Agentic AI for Scientific Discovery: A Survey of Progress, Challenges, and Future Directions

Motivation

• Known: Large Language Models의 발전으로 인해 AI 기반 에이전트가 등장했으며, 기존의 자동화 도구들도 존재해왔다. 다만 이들은 도메인 특화성과 규정 준수 측면에서 한계를 보였다.
• Gap: 기존 LLM 기반 연구 자동화 시스템들은 일반적인 연구 워크플로우에서는 성공했지만, 특히 문헌 리뷰 자동화에서 성능 저하를 보인다. 또한 시스템 신뢰성, 재현성, 윤리적 거버넌스에 대한 체계적 검토가 부족했다.
• Why: Agentic AI가 과학 연구의 효율성을 획기적으로 향상시킬 수 있는 잠재력을 가졌기 때문에, 현재 진행 상황, 평가 방법론, 그리고 직면한 도전 과제를 종합적으로 정리할 필요가 있다. 이는 향후 더 신뢰할 수 있고 임팩트 있는 과학적 기여를 도출할 기반을 마련한다.
• Approach: 논문은 Agentic AI 시스템을 자율성 수준과 연구자와의 상호작용 방식에 따라 분류한다. 완전 자율 시스템(CoScientist, ChemCrow, ProtAgents, LLaMP)과 인간-AI 협업 시스템(Virtual Lab, BioPlanner, CALMS, Agent Laboratory)으로 범주화하고, 각각의 구현 프레임워크, 평가 지표, 활용 데이터셋을 체계적으로 정리한다.

Achievement

Figure 2: AI Agents frameworks for scientific dis-

주요 성과는 다음과 같다:

• 분류 체계: Agentic AI를 자율 시스템과 협업 시스템으로 이분화하여 각각의 특성과 적용 사례를 명확히 제시
• 프레임워크 및 도구 소개: 화학, 생물학, 재료과학 분야의 구체적 사례(CoScientist, ChemCrow, ProtAgents, LLaMP 등) 제공
• 평가 메트릭스: 기존 시스템의 성능 평가 기준에 대한 논의
• 과제 분석: 문헌 리뷰 자동화의 어려움, 신뢰성 문제, 윤리적 우려사항 등을 구체적으로 식별
• 향후 방향: 인간-AI 협업 강화 및 시스템 보정 개선 방향 제시

How

Figure 2: AI Agents frameworks for scientific dis-

• LLM 기반 에이전트의 아키텍처와 구성요소(자율성, 학습, 메모리, 인지, 계획, 의사결정, 행동)를 정의
• Single agent 대 multi-agent 시스템의 장단점 비교분석
• 도메인별 사례 연구를 통해 구체적 구현 방식 제시
• 자동화 수준과 인간 개입 정도에 따른 시스템 분류

Originality

• Agentic AI를 과학 발견의 맥락에서 체계적으로 종합한 최초의 대규모 서베이
• 완전 자율 시스템과 협업 시스템의 이분화라는 새로운 분류 관점 제시
• 에이전트의 철학적·기술적 근거(Aristotle부터 현대 embodied intelligence까지)를 연결
• 도메인별 구체적 사례를 통해 Agentic AI의 다양한 응용 패턴 추출

Limitation & Further Study

• 서베이는 주로 기술적 성능과 기능에 초점을 맞추고 있으며, 실제 과학자 사용자의 관점과 수용도에 대한 체계적 평가가 부족함
• 재현성(reproducibility) 문제, 특히 문헌 리뷰 자동화의 구조화된 평가 방법론이 미성숙
• 에이전트 시스템의 에러 분석, 실패 사례, 비용-편익 분석에 대한 상세 논의 부족
• 멀티에이전트 시스템의 에이전트 간 통신과 협력 메커니즘에 대한 심화 검토 필요

후속 연구:

• 다양한 학문 분야에서의 실증적 벤치마킹과 비교 연구
• 에이전트 시스템의 신뢰성과 재현성을 평가하기 위한 표준화된 메트릭 개발
• 인간-AI 협업의 최적 수준 탐색 및 사용자 경험 연구
• 윤리, 데이터 거버넌스, 규제 준수에 대한 깊이 있는 분석

Evaluation

총평: 이 서베이는 Agentic AI가 과학 발견에 미치는 영향을 종합적으로 조망한 시의적절한 작업이다. 다양한 도메인의 구체적 사례, 명확한 분류 체계, 미해결 문제의 체계적 식별을 통해 이 분야의 현황과 방향을 제시하는 가치 있는 기여를 한다. 다만 실증적 평가, 사용자 관점, 규제 측면에서의 심화 분석이 추가된다면 더욱 강화될 것이다.