IT·과학 / 달 원격탐사와 AI
달을 ‘한 장의 사진’이 아니라
30개 넘는 데이터층으로 읽는 AI
NASA와 IBM이 달 관측 기록을 한데 학습한 오픈소스 파운데이션 모델을 공개했다. 얼음 후보지, 분화구, 화산 흔적을 더 적은 라벨과 더 넓은 맥락으로 찾겠다는 시도다. 핵심은 화려한 생성형 AI가 아니라, 서로 다른 센서가 남긴 수십 년의 관측을 같은 좌표에서 해석하는 새로운 과학 도구에 있다.
01 / RELEASE
9월 10일 공개된 것은 ‘달 챗봇’이 아니라 달 데이터의 공통 언어다
NASA와 IBM은 2026년 9월 10일 ‘NASA-IBM Lunar Foundation Model’을 오픈소스로 공개했다. 이름에 ‘파운데이션 모델’이 들어가지만, 질문에 문장으로 답하는 범용 챗봇을 달 표면에 얹은 것이 아니다. 여러 달 탐사선과 관측 기기가 서로 다른 방식으로 측정해 온 표면·지형·열·중력 등 복합 정보를 공통 표현으로 학습해, 연구자가 얼음 후보지나 분화구, 화산 지형처럼 구체적인 과학 과제에 다시 맞춰 쓸 수 있게 만든 원격탐사용 기반 모델이다.
공동 발표에 따르면 모델과 함께 구축된 기계학습용 데이터셋에는 공간적으로 정렬된 30개가 넘는 데이터층이 들어간다. 이 층들은 9개 관측 기기와 4개 임무에서 모은 자료를 한 좌표 체계 안에서 연결한다. 공개 설명에는 NASA의 달정찰궤도선 LRO와 중력장을 정밀 측정한 GRAIL, 일본 우주항공연구개발기구 JAXA의 SELENE/Kaguya 자료 등이 포함돼 있다. 수만 장의 이미지와 지도는 단순히 파일을 한 폴더에 모은 것이 아니라, 같은 달 지점을 여러 센서가 어떻게 보았는지를 서로 맞춰 학습할 수 있도록 정리됐다.
이 차이가 중요한 이유는 달 과학의 오래된 병목이 ‘자료가 부족해서’가 아니라 ‘자료가 너무 많고 서로 다르게 생겨서’ 발생하기 때문이다. 같은 분화구라도 광학 카메라는 경계와 그림자를 잘 보여주고, 고도 데이터는 경사와 깊이를, 열 데이터는 온도 특성을, 중력 자료는 지하 구조의 단서를 제공한다. 연구자가 하나의 질문을 해결하려면 각각의 해상도와 좌표, 관측 조건을 맞춰야 하고, 기존 작업은 특정 과제에 맞춘 별도 모델을 다시 만드는 방식에 의존하기 쉬웠다. 파운데이션 모델의 목표는 이 반복 작업의 출발점을 공유하는 데 있다.
02 / ICE
가장 눈길을 끄는 22%: ‘얼음이 있다’는 판정이 아니라 후보지 예측 오차 감소
공개자료에서 가장 직접적인 성능 개선이 제시된 과제는 달 극지의 얼음 후보지 탐색이다. 달의 영구음영지역은 태양빛이 거의 닿지 않아 직접 관측이 어렵지만, 지표 또는 지하에 얼음이 존재할 가능성 때문에 오래전부터 탐사 우선순위가 높은 지역이다. 물은 생명유지뿐 아니라 분해를 통해 산소를 확보하거나, 수소·산소를 추진제 원료로 활용할 가능성이 있어 장기 체류와 심우주 탐사의 핵심 자원 후보로 거론된다.
IBM과 NASA가 인용한 기술 결과에 따르면 Lunar Foundation Model은 얼음 존재 가능성이 높은 영역을 예측하는 작업에서 비교 기준으로 사용된 SwinV2-B(ImageNet) 모델보다 RMSE, 즉 예측오차의 제곱평균제곱근을 최대 22% 낮췄다. 여기서 가장 중요한 표현은 ‘얼음을 22% 더 많이 찾았다’가 아니라 ‘얼음 후보지와 관련된 예측 오차를 최대 22% 줄였다’는 점이다. RMSE는 연속적인 예측값이 기준값에서 얼마나 벗어났는지를 보는 지표이므로, 발견 확률이나 매장량 자체와 같은 의미가 아니다.
또 하나의 주의점은 이 모델이 달 얼음을 현장에서 직접 채취해 확인하는 장비가 아니라는 사실이다. 모델은 여러 관측자료에 숨어 있는 상관관계를 이용해 어디가 더 유망한지 우선순위를 좁혀주는 연구 도구다. 최종적인 자원 확인에는 레이더, 분광, 열 관측, 착륙선·로버의 현장 측정 등 독립적인 검증이 필요하다. AI의 역할은 탐사선을 어디로 보낼지, 제한된 관측 시간을 어디에 집중할지 결정하기 전에 후보 공간을 더 정교하게 압축하는 데 가깝다.
‘22%’는 달 얼음의 양이나 존재 확률을 뜻하지 않는다. 비교 모델 대비 특정 벤치마크의 예측 오차가 줄었다는 의미다. 과학 AI 기사를 읽을 때 성능 숫자 뒤의 지표 이름까지 확인해야 하는 대표적인 사례다.
03 / CRATERS
분화구 지도는 달의 역사책이면서 동시에 착륙 안전지도다
분화구는 달에서 가장 흔하게 보이는 지형이지만, 과학적으로는 단순한 ‘움푹 팬 구덩이’가 아니다. 충돌 시기와 크기, 겹침 관계를 분석하면 서로 다른 지형의 상대적 연대를 추정할 수 있고, 분출물과 내부 구조를 통해 달 표면과 초기 내부의 화학·지질 정보를 얻을 수 있다. 동시에 실제 탐사에서는 경사, 테두리, 암석 분포 같은 위험요소와 연결돼 착륙 후보지를 고르는 기본 자료가 된다. 과학적 가치와 운용 안전성이 같은 지도 위에서 만나는 셈이다.
공동 발표에 따르면 이번 모델은 미터급 해상도 분화구 탐지에서 최신 수준의 비교 모델과 비슷한 정확도를 보이면서도 더 효율적이고 미세조정 비용이 낮은 방향을 제시했다. 더 넓은 문맥을 보는 약 100m 규모의 해상도에서는 SwinV2-B보다 거의 19% 높은 성능을 보였고, 그때 사용한 학습 데이터는 절반 수준이었다고 설명한다. 이 결과가 의미 있는 이유는 달 전체를 고해상도로 라벨링하는 일이 매우 비싸기 때문이다.
지구 사진의 객체 인식은 수많은 사람이 라벨을 붙인 대규모 데이터셋을 확보하기 상대적으로 쉽다. 하지만 달의 특정 지질 단위를 정확히 구분하거나 작은 분화구를 일관된 기준으로 표시하려면 전문지식이 필요하다. 전문가 라벨이 적은 상황에서 이미 여러 관측 모달리티를 학습한 모델이 더 적은 예시로도 의미 있는 패턴을 찾아낸다면, 연구자가 직접 검토해야 할 영역을 크게 줄일 수 있다. 결국 달 지도 제작의 속도는 GPU 성능만이 아니라 ‘전문가 시간을 얼마나 효율적으로 쓰느냐’에 좌우된다.
분화구 밀도와 겹침 관계는 지형의 상대 연대와 충돌 역사를 해석하는 단서가 된다.
급경사·큰 암석·복잡한 테두리 등은 착륙과 이동 경로를 설계할 때 피해야 할 위험요소다.
장기 체류 후보지는 과학 가치뿐 아니라 통신·에너지·자원 접근성과 함께 종합 평가해야 한다.
04 / VOLCANISM
작고 이상한 화산 지형을 찾는 일, ‘정답 라벨’이 불완전해도 가능한가
달의 화산활동은 과거에 완전히 끝났다고 단순하게 말하기 어렵다. 연구자들은 ‘Irregular Mare Patches’, 즉 불규칙한 바다 지형처럼 비교적 작고 특이한 표면 구조를 분석해 달의 화산 역사와 열적 진화를 추적한다. 이 지형들은 모양이 복잡하고 크기도 작아 완벽한 라벨을 만들기 어렵다. 모델 학습에서 흔히 전제하는 ‘정확한 정답 지도’ 자체가 충분하지 않은 문제다.
IBM·NASA 자료는 불완전한 라벨을 사용한 조건에서도 Lunar Foundation Model이 비교 모델보다 불규칙 화산 지형의 범위를 약 3% 더 잘 포착했고, 비슷한 정확도를 더 효율적인 미세조정 비용으로 달성했다고 설명한다. 3%라는 숫자는 얼음이나 분화구 결과보다 작지만, 과학적 관점에서는 ‘정답이 부족한 희귀 지형’에 공통 사전학습이 얼마나 도움을 주는지 보여주는 사례다. 대규모 범용 이미지 데이터에서 배운 모델보다 달 자체의 여러 물리 관측을 함께 학습한 모델이 더 적합할 수 있다는 뜻이다.
이런 접근은 향후 달뿐 아니라 화성, 소행성, 얼음 위성 같은 천체 데이터에도 확장될 가능성을 보여준다. 다만 천체마다 관측 방식과 물리 환경이 다르기 때문에 모델을 그대로 복사해 쓸 수 있다는 의미는 아니다. 중요한 것은 ‘하나의 센서 영상 → 하나의 모델’에서 ‘여러 물리량을 묶은 천체별 기반 표현 → 다양한 다운스트림 과제’로 연구 설계가 옮겨가고 있다는 흐름이다.
05 / DATA FUSION
30개 넘는 층을 ‘겹친다’는 말 뒤에 숨은 진짜 난제
서로 다른 관측자료를 한데 쓰는 일은 포토샵에서 레이어를 겹치는 것보다 훨씬 어렵다. 기기마다 해상도가 다르고, 관측 시점과 조명 조건이 다르며, 어떤 센서는 표면 색과 반사율을 보고 다른 센서는 고도·열·중력처럼 전혀 다른 물리량을 측정한다. 특정 센서는 달 전체를 덮지 못하고 일부 지역만 관측하기도 한다. 따라서 모델은 ‘없는 값’을 실제로 0인 값과 구분해야 하고, 넓은 지역의 맥락과 작은 지형의 세부를 동시에 다뤄야 한다.
NASA-IBM 모델의 핵심 표현인 ‘multimodal, multiresolution’은 바로 이 두 문제를 겨냥한다. 멀티모달은 서로 다른 종류의 관측을 함께 학습한다는 뜻이고, 멀티해상도는 수십~수백 미터 규모의 지역 맥락과 더 세밀한 지형 단서를 같은 체계에서 활용한다는 의미다. 예를 들어 분화구의 작은 테두리를 찾을 때는 고해상도 정보가 필요하지만, 그 분화구가 어떤 지질 단위 안에 있는지 이해하려면 훨씬 넓은 주변 지형을 같이 봐야 한다.
기계학습 관점에서 이런 데이터 통합은 ‘과학용 데이터 엔지니어링’ 자체가 연구 성과의 절반이라는 점을 보여준다. 모델 구조가 아무리 뛰어나도 입력자료가 서로 어긋나 있거나 좌표 정렬이 부정확하면 학습된 관계가 물리적 의미를 잃는다. 이번 공개가 모델 가중치뿐 아니라 기계학습용으로 정렬된 달 데이터셋을 함께 제공한다는 점이 중요한 이유도 여기에 있다. 재현성과 후속 연구를 위해서는 모델 코드만큼 입력 데이터의 표준화가 중요하다.
광학·지형·열·중력 등 물리량이 달라도 같은 지점을 가리키도록 좌표와 격자를 맞춘다.
특정 과제의 정답만 외우는 대신 여러 관측이 함께 나타나는 패턴을 공통 표현으로 학습한다.
얼음 후보지, 분화구, 화산 지형처럼 원하는 문제에 적은 라벨을 더해 전용 모델로 조정한다.
AI 결과를 최종 사실로 취급하지 않고 다른 관측·현장 임무·도메인 지식으로 교차 검증한다.
06 / OPEN SOURCE
오픈소스라는 선택: 달 과학의 경쟁력을 ‘모델 보유’보다 ‘검증 속도’로 옮긴다
NASA와 IBM은 이번 모델을 공개형으로 배포하고 Prithvi 계열의 과학 파운데이션 모델군에 추가했다. Prithvi는 이미 지구관측, 날씨, 태양물리 등 과학 데이터를 대상으로 확장돼 왔다. 달 모델이 이 계열에 합류했다는 것은 범용 언어모델처럼 하나의 거대한 모델이 모든 과학을 해결한다는 뜻이 아니라, 각 도메인의 물리 데이터에 맞춘 기반 모델을 공개하고 연구자들이 후속 과제로 재사용하도록 하는 전략에 가깝다.
오픈소스의 실질적 효과는 두 가지다. 첫째, 연구자가 모델의 강점뿐 아니라 실패 패턴을 직접 확인할 수 있다. 얼음 후보지를 잘 찾는 지역과 잘못 예측하는 지역, 특정 해상도에서 분화구를 놓치는 조건, 데이터 공백에 민감한 영역을 공개적으로 비교할 수 있다. 둘째, 새로운 관측자료가 들어왔을 때 기존 모델과 동일한 조건에서 성능을 재검증하기 쉬워진다. 폐쇄형 API로 결과만 받는 경우보다 과학적 재현성과 감사 가능성이 높다.
다만 ‘오픈소스’ 자체가 자동으로 신뢰성을 보장하지는 않는다. 데이터의 편향, 공간적 불균형, 센서별 노이즈, 라벨 품질, 특정 벤치마크에 대한 과적합 가능성은 그대로 남는다. 공개 모델의 진짜 가치는 누구나 쓸 수 있다는 선언보다, 서로 다른 연구팀이 같은 모델을 비판적으로 재현하고 다른 데이터로 반박하거나 개선할 수 있다는 데 있다. 과학에서 개방성은 접근성인 동시에 검증 절차다.
07 / ARTEMIS CONTEXT
왜 지금 달 지도 AI인가: Artemis II 이후 ‘방문’에서 ‘운용’으로 질문이 바뀌었다
이번 발표가 나온 시점도 중요하다. NASA의 Artemis II는 2026년 4월 1일 네 명의 우주비행사를 태우고 출발해 달을 비행한 뒤 4월 10일 지구로 귀환했다. NASA 공식 기록에 따르면 승무원은 4월 6일 달 근접비행 중 약 4,067마일 상공까지 접근했고, 반세기 넘게 사람의 눈으로 직접 보지 못했던 달 주변을 다시 유인 비행했다. Artemis II의 핵심은 착륙이 아니라 심우주에서 사람과 Orion 시스템이 실제로 작동하는지를 검증하는 시험이었다.
그 다음 단계의 질문은 더 실무적이다. 어디에 내릴 것인가, 어떤 경사가 위험한가, 장기간 햇빛을 받을 수 있는 곳은 어디인가, 통신이 안정적인 지형은 어디인가, 물과 산소의 원료가 될 수 있는 얼음 후보지는 어디에 있는가, 과학적으로 가치 있는 지질 단위와 운영상 안전한 경로를 어떻게 동시에 만족시킬 것인가. 이때 달 지도는 단순한 배경 그림이 아니라 임무 설계의 입력 데이터가 된다.
특히 남극 지역은 조명 조건이 극단적이고 영구음영지역이 넓게 분포한다. 한 장의 사진에서 밝게 보이지 않는 영역이 많고, 태양 고도에 따라 그림자가 크게 달라져 지형 해석이 쉽지 않다. 따라서 광학영상만이 아니라 고도, 온도, 중성자·분광·중력 같은 여러 관측을 함께 보는 접근이 중요해진다. Lunar Foundation Model이 바로 이 지점에서 ‘관측자료를 더 빨리 읽기 위한 기반’으로 등장한 것이다.
달 탐사의 다음 경쟁은 더 큰 로켓만의 경쟁이 아니다. 이미 쌓인 관측 기록을 얼마나 빨리 연결하고, 불확실성을 드러내며, 다음 관측의 우선순위로 바꾸는지가 탐사 속도를 좌우한다. 공개자료를 토대로 한 기사 해설
08 / WHAT AI CAN — AND CANNOT — DO
AI가 착륙지를 정하는가? 아니다. 후보를 좁히고 ‘모르는 곳’을 드러내는 쪽에 가깝다
AI 기반 지도에서 가장 위험한 오해는 모델의 높은 벤치마크 점수를 실제 임무의 자동 의사결정 권한과 동일시하는 것이다. 공개된 Lunar Foundation Model은 과학 연구와 데이터 분석을 위한 기반 모델이다. NASA GSFC의 관련 프로젝트 페이지도 이 작업을 ‘In Development’로 표시하며, 다양한 달 데이터 모달리티를 이용한 모델 구축과 기계학습 워크플로를 설명한다. 이는 비행 인증을 받은 자율 항법 시스템이나 착륙 안전 판정기의 공개와는 성격이 다르다.
실제 착륙지 결정은 훨씬 복합적이다. 지형 경사와 암석, 연료 여유, 통신 가시성, 태양광 확보 시간, 열 환경, 과학 목표, 비상 시 이동 가능성, 착륙선 성능과 궤도역학이 함께 들어간다. 얼음 가능성이 높은 지점이라고 해서 곧바로 안전한 착륙점이 되는 것도 아니다. 반대로 평탄한 지역이 과학적으로 가치가 낮거나 자원 접근성이 떨어질 수도 있다. 파운데이션 모델은 이 다차원 의사결정의 한 입력을 개선할 뿐이다.
오히려 가장 유용한 기능은 ‘정답을 빨리 주는 것’보다 ‘어디가 불확실한지 보여주는 것’일 수 있다. 여러 센서가 같은 지역에서 일치하면 신뢰도가 높아질 수 있고, 반대로 센서 간 신호가 충돌하거나 데이터가 비어 있다면 후속 관측이 필요한 후보가 된다. 과학적으로 좋은 AI는 자신감 높은 오답을 많이 내는 시스템보다, 추가 측정이 필요한 곳을 명확하게 표시하는 시스템에 가깝다.
09 / THE 23% HEADLINE
‘최대 23% 향상’이라는 한 줄을 그대로 받아들이면 놓치는 것
IBM과 NASA의 공동 발표는 모델이 달 표면의 핵심 지리적 특징을 식별하는 여러 벤치마크에서 널리 쓰이는 방법보다 최대 23% 향상된 결과를 냈다고 요약한다. 하지만 ‘최대’라는 표현은 모든 과제와 모든 지역에서 23% 좋아졌다는 뜻이 아니다. 세부 결과를 보면 얼음 후보지에서는 RMSE 최대 22% 감소, 약 100m 문맥 해상도의 분화구 과제에서는 거의 19% 개선, 불규칙 화산 지형에서는 약 3% 범위 개선처럼 과제와 지표가 각각 다르다.
이처럼 서로 다른 성능지표를 하나의 숫자로 합쳐 말하면 독자는 모델이 모든 일을 일관되게 더 잘한다고 오해하기 쉽다. 과학 AI의 성능을 읽을 때는 ‘무엇을 예측했는가’, ‘비교 기준은 무엇인가’, ‘정확도인지 오차인지’, ‘라벨 데이터는 얼마나 썼는가’, ‘다른 지역에서도 같은 성능이 나오는가’를 따로 봐야 한다. 특히 달 남극처럼 데이터 분포가 특수한 지역은 전체 달 표면 평균 성능만으로 판단하기 어렵다.
그럼에도 이번 결과가 갖는 무게는 명확하다. 단일 광학영상에 최적화된 범용 이미지 모델과 달리, 달이라는 특정 천체의 다중 센서 관측을 공통으로 학습한 모델이 여러 하위 과제에서 경쟁력 있는 성능과 데이터 효율을 동시에 보여줬다는 점이다. 모델이 ‘얼마나 똑똑한가’보다 ‘전문가가 새 과제를 시작할 때 얼마나 좋은 출발점을 제공하는가’가 평가의 중심이 된다.
10 / SCIENCE INFRASTRUCTURE
진짜 경쟁력은 모델보다 ‘데이터를 다시 쓸 수 있는 형태로 만드는 능력’일 수 있다
NASA는 수십 년 동안 달을 포함한 태양계 관측에서 방대한 과학 기록을 축적해 왔다. NASA의 과학 데이터 책임자가 공동 발표에서 강조한 메시지도 비슷하다. 데이터를 수집하는 것만으로는 충분하지 않고, 과학자가 탐색하고 사용할 수 있게 만들어야 한다는 것이다. 관측선 하나가 임무를 끝낸 뒤에도 데이터는 사라지지 않는다. 오히려 새로운 알고리즘과 컴퓨팅 기술이 등장할 때 과거 기록의 가치가 다시 상승한다.
LRO와 GRAIL처럼 목적과 센서가 다른 임무의 데이터를 하나의 학습 가능한 형태로 재정렬하면 과거 데이터가 새 질문에 답하는 재료가 된다. 예전에는 서로 다른 파일 형식과 해상도 때문에 연구자가 각자 전처리 파이프라인을 만들어야 했다면, 공통 데이터셋과 기반 모델은 반복되는 준비 작업을 공유 인프라로 바꿀 수 있다. 이는 과학자 개인의 시간뿐 아니라 공공 탐사 예산의 재사용 효율과도 연결된다.
이 관점은 지구과학에서도 이미 나타났다. 위성영상, 날씨, 태양물리 같은 영역에서 대규모 공개 데이터와 파운데이션 모델이 결합되면서, 새로운 연구팀이 처음부터 모든 전처리와 사전학습을 반복하지 않고 특정 문제에 집중할 수 있게 됐다. 달 모델은 이 흐름이 지구 궤도를 넘어 다른 천체의 원격탐사로 확장되는 사례다. 우주과학에서 AI가 만드는 가장 큰 변화가 ‘사람 대신 결론을 내리는 것’이 아니라 ‘아카이브를 다시 사용할 수 있는 계산 인프라로 바꾸는 것’일 수 있다는 뜻이다.
11 / LIMITS
달의 빈칸도 학습한다: 데이터 공백·편향·불확실성이 다음 시험대
달은 지구처럼 모든 지역을 같은 빈도와 같은 조건으로 관측한 천체가 아니다. 탐사 목적에 따라 특정 지역을 더 많이 촬영했고, 센서별 커버리지도 다르다. 극지처럼 과학적 관심이 큰 곳은 그림자와 낮은 태양각 때문에 영상 해석이 특히 어렵다. 어떤 센서가 제공하는 정보는 전역적이지만 해상도가 낮고, 다른 센서는 세밀하지만 일부 지역만 덮을 수 있다. 이런 불균형은 모델이 잘 관측된 지역의 패턴을 덜 관측된 지역에 과도하게 적용하는 위험을 만든다.
또 모델이 서로 다른 센서의 상관관계를 잘 학습했다고 해서 그것이 항상 인과관계를 뜻하는 것은 아니다. 특정 지형과 열 신호가 자주 함께 나타난다고 해도, 그 관계가 얼음이나 지질 과정의 직접 증거인지 아니면 관측 조건이 만든 우연한 패턴인지는 별도 과학 검증이 필요하다. 특히 사람이 기대하는 패턴을 모델이 강화하는 ‘확증 편향’이 연구 워크플로 안으로 들어오지 않도록, 블라인드 평가와 독립 데이터셋 검증이 중요해진다.
오픈 모델이므로 이런 한계는 연구자들이 직접 테스트할 수 있다. 앞으로 봐야 할 것은 발표 당일의 최고 점수가 아니라, 다른 연구팀이 같은 결과를 재현하는지, 새로운 관측자료에 모델을 적용했을 때 성능이 유지되는지, 극지와 저위도·근지와 원지에서 오류 특성이 어떻게 달라지는지다. 과학용 AI는 벤치마크 우승보다 오차의 구조가 설명 가능한지가 더 중요하다.
READ THE RESULT CAREFULLY
이번 공개를 과장 없이 읽기 위한 네 가지 기준
- 얼음 ‘발견’이 아니라 얼음 후보 영역 예측의 오차 감소다.
- 최대 23%는 여러 과제를 하나로 요약한 상한 표현이며, 과제별 실제 지표가 다르다.
- 모델 출력은 착륙지나 자원 매장량을 자동 확정하는 임무 판정이 아니다.
- 공개 모델의 가치는 후속 재현·반박·개선이 가능하다는 데 있으며, 독립 검증이 필수다.
12 / KOREA ANGLE
한국이 볼 포인트: ‘달 AI 모델을 만들 것인가’보다 우리 관측자료를 국제 표준에 어떻게 연결할 것인가
한국도 달 탐사에서 데이터 생산자다. 다누리 같은 달 궤도 임무가 남긴 관측자료가 축적될수록 중요한 질문은 개별 이미지의 화제성만이 아니라, 그 데이터를 다른 나라의 장기 관측 아카이브와 어떤 좌표·메타데이터·품질 기준으로 연결할 것인가가 된다. AI 모델을 잘 만드는 팀이 있어도 원본 관측자료가 기계가 읽기 쉬운 형태로 정리되지 않으면 국제 공동연구의 속도는 느려진다.
이번 NASA-IBM 사례는 우주 데이터 정책의 초점을 ‘보유’에서 ‘상호운용성’으로 옮겨 보게 한다. 어떤 센서로 무엇을 측정했는지, 보정은 어떻게 했는지, 누락값은 무엇을 의미하는지, 다른 해상도 자료와 어떻게 맞출 수 있는지가 명확해야 글로벌 모델의 한 층으로 들어갈 수 있다. 논문 한 편을 위한 전처리가 아니라 다음 세대 연구자가 다시 쓸 수 있는 표준화가 필요하다.
국내 연구기관과 대학에도 기회가 있다. 모든 기관이 거대한 모델을 처음부터 학습할 필요는 없다. 공개된 기반 모델을 가져와 한국이 보유한 특정 센서 데이터나 지질 연구 과제에 맞춰 검증하고, 오류가 큰 지역과 새로운 과학 질문을 찾아내는 방식으로 참여할 수 있다. 경쟁력의 기준이 ‘가장 큰 모델’이 아니라 ‘가장 좋은 데이터와 가장 날카로운 검증 질문’으로 바뀔 수 있다는 뜻이다.
13 / NEXT
다음에 확인해야 할 것은 ‘더 큰 모델’이 아니라 실제 연구가 얼마나 빨라지는가다
파운데이션 모델이 과학 현장에서 성공했는지는 모델 크기나 공개 첫날의 다운로드 수로 판단하기 어렵다. 실제 연구팀이 새로운 지형 분류를 만들 때 라벨링 시간을 얼마나 줄였는지, 기존보다 적은 컴퓨팅 자원으로 같은 정확도에 도달했는지, 센서가 하나 빠진 지역에서도 의미 있는 추론이 가능한지, 모델이 제안한 후보지 가운데 후속 관측으로 실제 새로운 발견이 얼마나 나왔는지가 더 중요하다.
특히 달 극지 자원 탐색에서는 ‘정확한 지도’라는 표현을 조심해야 한다. 얼음은 지표 아래 분포와 형태가 복잡할 수 있고, 원격 관측은 간접 신호에 의존한다. AI가 여러 간접 신호를 통합해 유망 후보를 제시할 수는 있지만, 실제 자원 활용 가능성을 판단하려면 굴착·시료 분석·현장 센서 같은 직접 검증이 필요하다. 모델이 좋은 후보를 빨리 골라준다면 후속 임무의 설계 비용과 시간을 줄일 수 있지만, 그 자체로 자원 지도를 완성하지는 않는다.
분화구와 화산 지형에서도 마찬가지다. 모델이 수십억 개의 픽셀을 사람보다 빠르게 훑고 패턴을 제안할 수 있지만, 지질학적 해석은 주변 층서와 충돌 관계, 조성 자료, 열적 맥락을 함께 봐야 한다. AI가 단순 반복 탐색을 맡고 연구자가 해석과 검증에 더 많은 시간을 쓰는 구조가 정착될 때 비로소 파운데이션 모델의 생산성 효과를 측정할 수 있다.
가까운 성공 기준
같은 과제를 더 적은 라벨과 계산비용으로 재현하는지, 다른 연구팀이 공개 모델을 손쉽게 검증하는지, 데이터 준비 시간이 실제로 줄어드는지가 핵심이다.
긴 성공 기준
모델이 제안한 패턴이 새로운 관측과 현장 탐사에서 실제 발견으로 이어지고, 달 탐사의 안전성·과학수익·자원 탐색 효율을 높이는지 확인해야 한다.
14 / BOTTOM LINE
달 탐사의 새 도구는 ‘더 선명한 사진’이 아니라 서로 다른 관측을 함께 읽는 능력이다
NASA-IBM Lunar Foundation Model이 보여준 변화는 AI가 달 탐사를 대신한다는 이야기가 아니다. 수십 년 동안 서로 다른 임무와 센서가 쌓아온 기록을 하나의 학습 가능한 과학 인프라로 바꾸는 방식이 현실 단계로 들어왔다는 데 의미가 있다.
달을 다시 가는 시대에는 새로운 탐사선의 성능만큼 과거 데이터의 재사용성이 중요해진다. 이미 촬영한 수만 장의 이미지와 지형·중력·열 데이터를 같은 위치에서 연결하면, 새 임무가 관측해야 할 곳을 더 빨리 정할 수 있다. 얼음 후보지를 좁히고, 분화구 위험을 정리하고, 희귀 화산 지형을 분류하는 데 공통 모델을 활용하면 전문가가 반복적인 전처리보다 과학적 해석에 집중할 여지가 커진다.
그러나 ‘최대 23% 향상’ 같은 숫자가 곧바로 안전한 착륙이나 자원 확보를 보장하지는 않는다. 얼음 예측의 22%는 특정 비교 모델 대비 RMSE 감소이고, 분화구의 19% 역시 특정 해상도·학습조건의 결과다. 모델이 실제 임무에서 가치를 가지려면 다른 데이터셋과 연구팀의 재현, 지역별 오류 분석, 독립 관측과 현장 검증이 뒤따라야 한다.
그 점에서 이번 공개의 가장 큰 의미는 모델 성능 자체보다 ‘열린 출발점’에 있다. 누구나 모델과 데이터셋을 내려받아 새로운 질문을 시험하고, 실패를 찾아내고, 더 나은 버전을 만들 수 있다. 2026년의 달 경쟁에서 로켓이 사람과 장비를 운반한다면, 이런 과학용 AI는 수십 년의 관측 기록을 다음 결정으로 운반하는 인프라가 된다.
FAQ
댓글
댓글 쓰기