20n vs 애프트쿼리

20n 장단점

• AI Planning 기법을 통해 수개월이 걸리던 대사 경로 설계를 단시간에 해결함으로써 연구 개발 비용을 획기적으로 절감합니다. 수조 개의 방대한 라이브러리를 컴퓨터 상에서 미리 걸러내는 고처리량 스크리닝(HTS) 능력 덕분에 실제 실험실(Wet-lab)에서의 시행착오를 최소화할 수 있습니다. DARPA의 지원을 받을 만큼 기술적 신뢰도가 높으며, 화학 구조에서 DNA 서열로 이어지는 복잡한 생화학적 예측을 데이터 중심의 학습 문제로 치환하여 인간이 발견하기 어려운 비직관적인 경로를 찾아내는 데 뛰어난 성능을 보입니다.

• 일반 개인 연구자나 소규모 기업이 쉽게 구독할 수 있는 SaaS 형태가 아니며, 주로 대형 바이오 기업과의 파트너십을 통해 운영되는 엔터프라이즈 전용 솔루션입니다. 2017년 Ginkgo Bioworks에 인수된 이후 독립적인 도구로서의 업데이트가 제한적이며, 일반적인 사용자가 접근하여 직접 기능을 테스트하기 어렵다는 폐쇄성이 존재합니다. 또한 AI의 예측 결과가 실제 생물체 내에서 항상 동일하게 재현되지 않기에, 결국 대규모 자동화 시설을 통한 물리적 검증 단계가 반드시 병행되어야 한다는 한계가 있습니다.

애프트쿼리 장단점

• 단순 라벨링을 넘어 골드만삭스, 구글 출신 등 실제 업계 전문가들이 직접 설계한 고품질 데이터를 제공하므로 모델의 전문성이 비약적으로 향상됩니다. 특히 루브릭(Rubrics) 기반의 RLHF를 통해 모델이 왜 해당 답변을 내놓아야 하는지에 대한 정교한 피드백을 학습시킬 수 있으며, 에이전트 전용 훈련 환경을 통해 복잡한 멀티스텝 워크플로우 학습이 가능합니다. 또한 독자적인 벤치마크(IDE-Bench, FinanceQA 등)를 보유하고 있어 모델 성능을 객관적으로 검증할 수 있는 연구 역량이 뛰어납니다.

• 전문 인력을 직접 투입하는 방식의 특성상 구축 비용이 경쟁사 대비 매우 높을 것으로 예상되며, 대규모 범용 데이터를 단기간에 확보해야 하는 프로젝트에는 가성비가 떨어질 수 있습니다. 소규모 스타트업이나 개인 개발자를 위한 셀프 서비스 플랜이나 공개된 가격 정보가 부족하여 접근성이 낮으며, 주로 최상위 AI 리서치 랩이나 엔터프라이즈를 타겟으로 하기에 도입 상담 과정이 복잡할 수 있다는 점이 진입 장벽으로 작용합니다.

20n 주요 기능

• AI 기반 대사 경로 자동 설계
• 기계 학습을 통한 효소 성능 예측
• 프로그램 합성 기술 기반 DNA 서열 최적화
• 조 단위 규모의 펩타이드 라이브러리 스크리닝

애프트쿼리 주요 기능

• 고품질 SFT·RLHF 훈련용 전문가 제작 데이터 페어
• 추론·코딩 성능 개선을 위한 루브릭 기반 피드백
• MCP 기반 에이전트 훈련 상호작용 데이터
• 맞춤형 도메인 특화 데이터셋 제작 서비스
• 컴퓨터 사용 환경 시뮬레이션 및 데이터 수집