프롤로그: 2026년 2월 5일의 기적
지난 2월 5일, OpenAI가 발표한 영상 하나가 바이오 업계를 뒤흔들었다. 긴코바이오웍스의 로봇 팔이 작동하고, GPT-5가 실험을 설계하고, 그 결과로 단백질 생산 비용이 40% 절감되었다는 것이다. 트위터에서 280만 뷰를 기록한 이 뉴스는 단순한 마케팅이 아니었다. 이는 생물학 연구의 판을 완전히 바꾸는 기술 혁신이 현실화했다는 신호였다.
왜 중요한가? 지금까지 바이오 연구는 사람이 직접 손으로 하는 일이 대부분이었다. 마치 1970년대의 반도체 공장처럼 말이다. 그런데 지금 긴코는 그 손을 로봇으로, 판단을 AI로 바꾸려고 한다. 이게 성공하면, 바이오는 IT 업계의 클라우드 혁명처럼 완전히 다른 경제 구조를 갖게 될 것이다.
이 글의 핵심 질문: 긴코가 정말로 "생물학의 AWS"가 될 수 있을까?
이를 알아보기 위해 세 가지를 파헤쳐야 한다: 하드웨어(RAC), 소프트웨어(Catalyst), 데이터(Datapoints).
1부: 수동 실험의 함정 — 왜 95%가 낭비되는가
현재 생물학 연구 예산의 95% 이상이 수동 실험에 낭비된다. 이게 무슨 말인가?
가령 신약 개발 팀이 단백질 수율을 개선하려고 한다고 하자. 과학자는 다음을 반복한다:
- 시약을 정하고
- 온도를 맞추고
- 배양기에 넣고
- 24시간 기다리고
- 결과를 보고
- 다음 파라미터를 설정한다
이 과정은 물리적으로 느리고, 비용이 크고, 인간 오류가 많다. 100번의 실험을 하려면 100번을 손으로 해야 한다. 게다가 과학자의 실험 설계 능력에 따라 결과가 달라진다. 경험이 적은 신입은 좋은 파라미터를 찾지 못한다.
자동차 산업의 교훈:
1900년대 초반, 포드가 조립라인을 도입하기 전까지 자동차 생산은 장인의 손에 의존했다. 한 대 만드는 데 수주가 걸렸고 비용이 엄청났다. 조립라인(자동화)이 등장하면서 생산성이 100배 뛰어올랐다.
생물학도 똑같은 단계에 있다. 지금 생물학은 "자동차 수공예 시대"다. 긴코의 RAC는 생물학의 "포드 조립라인"이 되려고 한다.
실험 최적화의 진짜 비용
문제는 시간과 비용만이 아니다. 수동 실험은 반복적 최적화가 거의 불가능하다. 왜냐하면 한 번의 실험마다 몇 주일이 걸리기 때문이다. 따라서 과학자는 한계가 있는 몇 가지 시나리오만 시도할 수 있다. 최적의 파라미터는 찾지 못한 채로.
반대로 자동화되면 어떻게 될까? 같은 기간에 1,000번의 실험을 할 수 있다. AI가 결과를 분석하고 다음 실험을 자동으로 설계한다. 이것이 바로 "폐쇄루프 최적화"다.
2부: RAC — 생물학의 레고 블록
RAC는 Reconfigurable Automation Cart
한 대의 RAC는 다음으로 이루어져 있다: 핵심은 모듈 구조다. 마치 레고처럼, 여러 RAC를 연결할 수 있다. 이 확장성이 긴코의 모든 전략의 핵심이다. 2-5개 RAC: 선형 워크플로우 (기본 자동화) 여러 실험 단계를 순차적으로 처리. 여전히 인간이 중간에 개입한다. 하지만 이미 수동 실험보다 10배 빠르다. 10-20개 RAC: 폐쇄루프 시스템 (반복 최적화) 샘플이 RAC들을 순환하면서 자동으로 최적화된다. AI가 결과를 보고 다음 RAC의 파라미터를 조정한다. 인간 개입이 최소화된다. 이것이 진정한 자동화다. 100개 이상의 RAC: 메가 "원오브에브리싱" (거대 통합 실험실) 이것은 현재 긴코가 고객 사이트에서 설계 중인 시나리오다. 하나의 대형 고객사가 100개 이상의 RAC를 사용해 인간 과학자 없이 대규모 약물 발견을 수행할 수 있다. 이 확장성의 의미를 이해하기 위해 한 가지 비유를 들어보자. 웨이모(Wayway)의 자율주행차 비유: 웨이모는 처음엔 몇 대의 자율주행차로 시작했다. 그 다음 수십 대, 수백 대로 확장했고, 이제는 전역 배송 시스템이 되어가고 있다. RAC도 똑같다. 2-5 RAC는 "파일럿 프로젝트". 10-20 RAC는 "상용화 준비". 100+ RAC는 "대규모 산업"이다. RAC가 손이라면, Catalyst는 뇌다. 이것은 긴코의 소프트웨어 플랫폼으로, 다음으로 구성된다: Nebula: 실험실 스케줄링 소프트웨어 Nebula는 모든 RAC의 작업을 중앙에서 관리한다. 언제 어떤 샘플을 어떤 RAC에 보낼지, 어떤 파라미터로 실행할지를 결정한다. 마치 구글 클라우드의 쿠버네티스(Kubernetes) 같은 역할을 한다. 수백 개의 컨테이너를 동시에 관리하듯, Nebula는 수백 개의 RAC를 동시에 관리한다. LLM 통합 & Reasoning Models: 여기가 핵심이다. Catalyst는 OpenAI의 GPT-5 같은 대형 언어모델과 연결되어 있다. 하지만 단순히 "챗봇"이 아니다. 전문화된 "Reasoning Model"이 실험을 설계한다. 이 모델은 생물학 논문, 과거 실험 데이터, 현재 결과를 모두 고려해서 다음에 어떤 실험을 해야 하는지 자동으로 결정한다. 여기가 혁신이다. "Lab in the Loop"는 이렇게 작동한다: 이것이 "목표 기반 과학(Goal-Directed Science)"이다. 지금까지의 과학은 "가설 기반"이었다. 즉, 인간 과학자가 가설을 세우고 검증했다. 하지만 AI 시대에는 "목표 기반"이 된다. AI가 가설을 자동으로 생성하고 검증한다. RAC와 Catalyst가 실험을 할 수 있게 해준다면, Datapoints는 그 데이터를 자산으로 변환한다. Datapoints는 생물학 데이터의 중앙 저장소다. 세 가지 주요 워크플로우를 다룬다: Datapoints는 Q4 2024에 출시된 이후, 첫 1년에 다음을 달성했다: 상위 20대 제약사 중 10개가 이미 고객 항체 데이터포인트 100,000개 이상 수집 오믹스 데이터 25억 포인트 공개 파트너: Bayer, ARPA-H, Profluent, Google Cloud 이 숫자들이 의미하는 바는 긴코가 모든 생물학 회사가 만들어내는 데이터의 중앙 저장소가 되어가고 있다는 것이다. 여기서 중요한 경제학이 등장한다. Datapoints에 데이터가 많을수록: 이것이 네트워크 효과의 핵심이다. 마치 페이스북이 더 많은 사람이 가입할수록 가치가 올라가듯이, Datapoints도 더 많은 제약사가 가입할수록 가치가 올라간다. 2월 5일 발표 직후, 많은 투자자들이 의심했다. "이게 진짜인가, 아니면 단순 마케팅인가?" 그것을 판단하기 위해 다음 세 가지를 고려해야 한다: 가능하다. 왜냐하면: 네, 협력한다. 근거: 그 구분은 다음에서 나타난다: 기술 협력 vs 마케팅 협력 마케팅 협력: 두 회사의 로고를 나란히 붙이고 보도자료를 낸다. 기술 협력: GPT-5가 실제로 Catalyst에 통합되고, 실험 설계에 사용되고, 결과를 개선한다. 2월 5일 발표는 후자의 징후들을 보여줬다. 영상에서 로봇이 작동했다. 비용 감소가 수량화되었다. 가장 중요한 질문은 이것이다. 2월 발표는 좋은 홍보였지만, 이게 계속 좋은 결과를 낼 수 있을까? 투자자로서 봐야 할 것들: 긴코의 궁극적 비전은 "생물학의 AWS"가 되는 것이다. 이것이 무엇을 의미하는지 살펴보자. 반도체 산업의 진화: 1980-1990년대: 모든 칩 회사가 자체 팹(제조 시설)을 보유했다. (인텔, 삼성, TSMC 모두 제조사) 2000년대 이후: "팹리스" 회사들이 등장했다. (Qualcomm, ARM, NVIDIA) 설계만 하고 제조는 TSMC에 아웃소싱 결과: 설계 회사들은 R&D에 집중할 수 있었고, TSMC는 막대한 제조 규모 때문에 비용을 떨어뜨릴 수 있었다. 긴코는 생물학에서 같은 일을 하려고 한다. 즉: AWS는 어떻게 성공했는가? 긴코도 같은 경로를 따르려고 한다: 이 10개라는 숫자는 긴코가 이미 "AWS 경로"의 초기 단계에 있다는 증거다. 하지만 아직 끝이 아니다. AWS가 성공한 것처럼, 긴코도 계속 성장해야 한다. 1. RAC의 신뢰성: 로봇이 정말 24/7 작동할 수 있을까? 고장이 나면? 2. AI의 일반화: 단백질 한 종류에서는 40% 절감이 가능했지만, 다른 것도 가능할까? 3. 경쟁: OpenAI, Google, Genentech 같은 거대 플레이어들이 자체 생물학 AI를 만들면? 4. 규제: FDA나 EMA가 AI 생성 신약에 대해 어떤 태도를 취할까? 1. 스케일: 현재 파일럿 고객사에서 100+ RAC 메가랩으로 확대 2. 산업 확대: 지금은 제약에만 쓰지만, 식품, 화학, 에너지에도 확대 가능 3. 데이터 플랫폼: Datapoints가 "생물학의 GitHub" 같은 존재로 성장 4. AI 모델 개선: 더 나은 오픈 소스 생물학 AI 모델들이 기여 긴코바이오웍스는 2025년을 기점으로 미래 기업으로 변모하고 있다: 하드웨어(RAC): 생물학의 자동화를 가능하게 하는 기본 인프라 소프트웨어(Catalyst): AI가 실험을 설계하고 반복 최적화하는 두뇌 데이터(Datapoints): 모든 생물학 데이터의 중앙 집중식 자산 이 세 가지가 모여, 긴코는 정말로 "생물학의 AWS"가 될 수 있다. 하지만 이는 장기 투자다. 2-3년 안에 결과가 나올 리 없다. 오히려 봐야 할 것은: 만약 이 마일스톤들이 달성되면, 긴코는 정말로 판을 바꾸는 회사가 된 것이다. 그렇다면 지금의 DNA 주가는 저평가되어 있을 것이다. 반대로 이 마일스톤들이 지연되거나 실패하면, 이는 단순한 좋은 PR에 불과했을 가능성이 높다. 최종 평가: 긴코는 기술적으로 흥미롭다. 경제 모델도 우아하다. 하지만 실행이 모든 것을 결정한다. 지금은 "베팅" 단계다. 기술이 정말로 작동하고, 고객들이 정말로 채택하고, 비용이 정말로 낮아지는지를 확인해야 한다.RAC의 하드웨어 구성
RAC 스케일링 전략: 선형 → 폐쇄루프 → 메가랩
3부: Catalyst — AI가 실험을 운전하다
Catalyst의 기술 스택
"Lab in the Loop" — AI의 자동 학습 사이클
4부: Datapoints — 데이터가 자산이 되다
Datapoints 플랫폼의 구조
2024년 이후의 성장 곡선
데이터의 네트워크 효과
5부: OpenAI GPT-5 협업 — 마케팅인가, 기술인가?
1. 단백질 생산 비용 40% 절감이 가능한가?
2. OpenAI가 진짜로 협력하는가?
3. 이것이 지속 가능한가?
6부: 생물학의 AWS가 될 수 있는가?
반도체 팹리스 모델의 교훈
AWS와의 직접 비교
7부: 기술 리스크와 기회
기술 리스크
기술 기회
결론: 투자자로서의 판단