사카나 AI, 연구 전 과정 자율 탐색 오픈소스 'The Agentic Scientist' 및 AutoIllustrate 공개

사카나 AI(Sakana AI)가 자동 연구 시스템의 3세대 오픈소스 프레임워크인 'The Agentic Scientist'(AI Scientist v3)와 과학 논문용 벡터 다이어그램 생성 도구 'AutoIllustrate'를 깃허브(GitHub: SakanaAI/AI-Scientist-v3)에 공식 공개했습니다. 이전 세대가 단일 대규모 언어 모델(LLM)에 의존해 논문 초안을 작성하던 실험적 수준에 머물렀다면, 이번 v3는 복수의 기성 코딩 에이전트를 조율하는 스캐폴드(Scaffold) 구조를 채택해 가설 설정부터 실험 수행, 증거 생성, 논문 작성에 이르는 전 과정을 체계화했습니다.

이미지 출처: @hardmaru / Sakana AI

이번 공개는 사카나 AI의 데이비드 하(David Ha, @hardmaru), 로버트 랑게(Robert Lange), 루카 그릴로티(Luca Grillotti), 야마다 유타로(Yutaro Yamada), 루지콘 차라콘(Rujikorn Charakorn) 연구팀이 주도했습니다. 연구진은 시스템이 단순한 텍스트 생성기가 아닌 실제 인간 연구자의 '코-사이언티스트(Co-Scientist)'로 기능할 수 있도록 경험적 실험과 증거 수집의 자동화에 초점을 맞추었다고 밝혔습니다.

단일 에이전트 작성에서 병렬 에이전트 스캐폴딩과 공유 메모리 구조로의 전환

기존 AI Scientist v1과 v2가 안고 있던 가장 큰 한계는 단일 에이전트가 긴 호흡의 연구 프로세스를 일관되게 유지하기 어렵다는 점이었습니다. 모델 컨텍스트가 길어질수록 환각이 누적되고, 코드 실행과 오류 수정이 반복되면서 초기 가설과 무관한 방향으로 연구가 표류하는 문제가 빈번했습니다.

The Agentic Scientist는 이러한 단일 구조에서 탈피하여 다수의 기성 코딩 에이전트를 스캐폴드로 감싸는 병렬 분업 구조로 전면 개편되었습니다.

• 작업자 풀(Worker Pool) 오케스트레이션: 다수의 병렬 워커 에이전트가 동시에 각기 다른 하위 가설을 탐색하고 실험 코드를 작성합니다.
• 공유 메모리 및 요약 결론: 개별 에이전트가 도출한 중간 결과는 압축된 정제 지식(Distilled Conclusions) 형태로 중앙 공유 메모리에 축적되어 다른 워커들의 중복 탐색을 방지합니다.
• 단계별 핸드오프 파이프라인: 연구 계획 수립, 실험 스크립트 작성, 로그 수집, 결과 해석, 초안 작성이 명확한 인터페이스를 통해 분리되어 단계 간 오류 전파를 차단합니다.

가설 검증을 위한 '증거 생성(Evidence Generation)'과 통제된 베이스라인 실험

The Agentic Scientist의 가장 핵심적인 기술적 진보는 '증거 생성(Evidence Generation)' 메커니즘의 도입입니다. 에이전트가 새로운 아이디어를 제안했을 때, 그것이 실제로 유효한 성능 개선인지 아니면 무작위 변동에 불과한지를 스스로 입증하도록 설계되었습니다.

• 격리된 에이전트 기반 소거(Ablation) 실험: 주 탐색 에이전트와 격리된 별도의 검증 에이전트가 제안된 구성 요소를 하나씩 제거하거나 대체하며 제안 기법의 순수한 기여도를 분리 측정합니다.
• 통제된 베이스라인 구축: 무작위 튜닝 결과와 비교하는 오류를 막기 위해 표준 참조 베이스라인을 자동으로 함께 실행하고 통계적 유의성을 검증합니다.
• 실증 벤치마크 결과: 공개된 연구 결과에 따르면, The Agentic Scientist는 7개의 미확인(unseen) Brax 태스크 중 5개에서 기존 CMA-ES 베이스라인과 대등하거나 이를 능가하는 성능을 기록했습니다.

인간-에이전트 협업(Co-Scientist)과 수정 가능한 벡터 도구 'AutoIllustrate'

연구팀은 The Agentic Scientist를 완전 자율 연구기가 아닌 인간 연구자의 분석 능력을 증폭하는 '협업형 코-사이언티스트'로 정의했습니다.

실제로 연구진은 시스템 개발 버전을 협업 파트너로 활용해 역전파의 대안으로 꼽히는 생체 타당성 학습 규칙(Biologically Plausible Learning Rules)을 탐구했습니다. 에이전트가 가설 기법을 제안하고 방대한 실험을 수행하는 경험적 작업(empirical heavy lifting)을 맡았으며, 인간 연구팀은 연구 방향성 설정, 결과 타당성 교차 검증, 논문 주장의 적정성 조율을 담당했습니다. 이 과정을 거쳐 작성된 'Error Diffusion' 논문은 인공생명 분야 주요 학회인 ALIFE 2026에서 구두 발표(Oral Presentation) 논문으로 공식 채택되었습니다.

함께 공개된 'AutoIllustrate' 도구 역시 실제 논문 작성자의 고충을 반영한 실용적인 개발 도구입니다.

• draw.io 기반 벡터 파일 생성: 기존 멀티모달 모델이 생성하는 래스터(PNG/JPG) 이미지는 텍스트 오탈자나 수식 오류를 사후 수정할 수 없다는 치명적인 문제가 있었습니다. AutoIllustrate는 오픈소스 다이어그램 도구인 draw.io(SVG/XML 기반) 형식으로 도면을 출력합니다.
• 수작업 편집 가능성: 생성된 다이어그램을 브라우저나 로컬 draw.io에서 직접 열어 라벨, 화살표, 색상, 레이아웃을 연구자가 원하는 대로 정밀하게 편집할 수 있습니다.

도입 시 유의점: 자율 탐색의 한계와 연구자 검증(Human-in-the-loop)의 필수성

The Agentic Scientist가 연구 자동화의 새로운 가능성을 보여주었지만, 연구 현장에 적용하기 전 고려해야 할 명확한 경계가 존재합니다.

• 하이퍼파라미터 과적합 위험: 코딩 에이전트가 자율적으로 연구를 주도할 때, 근본적인 알고리즘 개선 대신 주어진 벤치마크 점수만을 끌어올리기 위한 파라미터 미세 조정에 매몰될 수 있습니다.
• 검증되지 않은 자동 투고 금지: ALIFE 2026 채택 사례는 연구자가 실험 코드, 통계 수치, 참고문헌 인용, 이론적 주장을 면밀히 직접 검증한 공동 발견(Co-Discovery)의 산출물입니다. 에이전트가 출력한 초안을 인간의 비판적 검토 없이 외부 학술지에 투고하는 것은 권장되지 않습니다.
• 도메인 범용성의 지속 검증: 초기 벤치마크 평가는 특정 통제 실험 환경에서 수행된 결과이므로, 생명과학, 물리학, 복합 시스템 등 다양한 연구 영역 전반에서의 범용성은 연구 커뮤니티의 추가 검증이 필요합니다.

출처

• GitHub 저장소: SakanaAI/AI-Scientist-v3
• Sakana AI 기술 블로그: The Agentic Scientist
• arXiv 연구 논문: The Agentic Scientist (arXiv:2610.18933)
• X 기술 공개 스레드 (@hardmaru): 2026-10-15 The Agentic Scientist 및 AutoIllustrate 릴리즈 공지