실전

GPT-5 Codex가 양자 실험을 돌렸다 — OpenAI, Agent를 실제 연구실에 투입하다

OpenAI가 IBM Quantum 기반 초전도 큐비트 실험에 Codex를 활용한 사례를 공개했다. benchmark도, 대조군도 없는 showcase이지만, AI가 과학 연구 현장에서 어디까지 가능한지, 그리고 무엇이 아직 안 되는지를 적나라하게 보여준다.

글자 크기

OpenAI가 어제 블로그에 한 편의 사례를 올렸다: Codex in quantum computing experiments. benchmark도 아니고, 논문도 아니고, 그저 "우리 AI가 연구원 일을 좀 도와줬다"는 식의 showcase다.

다 읽고 난 뒤 남은 인상은 이렇다: 이 글이 드러내는 건 Codex가 얼마나 강한지가 아니라, "AI를 연구실에 들여놓겠다"는 구호가 실제로落地까지 얼마나 먼가다.

사례 자체: Codex가 구체적으로 뭘 했나

OpenAI는 IBM Quantum 하드웨어로 초전도 큐비트 실험을 돌리는 연구팀 한 그룹을 붙잡아, Codex를 워크플로에 연결했다. 블로그에 따르면 AI가 한 일은 크게 세 가지다.

  • 실험 제어 코드 작성 — 자연어 설명을 받아 Qiskit 코드를 생성하고, 펄스 시퀀스를 스케줄링
  • 파라미터 튜닝 및 탐색 — 직전 실행 결과를 보고 다음 파라미터 조합을 제안
  • 실험 데이터 해석 — raw data를 읽고 기본적인 이상 징후를 탐지

블로그가 보여준 워크플로의 모양은 이렇다. 연구원이 사라진 게 아니라, "코드 치기"에서 "코드 리뷰 + 질문하기"로 역할이 바뀐 것이다.

왜 하필 양자 계산인가

OpenAI가 이 사례를 꺼낸 건 손가락 하나 까딱 안 한 게 아니다. 양자 실험에는 몇 가지 특징이 있어서 AI Agent의 능력 곡선과 거의 정확히 맞물린다.

  • 코드 진입장벽이 높다 — Qiskit, Cirq, 펄스 스케줄링을 처음 잡으면 익숙해지는데 수주씩 걸린다
  • 파라미터 공간이 폭발한다 — 초전도 큐비트 하나에 문 진폭, 위상, 지속 시간만 바꿔도 조합이 수천 가지다
  • 디버깅이 고통스럽다 — 하드웨어 한 번 돌리는데 큐가 잡혀서 기다려야 한다
  • 결과가 정량적이다 — fidelity, T1, T2 같은 지표가 깔끔해서 AI가 해석할 ground truth가 존재한다

즉 "AI가 해볼 만하고, 사람도 진짜 고통받는" 도메인이다. OpenAI가 이걸 showcase로 쓴 건 결국 이런 메시지를 던지기 위해서다: Codex는 CRUD만 쓰는 도구가 아니라, 높은 진입장벽 분야에 조수로 들어갈 수 있다.

숨은 의도는 꽤 선명하다. 과학 연구 시장을 향한 외침이다. GPT-5 시리즈는 ChatGPT의 대화형 시나리오에서 ToB로 진출하려 하고, 연구 기관은 예산에 둔감하고 지갑 열 의향이 강한 고객군 중 하나다.

HN에서 11 points, 0 comments가 의미하는 것

이 블로그 글은 Hacker News 메인에 떴다. 숫자를 확인해봤다: 11 points, 0 comments.

꽤 흥미로운 숫자다. 두 해 전만 해도 OpenAI가 비슷한 사례를 올리면 HN에 수십 개 댓글이 달리곤 했다. 지금 0 comments라는 건 한 가지를 뜻한다: 독자들이 "AI가 과학 한다"는 서사에 피로감을 느끼기 시작했다.

피로의 원인은 AI가 못해서가 아니다. 이야기가 닳은 거다. AlphaFold부터 GPT-4가 영상의학 리포트를 읽는다는 발표까지, "AI가 연구실에 들어간다"는 스토리는 몇 달에 한 번씩 반복됐다. 다들 이미 안다. 질문은 "될까 안 될까"에서 "얼마나 빠르고, 얼마나 싸고, scale이 되나"로 이동했다.

OpenAI 블로그는 이 세 가지 질문에 답을 안 했다. 그래서 아무도 댓글을 안 단 거다.

빠진 것들: 이 글이 설득력이 부족한 이유

엄격한 기준으로 분해해보면 최소한 세 블록이 빠져 있다.

1. benchmark가 없다.

양자 실험 fidelity가 99.2%였나 98.7%였나? 연구원이 직접 짠 코드와 Codex가 짠 코드의 최종 실험 결과 차이가 있었나? 언급이 없다.

2. 대조군이 없다.

전통적 워크플로(사람이 코드 → 실험 → 해석)는 시간이 얼마나 걸렸나? Codex가 끼어든 뒤는 얼마나 걸렸나? 몇 배 빨라졌나? 데이터가 없다.

3. 규모가 없다.

"AI가 연구원 일을 도왔다"는 일회성 사건인가, 주 단위 루틴인가? 한 달에 실험을 몇 회 돌렸나? 공개된 자료 어디에도 없다.

이런写法는 마케팅에선 showcase, 엔지니어링에선 demo다. 차이는 이거다: showcase는 "와" 소리 나오게 하고, demo는 재현 가능하게 만든다. OpenAI가 준 건 전자다.

까려는 게 아니다. 블로그 한 편에 완전한 연구를 다 우겨넣을 수는 없다. 다만 독자 마음속엔 분명히 해둘 필요가 있다: 보는 건 evidence가 아니라 announcement다.

편집자 소견: AI가 연구실에 들어가려면 진짜 병목은 AI 밖이다

필자도 엔지니어다. LLM을 실제 업무 시스템에 붙이는 프로젝트를 몇 개 해봤다. 이 블로그를 다 읽고 내린 결론은 이렇다: 모델 능력은 이미 문턱을 넘었고, 진짜 병목은 모델 바깥에 있다.

구체적으로 막히는 건 세 가지다.

  • 실험 장비 인터페이스 — 양자컴퓨터, 초전도 캐비티, 전자현미경 같은 장비는 벤더가 폐쇄적이고 프로토콜이 비공개다. Codex가 코드를 짜도 못 돌린다. IBM Quantum의 backend API는 공개돼 있지 않고, 큐 대기는 줄을 서야 한다
  • 데이터 포맷 — 장비마다 raw data 포맷이 전부 다르다. Codex는 markdown을 읽을 수 있지만, 펄스 dump 같은 바이너리는 못 읽는다
  • 실험실 운영 프로세스 — 안전审批, 장비 사용 예약, 시약 소모품 관리 같은 건 AI가 손을 못 댄다

이 세 가지를 OpenAI 블로그는 한 줄도 언급 안 했다.

이번 사례가 과거의 다른 일들과 구체적으로 뭐가 다른지 정리하면 이렇다: 지난 2년간 나온 모든 "AI가 과학 한다" 사례의 본질은 "코드 생성 + 문헌 검색"이었다. 이건 LLM이 제일 잘하는 일이다. 양자 실험 사례는 한 발 더 나아갔다: AI가 실제 하드웨어에 닿았다. 하지만 그것도 "작업을 제출하는 코드를 생성한다" 정도지, 장비 자체에 손을 댄 건 아니다.

내 예측: 앞으로 12개월 안에 실제로落地할 연구용 Agent는 OpenAI 같은 범용 모델 + 범용 API 조합이 아닐 가능성이 높다. 특정 실험실이 자체 학습시킨 소형 모델 + 장비 SDK의 깊�은 통합이 될 가능성이 더 크다. 이유는 단순하다 — 하드웨어는 범용이 아니다.

이 예측이 틀리면, 반년 뒤에 다시 파헤쳐도 좋다.

출처: OpenAI Codex Quantum Computing Experiments

출처: https://openai.com/index/codex-quantum-computing-experiments/