John Jumper의 Anthropic 합류가 드러낸 과학 AI 전략 변화

AlphaFold의 핵심 연구자가 Anthropic을 택했다

2024년 노벨화학상 수상자이자 AlphaFold 공동 창시자인 John Jumper가 2026년 6월 Anthropic으로 자리를 옮겼다. DeepMind에서 보낸 기간은 9년이다. 같은 주에는 Google의 Noam Shazeer(Gemini 공동 리드)도 OpenAI로 이동해 Google DeepMind의 주요 연구자 이탈 흐름이 한층 선명해졌다.

이번 영입은 독립된 인사 사건이라기보다 Anthropic이 쌓아온 과학 AI 기반 위에서 봐야 한다. Anthropic은 Allen Institute 및 Howard Hughes Medical Institute와 파트너십을 체결하고, Coefficient Bio를 약 4,000억 원 규모로 인수했으며, 습식 실험실(wet lab)도 구축했다. 이러한 과학 AI 인프라 확장이 Jumper 영입으로 이어졌다는 분석이 나온다.

Jumper는 시카고 대학교에서 이론물리학 박사 학위를 받은 뒤 2017년 DeepMind에 합류했다. 그가 이끈 AlphaFold 프로젝트는 단백질 구조 예측에 딥러닝을 적용했고, 2021년 AlphaFold 2가 CASP14(Critical Assessment of Protein Structure Prediction)에서 예측 정확도를 크게 끌어올리며 생물학계에 충격을 줬다. Jumper는 2024년 Demis Hassabis와 함께 노벨화학상을 공동 수상했다.

그의 기여는 정확도 개선에만 있지 않다. Evoformer라는 어텐션 기반 아키텍처를 이용해 아미노산 서열에서 3D 구조를 직접 예측하는 방법론을 확립했다. 딥러닝이 실제 과학적 발견에 기여할 수 있음을 전 세계에 보여준 사례로 평가받는 이유다.

Evoformer에서 Diffusion으로 넓어진 예측 대상

AlphaFold의 변화는 AI 아키텍처가 과학 문제에 어떻게 맞춰지는지를 보여준다. AlphaFold 2에서 AlphaFold 3, 그리고 Anthropic이 지향하는 과학 AI 구조까지의 흐름은 다음과 같다.

⤢✕

AlphaFold 3에서는 AlphaFold 2의 Structure Module 자리를 Diffusion 모델이 대신한다. Pairformer는 Evoformer보다 단순화됐지만 예측 대상은 단백질에서 DNA, RNA, 소분자 리간드까지 넓어졌다. Diffusion Transformer는 24개 블록으로 구성되며, 노이즈에서 원자 단위의 3D 좌표를 반복적으로 복원한다. 이미지 생성 모델인 Stable Diffusion 등에 쓰인 원리를 분자 구조 예측으로 가져온 구조다.

연구 목적과 운영 조건에 맞춰 모델을 고른다

단백질 구조 예측 모델은 하나의 우열표만으로 선택하기 어렵다. 2026년 현재 예측 대상과 처리 속도, 정확도, 라이선스 조건을 함께 비교해야 한다.

항목	AlphaFold 3	RoseTTAFold 2	ESMFold
개발사	Google DeepMind / Isomorphic Labs	워싱턴 대학교 Baker Lab	Meta AI
예측 범위	단백질, DNA, RNA, 리간드, 이온	단백질, 소분자 복합체	단백질 단독
예측 속도	분 단위	45~90초	5~15초
정확도	CASP 최상위 (실험 수준)	AlphaFold 3와 근접	중간 수준
라이선스	학술 무료 / 상업적 파트너십 필요	완전 오픈소스	오픈소스
핵심 아키텍처	Pairformer + Diffusion	RoseTTAFold All-Atom	ESM-2 언어모델 기반
주요 강점	단백질-DNA 복합체, 리간드 결합	오픈소스 접근성, 복합체 예측	대규모 스크리닝 속도

ESMFold는 MSA(다중 서열 정렬)를 생략하고 단백질 단독 구조를 수초 내 예측한다. 수만 개 서열을 빠르게 스크리닝해야 할 때 적합하다. RoseTTAFold 2는 완전 오픈소스로 운영돼 학술 연구에서 접근하기 쉽다. AlphaFold 3는 복합체 예측 정확도에서 선두를 유지하지만 상업적으로 이용하려면 Isomorphic Labs와의 파트너십이 필요하다.

따라서 현재 가장 실용적인 구성은 AlphaFold 서버(무료 학술용), ESMFold API, RoseTTAFold All-Atom을 목적별로 조합하는 방식이다. 대규모 스크리닝에는 ESMFold, 정밀 구조 분석에는 AlphaFold 3, 복합체 연구에는 RoseTTAFold를 배치하는 하이브리드 파이프라인이 2026년 기준 표준 전략으로 자리잡고 있다.

Anthropic이 과학 AI 실행 기반을 넓히는 방식

Anthropic의 2026년 초 행보를 연결하면 Jumper 영입의 맥락이 드러난다. Coefficient Bio를 약 4,000억 원에 인수하면서 Evozyne, Genentech, Prescient Design 출신 계산 생물학자들로 구성된 생물정보학 전문 연구팀을 흡수했다. Allen Institute 및 Howard Hughes Medical Institute와는 생명과학 AI 에이전트를 실험실에 적용하는 파이프라인을 공동 구축하기로 했다.

생물학 에이전트 벤치마크인 VirBench도 이 전략의 일부다. Anthropic은 이를 통해 생물학 AI 에이전트가 추론만 수행해서는 부족하며, 결정론적 실험 도구와 통합돼야 한다는 점을 강조했다.

Jumper가 맡을 역할은 아직 공식 발표되지 않았다. 그의 경력을 고려하면 단백질 구조 예측과 LLM의 통합 연구, 과학 전문 AI 에이전트 아키텍처 설계, 생명과학 파트너십의 기술 자문 등이 핵심 역할이 될 것으로 예상된다. 노벨화학상 수상자라는 상징성 역시 Anthropic이 AI 안전성 연구소의 이미지를 넘어 과학적 정당성을 갖춘 연구 기관으로 자리매김하는 데 기여한다.

문헌과 구조 예측, 실험을 하나의 루프로 묶는다

Claude를 비롯한 대형 언어 모델로 과학 연구를 자동화하는 워크플로우는 세 단계로 이어진다. 먼저 LLM이 수천 편의 논문을 분석해 연구 방향을 제안하고 가설 생성을 돕는다. 이어 AlphaFold 같은 모델이 후보 단백질 구조를 예측하면 AI 에이전트가 실험 프로토콜을 생성한다. 실험이 끝난 뒤에는 LLM이 결과 데이터를 해석하고 다음 실험 사이클을 설계한다.

이 구조를 신약 개발에 적용할 때 VirBench의 시사점을 빼놓을 수 없다. 생물학적 실험은 확률적 추론만으로 다룰 수 없으며, 실험실 자동화 장비와 결정론적으로 연동되는 도구 체계가 필요하다. Anthropic이 향하는 곳도 "LLM이 직접 실험하는 것"이 아니라 "LLM이 실험 에이전트를 오케스트레이션하는 구조"다.

실무 설계의 핵심은 LLM, 구조 예측 모듈, 자동화 장비를 각각 독립된 기능으로 두는 데 그치지 않고 실험 결과가 다음 가설과 설계로 되돌아오는 피드백 루프를 만드는 것이다. Jumper의 합류와 Anthropic의 과학 AI 인프라는 이러한 구조를 실제 연구 환경으로 옮기려는 움직임으로 읽힌다.

연구 인재 이동이 바꾸는 AI 업계 지형

John Jumper의 이탈은 2026년 Google DeepMind에서 반복된 인재 유출의 일부다. 같은 주 Noam Shazeer(Gemini 공동 개발)가 OpenAI로 이동했으며, 그보다 앞서 수십 명의 DeepMind 연구자가 Inflection AI, Mistral, xAI, Cohere 등으로 흩어졌다.

배경으로는 Google 내부의 관료주의와 의사결정 속도, 연구 자율성 제한, 상업화 압박이 꾸준히 거론된다. Anthropic은 AI 안전성을 핵심 미션으로 유지하면서도 과학 AI라는 연구 프론티어를 공격적으로 개척하고 있다. 연구 자율성을 중시하는 고급 인재에게 매력적인 선택지가 되는 이유다.

시장도 이 흐름에 반응했다. Polymarket에서는 2026년 말까지 Anthropic이 상장할 가능성을 74%로 봤다. 과학 AI에서 실질적인 영향력을 확보하면 기업 가치가 더 높아질 것으로 예상된다.

기술 전략에서 읽어야 할 쟁점

AlphaFold 2·3은 트랜스포머와 확산 모델의 응용 범위가 과학적 발견으로 확장될 수 있음을 보여준다. 여기서 중요한 질문은 AI가 과학적 발견을 자동화할 수 있는지, 그리고 그 자동화가 어떤 아키텍처를 필요로 하는지다.

생명과학 연구 파이프라인은 LLM 기반 에이전트 설계, 도구(tool) 연동 아키텍처, 멀티에이전트 오케스트레이션과 직접 연결된다. 모델의 추론 능력만 보는 대신 구조 예측 도구와 실험 장비, 피드백 경로를 함께 설계해야 한다.

조직 전략의 관점에서는 핵심 연구 인력 확보가 기업의 기술 역량과 시장 포지셔닝을 어떻게 바꾸는지도 살펴야 한다. John Jumper의 이동은 특정 연구자의 이직을 넘어, LLM 기업이 구조 예측 전문성을 품고 "AI 네이티브 과학 연구소"로 확장하는 흐름을 상징한다.

Anthropic이 Claude의 추론 역량과 Jumper의 구조 생물학 전문성을 결합하면 신약 개발, 단백질 설계, 생물학 실험 자동화라는 새로운 전선을 열 것으로 전망된다. AI 아키텍트와 기술 전략가에게 남는 과제는 과학 도메인 AI 에이전트를 조직의 R&D 파이프라인에 어떤 방식으로 통합할지 준비하는 일이다.