과학 연구의 병목은 언제나 같은 곳에 있었다 — 가설을 세우는 인간의 속도. 방대한 논문을 읽고 패턴을 추출하고 실험 방향을 잡는 과정은 박사 한 명의 수개월을 집어삼킨다. 그 "과학자의 사고"를 AI 파운데이션 모델로 대체하겠다는 연구소가 등장했고, 거기에 본엔젤스·미래에셋·IMM·한국산업은행을 포함한 10개 기관이 470억원을 쐈다1.
왜 '가설 생성'이었나 — 데이터가 아니라 생각이 병목이었다
지난 10년 AI 가 생명과학에 진입하는 방식은 대체로 같았다. AlphaFold 는 단백질 구조를 예측했고, 이미지 분석 AI 는 병리 슬라이드를 읽었다. 모두 주어진 데이터에서 패턴을 찾는 작업이다. 그런데 과학자가 가장 오래 붙잡히는 단계는 실험 이전이다 — 무엇을 실험해야 하는가를 결정하는 순간. 이 단계에서 AI 는 오랫동안 조력자 수준에 머물렀다. 검색 도구, 문헌 요약기, 혹은 단순 추천 엔진.
아스테로모프의 접근은 다르다. 핵심 제품 스페이서(Spacer)는 생물학·화학 문헌을 학습해 연구 가설을 스스로 도출하는 AI 파운데이션 모델이다3. 단순히 기존 논문을 요약하는 것이 아니라, 데이터 공백(gap)을 인식하고 새로운 실험 방향을 제안하는 것이 핵심이다. 회사가 "과학 초지능(Scientific ASI)" 을 공개적으로 목표로 삼는 이유도 여기에 있다1.
이 방향성은 창업자의 이력에서 읽힌다. 대표 이민형은 16세에 서울대 의과대학 연구원으로 합류했고, 이후 서울대 약학대학 석·박사 과정 재학 중 회사를 설립했다1. 연구 현장에서 가설의 속도가 얼마나 결정적인가를 직접 경험한 창업자가 세운 회사다. 투자자들이 시드 단계에서 470억이라는 이례적 금액을 집행한 배경엔, 기술 가능성과 함께 창업자 트랙이 동시에 작용했다고 봐야 한다.
국내 맥락도 중요하다. 정부 주도의 'K-문샷' 프로젝트는 2035년까지 12개 국가 미션을 해결하겠다는 목표를 내걸고 민관 협력체를 공식 출범시켰다2. 과학 자동화 인프라에 대한 민관 수요가 동시에 열리는 시점에, 아스테로모프는 핵심 인프라 제공자로 포지셔닝했다. 한국산업은행과 KDB캐피탈이 이번 시드 라운드에 공동 참여한 것은 그 신호다1.
| 연구 단계 | 전통 생명과학 연구 | 아스테로모프 방식 |
|---|---|---|
| 문헌 탐색 | 연구자가 수백 편 수동 검토 · 수주~수개월 소요 | 스페이서가 자동 분석 · 데이터 공백 식별 |
| 가설 도출 | 경험과 직관에 의존 · 숙련 박사 필요 | AI 파운데이션 모델이 자율 가설 생성3 |
| 실험 설계 | 전문가 협업 · 반복 피드백 루프 | 자율 과학 시스템이 설계 자동화 |
| 데이터 축적 | 개별 실험실 단위 · 재현 어려움 | 라이브러리 프로젝트 · 생명 메커니즘 DB 구축1 |
| 확장성 | 인력 선형 증가 · 속도 한계 명확 | 대규모 자율 운영으로 속도 지수적 확장 목표 |
스페이서가 움직이는 방식 — 세 단계로 보면 이렇다
- 문헌 이해와 공백 탐지 스페이서는 생물학·화학 분야 논문과 데이터를 학습한 파운데이션 모델이다3. 기존 지식의 경계를 파악하고, 아직 실험되지 않은 연구 공백을 자동으로 식별한다. 인간 연구자가 문헌 검토에 쏟는 시간을 구조적으로 압축하는 것이 첫 번째 역할이다.
- 자율 가설 생성 단순 요약이나 검색 보조가 아니다. 스페이서는 공백을 인식한 뒤 실험 가능한 가설을 스스로 도출한다. 이 과정에서 인간 연구자는 가설 승인자로 역할이 이동한다. 연구 속도의 핵심 병목을 AI 가 맡는 구조다1.
- 라이브러리 프로젝트로 규모화 자율 과학 시스템을 대규모로 운영해 생명 메커니즘 데이터베이스를 구축하는 것이 '라이브러리 프로젝트'다1. 모델이 만든 가설이 실험으로 이어지고, 그 결과가 다시 모델을 개선하는 선순환이 목표다. 데이터 자체가 해자(moat)가 되는 구조다.
투자자들이 시드에 470억을 집행한 핵심 베팅은 하나다 — 가설 생성이 AI 가 해결할 수 있는 문제라면, 이를 먼저 파운데이션 모델 수준으로 구축한 플레이어가 생명과학 연구 인프라의 핵심이 된다. 라이브러리 프로젝트가 축적하는 생명 메커니즘 데이터베이스는 어떤 후발 주자도 단기에 복제할 수 없는 자산이다1. 시드에서 10개 기관이 동시 참여한 것은, 이 선점 구조에 대한 시장의 합의다. 반대로, 스페이서가 실험실 수준을 넘어 실제 연구 성과로 이어지지 못하면 데이터베이스 프로젝트 전체가 정당성을 잃는다. 베팅의 핵심 리스크도 같은 곳에 있다.
다음 12개월에 지켜볼 지표 3개
- 스페이서 첫 외부 검증 — 논문 또는 파트너십 공개 AI 가 도출한 가설이 실제 실험으로 연결되어 논문화되거나, 제약·바이오 기업과의 공식 파트너십이 발표되면 모델 실력에 대한 첫 외부 신호가 된다. 이 시점 이전의 모든 주장은 내부 확신에 가깝다.
- 라이브러리 프로젝트 데이터 규모 공개 생명 메커니즘 데이터베이스가 어느 수준의 규모와 커버리지를 갖추는지가 경쟁 해자 형성 여부를 판가름한다. 공개 벤치마크 발표 또는 파트너 대상 데이터 접근 제공 계획이 나오는 시점이 중요하다.
- 시리즈 A 타이밍과 해외 투자사 진입 여부 시드 470억은 국내 기준 이례적이다. 이 자본으로 얼마나 긴 런웨이를 운영하는지, 어떤 마일스톤에서 다음 라운드를 여는지가 회사의 내부 확신 수준을 드러낸다. 해외 VC 진입 여부는 글로벌 AI 연구 시장에서 아스테로모프가 얼마나 인식되는지의 척도가 된다.
스페이서가 그 약속을 실험실 밖에서 증명하는 순간이, 이 회사의 진짜 시작이다.
