메타, Muse 기반 건강 연구 원고 10편 공개

메타가 10월 14일 자사 AI 모델 Muse로 의료 연구자들이 쓴 건강 연구 원고 10편을 공개했다. Muse Spark 1.3과 Muse Wonder를 결합한 사내 코딩 스캐폴드를 만들고, 의료 연구자들이 이 도구로 가설 수립부터 코드 실행과 원고 작성까지 진행하게 한 실험의 결과물이다. 메타는 연구 블로그에서 AI가 연구의 모든 단계를 앞당기되 과학적 판단과 결론은 해당 분야 전문가가 책임지는 사람 주도 체계라고 설명했다. 원고는 감염병, 스포츠의학, 응급의학, 종양학, 내분비학, 구강 건강 등을 다룬다.

판을 키운 것은 데이터다. 스캐폴드는 공개 데이터와 함께 메타가 라이선스를 받은 후향적 비식별 전자건강기록(EHR) 데이터베이스에 접근했다. 메타는 이 데이터를 500만 명 규모라고 밝혔고, 함께 공개된 논문에는 2026년 6월 배포본 기준 495만 명, 21개 미국 의료 시스템을 잇는 기록과 청구 자료라고 적혀 있다. 심장학, 역학, 감염병, 내과 배경의 연구자들이 4주 동안 이 체계로 독자 연구를 수행했다. 메타가 공개한 2분 22초 영상에서 연구진은 의료 전문가 15명이 참여했다고 소개했다.

속도는 메타가 가장 앞세운 숫자다. 연구 블로그에 따르면 모델에 첫 프롬프트를 넣고 원고가 완성되기까지 2주가 채 걸리지 않았고, 빠른 논문은 7일 만에 나왔다. 참가자들은 만장일치로 큰 생산성 향상을 느꼈다고 답했으며, 가장 좋은 경우 기존 연구 과정보다 최대 10배 빨랐다고 보고했다. 영상 속 한 연구자는 AI 없이는 보통 두세 달 걸리던 일을 아이디어에서 원고까지 2주 안에 끝낸다고 말했다.

개별 논문의 결과도 구체적이다. 감염성 심내막염 환자를 다룬 논문은 심내막염 환자 1만2553명 가운데 9599명을 심내막염이 없는 균혈증 환자 4만7974명과 짝지어 비교했다. 퇴원 뒤 31~365일 사이 새로 진단된 부정맥과 전도장애 위험비는 1.73이었고, 31~90일 구간에서는 2.41로 가장 높았다. 1년 표준화 위험은 6.98% 대 4.14%였다. 응급실을 찾은 정신건강 환자 연구에서는 진료를 받지 않고 떠난 환자의 재방문 상대위험이 1.86, 입원 4.41, 단기 사망 2.15였다. 피클볼 부상 연구는 2014~2023년 미국 응급실 자료에서 판정을 거친 1738건을 분석했고, 사회적 필요 진단 코드 연구는 성인 2만6153명을 짝지어 비교했다.

원고 점검은 세 겹이다. 각 논문은 같은 연구 집단 동료의 피드백, 생물통계학자의 분석 검토, 외부 독립 전문가의 요약 리뷰를 거쳤다. 메탈이 확인한 연구진 보고서 원문은 모든 코드와 분석을 생물통계 전문가와 컴퓨터과학자가 따로 검토했다고 적고 있다. 연구마다 내부 동료 검토도 최소 두 차례 거쳤다. 외부 리뷰는 칭찬과 단서를 함께 달았다. 마이클 파바니엑 펜스테이트 헬스 심장내과 교수는 심내막염 논문을 두고 "이 연구는 진료 지침을 바꾸기보다는 가설을 만드는 연구로 본다"고 평가했다.

보고서가 더 무게를 둔 대목은 사람의 판단이 결과를 바꾼 사례들이다. Muse는 황색포도알균 균혈증 환자의 사망률을 1%로 계산했지만, 감염내과 의사가 문헌상 수치는 30%에 가깝다는 점을 짚어 연구팀이 사망 기록 방식을 감사했고 다른 이상 패턴까지 찾아냈다. 혈관 주사선을 막지 않으려 쓰는 소량의 헤파린과 혈전 치료용 정량 투여를 모델이 같은 노출로 셌던 것도 연구자가 용량과 투여 경로로 다시 정의했다. 모델은 데이터에 있는 항목을 없다고 단정한 적도 있었고, 구독 학술지는 요약본만 읽을 수 있어 연구의 단서 조항을 놓칠 수 있었다. 연구진은 보고서에 이 시스템이 처리량은 많지만 신뢰도는 고르지 않은 연구 조수처럼 움직였다고 적었다.

연구자들이 꼽은 가장 큰 이득은 빨리 쓰는 것이 아니라 빨리 접는 것이었다. 보고서에 따르면 Muse는 이미 문헌에서 답이 나온 질문과 데이터로 답할 수 없는 질문을 일찍 걸러 냈다. 개인정보 보호를 위해 날짜가 옮겨진 데이터에서는 계절에 좌우되는 독감 백신 질문을 풀 수 없다고 미리 알려 시간을 아꼈다. 존스홉킨스 의대 S. 미셸 오군월 조교수는 "이 프로젝트에서 가장 기대되는 점은 호기심과 창의성, 협업, 아이디어를 주고받는 과학의 가장 좋은 부분을 모으고 마찰은 크게 덜어 낸다는 것"이라고 말했다. 영상 속 한 연구자는 모델과 의견을 주고받으며 가설을 적어도 50개 떠올렸다고 했다.

테크 법률의 눈으로 보면 이 실험의 설계는 책임의 위치를 문서로 남긴 데 의미가 있다. 메타는 비식별 처리된 라이선스 데이터만 썼고, 보고서는 인과관계 판단과 최종 결론의 책임이 언제나 연구자에게 있다고 못 박았다. 연구진은 사람을 배제하려는 완전 자율형 AI 과학자 시스템이 검증할 수 없는 인용과 불투명한 출처 문제를 안고 있다고 지적하며, 자신들은 단계마다 사전에 정한 관문을 두는 중간 지점을 택했다고 설명했다. 메타는 이 방식을 완성된 표준이 아니라 모범 사례 후보로 제시했다.

메타는 10월 12일 프론티어 모델 Muse Wonder를 공개하며 개인·업무용 에이전트 성능을 앞세운 바 있으며, 이번 공개는 같은 모델을 과학 연구에 투입한 결과다. 지금 단계는 후향적 분석에 머문다. 메타는 더 포괄적인 데이터로 새 가설을 만들고 이를 전향적 임상시험으로 검증하는 단계로 나아가겠다고 밝혔다. 전문가의 감독 아래 모델이 형식 검증이 불가능한 분야에서 자동 연구 에이전트로 일하는 구도가 메타가 그리는 다음 장면이다. 이 구도가 의학계에서 통하려면 10편의 원고가 실제 학술지 심사를 통과하는지가 먼저 확인돼야 한다.