최근 OpenAI와 DeepMind 출신들이 모여서 만든 회사인 'Periodic Labs'란 스타트업이 $300M(약 4,000억 원)라는 천문학적인 Seed 펀딩을 받았다는 소식, 들어보셨나요?
더 놀라운 건 이 회사가 만드는 게 소프트웨어가 아니라 실험실에서 실제로 돌아가는 'AI 과학자'라는 점이에요.
Jeff Bezos와 Eric Schmidt 같은 세계적인 투자자들이 왜 여기에 베팅하는 걸까요?
오늘은 새롭게 조명 받고 있는 분야인 'AI for Science'에 대해 자세히 알아보는 시간을 가져볼께요.

Source:

• Former OpenAI and DeepMind researchers raise whopping $300M seed to automate science (TechCrunch, 2025)
• Periodic Labs Emerges from Stealth with $300 Million Seed Round to Build 'AI Scientists' (The AI Insider, 2025)
• Investing in Periodic Labs (Andreessen Horowitz, 2025)
• Millions of new materials discovered with deep learning (Google DeepMind, 2023)
• Artificial intelligence yields new antibiotic (MIT News, 2020)
• Using AI, MIT researchers identify a new class of antibiotic candidates (MIT News, 2023)
• AlphaFold - Google DeepMind (2024)
• Accelerating scientific discovery with AI (MIT News, 2025)
• LEAP 71 hot fires advanced aerospike rocket engine designed by computational AI (LEAP 71, 2024)
• LEAP 71 hot-fires 3D-printed liquid-fuel rocket engine designed through Noyron Computational Model (LEAP 71, 2024)

(Source : Periodic labs)

2025년 10월, Periodic Labs(피리오딕랩스, AI 자율 실험실 운영)라는 회사가 시드 단계에서 $300M(약 4,000억 원)를 조달했어요.

투자자 명단을 보면 Andreessen Horowitz가 리드했고, Nvidia, Jeff Bezos, Eric Schmidt, Google의 Chief Scientist Jeff Dean까지 참여했어요. Bloomberg 보도에 따르면 프리머니 밸류에이션이 $1B(약 1조 3,000억 원)라고 하더라고요.

이 회사의 목표는 간단해요.
AI가 가설을 세우고, 로봇이 실험을 하고, 데이터를 분석해서 다시 가설을 개선하는 자율 실험실을 만드는 거예요. 창업자인 Ekin Dogus Cubuk은 Google DeepMind에서 재료 과학팀을 이끌며 GNoME(Graph Networks for Materials Exploration / 지놈)라는 AI 툴로 220만 개의 새로운 결정 구조를 발견한 사람이에요. 공동창업자 Liam Fedus는 OpenAI에서 VP of Research를 지냈고 ChatGPT 개발에 참여했던 인물이고요.

(Source : nature)

왜 이렇게 큰 돈이 몰릴까요?
핵심은 "인터넷 데이터의 고갈"이에요.

현재 최고 성능의 LLM들은 약 10조 토큰의 인터넷 텍스트로 학습했어요.
하지만 인터넷은 유한하고, 이미 대부분이 학습에 사용됐어요. Periodic Labs의 주장은 명확해요. 다음 단계의 AI 발전을 위해서는 실제 세계에서 실험을 통해 새로운 데이터를 생성해야 한다는 거예요.

Andreessen Horowitz의 파트너 Anjney Midha는 투자 발표문에서 이렇게 말했어요.
"프론티어 AI 모델들이 수학, 코딩, 논리에서 놀라운 진전을 보였지만, 물리학, 화학, 재료 과학 같은 분야에서는 여전히 형편없습니다. 왜냐하면 과학은 본질적으로 반복적이고, 문헌의 데이터만으로는 충분하지 않기 때문이죠. 실험을 직접 돌려봐야 합니다."

Periodic Labs의 첫 목표는 고온 초전도체 개발이에요.
초전도체는 전기를 흘릴 때 열이 발생하지 않아서 데이터센터와 전력망을 혁신적으로 바꿀 수 있어요. 현재 초전도체는 영하의 극저온에서만 작동하는데, 더 높은 온도에서 작동하는 초전도체를 찾는 건 재료 과학의 성배예요. 이 회사는 이미 반도체 제조업체와 협력해서 칩의 열 방출 문제를 해결하는 맞춤형 AI 에이전트를 개발하고 있어요.

팀 구성도 독특해요.
20명 이상의 연구자가 Google DeepMind, Meta, OpenAI 출신이고, Stanford와 Northwestern 대학 교수들이 자문으로 참여해요. 이들은 매주 교육 세션을 열어서 물리학자가 ML 연구자에게 양자역학을 가르치고, ML 연구자가 물리학자에게 최신 AI 기법을 가르친다고 해요.

이게 핵심이에요.
AI for Science가 단순한 버즈워드가 아니라 실제로 작동한다는 증거가 이미 여러 건 나왔어요.

(Source : Google)

먼저 DeepMind의 GNoME 사례를 볼께요.
2023년 Nature에 발표된 연구인데요, 이 AI는 220만 개의 새로운 결정 구조를 예측했어요. 약 800년 치의 지식에 해당하는 양이에요. 그 중 38만 개가 안정적인 재료로 분류됐고요. "예측만 한 거 아니냐"고요? 아니에요. 독립적인 연구자들이 736개 이상의 신소재를 실험실에서 실제로 합성하는 데 성공했어요.

더 구체적으로 볼까요?
GNoME는 리튬이온 배터리용 도체 후보를 528개 발견했어요. 이전 연구보다 25배 많은 숫자예요. 그래핀과 유사한 층상 화합물도 52,000개 발견했고요. 이전에는 약 1,000개만 알려져 있었어요. 이런 물질들은 초전도체 개발에 사용될 수 있어요.

Lawrence Berkeley National Laboratory의 A-Lab이라는 자율 실험실은 GNoME의 예측을 활용해서 실제 실험을 했어요. 58개 타겟 중 41개의 새로운 화합물을 합성하는 데 성공했고, 성공률이 70%를 넘었어요. 로봇 팔과 머신러닝을 활용한 완전 자동화 시스템이에요.

(Source : James Collins / Communityjameel)

의약품 분야도 AI for Science가 굉장히 활발히 활용되고 있고 많은 발견이 있었어요.

MIT의 James Collins 교수팀은 2020년에 머신러닝으로 Halicin이라는 항생제를 발견했어요.
원래 당뇨병 치료제 후보였던 약물에서 강력한 항생제 특성을 찾아낸 거예요. 이 약물은 결핵균, Clostridium difficile, Acinetobacter baumannii 같은 항생제 내성 박테리아를 죽일 수 있어요. 생쥐 실험에서 기존 항생제에 내성을 가진 A. baumannii 감염을 24시간 내에 완전히 제거했어요. 더 놀라운 건 대장균이 30일 후에도 Halicin에 대한 내성을 발달시키지 못했다는 거예요. 기존 항생제인 ciprofloxacin은 24-72시간 만에 내성이 생기는데 말이에요.

2023년에는 같은 팀이 MRSA를 죽일 수 있는 새로운 종류의 화합물을 발견했어요.
MRSA는 미국에서 연간 1만 명 이상을 사망시키는 약물 내성 박테리아예요. 1,200만 개 화합물을 스크리닝해서 280개를 실제 테스트했고, 그 중 두 개의 매우 유망한 항생제 후보를 확인했어요. 2025년에는 생성형 AI로 3,600만 개 이상의 가능한 화합물을 설계해서 약물 내성 임질균과 MRSA에 효과적인 전혀 새로운 구조의 항생제를 발견했고요.

(Source : UT Health Houston)

AlphaFold 이야기도 빼놓을 수 없어요.
이건 Google DeepMind가 개발한 AI 프로그램인데요, 단백질의 3D 구조를 예측하는 시스템이에요. 2020년에 AlphaFold 2가 나왔을 때 과학계에 충격을 줬어요. 단백질 구조 하나를 밝히는 데 보통 수년과 수십만 달러가 들었는데, AlphaFold는 몇 분 만에 예측했거든요.
이 성과가 얼마나 대단했냐면, 2024년 10월에 노벨 화학상을 받았어요.
Google DeepMind의 CEO Demis Hassabis와 AlphaFold 팀 리드 John Jumper가 "단백질 구조 예측"으로 노벨상의 절반을 받았어요. 나머지 절반은 워싱턴 대학의 David Baker 교수가 "계산적 단백질 설계"로 받았고요. AI 연구로 노벨 화학상을 받은 건 처음이에요. 2023년에는 Breakthrough Prize in Life Sciences와 Albert Lasker Award도 받았었어요.

지금까지 AlphaFold는 2억 개 이상의 단백질 구조를 예측했어요. 이건 과학계에 알려진 거의 모든 단백질을 포함하는 숫자예요.
190개국 200만 명 이상의 연구자가 무료로 사용하고 있고, 말라리아 백신 가속화, 암 치료제 발견, 플라스틱 분해 효소 개발 등에 활용되고 있어요. 2024년에는 AlphaFold 3가 나와서 단백질뿐 아니라 DNA, RNA, 리간드 같은 다른 생체 분자들과의 상호작용까지 예측할 수 있게 됐어요.

MIT 출신이 설립한 FutureHouse는 2025년 5월에 멀티 에이전트 과학 발견 워크플로우를 시연했어요.
실명의 주요 원인인 건성 연령 관련 황반변성(dAMD)에 대한 새로운 치료 후보를 발견했고요.

(Source : LEAP 71)

하드웨어 분야도 있어요.
LEAP 71(립71, AI 기반 엔지니어링 기술 개발)이라는 두바이 회사는 Noyron이라는 Large Computational Engineering Model로 로켓 엔진을 완전 자율적으로 설계했어요.
2024년 6월에 사람의 개입 없이 설계된 액체 연료 로켓 엔진이 영국에서 첫 시도에 성공적으로 작동했어요. 추력 5kN, 20,000마력을 생성했고, 12초 장시간 연소 테스트를 완료했어요. 극저온 액체 산소와 등유를 사용하는데, SpaceX Falcon 9와 Saturn V 달 로켓과 동일한 연료예요.

가장 놀라운 건 속도예요.
최종 사양에서 제조 발송까지 2주 미만이 걸렸어요. 전통 방식은 수개월에서 수년이 걸려요. 새로운 설계 변형 생성은 일반 컴퓨터로 15분 미만이에요. 2024년 12월에는 지난 30년간 극소수 팀만 성공한 복잡한 에어로스파이크 로켓 엔진을 AI로 설계하고 성공적으로 점화했어요. 단일 구리 조각으로 3D 프린팅되어 첫 시도에 작동했고요.

(Source : Gemini 생성)

솔직히 말하면 비정상적으로 높아요.
그런데 이 광기가 바로 스타트업 산업의 본질 아닐까요???
게다가 시장이 이런 밸류를 정당화하는 이유도 있어요.

일반적인 실리콘밸리 스타트업들의 시드 라운드는 $2M-5M(약 27억-67억 원) 정도예요. $10M(약 134억 원)만 넘어도 메가 시드라고 불러요. Periodic Labs의 $300M은 보통 시리즈 B나 C에서 볼 수 있는 규모예요. 그런데 왜 이렇게 큰 돈이 시드 단계에서 들어갔을까요?

첫째, 자본 집약적 비즈니스예요.
자율 실험실을 만들려면 로봇, 3D 프린터, 분석 장비 같은 하드웨어가 필요해요. 소프트웨어 스타트업처럼 AWS 크레딧으로 시작할 수 없어요. 실제 물리적 실험실이 필요하고, 파우더 합성 장비, 극저온 시스템 같은 걸 갖춰야 해요. 이런 인프라를 구축하는 데만 수천만 달러가 들어요.

둘째, 팀의 검증된 트랙 레코드예요.
Ekin Dogus Cubuk은 GNoME로 이미 220만 개의 신소재를 발견했어요. Liam Fedus는 ChatGPT와 첫 1조 파라미터 신경망을 만들었어요. 이건 "좋은 아이디어가 있는 창업자"가 아니라 "이미 해냈던 사람들"이에요. VC 관점에서 보면 실행 리스크가 극도로 낮아요.

셋째, 타이밍이에요.
2024-2025년은 AI for Science의 결정적 순간이에요. AlphaFold가 노벨상을 받았고, GNoME가 실제 신소재 합성으로 이어졌어요. MIT에서 AI 항생제가 계속 나오고 있고요. 시장이 "이게 작동한다"는 걸 확인한 시점이에요. Early stage VC의 기본 원칙은 "시장이 틀릴 때 베팅하라"지만, Deeptech은 달라요. 기술적 검증이 먼저 필요해요.

넷째, 경쟁 구도예요.
비슷한 분야의 다른 플레이어들을 볼까요?
Lila Sciences(라일라사이언스, AI 자율 실험 플랫폼)는 $200M(약 2,700억 원), FutureHouse(퓨처하우스, AI 과학 연구 자동화)는 약 $50M(약 670억 원), Bioptimus(바이옵티무스, 생물학용 AI 기초 모델)는 $35M(약 470억 원)을 받았어요. 시장이 이미 형성되고 있고, First-mover advantage를 잡으려면 빠르게 스케일해야 해요.

다섯째, TAM(Total Addressable Market / 전체 잠재 시장 규모)이 어마어마해요.
재료 과학 시장만 봐도 반도체, 배터리, 태양전지, 초전도체 등 수조 달러 규모예요. 약물 개발 시장도 연간 수천억 달러예요. CAS(Chemical Abstracts Service) 보고서에 따르면 AI for Science 시장은 2030년까지 $600B(약 800조 원)로 확대될 전망이에요.

밸류에이션 관점에서 볼까요?
$1B(약 1조 3,000억 원) 프리머니에 $300M을 투자하면 약 23% 지분을 가져가는 거예요. 만약 Periodic Labs가 신소재 하나만 성공적으로 상용화해도 밸류에이션이 수십억 달러로 올라갈 수 있어요. 실제로 Materials Project 같은 기존 데이터베이스는 10년 넘게 48,000개 재료를 발견했는데, GNoME는 몇 개월 만에 38만 개를 발견했어요. 속도와 규모가 완전히 달라요.

Andreessen Horowitz의 관점도 흥미로워요.
이들은 "인터넷이 고갈됐다"는 테제에 베팅하는 거예요.
LLM의 다음 단계는 실험 데이터라는 거죠. Periodic Labs가 만드는 데이터는 독점적이고, 고품질이고, 실험으로 검증돼요.
실패한 실험 데이터도 중요해요. 문헌에는 성공한 실험만 나오는데, 실패 데이터는 "이 방향은 안 된다"는 정보를 제공하니까요.

(Source : Asteromorph)

Asteromorph(아스테로모프, 과학적 초지능 AI 개발)는 2025년에 한국에서 설립됐고, $3.6M(약 48억 원) 시드 펀딩을 받았어요. Periodic Labs와 비교하면 규모는 1/80 수준이지만, 접근법이 독특해요.

Periodic Labs가 물리학, 화학, 재료 과학에 집중하고 자율 실험실을 구축하는 반면, Asteromorph는 생물학과 화학 분야에서 가설 생성에 특화했어요. 핵심 기술은 SPACER 모델이라는 AI 기반 독창적 과학 가설 생성 시스템이에요.

차이점을 명확히 할께요.
Periodic Labs는 "end-to-end 자율 연구"를 목표로 해요. 가설 생성부터 실험 설계, 로봇 실행, 데이터 분석, 다시 가설 개선까지 전체 루프를 자동화하는 거예요.

반면 Asteromorph는 "가설 생성"이라는 특정 단계에 집중해요. 과학자들이 생각하지 못한 새로운 가설을 AI가 제안하는 거죠.

이 접근법은 전략적으로 합리적이에요.
왜냐하면 자본 요구량이 훨씬 적거든요. 로봇 실험실을 구축하려면 수억 달러가 필요하지만, AI 가설 생성 모델은 컴퓨팅 파워만 있으면 돼요. 한국에서 $50M(약 670억 원) 시드를 받기는 어려워도, $3.6M는 현실적이에요.

시장 포지셔닝도 달라요.
Periodic Labs는 B2B 모델로 재료를 직접 개발해서 반도체 회사, 에너지 회사에 팔 거예요. Asteromorph는 "AI 가설 생성 도구"를 제약회사, 연구소에 제공하는 B2B SaaS 모델이 가능해요. 후자가 더 빠르게 수익을 낼 수 있어요.

글로벌 경쟁력을 평가해볼까요? 강점은 세 가지예요.
첫째, 한국은 생명과학 연구가 강해요.
삼성서울병원, 연세대, KAIST 같은 기관들과 협력하기 좋아요.

둘째, 아시아 시장 접근성이에요.
중국, 일본, 싱가포르의 바이오테크 기업들이 빠르게 성장하는데, 문화적·지리적으로 가깝죠.

셋째, 인건비예요.
미국에서 AI 연구자 연봉이 $300K-500K(약 4억-6.7억 원)인데, 한국은 그보다 낮아요. 같은 자본으로 더 큰 팀을 만들 수 있어요.

물론 약점도 있어요.
첫째, 브랜드 파워예요.
Asteromorph에는 Future Play(퓨처플레이, 한국 기반 VC) 같은 투자자가 있지만, Periodic Labs의 Jeff Bezos, Eric Schmidt 같은 글로벌 네임밸류와 비교하면 인지도가 떨어져요. 이런 글로벌 투자자들의 이름은 그 자체로 강력한 신뢰 신호가 되거든요.

둘째, 네트워크예요.
Asteromorph의 이민형 대표는 23세로, 16세부터 서울대 의대에서 연구원으로 일한 훌륭한 경력이 있어요. 한국 학계에서는 인정받는 인재이지만, Periodic Labs 창업자들이 Stanford, Northwestern 교수들과 직접 연결된 글로벌 네트워크와 비교하면 상대적으로 파워가 떨어져요. 이런 네트워크는 연구 협력, 인재 채용, 다음 펀딩에 큰 영향을 미치거든요.

VC 관점에서 볼 때 Asteromorph의 가능성 대비 밸류에이션은 굉장히 매력적이에요.
$3.6M으로 20-30% 지분을 가져간다고 가정하면, 포스트머니 밸류에이션이 $12M-18M(약 160억-240억 원) 정도예요. 만약 이 회사가 SPACER 모델로 실제 신약 후보를 하나만 발견해도 밸류에이션이 10배 이상 뛸 수 있어요.(실제로는 훨씬 더 뛸 수 있다고 생각되네요.)

한국 VC들이 주목해야 할 포인트는 "niching down"이에요.
Periodic Labs처럼 모든 걸 다 하려면 엄청난 자본이 필요해요. 하지만 가설 생성, 실험 설계, 데이터 분석 같은 특정 단계에 집중하면 적은 자본으로도 글로벌 시장에서 경쟁할 수 있어요. 그런 점에서 Asteromorph의 행보는 굉장히 주목할 만 하다고 생각해요.

AI for Science는 전형적인 Deeptech 투자예요.
일반적인 SaaS나 컨슈머 앱과 완전히 다른 평가 기준이 필요해요.

첫째, 기술적 검증부터 봐야 해요.
"AI가 과학 발견을 할 수 있다"는 건 이제 증명됐어요. 하지만 "이 팀이 할 수 있느냐"는 별개 문제예요. 체크할 것들이 있어요. 첫째, 팀에 실제 과학자가 있나요? MBA 출신 창업자가 AI for Science를 한다고 하면 회의적이어야 해요. Periodic Labs는 Ekin Dogus Cubuk이 재료 과학 박사고 GNoME를 만든 사람이에요. 이게 중요해요.

둘째, 이미 발표된 연구가 있는지?
Nature, Science, Cell 같은 저널에 논문이 나왔거나, arXiv(코넬대학교가 운영하는 온라인 논문 저장소이며 정식 저널 출시 전에 이 곳에 먼저 논문을 공개해서 타임스탬프 목적으로 활용해요)에 프리프린트가 있나요? AI for Science는 과학 커뮤니티의 검증이 필요해요. Peer review 없이 "우리 AI가 신소재를 발견했어요"라고 하면 검증하기 어려워요.

셋째, 실험 데이터가 있는가?
예측만 하는 게 아니라 실제로 합성했거나, 실험실에서 테스트했나요? GNoME는 736개 신소재가 독립적으로 합성됐고, MIT의 Halicin은 생쥐 실험까지 했어요. 이런 validation이 중요해요.

넷째, 파트너십이 있는가?
대학, 연구소, 기업과 협력하고 있나요? Periodic Labs는 Stanford, Northwestern 교수들이 자문하고, 반도체 제조업체와 이미 일하고 있어요. LEAP 71은 The Exploration Company 같은 우주 기업과 협력해요. 이런 파트너십은 기술적 신뢰도와 시장 접근성을 동시에 검증해줘요.

자본 효율성도 중요해요.
Deeptech는 자본 집약적이지만, 그래도 마일스톤별로 얼마나 필요한지 명확해야 해요. Periodic Labs는 $300M으로 뭘 할까요? 리서치 해보니 첫 자율 실험실 구축에 $100M, 팀 확장에 $50M, 연구 그랜트 프로그램에 $50M, 나머지는 운영비와 예비비에 쓰일 것 같더라구요. 창업자가 "일단 많이 주시면 알아서 잘 쓸께요"라고 하면 레드 플래그예요. 이렇게 나이브하게 자금을 운영할 것 같다면 Deeptech 투자라고 해도 선뜻 손을 내밀기 힘들겠죠.

TAM은 어떻게 평가할까요?
AI for Science는 TAM이 정의하기 어려워요. "재료 과학 시장"이라고 하면 너무 넓고, "AI 기반 신소재 발견 시장"이라고 하면 아직 시장이 없어요. 제가 보는 방법은 "이 기술로 대체할 수 있는 기존 시장"이에요. 예를 들어, 제약회사들이 신약 개발에 연간 $200B+(약 268조 원)를 써요. 만약 AI가 이 프로세스의 10%만 효율화해도 $20B(약 27조 원) 시장이에요. 이런 식의 접근이 가장 합리적일 것 같아요.

Exit 전략은 뭘까요?
Deeptech의 전형적인 exit는 세 가지예요.
첫째, 대기업 인수예요.
Google, Meta, Microsoft 같은 곳이 기술과 팀을 사가는 거죠. DeepMind가 Google에 $500M+(약 6,700억 원)에 인수됐던 것처럼요.
둘째, 특정 발견의 라이선싱이에요. 신약이나 신소재 하나를 제약회사나 재료 회사에 라이선싱하는 거예요.
셋째, IPO예요. 하지만 이건 최소 10년 이상 걸려요.

타임라인도 달라요.
일반 스타트업은 2-3년 안에 PMF를 찾아야 하지만, Deeptech는 5-7년 걸릴 수 있어요. Periodic Labs의 첫 고온 초전도체 발견이 언제 나올까요? 아마 3-5년 후일 거예요. VC 펀드의 수명이 보통 10년인데, 7년 차에 첫 exit이 나올 수도 있어요.

리스크는 뭘까요?
기술적 리스크가 제일 커요.
AI가 예측한 재료가 실제로 합성 안 될 수도 있어요. 합성은 됐는데 성능이 안 나올 수도 있어요. 규제 리스크도 있어요. 특히 바이오 분야는 FDA 승인이 필요해서 시간이 오래 걸려요.

경쟁 리스크도 무시 못 해요.
최악의 경우에는 Google, Microsoft 같은 빅테크들이 직접 들어올 수 있고 그들은 충분한 Resource가 있어요. 당장 강력한 경쟁자 내지는 Fast Follow가 될 확률이 높죠.

타이밍 관점에서 보면 지금이 "Early but not too early"예요.
Gartner Hype Cycle로 설명할께요.

Gartner Hype Cycle은 새로운 기술이 시장에서 어떻게 발전하는지 보여주는 프레임워크예요

(Source : Gartner)

5단계로 나뉘어요.
첫째는 "Innovation Trigger(혁신 촉발)" 단계예요.
기술이 처음 등장하고 일부 전문가들이 관심을 갖기 시작하는 시기죠.

둘째는 "Peak of Inflated Expectations(부풀려진 기대의 정점)"이에요.
언론과 투자자들이 열광하면서 기대가 과도하게 부풀려지는 단계예요.

셋째는 "Trough of Disillusionment(환멸의 골짜기)"예요.
초기 제품들이 기대에 못 미치면서 실망이 퍼지고 많은 회사가 망하는 시기예요.

넷째는 "Slope of Enlightenment(계몽의 경사면)"이에요.
실제로 작동하는 사례들이 나오면서 기술의 진짜 가치가 이해되기 시작하는 단계죠.

다섯째는 "Plateau of Productivity(생산성의 안정기)"예요.
기술이 주류로 자리잡고 안정적으로 가치를 창출하는 시기예요.

2020년 이전은 "Innovation Trigger" 단계였어요.
AlphaFold 1이 나왔고, 몇몇 연구자들이 가능성을 보기 시작했어요. 하지만 상업적 검증은 없었어요.

2020-2023년은 "Peak of Inflated Expectations" 초입이었어요.
AlphaFold 2가 나오고, GNoME가 220만 개 신소재를 예측했어요. MIT에서 Halicin이 나왔고요. 하지만 아직 대규모 상업화는 없었어요.

2024-2025년이 지금이에요.
제가 보기에는 "Trough of Disillusionment"를 건너뛰고 "Slope of Enlightenment"로 가는 중이에요. 왜냐하면 실제 검증 사례가 계속 나오고 있거든요. 736개 신소재가 실제로 합성됐고, LEAP 71의 로켓 엔진이 첫 시도에 작동했어요. FutureHouse가 황반변성 치료 후보를 발견했고요.

투자 신호들을 볼까요?
첫째, 주목할 만한 메가 펀딩이 계속 나와요.
Periodic Labs $300M, Lila Sciences $200M, FutureHouse $50M 등이 그것이죠.

둘째, 빅테크가 움직여요.
Google DeepMind는 AlphaFold와 GNoME를 오픈소스로 공개했어요. Microsoft는 MatterGen을 발표했고요.

셋째, 학술 성과가 상업화로 이어져요.
AlphaFold는 Isomorphic Labs로 스핀아웃했고, 제약회사들과 계약을 맺었어요.

경쟁 구도는 어떨까요?
아직 시장이 확정되지 않았어요. "AI for Science 챔피언"이 누가 될지 불명확해요. 이게 VC에게는 기회예요. 지금 투자하면 카테고리 리더가 될 회사를 잡을 수 있어요.

하지만 주의할 점도 있어요.
첫째, 과대평가 리스크예요.
모든 AI for Science 회사가 성공하지는 않아요.
기술적으로 어렵고, 상용화까지 시간이 오래 걸려요.

둘째, 자본 경쟁이 치열해져요.
$300M 시드가 나오면 다음 라운드는 $500M-1B이 될 수도 있어요. 초기 투자자가 Follow-on하기 어려울 수 있어요.

"비주류VC"가 지금 AI for Science에 투자한다면 어떤 걸 볼까요?
세 가지 타입이 있어요.
첫째, "Full-stack" 회사예요.
Periodic Labs처럼 가설-실험-분석 전체를 하는 거예요. 리스크는 높지만 리워드도 커요.

둘째, "Tools" 회사예요.
FutureHouse처럼 과학자들이 쓸 수 있는 AI 도구를 만드는 거예요. 더 빠르게 수익화할 수 있어요.

셋째, "Vertical-specific" 회사예요.
Asteromorph처럼 특정 분야(생물학/화학)에 집중하는 거예요. TAM은 작지만 defensibility가 강해요.

타이밍을 정리해 볼께요.

너무 이르지도, 너무 늦지도 않아요.
기술적 검증은 됐고, 상업적 스케일은 아직이에요. 밸류에이션이 올라가고 있지만 아직 버블은 아니에요. 2-3년 후면 카테고리 리더가 정해질 거고, 그때는 밸류에이션이 10배 뛸 거예요. 지금이 어찌 보면 최적이 시기라고 볼 수도 있겠네요.

• AI는 이제 예측을 넘어 실제 발견을 만들어냄
  'AI for Science'가 단순한 버즈워드가 아니라 실제로 작동한다는 증거가 명확해졌어요. DeepMind GNoME가 예측한 신소재 중 736개가 실제로 합성됐고, MIT의 Halicin은 생쥐 실험에서 24시간 내에 항생제 내성 박테리아를 제거했어요. LEAP 71의 로켓 엔진은 AI가 설계하고 첫 시도에 작동했어요. 이제는 "AI가 할 수 있을까?"가 아니라 "누가 가장 잘할까?"를 물어야 할 시점이에요.

• 자본 집약도와 기술 특화도의 트레이드오프가 존재함
  Periodic Labs는 $300M으로 자율 실험실 전체를 구축하는 반면, Asteromorph는 $3.6M으로 가설 생성에만 집중해요. 전자는 높은 리스크-높은 리워드고, 후자는 빠른 검증-빠른 수익화예요. VC에게는 사실 가능만 하다면 포트폴리오에 둘 다 필요하다고 생각해요. Full-stack 회사 하나와 Tools 회사 둘을 섞으면 최적의 리스크와 리턴 밸런스를 맞출 수 있어요. 늘 그렇듯 돈이 문제죠 뭐...

• 타이밍이 Early but not too early 구간에 진입했음
  기술적 검증은 끝났지만 상업적 스케일은 아직이에요. AlphaFold가 노벨상을 받았고, GNoME의 발견이 실제 합성으로 이어졌어요. 메가 펀딩이 계속 나오고 있고, 빅테크도 움직이고 있어요. 하지만 카테고리 리더는 아직 정해지지 않았어요. 지금 투자하면 2-3년 후 밸류에이션이 10배 뛸 때 그 리워드를 잡을 수 있어요. 너무 이르면 기술적 실패를 보고, 너무 늦으면 높은 밸류에이션에 들어가야 해요.

• Deeptech 투자는 별도의 평가 프레임워크가 필요함
  일반 SaaS처럼 ARR이나 CAC로 평가할 수 없어요. 대신 팀의 과학적 트랙 레코드, 발표된 연구, 실험 검증 데이터, 기관 파트너십을 봐야 해요. Exit도 달라요. M&A, 라이선싱, IPO가 가능하지만 타임라인은 7-10년이에요. 자본 효율성도 다르게 봐야 해요. 글로벌 시장에서는 $300M 시드가 비정상적으로 보이지만, 자율 실험실 구축에는 필요한 금액이에요. VC 펀드의 포트폴리오 전략도 조정이 필요해요.

* AI for Science는 이제 실험 단계를 넘어 상업화 초입에 들어섰어요. VC로서는 기술적 검증이 끝난 이 시점에 카테고리 리더를 찾아 베팅할 기회가 왔다고 봐요. Full-stack, Tools, Vertical-specific 회사들을 적절히 섞어 포트폴리오를 구성하고, 지역별로 다각화하면서, Deeptech 특유의 긴 타임라인을 감안한 인내심을 가지고 접근하면 앞으로 큰 리턴을 기대할 수 있을 것 같다고 생각하게 됐어요. 공부할게 너무 많네요...;;;