주제에 대한 설명(1문장): AI가 산출한 예측과 발견이 인간의 이해·설명 가능성 없이도 검증과 정확성을 근거로 과학적 지식으로 정당화될 수 있는지를, 설명성과 정확성의 딜레마 속에서 검토한다.
본인이 해당 문헌을 담당하게 된 배경에 대한 간략한 설명(문헌별 1문장): 첫번째 문헌은 구획 문제와 관련된 과학의 지식의 정당성에 대한 원론적인 내용을 담았고, 두번째 문헌은 실제 사례에서 AI가 과학을 하는 모습을 담는데 양쪽 층위로의 연결을 원활하게 할 수 있을 것이다.
문헌1: Science and pseudo-Science
문헌2: A-Lab
1. 『Science and pseudo-Science』 – Hansson, S. O. (2025)
서지정보: Hansson, S. O. (2025). Science and pseudo-science. In E. N. Zalta & U. Nodelman (Eds.), The Stanford Encyclopedia of Philosophy (Summer 2025 ed.). Metaphysics Research Lab, Stanford University. https://plato.stanford.edu/archives/sum2025/entries/pseudo-science/
쟁점: 과학과 유사과학의 경계 설정(demarcation) 문제를 다룬다. 과학 개념의 기술적 요소와 규범적 요소 사이의 긴장, 그리고 왜 경계가 정책, 의료, 교육, 저널리즘, 법정에서 실천적으로 중요한지 확인한다.
딜레마: 1) 단일 기준만으로 충분한가 아니면 다중 기준, 가족 유사성이 필요한가. 2) 유사과학을 과학 사칭으로 한정할 것인가 아니면 가장 신뢰할 지식을 제공한다고 보이게 하는 교설까지 포함할 것인가 3) 구획 경계는 시간 불변이어야 하는가 아니면 동시대 최선 지식에 비추어 역사적으로 변동하는가. 4) 비과학(non-science), 불과학(unscientific), 유사과학(pseudoscience)의 구분을 어떻게 정교화할 것인가.
주장: 유사과학은 현재 이용 가능한 최선의 지식과 어긋나면서도 과학의 권위를 모방하거나 스스로를 가장 신뢰할 지식인 양 보이게 하는 교설로서, 단일 잣대보다 재현성과 반증에 대한 응답성, 공개성, 정합성, 진보성 등 여러 규범과 관행의 클러스터로 식별하는 편이 타당하다.
논증 방식: 먼저 유사과학이 왜 문제인지(정책 지연, 위험 관리 실패, 의료 피해, 교육·언론 왜곡, 법정의 전문가 증언 신뢰성 훼손)를 사례로 제시한 뒤, 역사적 개념사적 고찰을 통해 ‘유사(pseudo)’와 ‘과학(science)’의 의미망을 정리한다. 이어서 검증주의가 과학과 형이상학 경계에는 유용하지만 유사과학 식별에는 한계가 있음을 지적하고, 포퍼의 반증가능성은 명료한 기준을 제공하되 이미 반박된 유사과학과 정당한 과학 일부를 동시에 걸러낼 위험이 있음을 논한다. 쿤의 정상과학과 퍼즐 해결 모형을 통해 점성술 같은 영역이 실패를 새로운 연구 퍼즐로 전환하지 못했음을 설명하고, 라카토시와 새가드의 논의를 빌려 연구 프로그램의 진보/퇴행과 공동체의 행태(경쟁 이론과의 비교, 선택적 확인·반증, 문제 해결 의지)를 평가 기준으로 보완한다. 더 나아가 체계성, 정합성, 통합성, 그리고 머튼의 과학 규범(CUDOS)과 최근의 공개성/공동성 논의를 결합해 단일 기준을 넘어서는 다중 기준 접근을 제시하고 창조론, 점성술, 동종요법, 홀로코스트 부정, 기후과학 부정 등 개별 사례 판정에서 높은 합의가 도출되는 “다름 속의 통일”을 보여주며 결론을 정리한다.
기타: 해당 문헌은 과학과 유사과학을 구분짓는 문제에 대해서 검증주의자, 포퍼, 쿤, 라카토시 등의 학자가 제시했던 과학 모델을 바탕으로 내용을 전개한다. 이는 기본적으로 과학 지식의 생산과 검증이 어떻게 이루어지는지 원론적으로 살펴 볼 수 있고 AI가 생산한 지식을 어떻게 과학 지식으로 승인할 것인지에 대한 기본적인 틀을 제공한다. 추가로 현재의 AI는 인간을 모방하기 때문에 AI가 행한 활동은 과학으로 인정되거나 과학과 비슷한 유사과학으로 규정할 수 있을 것이다. 이 구분에 대해 해당 문헌이 도움을 줄 것이라 생각한다.
2. 『An autonomous laboratory for the accelerated synthesis of novel materials』 – Szymanski, N. J. 외 (2023)
서지정보: Szymanski, N. J., Rendy, B., Fei, Y., Kumar, R. E., He, T., 등. 2023. An autonomous laboratory for the accelerated synthesis of novel materials. Nature 624, 86–91.
쟁점: 대규모 계산을 통해 예측된 신물질 후보의 실험적 실현 속도를 높이기 위해서는 단순 자동화가 아니라 데이터 해석과 의사결정을 스스로 수행하는 자율성이 필요한지, 그리고 그러한 자율 연구 체계를 어떻게 구성해야 하는지가 핵심 문제로 제시된다.
딜레마: 1) 문헌에서 학습된 합성 레시피를 따르는 초기 전략과 실험 결과를 반영해 새로운 경로를 제안하는 능동학습의 탐색 전략 사이에서 어떤 균형이 성과를 높이는지에 대한 실무적 문제에 직면한다. 2) 계산상 안정하다고 예측된 물질이 실제로 합성 가능한지와 같은 계산 결과와 실험 가능성의 간극을 어떻게 좁힐 것인지가 문제로 부각된다. 3) 합성을 가로막는 구체적 실패 양상인 느린 반응 동역학과 전구체 휘발, 비정질화, 저온 정적 계산의 한계를 어떻게 극복할 것인지가 과제이며, 일부는 절차 수정으로 개선 가능함을 보여 준다.
주장: A-Lab은 계산 기반 후보 선별, 문헌에서 학습한 레시피 제안, 로보틱 합성, X선 회절 신호의 기계학습 해석, 능동학습을 하나의 폐루프로 통합하여 연속 운전 기간 17일 동안 목표 58개 중 41개 합성에 성공했고 이 높은 성공률은 인공지능 기반 자율 플랫폼의 유효성을 보여 준다고 주장한다.
논증 방식: 연구는 먼저 Materials Project와 Google DeepMind의 계산 데이터베이스를 이용해 공기 중에서 안정하고 독성이 낮은 조성의 후보를 추린 뒤 기존 보고와의 중복을 제거하여 146개를 남기고 이 가운데 전구체 수급이 용이한 58개를 표적으로 선정한다. 각 표적에 대해 문헌에서 추출한 고체상 합성 절차 데이터로 학습한 모델이 유사성에 근거한 초기 전구체 조합과 합성 온도를 제안한다. 제안된 레시피는 분말 계량과 혼합, 가열, 냉각과 분쇄, X선 회절 측정으로 이어지는 세 개의 통합 스테이션에서 로봇이 수행하고, 회절 패턴은 확률적 심층 모델로 상을 분류한 다음 자동 Rietveld 정합으로 확인된다. 초기 시도에서 목표 상의 수율이 절반을 넘지 못하면 능동학습 알고리즘인 ARROWS가 열역학 구동력과 관찰된 중간 상 정보를 바탕으로 후속 레시피를 산출하며, 실험 중 관찰된 쌍별 반응은 데이터베이스로 누적되어 다음 설계에서 중복 경로를 배제하고 탐색 공간을 줄이는 데 활용된다. 전체적으로 355개 레시피가 시도되어 130개가 목표 상을 만들었고 최종적으로 41개 표적 합성에 성공했으며 합성에 실패한 사례는 네 가지 범주로 분류되어 향후 개선의 근거로 사용되었다.