Articles
AI가 바꾸는 연구의 방향: AI 시대의 연구 대상·주체·제도·사회적 의의
Product
Career
일본어 원문으로부터의 자동 번역입니다
1. 서론
수년 전까지 저는 연구자였지만, ChatGPT나 Claude 같은 범용 고성능 AI의 등장으로 당시의 연구 방식이 크게 변했다고 느끼고 있습니다.
ChatGPT 같은 범용 AI 등장 이후 연구 업계는 큰 영향을 받고 있으며, 예를 들어 머신러닝 분야의 최고 권위 학회인 NeurIPS 투고는 2020년 9,467건에서 2025년 21,575건으로 5년 사이 2배 이상 증가했고 (NeurIPS, 2025), 경영학의 유력 학술지 Organization Science에서는 ChatGPT 공개 후 투고가 전년 대비 42% 증가했다고 보고했습니다 (Organization Science 편집부, 2026).
여기서는 연구 자체에 관한 포괄적인 정리(대상, 주체, 제도, 사회적 의의)를 통해 연구를 다시 한번 살펴보고, AI 시대에 어떤 변혁이 필요한지 논하겠습니다.
2. 연구의 대상
2.1 연구의 정의
연구개발통계의 국제 표준인 OECD의 프라스카티 매뉴얼은 연구를 "지식 축적을 증대시키고, 그 지식을 새로운 응용에 활용하기 위해 수행되는 창의적이고 체계적인 작업"으로 정의하고 있습니다 (OECD, 2015). 동 매뉴얼은 특정 활동이 연구에 해당하는지를 판정하는 5가지 기준을 정하고 있으며, 이는 분야와 무관하게 사용할 수 있는 구분의 도구가 됩니다.
신규성(novel)：아직 알려지지 않은 지식의 획득을 목표로 하고 있음
창의성(creative)：자명하지 않은, 독자적인 개념이나 가설에 기초하고 있음
불확실성(uncertain)：결과(성과 도출 여부, 비용 및 기간)가 사전에 확정되지 않음
체계성(systematic)：계획되고, 예산화되고, 기록이 남는 형태로 수행됨
이전가능성·재현가능성(transferable / reproducible)：성과를 타인에게 전달할 수 있고 재현할 수 있는 형태로 만드는 것을 목표로 함
이 5가지 기준의 함의로서, 연구처럼 보이지만 연구가 아닌 활동도 명확해집니다.
이미 답이 존재하는 것을 조사하는 정보수집(이는 학습·조사일 뿐이며, 본인에게는 새로워도 세계의 지식은 증가하지 않음)
루틴 데이터 수집·품질 관리·시장 조사(체계적이어도 신규성과 창의성이 결여됨)
기존 제품의 정형적 개선(불확실성이 작으며 개발으로 분류됨)
즉, 연구의 정의란 "세계에 대해 새로운 지식이 검증 가능한 형태로 더해지는 것"입니다.
2.2 연구를 구성하는 4가지 행위
이 정의를 행동으로 분해하면, 모든 분야에서 연구는 다음 4가지 행위의 조합이 됩니다.
① 질문을 제기하다
아직 답이 없고, 답할 가치가 있는 질문(미해결이고, 원리적으로 답할 수 있으며, 답이 나오면 무언가가 변함)을 파악하다
예："단백질의 입체 구조를 아미노산 배열에서 계산만으로 예측할 수 있는가"라는 50년간 미해결이었던 이 질문이 AlphaFold (Jumper et al., 2021)의 출발점이 되었습니다
② 답의 후보를 만들다
가설·이론·모델·인공물(알고리즘이나 장치)을 구축하다
예: Watson과 Crick에 의한 DNA 이중나선 철선 모형 (Watson & Crick, 1953)은 답의 후보를 물리적으로 구축한 것이었습니다
③ 검증하다
증거·논증·실험으로 답의 신뢰성을 확인하다
반증 가능성 (Popper, 1959): "어떤 관찰이 얻어지면 이 답은 부정될 것인가"를 말할 수 있는 것이 검증 가능한 주장의 조건
예: 일반상대성이론은 "일식 때 별의 겉보기 위치가 어긋날 것"이라는 반증 가능한 예언을 하고, 관측 (Dyson, Eddington & Davidson, 1920)에서 살아남았습니다
④ 공유하고 검증 가능하게 하다
타인이 재시험·비판·재활용할 수 있는 형태로 성과를 공개하다
범위: 논문 출판뿐만 아니라 데이터·코드·실험 절차 공개까지 포함됨
이 4가지 행위는 직선이 아니라 루프이며, 검증의 실패가 새로운 질문을 낳고, 공유된 성과에 대한 비판이 다음 가설을 낳습니다.
2.3 연구 접근법의 3분류: 연구 목적에 따른 분류
여기서는 역할이 다른 2가지 분류를 기재합니다.
고전적인 3분류는 각국의 연구통계·정부 예산·기업의 연구개발비 회계에서 사용되며, 모두 이 분류로 기록됩니다. 한편 이 분류는 "기초→응용→개발"이라는 1차원의 직선을 암묵적으로 가정하고 있으며, 이해와 실용을 동시에 추구하는 연구의 자리가 없습니다.
Pasteur의 상한면은 이 직선을 2축으로 분해하여 연구를 더욱 정확하게 파악하기 위해 사용됩니다.
고전적인 3분류 (OECD, 2015)
기초연구: 응용을 직접 목적으로 하지 않는 지식의 탐구. 예: DNA의 이중나선 구조 규명, 중력파 관측(발견 시점에서 용도를 문제 삼지 않는 지식의 획득)
응용연구: 특정 실용 목표를 향한 지식의 탐구. 예: mRNA 기술을 백신으로 기능하게 하기 위한 연구, 특정 암을 표적으로 하는 신약 개발 연구
개발: 지식을 제품·프로세스에 구체화하는 활동. 예: mRNA 백신의 대량생산 프로세스 확립, 신형 스마트폰의 설계·시작품 제작
Pasteur의 상한면 (Stokes, 1997): "근본 원리의 이해를 목표로 하는가" × "실용을 의식하는가"의 2축으로 4상한면에 분류
Bohr형: 순수한 이해의 탐구. 원리의 이해를 목표로 하지만 실용을 의식하지 않음. 예: Bohr의 원자 모델로 대표되는 양자역학의 건설, 우주의 기원을 탐구하는 우주론, 힉스 입자의 탐색——용도를 문제 삼지 않고 "세계는 어떻게 되어 있는가"만 추구
Pasteur형: 이해와 실용을 동시에 추구. 원리의 이해를 목표로 하고 실용을 의식함. 예: Pasteur는 발효와 부패가 "왜 일어나는가"를 규명하여 미생물학이라는 기초 분야를 건설하면서 동시에 백신과 저온살균법이라는 실용을 낳았음. Bell 연구소의 고체 물리 연구(반도체의 원리 규명이 그대로 트랜지스터 발명으로 이어짐)도 동형. 오늘날의 AI 연구는 지능의 원리를 이해하려고 하면서 거대한 산업 응용을 낳고 있으며, 이 상한면의 전형
Edison형: 순수한 실용의 탐구. 원리의 이해를 목표로 하지 않고 실용을 의식함. 예: Edison은 전구의 필라멘트 소재를 수천 가지 시험했지만 백열의 물리 원리 규명에는 관심을 기울이지 않았음. 기존 원리의 범위 내에서 성능을 추구하는 제품 개선 연구의 대부분이 여기에 해당
제4상한면: 특정 현상의 체계적 관찰·기록. 원리의 이해를 목표로 하지 않고 실용을 의식하지 않음. 예: Stokes 자신이 제시한 것은 Peterson의 조류 도감으로 대표되는 박물학적 관찰·분류. 이론의 구축도 실용도 직접 목표로 하지 않지만, 후의 연구의 토대가 되는 데이터를 축적
2.4 연구 접근법의 3분류: 연구 방법에 따른 분류
모든 연구는 3가지 추론 양식(연역·귀납·납추)으로 수행됩니다. 추론은 다음 3가지 요소의 조합으로 쓸 수 있습니다 (Peirce, 1878).
Rule: "A이면 B가 된다"는 일반적 연결고리. 콩의 예: "이 봉지에서 꺼낸 콩이면 흰색"
Case: 개별 대상이 그 법칙의 입구 쪽(A)에 있다는 사실. 콩의 예: "이 콩은 이 봉지에서 꺼내졌다". 즉, 흰색인 이유·유래
Result: 개별 대상의 출구 쪽(B)에 실제로 나타나는 것. 콩의 예: "이 콩은 흰색이다". 즉, 눈에 보이는 사실
3가지 추론 양식의 차이는 이 3요소 중 어느 2개를 재료로 하여 남은 것 중 무엇을 유도하는가입니다.
연역: Rule＋Case에서 「Result」를 유도
콩 봉지의 예: 이 봉지의 콩은 모두 흰색이다(Rule) ＋ 이 콩은 이 봉지에서 꺼냈다(Case) → 이 콩은 흰색이다(Result)
예: 일반상대성이론(Rule)에서 「수성의 근일점 이동」의 관측값(Result)을 수학적으로 유도함. 유클리드 기하학의 공리(Rule)에서 정리를 증명함
귀납: Case＋Result에서 「Rule」을 유도
콩 봉지의 예: 이 봉지에서 꺼낸 콩(Case)이 모두 흰색이다(Result) → 이 봉지의 콩은 모두 흰색일 것이다(Rule)
예: Tycho Brahe의 방대한 천체 관측(Case와 Result의 축적)에서 Kepler가 행성 운동의 3법칙(Rule)을 유도함. 기계학습에 의한 패턴 발견은 이 현대판
납추: Rule＋Result에서 「Case」를 유도
콩 봉지의 예: 이 봉지의 콩은 모두 흰색이다(Rule) ＋ 책상 위에 흰 콩이 있다(Result) → 이 콩은 저 봉지에서 꺼내진 것이 아닐까(Case의 가설)
예: 천왕성의 궤도가 계산과 어긋난다(Result)는 것을 만유인력 법칙(Rule)과 대조시켜 「알려지지 않은 행성이 인력을 미치고 있다」는 Case의 가설을 세워 해왕성 발견으로 이르렀음. 페니실린의 발견도 「곰팡이 주위에서만 세균이 죽어 있다(Result)」를 설명하는 Case의 가설에서 시작됨
연구에서는 3가지 추론이 분업하면서 활용됩니다. 납추로 Case의 가설을 발명하고, 연역으로 그 가설에서 검증 가능한 Result(예언)를 유도하며, 귀납으로 관찰을 쌓아 Rule로 확립합니다. 연구는 이 순환으로 진행됩니다.
지금까지 과학은 5가지 패러다임 (Gray, 2009)을 거쳐왔는데, 그것은 3가지 추론을 순차적으로 도구로 변환(기계화)해온 역사입니다.
제1패러다임(실험·관찰 과학): 자연을 관찰·실험하여 경험에서 법칙을 찾아냄(수천 년의 역사)
3가지 추론 모두를 인간이 수작업으로 수행함(축발은 귀납)
납추(수작업): Darwin의 진화 가설에서는, 생물은 환경에 적응한 형질을 가지고 있다(Rule) ＋ 섬마다 핀치의 부리 모양이 다르다(Result) → 각 섬의 환경에 따라 종이 분화해온 것이 아닐까(Case)를 유도함.
연역(수작업): Mendel의 실험 설계에서는, 유전은 입자적으로 전달되며 우성·열성이 있다(Rule) ＋ 이 교배는 순계 동사의 교배 제2세대이다(Case) → 형질은 3:1로 분리할 것이다(Result)를 유도함.
귀납(수작업): Galileo의 낙체 법칙에서는, 다양한 무게의 공을 떨어뜨리는 각 시행(Case) ＋ 어느 시행에서도 낙하 방식은 무게와 무관했다(Result) → 낙체의 운동은 무게와 무관하다(Rule)를 유도함.
제2패러다임(이론 과학): 수리 모델과 연역으로 현상을 설명·예측함(17세기~)
연역이 주역이 됨.
납추(수작업): Newton의 만유인력에서는, 물체는 력을 받으면 운동 방향을 바꾼다(Rule) ＋ 사과는 떨어지고 달은 지구를 계속 돈다(Result) → 달도 사과도 지구로부터의 같은 인력을 받는 것이 아닐까(Case)를 유도함.
연역(수작업): Einstein의 예언에서는, 일반상대성이론 「질량은 시공을 굽힌다」(Rule) ＋ 일식 때 별의 빛이 대질량의 태양 바로 곁을 통과한다(Case) → 별의 겉보기 위치가 1.75초각 어긋날 것이다(Result)를 유도함.
귀납(수작업): 각지의 일식 관측과 수성 궤도 측정이라는 각 검증 기회(Case) ＋ 모두 예언과 일치했다(Result) → 일반상대성이론을 확립된 법칙으로 받아들인다(Rule)를 유도함.
제3패러다임(계산 과학): 해석적으로 풀 수 없는 복잡계를 시뮬레이션으로 다룸(20세기 후반~)
연역의 기계화. 해석적으로 풀 수 없는 규모의 연역을 컴퓨터가 대행함.
Rule(방정식) ＋ Case(초기 조건) → Result(수치해)라는 연역의 실행을 해석적으로 풀 수 없는 규모에서 컴퓨터가 대행함
연역（자동화）：기후 모델에서는 대기·해양의 물리 법칙 방정식（Rule）＋현재의 대기 상태라는 초기 조건（Case）→100년 후의 기온 분포 수치해（Result）를 도출했다.
유추（수작업）：기후 모델의 개량에서는 알려진 물리 법칙을 포함한 모델（Rule）＋계산한 기온이 관측과 어긋남（Result）→에어로졸의 냉각 효과가 모델에 빠져 있는 것 아닐까（Case）라는 것을 도출했다.
귀납（수작업）：과거의 초기 조건으로부터의 계산（Case）＋관측된 과거 기후 기록（Result）→관측에 가장 맞는 매개변수 값으로의 모델 정밀화（Rule）를 도출했다.
제4 패러다임（데이터 기반형 과학）：대규모 데이터로부터 통계적·기계학습적으로 패턴을 발견하다（2000년대~）
귀납의 자동화. 대량의 Case와 Result 조합으로부터 Rule（패턴）를 추출하는 귀납을 통계와 기계학습이 대행한다.
귀납（자동화）：GWAS에서는 수십만 명 각각의 게놈（Case）＋각 사람의 질환의 유무（Result）→특정 유전자 변이와 질환의 연관이라는 패턴（Rule）을 도출했다.
연역（자동화）：학습된 모델에 의한 예측에서는 학습으로 얻은 패턴（Rule）＋새로운 환자의 게놈（Case）→그 환자의 발병 위험 예측（Result）을 도출했다.
유추（수작업）：기구의 해명에서는 변이와 질환의 상관（Rule）＋환자 조직에서의 유전자 발현 관찰（Result）→이 변이가 이 메커니즘으로 질환을 일으키는 것 아닐까（Case）라는 것을 도출했다.
「기계적인 귀납으로 데이터（Case와 Result）로부터 상관（Rule）은 대량으로 나오지만, 설명（Case와 Result의 과정）이 따라가지 못한다」는 것이 제4 패러다임의 과제가 되었다.
예를 들어, 2007년, 수십만 명의 게놈（Case）과 각 사람이 비만인지 여부（Result）라는 데이터로부터, 「FTO 영역에 변이가 있는 사람은 비만이 되기 쉽다」는 상관（Rule）이 얻어졌다. 그러나 이 상관과 눈앞의 비만으로부터, 「변이가 어떤 메커니즘으로 비만을 일으키는가」라는 보이지 않는 원인을 도출하는 부분이 8년간 채워지지 않았다（유추는 수작업이었다）. 2015년에 FTO 영역의 변이는 IRX3/IRX5의 발현을 바꿔서 지방세포의 열 생산을 떨어뜨리고 있다는 것이 알려졌다.
Case와 Result는 연쇄하고 있으며（예: Case 1→Result1=Case2→Result2=Case3→Result3···）, 그 연쇄를 밝히는 것이 Rule의 설명이 된다. 예를 들어, FTO에서의 연쇄는, Case1=FTO 영역의 변이 → Result1=IRX3/IRX5의 발현 상승（=Case2）→ Result2=지방 전구세포가 열산생형이 아닌 축적형으로 분화（=Case3）→ Result3=에너지 소비의 저하（=Case4）→ Result4=지방의 축적（=Case5）→ Result5=비만, 이 됩니다. GWAS가 찾은 것은 양쪽 끝（Case1과 Result5）을 직결하는 거친 Rule일 뿐이고, 「설명한다」는 것은 이 중간의 Case/Result의 연쇄를 채우고, 각 링크를 알려진 Rule（인핸서는 유전자 발현을 바꾼다, 발현의 변화는 세포 분화를 바꾼다, 등등）에 접지시키는 것입니다. 중간의 Case/Result（발현량이나 세포 상태 등）이 데이터에 관측되지 않으며, 새로운 실험을 하지 않으면 보이지 않기 때문에, 바깥쪽의 상관 발견 속도에 중간의 해명 속도가 수작업이므로 따라가지 못한다는 것이 과제였습니다.
제5 패러다임（AI 기반형 과학）：가설 생성부터 실험 설계·실행·해석까지의 연구 루프 자체를 AI가 돌린다 (Microsoft Research, 2022; Leng et al., 2023)
유추를 포함한 3가지 추론 모두의 자동화.
유추（자동화）：AI에 의한 가설 생성에서는 문헌에 있는 알려진 법칙군（Rule）＋미설명의 실험 데이터（Result）→새로운 기구 가설（Case）을 AI가 제안한다. 예: Google의 AI co-scientist（2025년）는 박테리아의 유전자 전달에 관한 미해결 문제에 대해, 실험 결과와 일치하는 기구 가설을 스스로 제안하고 있다 (Gottweis et al., 2025).
연역（자동화）：AlphaFold의 구조 예측에서는 학습한 「배열→구조」의 대응 법칙（Rule）＋어떤 단백질의 아미노산 배열（Case）→그 단백질의 입체 구조 예측（Result）을 도출했다.
귀납（자동화）：AlphaFold의 학습에서는 수십만 건의 아미노산 배열（Case）＋실험으로 결정된 입체 구조（Result）→배열과 구조의 대응 법칙（Rule）을 도출했다.
2.5 연구 접근의 3가지 분류：연구 성과에 의한 분류
연구 성과의 유형（어떤 지식을 더하는가）에 따라 분류할 수 있습니다.
새로운 이론：현상의 새로운 설명 틀
예: 특수 상대성 이론 (Einstein, 1905), DNA 이중 나선 모델 (Watson & Crick, 1953), 정보의 비대칭성에 의한 시장의 실패를 보인 「레몬 시장」(Akerlof, 1970)
새로운 방법：측정·분석·구축의 새로운 수단
예: DNA 단편을 증폭하는 PCR 방법 (Mullis & Faloona, 1987), 게놈 편집의 CRISPR-Cas9 (Jinek et al., 2012), 생성 AI의 기반이 된 Transformer (Vaswani et al., 2017)
새로운 증거：기존 이론을 지지하거나 반박하는 실증
예: 일반 상대성 이론을 일식 관측으로 검증한 연구 (Dyson, Eddington & Davidson, 1920), 흡연과 폐암의 관련을 보인 역학 연구 (Doll & Hill, 1950), 중력파의 첫 직접 관측 (Abbott et al., 2016)
새로운 인공물：시스템, 데이터세트, 벤치마크
예: 딥러닝 붐의 토대가 된 이미지 데이터세트 ImageNet (Deng et al., 2009), 2억 개를 넘는 단백질 입체 구조를 공개한 AlphaFold Protein Structure Database (Jumper et al., 2021)
통합：서베이, 메타 분석, 체계적 리뷰
예: 「메타 분석」이라는 수법 자체를 확립한 심리 치료의 효과 통합 연구 (Smith & Glass, 1977), 각국의 기후 연구를 통합해 정책의 공통 토대를 만드는 IPCC 평가 보고서
재현·추시：기존의 발견이 독립적으로 재현되는가의 검증
예: 심리학의 저명 연구 100편을 조직적으로 추시해 유의미한 재현은 약 36%에 그쳤음을 보인 대규모 프로젝트 (Open Science Collaboration, 2015), Nature·Science 게재의 사회과학 연구 21편의 추시 (Camerer et al., 2018)
3. 연구의 주체
3.1 연구의 주체의 변천
시대와 함께 연구 활동의 중심적인 주체도 변화해왔습니다.
19세기까지：개인과 후원자 귀족의 취미나 왕후·교회의 보호 아래에서의 연구가 중심
예（연구자）：갈릴레오는 메디치 가문의 보호를 받아 발견한 목성의 위성을 「메디치별」이라고 명명해 보답했다. 캐번디시는 귀족의 사재로 수소의 발견이나 지구의 밀도 측정을 하고, 다윈도 사재로 연구한 「신사 과학자」였다
예（후원자）：티코 브라헤는 덴마크 왕으로부터 섬과 자금을 받아 당시 세계 최고의 천문대를 건설했다
19세기~：대학 훔볼트형 대학이 연구를 직업화하고, 대학이 지식 생산의 중심으로
예（연구 기관）：리비히의 기센 대학 연구실은 학생을 실험에 참여시키는 근대적인 연구실 교육을 발명해 화학자를 대량 양산했다. 케임브리지 대학 캐번디시 연구소（1874년 설립）는 초대 소장 맥스웰 이후, J.J. 톰슨（전자의 발견）, 러더퍼드（원자핵의 발견）를 배출했다
예（연구자）：파스퇴르, 코흐 등이 대학·연구소에 적을 두는 「직업으로서의 연구자」가 이 시대에 표준이 되었다
20세기 전반~중반：기업 중앙 연구소와 정부
예（기업）：벨 연구소（쇼클리 등의 트랜지스터, 섀넌의 정보 이론——여러 노벨상을 배출）, Xerox PARC（GUI와 이더넷의 발명）, 듀폰（카로더스의 나일론）, GE 연구소
예（정부）：맨해튼 프로젝트（오펜하이머 주도의 로스 알라모스 국립 연구소）, NASA의 아폴로 계획, CERN의 설립（1954년）——정부 주도의 빅 사이언스가 확대했다
20세기 말：기업 중앙 연구소의 축소와 분업화 단기 수익 압력으로 기초 연구에서의 철수가 진행되고, 「대학이 기초를 담당하고, 벤처가 사업화한다」는 분업으로（미국에서는 대학의 특허 취득을 인정한 바이돌 법（1980년）이 이를 밀어붙였다）
예（축소의 상징）：AT&T 분할 후 벨 연구소의 쇠퇴. Xerox PARC의 발명이 자사가 아닌 Apple 등에서 상업화된 「놓침」은 중앙 연구소 모델의 한계의 상징으로 여겨진다
예（대학발 벤처）：UCSF의 보이어 등이 설립한 Genentech（1976년）가 바이오벤처의 원형이 되고, 스탠포드 대학의 학생이었던 페이지와 브린이 Google（1998년）을 창업했다
현재：스타트업·신흥 연구 조직의 대두 신흥 연구 조직이란, 대학도 정부 기관도 종래형 기업도 아닌 새로운 형태의 연구 조직의 총칭
예（연구 특화형 스타트업）：OpenAI·Anthropic（AI）, SpaceX（우주）, Moderna·BioNTech（mRNA）. 특히 AI에서는 창업한 지 얼마 되지 않은 조직이 최첨단 연구 자체를 이끌고 있다
예（새로운 형태의 비영리）：특정의 과학적 병목만을 풀고 해산하는 시한 조직 FRO, 연구자에 대한 장기 무조건 자금으로 그랜트 신청을 불필요하게 하는 Arc Institute
근년에는 스타트업·신흥 연구 조직이 대두함으로써 다음과 같은 경향이 진행되고 있습니다.
기업·스타트업이 연구를 이끈다
AI 분야에서는 주목할 만한 AI 모델의 약 9할이 산업계에서 나오고 있습니다 (Stanford HAI, 2025). 프론티어 연구의 주도권은 대학에서 OpenAI, Anthropic, Google DeepMind 같은 조직으로 옮겨졌습니다.
SpaceX는 재사용 가능한 로켓의 실현으로 국가 우주 기관이 반세기 동안 담당해온 발사 영역의 비용 구조를 자릿수로 바꿔놨습니다.
Moderna와 BioNTech는 mRNA라는 오랫동안 미확립이었던 기술에 집중 투자해 COVID-19 백신을 사상 최고 속도로 실현했습니다
계산 자원·데이터·자본의 필요 규모가 대학의 조달 능력을 초과했습니다. 기반 모델의 훈련에는 수백억 엔 규모의 투자가 필요하며, 이는 종래의 정부 그랜트 세계와는 자릿수가 다릅니다
주요국에서는 연구개발비의 약 7할을 기업 부문이 부담하고 있으며, 거대 테크 기업 1사의 R&D 예산이 많은 국의 정부 연구 예산을 상회합니다
FRO（Focused Research Organization）나 비영리 연구소（예: Arc Institute）등 대학도 종래형 기업도 아닌 연구 조직의 실험도 활발하게 일어나고 있습니다
오픈·클로즈의 선택적 설계가 진행되고 있다
연구의 중심이 기업·스타트업으로 이동할수록 과학의 에토스（공개의 규범. 후술）와 기업의 경쟁 논리（클로즈화）의 긴장이 커집니다
최첨단 모델의 기술 세부사항이 논문으로 공개되지 않는 사례가 증가하고 있습니다. "프리프린트조차 나오지 않는" 연구 성과가 확대되고 있습니다.
오픈·클로즈의 선택적 설계는 이제 기업 전략의 문제에 그치지 않고, 연구 시스템 전체의 지식 공유를 어떻게 보호할 것인가 하는 제도 문제가 되었습니다.
3.2 연구의 주체의 특성 비교
현재의 주요 연구 주체를 다음의 4가지 관점에서 비교합니다.
자금 출처: 누구의 자금으로 연구하는가, 규모는 어느 정도인가
연구의 중심: 기초와 응용 중 어디에 축을 두고 있는가
속도: 의사결정과 연구 사이클의 기동력
공개성: 성과를 어디까지 공개할 것인가
이 4가지 관점에서 6개의 주체를 비교합니다.
대학
MIT, 스탠퍼드 대학, 옥스퍼드 대학 등
강점은 인재 양성과 연구의 일체화, 장기적이고 자유로운 문제 제기입니다. 제약은 자금 규모로, 대형 계산 자원·설비의 조달력이 기업에 미치지 못합니다.
자금 출처: 정부의 경쟁적 자금·운영비 교부금, 기부금. 건당 규모는 작습니다.
연구의 중심: 기초 연구의 중심지. 전 분야를 포괄하는 유일한 주체입니다.
속도: 느림(그랜트 획득 사이클과 교육 겸무에 좌우됨)
공개성: 가장 높음. 논문 공개 자체가 사명이며 업적입니다.
국립 연구 기관·정부 계열 연구소
NIH(미국 국립 보건원), CERN, NASA, 로스앨러모스 국립연구소 등
강점은 대학이 가질 수 없는 거대 기반시설(가속기, 슈퍼컴퓨터, 대형 망원경)과 수십 년 단위의 지속 관측입니다. 제약은 기동력의 낮음과 정치 사이클의 영향입니다.
자금 출처: 정부 예산. 안정적이고 대규모입니다.
연구의 중심: 기초~응용. 국가적 사명(안보, 공중보건, 표준 수립)을 담당합니다.
속도: 평시는 느림(관료제)이지만, 국가 우선 과제에서는 압도적인 집중력을 발휘합니다(예: 맨해튼 계획형 동원).
공개성: 높음(다만 안보·민감 분야는 기밀화됨)
대기업의 연구소
벨 연구소, Google Research, Microsoft Research, IBM Research 등
강점은 연구에서 제품으로의 수직 통합과 데이터·설비의 규모입니다. 제약은 단기 수익 압력으로, 기초 연구에서 철수하는 경향이 있습니다(중앙 연구소 축소의 역사가 보여주듯이).
자금 출처: 자사 수익. 경기와 경영 방침에 연동합니다.
연구의 중심: 응용 중심 + 선택적 기초(외부 과학을 받아들이는 흡수 능력 유지가 목적. 후술).
속도: 빠름(자금 의사결정이 조직 내에서 완결됨)
공개성: 선택적. 파는 것(대체재)은 닫고, 이용을 촉진하는 것(보완재)은 엽니다.
스타트업·신흥 연구 기업
OpenAI, Anthropic, SpaceX, Moderna 등
강점은 일점 집중에 의한 돌파력입니다. AI의 프론티어 연구를 주도할 뿐만 아니라, SpaceX는 국가 우주 기관이 독점해온 영역을 재사용 로켓으로 돌파했고, Moderna는 mRNA라는 미확립 기술을 백신으로 실용화했습니다. 제약은 자금 고갈 위험과 짧은 시간축으로, 실패하면 지식이 함께 산재되기 쉽습니다.
자금 출처: 벤처 캐피탈·대형 투자자. 위험 자본이 거액이면서 한 곳에 집중됩니다.
연구의 중심: 응용~파스퇴르형. 단일 미션에 연구 자원을 전부 집중시킵니다.
속도: 최고속. 의사결정이 수일 단위이며, 기한도 그랜트 사이클도 없습니다.
공개성: 전략적으로 변화합니다(초기는 인재 확보를 위해 오픈, 우위 확립 후 클로즈화하는 경향).
비영리·사립 연구 기관/재단
하워드 휴즈 의학 연구소, Allen Institute, Arc Institute 등
강점은 그랜트 제도에 얽매이지 않는 장기·고위험 연구입니다("프로젝트가 아닌 사람에 투자한다" HHMI형 모델). 제약은 규모의 한계와 자금 제공자의 의사에 대한 의존입니다.
자금 출처: 재단 기금·기부금. 정부보다 자유로우며, 기업보다 장기적입니다.
연구의 중심: 기초~고위험 영역. 정부 그랜트가 취하지 않는 위험을 취하는 것이 존재 의의입니다.
속도: 중~빠름(관료제가 얇음)
공개성: 높음(공공재로서의 데이터베이스·도구 제공을 사명으로 하는 경우가 많습니다. 예: Allen Brain Atlas).
개인 연구자·시민 과학자
야인·독립 연구자, 시민 과학 프로젝트 참가자 등
강점은 제도에 얽매이지 않는 자유로운 문제 제기입니다(수학, 아마추어 천문학의 혜성 발견, OSS 기여 등 실적이 많습니다). 제약은 자금·설비와 소속에 의한 신용 신호의 부재입니다.
자금 출처: 자기 자금, 크라우드펀딩, 소규모 지원금
연구의 중심: 이론, 관찰, 데이터 분석 등 자본 장비가 적은 분야
속도: 최고속(조직적 조정이 전혀 필요 없음)
공개성: 높음(프리프린트, 블로그, OSS로 직접 공개)
4가지 관점을 통하면, "자금의 성질(누구의 자금인가)"이 시간축·연구의 중심·공개성을 거의 결정하고 있음을 알 수 있습니다. 정부 자금은 장기·기초·공개로, 시장 자금은 단기·응용·선택적 공개로, 재단 자금은 그 중간의 고위험 영역으로 향하는 경향을 보입니다.
3.3 연구자의 평가와 커리어
연구자의 평가(채용·승진·연구비 배분을 결정하는 메커니즘)와 커리어의 실태를 정리합니다.
연구자는 무엇으로 평가되어왔는가
업적의 양과 질: 논문 수, 피인용 수, h지수(생산성과 영향력의 복합 지표), 게재지의 격(임팩트팩터나 상위 학회 채택).
자금 획득: 경쟁적 연구비(그랜트) 획득 실적. 연구실 운영의 생명선이며, 그 자체가 업적으로 평가됩니다.
커뮤니티 기여: 학생 지도, 심사, 학회 운영. 중요하지만 정량 지표에 드러나지 않아 과소평가되는 경향이 있습니다.
과제로는, 지표 의존의 부작용으로 "공개하라, 아니면 멸망하라(publish or perish)"의 압력, 성과의 잘게 나눈 출판(살라미 출판), 임팩트팩터 편중이 일상화되었습니다. 지표 편중을 재검토하는 DORA 선언(2013)과 같은 국제적 반성도 제도화되고 있습니다.
커리어의 표준형과 구조 문제
표준형으로는, 박사 학위 취득 → 포스닥(임기부 연구원) → 테뉴어트랙(종신 재직권 심사 기간) → 테뉴어 획득 → PI(연구실 주관자).
구조 문제로는, 포스트의 수가 박사 학위 취득자의 증가를 따라잡지 못합니다. 포스닥의 장기화·불안정화가 전 세계적으로 진행되고 있으며, 테뉴어 획득은 좁은 문이 되었습니다.
위와 같은 박사 인재의 다수파에게 있어서, 학계 밖(기업·정부·스타트업)이 점차 커리어의 표준이 되어가고 있습니다.
산업계로의 인재 이동과 보상 격차
AI 분야에서 박사 학위 취득자의 약 70%가 산업계로 진출합니다(20년 전은 약 20%로, 비율이 역전했습니다).
상위 AI 연구자에게는 스타트업이나 거대 테크 기업에서 연 수억 엔 규모의 보상이 제시되고 있으며, 언론에서는 계약 총액이 수십억 엔 규모인 오퍼도 보도됩니다(예: Meta의 초지능 연구소 설립에 따른 영입 전쟁). 대학 교원의 급여와는 자릿수가 2개 다른 수준입니다.
우수한 연구자·연구팀의 확보가 기업 인수의 대체수단이 되는 "액하이어(인재 획득 목적의 인수)"도 일반화되었습니다. 연구팀이 함께 이직하는 사례도 잇따르고 있습니다.
대학에 미치는 영향으로는, 대학이 "인재를 훈련하지만 유지하지 못하는" 기관이 되어가고 있으며, 다음 세대를 육성하는 교원층의 공동화가 우려됩니다. 한편, 산업계에서의 연구 경험이 대학으로 다시 흘러드는 "회전문" 식의 유동도 생기고 있습니다.
4. 연구의 제도
4.1 연구의 공유
학술 연구의 역사는 앞서 본 연구를 구성하는 4가지 행위 중 제4의 행위인 "공유"를 지탱하는 제도의 발명 역사로 읽을 수 있습니다. 연구의 공유 제도는 다음의 역사를 따릅니다.
선사: 비밀 유지의 시대(~17세기)
구조적 문제: 발견을 공개해도 이득이 없었고, 도용당할 손실만 있었습니다. 합리적인 학자일수록 발견을 숨겼습니다.
예: 갈릴레오는 천문학상의 발견을 아나그램(문자 재배열 암호)으로 기록했고, 훅은 용수철의 법칙을 "ceiiinosssttuv"라는 암호로 발표했습니다(나중에 "ut tensio, sic vis(신축에 따라 힘이 있다)"라고 해독을 밝혔습니다).
예: 연금술 전통에서는 성과를 은어와 암호로 비밀로 유지하는 것이 표준이었습니다.
17세기: 학술지와 우선권 규칙의 발명
인쇄술이 보급되면서 1660년 설립된 런던 왕립협회가 1665년에 『Philosophical Transactions』를 창간했습니다. 같은 해 파리에서도 『Journal des sçavans』가 창간되어 학술지라는 형식이 탄생했습니다.
발견을 비밀로 유지하는 대신 공개함으로써 우선권(발견을 독점하지 않는 대신 이름을 남기게 됨. 처음으로 발견한 사람으로서의 명예를 부여함)이 인정되는, 이라는 규칙의 확립. 지식을 숨길 인센티브가 공유할 인센티브로 뒤바뀌었습니다.
이때 학술지가 획득한 기능은 4가지이며, 오늘날까지 그대로 살아 있습니다: 등록(언제 누가 발견했는지의 공식 기록 = 우선권의 보증), 인증(내용의 확실성 보증), 주지(커뮤니티로의 전달), 보존(후세를 위한 아카이브).
19세기: 직업화와 전문 분화
1810년 베를린 대학에서 비롯된 훔볼트형 대학이 "교육과 연구의 일체화"를 내세우며, 연구를 여흥(취미나 소양)에서 직업으로 바꿨습니다.
학문의 전문 분화에 따라 종합적인 학회지에서 전문 학회·전문지가 분리되었고, 박사 학위(PhD)와 세미나 방식이 연구자 양성의 표준이 되었습니다.
이 독일 모델은 미국(존스 홉킨스 대학 등)으로 수출되어 현재의 연구 대학의 원형이 되었습니다.
20세기: 공적 자금과 동료 심사의 제도화
바네바 부시의 보고서 『과학 - 끝없는 프론티어』(Bush, 1945)를 계기로, 정부에 의한 대규모 연구비 지급과 NSF·NIH 같은 자금 배분 기관이 정착했습니다.
체계적인 동료 심사(피어 리뷰)가 학술지 전반에 보급된 것은 20세기 중반 이후로, 투고 증가와 전문 분화에 따라 편집자 개인의 판단이 한계를 맞이하며, 외부 전문가에 의한 분업적 심사로 이행했습니다.
예: 1936년, Physical Review지가 아인슈타인의 투고 논문을 외부 심사에 보냈을 때, 그는 "다른 사람에게 보이도록 허락하지 않았다"고 항의하며 논문을 철회했습니다. 당시 일류 물리학자에게도 동료 심사는 아직 낯선 제도였습니다.
20세기 말~현재: 디지털화에 의한 공유의 확대
디지털화가 진행되면서 1991년 개설된 arXiv에 의해 프리프린트가 물리학의 표준이 되었고, 2000년대 오픈 액세스 운동이 "독자가 무료로 읽을 수 있는" 출판 모델을 확대했습니다.
DOI에 의한 항구적 식별, 데이터·코드 공개의 일반화 등, "공유"의 단위가 논문에서 데이터·코드·모델로 확대되고 있습니다.
이 공유 제도의 역사가 만들어낸 최대의 자산이 국경을 넘은 협력 영역으로서의 과학이며, 규범과 제도라는 2가지 층에 지탱받고 있습니다.
규범의 층: 과학의 에토스·가치관(Merton, 1942)
공공성: 성과는 공동체의 공유 자산입니다.
보편주의: 업적은 국적이나 지위가 아닌 내용으로 평가됩니다.
이해관계의 초월: 개인적 이해관계로부터 독립적으로 진리를 추구합니다.
체계적 회의주의: 어떤 주장도 조직적인 검증에 노출됩니다.
이들이 본 장에서 본 "공개가 업적이 된다"는 우선권 규칙과 결합하여, 국경을 넘은 지식 공유에 실효성을 부여했습니다.
제도의 층: 국제 협조의 메커니즘
동료 심사의 국제적 상호 부조: 다른 나라 연구자가 무보수로 심사합니다.
국제 공동저자·국제 대형 프로젝트의 확대: CERN, ITER, 인간 게놈 프로젝트
예: 인간 게놈 프로젝트의 "버뮤다 원칙"(1996)은 해독한 DNA 배열을 24시간 이내에 공개하는 규칙입니다. 경쟁 전 단계(프리컴페티티브)의 지식 기반을 의도적으로 인류의 공유지로 설계한 금자탑입니다.
기초 지식 기반은 기업·정부·개인 등 모든 이해관계자의 보완재이며, 공유지로 만들 합리성이 있습니다.
4.2 연구의 평가 방법
학술지와 국제 회의의 심사 기준(연구 평가 방법)은 분야와 매체에 따라 표현은 다르지만 공통되며, 다음 5가지로 집약됩니다.
새로움(novelty / originality)：기존 지식에 대해 무엇이 새로운가
중요성(significance)：그 새로움은 분야 또는 사회에 얼마나 의미가 있는가
건전성(soundness / rigor)：주장이 방법과 증거에 의해 적절히 뒷받침되는가
명확성(clarity)：독자가 이해하고 검증할 수 있도록 작성되었는가
적합성(fit)：그 매체의 독자와 목적에 맞는가
그러나 이 5가지 기준에는 문제가 있으며, 새로움 페널티(49개 학술지·2만 건 이상의 심사 데이터를 분석한 연구. Teplitskiy et al., 2022)라고 불리듯이, 학술지는 새로움이 높은 연구를 원하고 있음에도 불구하고, 새로움이 높은 논문일수록 심사자로부터 엄격한 평가를 받는 경향이 있습니다. 새로움이 높은 연구는 기존의 평가 척도가 통용되지 않으며, 심사자의 이해·검증 비용이 높기 때문에 위험 회피적 평가가 작용하며, 나중에 노벨상을 수상한 연구가 일류 학술지에 거부된 일화는 많습니다.
4.3 발표 채널의 종류
연구의 제4의 행위인 '공유'에는 여러 채널이 있으며, 다음 6가지 관점에서 비교합니다.
심사(정확성 보증)：누가, 어느 정도의 강도로 내용을 검토하는가
속도：성과가 완성되어서부터 공개될 때까지의 시간
비용：저자 측의 금전적·노력적 부담
도달 범위·접근：누가, 어느 정도 개방된 형태로 전달되는가
업적 평가：연구자의 경력·채용·승진에서 어떻게 다루어지는가
보존성·인용 가능성：확정판으로서 영구적으로 남고, 인용 대상이 되는가
이 6가지 관점에서 주요 6개 채널을 비교합니다.
심사 있는 학술지(저널)
Nature, Science, PNAS, American Economic Review 등
심사：외부 전문가에 의한 체계적인 심사. 6개 채널 중에서 가장 강력한 품질 보증
속도：느림(투고에서 게재까지 수개월~수년)
비용：구독 학술지는 투고 무료(독자 측이 부담). 오픈 액세스 학술지는 게재료(APC)로서 수십만 엔 규모의 저자 부담
도달 범위：구독 계약·도서관 경유가 중심. 오픈 액세스 학술지라면 누구나 읽을 수 있음
업적 평가：의학·자연과학·사회과학 대부분에서 최중요
보존성：'확정판(version of record)'으로서 DOI와 함께 영구 보존됨
국제 회의(심사 있는 프로시딩스)
NeurIPS, ICML, ACL 등
심사：심사 있음. 채택률(대략 20~30%)에 의한 선별 자체가 품질 신호. 다만 1편당 심사는 학술지보다 가볍고, 앞서 본 심사 부실이 가장 선명하게 나타나는 채널이기도 함
속도：빠름(투고에서 발표까지 수개월. 마감 기한 주도)
비용：참가 등록비·여행비의 저자 부담이 큼
도달 범위：프로시딩스 공개에 더하여, 발표·토론을 통한 동료들에게의 직접 도달
업적 평가：컴퓨터과학에서는 학술지와 동등 이상. 다른 많은 분야에서는 보조적이며, 업적의 본체는 학술지 논문
보존성：프로시딩스로서 DOI와 함께 보존됨
프리프린트
arXiv, bioRxiv, SSRN 등
심사：없음(형식 점검만). 정확성 보증은 읽는 쪽의 검증 능력에 위임됨
속도：최고 속도(당일~수일)
비용：무료
도달 범위：누구나 무료로 읽을 수 있음. 6개 채널 중에서 가장 개방됨
업적 평가：우선권 증명은 되지만, 업적으로는 잠정적(물리학·AI에서는 표준, 다른 분야에서는 분야 차이가 큼). 예：Transformer 논문(Vaswani et al., 2017)을 시작으로 AI 연구는 사실상 프리프린트 주도
보존성：영구 보존·DOI 부여는 있지만, 심사를 거친 '확정판'은 아님
도서·모노그래프
『Pasteur의 사분면』(Stokes, 1997), 피케티 『21세기의 자본』 등
심사：출판사의 편집자와 외부 검토자에 의한(심사보다 더 완화되고, 기준은 다양함)
속도：가장 느림(집필·출판에 수년)
비용：집필 노력이 6개 채널 중에서 최대. 학술서는 출판 지원이 필요한 경우도 있음
도달 범위：연구자 이외의 일반 독자에도 전달되는 거의 유일한 채널
업적 평가：인문사회계에서 최중요, 이공계에서는 보조적
보존성：수십 년 단위로 읽히며, 영향이 가장 길게 지속됨
대학 아카이브·기관 리포지토리·학위 논문
스탠퍼드 대학 연구 아카이브, 하버드 대학 연구 아카이브 등
심사：학위 논문은 심사 위원회의 심사 있음. 테크니컬 리포트는 내부 확인만
속도：빠름(대학의 절차만)
비용：무료(대학이 운영)
도달 범위：누구나 접근 가능하지만, 검색·발견되기 어려움
업적 평가：그 자체로는 업적이 되기 어려움(다만 학위 논문은 연구자 자격의 필수 요건). 예：Google 검색의 기반이 된 PageRank는 스탠퍼드 대학의 테크니컬 리포트로 공개되어 역사적 기여가 되었음(Page et al., 1999)
보존성：대학이 영구 보존함(그린 오픈 액세스의 경로)
데이터·코드·모델의 공개
GitHub, Zenodo, Hugging Face 등
심사：기본적으로 없음(근래에 심사 있는 '데이터 논문'이라는 형태도 등장)
속도：당일
비용：무료~저액
도달 범위：재이용됨으로써 확대됨. 예：ImageNet(Deng et al., 2009)이나 AlphaFold Protein Structure Database(Jumper et al., 2021)는 많은 논문을 넘는 인용과 이용을 낳고 있음
업적 평가：독립적 기여로서의 지위가 상승 중이지만, 제도화는 진행 중
보존성：DOI 부여가 일반화되고 있지만, 링크 끊김이나 유지 중단의 위험이 남음
6가지 관점을 통해 보면, 채널 선택의 본질은 트레이드오프입니다.
심사의 강도와 속도는 반비례한다：품질 보증이 강한 채널일수록 느림(학술지·도서), 빠른 채널일수록 검증은 독자 몫(프리프린트·데이터 공개)
업적 평가의 비중은 분야의 관행으로 결정된다：같은 채널이라도 컴퓨터과학(회의), 인문사회계(도서), 의학·자연과학(학술지)에서 비중이 역전됨
실무에서는 조합한다：단일 채널이 아니라 프리프린트로 빠르게 공유→학술지·회의로 인증→데이터·코드로 검증 가능성을 보증하는 조합이 표준 형태가 되고 있음
또한 분야별로 중시되는 발표 채널은 다릅니다. 그것은 분야의 지식의 성질과 채널의 특성(심사의 강도·속도·용량)의 적합으로 설명할 수 있습니다. 다음 4가지 요소에 따라 중시되는 발표 채널이 결정됩니다.
① 지식 단위의 크기
의학·자연과학：기여의 단위는 '하나의 실험·하나의 발견'으로 논문 1편에 정확히 맞음→학술지가 자연스러운 그릇이 됨
인문사회계：기여의 단위는 해석의 체계나 역사의 서술로 논문의 분량에 맞지 않음. 수백 페이지의 구조물로서 비로소 설득력을 가짐→도서가 자연스러운 그릇이 됨
컴퓨터과학：진보의 간격이 세밀하고 빠르며, 짧은 논문을 높은 빈도로 내는 양식이 맞음→회의가 자연스러운 그릇이 됨
② 분야의 변화 속도
컴퓨터과학：기술의 진부화가 빠르고, 학술지의 1~2년 심사 사이클을 기다리면 성과가 낡음→수개월 내에 세상에 나가는 마감 기한 주도의 회의가 속도 요구에 적합
인문사회계：지견의 진부화가 느리고, 수십 년 읽히는 것이 가치→출판에 수년 걸리는 도서의 느린 속도가 단점이 아님
③ 오류의 사회적 비용
의학：잘못된 지견이 치료·인명에 직결됨→가장 심사가 강한 학술지(체계적 심사, 통계 심사, 이해 상충 공시)가 업적의 표준이자, 속보성에 대한 요구는 Nature나 Physical Review Letters 같은 레터 학술지가 담당하는 분업이 됨
④ 역사적 경로 의존
컴퓨터과학：1970~80년대에 컴퓨터과학이 급성장했으며, 이 젊은 분야는 아직 권위 있는 학술지의 계층이 없고, ACM·IEEE의 회의가 먼저 '엄격한 심사+채택률에 의한 선별+프로시딩스 출판'이라는 업적 인프라를 확립했음. 일단 채용·승진의 평가가 '톱 회의에 몇 편'으로 돌기 시작하면 연구자는 최고의 성과를 회의에 내고, 회의의 권위가 더욱 높아지는 자기강화가 작동함
의학·자연과학：350년의 학술지 인프라(와 임팩트 팩터 같은 평가 장치)가 계속되고 있음
5. 연구의 활용
5.1 연구는 사회의 수요에 의해 발전한다
연구의 발전은 지적 호기심이라는 공급 측의 힘만으로는 설명할 수 없습니다. 경제학에서는 '기술 추진(technology-push)'과 '수요 견인(demand-pull)'이라는 고전적인 정리가 있으며(Mowery & Rosenberg, 1979), 역사를 돌아보면 큰 수요, 특히 전쟁과 사회 과제에 연결된 영역일수록 자금·인재·논문량이 집중되고 발전이 빨랐음을 알 수 있습니다.
전쟁·안보라는 수요
제2차 세계대전에서는 맨해튼 프로젝트가 물리학에, 레이더 개발이 전자공학에, 암호 해독(튜링 등의 작업)이 컴퓨터과학의 탄생에 각각 미증유의 자원과 인재를 쏟아 부었음
냉전기에는 스푸트니크 충격을 계기로 NASA와 ARPA(현 DARPA)가 설립되었고, ARPANET이 인터넷으로, 군사 측위 시스템이 GPS로 발전했음
제2차 세계대전의 전시 R&D(OSRD) 투자를 많이 받은 지역·기술 분야일수록 전후 수십 년에 걸쳐 발명 활동이 계속 증가했음이 실증되었으며(Gross & Sampat, 2023), 또한 정부의 방위 R&D는 민간 R&D 투자를 배제하지 않고 유도(크라우드인)하며 산업의 생산성을 높인다는 것도 보여집니다(Moretti, Steinwender & Van Reenen, 2025)
부시 보고서(Bush, 1945) 자체가 전시 연구의 성공 경험의 제도화이며, 전후 정부 자금에 의한 연구 시스템은 '전쟁이 만든 시스템'의 평시로의 이식이었습니다.
사회 과제라는 수요
COVID-19에서는 연구 자원이 일제히 감염증에 집중되었고, 통상 10년 걸리는 백신 개발이 1년 미만으로 압축되었습니다. 관련 논문도 폭발적으로 증가하여 생물의학 분야 프리프린트의 급속한 확대를 초래했습니다(Fraser et al., 2021)
닉슨 정권의 '암 전쟁'(1971년), 에이즈 연구, 기후변화 연구(IPCC에 집약되는 방대한 논문군) 등 큰 사회 과제는 그 영역에 자금·인재·논문량을 끌어당깁니다. NIH의 질병별 자금 배분이 질병 부담(사회적인 병의 무거움)과 어느 정도 연동되어 있다는 것도 실증되었습니다(Gillum et al., 2011)
수요와 연구량의 관계
자금이 흐르는 영역에서는 연구자 수와 논문 수가 증가합니다. 연구의 방향성은 순수한 지적 관심만이 아니라 사회의 우선순위(자금 배분)에 의해 결정됩니다. 실제로 연구자는 용도를 지정받은 그랜트에 대응하여 연구 주제를 옮긴다는 것이 NIH의 공모 데이터에서 실증되고 있습니다(Myers, 2020). COVID-19에서도 과학계 전체 논문의 상당 부분이 단기간 내에 감염증 연구로 전환되었습니다(Hill et al., 2025)
수요 주도는 성과를 빠르게 하는 한편, 유행 영역에 대한 과도한 집중(연구의 획일화)과 눈에 띄는 수요가 없는 기초 영역의 과소 투자라는 왜곡도 낳습니다. 수백만 편의 생의학 논문 분석에서도 연구자는 이미 확립된 유행 주제에 집중하고 위험이 따르는 새로운 영역을 피하는 보수적인 전략이 지배적임을 보여주고 있습니다 (Foster, Rzhetsky & Evans, 2015).
또한 자신의 전문 분야에서 벗어난 주제로 전환(피벗)한 연구는 영향력이 떨어지는 "피벗 페널티"도 확인되고 있으며, 수요에 대한 급전환에는 비용이 따릅니다 (Hill et al., 2025)
5.2 공공재로서의 연구
연구는 각국의 공공사업이 뒷받침하고 있으며, 생산된 지식은 국제적인 공공재로 활용됩니다. 왜 공적 투자에 의해 뒷받침되고 있는 것일까요? 큰 배경으로 두 가지를 설명하겠습니다.
지식의 공공재성 (Nelson, 1959; Arrow, 1962)
비경합성: 사용해도 줄어들지 않음
비배제성: 독점하기 어렵고, 편익이 사회에 유출(스필오버)됨
결과: 시장에 맡기면 지식은 사회가 필요로 하는 양보다 적게만 생산됨 → 정부 자금·대학·학술 커뮤니티가 뒷받침하는 경제학적 근거
연구의 투자 수익률 (Jones & Summers, 2020)
이노베이션 투자 1달러의 사회적 편익은 평균 5달러 이상이며, 보수적인 가정에서도 투자액을 명확히 초과한다고 추정됨
연구에 대한 공적 투자는 평균적으로 인류 역사상 가장 수익성 좋은 "투자" 중 하나
5.3 기업에 의한 연구의 활용
연구가 기업의 생산 활동에 도달하는 경로는 주로 4가지입니다.
① 지식의 직접 활용(논문→특허→제품)
수백만 건의 특허와 논문의 인용 연쇄를 분석한 연구 (Ahmadpoor & Jones, 2017)에 따르면, 대부분의 특허는 몇 단계의 인용을 거슬러 올라가면 과학 논문에 도달하며, 논문 쪽도 상당한 비율이 향후 발명으로 연결됨
과학 논문에 기반한 발명일수록 시장 가치가 높습니다 (Krieger et al., 2024)
② 인재의 이동
박사 인력이 기업으로 이동하면서 논문에 쓰이지 않은 암묵적 지식(실험의 노하우, 실패의 기록, 좋은 질문의 감각)과 함께 지식이 이전됨
증거: 미국 바이오기술 산업의 탄생지는 자본이나 시장이 아닌 스타 과학자의 소재지에 의해 거의 결정되었습니다. 인재가 지식 이전의 주요 경로임을 보여준 고전적 실증 (Zucker, Darby & Brewer, 1998)
깊이 있는 학습이 대학 연구실의 주변 주제에서 산업의 핵심 기술이 된 과정은 연구자의 이동 역사 그 자체
③ 인공물과 인프라의 이전
대학 발 스타트업, 기술 이전 제도, 오픈소스 소프트웨어. 오픈소스 소프트웨어의 수요 측 경제 가치는 약 8.8조 달러로 추정됩니다 (Hoffmann, Nagle & Zhou, 2024)
공개 데이터베이스(GenBank, AlphaFold Protein Structure Database 등). 생물 시료를 공적 저장소에 기탁하여 누구나 사용할 수 있도록 하면, 그 지식을 사용하는 후속 연구가 크게 증가함을 실증하고 있습니다 (Furman & Stern, 2011)
④ 흡수 능력(absorptive capacity) (Cohen & Levinthal, 1990)
기업이 자사에서 연구를 수행하는 이유의 절반은 외부 과학을 이해하고 수용하는 능력을 유지하기 위함
직접 논문을 쓰고 학회에 참가하는 기업일수록 세계의 연구 성과를 빨리 깊게 활용할 수 있습니다. 기업 연구소의 존재 의의를 설명하는 개념
5.4 정부에 의한 연구의 활용
경제 전체를 조정하는 정부에게 연구의 축적은 정책·규제·공공 서비스의 근거 그 자체입니다. 크게 2가지 활용으로 정리할 수 있습니다.
① 정책 형성의 근거(EBPM)
증거 기반 정책 형성(Evidence-Based Policy Making): 정책의 입안·평가를 직관이나 선례가 아닌 연구 지식과 인과 추론에 기반하여 수행하는 조류(예: 무작위 비교 시험(RCT)에 의한 빈곤 대책의 효과 검증은 개발 경제학의 연구 방법이 정책 평가의 표준이 된 사례 (Banerjee & Duflo, 2011))
브라질의 2,150개 자치체를 대상으로 한 실험에서 시장 등 정책 결정자는 연구 증거를 제시받으면 실제로 신념을 업데이트하고 정책을 변경했으며, 연구 결과에 대가를 지불할 의사까지 보였습니다 (Hjort et al., 2021)(예: 금융 정책·과세 설계에서의 경제학, 팬데믹 대응에서의 역학 모델)
② 규제·기준·공공 서비스의 토대
의약품 승인(임상시험의 통계 기준), 환경 규제(기후 과학. 예: IPCC는 각국의 연구를 통합하여 정책의 공동 토대를 만드는 국제적 체계), 내진 기준(지진 공학) 등 공공 서비스·국가 기능으로서의 공중 보건, 기상 예보, 재해 예방, 우주·방위에서는 모두 연구 축적 없이는 성립할 수 없습니다
과학적 조언의 제도로 과학 자문관, 심의회, 각국 아카데미 등 연구 지식과 행정을 연결하는 전문 체계가 정비되어 왔습니다. 그러나 과학은 "불확실성을 포함한 임시적 지식"을 내놓는 반면, 정치·행정은 "기한 내 확정적 판단"을 요구합니다. 이러한 시간 축과 불확실성 처리의 격차가 과학적 조언의 영원한 난제가 되고 있습니다 (Gluckman, 2014)
5.5 가계에 의한 연구의 활용
최종적인 소비 주체인 가계도 일상적인 의사결정의 토대로 연구의 축적을 활용하고 있습니다.
의료: 진료 지침(연구 논문의 체계적 검토의 정제물)을 통해 개인이 받는 치료의 질이 결정됩니다. 개별 의사의 경험이나 권위가 아닌 최고의 연구 지식에 기반하여 진료를 수행하는 "증거 기반 의료(EBM)"의 틀이 그 토대에 있습니다 (Sackett et al., 1996). 인포ーム드 컨센트(의료 종사자가 병상 및 치료 방법에 대해 충분한 설명을 제공하고 환자가 동의하여 치료를 받는 과정)도 연구 지식의 공유를 전제로 합니다
교육·인적 자본: 교과서와 교육과정은 연구 성과가 수십 년에 걸쳐 표준 지식으로 하강한 것입니다. 가계의 교육 투자의 내용은 연구 축적 그 자체
참여자로서의 개인: 오픈 액세스의 확대와 시민 과학(시티즌사이언스)에 의해 개인은 연구의 수혜자에서 참여자로 역할을 확대하고 있습니다. 예: Galaxy Zoo에서는 10만 명이 넘는 시민 자원봉사자에 의한 약 90만 개의 은하 분류가 검토 논문으로 결실을 맺었으며, 그 이후로도 시민 과학에 의한 발견이 계속되고 있습니다 (Lintott et al., 2008)
과제: 연구 지식은 가계에 도달할 때까지 단순화·왜곡되기 쉽고 허위 정보와 경쟁합니다. 실제로 SNS 상에서는 거짓 뉴스가 사실 뉴스보다 빠르고 널리, 깊게 확산됨을 대규모 데이터로 보여주고 있습니다 (Vosoughi, Roy & Aral, 2018)
정리하면 연구의 활용은 기업(생산)·정부(조정)·가계(소비)라는 3가지 경제 주체 단위로 다음과 같이 정리할 수 있습니다.
기업(생산): 지식·인재·인공물·흡수 능력의 4개 경로로 연구를 새로운 제품·서비스·생산성으로 변환
정부(조정): 정책·규제·공공 서비스의 근거로 연구를 사용하고 시장에서 공급되지 않는 지식 기반과 국제 협력을 유지
가계(소비): 의료·교육·소비의 의사결정 토대로 연구의 혜택을 받고, 시민 과학을 통해 생산 측에도 참여하기 시작
6. AI 시대의 연구
지금까지 연구를 연구의 내용(무엇을 하는 활동인가), 연구의 제도(어떻게 공유되고 평가되는가), 연구의 주체(누가 연구하고 어떻게 살아가는가), 연구의 활용(사회는 왜 지원하고 어떻게 사용하는가)의 4가지 관점으로 정리해왔습니다. 이 4가지 관점에 하나씩 대응시켜 AI 시대에 무엇이 바뀌는지 정리하겠습니다.
6.1 AI 시대의 연구의 대상
AI 시대에는 인간의 역할이 "문제 제기와 검증"에 중점을 두게 될 것으로 생각됩니다.
4가지 행위의 중심이 이동
AI가 가장 깊이 대체하는 것은 "② 답의 후보를 만드는 것". 문헌 조사, 가설의 나열, 실험 코드 구현, 논문 원고 생성은 이미 AI가 인간의 속도를 크게 초과하고 있습니다
AI가 가장 대체하기 어려운 것은 "① 문제를 제기하는 것"과 "③ 검증하는 것". 무수히 생성되는 가설·논문 중에서 답할 가치가 있는 문제와 실제로 성립하는 주장을 식별하는 행위는 깊은 도메인 지식과 판단력을 요구합니다
100명 이상의 NLP 연구자와 LLM에 연구 아이디어를 내도록 하여 맹검 비교한 실험에서 LLM의 아이디어는 인간 전문가보다 "새로움"으로 평가된 한편, 실현 가능성은 낮았고 실제로 실행시키면 평가가 하락했습니다. "후보의 생성"은 이미 인간 수준을 초과하고 있지만 "좋은 아이디어의 식별과 실행·검증"에 가치가 남아 있음을 보여줍니다 (Si, Yang & Hashimoto, 2024)
연구자의 업무의 중심은 생성에서 "문제의 설정"과 "평가·판단"으로 이동합니다. 이는 낙관적 전망이 아니라 병목 이동이 강제하는 구조 변화입니다
제5 패러다임은 선행 패러다임을 내포
제5 패러다임(AI 구동형 과학)은 제1~제4 패러다임을 대체하는 것이 아니라 부품으로 내포합니다. AI의 연구 루프는 내부에서 이론을 참조하고, 시뮬레이션을 실행하고, 데이터에서 학습하며, 최종적으로 물리적 실험으로 검증합니다
LLM 구동 시스템 "Coscientist"는 문헌 검색·실험 계획·로봇 실험 장치의 제어까지를 자율적으로 수행하고 화학 합성을 실제로 실행해 보였습니다. 계획에서 물리적 검증까지를 내포하는 AI 연구 루프의 초기 실증 (Boiko et al., 2023)
각 패러다임의 방법론적 관례(통계적 검정의 전제, 시뮬레이션의 타당성 확인, 실험 계획법)를 이해하는 인간의 가치는 하락하지 않고 오히려 상승합니다. AI의 출력을 평가하려면 AI가 사용한 방법을 평가할 수 있어야 하기 때문입니다
기여 유형의 가치가 입체교환
가치가 하락하는 것: 기존 요소의 드문 조합이라는 표면적 새로움. AI가 가장 잘하는 것이며 대량 생산 가능해진 시점에 가치가 급락합니다(앞서 언급한 Si, Yang & Hashimoto (2024)가 보여준 "새로우나 실현 가능성이 낮은 아이디어의 대량 생산"이 그 전조)
가치가 상승하는 것: "분야의 전제나 문제 제기의 방식 자체를 움직이는가"라는 깊은 새로움과 재현·추적 실험이나 통합(무엇이 확립된 지식인지를 판정하는 업무)이라는 검증계의 기여 유형
6.2 AI 시대의 연구의 주체
담당자로서 기업·스타트업 주도가 더욱 강화
계산 자원·데이터·자본의 규모가 프론티어 연구의 진입 조건이 되고, 자금력 있는 기업·스타트업의 주도가 계속됩니다
한편 흡수 능력의 격차가 확대됩니다. 논문을 읽을 수 있는 AI는 누구나 손에 넣을 수 있지만 무엇을 읽어야 할지를 판단하고 자사의 맥락으로 번역하는 능력은 스스로 연구에 참여하는 조직에만 축적됩니다
대극에서는 AI 도구가 개인의 조사·분석·구현 능력을 확장하여 개인 연구자·시민 과학자가 가장 큰 상승기를 맞이합니다. 담당자는 거대 조직과 개인의 양 극으로 산산이 흩어집니다
연구자의 평가와 커리어로 "량"의 신호가 깨짐
AI에 의한 논문 대량 생산이 가능해지면서 논문 수·인용 수는 능력의 신호로 기능하지 않게 되며, 연구자 평가도 "량"에서 "검증된 기여"와 "문제의 질"로 이동합니다
검토·재현 검증·데이터 공개와 같은 평가 노동이 업적으로 제도화됩니다
대학·기업·스타트업·비영리 연구소를 오가는 커리어의 복선화가 표준이 되며 "아카데미아 또는 산업계"라는 이분법 자체가 희미해집니다
따라서 연구자의 평가 지표는 다음과 같이 변해갈 것으로 예상됩니다.
기존의 평가 지표（양의 대리 지표）
논문 수: 생산성의 대리. 업적 목록의 길이가 그대로 평가로 이어짐
인용 수・h지수: 영향력의 대리. 양과 영향을 하나의 숫자로 압축
게재 저널의 임팩트팩터: 「어디에 게재되었는가」로 논문의 질을 대리 평가
확보한 그랜트 액수: 연구 자금 획득 실적 자체가 업적으로 계상됨
채택률이 낮은 학회・학술지에의 채택 실적: 선별을 통과한 것 자체가 신호
AI 시대의 평가 지표（내용과 행동의 직접 평가）
기여의 내용 기술: 내러티브 CV・업적 목록의 상한 제한（Royal Society「Résumé for Researchers」, DFG의 10본 제한）. 숫자가 아닌 대표적 기여를 문장으로 설명하도록 함
검증 가능성・개방성: 데이터・코드 공개율, 사전 등록, 오픈 사이언스 배지 (Kidwell et al., 2016)
역할의 가시화: CRediT에 의한 「누가 무엇을 담당했는가」의 기록으로 각자가 어떤 형태로 연구에 기여했는지를 명시함
평가 노동의 실적: 심사・추시・데이터 관리는 현재 「보이지 않는 무상 노동」이지만, AI에 의해 투고가 급증하는 한편 심사 공급은 증가하지 않기 때문에, 심사 노동을 기록하고（Web of Science Reviewer Recognition 등）, 채용・승진・그랜트 심사에서 논문과 동등하게 평가 대상에 넣는 것이 검토되고 있음. NeurIPS는 투고자가 심사 의무를 부담할 것을 요구하고 있음
재현 실적과 자기 수정: 독립적인 타자가 당신의 주장을 추시해서 성립했다는 기록이나, 오류가 발견되었을 때 신속하게 수정한 이력은, 그 사람의 주장의 신뢰성을 장기적으로 예측하는, 위장하기 어려운 행동 기록이 됨
6.3 AI 시대의 연구 제도
심사의 표준 5 기준이 사라지는 것은 아니지만, 그 가중치와 운영은 5가지 방향으로 시프트합니다.
① 검증 가능성・재현성: 「가점 요소」에서 「필수 요건」으로
유창한 문장과 그럴듯한 결과의 기술은 더 이상 품질의 증거가 아님. 코드・데이터・실험 로그의 제출과 공개가, 분야 횡단으로 사실상의 투고 요건이 되어감
선행 사례: NeurIPS는 2019년부터 코드 제출 방침・재현성 체크리스트를 도입하여 코드 제출률을 대폭 높였음—「재현성의 요건화」가 실제로 제도로서 기능함을 보여주는 실증 보고가 있음 (Pineau et al., 2021)
② 물음의 질: 데스크 리젝트 단계의 무게의 증대
투고가 배 증가하고 심사자가 늘지 않는 이상, 심사에 회부하기 전의 선별 강화는 불가피. 「왜 이 물음인가. 왜 지금인가. 왜 이 매체인가」에 서두에서 답할 수 있는지가 채부를 좌우함
③ 새로움의 「깊이」의 재검토
평가는 깊은 새로움으로 향하지만, 「새로움 페널티」（깊은 새로움일수록 심사에서 불리）라는, 심사라는 메커니즘 자체가 깊은 새로움을 튕겨내도록 되어 있음. 따라서 운영이 아니라 제도의 구조를 바꿀 필요가 있으며, 예를 들어, 결과를 보기 전에 「물음과 방법」만을 심사하여 채부를 확정짓는 등록 보고（Registered Reports）는, 화려한 결과가 아니라 물음의 질로 평가하는 메커니즘이 있음. 이미 300개 저널 이상으로 확대되고 있음 (Chambers & Tzavella, 2022)
④ 내력（프로비난스）과 설명 책임
AI 사용의 공시에 더해, 저자가 자신의 논문을 설명・방어할 수 있는지가 문제됨. NeurIPS의 신시책（심사 의무를 다하지 않은 저자의 심사 차단 등）이 보여주듯이, 투고 권리와 평가에 기여하는 의무가 한 세트가 되어감
⑤ 신뢰의 시그널에 대한 의존의 강화
실적・소속・사전 등록・재현 실적 같은 내용 이외의 지표에 대한 의존이 강해짐. 효율화의 한편, 신규 참입자에게 불리하게 작용할 위험과의 트레이드오프 설계가 과제가 됨
동일한 논문이라도 저자명을 노벨상 수상자로 바꾸면 신인 명의일 때보다 심사자의 채택 권장이 극적으로 높아지는 것이 실험으로 보여짐 (Huber et al., 2022). 신뢰 시그널에 대한 의존 강화는, 이 지위 바이어스를 증폭할 수 있음
발표 채널의 구조도 변합니다.
「빠른 공유」의 층（프리프린트・데이터 공개）은 생성 비용 저하로 더욱 팽창하고, 「느려도 신뢰할 수 있는 인증」의 층（심사 거친 학술지・학회）과의 이층 구조가 명확해짐
AI가 분야의 변화 속도를 일제히 끌어올림으로써, 학술지・학회・서적이라는 분야별 채널 균형 자체가 움직이기 시작함
한마디로 요약하면, 심사는 「내용의 심사」에서 「신뢰의 심사」로 무게 중심을 옮김. 검증 가능한 형태로 공유되고, 내력이 투명하고, 저자가 설명 책임을 질 수 있는가. 연구의 제4의 행위 「④ 공유하고, 검증 가능하게 한다」의 제도적 재강화입니다.
6.4 AI 시대의 연구의 활용
지식에의 직접 접근과 오정보의 동시 확대
AI에 의한 논문의 검색・요약・번역은, 정부의 EBPM이나 가계의 의료・생활의 의사결정이 연구 지식에 직접 도달하는 비용을 극적으로 낮춤（전문가의 중개가 필요했던 「마지막 1마일」의 단축）. 예: 환자의 의료 질문에 대한 AI 챗봇의 답변은, 의사의 답변보다 질・공감성의 양쪽에서 높이 평가받은 것이 맹검 비교로 보여짐 (Ayers et al., 2023). 전문 지식의 중개 비용이 실제로 낮아지기 시작한 초기의 실증
동시에 AI는 「그럴듯하지만 잘못된 정보」의 생성 비용도 낮추기 때문에, 무엇이 검증된 지식인지를 구분하는 메커니즘（심사, 진료 지침, 과학적 조언의 제도）의 중요성은 오히려 높아짐. 예: GPT-3이 생성한 위조 정보 트윗은, 인간이 작성한 위조 정보보다 간파하기 어렵다는 것이 실험으로 보여짐 (Spitale, Biller-Andorno & Germani, 2023)
국제 협조와 안전 보장의 재협상
연구 보안의 요청과 AI에 의한 선행 이득의 확대가, 폐쇄화의 압력을 강함
OECD는 지정학적 환경 하에서의 과학 협력의 재구성을 정책 과제의 주제로 삼고 (OECD, 2025), AI 분야에서는 미중 대립이 25년에 걸쳐 구축된 국제 공동 저술 네트워크를 실제로 재편하고 있음이 실증되고 있음 (Zhang et al., 2026)
시간차는 줄어드는가
기초 연구에서 사회적 임팩트까지의 수십 년의 래그（Li, Azoulay & Sampat (2017), Ahmadpoor & Jones (2017)이 측정한 논문에서 특허로의 긴 연결）를 AI가 어디까지 줄일 수 있는지는, 미해결의 실증적 물음
확실한 것은, 래그의 원천이 「생성」뿐만 아니라 「검증과 사회적 수용」에도 있다는 것. 생성만 빨라지고 검증이 따라잡지 못하면, 래그는 줄어들지 않고, 잘못된 지식의 산업・정책・생활으로의 이전이라는 새로운 위험이 생김
4개 관점을 통해 보이는 것은, 같은 하나의 구도입니다. 생성은 어느 관점에서든 저렴해지고, 가치는 「물음・검증・신뢰」에 집중됨.
7. 맺으며
이와 같이 연구를 체계적으로 조감한 상에서, AI 시대에 어떻게 변혁이 요구되는지 정리했습니다. 이러한 변화를 바탕으로, 연구자와 연구 기관은 급속한 대응을 요구받을 것으로 생각됩니다.
참고 문헌
Abbott, B. P., et al. (LIGO Scientific Collaboration and Virgo Collaboration) (2016). Observation of Gravitational Waves from a Binary Black Hole Merger. Physical Review Letters, 116, 061102.：아인슈타인의 예언으로부터 100년을 경과하여 중력파를 처음으로 직접 관측한, 「새로운 증거」형 기여의 대표 예.
Ahmadpoor, M., & Jones, B. F. (2017). The dual frontier: Patented inventions and prior scientific advance. Science, 357(6351), 583–587.：특허와 과학 논문의 인용 연쇄를 대규모 분석하여, 대부분의 특허가 수 단계로 과학 논문에 도달함을 보여줌.
Akerlof, G. A. (1970). The Market for \"Lemons\": Quality Uncertainty and the Market Mechanism. Quarterly Journal of Economics, 84(3), 488–500.：정보의 비대칭성이 시장의 실패를 일으킴을 보여준 「새로운 이론」형 기여의 대표 예. 노벨 경제학상의 대상이 됨.
Arrow, K. J. (1962). Economic Welfare and the Allocation of Resources for Invention. In The Rate and Direction of Inventive Activity. Princeton University Press.：지식의 공공재성으로부터, 시장에 맡기면 연구가 과소 공급되는 것을 보여준 경제학의 고전.
Ayers, J. W., et al. (2023). Comparing Physician and Artificial Intelligence Chatbot Responses to Patient Questions Posted to a Public Social Media Forum. JAMA Internal Medicine, 183(6), 589–596.：환자의 의료 질문에 대한 AI 챗봇의 답변이 의사의 답변보다 질・공감성의 양쪽에서 높이 평가받은 것을 보여준 맹검 비교 연구. 전문 지식에의 직접 접근의 비용 저하의 증거.
Banerjee, A. V., & Duflo, E. (2011). Poor Economics: A Radical Rethinking of the Way to Fight Global Poverty. PublicAffairs.：무작위화 비교 시험（RCT）을 빈곤 대책의 효과 검증에 도입하여, 증거 기반 정책 형성의 대표 사례가 된 연구군의 집대성.
Boiko, D. A., MacKnight, R., Kline, B., & Gomes, G. (2023). Autonomous chemical research with large language models. Nature, 624, 570–578.：LLM 구동 시스템 「Coscientist」가 문헌 검색에서 실험 계획・로봇 장치 제어・화학 합성의 실행까지를 자율적으로 수행한, AI 연구 루프의 초기 실증.
Bush, V. (1945). Science, The Endless Frontier. U.S. Government Printing Office.：제2차 세계 대전 후 정부에 의한 기초 연구 지원 체제의 설계도가 된 보고서.
Camerer, C. F., et al. (2018). Evaluating the replicability of social science experiments in Nature and Science between 2010 and 2015. Nature Human Behaviour, 2, 637–644.：톱 저널 게재의 사회 과학 실험 21본을 조직적으로 추시한 「재현・추시」형 기여의 대표 예.
Chambers, C. D., & Tzavella, L. (2022). The past, present and future of Registered Reports. Nature Human Behaviour, 6, 29–42.：결과를 보기 전에 문제와 방법만을 심사하여 채택 여부를 결정하는 "등록 보고서(Registered Reports)" 제도와 그 확산(300개 이상의 저널)을 정리한 논문. 결과의 화려함이 아닌 문제의 질로 평가하는 제도 설계의 실제 사례.
CNBC (2025). AI talent war: Tech giants pay talent millions of dollars.：AI 연구자 확보 경쟁과 수백만 달러에서 수억 달러 규모의 보상 제시 실태를 보도한 기사.
Cohen, W. M., & Levinthal, D. A. (1990). Absorptive Capacity: A New Perspective on Learning and Innovation. Administrative Science Quarterly, 35(1), 128–152.：외부 지식을 인식·소화·활용하는 "흡수 능력(Absorptive Capacity)" 개념을 제시하고, 기업이 직접 연구를 수행해야 하는 이유를 설명한 고전 논문.
Deng, J., et al. (2009). ImageNet: A large-scale hierarchical image database. IEEE CVPR 2009.：1,400만 장 이상의 이미지 데이터세트를 구축하여 딥러닝 붐의 토대가 된 "새로운 인공물" 유형 기여의 대표 사례.
DFG (2022). Package of Measures to Support a Shift in the Culture of Research Assessment. Deutsche Forschungsgemeinschaft.：독일 연구 진흥 협회의 연구 평가 개혁 시책 패키지. 신청서에 기재할 수 있는 논문 수 제한(10편) 등 "수가 아닌 질"을 제도화한 선행 사례.
Doll, R., & Hill, A. B. (1950). Smoking and Carcinoma of the Lung. British Medical Journal, 2(4682), 739–748.：흡연과 폐암의 연관성을 보인 역학의 고전. 관찰 연구에 의한 "새로운 증거" 유형 기여의 대표 사례.
DORA (2013). San Francisco Declaration on Research Assessment.：인팩트 팩터를 연구자 개인이나 논문 평가에 사용하지 말 것을 요구한 국제 선언. 수천 개 기관과 개인이 서명하여 평가 개혁의 시발점이 되었다.
Dyson, F. W., Eddington, A. S., & Davidson, C. (1920). A Determination of the Deflection of Light by the Sun's Gravitational Field. Philosophical Transactions of the Royal Society A, 220, 291–333.：일식 관측을 통해 일반 상대성 이론의 예측을 검증한 "새로운 증거" 유형 기여의 대표 사례.
Einstein, A. (1905). Zur Elektrodynamik bewegter Körper. Annalen der Physik, 17, 891–921.：특수 상대성 이론을 제시한 "새로운 이론" 유형 기여의 대표 사례.
Foster, J. G., Rzhetsky, A., & Evans, J. A. (2015). Tradition and Innovation in Scientists' Research Strategies. American Sociological Review, 80(5), 875–908.：수백만 편의 생의학 논문 분석을 통해 연구자들이 확립된 유행 주제에 집중하는 보수적 전략이 지배적임을 보인 실증 연구. 연구의 획일화에 대한 증거.
Fraser, N., et al. (2021). The evolving role of preprints in the dissemination of COVID-19 research and their impact on the science communication landscape. PLOS Biology, 19(4), e3000959.：COVID-19를 계기로 생물의학 분야 사전공개논문(preprint)이 급증했음을 정량적으로 보인 실증 연구.
Furman, J. L., & Stern, S. (2011). Climbing atop the Shoulders of Giants: The Impact of Institutions on Cumulative Research. American Economic Review, 101(5), 1933–1963.：생물 시료를 공적 리포지토리(생물자원센터)에 기탁하면 후속 연구에 의한 이용이 대폭 증가함을 보인 실증 연구. 공개 인프라가 지식 누적을 가속화하는 증거.
Gillum, L. A., et al. (2011). NIH Disease Funding Levels and Burden of Disease. PLOS ONE, 6(2), e16837.：NIH의 질병별 연구 자금 배분이 질병 부담(사회적 질병의 무게)과 어느 정도 연동되어 있음을 보인 실증 연구. 사회 과제가 자금을 끌어당기는 증거.
Gluckman, P. (2014). Policy: The art of science advice to government. Nature, 507, 163–165.：뉴질랜드 총리 과학 자문관에 의한, 과학의 불확실성과 행정 의사결정의 간극을 과학적 자문의 중심 과제로 정리한 논고.
Gottweis, J., et al. (2025). Towards an AI co-scientist. arXiv:2502.18864.：Google의 멀티에이전트형 AI가 박테리아의 유전자 전달에 관한 미해결 문제에 대해 실험 결과와 일치하는 메커니즘 가설을 스스로 제안한 것을 보고한 논문. 복잡 추론(abduction)의 기계화에 대한 초기 실증.
Gray, J. (2009). Jim Gray on eScience: A Transformed Scientific Method. In The Fourth Paradigm: Data-Intensive Scientific Discovery. Microsoft Research.：실험·이론·계산에 이어 "제4 패러다임(데이터 기반 과학)"을 정식화한 강연록. 제1~제4 패러다임 체계의 원점.
Gross, D. P., & Sampat, B. N. (2023). America, Jump-Started: World War II R&D and the Takeoff of the US Innovation System. American Economic Review, 113(12), 3323–3356.：제2차 세계대전 전시 R&D(OSRD) 투자를 받은 지역·기술 분야일수록 전후 발명 활동이 장기적으로 증가했음을 보인 실증 연구. 전쟁 수요가 연구를 발전시키는 증거.
Hill, R., Yin, Y., Stein, C., Wang, D., & Jones, B. F. (2025). The pivot penalty in research. Nature.：연구자가 전문 분야에서 벗어나 새로운 주제로 전환하면 영향력이 감소하는 "피벗 페널티(pivot penalty)"를 대규모 데이터로 보인 실증 연구. COVID-19 시기의 대규모 연구 전환 분석을 포함.
Hjort, J., Moreira, D., Rao, G., & Santini, J. F. (2021). How Research Affects Policy: Experimental Evidence from 2,150 Brazilian Municipalities. American Economic Review, 111(5), 1442–1480.：정책 결정자(시장 등)가 연구 증거 제시를 통해 신념을 업데이트하고 실제로 정책을 변경함을 대규모 실험으로 보인 연구. 증거 기반 정책 결정(EBPM)이 작동함의 직접적 증거.
Hoffmann, M., Nagle, F., & Zhou, Y. (2024). The Value of Open Source Software. Harvard Business School Working Paper 24-038.：오픈소스 소프트웨어의 수요측 경제 가치를 약 8.8조 달러로 추정한 연구. 연구에서 비롯된 인공물(소프트웨어)의 경제적 영향을 보여주는 증거.
Huber, J., et al. (2022). Nobel and novice: Author prominence affects peer review. PNAS, 119(41), e2205779119.：동일한 논문도 저자명이 저명 연구자인지 신인인지에 따라 심사자의 채택 권고가 급격히 바뀌는 "지위 편향"을 대규모 실험으로 보인 연구.
Jinek, M., et al. (2012). A Programmable Dual-RNA–Guided DNA Endonuclease in Adaptive Bacterial Immunity. Science, 337(6096), 816–821.：CRISPR-Cas9에 의한 유전체 편집의 원리를 보인 "새로운 방법" 유형 기여의 대표 사례. 노벨 화학상의 대상이 되었다.
Jones, B. F., & Summers, L. H. (2020). A Calculation of the Social Returns to Innovation. NBER Working Paper 27863.：이노베이션 투자 1달러의 사회적 편익을 평균 5달러 이상으로 추정하여 연구 투자의 사회적 수익의 규모를 보였다.
Jumper, J., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583–589.：단백질 입체 구조 예측을 실용 수준으로 끌어올리고, 공개 데이터베이스로서 "새로운 방법"과 "새로운 인공물"을 동시에 제공했다. 노벨 화학상의 대상이 되었다.
Kidwell, M. C., et al. (2016). Badges to Acknowledge Open Practices: A Simple, Low-Cost, Effective Method for Increasing Transparency. PLOS Biology, 14(5), e1002456.：Psychological Science 저널이 데이터 공개 배지(badge)를 도입한 후 공개율이 약 3%에서 약 40%로 상승했음을 보인 실증 연구. 공개를 성과로서 시각화하면 행동이 변한다는 증거.
Krieger, J. L., et al. (2024). Standing on the shoulders of science. Strategic Management Journal, 45(6).：과학 논문에 기반한 발명이 더 높은 시장가치를 지닌다는 것을 실증했다.
Leng, C., et al. (2023). Fifth Paradigm in Science: A Case Study of an Intelligence-Driven Material Design. Engineering, 24, 126–137.：재료 설계를 사례로 AI 주도형 과학 「제5 패러다임」의 구체적 모습을 보여준 논문이다.
Li, D., Azoulay, P., & Sampat, B. N. (2017). The applied value of public investments in biomedical research. Science, 356(6333), 78–81.：NIH 지원금의 약 30%가 이후 민간 특허에 인용되는 논문을 생산한다는 것을 27년 분의 데이터로 보여준 실증 연구이다. 공적 연구 투자가 산업에 도달하는 경로와 시간차의 근거를 제시한다.
Lintott, C. J., et al. (2008). Galaxy Zoo: morphologies derived from visual inspection of galaxies from the Sloan Digital Sky Survey. Monthly Notices of the Royal Astronomical Society, 389(3), 1179–1189.：10만 명이 넘는 시민 자원봉사자들이 약 90만 개의 은하를 분류한 결과를 심사 논문으로 결실맺은 시민 과학의 대표적 사례이다.
Merton, R. K. (1942). The Normative Structure of Science.：공유성, 보편주의, 이해 초월성, 체계적 회의주의라는 「과학의 에토스」를 정식화한 고전이다.
Microsoft Research (2022). AI4Science to empower the fifth paradigm of scientific discovery.：AI 주도형 과학을 「제5 패러다임」으로 위치시킨 해설이다.
Moretti, E., Steinwender, C., & Van Reenen, J. (2025). The Intellectual Spoils of War? Defense R&D, Productivity, and International Spillovers. Review of Economics and Statistics, 107(1), 14–27.：정부의 방위 R&D가 민간 R&D 투자를 유도하고(크라우드인) 산업의 생산성을 높인다는 것을 OECD 국가 데이터로 보여준 실증 연구이다.
Mowery, D., & Rosenberg, N. (1979). The influence of market demand upon innovation: A critical review of some recent empirical studies. Research Policy, 8(2), 102–153.：기술 주도(technology-push)와 수요 견인(demand-pull)을 둘러싼 실증 연구를 비판적으로 정리한 고전이다. 수요와 기술 기회의 상호작용으로서 혁신을 파악하는 틀의 출발점이다.
Mullis, K. B., & Faloona, F. A. (1987). Specific synthesis of DNA in vitro via a polymerase-catalyzed chain reaction. Methods in Enzymology, 155, 335–350.：DNA 단편을 증폭하는 PCR 기법을 확립한 「새로운 방법」형 기여의 대표 사례이다. 노벨 화학상의 대상이 되었다.
Myers, K. (2020). The Elasticity of Science. American Economic Journal: Applied Economics, 12(4), 103–134.：연구자들이 사용처 지정형 그랜트에 반응하여 연구 주제를 이동시킨다는 것을 NIH 공모 데이터로 보여준 실증 연구이다. 자금 배분이 연구 방향을 결정한다는 근거를 제시한다.
Nelson, R. R. (1959). The Simple Economics of Basic Scientific Research. Journal of Political Economy, 67(3), 297–306.：기초 연구에 대한 공적 지원의 경제학적 근거를 초기에 정식화한 논문이다.
NeurIPS Program Committee Chairs (2025). Reflections on the 2025 Review Process. NeurIPS Blog.：투고 21,575건, 채택률 24.52%라는 규모의 현황과 심사 노이즈 증가, 심사자 확보의 어려움, 저자와 심사자의 의무를 함께 설정하는 새로운 시책을 보고했다.
NISO (2022). CRediT, Contributor Roles Taxonomy (ANSI/NISO Z39.104-2022).：개념화, 분석, 검증 등 14가지 기여 역할을 논문별로 기계가독형으로 기록하는 국제 규격이다. 「누가 무엇을 담당했는가」를 가시화하는 평가 인프라이다.
OECD (2015). Frascati Manual 2015: Guidelines for Collecting and Reporting Data on Research and Experimental Development. OECD Publishing.：연구개발의 국제 표준 정의(기초 연구, 응용 연구, 개발의 3분류)와 연구 해당성의 5가지 기준을 정한 매뉴얼이다.
OECD (2025). Science, Technology and Innovation Outlook 2025. OECD Publishing.：지정학적 환경 변화 속에서 과학 협력의 재구성을 주제로, 연구 보안과 개방성의 양립을 정책 과제로 정리했다.
Open Science Collaboration (2015). Estimating the reproducibility of psychological science. Science, 349(6251), aac4716.：심리학의 유명 연구 100건을 조직적으로 재시험하여, 유의한 재현이 약 36%에 불과함을 보여주었다. 재현성의 위기를 상징하는 「재현·추적 실험」형 기여의 대표 사례이다.
Organization Science Editors (2026). More Versus Better: Artificial Intelligence, Incentives, and the Emerging Crisis in Peer Review. Organization Science.：ChatGPT 공개 후 투고 42% 증가, 높은 AI 사용 논문의 데스크 거절률 69% 등을 정량화하고 「병목이 생산에서 평가로 옮겨갔다」고 진단한 편집부 논설이다.
Page, L., Brin, S., Motwani, R., & Winograd, T. (1999). The PageRank Citation Ranking: Bringing Order to the Web. Stanford InfoLab Technical Report.：Google 검색의 기반이 된 알고리즘을 대학의 테크니컬 리포트로 공개한 사례이다. 학술지 이외의 채널에서도 역사적 기여가 될 수 있음을 보여준다.
Peirce, C. S. (1878). Deduction, Induction, and Hypothesis. Popular Science Monthly, 13, 470–482.：연역, 귀납, 아브덕션(가설 형성)을 「Rule·Case·Result」의 3가지 요소 조합으로 정식화한 고전이다. 콩의 자루 사례도 이 논문에서 나왔다.
Pineau, J., et al. (2021). Improving Reproducibility in Machine Learning Research (A Report from the NeurIPS 2019 Reproducibility Program). Journal of Machine Learning Research, 22(164), 1–20.：NeurIPS에 코드 제출 방침과 재현성 체크리스트를 도입하여 코드 제출률을 대폭 높인 제도 개혁을 보고했다. 재현성의 요건화가 기능함을 보여주는 선행 사례이다.
Popper, K. R. (1959). The Logic of Scientific Discovery. Hutchinson.（원저: Logik der Forschung, 1934）：반증 가능성을 과학적 주장의 조건으로 정식화한 과학철학의 고전이다.
Royal Society (2019). Résumé for Researchers.：논문 목록 대신 「지식, 인재 육성, 사회에 대한 기여」를 글로 작성하는 내러티브 CV의 양식이다. 영국의 주요 자금 배분 기관이 채택했다.
Sackett, D. L., et al. (1996). Evidence based medicine: what it is and what it isn't. BMJ, 312, 71–72.：개별 의사의 경험이나 권위가 아닌 최고의 연구 지식에 기반하여 진료를 수행하는 「근거에 기반한 의료(EBM)」를 정식화한 고전이다. 진료 지침의 사상적 기초이다.
Si, C., Yang, D., & Hashimoto, T. (2024). Can LLMs Generate Novel Research Ideas? A Large-Scale Human Study with 100+ NLP Researchers. arXiv:2409.04109.：100명 이상의 NLP 연구자와의 맹검 비교에서 LLM의 아이디어가 인간보다 새로운 것으로 평가되는 반면, 실현 가능성이 낮아 실행 단계에서 평가가 하락함을 보여준 실험이다. 생성과 검증의 비대칭성의 근거를 제시한다.
Smith, M. L., & Glass, G. V. (1977). Meta-analysis of psychotherapy outcome studies. American Psychologist, 32(9), 752–760.：「메타 분석」이라는 기법 자체를 확립한 「통합」형 기여의 대표 사례이다.
Spitale, G., Biller-Andorno, N., & Germani, F. (2023). AI model GPT-3 (dis)informs us better than humans. Science Advances, 9(26), eadh1850.：GPT-3가 생성한 거짓 정보가 인간이 작성한 거짓 정보보다 간파하기 어렵다는 것을 보여준 실험이다. AI에 의한 오정보 생성 비용 저하의 근거를 제시한다.
Stanford HAI (2025). The 2025 AI Index Report.：주목할 만한 AI 모델의 약 9할이 산업계에서 개발되었다는 등 AI 연구의 주체 변화를 정량적으로 보여주는 연간 보고서.
Stokes, D. E. (1997). Pasteur's Quadrant: Basic Science and Technological Innovation. Brookings Institution Press.：「이해의 추구」와 「실용의 의식」 2개 축으로 연구를 4개 사분면으로 분류하여 선형 모델의 한계를 보여준 고전.
Teplitskiy, M., et al. (2022). Is novel research worth doing? Evidence from peer review at 49 journals. PNAS, 119(47).：49개 저널의 피어 리뷰 데이터에서 신규성이 높은 논문일수록 심사에서 더욱 엄격한 평가를 받는 「신규성 페널티」를 보여준 연구.
Vaswani, A., et al. (2017). Attention Is All You Need. NeurIPS 2017 / arXiv:1706.03762.：생성 AI의 기반이 된 Transformer를 제시한 「새로운 방법」형 기여의 대표 사례. 프리프린트 중심의 AI 연구를 상징하는 논문이기도 함.
Vosoughi, S., Roy, D., & Aral, S. (2018). The spread of true and false news online. Science, 359(6380), 1146–1151.：SNS 상에서 허위 뉴스가 사실보다 더 빠르고 넓고 깊게 확산되는 것을 대규모 데이터로 보여준 실증 연구. 연구 지식이 오정보와 경쟁하는 「마지막 1마일」 문제의 증거.
Watson, J. D., & Crick, F. H. C. (1953). Molecular Structure of Nucleic Acids: A Structure for Deoxyribose Nucleic Acid. Nature, 171, 737–738.：DNA 이중나선 모델을 1페이지 조금 넘게 제시한 「새로운 이론(모델)」형 기여의 대표 사례.
Zhang, L., et al. (2026). When science meets geopolitics: global AI research network transformation (2000–2025). Science and Public Policy.：AI 분야의 국제 공저 네트워크가 미중 대립으로 재편되고 있음을 25년분의 데이터로 실증한 연구.
Zucker, L. G., Darby, M. R., & Brewer, M. B. (1998). Intellectual Human Capital and the Birth of U.S. Biotechnology Enterprises. American Economic Review, 88(1), 290–306.：미국 바이오 산업의 탄생지가 스타 과학자의 위치에 의해 거의 결정되었음을 보여준 실증 연구. 인재의 이동이 곧 지식 이전의 주요 경로임을 나타내는 증거.
읽음
다음 읽을 글 ↓