 밤새 장비를 지켜보는 시간을 줄이고 더 많은 조건을 시험하면 발견 가능성이 커진다. 다만 더 많은 실험이 자동으로 더 좋은 약을 뜻하지는 않는다. 실험 설계, 결과 해석, 임상 검증과 규제 승인은 여전히 사람과 기관의 책임이다.

두 번째는 전문 인력의 역할 변화다. 자동화가 반복적인 시료 이동과 상태 확인을 맡으면 연구자와 엔지니어는 실험 질문, 안전 기준, 결과 해석에 더 많은 시간을 쓸 수 있다. 반대로 장비를 직접 다루며 쌓던 초보자의 경험이 줄어들 수 있다. AI가 실패했을 때 원인을 알아내려면 물리적 감각과 장비 지식이 필요한데, 자동화가 그 학습 기회를 없애지 않도록 교육 방식을 바꿔야 한다.

세 번째는 중소 연구소와 공장의 접근성이다. 장비 통합에 수개월과 큰 비용이 들던 문제가 줄면 대기업만 가능했던 자동화를 작은 기관도 시도할 수 있다. 하지만 표준을 설치하고 안전을 검증하고 책임 보험을 갖추는 비용까지 낮아지는지는 아직 알 수 없다. 오픈소스 공개만으로 현장의 운영 비용과 규제 부담이 사라지지는 않는다.

네 번째는 책임 소재다. AI가 잘못된 온도를 설정해 시료를 망치거나 로봇팔이 충돌하면 모델 회사, 장비 제조사, 표준 개발자, 운영 기관 중 누가 책임지는지 복잡해진다. 호텔 예약처럼 금전 거래를 잘못하는 것보다 물리 장비의 오류는 피해 규모가 클 수 있다. 로그, 승인 기록, 비상 정지, 보험과 사고 조사 절차가 기술 성능만큼 중요해진다.

안전을 위해 무엇이 확인돼야 하나

가장 먼저 필요한 것은 AI가 넘을 수 없는 장비 수준의 안전 한계다. 레이저 출력, 온도, 압력, 속도, 로봇의 이동 영역처럼 사람과 장비를 보호하는 값은 대화형 모델의 판단에 맡기면 안 된다. MHS는 장비 설명에 안전 한계를 넣는 방식을 제시하지만, 실제로 우회가 불가능한지 독립적으로 시험해야 한다.

둘째, 위험도에 따른 사람 승인 단계가 필요하다. 상태를 읽는 일, 카메라로 확인하는 일, 시료를 옮기는 일, 고출력 레이저를 조절하는 일은 위험이 다르다. 모든 동작을 같은 권한으로 묶지 않고, 되돌리기 어렵거나 사람에게 위험한 행동은 숙련자가 승인해야 한다.

셋째, 실패를 안전하게 멈추는 장치가 있어야 한다. 인터넷 연결이 끊기거나 AI 응답이 늦어지거나 센서 값이 서로 모순될 때 장비가 마지막 명령을 계속 실행해서는 안 된다. 물리적인 비상 정지, 제한 시간, 충돌 감지와 별도 감시 시스템이 필요하다. AI와 같은 데이터를 보는 또 다른 AI만으로 안전을 보장하는 것은 충분하지 않다.

넷째, 실험 결과와 장비 상태의 전체 기록을 남겨야 한다. 누가 어떤 목표를 입력했고, AI가 어떤 명령을 내렸으며, 어느 센서 값을 보고 조건을 바꿨는지 재현할 수 있어야 한다. 과학에서는 결과의 재현성을 위해, 제조에서는 품질과 사고 조사를 위해 필수다.

다섯째, 악용 가능성을 따져야 한다. 실험 장비와 제조 설비를 쉽게 연결하는 표준은 유익한 연구를 빠르게 하지만 위험한 물질이나 장치를 다루는 장벽도 낮출 수 있다. 앤트로픽은 연구 미리보기 동안 추가 안전 평가와 물리 안전 로드맵을 만들겠다고 밝혔다. 실제 오픈소스 공개 범위, 위험 장비에 대한 제한, 사용자 확인 절차가 중요한 후속 정보다.

아직 확인되지 않은 점

MHS는 현재 첫 파트너를 대상으로 한 연구 미리보기다. 범용 표준으로 채택됐다고 말하기 이르다. 장비 제조사와 연구기관이 얼마나 참여할지, 경쟁 AI 회사가 같은 규격을 지원할지, 기존 산업 표준과 충돌하지 않을지가 남아 있다. 앤트로픽은 AWS, 두산로보틱스, 유니버설로봇, 라즈베리파이, 여러 실험 장비 업체가 시험 또는 지원 계획에 참여한다고 밝혔지만 계획과 실제 상용 배치는 구분해야 한다.

공개된 사례는 성공 사례 중심이다. 연결에 실패했거나 안전 문제로 중단된 실험, 사람이 개입한 빈도, 전체 운영 비용, AI 사용료, 장기 장애율을 함께 알아야 효과를 판단할 수 있다. 카네기멜런대의 약 3배 속도 향상이나 퀘라의 99.3% 복구율은 인상적이지만 서로 다른 특정 과제의 결과이며 MHS 전체 성능을 나타내는 하나의 점수는 아니다.

현재 AI의 공간·물리 추론 한계도 분명하다. 제넨텍의 거품 사례처럼 오류 코드만 보고 같은 동작을 반복하면 현실의 문제가 더 커질 수 있다. 카메라가 잘못된 장면을 보여주거나 센서가 고장 났을 때 AI가 무엇을 믿을지도 어려운 문제다. 사람 연구자의 암묵적 지식을 자연어 설명으로 옮긴다고 해도 빠진 내용과 잘못 적힌 한계가 생길 수 있다.

마지막으로 일자리 효과를 단정할 수 없다. 야간 감시와 반복 조작은 줄어들 수 있지만 장비 통합, 안전 검증, 데이터 품질 관리, AI가 만든 절차의 검토 같은 일이 늘어난다. 자동화가 인력을 곧바로 대체한다기보다 업무의 중심을 조작에서 감독과 설계로 옮길 가능성이 크다. 어떤 직무가 줄고 늘어나는지는 실제 배치 규모가 확인된 뒤 판단해야 한다.

앞으로 볼 변화

이번 발표에서 기억할 사실은 AI가 로봇을 움직였다는 장면 자체가 아니다. 서로 다른 제조사의 기계를 공통 방식으로 설명하고, AI가 상태를 읽고 명령을 내리게 하려는 연결 표준이 등장했다는 점이다. 인터넷이 서로 다른 컴퓨터의 통신 규칙을 맞췄듯이, MHS는 실험실과 공장의 장비에 공통 언어를 제공하려 한다.

다음 확인 시점은 앤트로픽이 연구 미리보기 결과와 안전 지침을 공개하고 MHS를 오픈소스로 전환할 때다. 그때 성공 사례뿐 아니라 실패율, 사람 개입 기준, 비상 정지와 악용 방지 방식이 함께 나오는지 봐야 한다. 장비 제조사가 실제 제품에 표준을 넣는지, 경쟁 모델도 사용할 수 있는지, 규제를 받는 연구·제조 현장에서 승인되는지가 이 기술이 데모를 넘어 기반 시설이 될지를 결정한다.

핵심 출처: 앤트로픽 공식 발표와 초기 실증 사례