AI로 모든 질병을 정복할 수 있을까? — 맥스 제이더버그 인터뷰

Giant Ideas 인터뷰 · Isomorphic Labs 사장 Max Jaderberg · 2026년

인터뷰이: 맥스 제이더버그(Max Jaderberg), Isomorphic Labs 사장

주요 주제: AI 신약 개발, AlphaFold, 질병 정복, AI의 과학적 일반화 능력, 임상시험 자동화, 제약 산업의 미래

1. AI로 모든 질병을 해결하겠다는 목표

진행자: 오늘은 AI를 활용해 신약을 개발하고, 궁극적으로 모든 질병을 해결하려는 Isomorphic Labs의 맥스 제이더버그 사장과 이야기하겠습니다.

Isomorphic Labs는 구글의 모회사 Alphabet의 지원을 받아 설립되었으며, DeepMind에서 시작된 연구와 인력을 기반으로 성장했습니다.

먼저 가장 큰 질문부터 시작하겠습니다. 여러분은 모든 질병을 해결하겠다는 야심 찬 목표를 가지고 있습니다. 데미스 허사비스는 약 10년을 이야기했고, Anthropic의 다리오 아모데이는 심지어 5년 정도의 가능성도 언급했습니다.

실제로 모든 질병을 해결하려면 얼마나 걸릴까요?

맥스 제이더버그:

모든 질병을 해결하겠다는 목표가 얼마나 대담한 주장인지 저도 잘 알고 있습니다.

하지만 저희는 그 목표를 진지하게 받아들이고 있습니다.

이것은 단순한 구호가 아닙니다. 저희가 매일 추구하는 궁극적인 목표이자 북극성입니다.

저는 지금 인류가 역사상 한 번도 가져본 적 없는 기술을 손에 넣었다고 생각합니다.

바로 인공지능입니다.

그리고 우리는 AI, 딥러닝, 다양한 생성형 모델로 무엇을 할 수 있는지 알아가는 과정의 극히 초기 단계에 있습니다.

저에게 이 가능성을 처음으로 확실하게 보여준 사례는 AlphaFold였습니다.

AlphaFold의 등장 이후 우리는 생물학과 질병을 이해하는 능력이 놀라운 속도로 발전하는 것을 목격했습니다.

우리는 이제 질병이 어떻게 발생하는지, 생물학적 시스템이 어떻게 작동하는지, 질병을 일으키는 메커니즘이 무엇인지 훨씬 깊이 이해할 수 있는 방향으로 나아가고 있습니다.

그리고 중요한 것은 단순히 질병을 이해하는 데서 끝나지 않는다는 것입니다.

우리는 생물학적 상태 자체를 변화시킬 수 있는 약물을 설계하는 방향으로 발전하고 있습니다.

이러한 발전 추세를 보면 저는 앞으로 10~20년 안에 질병과 생물학을 이해하는 수준이 오늘날과 완전히 달라질 수 있다고 기대합니다.

그때쯤이면 질병이 어떻게 작동하는지, 어떻게 약물을 설계해야 하는지, 질병을 예방하려면 무엇이 필요한지 이해하는 방식이 근본적으로 달라질 것입니다.

물론 정확한 시점을 예측하기는 어렵습니다.

하지만 우리가 지금 가지고 있는 기술의 발전 방향은 매우 고무적입니다.

2. 30~50년 뒤에도 암과 퇴행성 질환이 존재할까?

진행자: 그렇다면 조금 더 긴 시간대를 생각해 보겠습니다. 30년 또는 50년이라는 시간이 주어진다면 AI를 통해 모든 질병을 없앨 수 있다고 확신하시나요?

맥스 제이더버그:

저는 30~50년이 지난 뒤에도 지금 우리가 알고 있는 질병들이 똑같은 의미로 존재한다면 굉장히 실망할 것입니다.

예를 들어 암을 생각해 보세요.

신경퇴행성 질환도 있습니다.

만성 염증과 면역학적 질환도 있습니다.

이런 질병은 정말 많은 사람의 삶을 심각하게 훼손하고 있습니다.

물론 해결하기 굉장히 어려운 문제들입니다.

하지만 저는 우리가 결국 이런 질병을 해결할 수 있어야 한다고 생각합니다.

특히 30년 뒤를 상상해 보면, 저는 질병에 대한 우리의 이해와 치료 능력이 지금과는 완전히 달라져 있기를 기대합니다.

그때에도 사람들이 오늘날과 똑같은 질병으로 고통받고 있다면, 우리가 기술적으로 달성할 수 있었던 가능성을 충분히 활용하지 못한 것일 수 있습니다.

3. 질병 정복의 의미는 수명 연장보다 건강수명에 있다

진행자: 모든 질병을 해결한다는 말은 실제로 어떤 의미인가요? 조기 사망을 일으키는 질환들을 완치한다는 뜻인가요?

맥스 제이더버그:

저희는 건강수명(Healthspan)을 극대화하는 문제를 중요하게 생각합니다.

사람이 몇 년을 사는지도 중요하지만, 그중 얼마나 오랜 시간을 건강하고 활력 있게 살아가는지가 더욱 중요할 수 있습니다.

불행하게도 많은 사람은 생애 마지막 5년, 10년, 심지어 15~20년을 질병과 함께 보냅니다.

신체적 능력이 떨어지고, 삶의 질이 감소하며, 자신이 가진 잠재력을 충분히 발휘하지 못하는 상태로 살아가죠.

그 이유 중 하나는 우리가 아직 많은 질병을 제대로 이해하지 못하기 때문입니다.

일부 질병에 대해서는 증상을 완화하거나 진행을 늦추는 방법을 알고 있습니다.

하지만 질병의 근본적인 원인을 해결할 수 있는 능력은 여전히 제한적입니다.

저는 이 상황을 바꿀 가능성이 매우 크다고 생각합니다.

그리고 여기서 이야기하는 것은 단순히 수명을 연장하는 기술보다 앞선 단계입니다.

노화 자체를 늦추거나 인간의 최대 수명을 늘리는 문제도 중요하지만, 그전에 우리가 해결해야 할 과제들이 있습니다.

예를 들어 질병이 발생하기 전에 예방할 수 있다면 어떨까요?

노년기에 발생하는 심각한 질환들을 애초에 막을 수 있다면 어떨까요?

이런 예방의학도 저희가 생각하는 궁극적인 목표에 포함됩니다.

4. AI 신약 개발 엔진은 이미 성과를 내기 시작했다

진행자: 모든 질병을 해결한다는 궁극적인 목표에 도달하기 전에 어떤 성과들이 나타날까요? 내부적으로 진행하고 있는 연구에서 초기 성공 사례들이 나오고 있나요?

맥스 제이더버그:

신약 개발 산업은 정말 흥미로운 분야입니다.

저희는 동시에 여러 개의 첨단 과학 프로젝트를 진행하고 있습니다.

각각의 프로젝트는 새로운 의약품을 개발하는 것을 목표로 합니다.

그리고 지금 내부적으로 관찰하는 결과는 상당히 고무적입니다.

우리가 개발하고 있는 AI 신약 설계 엔진이 실제로 작동하기 시작했다는 것입니다.

저희는 이제 놀라운 속도로 과학적 돌파구를 만들어 내고 있습니다.

기존 연구자들이 해결하지 못했던 신약 개발 문제에서 진전을 이루고 있습니다.

특히 대형 제약회사들이 오랫동안 연구했지만 해결하지 못했던 문제를 AI 모델을 통해 새롭게 풀어내는 사례들이 나타나고 있습니다.

아직 새로운 의약품이 실제 환자에게 제공되는 단계까지는 많은 과정이 남아 있습니다.

하지만 연구개발 과정에서의 변화는 이미 상당히 큽니다.

5. 기존 신약 개발과 AI 신약 설계는 무엇이 다른가?

진행자: 실제로 AI가 의약품을 설계한다는 것이 어떤 의미인지 설명해 주시겠어요? 컴퓨터 안에서 분자를 시뮬레이션하는 방식인가요?

맥스 제이더버그:

좋은 질문입니다.

먼저 의약품이 무엇인지부터 생각해 보겠습니다.

의약품은 기본적으로 분자입니다.

일부는 우리가 알약으로 삼킬 수 있는 작은 분자입니다.

다른 일부는 항체나 펩타이드 같은 물질입니다. 이들은 주사 형태로 투여되는 경우가 많습니다.

이 분자들은 우리 몸속에 들어가 다양한 단백질과 상호작용합니다.

단백질은 생명을 구성하는 핵심 요소이자 세포 내부에서 작동하는 작은 분자 기계라고 볼 수 있습니다.

약물은 이러한 단백질과 상호작용하면서 생물학적 기능을 변화시킵니다.

그런데 전통적인 신약 개발 방식에는 문제가 있습니다.

기본적으로 엄청난 규모의 시행착오에 의존한다는 것입니다.

먼저 수십만 개에서 수백만 개의 후보 분자를 생각해 냅니다.

그리고 그것들을 실제 실험실에서 테스트합니다.

여러 시험관과 세포 배양 접시에 분자를 넣고 어떤 반응이 나타나는지 관찰합니다.

어떤 분자가 효과를 보이는지, 어떤 분자는 실패하는지 반복적으로 확인합니다.

물론 이 방식은 지금까지 엄청난 성과를 만들어 왔습니다.

지난 50~100년 동안 개발된 놀라운 의약품들은 우리의 삶의 질을 크게 개선했습니다.

하지만 저는 이 방식이 본질적으로 제한적이라고 생각합니다.

결국 실제 실험을 통해 후보들을 하나씩 검증해야 하기 때문입니다.

저희가 구축하고 있는 시스템은 다릅니다.

저희는 훨씬 더 많은 설계 과정을 컴퓨터 안에서 수행합니다.

강력한 생성형 AI 모델과 설계 에이전트가 새로운 분자 구조를 만들어 냅니다.

그리고 예측 모델을 활용해 그 분자들이 실제 생물학적 환경에서 어떻게 작동할지 평가합니다.

이를 일종의 세계 모델(World Model), 또는 실제 세계에 대한 시뮬레이션이라고 생각할 수 있습니다.

AlphaFold가 대표적인 예시입니다.

실험실에 가서 분자를 만들고 테스트하기 전에 컴퓨터 모델을 이용해 먼저 예측하는 것입니다.

그 결과 훨씬 더 정교한 설계를 할 수 있습니다.

그리고 최종적으로 실제 실험실에서 분자를 만들고 테스트할 때 성공할 확률을 높일 수 있습니다.

중요한 것은 단순히 시간을 절약한다는 사실만이 아닙니다.

전통적인 실험 방식으로는 너무 어려워서 해결하지 못했던 문제들까지 접근할 수 있다는 것입니다.

6. 제약회사가 10~20년 동안 해결하지 못한 문제를 몇 달 만에 진전시킨다

진행자: 그런 접근법으로 실제로 얼마나 큰 개선을 이루고 있나요?

맥스 제이더버그:

일부 사례는 정말 놀랍습니다.

예를 들어 대형 제약회사 파트너들이 특정 신약 개발 문제를 10년이나 20년 동안 연구한 경우가 있습니다.

그동안 의미 있는 성과를 조금씩 만들어 내기는 했지만, 전체적으로는 진전이 제한적이었던 문제들이죠.

그런데 저희의 생성형 모델과 예측 모델, 신약 설계 엔진을 적용하면 단 몇 달 만에 엄청난 진전을 이룰 수 있습니다.

우리가 지금 내부적으로 보고 있는 변화가 바로 이런 것입니다.

물론 모든 신약 개발 문제를 몇 달 만에 해결한다는 뜻은 아닙니다.

하지만 기존 방식으로는 매우 어려웠던 문제를 전혀 다른 접근법으로 풀어낼 수 있다는 점에서 굉장히 흥미롭습니다.

7. 과거의 AI 신약 개발과 지금의 AI 신약 개발은 근본적으로 다르다

진행자: AI 신약 개발은 이전에도 존재했습니다. 하지만 과거에는 상당한 기대를 받았던 기업들이 약속만큼의 성과를 내지 못하기도 했죠.

지금은 무엇이 달라졌나요? 단순히 AI가 더 강력해졌기 때문인가요?

맥스 제이더버그:

컴퓨터를 이용해 신약을 발견하려는 시도는 오래전부터 있었습니다.

전통적인 머신러닝, 물리 시뮬레이션, 초기 AI 기술 등이 이미 활용되고 있었죠.

하지만 과거의 방법들은 충분히 잘 작동하지 않았습니다.

저는 과거의 모델들을 국소 모델(Local Model)이라고 부릅니다.

왜냐하면 화학적 공간의 매우 좁은 영역에서만 제대로 작동했기 때문입니다.

신약 개발이 어려운 이유를 이해하려면 가능한 분자의 수를 생각해 봐야 합니다.

약물처럼 작용할 수 있는 분자들의 수는 상상을 초월할 정도로 많습니다.

일부 추정에서는 가능한 약물 유사 분자의 수를 약 \(10^{60}\)개로 이야기합니다.

정말 터무니없이 큰 숫자입니다.

모든 분자를 하나씩 실험한다는 것은 불가능합니다.

과거 머신러닝은 이러한 거대한 공간 중 아주 작은 부분에서 데이터를 모으고 모델을 학습하는 방식이었습니다.

특정 신약 개발 프로젝트에서 데이터를 수집합니다.

그 데이터로 작은 모델을 훈련합니다.

그리고 그 모델을 사용해 다음 실험을 조금 더 효율적으로 수행합니다.

이런 방식도 도움이 되었습니다.

성능이나 효율을 5~10% 정도 개선할 수 있었을지도 모릅니다.

하지만 신약 개발의 패러다임을 바꿀 정도는 아니었습니다.

그러다가 AlphaFold가 등장했습니다.

AlphaFold는 완전히 다른 가능성을 보여주었습니다.

저는 이것을 **강력한 일반화(Strong Generalization)**라고 부릅니다.

모델이 학습 데이터의 좁은 영역에서만 작동하는 것이 아니라, 훨씬 넓은 과학적 공간으로 일반화할 수 있다는 것입니다.

모델을 제한된 데이터로 학습시켰다고 해도, 이전에 한 번도 본 적 없는 새로운 문제에 적용할 수 있습니다.

심지어 훈련 데이터와 상당히 다른 생물학적 문제에도 활용할 수 있습니다.

이것이 굉장히 중요합니다.

이전에는 특정 문제를 조금 더 효율적으로 해결하는 수준이었습니다.

하지만 일반화 능력을 갖춘 모델은 이전에는 해결할 수 없었던 과학적 문제에 접근할 수 있게 해줍니다.

저희는 현재 내부적으로 AlphaFold와 비슷한 수준의 모델을 여섯 개 이상 개발해 활용하고 있습니다.

이 모든 연구에서 가장 중요하게 생각하는 능력이 바로 일반화입니다.

우리가 알고 있는 일부 데이터를 학습하더라도, 전혀 새로운 과학적 영역에 적용할 수 있어야 합니다.

그것이 AI를 통한 신약 개발의 핵심 혁신입니다.

8. AI는 인간이 이해하지 못한 생물학까지 예측할 수 있다

진행자: 그렇다면 AI가 인간보다 생물학을 더 깊이 이해하기 시작했다고 볼 수 있을까요?

회의적인 제약회사 경영자라면 실제 생물학적 데이터가 충분하지 않고, 우리가 생물학을 제대로 이해하지 못하므로 AI의 예측을 믿을 수 없다고 주장할 수도 있을 것 같습니다.

맥스 제이더버그:

바로 그 부분이 저희가 Isomorphic Labs에서 연구해 온 핵심적인 기술입니다.

저는 지금도 머신러닝과 AI가 놀랍다고 생각합니다.

우리는 제한된 데이터만 가지고 모델을 훈련할 수 있습니다.

그리고 알고리즘을 정교하게 설계하고, 모델 구조를 개선하고, 데이터 분포를 적절히 구성하고, 컴퓨팅 자원을 효과적으로 활용해 규모를 확장합니다.

그렇게 하면 놀라울 정도로 정확한 예측 모델을 만들 수 있습니다.

실제로 저희의 여러 모델은 실험 수준의 정확도에 가까워지고 있습니다.

그것이 저희의 기준입니다.

저희의 목표는 실제 세계에서 수행하는 실험을 가능한 한 정확하게 예측 모델로 대체하는 것입니다.

더 놀라운 것은 이러한 모델이 아무도 연구하지 않았던 새로운 영역에서도 높은 예측력을 보여준다는 사실입니다.

저희는 단순히 벤치마크 점수만 높이는 작업을 하는 것이 아닙니다.

실제 실험실에서 AI 모델을 활용해 완전히 새로운 분자를 설계하고 있습니다.

그리고 기존에 발견되지 않았던 생물학적 작용 메커니즘을 활용하는 분자도 설계할 수 있습니다.

이런 결과가 한 번만 나타난 것도 아닙니다.

저희는 이미 수십 차례 이런 사례를 관찰했습니다.

그렇기 때문에 저는 이 기술이 실질적인 과학적 발견을 가능하게 한다고 믿습니다.

단순히 알려진 데이터를 더 빠르게 분석하는 도구를 넘어, 새로운 과학적 가능성을 발견하는 도구가 되고 있다는 것입니다.

9. AI 생명과학 연구에서 가장 큰 병목은 데이터와 컴퓨팅이다

진행자: AI 개발에 필요한 데이터가 부족하다고 느끼시나요?

맥스 제이더버그:

AI 연구를 하면서 데이터가 부족하다고 느끼지 않거나 컴퓨팅 자원이 부족하다고 느끼지 않는다면, 저는 무언가 잘못하고 있다고 생각합니다.

AI 연구에서는 언제나 더 많은 데이터와 컴퓨팅 자원이 필요합니다.

특히 생물학과 화학에서는 이 문제가 더욱 심각합니다.

일반적인 AI 연구에서는 인터넷에 있는 대규모 데이터를 내려받아 사용할 수 있습니다.

하지만 생물학과 화학은 그렇지 않습니다.

물론 과거 연구자들이 구축한 훌륭한 데이터셋이 존재합니다.

그러나 저희는 앞으로 이 분야를 발전시키는 데 필요한 상당수의 데이터를 AI 모델을 위해 별도로 생성해야 한다고 생각합니다.

지금까지 생물학과 화학에서는 머신러닝 모델을 학습시키기 위한 데이터를 체계적으로 생성하는 접근이 충분히 이루어지지 않았습니다.

저희는 이것을 바꾸려고 합니다.

진행자: 그런 데이터는 어떻게 확보하나요?

맥스 제이더버그:

저희는 현재 필요한 데이터를 체계적으로 생성하기 위한 매우 야심 찬 프로젝트들을 진행하고 있습니다.

여러 훌륭한 연구자 및 협력기관과 함께 작업하고 있습니다.

기존 신약 개발에서는 실험을 진행한 뒤 그 결과를 데이터로 축적하는 방식이 일반적이었습니다.

하지만 저희에게는 이미 AI 모델과 신약 설계 엔진이 있습니다.

그래서 모델의 성능을 개선하려면 어떤 데이터가 필요한지 어느 정도 파악할 수 있습니다.

그 정보를 바탕으로 필요한 실험 데이터를 의도적으로 생성할 수 있습니다.

저는 이러한 접근법이 앞으로 AI를 활용한 생물학 연구에서 매우 중요해질 것이라고 생각합니다.

10. 임상시험은 AI 신약 개발의 가장 큰 병목이 될 수 있다

진행자: AI가 아무리 좋은 약물을 설계하더라도 결국 임상시험을 거쳐야 합니다.

임상시험은 굉장히 오래 걸리는데, 이것이 신약 개발을 가로막는 주요 병목이 되지 않을까요?

맥스 제이더버그:

정말 중요한 문제입니다.

우리가 AI로 놀라운 신약을 만들어 내더라도 임상시험의 속도 때문에 환자들에게 전달하지 못한다면 매우 안타까운 일이 될 것입니다.

하지만 임상시험이 느린 데에는 타당한 이유가 있습니다.

바로 환자의 안전 때문입니다.

새로운 의약품을 개발한다면 무엇보다 환자의 안전을 최우선으로 생각해야 합니다.

그 약물이 실제로 효과가 있는지, 어떤 부작용을 일으키는지 신중하게 확인해야 합니다.

현재 우리가 임상시험을 그렇게 조심스럽게 진행하는 이유는 사실 신약을 설계하는 능력이 아직 충분하지 않기 때문입니다.

일반적으로 임상시험에 진입한 신약 후보의 약 90%가 실패합니다.

약물이 예상했던 방식으로 질병에 작용하지 않을 수 있습니다.

안전하다고 생각했던 분자가 실제로는 안전하지 않을 수도 있습니다.

신체의 다른 부분과 예상하지 못했던 상호작용을 일으킬 수 있습니다.

독성이 발생할 수도 있습니다.

그래서 환자를 대상으로 한 시험은 매우 조심스럽게 진행할 수밖에 없습니다.

그리고 이 과정을 체계적으로 검증하려면 수년이 걸릴 수 있습니다.

그렇다고 현재의 임상시험 방식을 그대로 유지해야 한다는 의미는 아닙니다.

저는 임상시험 방식도 반드시 변화해야 한다고 생각합니다.

하지만 그 변화를 가능하게 하는 가장 중요한 방법은 처음부터 훨씬 더 좋은 의약품을 설계하는 것입니다.

신약 후보의 90%가 실패하는 상황을 크게 개선할 수 있다면 어떨까요?

특정 약물이 어떤 방식으로 작용할 것이라고 예측했을 때 실제로도 그 방식대로 작용한다면 어떨까요?

독성이 없을 것이라고 예측한 약물이 실제로도 안전하다면 어떨까요?

그렇게 된다면 임상시험의 실패율을 크게 낮출 수 있습니다.

그리고 장기적으로는 의약품을 환자에게 전달하는 속도도 훨씬 빨라질 것입니다.

저는 이것이 앞으로 나아가야 할 방향이라고 생각합니다.

11. Isomorphic Labs는 신약 개발 분야의 SpaceX를 지향한다

진행자: Isomorphic Labs의 목표는 신약 개발의 모든 과정을 직접 수행하는 수직계열화인가요?

맥스 제이더버그:

그렇습니다.

저희를 신약 개발 산업의 SpaceX와 비슷하다고 생각하셔도 좋습니다.

SpaceX가 로켓 개발과 관련된 다양한 기술과 생산 과정을 내부적으로 통합하는 것처럼, 저희도 신약 개발의 전 과정을 통합하려고 합니다.

저희는 직접 AI 모델을 개발합니다.

모델 학습에 필요한 데이터도 생성합니다.

새로운 분자를 설계합니다.

그리고 그 분자를 실제 의약품으로 개발해 임상 단계까지 가져갑니다.

이 모든 과정을 하나의 시스템으로 연결하려고 합니다.

진행자: 그렇다면 기존 제약회사와 협력하지 않고 모든 것을 직접 하려는 건가요?

맥스 제이더버그:

아닙니다. 저는 두 가지 접근법을 모두 활용하는 것이 중요하다고 생각합니다.

질병의 종류는 정말 다양합니다.

그리고 각 질병을 치료하기 위해서는 해당 분야의 전문성이 필요합니다.

특히 임상 개발 단계에서는 질환별로 특화된 지식과 경험이 중요합니다.

그래서 저희는 내부적으로 암, 면역학, 염증성 질환 분야에 집중하고 있습니다.

이러한 분야에서는 자체적인 임상 개발 역량을 축적하려고 합니다.

하지만 다른 질병 분야도 매우 중요합니다.

저희가 개발하고 있는 AI 신약 설계 엔진은 특정 질병에만 적용되는 기술이 아닙니다.

원칙적으로 모든 질병 영역에 적용할 수 있도록 설계하고 있습니다.

따라서 다른 질환에 대해 뛰어난 전문성을 가진 제약회사와 협력하면 저희의 AI 기술을 훨씬 더 넓은 영역에 적용할 수 있습니다.

이것이 저희가 자체 신약 개발과 외부 협력을 병행하는 이유입니다.

12. 앞으로 AI 없이 신약을 설계하는 시대는 없을 것이다

진행자: 기존 대형 제약회사들은 Isomorphic Labs의 등장에 위협을 느끼나요, 아니면 기대하고 있나요?

맥스 제이더버그:

그것은 제약회사들에 직접 물어보셔야 할 것 같습니다.

저희는 AI 신약 개발의 가능성을 높이 평가하는 제약회사들과 협력하는 것을 좋아합니다.

예를 들어 일라이 릴리 같은 기업과 협력하고 있습니다.

이런 기업들은 비교적 이른 시기부터 AI가 신약 개발에 중요한 역할을 할 것이라고 확신했습니다.

저희는 약 5년 동안 이러한 가능성을 강하게 믿어 왔습니다.

그리고 2026년인 지금은 바이오제약 업계의 거의 모든 사람이 AI의 중요성을 이해하기 시작했다고 생각합니다.

저는 미래에 대해 아주 강한 확신을 가지고 있습니다.

앞으로 모든 의약품을 AI를 활용해 설계하지 않는 미래는 제 머릿속에 존재하지 않습니다.

저는 이 기술이 얼마나 잘 작동하는지 직접 보고 있습니다.

따라서 과거 방식으로 돌아갈 이유가 없습니다.

저희는 앞으로도 계속 AI 신약 설계 기술을 발전시킬 것입니다.

13. 가장 먼저 해결하려는 질병은 암과 면역·염증성 질환이다

진행자: 현재 가장 많은 자원과 시간을 투입하는 질병은 무엇인가요? 어떤 질병을 가장 먼저 해결할 수 있다고 생각하시나요?

맥스 제이더버그:

저희가 내부적으로 가장 집중하는 분야는 암, 면역학, 염증성 질환입니다.

암에도 매우 다양한 종류가 있습니다.

만성 염증을 해결하기 위한 접근법도 다양합니다.

면역학적 질환 역시 굉장히 복잡합니다.

저희는 가능한 한 영향력이 큰 문제를 해결하는 데 집중하려고 합니다.

환자의 삶에 정말 근본적인 변화를 만들어 낼 수 있는 의약품을 개발하고 싶습니다.

특히 기존 연구자들이 아직 해결하지 못한 어려운 문제에 관심이 많습니다.

저는 이것이 현재 Isomorphic Labs가 가장 잘할 수 있는 영역이라고 생각합니다.

일반적으로 10년이나 20년이 걸릴 정도로 어려운 신약 개발 문제들이 있습니다.

저희는 이러한 문제를 최대한 빠르게 해결하고, 새로운 치료제를 임상시험 단계와 실제 환자에게 전달하기 위해 노력하고 있습니다.

단순히 기존 약물보다 약간 더 나은 의약품을 만드는 데 만족하고 싶지 않습니다.

지금까지 해결하지 못했던 중요한 질병들을 치료할 수 있는 새로운 방법을 찾고 싶습니다.

14. 생명과학 AI의 위험성은 어떻게 관리할 것인가?

진행자: 최근 AI에 대한 부정적인 시각도 증가하고 있습니다.

데이터센터 건설에 반대하는 시위도 있고, AI가 인류에게 심각한 위험을 초래할 수 있다는 우려도 있습니다.

반면 질병 치료와 예방은 AI가 인류에 엄청난 혜택을 제공할 수 있는 분야입니다.

하지만 생물학에 특화된 AI가 악의적인 사람들의 손에 들어갈 위험도 있지 않을까요?

맥스 제이더버그:

저는 AI가 인류에게 긍정적인 영향을 미치는 방향으로 활용되도록 해야 한다고 생각합니다.

이것이 제가 Isomorphic Labs에서 일하는 가장 중요한 이유 중 하나입니다.

우리가 개발하는 기술을 어떻게 활용하는지 매우 신중하게 생각해야 합니다.

일반적인 AI뿐 아니라 생물학에 특화된 AI도 세계에 큰 영향을 미칠 수 있습니다.

따라서 보안과 접근 통제는 매우 중요합니다.

모델을 어떻게 활용할 것인지, 누가 접근할 수 있는지 충분히 고려해야 합니다.

저희는 자체적으로 개발한 모델을 내부에서만 사용합니다.

외부 사람들이 저희 모델에 직접 접근할 수 있는 구조가 아닙니다.

이러한 방식은 보안 측면에서 의미 있는 차이를 만들어 냅니다.

진행자: 그래도 이런 모델이 잘못된 사람의 손에 들어간다면 세계에 심각한 피해를 줄 수 있다는 강한 위기감을 느끼시나요?

맥스 제이더버그:

현재 저에게는 그런 강렬한 위기감이 있는 것은 아닙니다.

물론 기술이 잘못된 방식으로 사용될 가능성은 항상 존재합니다.

하지만 저희가 개발하는 모델은 매우 구체적인 목적을 위해 설계되고 훈련됩니다.

바로 신약 설계와 그 목적에 필요한 생물학적 이해입니다.

저희가 내부적으로 수행하는 모든 연구도 이러한 목적에 집중되어 있습니다.

그렇기 때문에 저희 모델의 활용 영역 역시 그 목적에 맞춰져 있다고 생각합니다.

그렇다고 보안 문제를 무시한다는 뜻은 아닙니다.

기술을 신중하게 개발하고 관리하는 것은 여전히 중요합니다.

15. 인간이 훨씬 오래 건강하게 산다면 사회는 어떻게 달라질까?

진행자: 모든 질병을 해결한다는 목표는 누구나 지지할 수 있을 것 같습니다.

하지만 실제로 그 비전이 실현된다면 예상하지 못했던 결과도 발생하지 않을까요?

예를 들어 사람들이 지금보다 100년 더 건강하게 살아간다면 사회는 어떻게 달라질까요?

맥스 제이더버그:

사람들이 더 건강해지고 사랑하는 사람들과 더 오랜 시간을 보낼 수 있다니, 정말 끔찍한 일이겠네요. (웃음)

물론 농담입니다.

이 질문에는 훨씬 더 광범위한 논의가 필요하다고 생각합니다.

저보다 이 문제를 더 잘 연구하는 전문가들이 있을 것입니다.

하지만 우리가 지금 경험하고 있는 변화는 매우 근본적입니다.

지능이 폭발적으로 발전하고 있습니다.

우리가 살아가는 물리적 세계를 이해하는 능력도 빠르게 증가하고 있습니다.

그리고 사람들이 더 건강하게, 더 오랫동안 살아갈 수 있는 가능성이 열리고 있습니다.

이런 변화는 단순히 의료 산업만 바꾸는 것이 아닙니다.

우리가 어떤 방식으로 살아가기를 원하는지 바꿀 수 있습니다.

사회의 구조도 달라질 수 있습니다.

우리가 가진 직업과 일하는 방식도 달라질 수 있습니다.

저는 이런 변화들이 앞으로 50년 동안 펼쳐질 중요한 문제들이라고 생각합니다.

16. 신약 개발은 과학에서 가장 흥미로운 도전이다

진행자: 지금 하고 계신 연구는 일반인이 이해하기 어려울 정도로 복잡하지만, 동시에 굉장히 흥미롭습니다.

이 일이 얼마나 중대한 과학적 도전인지 설명해 주시겠어요?

맥스 제이더버그:

저는 상당히 편향된 입장이라는 것을 인정합니다.

하지만 개인적으로는 지금 우리가 수행하는 일이 세상에서 가장 흥미로운 도전이라고 생각합니다.

이 문제는 정말 많은 차원에서 어렵습니다.

AI 기술 자체도 어렵습니다.

생물학과 화학도 어렵습니다.

실험을 설계하고 수행하는 것도 어렵습니다.

그리고 서로 다른 과학적 기술들을 하나의 시스템으로 통합하는 것은 훨씬 더 어렵습니다.

저희는 SpaceX처럼 로켓이 하늘로 발사되고 불꽃이 터지는 장면을 보여줄 수는 없습니다.

하지만 기술적인 관점에서는 그만큼 흥미진진한 일을 하고 있다고 생각합니다.

우리가 개발해야 하는 기술들은 과학의 여러 분야에 걸쳐 있습니다.

AI 모델을 개발해야 합니다.

새로운 데이터를 생성해야 합니다.

생물학적 시스템을 이해해야 합니다.

분자를 설계하고, 실험하고, 실제 의약품으로 만들어야 합니다.

이 과정에는 수많은 과학적 돌파구가 필요합니다.

그리고 이 모든 것을 하나의 아름다운 기계처럼 작동하도록 통합해야 합니다.

그것이 바로 저희가 만들고 있는 신약 설계 및 개발 엔진입니다.

저는 이러한 시스템이 새로운 세대의 치료제를 만들어 낼 것이라고 생각합니다.

그리고 장기적으로 인류에 매우 큰 영향을 미칠 수 있다고 믿습니다.

개인적으로 이런 일을 할 수 있다는 사실 자체가 정말 행운이라고 생각합니다.

인터뷰 핵심 발언 정리

이 인터뷰에서 특히 중요한 세 가지

첫째, AI 신약 개발의 핵심 변화는 단순한 자동화가 아니라 일반화 능력입니다.

과거에는 기존 실험 데이터를 이용해 연구 효율을 조금 개선하는 수준이었다면, 맥스는 이제 학습 데이터에 포함되지 않았던 새로운 과학적 문제까지 AI가 해결할 수 있다고 주장합니다.

둘째, 신약 개발의 초기 연구 단계와 실제 의약품 승인 단계는 구별해야 합니다.

몇 달 만에 과학적 돌파구를 발견했다는 것은 상당히 중요한 성과지만, 그것이 몇 달 만에 환자에게 투여할 수 있는 신약을 개발했다는 의미는 아닙니다. 독성, 효과, 인체 내 작용 등은 여전히 임상시험을 통해 검증해야 합니다.

셋째, Isomorphic Labs는 단순한 AI 소프트웨어 공급업체가 아니라 완전한 신약 개발 기업을 지향합니다.

AI 모델 개발, 데이터 생성, 분자 설계, 실험, 임상 개발까지 통합하려는 전략입니다. 이는 AI 기술이 제약 산업의 연구 도구를 넘어 새로운 신약 개발 기업의 핵심 경쟁력이 될 수 있다는 관점을 보여줍니다.

이 인터뷰에서 가장 인상적인 대목은 맥스가 10~20년 안에 모든 질병이 완치된다고 단정하는 것이 아니라, 10~20년 안에 생물학을 이해하고 약물을 설계하는 능력 자체가 근본적으로 달라질 것이라고 기대한다는 점입니다.

또한 그의 주장에 따르면 AI의 과학적 일반화 능력은 이미 신약 설계 과정에서 가시적인 성과를 내기 시작했습니다. 다만 이러한 내부 성과가 실제 임상 성공률과 환자 치료 결과를 얼마나 개선할지는 앞으로 확인해야 할 핵심 과제입니다.