딥마인드 AI, 태풍 진로를 더 정확히 맞혔다 — 그런데 '처음 보는 재난'은 누가 예측하나

태풍 예보를 볼 때마다 나오는 그 부채꼴, 다들 한 번쯤 보셨을 겁니다. 예보관들이 “불확실성의 원뿔"이라고 부르는 그림인데요. 요 몇 년 사이 이게 눈에 띄게 얇아졌습니다. 정작 그 공을 세운 쪽이 슈퍼컴퓨터가 아니라 AI 모델이라는 건 아직 잘 알려져 있지 않습니다.

구글 딥마인드가 내놓은 기상 예측 모델이 태풍과 허리케인 진로 예측에서 미국·유럽 기상 당국의 전통 수치예보를 앞서는 성적을 냈습니다. 그러자 기상학계가 100년 만에 가장 낯선 논쟁에 빠졌습니다. 물리 법칙을 풀지 않는 모델이 물리 법칙을 푸는 모델보다 잘 맞힌다면 우리는 무엇을 믿어야 하나.

100년 된 방식과 3년 된 방식

전통적인 수치예보(NWP)의 원리는 의외로 단순합니다. 지구 대기를 격자로 잘게 쪼갠 뒤 각 칸마다 기압·온도·습도·풍속을 넣고 유체역학 방정식을 풉니다. 시간을 조금씩 앞으로 밀면서 이 계산을 반복합니다. 1920년대 영국의 루이스 프라이 리처드슨이 손으로 계산해보려 했던 그 방식이 지금도 뼈대입니다.

문제는 비용입니다. 유럽중기예보센터(ECMWF)나 미국 기상청 같은 곳은 이 계산 하나를 돌리려고 수천만 달러짜리 슈퍼컴퓨터를 굴립니다. 그러고도 예보 한 번 뽑는 데 몇 시간이 걸립니다. 불확실성까지 보려면 초기 조건을 조금씩 바꿔가며 수십 번을 다시 돌려야 합니다. 이걸 앙상블 예보라고 부르는데 계산량도 그만큼 불어납니다.

딥마인드 계열 모델은 접근이 완전히 다릅니다. 방정식을 풀지 않습니다. 대신 지난 40여 년의 재분석 기상 데이터를 통째로 학습시킨 뒤 “지금 대기 상태가 이러면 6시간 뒤에는 이렇게 되더라"라는 패턴을 통계로 익힙니다. 그 덕에 슈퍼컴퓨터 몇 시간이 걸리던 예보를 GPU 한 대에서 1분 안쪽으로 뽑아냅니다. 속도 차이가 세 자릿수 배입니다.

속도만 놓고 볼 얘기가 아닙니다. 빨라진 덕에 앙상블을 훨씬 많이 돌릴 수 있게 됐고 확률 예보의 품질이 따라 올라갔습니다. 태풍 진로 예측이 좋아진 진짜 이유는 이쪽에 가깝습니다.

태풍 진로에서 벌어진 일

허리케인·태풍 예보에서 가장 중요한 지표는 진로 오차입니다. 예보한 중심 위치와 실제 위치가 몇 km 차이 나느냐. 이 숫자가 상륙 지점을 정하고 대피 명령 범위를 정합니다. 결국 몇 명이 사느냐가 여기 걸립니다.

AI 기상모델은 여러 태풍 사례에서 3~5일 선행 진로 예측 오차를 기존 최고 수준 모델보다 수십 km 줄였습니다. 며칠 앞선 예보에서 100km 안쪽의 개선은 작지 않습니다. 대피 준비 시간이 반나절 더 생기느냐 마느냐가 걸려 있으니까요. 미국 국립허리케인센터가 딥마인드 모델의 예측을 실전 운영 참고자료 목록에 올린 것도 이 성적 덕입니다.

짚고 갈 게 하나 있습니다. 태풍 진로는 원래 AI에 유리한 문제입니다. 태풍은 대규모 기압 배치를 따라 움직입니다. 큰 흐름에 실려 흘러가는 구조라 과거 패턴이 되풀이되는 경향이 강합니다. 학습 기반 모델이 잘할 수밖에 없는 영역입니다.

반대로 AI가 약한 데도 뚜렷합니다. 태풍의 세기, 그러니까 중심기압과 최대풍속 예측입니다. 급속 강화 현상은 눈벽 구조와 해수면 열, 대기 연직 구조가 한데 얽힌 아주 좁은 스케일의 사건입니다. 데이터에 사례가 적고 격자 해상도로는 잡히지도 않습니다. 진로는 좋아졌는데 세기는 여전히 어렵다, 이게 지금의 솔직한 성적표입니다.

학습하지 않은 재난은 예측할 수 없다

여기서 가장 불편한 질문이 나옵니다. AI 모델은 과거 데이터의 분포 안에서 작동합니다. 그렇다면 과거에 없던 사건은요.

기후가 변하면서 기상 현상의 통계 자체가 옮겨가는 중입니다. 40년치 데이터로 배운 모델에게 41년째의 새로운 극값은 정의상 낯선 입력입니다. 물리 기반 모델은 그래도 방정식을 풉니다. 전례가 없어도 대기가 그렇게 움직여야 한다면 숫자가 나옵니다. 학습 기반 모델은 다릅니다. “이런 건 본 적 없는데” 싶은 상황에서 조용히 평균 쪽으로 끌려갑니다. 극단값을 뭉갠다는 건 이 계열 모델이 공통으로 지적받아온 약점입니다.

기상학자들이 특히 경계하는 대목이 여깁니다. AI 모델은 틀릴 때 틀린 티를 안 냅니다. 물리 모델이 이상한 값을 뱉으면 예보관이 “방정식이 발산했구나"라고 알아챌 수 있습니다. 하지만 AI 모델은 그럴듯하게 생긴 오답을 내놓습니다. 지도 위에 자연스러운 등압선을 그린 채로 틀립니다. 사람이 검증하기 훨씬 어려운 실패 방식입니다.

인명이 걸린 예보에서 이 차이는 한가한 학술 논쟁이 아닙니다. 500년 만의 홍수, 관측 이래 최강 태풍처럼 예보가 가장 절실한 순간이 하필 AI 모델이 가장 약한 순간과 겹칩니다.

그리고 아무도 말하지 않는 의존성

기술적 한계 말고 구조적인 문제가 하나 더 있습니다. AI 기상모델은 초기 조건을 스스로 만들지 못합니다. 학습에 쓴 재분석 데이터도, 실전에서 입력으로 넣는 현재 대기 상태도 전부 기존 기관이 만든 것입니다.

이 초기 조건을 만드는 작업을 자료동화라고 부릅니다. 전 세계 기상관측소, 라디오존데, 항공기 관측, 해양 부이, 그리고 수십 대의 기상위성에서 들어오는 관측을 물리 모델과 맞물려 “지금 지구 대기가 이렇다"는 일관된 그림 하나를 만드는 과정입니다. 여기 들어가는 인프라와 국제 협력은 어느 기업도 혼자 대신할 수 없습니다.

AI 모델은 기존 체계를 대체한 게 아닙니다. 그 위에 올라탄 겁니다. ECMWF가 예산 삭감으로 관측망과 자료동화 역량을 줄이면 그 위의 AI 모델도 같이 무너집니다. AI가 잘 맞히니까 슈퍼컴퓨터와 관측망 예산을 줄이자는 논리가 나오는 순간, 정확히 그 논리가 AI의 목을 조르는 구조입니다.

한국 기상청도 같은 처지입니다. 자체 수치예보모델(KIM)을 개발해 운영 중입니다. AI 모델 도입 압력은 앞으로 계속 커질 겁니다. 그때 무엇을 남기고 무엇을 바꿀지는 AI가 무엇 위에 올라타 있는지를 알아야 판단이 섭니다.

결국은 조합의 문제

현장의 결론은 이미 어느 정도 나온 듯합니다. 둘 중 하나를 고르는 게 아니라 둘 다 쓰는 쪽입니다. 미국 국립허리케인센터도 AI 모델을 여러 참고 모델 가운데 하나로 다룹니다. 예보관이 여러 모델을 놓고 판단하는 방식은 그대로입니다. 도구가 하나 늘었을 뿐입니다.

다만 길게 보면 더 흥미로운 방향이 있습니다. 물리 법칙을 학습 구조 안에 제약 조건으로 넣는 하이브리드 모델입니다. 방정식을 아예 버리지도, 데이터를 무시하지도 않는 접근입니다. 아직 초기 단계지만 극단 현상에서 믿을 수 있느냐는 문제를 풀 가장 현실적인 길이기도 합니다.

기상 예보는 AI가 실제 인명과 직결되는 몇 안 되는 분야입니다. 챗봇이 틀리면 웃고 넘기지만, 태풍 예보가 틀리면 사람이 죽습니다. 그래서 이 분야의 논쟁은 다른 AI 분야보다 훨씬 보수적이고 훨씬 진지합니다.

성능이 좋다는 것과 믿을 수 있다는 것은 다른 문제입니다. 평균적으로 더 잘 맞히지만 최악의 순간에 조용히 틀리는 모델, 평균은 조금 못하지만 왜 틀렸는지 설명할 수 있는 모델. 이 둘 중에 무엇을 대피 명령의 근거로 삼으시겠습니까. 같은 질문이 앞으로 AI가 들어갈 고위험 분야마다 되풀이될 겁니다.