AutoScientist - Sara Hooker가 모델 학습 자체를 자동화합니다

🏷️ 정보 머신러닝 AI평가

2026년 5월 13일, Adaption Labs가 첫 제품 AutoScientist를 공개했습니다. 한 줄 요약: 모델 학습·정렬을 위한 사람의 의사결정 — 데이터 큐레이션, 학습 recipe, 평가 — 을 통째로 자동화하는 시스템.

이걸 만든 사람이 누구냐가 중요합니다. CEO Sara Hooker는 Cohere For AI 를 이끌었던 전 Cohere VP of Research이고, 작은 모델로 큰 효율을 내는 "scaling race에 반대" 노선의 학계 대표자 중 한 명입니다. 공동창업자 Sudip Roy는 전 Cohere inference director입니다. 프론티어 랩의 학습 노하우를 외부 도구로 옮기는 작업을 두 사람이 회사로 만든 것이죠.

무엇이 새로운가요

AutoScientist의 주장은 단순합니다 — fine-tuning을 사람이 운영하는 시대를 끝낸다. 구체적으로 자동화되는 의사결정은 세 갈래입니다.

1. 적응형 데이터 (adaptive data) — AI 시스템이 답을 내는 데 필요한 데이터를 실시간으로 생성·조작 합니다. 기존 패러다임은 고정된 데이터셋 → 학습 이었다면, AutoScientist는 문제에 필요한 데이터를 모델이 직접 생성·정제 합니다. 합성 데이터 + 정제가 학습과 동시에 굴러갑니다.

2. 적응형 지능 (adaptive intelligence) — 문제 난이도에 따라 compute를 자동으로 조절 합니다. 쉬운 문제는 적게, 어려운 문제는 많이. reasoning budget 을 사람이 정하지 않습니다.

3. 적응형 인터페이스 (adaptive interfaces) — 사용자가 시스템과 상호작용하는 방식에서 학습 합니다. 한 번 답을 주고 끝이 아니라, 사용자가 무엇을 받아들이고 무엇을 거부하는지로 시스템이 본인 행동을 조정합니다.

이 셋이 합쳐져 데이터 + recipe + 평가 루프 가 동시에 self-improve 합니다. RAFT, DPO, GRPO 같은 학습 알고리즘과 데이터 큐레이션 전략을 사람이 골라야 하는 시대를 마감하겠다는 베팅입니다.

숫자 — 사람 vs 시스템

회사가 공개한 핵심 수치는 다음 두 개입니다.

*+35%* — Adaption 사내 AI 리서처가 직접 설계한 학습 대비 AutoScientist의 평균 성능 향상
48% → 64% — 같은 비교에서 win rate

"사내 AI 리서처" 라는 표현이 모호하긴 합니다. 전 Cohere VP 출신 이 모은 사내 인력이라면 일반 회사의 ML 엔지니어보다 강할 가능성이 높지만, 진짜 frontier lab 시니어 리서처 (예: Anthropic·OpenAI 인력)와 비교한 게 아니라는 점은 짚어야 합니다. 외부 재현이 따라야 합니다.

다만 48% → 64% 라는 win rate 점프 폭은 무시하기 어렵습니다. 동등한 인력의 절반 이상이 자동화에 진다 는 의미라, 만약 사실이라면 fine-tuning consultant 라는 업종 자체가 압박을 받습니다.

회사 배경

2026년 2월 Fortune 보도로 본 자금 구조는 다음과 같습니다.

시드 — $50M (Emergence Capital + Mozilla Ventures 리드)
공동창업 — Sara Hooker (CEO) + Sudip Roy (전 Cohere inference director)
포지셔닝 — 작고 똑똑한 모델 노선, scaling race에 반대 노선

이 라인업이 보내는 메시지는 명확합니다. Frontier 랩들이 더 큰 모델 + 더 많은 컴퓨트로 가는 동안, 다음 병목은 학습 expertise 자체 라는 베팅입니다. Anthropic이 Constitutional AI 로 학습 방법론을 자기 자산화한 것과 같은 결의 베팅을 외부 도구 형태로 만드는 시도입니다.

누구에게 의미가 있나요

자동 fine-tuning이 모두에게 같은 의미는 아닙니다.

중소·중견 AI 팀 — 전담 ML 리서처가 1~2명인 회사. 본인들이 골라야 할 RAFT vs DPO vs GRPO를 시스템이 자동 결정한다면, ML 인력 한 명 분이 다른 일로 옮겨갈 수 있습니다. 직접적 이득.

한국 SI·금융권 AI 팀 — 고객 도메인 데이터로 자체 모델을 만드는 경우. 자체 노하우를 AutoScientist 같은 도구 와 사내 시니어 리서처 두 채널 중 하나로 흡수시킬 수 있다면, 의사결정 비용이 크게 떨어집니다. 다만 데이터 외부 유출 우려는 별도 검토가 필요합니다.

Frontier lab들 — 직접 이득은 적습니다. Anthropic 같은 곳은 학습 노하우 자체가 경쟁 우위라 외부 도구로 대체할 유인이 없습니다.

컨설팅·MLOps 업종 — 압박을 받는 자리입니다. "본인 데이터를 가져오면 우리가 fine-tune 해드립니다" 라는 모델이 "AutoScientist를 켜세요" 로 대체될 가능성.

Sakana AI The AI Scientist와의 차이

비슷한 이름의 AI Scientist 가 이미 있습니다 — Sakana AI가 2024년 공개한 연구 자동화 시스템. 둘은 자동화 대상이 다릅니다.

시스템	자동화 대상
Sakana AI Scientist	가설 생성·논문 작성·실험 설계 (연구 자체)
Adaption AutoScientist	데이터·recipe·평가 (학습 운영)

Sakana는 논문을 쓰는 AI 입니다. AutoScientist는 기업이 자기 데이터로 모델을 fine-tune하는 일 을 자동화합니다. 같은 "연구 자동화" 카테고리로 묶이지만, 실제로 푸는 문제와 고객이 완전히 다릅니다.

한계와 의문

재현성 — 사내 AI 리서처 라는 비교 기준이 공개되지 않았습니다. 누가 보더라도 같은 수치가 나오는지는 외부 재현이 따라야 합니다.
첫 30일 무료 — 오후 한나절이면 어댑테이션 끝 이라는 마케팅 표현은 얼마나 빨리 lock-in되는가 에 대한 질문이기도 합니다. 본인 학습 파이프라인을 자동화 도구에 의존시킨 뒤 가격이 어떻게 되는지는 별도 관찰이 필요합니다.
데이터 위치 — 본인 데이터가 어디서 처리되는지(클라우드 vs on-prem) 명시적 답변이 필요합니다. 한국 금융권·의료 데이터에는 결정적 변수입니다.

정리

Fine-tuning을 사람이 운영하는 시대 가 끝나는지 검증할 첫 본격 제품입니다. Sara Hooker + 전 Cohere 인력 이라는 무게감이 무시할 수 없는 신호입니다.
+35% / 48%→64% win rate 라는 수치는 외부 재현 전에는 마케팅 자료지만, 프론티어 학습 expertise를 외부 도구로 흡수 한다는 베팅 방향은 명확합니다.
한국 중소·중견 AI 팀이 가장 빠르게 이득을 볼 자리지만, 데이터 위치·lock-in·가격 세 가지를 직접 확인하지 않고 도입하기는 이릅니다. 첫 30일 무료를 한 번 돌려 보는 정도가 가장 합리적 시작입니다.