상하이AI랩, RSI 기반 서생·원정 공개로 과학감각 확장
상하이인공지능연구소가 과학 데이터와 언어 대형 모델을 연결하는 다중양식 프레임워크 ‘서생 원정’을 최근 공개했다. 이 프레임워크는 학습 가능한 투영 모듈을 이용해 스펙트럼 그림, 서열, 결정 구조, 시계열 신호 같은 과학 데이터를 언어 모델이 이해할 수 있는 표현으로 바꾸고, 연구자의 자연어 질문과 함께 추론 과정에 입력한다. 핵심은 모델 스스로 감지 구조를 개선하도록 하는 재귀적 자기개선 방식이다. 모델은 작업 성과를 분석하고 구조적 약점을 찾아 새 투영 모듈을 제안하며, 학습과 검증을 통해 개선점을 반복한다. 기존처럼 인간이 모든 양식에 맞는 고정 인터페이스를 설계하는 대신, 모델이 구조 제안, 학습 검증, 결과 분석, 지속 최적화 과정을 스스로 수행한다. 이로써 데이터와 기능 확장을 넘어 모델 구조 자체가 진화하는 과학모델 개발 경로가 열린다. 비인코딩 리보핵산 가족 분류 사례에서 모델은 초기 검증에서 효과가 없는 방식을 중단하고, 과학 특징을 언어 기저 모델에 전달하는 구간이 문제라고 판단했다. 이후 단계적 읽기 방식과 인코더 적응, 독립 투영 경로 등을 통해 정확도를 90.04%에서 96.73%까지 높였다. 서생 원정은 전체 언어 모델 파라미터를 얼어붙게 두고 투영 모듈만 학습하는 경량 구조를 쓴다. 과학 인코더가 원자, 잔기, 격자, 신호 조각 같은 미세 정보를 추출하면 투영 모듈이 언어 공간에 맞춘다. 이 방식으로 전문 표상은 유지하면서 언어 모델의 지시 이해와 생성 능력을 보존한다. 고차원 관측 데이터도 간결하게 처리한다. 예를 들어 12유도 9초 심전도 신호를 전부 텍스트화하면 약 25만3000개 토큰이 필요하지만, 서생 원정은 452개 토큰으로 줄여 약 99.8%를 축소한다. 평가에서는 스펙트럼 해석, 심전도 분류 등 10개 과학 양식 작업을 수행했다. 단백질 상호작용 부위 식별에서는 평균 정밀도-재현율 균형 점수 61.12%를 기록해 같은 비교 모델의 55.53%를 앞섰다. 결정 형성 에너지 예측에서는 자비스 디에프티 기준 평균 절대 오차 15.03점을 얻었다. 분자 구조 식별에서는 3종 스펙트럼 결합 기준으로 첫 후보 적중률 49.75%를 기록해 기존 비교값을 상회했다. 서생 원정은 이 성과를 바탕으로 차세대 서생 과학 모델에 적용되며, 더 많은 데이터와 도구, 연구 환경에서 자기개선 능력을 검증할 계획이다.
