Anthropic의 새로운 Claude Science 워크벤치는 주목할 만한 인프라 파트너와 함께 출시된다: 바로 NVIDIA다. NVIDIA와 Anthropic의 출시 자료에 따르면, Claude Science는 이제 NVIDIA BioNeMo Agent Toolkit과 통합되어 생명과학 연구자들이 자연어 기반 연구 워크플로 안에서 NVIDIA 기반 생물학 모델, 라이브러리, 추론 서비스를 호출할 수 있게 됐다.

이 소식이 중요한 이유는 AI 기반 신약 개발과 계산 생물학을 단순한 모델 문제가 아니라 오케스트레이션 문제로 다시 정의하기 때문이다. Claude Science는 과학자들이 평문으로 작업을 설명하는 프런트엔드로 자리하며, NVIDIA BioNeMo Agent Toolkit은 그러한 작업을 유전체학, 단백체학, 분자 설계 및 관련 워크플로 전반에서 실행하는 데 필요한 도메인 특화 도구, 모델 접근 패턴, 컴퓨트 훅을 제공한다. AI 빌더와 엔터프라이즈 R&D 팀에게 이는 또 하나의 독립형 모델 출시보다 훨씬 구체적인 제품 이야기다. 즉, 에이전트가 어떻게 도구를 선택하고, 요청을 구성하고, 분석을 실행하며, 반복 가능한 연구 루프 안에서 결과물을 반환하는가에 관한 이야기다.

무엇이 출시됐고, 각 구성 요소는 어떻게 맞물리는가

NVIDIA는 이번 통합을 통해 BioNeMo 기능이 Claude Science 안에서 사용 가능해졌다고 말한다. Anthropic은 이번 주 이를 과학 연구를 위한 AI 워크벤치로 소개했다. NVIDIA의 설명에 따르면, Claude Science는 연구자가 자연어로 에이전트와 대화할 수 있게 하고, 그 에이전트는 적절한 특화 워크플로를 선택해 유효한 입력을 준비한 뒤 NVIDIA 기반 컴퓨트 리소스에서 작업을 실행할 수 있다.

이를 가능하게 하는 계층이 NVIDIA BioNeMo Agent Toolkit이다. NVIDIA는 이를 과학적 기능을 에이전트가 호출할 수 있는 “스킬”로 바꾸는 오픈형, 하네스-불가지론적 툴킷이라고 설명한다. 이러한 스킬에는 목적, 필요한 입력, 선택적 매개변수, 예상 출력에 대한 메타데이터가 포함되어 있어, 에이전트가 단순히 원시 엔드포인트를 향하는 것이 아니라, 언제 어떻게 사용해야 하는지에 대한 지침을 함께 받는다.

이 구분은 이번 출시의 핵심이다. 생명과학에서 유용한 많은 작업은 하나의 범용 모델 프롬프트로 해결되지 않는다. 연구자는 Evo 2로 서열 분석을 수행해야 할 수도 있고, OpenFold3로 구조 작업을 해야 할 수도 있으며, Boltz-2로 분자를 생성하거나 최적화해야 할 수도 있고, NVIDIA Parabricks를 통해 유전체학 가속을 호출해야 할 수도 있다. NVIDIA의 주장은 이러한 도구들이 일관된 인터페이스로 감싸이고 NVIDIA NIM 같은 배포 가능한 서비스로 노출될 때 에이전트가 더 실용적이 된다는 것이다.

Anthropic에게 이 통합은 Claude Science가 대화형 추론에서 실행으로 이어지는 경로를 제공한다. NVIDIA에게는 연구자들이 생물학 모델과 인프라를 직접 조립해야 하는 대신, BioNeMo를 더 높은 수준의 에이전트 제품 안에 배치하는 의미가 있다.

NVIDIA가 에이전트 준비형 생물학 도구를 강조하는 이유

NVIDIA Developer Blog는 회사의 논지를 분명히 밝힌다. 범용 에이전트만으로는 분자생물학 연구에 충분하지 않다는 것이다. 에이전트는 여전히 적절한 과학 모델을 선택하고, 입력을 형식화하고, 출력을 해석하며, 실패 모드를 처리하는 데 도움을 필요로 한다. 다시 말해, 병목은 추론 품질만이 아니라 각 도구 호출 단계에서의 운영 신뢰성이다.

바로 이 지점에서 NVIDIA는 BioNeMo Skills와 Model Context Protocol 래퍼를 내세운다. 회사는 이러한 래퍼가 모델의 동작과 산출물을 문서화하여, 에이전트가 더 적은 오류로 분자생물학 도구를 자율적으로 탐색하고 사용할 수 있게 한다고 말한다. NVIDIA는 이를 고립된 모델 호출과 후보를 생성하고, 결과를 검토하고, 매개변수를 조정하고, 분석을 다시 실행할 수 있는 반복적 “AI 과학자” 루프의 차이로 설명한다.

이번 출시는 배포 유연성도 강조한다. NVIDIA에 따르면 팀은 빠른 접근과 폭넓은 평가를 위해 호스팅된 NVIDIA NIM 엔드포인트로 시작한 뒤, 지연 시간, 처리량, 데이터 지역성 또는 더 엄격한 런타임 제어가 더 중요해지면 선택한 워크로드를 로컬 배포로 옮길 수 있다. 이는 제약 및 바이오테크 분야의 엔터프라이즈 AI 구매자에게 중요하다. 동일한 조직이 한 팀에는 클라우드 호스팅 실험을 원하고, 다른 워크플로에는 온프레미스 또는 통제된 배포를 원할 수 있기 때문이다.

NVIDIA는 사실상 세 계층을 묶고 있다: 생물학 모델, 가속화된 서빙 인프라, 에이전트가 보는 인터페이스다. 그리고 Claude Science는 이 요소들을 하나의 워크벤치로 연결하는 사용자 대면 환경이 된다.

NVIDIA가 연구자들에게 채택시키려는 워크플로

벤더의 예시는 과학 에이전트를 위한 매우 구체적인 운영 모델을 가리킨다. 과학자는 유전체 서열 분석, 단백질 구조 예측, 결합체 설계 같은 목표를 평문으로 제시한다. Claude Science는 요청을 해석하고 특화된 에이전트를 통해 작업을 오케스트레이션하며, BioNeMo Agent Toolkit은 해당 작업을 구체적인 NVIDIA 기능에 매핑하는 호출 가능한 스킬을 제공한다.

NVIDIA는 이 툴킷이 유전체학, 단백체학, 단일세포 분석, 케모인포매틱스, 임상 연구에 걸친 워크플로를 Claude Science와 연결할 수 있다고 말한다. 예로 Evo 2, Boltz-2, OpenFold3와 함께 RAPIDS-singlecell, nvMolKit, NVIDIA Parabricks 같은 가속 계층을 언급한다.

여기서 실질적 가치는 즉석 답변 생성보다 설정 마찰 감소에 가깝다. NVIDIA는 Claude Science를 사용하는 연구자들이 각 단계마다 모델, 엔드포인트, 소프트웨어 환경을 수동으로 구성할 필요가 없다고 말한다. 대신 에이전트가 모델 선택과 실행을 처리하고, 과학자는 출력을 검토한 뒤 다음 질문을 정교화하는 방식이다.

NVIDIA의 출시 자료에 포함된 한 예시는 암 표적을 위한 억제제 설계다. 그 시나리오에서 연구자는 알려진 돌연변이에서 출발해 Claude Science에 많은 후보 억제제를 제안해 달라고 요청한다. NVIDIA는 Claude Science, BioNeMo Agent Toolkit, NVIDIA NIM의 조합이 예측, 최적화, 검증 단계를 가속할 수 있다고 말한다. 다만 회사는 해당 워크플로에 대한 비교 수준의 작업 결과를 제공하지 않으므로, 이 예시는 정량적 증거라기보다 의도된 활용 사례의 설명으로 이해해야 한다.

증거, 벤치마크, 그리고 벤더가 보고한 내용

이 이야기의 두 출처가 모두 NVIDIA가 통제하는 자료이므로, 가장 강력한 성능 및 채택 주장은 벤더가 보고한 내용이며 그 점을 감안해 읽어야 한다.

NVIDIA는 상위 20개 제약사 중 18곳이 NVIDIA BioNeMo를 사용한다고 말한다. 이는 상당한 시장 침투 주장이다. 그러나 회사는 해당 고객사를 명시하지 않고, 사용의 깊이를 정의하지도 않으며, “사용”이 파일럿인지, 생산 배포인지, 더 넓은 플랫폼 표준화인지도 밝히지 않는다.

회사는 몇 가지 가속 수치도 강조한다. NVIDIA Parabricks는 유전체 분석을 몇 시간에서 몇 분으로 줄일 수 있다고 말하고, RAPIDS-singlecell은 130만 세포 전처리 및 클러스터링 워크플로를 52분에서 25초로 줄일 수 있으며, nvMolKit은 일부 케모인포매틱스 연산을 최대 3,000배 빠르게 할 수 있다고 주장한다. 이러한 주장은 GPU 가속이 어디에서 의미가 있는지 이해하는 데 방향성 있는 유용성을 제공할 수 있지만, 인용된 자료에는 방법론 세부 정보가 제한된 벤더 제시 벤치마크 수치로 남아 있다.

가장 직접적인 에이전트 벤치마크는 NVIDIA Developer Blog에 나온다. NVIDIA는 Codex CLI와 GPT-5.5 fast를 사용한 실증적 벤치마킹에서 BioNeMo Skills를 추가하면 토큰 효율이 두 배가 되고 작업 완료율이 57.1%에서 100%로 향상되었다고 말한다. 이는 인상적인 결과지만, 이는 NVIDIA 자체 테스트 설정에서 나온 것이다. 원문에는 전체 벤치마크 설계, 샘플 수, 작업 집합, 독립 재현 여부가 제시되지 않는다. 빌더에게 이 주장은 도구 문서화와 구조화된 인터페이스가 에이전트 행동을 실질적으로 개선할 수 있다는 증거로 해석하는 것이 가장 적절하며, 플랫폼 전반의 확정된 표준으로 받아들일 것은 아니다.

그럼에도 정확한 수치에는 주의가 필요하더라도, 기본적인 제품 논리는 설득력이 있다. 에이전트 시스템은 도구가 명확하게 정의되고, 실패 모드가 문서화되며, 출력이 FASTA, SDF, SMILES, CIF 파일 같은 아티팩트로 표준화될 때 더 잘 작동하는 경향이 있다.

이것이 AI 빌더와 엔터프라이즈 R&D 팀에 의미하는 것

빌더에게 이번 출시는 도메인 특화 에이전트가 최첨단 모델과 시스템 프롬프트만으로는 충분하지 않다는 점을 상기시킨다. 특히 생명과학에서는 성공적인 자동화가 유형이 명확한 입력, 워크플로 설명, 재현 가능한 도구 호출, 반복 실행을 지원하는 인프라에 달려 있다. BioNeMo Agent Toolkit은 NVIDIA가 생물학을 위해 이러한 요소를 표준화하려는 시도다.

엔터프라이즈 AI 팀에게 Claude Science와 BioNeMo의 조합은 더 계층화된 구매 모델을 시사한다. Anthropic은 대화형 워크벤치와 에이전트 경험을 제공하고, NVIDIA는 NVIDIA BioNeMo, NVIDIA NIM, 지원 라이브러리를 통해 가속화된 백엔드 스택을 제공한다. 이는 내부에 “AI 과학자” 플랫폼을 처음부터 구축하고 싶지는 않지만 특화된 분자생물학 도구에는 접근해야 하는 조직에 매력적일 수 있다.

또한 과학 분야의 엔터프라이즈 AI 경쟁도 더 선명해진다. 점점 더 많은 벤더가 생물학 모델, 코딩 에이전트, 실험실 정보학 도구를 제공하고 있지만, 자연어 요청에서 배포 가능한 과학 워크플로로 이어지는 일관된 경로를 제공하는 곳은 상대적으로 적다. Claude Science가 선호되는 오케스트레이션 계층이 되고 NVIDIA가 기본 가속 도구 계층으로 남는다면, 두 회사는 AI 에이전트가 응용 신약 개발과 계산 생물학 팀에 들어오는 방식을 형성할 수 있다.

위험도 분명하다. 과학 워크플로는 코딩 작업보다 검증이 어렵고, 모델 출력은 자동 체이닝이 아니라 전문가 검토가 필요할 때가 많다. 신뢰성, 추적성, 배포 제어가 데모의 유려함보다 더 중요하다. NVIDIA의 자체 자료도 실패 모드, 아티팩트, 백엔드 불가지론적 래퍼를 강조함으로써, 연구에서 완전한 자율성을 주장하지는 않고 이를 간접적으로 인정한다.

다음에 주목할 점

가장 먼저 볼 신호는 Claude Science의 공개 베타 채택이다. Anthropic은 연구자들에게 추가적인 도메인 전문가와 통합에 대한 피드백을 요청하고 있다고 말했으며, 이는 사용자가 더 넓은 생물학적 범위, 더 긴밀한 실험실 시스템 연결, 또는 더 많은 배포 제어를 원하는지 보여줄 것이다.

두 번째 신호는 NVIDIA가 BioNeMo Agent Toolkit을 Evo 2, OpenFold3, Boltz-2, DiffDock, GenMol, ProteinMPNN, MMseqs2 스타일 검색 워크플로 같은 현재 사례 이상으로 확장하는지 여부다. 구조 예측, 분자 생성, 서열 설계, 유전체학 전반에 걸쳐 하나의 툴킷을 신뢰할 수 있다면, 플랫폼은 각 하위 도메인마다 별도의 에이전트 도구를 조립하는 것보다 더 방어력이 높아진다.

세 번째로, 엔터프라이즈 구매자는 독립적인 증거를 주시해야 한다. 고객 사례, 재현 가능한 벤치마크, 외부 평가는 출시 블로그의 성능 주장보다 더 큰 무게를 가진다. 특히 구매자들은 호스팅 대 로컬 NVIDIA NIM 분할이 실제 규제 환경에서 작동하는지, 그리고 약속된 에이전트 신뢰성이 생산 사용에서도 유지되는지를 알고 싶어 할 것이다.

Creati.ai 시각

이번 출시는 단일 제품 통합이라기보다 응용 엔터프라이즈 AI가 어디로 가고 있는지를 보여주는 신호로 보는 편이 더 중요하다. 고부가가치 수직 분야에서 승리하는 스택은 하나의 모델이나 하나의 앱이 아니라, 범용 에이전트 인터페이스가 특화 도구, 강하게 유형화된 워크플로 메타데이터, 반복 실행에 맞춰 조정된 인프라 위에 얹힌 계층적 시스템일 수 있다.

생명과학에서 이는 타당하다. 연구팀은 단순히 답변만 필요한 것이 아니라 분석을 실행하고, 감사 가능한 아티팩트를 반환하며, 기존의 컴퓨트 및 거버넌스 제약 안에서 작동하는 시스템이 필요하다. Claude Science와 NVIDIA BioNeMo는 이를 사용 가능한 제품으로 패키징하려 하고 있다. 기회는 분명하지만, 입증 부담도 크다. 더 많은 독립 검증이 나오기 전까지는, 이 이야기는 자율 AI 과학자들이 일상적인 생산 연구 업무에 준비됐다는 결정적 증거라기보다 전략적으로 중요한 인프라 이동으로 읽는 것이 가장 적절하다.