AI는 이제 실험을 넘어 실험실까지 스스로 만든다 : Self-Building Labs

토론토대 연구진이 공개한 ‘Self-Building Labs’가 보여주는 AI Agent의 다음 단계

AI가 실험을 대신하는 연구실은 이미 존재한다. 이른바 Self-Driving Lab(SDL)이다. AI가 다음 실험을 결정하고, 로봇이 실험을 수행하고, 결과를 분석해 다시 다음 실험으로 이어간다.

그런데 여기에도 한계가 있었다.

AI는 주어진 실험실에서는 똑똑했지만, 실험실 밖으로 나오면 다시 사람이 필요했다.

새로운 실험을 하려면 장비를 배치하고, 로봇을 프로그래밍하고, 장비 사이의 인터페이스와 새로운 Workflow를 만드는 일을 엔지니어가 다시 해야 했다.

2026년 10월, 토론토대학교의 Alán Aspuru-Guzik 교수 연구팀을 중심으로 한 연구진은 이 문제를 한 단계 더 밀어붙인 논문 「Self-Building Labs」를 공개했다. 연구에는 University of Toronto, Vector Institute, Acceleration Consortium, NVIDIA 등의 연구진이 참여했다. self-building-labs.github.io

Self-Building Labs 공식 프로젝트 페이지

논문 원문 — arXiv:2610.23826

Self-Driving에서 Self-Building으로

연구진이 제안한 Self-Building Laboratory(SBL)의 핵심은 의외로 간단하다.

사람이 실험 방법을 일일이 만들어주는 것이 아니라, 과학자가 목표를 제시하면 AI가 그 목표를 실행하기 위해 필요한 실험 역량을 만들어간다.

기존 Self-Driving Lab이 이미 만들어진 장비와 절차를 이용해 실험을 자동화했다면, SBL은 필요한 기능이 없을 경우 Lab Layout, Digital Twin, Robot Skill, Device Interface, Experimental Workflow까지 구축한다. 그리고 성공적으로 만들어진 Skill은 이후 다른 실험에서 다시 사용할 수 있도록 보존한다. self-building-labs.github.io

즉,

Run the Experiment → Build the Capability

로 AI의 역할이 확장된 것이다.

연구진은 실제로 어디까지 구현했을까?

이 연구가 단순한 개념 제안에 머물지 않았다는 점이 흥미롭다.

▲ University of Toronto Acceleration Consortium의 Self-Driving Lab 관련 연구시설. 출처: University of Toronto Acceleration Consortium.

연구진은 하나의 워크스테이션에서 시작해 여러 로봇이 함께 작업하는 실험실 환경까지 SBL을 적용했다.

특히 실제 CdS(황화카드뮴) 양자점 Quantum Dot 합성 실험을 통해 end-to-end로 검증했다. 이 실험에서는 96개의 reaction well, 19개의 robotic stage가 사용됐고, 60℃에서 8시간 동안 진행되는 실험 Workflow가 구현됐다. self-building-labs.github.io

중요한 것은 로봇이 움직였다는 사실 자체가 아니다.

AI가 기존 장비를 파악하고 → 부족한 Capability를 찾고 → Digital Twin과 Robot Skill을 만들고 → 시뮬레이션하고 → 실제 물리적 피드백을 받아 보정한 뒤 → 이를 하나의 실행 가능한 Workflow로 연결했다는 것이다. self-building-labs.github.io

​

​

인간은 무엇을 하게 되는가?

나는 이 논문에서 이 부분이 가장 흥미롭다.

연구진은 인간 연구자의 역할이 장비를 직접 설정하고 자동화 프로그램을 만드는 사람에서 과학적 목표를 정의하는 사람으로 이동한다고 설명한다. 물론 현재의 SBL이 인간 연구자를 완전히 배제한다는 의미는 아니다. 연구자는 목표를 설정하고 계획을 승인하며 불확실성을 판단한다. self-building-labs.github.io

하지만 역할의 중심은 분명 달라진다.

How to do it을 인간이 모두 설계하는 것이 아니라,

인간은 점점 What to achieve를 정의하는 쪽으로 이동한다.

이 변화는 연구실에만 국한된 이야기가 아닐지도 모른다.

그렇다면 기업의 일은?

이 논문을 읽으면서 자연스럽게 기업의 AX를 떠올렸다.

지금 우리가 말하는 AI 업무자동화의 대부분은 여전히 사람이 만들어놓은 업무를 AI가 수행하는 것이다.

하지만 Self-Building Lab의 개념을 기업 업무에 가져오면 질문이 달라진다.

“AI가 일을 하는 것에서 더 나아가, 문제를 해결하기 위해 필요한 일하는 방식 자체를 만들 수 있을까?”

사람이 Business Problem을 정의하면 AI가 필요한 데이터를 찾고, 분석 방법을 선택하고, 필요한 Agent를 만들고, Agent 간 Workflow를 구성하고, 실행 결과를 검증하고, 성공한 방법을 다음 문제해결에 재사용하는 것이다.

나는 이것이 앞으로 AI Powered Problem Solving이 향하게 될 중요한 방향 중 하나라고 생각한다.

AI의 진화는 어쩌면

사람의 일을 대신하는 것에서 끝나지 않을 것이다.

목표를 주면, 그 목표를 달성하기 위한 시스템 자체를 만드는 것.

Self-Building Labs는 그 미래가 생각보다 가까이 와 있다는 것을 보여주는 흥미로운 연구다.