Hacker News 의견

주요 내용을 요약하면 다음과 같음:

• ML 기반 방법이 물리 기반 방법보다 세계를 정확하게 예측하는 데 더 뛰어난 성능을 보임. 이는 과학적 발전 과정에서 해석 가능한 이론이나 수학적 모델 없이 더 나은 모델로 발전할 수 있음을 시사함.

• DeepMind의 AlphaFold 3와 유사하게 David Baker 연구실에서도 단백질 구조 및 결합된 DNA, 리간드를 예측하는 오픈소스 모델인 RoseTTAFold를 공개함.

• AlphaFold 3는 약 70%의 정확도를 보이며, 기존 방법(30~50%)에 비해 상대적으로 우수한 성능을 보임. 그러나 보도자료에서 절대적인 정확도를 명시하지 않은 점은 의도적으로 오해의 소지가 있음.

• AlphaFold 3는 단백질, DNA, RNA, 이온, 리간드, 화학적 변형을 포함한 다양한 생체분자 구조를 예측할 수 있음. 단백질 복합체 모델링 정확도도 개선됨.

• 오픈소스로 공개되지 않은 점은 과학계에 큰 불편을 초래할 수 있음. 신약 개발 등에 큰 잠재력이 있는 기술을 폐쇄적으로 유지하는 것은 과학계에 도움이 되지 않음.

• ML 기반 방법은 예측 결과에 대한 설명이 부족하다는 한계가 있음. 기저 원리에 대한 이해 없이 예측 결과의 일관성과 신뢰성을 보장하기 어려움.

• 모델을 공개하지 않은 채 "무료 서버"만 제공하는 것은 과학적 재현성 측면에서 우려됨. 상용 기업에 의존하게 되는 것은 바람직하지 않음.

• AlphaFold 3의 정확한 도킹 예측 성능에 대해서는 아직 논문이 공개되지 않아 불분명함. 기존 방법 대비 50% 이상 우수하다고 하나, 구체적인 수치는 제시되지 않음.

• AlphaFold 2에 비해 구조적 제약 조건 등 해석 가능한 요소를 일부 배제하고 단순히 데이터 증류(distillation)에 의존하는 점이 우려됨. 이전 모델의 예측 결과를 활용해야 하는 것도 불편함.

• DeepMind CEO의 트윗과 블로그 제목 사이에 "거의 모든" vs. "모든"이라는 표현 차이가 있어 100% 해결되었다는 인상을 주는 것은 문제가 있음.