AI는 고래를 어떻게 구하는가: 열화상 이미지와 인간의 확인으로 선박 충돌을 방지하는 WhaleSpotter

샌프란시스코만에서 AI와 열화상 카메라를 결합한 고래 탐지 시스템인 "WhaleSpotter"가 가동되고 있습니다. 목적은 간단합니다. 배가 고래에 너무 가까이 접근하기 전에 탐지하여, 선장이나 운항 팀이 감속 또는 회피할 수 있는 시간을 확보하는 것입니다.

이 시도가 흥미로운 점은 단순히 "AI로 고래를 찾는" 이야기가 아니라는 점입니다. 열 센서, 에지 (Edge) 측의 추론, 인간에 의한 확인, 선상 대시보드로의 알림까지 하나로 연결되어 비로소 현장에서 사용할 수 있는 안전 시스템이 됩니다.

선박에서 고래를 찾는 기존 방법은 인간의 육안이나 음향 센서에 크게 의존해 왔습니다. 하지만 육안은 야간, 역광, 안개, 파도 거품에 취약하며, 음향 센서는 고래가 울지 않으면 탐지하기 어렵다는 제약이 있습니다.

WhaleSpotter는 이러한 약점을 열화상 이미지로 보완합니다. 고래는 항온 동물이기 때문에, 호흡 시의 분기(Blow)나 수면 위로 드러난 체표면은 주변 해수보다 온도가 높습니다. 열화상 카메라는 그 온도 차이를 포착하고, AI 모델이 고래다운 열 시그니처 (Thermal Signature)를 검출합니다.

공식 정보에 따르면, WhaleSpotter는 약 7km, 즉 대략 4해리 앞까지 고래를 탐지할 수 있다고 합니다. 대형 선박이 항로 나 속도를 바꾸려면 시간이 걸리기 때문에, "멀리서 알아차릴 수 있다"는 것 자체가 큰 가치가 됩니다.

해상에서 고해상도 영상을 항상 데이터 센터로 전송하고, 그곳에서 해석한 뒤 결과를 돌려주는 설계는 통신 지연이나 대역폭 문제를 발생시킵니다. 선박 충돌 회피에서는 수십 초에서 수 분의 지연이 그대로 리스크가 됩니다.

따라서 WhaleSpotter는 카메라 근처에서 AI 추론을 수행하는 구성을 채택하고 있습니다. 열화상 카메라가 해면을 감시하고 AI가 고래일 가능성을 탐지하면, 짧은 영상 클립이나 위치, 방위, 시각 등의 정보가 확인 팀으로 전송됩니다.

여기서 중요한 것은 AI가 최종 판단자가 아니라는 점입니다. 탐지 결과는 전문가가 확인하며, 필요한 경우 선박에 경보를 보냅니다. WhaleSpotter는 전문가에 의한 확인을 결합함으로써 오탐지 (False Positive)를 억제하면서 실운용을 견딜 수 있는 정밀도를 목표로 하고 있습니다.

현장에서 사용할 수 있는 AI 시스템으로 만들려면 모델의 정밀도만으로는 부족합니다. 선장이 받는 통지는 판단에 사용할 수 있는 형태여야 합니다.

WhaleSpotter에서는 탐지된 고래의 위치가 실시간으로 대시보드에 표시되어, 선박 측에서 감속이나 회피를 판단할 수 있습니다. 샌프란시스코만 도입 사례에서는 고정 카메라와 이동체에 탑재된 카메라가 모두 사용되고 있으며, 연안 설비와 선상 설비를 결합한 감시 네트워크로서 기능합니다.

이 설계는 AI 도입 시 흔히 간과되기 쉬운 포인트를 보여줍니다. 모델이 무언가를 검출하더라도, 그 결과가 누구에게, 어느 타이밍에, 어떤 입도 (Granularity)로 전달되는지가 설계되어 있지 않다면 행동으로 이어지지 않습니다.

샌프란시스코만에서는 최근 혹등고래가 만 안으로 들어오는 사례가 늘고 있습니다. 먹이 활동지의 변화나 해양 환경의 변화가 배경에 있다고 알려져 있으며, 고래가 페리, 화물선, 유조선 등의 항로와 겹치는 장소에 나타나고 있습니다.

UC Santa Barbara의 Benioff Ocean Science Laboratory 등은 WhaleSpotter의 AI 탐지 기술과 FLIR의 열화상 카메라를 결합하여, 만 안의 선박에 실시간으로 고래의 존재를 알리는 체계를 전개하고 있습니다. 탐지 결과는 전문가가 확인하며, Whale Safe와 같은 추적·공유 기반을 통해 해상의 의사결정에 활용됩니다.

이는 AI가 "자연 보호"와 "산업 활동" 사이에 들어가는 사례이기도 합니다. 배를 멈추는 것이 아니라, 배가 안전하게 운항하면서 고래와의 충돌 리스크를 낮추는 것입니다. 이를 위해 AI가 상황 인식을 확장하고 있습니다.

WhaleSpotter의 사례에서 배울 수 있는 것은, AI의 가치는 모델 단독이 아니라 현장의 제약에 맞춘 시스템 전체에 의해 결정된다는 점입니다.

특히 주목하고 싶은 점은 다음 3가지입니다.

센서 선정이 문제 설정을 바꾼다
가시광 카메라가 아닌 열화상 이미지를 사용함으로써, 야간이나 저시정 상황에서도 탐지할 수 있는 가능성이 넓어집니다.

에지 처리 (Edge Processing)가 의사결정 속도를 뒷받침한다
해상처럼 통신 조건이 안정적이지 않은 환경에서는 현장 근처에서 처리하는 설계가 중요해집니다.

인간을 남김으로써 실운용에 가까워진다
AI의 탐지 결과를 전문가가 확인함으로써, 오경보로 인한 피로와 현장의 불신을 억제할 수 있습니다.

AI 프로젝트에서는 모델 정밀도 개선에 눈이 가기 쉽습니다. 하지만 현장에서 정말로 요구되는 것은 "그 탐지가 누구의, 어떤 행동을, 얼마나 빨리 바꿀 수 있는가"입니다.

WhaleSpotter는 AI가 물리적 세계의 과제에 개입할 때 보여주는 실천적인 형태를 보여줍니다. 센서를 통해 인간의 눈이 닿지 않는 정보를 수집하고, AI로 이상 징후나 대상을 탐지하며, 인간의 판단을 통해 현장의 행동으로 연결합니다.

이러한 흐름은 해양 보호뿐만 아니라 제조, 물류, 방재, 인프라 모니터링, 의료 등에도 응용될 수 있습니다. AI의 다음 단계의 큰 가치는 기존 업무를 조금 편리하게 만드는 것에 그치지 않고, 인간이 놓치고 있던 신호를 빠르게 포착하여 의사결정의 타이밍을 앞당기는 데 있습니다.

고래를 구하는 AI는 모델의 똑똑함만으로 성립되는 것이 아닙니다. 현장을 이해하고, 센서를 선택하며, 알림 흐름을 설계하고, 인간의 전문성을 결합하는 것. 그 축적이 현실 세계에서 효과를 발휘하는 AI를 만듭니다.

• WhaleSpotter Technology
• WhaleSpotter About
• University of California: New AI system uses cameras and thermal sensors to steer ships clear of gray whales in the San Francisco Bay
• Woods Hole Oceanographic Institution: Ship-mounted camera systems increase protections for marine mammals

작성일: 2026년 6월 6일