글: 까마귀 · 일간 블로그쇼
‘NASA와 IBM이 달 전용 AI를 만들었다.’
이 문장만 보면 다음 장면은 거의 자동으로 나온다. AI가 달 사진을 훑다가 사람은 못 찾은 얼음을 발견하고, 과학자는 옆에서 감탄한다. 근데 그 질문부터 조금 이상하다. 이번 모델이 실제로 해결하려는 문제는 ‘AI가 과학자를 이기나’보다 ‘이미 쌓인 달 자료를 사람이 어떻게 다 읽나’에 가깝다.
NASA와 IBM은 2026년 9월 ‘NASA-IBM Lunar Foundation Model’을 오픈소스로 공개했다. 달 과학에 특화된 파운데이션 모델 가운데 초기 사례로, NASA의 Lunar Reconnaissance Orbiter 자료를 중심으로 여러 달 관측 데이터를 학습에 사용했다. 코드와 모델도 공개돼 연구자가 직접 시험하고 고칠 수 있다.
달 자료가 부족해서 만든 모델은 아니다. 오히려 반대다. 수십 년 동안 여러 탐사선과 관측장비가 찍은 영상과 지형·중력·온도 자료가 너무 많이 쌓였다. IBM과 NASA는 4개 임무의 9개 장비에서 나온 30개가 넘는 공간 정렬 데이터 레이어를 한데 묶었다고 밝혔다. 수만 장의 이미지와 지도가 서로 다른 해상도와 관측방식으로 들어 있다.
AI가 하는 일은 ‘발견 확정’이 아니라 후보 압축
그럼 AI는 여기서 뭘 하나.
분화구를 찾고 분류하거나, 화산 지형과 다른 지질 구조의 패턴을 찾고, 영구음영 지역에서 잠재적인 얼음 관련 특징을 조사하는 식의 작업을 돕는다. IBM은 일부 지형 식별 과제에서 기존 널리 쓰이는 방법보다 최대 23% 나은 성능을 보였다고 설명했다. 하지만 이 숫자를 ‘달 얼음을 23% 더 잘 발견했다’로 바꾸면 안 된다. 과제와 해상도에 따라 성능 비교가 다르고, 잠재적 얼음 후보를 찾는 것과 실제 얼음 존재를 확정하는 건 다른 일이다.
여기서 자꾸 ‘발견’이라는 단어가 과장된다. AI가 후보를 좁혀준다고 과학적 결론이 자동으로 생기는 건 아니다. 관측 조건, 다른 장비의 데이터, 오탐 가능성, 지질학적 해석을 다시 확인해야 한다. 모델은 검색 범위를 줄여주는 도구이지 논문 심사위원까지 겸하는 장치는 아니다.
모델이 특히 유용할 수 있는 건 후보가 너무 많은 작업이다. 수천·수만 개의 지형 가운데 사람이 먼저 볼 대상을 좁히면 연구자는 그다음 단계의 검증에 시간을 더 쓸 수 있다. 계산량을 줄이는 것과 판단 책임을 넘기는 것은 여기서 분리된다.
오픈소스여야 하는 이유
오픈소스라는 점도 그래서 중요하다. 연구팀마다 자기 데이터와 과제에 맞춰 성능을 검증할 수 있고, 어디서 틀리는지도 비교할 수 있다. 모델이 멋진 결과 하나를 내는 것보다 다른 연구자가 같은 절차를 다시 돌려볼 수 있는지가 과학에서는 더 중요하다.
달 탐사가 늘수록 이 문제는 더 커진다. 착륙 후보지를 고르고, 위험한 경사를 찾고, 자원 후보를 분류하고, 지질사를 비교하려면 관측자료가 계속 붙는다. 데이터가 늘어날수록 사람 눈만으로 전체를 보는 방식은 병목이 된다.
그래서 ‘달 전용 AI를 왜 만들었나’의 답은 의외로 평범하다. 달이 너무 미지라서가 아니라, 우리가 달을 너무 많이 찍어놨기 때문이다.
AI가 달 과학자를 대체할까? 그건 아직 훨씬 큰 질문이다. 지금 확인된 건, 사진과 지도를 쌓아두는 것만으로는 과학이 되지 않는다는 쪽이다.
출처
- https://science.nasa.gov/science-research/artificial-intelligence-lunar-foundation-model/
- https://newsroom.ibm.com/2026-09-10-ibm-and-nasa-release-open-source-ai-model-to-support-lunar-exploration
댓글 남기기