바이브 메디신: 인간-AI 협업을 통한 생의학 연구의 재정의

Vibe Medicine: Redefining Biomedical Research Through Human-AI Co-Work

대규모 언어 모델(LLM)과 AI 에이전트 프레임워크의 등장으로, 바이브 코딩이라고 알려진 인간-AI 협업 패러다임은 프로그래밍 방식을 변화시켜 더욱 접근성이 높고 생산적인 환경을 제공하고 있습니다. 특히, 과학 연구 분야에서는 복잡한 워크플로우와 전문적인 지식에 대한 의존성이 독립적인 연구자와 자원이 부족한 지역의 연구자들에게 부담으로 작용하는데, 바이브 코딩은 이러한 문제점을 해결하고 잠재적인 영향력을 더욱 크게 발휘할 수 있습니다. 본 논문에서는 바이브 메디신을 소개합니다. 이는 임상의와 연구자들이 자연어 명령을 통해 AI 에이전트가 복잡하고 다단계의 생의학 워크플로우를 수행하도록 지시하는 협업 패러다임입니다. 연구자는 여전히 목표를 설정하고, 중간 결과를 검토하며, 전문 지식을 기반으로 의사 결정을 내리는 역할을 수행합니다. 이를 지원하는 인프라는 크게 세 가지 계층으로 구성됩니다. 첫째, 강력한 LLM, 둘째, OpenClaw 및 Hermes Agent와 같은 에이전트 프레임워크, 그리고 셋째, OpenClaw 의료 기술 컬렉션입니다. 이 컬렉션은 다양한 오픈 소스 저장소에서 수집된 1,000개 이상의 큐레이션된 기술을 포함합니다. 우리는 이 컬렉션의 아키텍처와 기술 범주를 10개의 생의학 분야에 걸쳐 분석하고, 희귀 질환 진단, 약물 재활용, 임상 시험 설계 등 다양한 사례 연구를 통해 실제 워크플로우를 제시합니다. 또한, 환각, 데이터 개인 정보 보호, 과도한 의존과 같은 주요 위험 요소를 식별하고, 더욱 신뢰할 수 있고 안전하며 임상적으로 통합된 AI 지원 연구를 향한 방향을 제시하여 연구 및 기술적 형평성을 향상시키고 의료 자원 불평등을 줄이는 것을 목표로 합니다.

With the emergence of large language models (LLMs) and AI agent frameworks, the human-AI co-work paradigm known as Vibe Coding is changing how people code, making it more accessible and productive. In scientific research, where workflows are more complex and the burden of specialized labor limits independent researchers and those in low-resource areas, the potential impact is even greater, particularly in biomedicine, which involves heterogeneous data modalities and multi-step analytical pipelines. In this paper, we introduce Vibe Medicine, a co-work paradigm in which clinicians and researchers direct skill-augmented AI agents through natural language to execute complex, multi-step biomedical workflows, while retaining the role of research director who specifies objectives, reviews intermediate results, and makes domain-informed decisions. The enabling infrastructure consists of three layers: capable LLMs, agent frameworks such as OpenClaw and Hermes Agent, and the OpenClaw medical skills collection, which includes more than 1,000 curated skills from multiple open-source repositories. We analyze the architecture and skill categories of this collection across ten biomedical domains, and present case studies covering rare disease diagnosis, drug repurposing, and clinical trial design that demonstrate end-to-end workflows in practice. We also identify the principal risks, such as hallucination, data privacy, and over-reliance, and outline directions toward more reliable, trustworthy, and clinically integrated agent-assisted research that advances research and technological equity and reduces health care resource disparities.