체화된 과학: 능동적인 체화된 인공지능을 활용하여 발견 프로세스를 완성하기

Embodied Science: Closing the Discovery Loop with Agentic Embodied AI

인공지능은 과학적 특성을 예측하는 데 놀라운 능력을 보여주었지만, 과학적 발견은 본질적으로 물리적인, 장기적인 탐구이며 실험 주기를 따릅니다. 현재의 대부분의 계산적 접근 방식은 이러한 현실과 동떨어져 있으며, 발견을 물리 세계와의 지속적인 상호 작용보다는 고립된, 특정 작업에 대한 예측으로 간주합니다. 본 논문에서는 체화된 과학이라는 패러다임을 제안하며, 이는 과학적 발견을 능동적인 추론과 물리적 실행을 긴밀하게 결합한 폐쇄 루프로 재구성하는 것입니다. 우리는 통합된 인지-언어-행동-발견 (PLAD) 프레임워크를 제안합니다. 이 프레임워크에서 체화된 에이전트는 실험 환경을 인지하고, 과학적 지식을 기반으로 추론하며, 물리적 개입을 수행하고, 결과를 내부화하여 후속 탐색을 이끌어냅니다. 견고한 물리적 피드백을 기반으로 계산적 추론을 수행함으로써, 이 접근 방식은 디지털 예측과 경험적 검증 간의 격차를 해소하고, 생명 과학 및 화학 분야의 자율적인 발견 시스템을 위한 로드맵을 제시합니다.

Artificial intelligence has demonstrated remarkable capability in predicting scientific properties, yet scientific discovery remains an inherently physical, long-horizon pursuit governed by experimental cycles. Most current computational approaches are misaligned with this reality, framing discovery as isolated, task-specific predictions rather than continuous interaction with the physical world. Here, we argue for embodied science, a paradigm that reframes scientific discovery as a closed loop tightly coupling agentic reasoning with physical execution. We propose a unified Perception-Language-Action-Discovery (PLAD) framework, wherein embodied agents perceive experimental environments, reason over scientific knowledge, execute physical interventions, and internalize outcomes to drive subsequent exploration. By grounding computational reasoning in robust physical feedback, this approach bridges the gap between digital prediction and empirical validation, offering a roadmap for autonomous discovery systems in the life and chemical sciences.