Unlocking the Potential of AI Researchers in Scientific Discovery: What Is Missing?

Motivation

• Known: AI는 AlphaFold, ESMFold, MolCLR, GPTCelltype, PathCha 등 구조생물학·화학·생의학 분야에서 이미 과학적 발견을 가속하는 혁신적 도구로 널리 인정받아 왔으며, AI4Science 분야의 논문 수가 지속적으로 증가하고 있다는 것은 알려져 있다.
• Gap: 그러나 AI4Science가 고임팩트 저널에서 차지하는 실제 비중과 성장 궤적, 그리고 AI 연구자(AI researcher) 자체가 이러한 과학적 발견에 얼마나 직접 참여하고 있는지에 대한 체계적·정량적 분석은 부재했으며, 대부분의 AI4Science 연구는 AI 연구자가 아닌 실험과학자가 주도하고 있다는 구조적 문제가 규명되지 않았다.
• Why: AI 박사급 인재의 과포화로 초기 경력 AI 연구자들이 취업난과 경쟁 심화를 겪는 상황에서, AI 인재를 과학적 발견 분야로 확장·유입시키는 것은 AI 인재 파이프라인의 지속가능성과 과학 발전 모두에 중요한 함의를 가진다.
• Approach: Diffusion of Innovation 이론에 기반해 AI4Science의 출판 비중 성장을 예측하고, LLM(대형·소형 reasoning model)과 인간 검증을 결합한 하이브리드 분류 workflow를 통해 20,603편의 AI 관련 논문을 저자 소속 기관 유형별로 분류·분석하였다.

Achievement

Fig. 3 Trends in author affiliations of 20,603 AI-related research articles (2015–2024).

1. AI4Science의 성장 및 전망 정량화: 145개 Nature Index 저널에서 AI 관련 논문 수가 2015년 대비 2024년에 15배 증가했으며, Diffusion of Innovation 이론을 적용해 AI4Science 비중이 2024년 2.72%에서 2050년경 약 20%까지 증가할 것으로 전망하였다.
2. 고정확도 자동 분류 workflow 개발: Qwen3-32B, GPT-OSS-20B, DeepSeek R1-32B 등 소형 reasoning model과 GPT-OSS-120B 대형 모델, 그리고 인간 검증을 결합한 투표 기반 workflow를 통해 95% 이상의 분류 정확도를 달성하며 100,000건 이상의 문헌을 효율적으로 분류하였다.
3. AI 연구자 참여 불균형 규명: AI 주도 연구의 약 95%가 실험과학자에 의해 이루어지고 있음을 밝혀, AI 연구자의 직접적 참여가 매우 제한적임을 정량적으로 입증하였다.
4. 전략적 개입 경로 제시: AI 연구자를 과학적 발견의 최전선으로 끌어들이기 위한 세 가지 핵심 경로(접근 가능한 AI 도구 제공, 인지적·방법론적 격차 해소, AI 주도 과학 생태계 조성)를 구조화된 workflow와 함께 제안하였다.

How

Fig. 1 Workflow for classifying research articles in collaboration with reasoning

• Web of Science Core Collection에서 지난 10년간 145개 Nature Index 저널의 AI 관련 논문 20,603편을 수집
• 연구를 Typical AI Research, AI for Science, Science for AI, Not Applicable의 네 범주로 정의
• 2025년 공개된 20B~32B급 소형 reasoning model 3종(Qwen3-32B, GPT-OSS-20B, DeepSeek R1-32B)이 제목·초록 기반으로 1차 분류 수행
• 소형 모델 간 불일치 시 120B급 대형 reasoning model(GPT-OSS-120B)을 활용해 2차 분류
• 대형 모델과도 불일치하는 경우(전체의 3.2%)에 한해 인간 전문가 검증 적용
• 400건 무작위 샘플링을 통한 4회 반복 최적화(검색어, 프롬프트, 모델 사용 방식)로 분류 정확도 95% 이상 확보
• 저자 소속기관 정보를 활용해 AI 연구자와 실험과학자의 연구 주도 비율 분석 및 Diffusion of Innovation 이론 기반 미래 성장 추세 투영

Originality

• 단순 문헌 수 집계를 넘어, 대형·소형 reasoning model과 투표 메커니즘, 인간 검증을 결합한 하이브리드 분류 workflow를 설계해 대규모(10만 건 이상) 문헌을 고정확도로 자동 분류한 방법론적 기여
• Diffusion of Innovation이라는 혁신 확산 이론을 AI4Science 출판 성장 예측에 적용한 새로운 시도
• AI 연구자와 실험과학자의 연구 주도권을 저자 소속 기관 기준으로 구분해 정량화함으로써, 기존에 암묵적으로만 언급되던 'AI 연구자의 과학 발견 참여 부족' 문제를 실증적으로 드러낸 점

Limitation & Further Study

• 저자 소속 기관 정보만으로 'AI 연구자'와 '실험과학자'를 이분법적으로 구분하는 것은 다학제 협업이나 겸직 연구자의 실제 기여도를 정확히 반영하지 못할 가능성이 있음
• LLM 기반 분류가 제목·초록만을 근거로 이루어져, 본문 내용에 따른 세부적 연구 성격 차이를 놓칠 위험이 있으며 여전히 3.2%의 인간 검증이 필요했던 점에서 완전 자동화의 한계가 존재
• Diffusion of Innovation 이론을 적용한 2050년까지의 전망은 장기 예측의 불확실성이 크며, 실제 정책·기술 변화에 따라 크게 달라질 수 있음
• 145개 Nature Index 저널이라는 고임팩트 저널에 한정된 분석이므로, 전체 과학 출판 생태계 전반으로 일반화하기에는 표본 편향 가능성이 있음
• 후속 연구로는 실제 AI 연구자 개인 단위의 경력 이동 추적, 학제간 협업 네트워크 분석, 제안된 개입 전략의 실효성 검증 등이 필요함

Evaluation

총평: AI4Science의 성장과 AI 연구자 참여 부족이라는 중요한 현상을 대규모 데이터와 신뢰할 만한 LLM 기반 분류 workflow로 실증적으로 규명한 시의적절하고 의미 있는 연구이나, 장기 전망의 불확실성과 이분법적 연구자 분류의 한계는 향후 보완이 필요하다.