AI가 암을 치료할 수 있을까?

이 기사는 AGI/ASI가 암을 치료할 것이라는 빅테크의 약속에 대한 비판적 분석으로, Future of Life Institute의 Emilia Javorsky가 IEEE Spectrum과 진행한 인터뷰입니다. 기술적으로 보면, 현재 의료 AI는 크게 세 가지 축으로 작동합니다. 첫째, 신약 개발 단계에서 분자 구조와 단백질 상호작용을 예측하는 모델(AlphaFold 계열의 구조 예측 + 생성 모델), 둘째, 임상 시험 데이터 분석 및 바이오마커 정의를 위한 ML 파이프라인, 셋째, 의료 영상에서 조기 진단을 수행하는 CNN/Transformer 기반 분류 모델입니다. 더 나아가 in silico 모델링 영역에서는 "virtual cell"과 "digital twin" 개념이 부상하고 있는데, 이는 환자 개인의 유전체·단백질체 데이터를 기반으로 고충실도(high-fidelity) 디지털 복제본을 만들어 치료 반응을 시뮬레이션하는 접근법입니다. Javorsky의 핵심 주장은 "지능-컴퓨트(intelligence-compute)에 과잉 투자하고, 생물학을 측정하는 도구와 대규모 고품질 데이터셋 구축에 과소 투자하고 있다"는 것으로, AI 성능의 병목이 모델 크기가 아닌 데이터 수집 인프라에 있음을 지적합니다.

엔지니어 관점에서 이 인터뷰는 "더 큰 모델 = 더 좋은 결과"라는 LLM 중심적 사고에 대한 강력한 반례를 제시합니다. 의료 AI 영역에서는 ASI 같은 가설적 시스템보다 도메인 특화된 좁은 AI(narrow AI)가 이미 임상 현장에서 실질적 가치를 창출하고 있으며, 진짜 ROI는 모델 아키텍처 혁신보다 "측정되지 않은 데이터" 문제를 해결하는 데 있다는 점입니다. 현재 의료 시스템은 "sick care system"으로 환자가 아플 때만 데이터가 수집되기 때문에, AI가 학습할 충분한 longitudinal/preventive 데이터가 근본적으로 부족합니다. 이는 헬스케어 도메인에서 일하는 백엔드·데이터 엔지니어에게 직접적 시사점을 줍니다 — 데이터 파이프라인, 표준화된 스키마(FHIR 등), 프라이버시 보존 학습(연합학습, differential privacy) 같은 인프라 작업이 모델 자체의 SOTA 추격보다 더 큰 임팩트를 낼 수 있다는 의미입니다.

개발자가 액션으로 가져갈 만한 포인트는 세 가지입니다. 첫째, 헬스케어 AI 또는 바이오테크 분야 진입을 고민한다면 LLM 파인튜닝보다는 도메인 데이터 엔지니어링, multi-modal 의료 데이터(영상+유전체+EHR) 통합 시스템, 디지털 트윈 시뮬레이션 백엔드 같은 영역에 우선순위를 두는 것이 현실적 기여도가 높습니다. 둘째, 일반 소프트웨어 엔지니어에게도 이 인터뷰는 "AGI 마케팅 내러티브"와 "현재 가용한 AI 도구의 실용적 적용"을 분리해서 사고하라는 메시지를 줍니다 — 회사에서 AI 프로젝트를 기획할 때 미래의 가설적 모델 능력에 의존하는 설계 대신, 현재 모델로 풀 수 있는 명확히 측정 가능한 병목 지점을 찾는 접근이 더 효과적입니다. 셋째, 개인화 의료(personalized medicine)와 관련된 ML 시스템은 본질적으로 환자별 모델 적응(few-shot, in-context learning, patient-specific fine-tuning)을 요구하므로, 이 영역의 MLOps — 즉 수만 개의 개인화 모델을 안전하게 배포·모니터링·감사하는 인프라 — 가 향후 5~10년간 중요한 엔지니어링 과제가 될 것입니다.