케임브리지 Transfyr, 실험실 ‘암묵지’ 데이터화에 2,500만달러 투자 유치

케임브리지의 AI·생명과학 스타트업 Transfyr가 8월 26일 2,500만달러 규모의 시드 투자를 공개하며 정식 출범했다. 논문과 실험 지침에 충분히 기록되지 않는 연구자의 행동, 장비 상태, 환경 조건을 데이터로 전환해 실험 재현성과 자동화를 높이겠다는 구상이다.

이번 투자는 제너럴캐털리스트가 주도했다. 럭스캐피털, 브레이크아웃벤처스, 팩토리, 네오, SV엔젤, MVP벤처스, 언더스코어VC, 라이다 힐과 다수의 개인투자자가 참여했다.

공동창업자인 애나 마리 와그너 최고경영자는 Ginkgo Bioworks에서 AI와 기업개발 부문을 이끌었다. 러네이 웨그진 최고혁신책임자는 미국 보건첨단연구계획국(ARPA-H)의 초대 국장을 지냈다. 회사는 케임브리지의 딥테크 창업 거점인 The Engine에 본사를 두고 자체 습식 실험실도 운영한다. 이곳에서 AI 학습용 데이터를 만들고 센서 시스템을 실제 실험 과정에서 시험한다.

Transfyr가 말하는 ‘피지컬 AI’는 현실 공간에서 사람과 장비가 수행하는 작업을 센서로 관찰하고, 이를 AI가 해석할 수 있는 정보로 바꾸는 기술이다. 생성형 AI가 주로 문서나 코드에 기록된 정보를 처리했다면, 이 회사는 연구자의 작업 순서와 판단, 온도 같은 환경 조건, 장비 작동 정보, 실험 도중 이뤄진 조정까지 수집하려 한다.

같은 실험 지침을 사용해도 작업자의 숙련도, 시약 상태, 장비 설정과 미세한 환경 차이에 따라 결과는 달라질 수 있다. 그러나 이러한 경험적 노하우는 논문이나 표준작업절차에 모두 담기 어렵다. 연구실 간 기술 이전이나 실험 규모 확대 과정에서 반복적인 시행착오가 발생하는 배경이다.

Transfyr는 영상·음향·환경 센서와 여러 종류의 정보를 함께 처리하는 멀티모달 AI를 이용해 이 공백을 구조화된 데이터로 만들 계획이다. 회사가 제시한 활용 분야에는 실험 편차의 원인 분석, 프로토콜 개선, 표준작업절차 작성, 신규 인력 교육, 기술 이전, 실험실 로봇용 작업 지시 생성 등이 포함된다.

다만 2,500만달러 투자가 제품의 정확도나 시장 수요를 입증하는 것은 아니다. 연구실마다 장비와 실험 방식이 다른 상황에서 일관된 데이터를 확보할 수 있는지, 민감한 영상과 연구 데이터를 어떻게 보호할지, 기존 시스템과 원활하게 연동할지가 실제 도입을 좌우할 변수다.

보스턴 지역에서 이번 투자가 주목되는 이유는 AI와 바이오가 별도 산업이 아니라 하나의 연구 운영 체계로 결합하고 있기 때문이다. 회사 발표에 따르면 Transfyr는 보스턴대가 주도하는 프로그래머블 클라우드 랩 사업에도 참여하고 있다. 연구자가 원격으로 실험을 요청하면 자동화 시설이 이를 수행하도록 전국 연구실을 연결하는 사업이다. 보스턴대는 미국 국립과학재단(NSF)에서 4년간 2,000만달러를 지원받았으며, NSF가 선정한 20개 팀에는 총 3억8,000만달러가 배정됐다. 비영리기관 Astera Institute의 추가 지원까지 합치면 전체 사업 규모는 약 4억달러다.

인력 양성 분야에서도 접점이 있다. 매사추세츠 생명과학센터는 BioBuilder Educational Foundation에 94만6,280달러의 ‘게임체인저’ 보조금을 배정했다. BioBuilder는 Transfyr와 함께 AI를 활용한 실험 교육과 바이오 기술 자격화 도구를 개발할 계획이다.

채용시장에서는 AI가 연구자를 단순히 대체하기보다 실험과 소프트웨어, 장비를 연결하는 역할이 늘어나는 흐름이 나타난다. Transfyr는 케임브리지에서 엔지니어와 AI 연구자를 채용하고 있으며, 공개 직무에는 고객 실험실에 센서와 소프트웨어를 설치하는 필드 애플리케이션 엔지니어가 포함됐다. 이 직무는 하드웨어 조립과 현장 배치, 센서·네트워크 통합, 데이터 흐름 점검, 고객 연구진과의 문제 해결을 함께 담당한다.

유학생과 이직 준비자에게는 머신러닝 모델 개발 경험만큼 컴퓨터 비전, 센서 데이터, 실험실 자동화, 엣지 컴퓨팅, 로보틱스와 생물정보학을 연결한 프로젝트가 유용한 신호가 될 수 있다. 생명과학 전공자는 코딩 능력과 함께 실험 재현성·품질관리 경험을, 소프트웨어 전공자는 실제 장비와 연구 절차를 이해하고 현장 문제를 해결한 경험을 보여주는 방식이 현실적이다.

현직 연구자에게는 실험 결과뿐 아니라 실패한 시도, 조건 변경, 장비 상태를 일관된 형식으로 남기는 역량의 중요성이 커질 수 있다. 이에 따라 실험 데이터 관리, 표준작업절차 설계, 모델 검증, 연구 데이터 거버넌스처럼 AI가 사용할 자료의 신뢰성을 관리하는 역할도 함께 주목할 필요가 있다.

취업비자가 필요한 지원자는 투자 유치나 채용 공고만으로 스폰서십 가능성을 판단하기 어렵다. 지원 과정에서 근무지와 고용 형태, E-Verify 참여 여부, OPT·STEM OPT 적용 가능성, 향후 비자 지원 정책을 회사에 직접 확인하는 편이 적절하다. 체류·취업 자격은 개인별 조건이 다르므로 학교 담당 부서나 자격을 갖춘 전문가의 안내를 함께 참고할 필요가 있다.

Transfyr의 출범은 기초 AI 모델뿐 아니라 현장의 데이터를 수집하고 신뢰할 수 있게 만드는 기반 기술에도 자금이 유입되고 있음을 보여준다. 앞으로 확인할 지점은 투자 규모보다 실제 고객 확대, 반복 측정 성능, 데이터 사용 권한, 그리고 자동화가 연구 시간과 비용을 얼마나 줄이는지다.