소재·화학: 만들 수는 있는데 만들어지지 않는다

도입: 200년 대 며칠, 그리고 220만 대 0

2023년 11월, 구글 딥마인드가 놀라운 발표를 했습니다. AI 한 대가 안정적일 것으로 계산되는 새 결정 구조 220만 건을 예측했다는 것입니다(DeepMind). 인류가 수백 년에 걸쳐 실험으로 알아낸 안정 무기물질이 수만 종 수준이었던 것을 생각하면, AI가 200년치 발견을 며칠 만에 압도한 셈입니다. 비슷한 시기 마이크로소프트의 MatterGen은 한 걸음 더 나아갔습니다. "탄성계수 200을 만족하는 소재를 그려라" 하고 목표 물성을 던지면, 그 조건에 맞는 구조를 거꾸로 설계해 줍니다(Microsoft Research).

여기까지는 익숙한 AI 무용담입니다. 그런데 다음 숫자에서 이야기가 뒤집힙니다. 그 220만 건 중에서, 독립 실험실이 실제로 "만들어 봤더니 됐다"고 확인한 것은 736건입니다. 220만 건 대비로는 0.033%. 그리고 산업용으로 양산에 도달한 것은 0건입니다(DeepMind). MatterGen이 논문에서 공개적으로 합성을 확인한 것도 단 1건(TaCr₂O₆)인데, 그조차 목표였던 탄성계수 200 GPa에 169 GPa로 못 미쳤고, 원자가 제자리에 앉지 않았습니다. Ta와 Cr이 서로 자리를 바꿔 앉는 무질서입니다(Microsoft Research).

조금 더 극적인 장면도 있습니다. 버클리 연구소와 딥마인드가 만든 자동화 로봇 실험실 A-Lab은 2023년 말, 17일 동안 사람 손을 거의 거치지 않고 "신소재 41건"을 합성했다고 발표했습니다. AI가 소재를 설계하고 로봇이 만든다는, 미래 그 자체였습니다. 그런데 2년이 지나, 독립 연구자(유니버시티 칼리지 런던의 로버트 팔그레이브)가 그 41건의 신규성을 반박했습니다. 대부분이 이미 데이터베이스에 있던 물질의 혼합·변형이었고, "새 소재가 다수 합성됐다는 이 논문의 핵심 주장은 성립하지 않는다"는 것입니다. 네이처는 2026년 1월 해당 논문을 공식 정정했습니다(The Register, Nature 원논문).

이상한 일입니다. AI는 분명 소재를 무한히 그려냅니다. 그런데 그것이 실제로 만들어지지는 않습니다. 소재 업계에는 이 간극을 부르는 오래된 이름이 있습니다. 죽음의 계곡(valley of death)입니다. 10밀리리터 비커 안에서 되는 것이, 1,000리터 산업 반응기에서는 안 되는 구간. AI는 비커 앞 단계(어떤 소재를 만들지 그리는 일)를 폭발시켰지만, 비커 다음의 죽음의 계곡(실제로 만들고, 물성을 확인하고, 인증을 받고, 양산하는 일)은 그대로 서 있습니다.

그렇다면 자연스러운 질문이 따라옵니다. 소재를 그리는 일이 공짜가 된 시대에, 그 소재를 진짜로 만들어지게 하는 검증은 누가 쥐고 있을까요. 개미의 언어로 먼저 답을 박아 둡니다. AI가 소재는 무한히 그려내는데, '소재만 하는' 살 수 있는 AI 곡괭이는 아직 얇습니다. 그런데 비어 있는 건 아닙니다. 신약에서 이미 검증된 곡괭이(2편의 XtalPi)가 소재로 건너오는 중이고, 세계 최대 폴리실리콘 기업 같은 소재 대기업이 그 첫 통행료를 내기 시작했습니다.

그러니 "양산 0건이니 AI 소재 곡괭이는 없다"는 말은 흔한 오해입니다. 금광이 아직 금을 한 톨도 못 캤어도, 곡괭이·삽 장수는 광부가 몰려드는 순간부터 돈을 법니다. 소재도 똑같습니다. 양산은 0건이어도 통행료는 그 전부터 흐릅니다. 이 글은 그 곡괭이를 누가 쥐었는지 추적합니다.

이 구분을 기억하면 이 글이 "AI 소재 거품론"도 "AI 만능론"도 아님이 분명해집니다. 곡괭이의 강도, 살 수 있는가, 소재 전업으로 두꺼워졌는가는 전부 다른 축입니다.

1장. 생성이 가장 극단적으로 공짜가 됐다: 빅테크가 직접 증명한다

먼저 소재 생성이 얼마나 공짜가 됐는지를 정직하게 봅니다. 그리고 그 공짜화가 다른 산업보다 한 단계 더 극단적인 이유를 짚습니다. 단백질에선 발굴 회사들이 데이터를 지키려 자기 모델을 풀었습니다. 소재에선 한 술 더 떠, 마이크로소프트와 구글이라는 빅테크가 소재 생성 모델을 통째로 무료 오픈소스로 풀었습니다. 소재 생성이 곡괭이가 아니라는 가장 강력한 증거입니다.

1.1 AI는 소재를 며칠 만에 무한히 그린다

소재를 새로 설계하는 일은 자릿수로 싸졌습니다. 구글 딥마인드의 GNoME(Graph Networks for Materials Exploration)은 결정 구조의 안정성을 예측하는 딥러닝으로, 안정적일 것으로 계산된 새 결정 구조 220만 건을 발표했고, 그중 가장 안정적인 38만 건을 버클리 연구소의 Materials Project에 공개했습니다(DeepMind, Berkeley Lab).

마이크로소프트의 MatterGen은 한 걸음 더 나아간 생성 모델입니다. 탄성계수·밴드갭·자기 밀도 같은 목표 물성을 던지면, 그 조건을 만족하는 안정 결정 구조를 거꾸로 설계합니다. 이것을 물성 지정 설계(property-guided design)라고 부릅니다. "원하는 성질을 먼저 말하면, 그 성질을 가질 법한 소재를 AI가 역으로 그려 준다"는 뜻입니다. MatterGen은 60만 8,000건의 안정 소재로 학습했습니다(Microsoft Research). 소재를 "그리는" 일은 사실상 무한·공짜가 된 것입니다.

1.2 그런데 그 모델을 빅테크가 통째로 무료로 풀었다

3편에서 우리는 인상적인 장면을 봤습니다. 단백질 AI 회사들이 자기 핵심 모델을 스스로 무료로 풀어버린 것입니다(제너레이트→크로마, 프로플루언트→오픈크리스퍼). 그것은 데이터를 지키려고 모델을 미끼로 던진 전략이었습니다. 소재에서는 같은 일이 한 단계 더 큰 규모로 벌어집니다. MatterGen은 깃허브에 통째로 공개돼 있고(microsoft/mattergen), 애저 AI 파운드리 랩에서 누구나 써볼 수 있습니다. GNoME의 38만 건도 공개 데이터베이스에 올라 있습니다. 즉 세계에서 가장 큰 두 소프트웨어 회사가, 자기들이 만든 소재 생성 모델을 공짜로 풀어버린 것입니다.

이것이 의미하는 바는 분명합니다. 소재를 "그리는" 능력 자체는 곡괭이가 아닙니다. 곡괭이였다면 마이크로소프트도 구글도 그것을 무료로 풀지 않았을 것입니다. 두 회사에게 소재 생성 모델은 본업이 아니라, 더 큰 무언가(연구 역량의 과시, 클라우드·과학 컴퓨팅 생태계로의 유인)를 위한 미끼에 가깝습니다.

한 가지 반론을 미리 받아 둡니다. 마이크로소프트는 MatterGen을 애저 퀀텀 엘리먼츠(Azure Quantum Elements)라는 클라우드 구독으로 수익화하고, BASF·악조노벨 같은 화학사가 거기에 돈을 냅니다. 그러니 "완전히 공짜"는 아니지 않냐고 물을 수 있습니다. 맞습니다. 그러나 그것은 클라우드 컴퓨팅을 파는 일이지 소재 생성 모델 자체가 반드시 사야 하는 곡괭이라는 뜻이 아닙니다. 모델은 깃허브에 오픈소스로도 풀려 있어 누구나 자기 인프라에서 돌릴 수 있기 때문입니다(클라우드는 편의를 파는 것이지 배타적 길목이 아닙니다). 그리고 이 글은 마이크로소프트·구글의 클라우드 사업을 곡괭이로 평가하지 않습니다. 그건 이 시리즈의 영토가 아니라 다른 글들의 주제입니다. 우리가 보는 것은 오직 "소재를 생성하는 일" 그 자체이고, 그 일은 빅테크가 직접 무료로 풀 만큼 공짜가 됐다는 사실입니다.

그래서 이 장의 결론은 1편 닻의 가장 선명한 입구입니다. "AI로 소재를 생성한다"는 말은 더 이상 차별점이 아닙니다. 빅테크조차 자기 모델을 무료로 풀고 있습니다. 진짜 질문은 그다음입니다. 그렇게 그려낸 220만 건 중에서 무엇이 실제로 만들어지는가. 그리고 그것을 가려내는 일은, 생성만큼 싸졌을까요. 2장의 주제입니다.

2장. 그런데 합성·양산 검증은 안 싸진다: 죽음의 계곡은 그대로다

이 장이 1편 2장(생성 자릿수 급락 vs 검증 완만)의 소재 클로즈업입니다. 설계가 절벽으로 빠진 그 옆에서, 합성·양산 검증이 얼마나 그 속도를 못 따라가는지를 봅니다. 소재의 검증장벽은 사람 목숨이 직접 걸리는 신약·단백질보다 규제·책임 측면에서는 낮습니다(1편 검증장벽 띠에서 "중간"). 그러나 물리적 양산(스케일업) 측면에서는 가장 가혹합니다. 양산 0건이 그 증거입니다. 검증장벽의 높이가 "중간"이라는 것과, 물리적 양산이 "극난"이라는 것은 서로 다른 두 축임을 먼저 분명히 해 둡니다.

2.1 그릴 수는 있는데, 만들어지지 않는다: 220만 대 0의 깔때기

도입에서 본 숫자를 깔때기로 펼쳐 보겠습니다. GNoME이 예측한 220만 건 중, 가장 안정적이라고 본 후보는 38만 건입니다. 그 38만 건에서 독립 실험실이 실제로 합성을 확인한 것은 736건이고, 처음의 220만 건 대비로 보면 0.033%입니다. 그리고 산업 양산에 도달한 것은 0건입니다(DeepMind). 각 단계에서 숫자가 자릿수로 깎입니다. 생성은 무한에 가까운데, 검증은 한 줄씩 통과합니다.

같은 소재의 앞뒤에서 숫자가 자릿수로 갈립니다. 생성은 무한에 가까운데 양산은 0건입니다. 병목이 "무엇을 만들까"(설계)에서 "어떻게 대규모로 만들까"(양산)로 옮겨갔습니다. 단 그 양산 길목이 누구의 곡괭이가 되는지는 4장이 따로 판정합니다. (출처: DeepMind, GNoME 220만/736건/0.033%/양산 0건)

왜 이렇게 줄어들까요. 안정성이 "계산상" 맞아도, 그것을 실제로 만드는 합성 경로(synthesis pathway)가 없을 수 있기 때문입니다. UC 산타바버라의 치텀·세샤드리 두 교수는 GNoME의 38만 안정 후보에서 무작위 표본을 검토한 결과, "신뢰 가능하고(credible)·새롭고(novel)·유용한(useful)" 세 조건을 동시에 만족하는 사례의 증거가 거의 없다고 비판했습니다. 많은 화합물이 "이미 알려진 것의 단순 파생물"이었고, 실증된 기능이 없어 "화학 화합물이지 소재가 아니다"라는 것입니다. 프린스턴의 레슬리 슈프는 더 근본적인 질문을 던졌습니다. "현재 알려진 결정 화합물 5만 종의 특성조차 아직 제대로 모르는데, 수백만 종이 더 왜 필요한가"(The Register, 404 Media).

2.2 죽음의 계곡: 비커에서 되는 것이 반응기에서 안 된다

합성을 한 번 해냈다고 끝이 아닙니다. 진짜 장벽은 그다음, 스케일업입니다. 미국 국립재생에너지연구소(NREL)가 2025년 소재·AI·로보틱스 전문가 50여 명을 모은 워크숍의 결론이 이를 정확히 찌릅니다. "병목이 '어떤 소재를 만들어야 하는가'에서 '어떻게 실제로 대규모로 만드는가'로 결정적으로 이동했다"(NREL).

이 스케일업 실패는 추상이 아니라 구체적인 물리 현상입니다. 마이크로소프트가 PNNL(태평양 북서부 국립연구소)과 함께 AI로 찾은 배터리 고체 전해질이 좋은 예입니다. 3,200만 후보를 80시간 만에 23개로 좁혀 실제 프로토타입 배터리를 만들었고, 리튬 사용량을 표준 대비 최대 70%까지 줄일 수 있다고 했습니다. 그런데 마이크로소프트 자신이 단서를 달았습니다. "정확한 화학 조성은 더 최적화돼야 하고, 더 큰 규모에서 테스트하면 작동하지 않을 수도 있다"(Microsoft Source). 비커에서 된 것이 반응기에서 된다는 보장이 없다는 고백입니다.

한 가지 흥미로운 단서가 있습니다. 설계와 합성 사이에서 가장 자주 어긋나는 실패 모드가 "원자 배열 무질서(compositional disorder)"입니다. 원자가 제자리 대신 서로 자리를 바꿔 앉는 결함이지요. 이 같은 현상이 두 곳에서 반복됩니다. MatterGen의 합성 1건(TaCr₂O₆)에서 Ta와 Cr이 서로 자리를 바꿔 앉았고, A-Lab의 신규성 논란에서도 바로 이 무질서를 계산이 제대로 처리하지 못한 것이 핵심 문제로 지적됐습니다(The Register). AI가 종이 위에 그린 완벽한 결정과, 실제 가마에서 나온 흐트러진 결정 사이의 거리. 그 거리가 소재의 죽음의 계곡입니다.

2.3 왜 양산은 안 싸지는가: 물리·시간·인증

검증은 왜 안 싸질까요. 생성처럼 모델을 키운다고 줄어들지 않는 이유가 셋입니다.

물리적 스케일

비커의 화학과 반응기의 화학은 다릅니다. 열전달, 혼합, 불순물, 결정 성장 속도가 규모에 따라 전부 달라집니다. 이 차이는 계산으로 건너뛸 수 없고, 실제로 키워서 돌려봐야 압니다.

검증 시간

전통적으로 새 소재가 발견에서 상업적 활용에 이르기까지 10~20년이 걸린다는 통계가 여러 보고서에서 일관되게 나옵니다. 아스테라 연구소의 벤 라인하르트는 변혁적 신소재가 광범위하게 쓰이기까지 패턴이 "놀랍도록 일관되게" 수십 년이라고 표현합니다(Mercatus). AI는 이 중 앞 단계(설계)만 줄였을 뿐입니다.

인증 프레임

AI가 생성한 신소재를 산업에 쓰려면 표준·인증 체계를 통과해야 하는데, 새 소재일수록 그 프레임이 아예 정립돼 있지 않은 경우가 많습니다. 향료·식품이라면 안전성 인증, 배터리·자동차 소재라면 신뢰성 검증이 해를 넘겨 붙습니다. 이 게이트는 생성 속도와 무관하게 그 자리에 있습니다.

3장. 죽음의 계곡: 합성·양산을 각자 떠안은 자들

1편 닻은 이렇게 말했습니다. 검증이 어렵다는 것만으로 곡괭이가 되지 않는다. 그 검증을 남이 사야 하는 길목으로 쥔 자에게만 곡괭이가 고이고, 각자 떠안는 곳에서는 검증이 곡괭이가 아니라 죽음의 계곡이 된다(곡괭이를 쥔 자). 소재에서 그 죽음의 계곡을 가장 선명하게 보여주는 것은, 합성·양산을 직접 떠안으려 한 자들입니다. 유리한 사례만 고르지 않고 망라합니다.

3.1 Orbital Materials: 자체 소재를 양산하려는 파일럿 채굴자

오비탈 머티리얼스(Orbital Materials)는 2022년 영국에서 시작한 스타트업으로, AI로 청정기술 소재를 설계하는 동시에 그 소재를 직접 만들어 팔려는 회사입니다. 자체 파운데이션 모델(LINUS)로 소재를 설계하고, 분자동역학 시뮬레이션 가속 모델(Orb)은 오픈소스로 공개했습니다(TechCrunch, C&EN). 첫 상용 소재는 데이터센터의 뜨거운 배기에서 작동하도록 설계한 탄소포집 흡착제, 회사 표현으로 "보라색 분말(purple powder)"입니다.

여기까지는 인상적입니다. 회사는 이 소재의 탄소포집 비용을 톤당 약 $200으로 추정하는데, 이는 전통적 직접공기포집(최대 톤당 $1,000)보다 훨씬 낮은 수준입니다(회사 자체 주장, Semafor). 그러나 핵심은 이것입니다. 이 소재는 영국 클라우드사 Civo의 데이터센터에서 파일럿으로 테스트되는 단계이고, 회사 스스로 "첫 파일럿 프로그램"이자 "새 기술의 통상적인 초기 문제(teething problems)"가 있다고 인정합니다. 양산도, 인증 프레임도 아직 공개된 것이 없습니다. 즉 오비탈은 자기 소재를 직접 만들어 파는 채굴을 떠안은 회사입니다. 그 채굴이 회사를 떠받칠 곡괭이가 됐는지는 증명 전입니다. 참고로 회사는 데이터센터 냉각 사업으로 확장하며 이름을 Orbital Industries로 바꿨고, 비상장입니다.

3.2 A-Lab: 자동화 합성 로봇, 그런데 그 성과가 정정됐다

자동화 합성 로봇 A-Lab(버클리 연구소 + 구글 딥마인드)은 합성이라는 죽음의 계곡을 로봇으로 자동화하려는 시도였습니다. 17일간 사람 손 없이 신소재 41건을 합성했다는 2023년 발표는, 소재 발견 자동화의 상징이었습니다(Nature).

그러나 2장에서 본 대로, 그 41건의 신규성이 반박됐습니다. 유니버시티 칼리지 런던의 로버트 팔그레이브 팀은 41건 중 다수가 기존 데이터베이스 물질의 혼합·변형이며 "새 소재가 다수 합성됐다는 핵심 주장은 성립하지 않는다"고 분석했고, 네이처는 2026년 1월 논문을 정정했습니다(The Register).

이 정정이 "자동화 합성은 무의미하다"는 뜻은 아닙니다. 다만 자동화 합성이 아직 곡괭이로 정립되기엔 이르다는 신호입니다. 그리고 결정적으로 A-Lab은 상업 길목이 아닙니다. 버클리 연구소와 딥마인드의 연구 프로젝트이지, 남이 통행료를 내고 쓰는 인프라가 아닙니다. 자동화 합성을 파는 상장·비상장 길목은, 단백질의 깅코 네뷸라 같은 또렷한 후보가 아직 소재에는 보이지 않습니다. (출처: The Register, Nature 624 + 2026-01 정정)

3.3 MatterGen·GNoME: 빅테크의 모델조차 합성은 1건에서 멈춘다

빅테크의 생성 모델로 돌아오면, 채굴자의 자리가 더 선명해집니다. MatterGen은 목표 물성을 받아 무수히 많은 구조를 그릴 수 있지만, 마이크로소프트가 공개적으로 합성을 확인한 것은 1건(TaCr₂O₆)이고, 그조차 목표(200 GPa)에 못 미쳤습니다(169 GPa). MatterSim으로 24만 건을 스크리닝해 합성한 것도 1건(TaP, 그나마 기존 물질의 새 기능 발견)입니다(Microsoft Research). 세계 최고의 컴퓨팅 자원을 가진 회사조차, 생성과 합성 사이의 간극을 자릿수로 좁히지 못한 것입니다. 단 이것은 채굴의 실패가 아니라, 채굴 자체가 곡괭이가 아니라는 1편 닻의 재확인입니다. 빅테크는 소재를 직접 만들어 파는 채굴을 하지 않습니다. 모델을 미끼로 풀 뿐입니다.

합성·양산이라는 검증이 어렵다고 곡괭이가 자동으로 손에 잡히는 게 아닙니다. 그 검증을 각자 떠안으면 빅테크의 모델조차 합성 1건에서 멈추고, 자체 양산을 시도한 스타트업은 파일럿에 머뭅니다. 신약·단백질에서 본 그대로입니다. 곡괭이는 채굴자와 다른 곳에 있습니다. 그리고 양산 0건이라고 곡괭이가 없는 것도 아닙니다. 채굴자가 양산 앞에서 멈춰 있는 동안에도, 발굴 플랫폼을 파는 자에게는 통행료가 흐릅니다. 4장에서 그 자리를 발굴하면, 놀랍게도 거기엔 2편에서 본 곡괭이(XtalPi)가 소재로 건너와 있습니다.

4장. 그렇다면 곡괭이는 누가 쥐었는가: 곡괭이는 어디서 어디로 이동하는가

곡괭이 후보를 순서대로 봅니다. 생성 모델을 푼 빅테크(미끼), 자동화 합성 인프라(자리는 넓고 자본이 들어오나 통행료 실증은 아직 얇음), 독점 데이터를 파는 Citrine(약한 소재판 크래들·비상장). 여기까지 보면 "소재엔 살 수 있는 곡괭이가 없다"는 인상이 듭니다. 그런데 한 자리를 우리가 놓쳤습니다. 2편에서 신약의 상장 곡괭이 승자로 대관했던 XtalPi가, 지금 소재로 건너오고 있습니다. 이 장은 그 이동을 발굴합니다.

4.1 생성 모델은 곡괭이가 아니다: 도구형 곡괭이도 못 되는 미끼

곡괭이 후보의 첫째는 생성 모델 그 자체입니다. 그러나 1장에서 봤듯, 이건 곡괭이가 아닙니다. 1편은 곡괭이를 두 종류로 나눴습니다. 칩 설계 EDA 소프트웨어처럼 "그 도구 없이는 만들 수 없는" 도구형 곡괭이와, 임상·wet-lab처럼 "그 검증 없이는 통과할 수 없는" 검증형 곡괭이입니다.

소재 생성 모델이 EDA 같은 도구형 곡괭이라도 됐다면 강했을 것입니다. EDA는 그 도구 없이는 칩을 못 만들고 갈아타기도 어렵기 때문입니다. 그러나 소재 생성 모델은 그조차 못 됩니다. 마이크로소프트와 구글이 무료로 풀었으니, "반드시 사야 하는 도구"가 아닙니다. 도구형 곡괭이도, 검증형 곡괭이도 아닌, 빅테크의 미끼입니다. 그래서 강도는 약(신기루), 시한은 🔴입니다.

4.2 자동화 합성 인프라: 곡괭이가 될 자리, 자본은 들어오는데 통행료는 아직 얇다

곡괭이 후보의 둘째는 그 합성·양산 병목을 자동화로 뚫어 남에게 파는 자입니다. 원리상 이것이 진짜 곡괭이가 될 자리입니다. 단백질에서는 깅코의 네뷸라 같은 자동화 wet-lab이 그 자리를 메웠습니다. 물리 자본(로봇 랙)은 오픈소스로 풀 수 없으니, 침식이 느린 곡괭이 후보였습니다.

그런데 소재에서는 그 자리에 통행료가 아직 두껍게 고이지 않았습니다. 가장 또렷한 비상업 후보였던 A-Lab은 상업 길목이 아니라 연구 프로젝트이고(3.2), 그 성과조차 신규성이 반박됐습니다. 소재 합성은 단백질 wet-lab보다 더 다양한 공정(고온 소성·증착·분쇄 등)을 요구해 한 가지 로봇 라인으로 표준화하기도 더 어렵습니다.

다만 "자리가 비어 있다"고 말하면 정확하지 않습니다. 그 자리를 노린 자본은 이미 빠르게 들어오고 있기 때문입니다. 전 오픈AI·딥마인드 연구자가 세운 자율 소재 랩 Periodic Labs는 2025년 시드로만 약 $300M(a16z 리드, 엔비디아·베이조스·슈밋 등 참여)을 모아 누적 약 $605M에 이르렀고, 2026년 초 약 $7B 평가로 후속 라운드를 논의 중이라고 보도됐습니다(TechCrunch, Bloomberg). 아이오닉스·케미믹스 같은 상업 자율 랩도 OEM과 공급·공동개발 계약을 맺고 있습니다.

그래서 정직한 진단은 이렇습니다. "소재 합성·양산을 자동화해 남에게 파는" 단단한 상업 길목은 아직 통행료 실증이 얇지만(고객 계약·매출이 아직 공개적으로 두껍지 않다), 자리가 비었다기보다 자본이 먼저 들어와 자리를 다지는 중입니다. 강도는 현재 통행료 기준 약(실증 얇음), 시한은 ⚪(특수: 자리는 넓고 자본은 들어오나 통행료 길목 보유자 미확정)입니다. 비상장이라 직접 살 수도 없습니다.

4.3 Citrine Informatics: 소재판 크래들은 있다, 단 더 약하고 비상장이다

곡괭이 후보의 셋째가 이 편에서 그나마 가장 곡괭이에 가까운 자리입니다. 단백질에서 곡괭이를 쥔 비상장 회사는 크래들(설계+wet-lab 피드백을 SaaS로 파는 단백질판 XtalPi)이었습니다. 소재에도 같은 위치의 회사가 있습니다. Citrine Informatics입니다.

Citrine은 직접 소재를 생성하지 않습니다. 대신 고객 기업이 보유한 실험 데이터를 구조화하고(GEMD라는 데이터 표준), AI 워크플로우로 연결해 소재 개발 주기를 단축하는 데이터 인프라를 팝니다. 고객은 파나소닉·미쉐린·독일 화학사 란세스(LANXESS) 등이고, 지멘스와도 통합 파트너십을 맺었습니다(Citrine). 전통 제조·화학 대기업이 Citrine의 도구에 통행료를 낸다는 점에서, 구조만 보면 곡괭이 후보입니다.

그러나 이 곡괭이는 단백질의 크래들보다 분명히 더 약합니다. 세 가지 이유입니다.

첫째, Citrine은 자기 wet-lab을 직접 돌려 실측 데이터를 쌓는 게 아니라, 고객이 소유한 데이터를 구조화하는 도구입니다. 데이터의 주인이 고객이라 전환비용이 낮고, 갈아타기도 상대적으로 쉽습니다. 둘째, 파는 것이 양산이 아니라 R&D 가속입니다. Citrine을 써서 개발 주기는 줄일 수 있어도, 그것이 죽음의 계곡(양산)을 건너게 해주지는 않습니다. 고객사가 Citrine으로 실제 양산에 도달한 건수는 공개되지 않았습니다. 셋째, 규모입니다. Citrine의 누적 펀딩은 약 $81.3M으로, 단백질 발굴사들이 빅파마에서 받은 외주 통행료(biobucks)와는 자릿수가 다릅니다. biobucks는 계약금이 아니라 개발 단계마다 성공해야 받는 '최대' 약정액입니다.

그래서 강도는 중(데이터 표준 선점이라는 약한 해자), 시한은 🟡, 그리고 비상장이라 직접 살 수도 없습니다.

4.4 그런데 한 자리를 놓쳤다: 신약에서 검증된 곡괭이가 소재로 건너온다

곡괭이 후보의 넷째에서 이 편의 반전이 나옵니다. 여기까지(생성 모델=미끼, 자동화 합성=얇음, Citrine=약함)만 보면 "소재엔 살 수 있는 AI 곡괭이가 없다"는 인상이 듭니다. 그런데 우리가 한 자리를 놓쳤습니다. XtalPi(2228.HK)입니다.

XtalPi는 제약사가 신약 후보 분자를 AI로 설계·검증하도록 플랫폼을 빌려주고 돈을 받는 회사입니다. 2편에서 우리가 신약의 상장 곡괭이 승자로 대관했던 바로 그 회사입니다. 그 회사가 지금, 같은 방식으로 이번엔 소재 회사에 플랫폼을 빌려주기 시작했습니다. 그래서 "건너온다"는 것이 반전입니다. 새 회사가 등장한 게 아니라, 신약에서 곡괭이를 팔던 같은 회사가 같은 장사를 소재에서도 시작한 것이니까요.

손에 잡히는 장면은 이렇습니다. 태양전지 회사 JinkoSolar가 새 전지 소재를 찾으려면 후보를 수천 번 시험해야 합니다. 그 일을, XtalPi의 AI가 유망한 후보만 좁히고 로봇이 밤새 실험해 그 결과를 다시 AI로 되먹이는 라인이 대신합니다. JinkoSolar는 이 '실험 대행 라인'을 빌리고 돈을 냅니다. 3장에서 본 패자 Orbital이 '보라색 분말'을 자기 손으로 직접 만들다 파일럿에 멈춘 것과 정확히 반대 그림입니다.

구체적으로 2026년 초, XtalPi는 태양광 대기업 JinkoSolar의 자회사와 손잡고 페로브스카이트(실리콘 다음 세대로 꼽히는 차세대 태양전지 소재) 탠덤 태양전지를 위한 "세계 최초 완전 폐루프 지능형 양산 라인"(AI 의사결정 + 로봇 실행 + 데이터 피드백)을 함께 구축한다고 발표했습니다. JinkoSolar는 이 탠덤 전지를 약 3년 내 대규모 양산으로 끌고 가기를 기대합니다(XtalPi FY2025 PR, Perovskite-Info, EnergyTrend). 또 XtalPi는 BASF에 제형 안정성 테스트용 지능형 워크스테이션을 제공하고, 소재·솔루션 사업부(AI4S, AI for Science)의 매출은 FY2025에 RMB 264.7M(+62.6%)으로 자랐습니다(XtalPi FY2025 PR). 신약에서 검증된 곡괭이(발굴 플랫폼을 파는 길목)가, 같은 구조 그대로 소재로 전이하고 있는 것입니다.

XtalPi만이 아닙니다. 슈뢰딩거(Schrödinger, SDGR)는 물리 기반 분자 모델링에 머신러닝을 얹은 소재 설계 소프트웨어를 팝니다. 특히 Formulation ML은 조성과 물성의 관계를 능동학습으로 자동 생성하는, 소재판 생성·설계 도구입니다. 고객으로 파나소닉·브리지스톤이 공개돼 있고, 응용 영역은 OLED·고분자·배터리·세라믹까지 걸쳐 있습니다(Schrödinger Materials Science). 전통 소재 대기업이 이 소프트웨어에 구독 통행료를 낸다는 점에서, 구조는 XtalPi와 같은 계열입니다.

단 두 가지를 정직하게 끊어 둡니다. 첫째, 이들은 소재 전업이 아닙니다. XtalPi의 본업은 신약이고 소재는 그 확장부이며, 슈뢰딩거도 소재 세그먼트 매출을 전사 소프트웨어 매출(2024년 약 $180M)에 묶어 따로 공개하지 않습니다. 그래서 "소재 AI 곡괭이"에 순수하게 노출되는 자리가 아닙니다. 둘째, 그래서 소재에서의 강도는 신약에서만큼 두껍지 않습니다. XtalPi의 JinkoSolar 양산 라인은 아직 약 3년 뒤를 보는 목표이고, AI4S 매출도 신약 발굴 매출(+418.9%)보다 작습니다.

그러므로 두 회사 모두 강도는 중, 시한은 🟡(경쟁·내재화로 진동), 그리고 상장이되 소재 순수 노출은 아닙니다. 그러나 분명한 것은, 소재의 AI-네이티브 곡괭이가 "정립조차 안 된" 것이 아니라 "신약에서 검증된 곡괭이가 건너와 자리를 잡기 시작했다"는 사실입니다. 곡괭이는 비어 있는 게 아니라, 산업을 건너 이동하고 있습니다.

4.5 전통 양산 대기업: 가장 단단한 곡괭이는 AI가 만든 게 아니다

그렇다면 소재에서 가장 단단한 곡괭이는 어디일까요. 신약·단백질과 똑같습니다. AI 바깥에 있습니다. 어떤 소재가 누구의 모델에서 나왔든, 그것이 산업에 쓰이려면 비커→산업 반응기라는 죽음의 계곡을 건너 양산·인증까지 가야 합니다. 그 계곡을 수십 년간 실제로 건너 본 경험과 공정·인증 트랙레코드는, 전통 소재·화학 대기업이 AI 이전부터 쌓아 온 가장 깊은 길목입니다. 그래서 강도는 강, 시한은 🟢(물리 양산 게이트 + 축적 공정·인증 데이터)에 가깝습니다.

여기서 통행료의 방향과 규모를 정직하게 짚어야 합니다. 한때 이 자리에서 "소재는 통행료 방향이 단백질과 반대다(전통사가 AI사의 고객일 뿐이다)"라고 말하고 싶은 유혹이 있습니다. 그러나 그것은 사실이 아닙니다. 소재에서도 전통 대기업이 AI사에 외주 통행료를 냅니다. 보도에 따르면 세계 최대 폴리실리콘 기업 GCL이 XtalPi와 5년간 약 RMB 10억(약 $135M) 규모의 전략 협약을 맺어 신에너지 소재(페로브스카이트·배터리 등) 개발을 맡겼고(36Kr), SES AI(NYSE)는 자동차 OEM 두 곳과 AI로 발굴한 배터리 소재 개발에 최대 약 $10M 계약을 맺었으며(BusinessWire), 케임브리지의 CuspAI는 현대자동차그룹·삼성벤처스·케미라(특수화학)를 전략 파트너로 두고 있습니다(Fortune). 방향은 단백질과 같습니다. 전통사가 AI사에 돈을 냅니다.

다른 것은 규모와 빈도입니다. 단백질·신약에서 빅파마가 AI 발굴사에 낸 통행료는 한 건에 최대 수십억 달러였습니다(CSPC-아스트라제네카 최대 약 $5B, 잠재 총액 biobucks). 소재의 megadeal은 그보다 자릿수가 작고(GCL→XtalPi 약 $135M, SES OEM 최대 약 $10M) 사례도 드뭅니다. 그러니 정확한 진단은 "소재엔 외주 통행료가 없다"가 아니라 "소재의 외주 통행료는 존재하되 신약보다 작고 드물다"입니다. AI 소재 곡괭이가 신약만큼 두꺼워지지 않았다는 신호이지, 통행료 방향이 뒤집힌 것은 아닙니다. (Citrine 같은 데이터 SaaS에 전통사가 내는 돈은 더 작은 R&D 가속 구독이라, 위의 megadeal과는 또 다른 층위입니다.)

단 전통 양산 대기업도 소재 AI 테마의 순수 노출이 아닙니다. 거대 다각화 기업이라 "AI 소재 곡괭이"만 따로 살 수 없고, 그 양산·인증 트랙레코드는 AI가 만든 게 아니라 AI 이전부터 쌓인 옛 자산입니다. 특정 소재 대기업의 내부 AI 소재 플랫폼 규모는 독립 검증 자료가 약해, 이 글은 "전통 양산 대기업이라는 범주가 가장 단단한 길목"이라고만 짚고 특정 종목을 단정하지 않습니다.

4.6 그래서 역설: 곡괭이는 비어 있는 게 아니라 이동하고 있다

이제 이 편의 칼날을 정직하게 세웁니다. 먼저 개미의 언어로 박습니다.

그러니 "양산 0건이니 AI 소재 곡괭이가 없다"는 흔한 오해를 먼저 끊어야 합니다. 양산은 0건이어도 통행료는 그 전부터 흐릅니다. XtalPi의 AI4S 매출은 JinkoSolar 양산 라인이 가동되기도 전에 이미 +62.6% 자랐습니다.

조금 더 구조로 풀면 이렇습니다. 2편(신약)에서는 곡괭이가 상장 장부에 찍혔습니다(XtalPi가 발굴 플랫폼을 팔아 매출 세 배). 3편(단백질)에서는 곡괭이가 비상장으로 숨었습니다(크래들·차이가 통행료를 걷지만 비상장). 소재는 한 칸 더 들어가는데, 그 방향은 "정립조차 안 됨"이 아니라 이동입니다. 같은 곡괭이(XtalPi)가 산업을 건너 신약→소재로 옮겨오고 있는 것입니다.

이 장에서 본 다섯 후보를 한 줄씩 정리하면 이렇습니다.

• 닻: 생성 모델은 빅테크가 무료로 푼 미끼라 곡괭이가 아닙니다(약·🔴).
• 단서: 자동화 합성을 파는 단단한 상업 길목은 통행료 실증이 아직 얇습니다(A-Lab은 비상업·신규성 논란). 단 자리가 비었다기보다 자본이 먼저 들어와 다지는 중입니다(Periodic Labs 약 $605M·약 $7B 평가 논의 보도, 약·⚪).
• 단서: 독점 데이터를 파는 Citrine은 소재판 크래들이되 더 약하고(고객이 데이터 소유·양산 아닌 R&D 가속) 비상장입니다(중·🟡).
• 닻: 신약에서 건너온 상장 곡괭이가 자리를 잡기 시작했습니다. XtalPi(JinkoSolar 양산 JV·BASF·AI4S +62.6%, 중·🟡)·슈뢰딩거(Formulation ML을 파나소닉·브리지스톤에 구독, 중·🟡). 단 둘 다 소재 전업이 아니라 신약·전사 SW에서 건너온 확장부입니다.
• 단서: 단백질에서 곡괭이의 실재를 증명했던 "외주 통행료(megadeal)"가, 소재에도 존재합니다(GCL→XtalPi 약 $135M·SES OEM 최대 약 $10M·CuspAI 현대/삼성/케미라). 방향은 단백질과 같되, 규모·빈도가 신약 biobucks(최대 약 $5B)에 못 미칠 뿐입니다.
• 닻: 가장 단단한 곡괭이(강·🟢)는 아직 AI 바깥, 전통 양산 대기업의 옛 트랙레코드입니다.

왜 소재 전업 곡괭이가 아직 얇을까요. 검증장벽이 낮아서가 아닙니다(양산 0건이니 검증은 오히려 가장 가혹합니다). 생성이 가장 빨리·가장 완전히 공짜가 됐기 때문입니다. 신약은 설계가 아직 완전히 공짜는 아니어서 XtalPi 같은 상장 곡괭이가 설 자리가 있었고, 단백질은 설계가 오픈소스로 풀려 곡괭이가 비상장 데이터로 내려갔습니다. 소재는 한 발 더 나아가, 빅테크가 생성 모델을 직접 무료로 풀어버렸습니다. 그래서 소재 전업 곡괭이가 두껍게 설 자리가 좁아졌고, 그 빈자리를 두 힘이 함께 메우고 있습니다. 하나는 신약에서 검증된 곡괭이의 전이(XtalPi·슈뢰딩거가 본업의 곡괭이를 소재로 가져옴)이고, 다른 하나는 전통 양산 대기업이 AI 이전부터 쥔 옛 자산입니다. 검증장벽의 높이가 아니라, 생성 레이어가 얼마나 빨리 상품화됐는가가 곡괭이의 위치를 결정한다는 3편의 발견이, 소재에서 "곡괭이가 산업을 건너 이동한다"는 가장 극단적인 형태로 확인됩니다.

강도(텍스트 5구간: 최강/강/중강/중/약)는 길목 배타성(남이 반드시 사야 하는가·전환비용)으로만 매깁니다. "전통 대기업이 쓴다(수요)"는 강도가 아닙니다(수요≠강도). 강도와 시한은 다른 축입니다. 시한 색이모지는 곡괭이 수명(🟢구조/🟡중간/🔴진동/⚪특수)이지 검증장벽 높이가 아닙니다. (출처: 발굴 소재화학 raw + R1 PRIMARY 검증분, 1편 프레임 계약)

그래서 지금 무엇을 할 것인가. 솔직히 말하면, '소재만 하는' 순수 소재 AI 상장주는 아직 없습니다. XtalPi(2228.HK)·슈뢰딩거(SDGR)는 소재로 건너온 곡괭이이되 본업은 신약·전사 SW이고, Citrine·Orbital·Periodic Labs는 비상장이며, 가장 단단한 길목인 전통 양산 대기업은 거대 다각화라 'AI 소재 곡괭이'만 따로 살 수 없습니다. 그러니 지금은 사는 단계가 아니라 지켜보는 단계입니다. 세 신호를 봅니다.

이 셋 중 하나가 현실이 되면, 그때가 소재 전업 곡괭이가 두꺼워지는 신호입니다. 행동은 "AI가 소재를 발견했다"는 뉴스를 쫓는 것이 아니라, 그 소재가 실제로 양산되는가, 그 길목을 누가 쥐었는가, 상장으로 살 수 있는가를 함께 묻는 것입니다.

에필로그: 그릴 수는 있는데, 곡괭이는 신약에서 건너오는 중이다

답사를 마칩니다. 한 문장으로 줄이면, 소재 생성은 가장 극단적으로 공짜가 됐고(빅테크가 직접 무료로 풀 만큼), 그런데 그 소재 중 산업 양산에 도달한 것은 0건입니다. 220만 대 0. 그릴 수는 있는데, 만들어지지 않습니다. 다만 한 가지 오해를 끊고 마칩니다. "양산 0건이니 AI 소재 곡괭이가 없다"가 아닙니다. 양산은 0건이어도 통행료는 그 전부터 흐릅니다.

그렇다면 곡괭이는 누가 쥐었을까요. 여기서 소재는 신약·단백질의 계보를 잇습니다. 신약에서는 곡괭이가 상장 장부에 찍혔고(XtalPi), 단백질에서는 비상장으로 숨었습니다(크래들). 소재에서는 한 칸 더 나아가, 곡괭이가 산업을 건너 이동합니다. 2편에서 신약의 상장 곡괭이로 본 바로 그 XtalPi가, 지금 소재로 건너와 JinkoSolar 양산 라인을 짓고 BASF에 워크스테이션을 대며 소재 매출(AI4S +62.6%)을 걷고 있습니다. 슈뢰딩거(SDGR)도 소재 설계 소프트웨어를 파나소닉·브리지스톤에 팝니다. 전통 대기업도 AI사에 돈을 냅니다. 다만 그 규모가 신약 biobucks에는 아직 못 미칠 뿐입니다.

여기에 이 편의 진짜 역설이 있습니다. 소재는 양산 0건이라 곡괭이 자리가 가장 넓어 보이는데, 소재 전업 AI 곡괭이는 아직 얇습니다. 곡괭이가 없어서가 아니라, 생성이 가장 빨리·가장 완전히 공짜가 됐기 때문(빅테크가 직접 무료로 푼 미끼)입니다. AI는 소재를 그리는 일을 공짜로 만들었지만, 소재를 만들어지게 하는 가장 단단한 곡괭이는 아직 옛 공장 안(전통 양산 대기업의 트랙레코드)에 있고, 그 사이 AI-네이티브 곡괭이는 신약에서 소재로 건너오는 중입니다.

그러니 이 글을 "AI 소재는 다 투자 부적격"으로도, "소재엔 살 수 있는 AI 곡괭이가 전혀 없다"로도 읽으면 절반만 읽은 것입니다. 소재 전업 곡괭이는 아직 얇지만, 신약에서 건너온 상장 곡괭이(XtalPi·슈뢰딩거)는 이미 소재 통행료를 걷기 시작했습니다. 1편이 말했듯, 검증이 어렵다는 것만으로는 살 수 있는 곡괭이가 되지 않습니다. 그래서 우리는 종목을 찍지 않고 자를 쥐여 드립니다. "AI가 소재를 발견했다"에 홀리지 말고, 그 소재가 실제로 양산되는지, 그 길목을 누가 쥐었는지, 상장으로 살 수 있는지를 함께 물어보세요. 그 진행을 지켜보는 것이 소재 테마를 보는 정직한 방법입니다.