302개 설계 게놈 중 16개가 기능성 바이러스로 확인
2026년 10월, 인공지능(AI)이 만든 설계도가 실험실에서 실제 바이러스로 구현됐다는 사실은 과학계 내부 사건에 머물지 않는다. MIT Technology Review가 2026년 10월 16일 보도한 스탠퍼드 대학교 사무엘 킹 박사 과정 학생과의 대담에 따르면, 생성형 AI가 설계한 302개 바이러스 게놈 가운데 16개가 대장균을 감염시키고 파괴하는 기능성 박테리오파지(bacteriophage)로 확인됐다. 이 바이러스는 인간에게 해를 끼치지 않도록 설계된 박테리오파지였지만, 사건의 무게는 가볍지 않다.
AI가 글과 그림을 넘어 생물학적 기능을 가진 결과물을 만들 수 있다는 사실이 실험으로 입증됐기 때문이다. 핵심은 공포가 아니라 통제 구조다. AI 생물 설계는 의약품 개발과 오염 정화 같은 공익적 가능성을 품지만, 동시에 연구실 밖의 사회가 어떤 안전 장치를 마련할지 묻는다.
본지 취재·분석 결과, 이번 사례는 병원·학교·제약사·클라우드 기업·금융기관을 잇는 더 넓은 안전 체계의 문제로 확장될 수 있다. 생명공학 실험이 일반 가정으로 바로 들어온다는 뜻은 아니지만, AI 도구가 전문 지식의 문턱을 낮추면 규제와 감시의 속도도 그에 맞게 달라져야 한다. 사무엘 킹이 활용한 모델은 Evo 1과 Evo 2로, 수백만 개에서 수조 개 규모의 DNA 염기서열을 학습한 것으로 MIT Technology Review는 소개했다.
이 수치는 단순한 기술 과시가 아니다. AI가 기존 생명체의 패턴을 대량으로 학습한 뒤, 사람이 일일이 조합하기 어려운 설계 후보를 빠르게 제시할 수 있다는 의미다. 킹은 302개 설계안을 실험했고, 그중 16개가 실제 기능을 보였다.
성공률 자체보다 중요한 지점은 시행착오의 비용과 시간이 구조적으로 줄어든다는 사실이다.
광고
이번 실험에서 만들어진 대상은 박테리오파지다. 박테리오파지는 세균을 감염시키는 바이러스로, 원천 자료상 이번 설계물이 인간에게 유해하다는 근거는 없다.
따라서 이번 일을 곧바로 인간 감염 바이러스의 등장으로 해석하는 것은 사실의 범위를 벗어난다. 다만 안심만 하기에도 이르다.
AI가 특정 생물학적 기능을 겨냥해 설계를 도울 수 있다면, 연구기관과 기업은 모델 접근 권한·실험 승인 절차·합성 DNA 주문 검증을 생활 안전 인프라처럼 다뤄야 한다. 사무엘 킹은 AI 설계 생명체가 의약품 개발과 오염 정화에 쓰이기를 기대한다고 밝혔다. 이 기대는 과학적으로 설득력이 있다.
항생제 내성균 문제를 겨냥한 박테리오파지 치료, 산업 폐기물 분해를 돕는 미생물 설계, 맞춤형 백신 후보 탐색은 AI가 연구 시간을 단축할 수 있는 영역이다. 문제는 같은 능력이 선한 연구자에게만 머물지 않는다는 점이다.
생물 설계 AI의 사회적 가치가 커질수록, 악용을 막는 검증 체계도 연구 성과와 같은 속도로 성장해야 한다.
해킹 자동화와 생명 설계가 동시에 흔드는 일상 안전
비슷한 변화는 사이버보안 현장에서도 이미 드러났다. 지디넷코리아와의 단독 인터뷰에서 크라우드스트라이크(CrowdStrike)의 공격대응 작전총괄 수석부사장 애덤 마이어스(Adam Meyers)는 "현재 최소 6개의 에이전틱 공격 세력(agentic adversary groups)을 추적하고 있다"고 밝혔다. 그는 이어 "지난 6개월 동안 자사 플랫폼에서 AI 에이전트가 보안 통제를 우회하며 발생한 탐지 건수가 사람에 의한 탐지 건수를 2.5배 초과했다"고 강조하며, 이 문제가 점차 커지고 있다고 경고했다.
크라우드스트라이크 자사 플랫폼 집계에 기반한 이 수치는 AI 기반 공격의 규모와 속도가 얼마나 빠르게 늘고 있는지를 보여준다.
광고
생물학과 해킹은 분야가 다르지만, AI가 설계·실행·우회 과정을 고속으로 반복한다는 구조는 닮아 있다. 한국 독자에게 더 직접적인 대목도 있다.
마이어스 부사장은 지디넷코리아 인터뷰에서 한국 금융권을 겨냥한 해킹 사건의 배후에 중국 광둥성에 거주하는 26세 인물이 있을 것으로 추정된다고 밝혔다. 이 공격자는 홍콩 서버를 주 통제 인프라로 삼고 별도 서버에서 한국을 향한 공격을 수행했으며, 중국 AI 모델 딥시크(DeepSeek)를 주로 활용한 정황이 포착됐다.
또한 생성형 AI 코딩 도구 클로드 코드(Claude Code)를 쓰는 과정에서 남은 아티팩트(artifact)를 통해 공격 과정 일부가 재구성됐다는 설명도 나왔다. 이는 AI 안전 논의가 연구실 윤리 선언으로 끝날 수 없다는 점을 구체적 사례로 보여준다. 본지 취재·분석 결과, 두 사건은 하나의 구조적 변화를 공유한다.
AI는 지식을 자동화하는 도구에서 행동을 자동화하는 인프라로 이동했다. 사이버 공간에서는 취약점 탐색과 침투 시도가 빨라지고, 생물학에서는 설계 후보 생성과 실험 선별이 압축된다.
일반 시민의 일상은 이 변화의 끝단에 놓인다. 은행 앱의 보안 경고, 병원의 연구 데이터 관리, 학교의 과학 교육, 택배처럼 이뤄지는 DNA 합성 주문 검증이 모두 같은 안전망 안에 들어간다. 반론도 있다.
박테리오파지는 인간에게 무해하도록 설계됐고, 이번 연구는 공개된 학술·기술 환경에서 이뤄진 과학적 진전이라는 주장이다. 이 지적은 타당하다.
과장된 공포는 연구를 위축시키고, 실제 치료제와 환경 기술 개발을 늦출 수 있다. 그러나 반론이 간과하는 지점은 속도다.
AI가 만든 후보가 수십 개에서 수백 개로 늘고, 자동화된 실험 장비와 클라우드 분석 도구가 결합하면 기존 심사 절차는 병목 구간이 된다.
광고
따라서 정책의 초점은 금지가 아니라 추적 가능성에 맞춰져야 한다. AI 모델 개발사는 생물학적 설계 기능의 위험 등급을 분류하고, 연구기관은 실험 승인 기록과 데이터 접근 로그를 남겨야 한다. 합성 생물학 공급망에서는 주문자의 신원 확인, 염기서열 위험 탐지, 의심 주문 보고 체계를 세밀하게 다듬을 필요가 있다.
사이버보안 영역에서도 엔드포인트 탐지·대응(EDR), 대규모언어모델(LLM) 사용 로그, 클라우드 워크로드 감시를 각각 따로 운영하면 빈틈이 생긴다. AI 시대의 안전 정책은 디지털 보안과 생물보안을 분리하지 않는 방향으로 재설계돼야 한다.
규제는 연구를 막는 장벽보다 검증 체계가 돼야 한다
한국 정부와 기업이 특히 점검해야 할 영역은 금융·의료·바이오 연구 데이터의 접점이다. 금융권은 이미 AI 기반 피싱·자동화 침투·계정 탈취 시도의 표적이 됐다. 의료기관과 바이오 기업은 환자 정보, 유전체 데이터, 실험 프로토콜을 함께 보관한다.
이 세 종류의 데이터가 한 플랫폼에서 연결될수록 공격자는 더 높은 수익을 기대할 수 있다. 연구 생산성을 높이려는 AI 도입이 보안 예산과 분리될 경우, 편리함이 먼저 확산되고 책임은 뒤늦게 따라가는 구조가 굳어진다. 교육 현장도 예외가 아니다.
고등학생과 대학생이 생성형 AI로 코드를 배우듯, 미래의 생명과학 교육은 AI 기반 설계 도구를 다루게 될 가능성이 크다. 이때 필요한 것은 막연한 금지령이 아니라 실험실 안전·데이터 윤리·모델 한계·오남용 신고 절차를 함께 가르치는 커리큘럼이다.
AI가 만든 답을 그대로 수용하지 않는 비판적 태도는 과학 수업의 기초가 돼야 한다. 같은 원리는 기업 교육에도 적용된다.
직원이 AI 도구로 업무를 처리하는 순간, 회사는 그 도구가 남기는 기록과 외부 전송 데이터를 함께 들여다봐야 한다.
광고
이번 사건을 과학자의 실험실 안에 가두면 대응은 늦어진다. AI 설계 바이러스는 아직 인간에게 직접 위협을 준 사례가 아니지만, 사회가 대비할 시간을 알려주는 신호로 읽어야 한다. 마찬가지로 AI 해킹 역시 일부 보안 전문가만의 문제가 아니다.
은행 계좌·병원 기록·연구 데이터·기업 소스코드가 서로 연결된 사회에서는 한 영역의 자동화 위험이 다른 영역으로 번진다. 이제 필요한 질문은 AI가 생명을 설계할 수 있는가가 아니라, 그 설계와 실행을 누가 기록하고 누가 검증하며 실패했을 때 어떤 책임 경로를 작동시킬 것인가다.
※ 이 기사는 MIT Technology Review의 2026년 10월 16일 사무엘 킹 대담 보도와, 지디넷코리아에 게재된 크라우드스트라이크 애덤 마이어스 수석부사장 단독 인터뷰 기사("AI 해킹은 빙산의 일각... 한국 금융권 겨냥 AI 기반 공격 추적 중")를 참조하여 작성하였습니다.
FAQ
Q. 이번 AI 설계 바이러스가 사람에게 감염될 위험이 확인됐나
A. 현재 원천 자료 기준으로 이번에 확인된 바이러스는 대장균을 감염시키고 파괴하는 박테리오파지이며, 인간에게 무해하도록 설계됐다고 MIT Technology Review 보도는 설명한다. 인간 감염 능력이 확인됐다는 근거는 자료 어디에도 없다. 그러나 AI가 생물학적 기능을 가진 설계안을 자동화할 수 있다는 사실 자체가 생물보안 정책의 범위를 넓히는 계기가 된다. 향후 AI 모델의 성능이 고도화될수록 설계 가능한 생물학적 기능의 범위도 달라질 수 있으므로, 연구기관과 규제 당국 모두 실험 승인 절차와 합성 DNA 주문 검증 체계를 지금부터 정비해야 한다. 일반 시민은 과장된 공포보다 검증된 출처와 공식 발표를 기준으로 판단하는 태도를 유지하는 것이 바람직하다.
Q. 한국 기업과 기관은 무엇부터 점검해야 하나
A. 우선 AI 도구 사용 기록과 민감 데이터 접근 권한을 분리해 관리하는 체계를 갖추는 것이 출발점이다. 금융기관은 생성형 AI를 악용한 자동화 공격·계정 탈취 시도를 보안 관제 범위에 포함하고, 크라우드스트라이크 애덤 마이어스 부사장이 지적한 바와 같이 EDR 솔루션을 통해 AI 에이전트 기반 침투 시도를 추적하는 체계를 강화해야 한다. 바이오·의료기관은 유전체 데이터·실험 프로토콜·합성 DNA 주문 과정의 로그를 보존하고 위험 염기서열 탐지 절차를 마련해야 한다. 연구 효율을 높이는 AI 도입과 보안 검증을 같은 예산·같은 책임 구조 안에서 운영해야 편리함이 먼저 확산되고 책임이 뒤따르는 구조를 막을 수 있다. 교육 현장에서는 AI 도구 활용과 함께 오남용 신고 절차·데이터 윤리 교육을 병행하는 커리큘럼 설계가 필요하다.
Q. AI 기반 공격은 기존 보안 솔루션으로 대응할 수 있나
A. 크라우드스트라이크 마이어스 부사장은 지디넷코리아 인터뷰에서 "여전히 EDR 솔루션을 통해 AI 기반 공격을 추적하고 방어할 수 있다"고 진단하면서도, 공격자가 누구인지·어떻게 움직이는지·무엇을 노리는지 이해하는 것이 방어의 핵심이라고 강조했다. AI 에이전트 기반 탐지 건수가 사람에 의한 탐지 건수를 2.5배 초과했다는 자사 데이터는 공격의 자동화 속도가 기존 탐지 체계의 처리 역량을 빠르게 앞서고 있음을 보여준다. 따라서 EDR 단독 운영보다는 LLM 사용 로그 분석·클라우드 워크로드 감시·공급망 침해 탐지를 통합한 다층 방어 체계가 현실적인 대응 방안이다. 기업은 보안 관제 범위에 생성형 AI 도구가 남기는 아티팩트와 외부 전송 데이터를 포함하도록 관제 정책을 갱신해야 한다.
광고
▶ 법률 고민이 있다면 → 김연순법률노트 무료상담 바로가기
){kind=small}
){kind=small}
){kind=small}
){kind=small}
