AI는 이미 전방위로 적용되는 중... 구글 AI가 지도에 표시한 구역... 비행기는 고도를 낮춘다| 예측이 실제 운항으로 이어지는 과정

Video: AI는 이미 전방위로 적용되는 중... 구글 AI가 지도에 표시한 구역... 비행기는 고도를 낮춘다| 예측이 실제 운항으로 이어지는 과정 [구글 PM 케말 아르마다 인터뷰]
Channel: 안될공학 - IT 테크 신기술
Duration: 24m 41s
Source: subtitle (auto, ko)
Transcript:
네, 여러분 안녕하세요. 패치입니다. 요즘 가을 하늘이 정말 예쁘죠? 맑고 파란 하늘을 바라보다 보면 가끔 비행기 한두 대씩 지나가는데요. 그러면 그 비행기 뒤로 길고 하얀 비행운을 남기는 모습을 좀 볼 때가 있어요. 저는 파란 하늘에 이렇게 하아얀 구름을 보면 괜히 좀 낭만적이라는 생각이 들더라고요. 어디론가 여행을 훌쩍 떠나고 싶어지기도 하고요. 그런데 여러분, 이렇게 아름답게 보이는 비행운이 사실은 지구 온난나에 상당한 영향을 미칠 수 있다는 사실 알고 계셨나요? 우리가 비행기의 기후 역량을 이야기할 때는 보통 엔진에서 배출되는 이산화 탄소부터 떠올리잖아요. 그런데 비행기가 지나간 자리에 남기는이 하얀 줄도 문제입니다. 구글에 따르면 비행우는 항공 산업 전체의 기후 영량 가운데 약 1을 차지하는 것으로 추정이 된다고 해요. 특히 하늘에 오랫동안 남아서 구름처럼 넓게 퍼지는 그런 비행은 지구에서 우주로 빠져나가야 할 그런 열들을 붙잡아서 온난화나를 일으킬 수 있다고 하는데요. 그런데 최근 구글이이 문제를 해결하기 위해서 꽤나 흥미로운 실험 하나를 진행했습니다.

비행기 엔진을 바꾸거나 새로운 연료를 사용한게 아니고요. AI 애측을 바탕으로 비행기가 날아가는 고도를 조금 조정을 한 겁니다. 구글이랑 캐세이 퍼시픽에 진행한 초기 시험에서는 100편 이상의 항공편을 대상으로 비행운 회피를 시험을 했고요. 그중에 80편 이상이 실제로 회피 경로를 따라서 운행을 했습니다. 그 결과로는 비행운으로 인한 온난나 영향을 약 40% 줄인 것으로 추정이 된다고 해요. 도대체 AI가 뭘 알아냈길래 고도를 조금 바꾸는 것만으로도 이런 차이가 생긴 걸까요? 1000et. >> 네. 방금 보신 분은 케말 아르마다 구글 기후 및 AI 부문 프로덕트 매니저입니다. 제가 최근에 구글이랑 캐세이퍼팩의 프로젝트 브리핑을 접한 다음에 좀 관심이 생겨 가지고 케말 매니저랑 별도로 후석 인터뷰를 좀 진행을 해 봤는데요. 구글이 우리가 갖고 있던 그 기존 기상 예부에 어떤 한계를 AI로 보완을 했는지 그리고 그 정보를 실제 항공사가 또 어떻게 사용을 하는지 또 비행 경로를 바꾼 덕분에 정말 온난나 영향이 줄어들었다는 걸 어떻게 검증할 수 있는지까지 제가 자세히 물어봤습니다.

그런데 제가 이야기를 좀 들어보다 보니까 생각보다 다행인 사실이 하나 있었는데요. 비행운이라고 해서 모두 다 피할 필요는 없다는 거예요. 자, 먼저 비행운이 만들어지는 원리부터 간단히 좀 살펴볼게요. 비행기가 날아가면 Z 엔진에서는 연료가 연소하면서 이렇게 수증기가 발생하게 되거든요.이 뜨겁고 습한 배기 가스가 높은 고도에 차가운 공기랑 섞이게 되면 수중기가 응결을 하고요. 이게 아주 작은 얼음 결정으로 변할 수가 있는데요. 이런 얼음 결정들이 모여서 우리가 하늘에서 보는 그런 하얀 비행운을 만들어 내게 됩니다. 그런데 비행운은 어떤 날에는 금방 사라져 버리고 또 어떤 날에는 몇 시간씩 남아 가지고 넓은 구름으로 퍼지기도 하는데요.이 이 차이는 바로 주변 대기의 상태랑 관련이 있습니다. 비행기가 지나가는 고도의 공기가 충분히 습하다면 얼음 결정이 쉽게 사라지지 않고요. 오랫동안 유지가 되면서 구름처럼 넓게 퍼지는 거죠. 근데 문제는 이렇게 만들어진 구름이 지구에서 우주로 빠져나가는 적선 에너지를 붙잡는다는 건데요.

물론 이게 낮에는 햇빛을 반사해서 지표를 시키는 효과도 좀 있긴 하거든요. 그렇지만 올해 지속되는 비행은 온난나 효과가 냉각 효과보다는 더 큰 경우가 많고 특히나 밤에는 햇빛을 반사하는 효과가 없기 때문에 온나라 영향이 더 커질 수 있다고 합니다. 그런데 모든 비행운이 이렇게 오랫동안 남는 건 아니죠. 금방 사라지는 비행운도 있고 또 같은 시간에 만들어진 비행운이라도 주변 기상 조건에 따라서 기후에 미치는 영향이 다릅니다. 그래서 제가 캠말 매니저한테 직접 물어봤어요. 네. 그러니까 구글이 목표로 하는 건 하늘에 나타나는 비행운을 모조리 없애자는게 아닙니다. 온나 영향이 큰 비행운이 만들어질 만한 구역을 미리 찾아서 선택적으로 그걸 피해 가자는 거죠. 실제로 캐세이퍼시픽이랑의 시험에서도 흥미로운 결과가 나왔습니다. 홍콩이랑 싱가포르를 오가는 노선에서 시행한 그런 비행운 회피 조치가 전체 실험에서 추정된 감축 효과의 절반 이상을 차지했다고 해요. 같은 비행운 회피라도 어느 지역에서 그리고 어떤 대기 조건에서 시행을 하느냐에 따라서 효과가 상당히 다를 수 있다는 거죠.

자, 그렇다면 여기서 중요한 질문이 하나 생기는데요. 여러분, 비행기가 아직 그 지역에 도착하지도 않았는데 어느 고도에서 오래 지속되는 비행운이 만들어질지 우린 어떻게 미리 알아낼 수 있을까요? 네, 여기에서 바로 AI가 등장합니다. 우리는 이미 상당히 정교한 기상 예보 시스템을 가지고 있어요. 슈퍼 컴퓨터를 이용을 해서 온도랑 기압, 습도, 바람 같은 정보를 바탕으로 아주 복잡한 물리 방정식을 계산을 하죠. 그런데 비행운을 예측할 때는 좀 어려운 부분이 있는데요. 그게 뭐냐면 비행기가 날아가는 높은 고도의 습도입니다. 비행운이 오래 유지될만큼 습한 대기층은 때로는 매우 얇거나 불규칙하게 형성이 되는데요. 그런데 기존 기상 모델이이 대기층의 위치나 습도를 조금은 잘못 예측을 해도 비행운이 진짜 실제로 만들어질지를 판단하기가 어려워질 수가 있죠. 그래서 제가 캐말에게 물어봤습니다. AI는 기존 기상 모델이 놓치는 뭘 알아내고 있는 걸까요? whether models don't do the greatest jobs at predicting humidity at cruising altitudes and it's a key input to cont forecasting.

So we also see that research shows that like error in contriction are often correlated with other weather features not just humidity like atmospheric updraft and so on and so forth. A human expert would have to painstakingly calculate how much of an updraft increases countrial likelihood for every separate region like Apac, Europe and so on. Every different season, every different weather pattern. In our case, the AI learns all of these corrections automatically by chaining on tens of thousands of satellite images and historical flight plats and generates this blueprint or like a footprint of what creates a contra.

AI correct parameters inputsal에서 중요한 건 AI가 기존의 기상 모델을 완전히 대체하는 방식은 아니라는 거예요. 기상 모델이 물리 법칙을 바탕으로 대기 상태를 계산을 한다면 AI는 실제 관측 자료를 이용을 해서 기존 예측의 5차를 좀 보완하는 그런 역할을 하는 거죠. 예를 들어서 기상 모델에서 어떤 지역에 비행운이 오래 남지 않을 거라고 예측을 했다고 해 볼게요. 그런데 위성 사진을 확인해 보니까 그곳에 길다란 비행운이 실제로 남아 있습니다. 자, 그렇다면 당시에 그 항공기가 어떤 경로로 비행을 했는지 그리고 기상 모델이 그 지역의 온도랑 습도를 어떻게 예측을 했는지를 비교해 볼 수 있겠죠. 이런 사례가 수없이 쌓이게 되면 AI는 기상 모델이 어떤 상황에서 비행을 잘못 예측하는지 이런 패턴을 학습할 수 있습니다. 케말 매니저에 따르면 고고도의 습도뿐만이 아니라 상승 기류라든가 지역별 기상 특성처럼 여러 요소가 예측 오차 영향을 줄 수 있다고 하는데요. AI는 대규모의 관측 데이터를 통해 가지고 이런 패턴을 찾아내는 거죠.

그런데 이런 설명을 듣고 나면 실제로 AI가 비행운을 어떻게 관측을 하고 또 어떤 구역을 위험하다고 예측을 하는지 좀 궁금해지시죠. 구글은이 연구 결과를 지도에서 직접 살펴볼 수 있도록 그런 도구도 공개를 하고 있습니다. 그럼 제가 지금부터 그 화면을 한번 좀 보여 드릴게요. 자, 먼저 지금 보이는 건 구글 리서치의 비행운 탐색 지도입니다. 여기에서는 위성 관측 자료랑 AI가 분석한 비행운 정보를 직접 살펴볼 수가 있는데요. 자, 우선 위성에서 간측한 구름 영상을 한번 볼게요. 지금 보이는게 높은 고도에 있는 구름을 살펴볼 수 있는 영상입니다. 그런데 여기서 어떤 부분이 일반적인 구름이고 또 어떤 부분이 비행기가 지나가면서 만든 그런 비행운인지 구분하기가 쉽지 않죠. 자, 이번에는 AI가 탐지한 비행운을 한번 표시를 해 볼게요. 여기 보이는 선들이 AI가 위성 사진을 분석을 해서 비행운으로 판단한 부분인데요. 이렇게 탐지 결과를 껐다가 켜 보면 기존 위성 영상 위에서 AI가 어떤 부분을 비행운으로 찾아냈는지를 비교를 할 수가 있습니다.

근데 중요한 건 지금까지 보여 드린게 이미 위성에서 관측된 비행운을 AI가 탐지를 한 결과라는 거예요. 그런데 구글이 실제로 해결하려는 문제는 여기에서 한 단계 더 나아갑니다. 비행운이 다 생긴 다음에 찾아내는게 아니라 앞으로 어느 구역에서 비행운이 만들어져 가지고 온나라 영향을 일으킬지 그거를 미리 예측을 하는 거죠. 자, 이번에는 AI가 예측한 비행원 위험 구역을 표시를 해 볼게요. 여기 지도에 색칠된 부분들이 보이시죠?이 이 영역들은 AI 예측을 바탕으로 비행운 회피를 검토할 수 있는 구역입니다. 위험 수준에 따라서 이게 구분이 되어 있는데 단순히 비행운이 나타날 확률만 표시를 한게 아니라 예측된 그 온난나 영량의 위험도를 반영을 하고 있습니다. 여기에서 한 가지 더 볼게 있는데요. 자, 이번에는 비행 고도를 좀 바꿔 볼게요. 같은 지역이라도 어떤 고도에서 비행을 하느냐에 따라 가지고 예측된 위험 구역의 모습이 좀 달라질 수가 있는데요. 자, 여기 보시면이 고도에서는 위험 구역이 이렇게 표시가 되는데 다른 고도로 바꾸면 위험 구역의 위치나 범위가 달라지죠.

지금 선택한 지역에서는 두 고도의 차이가 별로 크지가 않네요. 실제 위험은 지역이랑 시간 고도에 따라서 달라지기 때문에 항공사는 여러 조건을 함께 비교를 해 봐야 됩니다. 이게 바로 비행운 회피에서 되게 중요한 부분이에요. 항공사가 단순히 비행운이 생길 것 같다. 그런 정보를 받는게 아니라 어느 고도로 비행을 하면 기후 영향을 줄이는데 유리할지 판단을 할 수 있도록 그런 정보를 제공하는 거죠. 물론이 공개 지도는 연구용 시각화 도구이고요. 실제 항공기 운항에서는 항공사의 운항 관리 시스템이랑 안전 절차를 통해서 예측 정보를 활용을 해야 합니다. 그런데 이거를 실제 운항에 적용을 하려면 단순히 그냥 지도에다가 위험 구역을 표시하는 것만으로론 좀 부족하겠죠. 현재 고도랑 다른 고도에서 위험이 얼마나 달라지는지 그리고 그 차이가 실제로 경로를 바꿀만큼 큰지도 판단을 해 봐야 됩니다. 그래서 구글은 예측 정보를 확률 형태로도 제공을 하고 있어요. 구글의 AI는 위도와 경도 0.25도 그리고 시간 한시간 단위로 비행 위험 구역을 예측을 하고요.

최대 50시간 앞까지 정보를 제공하는 방식인데요. 물론 0.25도라는 이호도라는 건 예측 정보를 나누는 그런 격자의 간격이지 그 안에 모든 위치를 막 완벽하게 예측한다. 그런 뜻은 아닙니다. 항공사에서 중요한 건 현재 고도뿐만이 아니라 다른 고도로 이렇게 이동을 했을 때 비행운이 생길 위험이 얼마나 달라지느냐 그거인데요. 예를 들어서 같은 지역을 지나더라도 현재 고도에서는 비행운이 만들어질 가능성이 높지만 조금이라도 다른 고도로 이동을 하면 그 가능성이 크게 떨어질 수도 있겠죠. 그래서 구글은 위험 예측을 확률로 제시를 하고요. 항공사가 여러 선택지를 비교할 수 있도록 돕고 있습니다. >> 앞에서 케마이 설명했던 80%에서 10%로 낮아지는 사례가 바로 이런 상황인데요. 그만큼이나 위험 확률이 크게 낮아진다면 항공사는 고도를 조정해야 될 이유가 생기겠죠. 다만 여기에서 꼭 짚어야 될 부분이 있는데요. AI가 비행기를 직접 조정하거나 막 마음대로 경로를 변경하는 건 아니에요. 비행기의 고도를 바꾸려면 연료 소비라든가 뭐 바람 아니면 다른 항공기아의 간격, 또 항공 교통 관제의 지식까지 이런 거를 다 함께 고려를 해야 하는데요.

그러니까 결국 최종적으로 운항을 결정하는 건 항공사랑 조종사이고 AI는 그들이 더 나은 선택을 할 수 있도록 정보를 제공하는 그런 보조적인 역할을 합니다. 그런데 여기에서 저는 또 한 가지가 더 궁금해졌는데요. 자, 이렇게 AI 예측을 바탕으로 비행기가 실제로 고도를 바꿨다고 해 볼게요. 여러분, 근데 그렇다면 AI 덕분에 온난나 영향을 줄였다는 걸 어떻게 증명을 할 수가 있을까요? 이게 생각해 보면 꽤 어려운 문제예요. 비행기가 비행운 위험 구역을 피해서 날아갔다고 해 볼게요. 그런데 만약 원래 경로로 비행을 했다면 비행운이 정말 만들어졌을까? 이거를 확인할 방법이 없잖아요. 그래서 또 제가 캠마한테이 문제를 직접 물어봤죠. simulations with >> 와 두 개의 세 개라니 좀 영화 같은 이야기죠. 근데 이게 사실은 실제 과학에서도 되게 중요한 문제입니다. 어떤 행동을 했을 때 결과랑 하지 않았을 때의 결과를 비교를 해야지 그 행동이 얼마나 효과적이었는지를 알 수 있으니까요. 어, 예를 들어서 반도체 공장에 AI를 도입을 했더니 분량이 줄어들었다고 해 볼게요.

그런데 같은 시기에 새로운 장비도 도입을 했다면 어떨까요? 분량이 낮아진게 AI 덕분인지 아니면 새로운 장비 덕분인지 이걸 어떻게 구분을 할 수가 있죠? 비행운도 마찬가지예요. 그래서 케말은 두 가지 검증 방법을 설명을 합니다. 첫 번째는 예측 모델을 이용을 해 가지고 원래 경로랑 변경된 경로에서 어떤 일이 일어났을지 각각 계산을 하고 비교를 하는 거예요. 다만이 방법은 예측 모델이 얼마나 정확한지 그거에 따라서 영향을 좀 받겠죠. 그리고 두 번째는 무작기 대조 실험인데요. 항공편을 무작기로 나눠서 한쪽은 비행운 회피 계획을 적용을 하고 다른 쪽은 기존 방식으로 운항을 하도록 하는 건데요. 개별 항공편에서 일어나지 않은 일을 직접 확인할 수는 없지만 충분히 많은 수의 항공편을 나눠서 비교를 하면 회피 전략의 평균적인 효과를 좀 추정을 해 볼 수가 있겠죠. 실제로 2026년에 구글이랑 아메리칸 항공이 공개한 연구에서도 이런 방식이 활용이 됐습니다. 약 2,400편에 대서양 횡단 항공편을 대상으로 진행을 한 연구였는데요.

그런데 결과를 자세히 보면 좀 신기한 차이가 있어요. 회피 계획대로 실제 운항을 한 112편에서는 대조군보다 비행운 발생률이 62% 낮게 관측이 됐습니다. 그런데 또 회피 대상으로 배정된 1232편 전체를 기준으로 비교를 하면 감소율은 11.6%였습니다. 6%였습니다. 같은 연구인데 왜 이렇게 차이가 큰 걸까요? 그건 회피 대상으로 선정이 됐다고 해서 모든 비행기가 실제로 그 경로를 따라서 운항을 할 수 있는 건 아니기 때문이에요. 음. 예를 들어서 기상 조건이라든가 항공 교통 관제 아니면 뭐 연료랑 안전 문제 때문에 계획된 고도 변경을 실행하지 못했을 수도 있죠. 그리고 62%는 실제로 회피 계획을 수행을 한 항공탄만 따로 분석을 한 결과입니다. 그러니까이 숫자를 막 모든 항공편에서 얻을 수 있는 효과라고 생각을 하면 안 되고요. 근데 반면에 11.6%는 회피 대상으로 배정된 항공편 전체를 비교를 한 결과이기 때문에 실제 운영 과정에서 맞닥들릴 수 있는 그런 제약이라든가 한 개까지 포함을 한 성과를 이해하는데 중요한 지표인 거죠.

또 한 가지 주의해야 할게 있는데요.이 두 숫자는 비행운 발생률의 감소율입니다. 앞에서 제가 말씀드렸던 캐세이퍼시픽 시험의 약 40% 있잖아요. 그거는 비행운의 추정 운화나 영향 감소율이고요. 그러니까 측정한 대상이 좀 서로 다르기 때문에 단순히 숫자만 놓고 비교를 할 순 없지만 어쨌든이 결과가 보여주는 건 좀 분명합니다. AI가 좋은 예측을 만들어내는 것이랑 실제 산업에서 그 예측을 실행을 해서 성과를 제대로 얻는 거는 좀 다른 문제라는 거죠. 그런데 효과를 검증을 할 때 또 하나 빼놓을 수 없는 변수가 있겠죠. 그게 뭐냐면 바로 비행기의 연료 소비입니다. 비행운을 피하기 위해서 고도를 변경을 하게 된다면 상황에 따라서는 연료를 좀 더 쓸 수도 있겠죠. 그런데 비행운의 온난나 영량이랑 이산화 탄수의 역량은 조금 다르거든요. 비행운이 만들어내는 얼음 구름은 비교적 짧은 시간 동안 기후에 영향을 주는 반면에 이산화 탄소는 훨씬 오랫동안 대기에 남아서 영향을 미쳐요. 그러니까 비행운을 줄이겠다고 무조건 우회를 하다가 연료를 더 많이 써 버리게 되면 오히려 추가로 배출한 이산화 탄수 때문에 기후적인 손해가 생길 수도 있겠죠.

네. 이거에 대해서 케말은 이렇게 설명을 하는데요. 실제로 2023년 구글이랑 아메리칸 항공의 초기 시험에서는 회피 운항에 참여와 항공편의 연료 소비가 약 2% 정도 증가했다고 보고가 됐습니다. 반면에 또 2026년에 더 큰 규모의 실험에서는 회피 집단이랑 대조군 사이에 통계적으로 유의한 그런 연료 사용량 차이가 관측이 되진 않았다고 해요. 그런데 그렇다고 해서 비행운을 피할 때 연료가 항상 더 적게 든다던가 아니면 항상 더 많이 든다든가 그런 뜻은 아닙니다. 비행기의 고도랑 바람 운항 조건에 따라서도 결과가 달라질 수 있기 때문이에요. 결국은 비행운을 피해서 얻는 그런 기후 효과랑 추가적인 연료 소비로 발생하는 영향을 다 함께 따져 봐야 하는 겁니다. 근데 지금까지는 AI가 비행을 얼마나 잘 예측을 하고 실제로 효과가 있는지 그걸 살펴봤죠. 그런데 현실 항상 만만치 않죠. 이런 기술을 더 많은 항공편에 적용을 하려면 이제 또 다른 문제가 남아 있습니다. AI가 알려주는 정보를 실제 항공사의 운항 시스템에 어떻게 연결할 것인가 그 문제인데요.

지금 구글이랑 캐세이 퍼시픽은 초장거리 형편으로도 시험을 확대하고 있습니다. 16시간 이상 비행하는 그런 긴 장거리 노선인데요. 이런 항공편에서는 출발 전에 만든 기상 예측이 비행 후반부에 가서는 상당히 좀 오래된 낡은 정보가 될 수도 있죠. 왜냐면 실제 날씨는 계속 바뀌고 있으니까요. 그렇게 되면 비행 중에 새로 업데이트는 예측을 받아야 되고 그 정보를 바탕으로 실제 고도를 변경을 할 수 있을지도 빠르게 판단을 해야 하겠죠. 그런데 항공기는 도로 위의 자동차처럼 그냥 운전자가 원하는 대로만 이렇게 자유롭게 움직일 수 있는게 아니죠. 비행 계획부터 항공 교통 관제 그리고 연료랑 안전 규정까지 아주 복잡한 시스템 안에서 움직이고 있거든요. 그래서 제가 또 캐말한테 물어봤습니다. 지금 가장 어려운 문제는 여전히 AI의 예측 정확도를 높이는 걸까요? 아니면이 기술을 실제 항공 산업에 도입하는 일이 더 어려울까요? 네. 저는 여기에서 그 캐마 매니저의 답변이 상당히 인상적이었는데요. 우리가 AI 기술을 이야기할 때는 보통 예측 성능이 얼마나 좋아졌는지에 좀 집중을 하잖아요.

그런데 항공처럼 안전히 중요한 산업에서는 AI가 아무리 좋은 예측을 내놓아도 바로 당장 이렇게 실제 운항에 다 적용을 할 수 있는 건 아닙니다. 그래서 캐세이 퍼시픽은 구글의 예측 정보를 기존 항공기 운항 시스템에 연결을 했어요. 긴내 와이파이를 통해서 비행 중에도 새로운 정보를 전달을 하고요. 자체 전자 비행 폴더인 EFF에서 조종사가 기존 운항 정보랑 함께 이거를 확인할 수 있도록 한 거죠. 그러니까 이미 사용하던 시스템 안에서 AI 예측을 활용할 수 있도록 만든 거예요. 그런데 이런 기술을 캐세이 패시픽 항공사 한 곳뿐만이 아니라 여러 곳의 항공사가 다 같이 함께 활용을 하게 된다면 상황은 훨씬 더 복잡해지겠죠. 예를 들어서 여러 대의 항공기가 동시에 같은 비행 위험 구역을 피하려 한다고 해 볼게요. 그러면 서로의 항라든가 고도가 겹치지는 않는지, 서로 안전한 간격을 유지를 할 수가 있는지, 관제 기간이 그 변경을 허용할 수 있는지까지 다 고려를 해 봐야겠죠. 그래서 구글은 영국 정부랑 또 관련 항공 기관들이랑 다 함께 북대서향 공력을 대상으로 하는 Operation Blue Sky 프로젝트를 추진을 하고 있습니다.

그런데 왜 하필 북대서향일까요? 프로젝트에서 주목하는 곳은 영국이랑 아일랜드 서쪽의 믹인데요. 구글은이 지역이 전 세계 비행운의 온난나 영향 가운데 약 5%랑 관련된 아주 중요한 구역이라고 설명을 하고 있습니다. 그만큼 비행운 회피 기술을 적용했을 때 효과를 연구하기에 아주 적절한 공역인 거죠. 하지만 개별 항공편의 고도를 조금 조정을 하는 것과 여러 항공사가 함께 이용하는 넓은 공역에서 비행운 회피를 운영을 하는 거는 좀 차원이 다른 문제겠죠. AI가 어떤 고도로 비행을 하면 유리한지 알려 줄 수는 있거든요. 근데 실제로 그 고도를 사용할 수 있는지 결정을 하려면 전체 항공 교통 시스템이나 이제 연결을 해야 하는 거예요. 이거는 딱히 항공 분야만의 이야기도 아니죠. 예를 들어서 반도체 공장에서 AI가 특정 장비의 고장을 아주 정확하게 예측을 했다고 해 볼게요. 근데 그렇다고 해 가지고 생산 라인을 곧바로 멈춰 이렇게 할 순 없잖아요. 언제 장비를 정비할지 결정을 하려면 그 전체적인 생산 일정이랑 수율 다른 장비에 미치는 영향까지 다 함께 고려를 해야 하니까요.

그래서 이번 프로젝트도 마찬가지입니다. AI가 더 좋은 판단 근거를 제공을 하더라도 그걸 실제 현장에서 이제 안전하게 실행할 수 있도록 만드는 그런 과정들이 필요한 거예요. 근데 캐말은 또 이런 방식이 비행운 문제에만 적용이 되는 건 아니라고 설명을 했습니다. 이번 프로젝트가 실제로 어떤 과정을 거치는지 한번 생각해 볼게요. 우선 위성이랑 기상 시스템을 통해 가지고 현실 세계 대기 상태를 관측을 하죠. 그리고는 AI가 비행운이 만들어질 구역을 예측을 하고요. 그다음에 항공사가 그 정보를 바탕으로 비행 경로를 조정을 합니다. 마지막으로는 위성이랑 실제 비행 데이터를 통해 가지고 그 선택의 효과가 있었는지도 확인을 해 보고요. 그러니까 관측하고 예측하고 실제 행동으로 옮긴 다음에 그 결과를 다시 리뷰하는 그런 과정이 다 연결이 되어 있는 겁니다. 그래서 제가 인터뷰 마지막에 캠말 매니저한테 이런 방식이 다른 기후 문제에도 적용이 될 수 있는지 물어봤는데요. observing world and taking action outprint others >> 실제로 구글이 진행하는 다른 프로젝트에서도 비슷한 접근을 확인을 할 수 있습니다.

바로 파이셋이라는 프로젝트인데요. 산불 감지의 특화된 위성이랑 AI를 이용을 해 가지고 작은 화제가 크게 번지기 전에 발견을 하는 기술이에요. 파이어셋은 약 5m * 5m 규모의 작은 화재까지 감지를 하는 걸 목표로 개발이 됐고요. 2026년 7월에는 새로운 위성 세기가 추가로 발사가 되면서 관측망도 확대가 됐습니다. 이런 기술이 중요한 이유는 산불이 일단 크게 번진 다음에 대응을 하는 것보다는 작은 화재를 조기에 발견하고 진압을 하는게 훨씬 유리할 수 있기 때문이에요. 아, 물론 위성이 작은 화재를 찾아냈다고 해 가지고 산불이 막 자동으로 진압이 되고 그런 건 아니죠. 그 정보를 이제 빠르게 전달을 하고 실제 소방 대응으로 연결을 해야 하겠지만 비행기 경로를 조정하는 기술이랑 작은 산부를 찾아내는 기술 이게 해결하려는 문제는 다르지만 공통점이 있습니다. 현실 세계의 데이터를 그냥 AI가 분석하는 데서 끝나는게 아니라 이거를 사람이 실제로 행동을 할 수 있도록 연결을 해 준다는 거예요. 그리고 실제 행동의 결과를 다시 간측을 하면서 다음 판단에도 활용을 할 수가 있겠죠.

저는 바로이 부분이 앞으로 AI가 우리 현실 세계에서 활용되는 방식을 보여주는 아주 중요한 사례라고 생각을 합니다. 제가 이번 인터뷰에서 가장 인상적이었던 건 AI가 우리가 기존에는 알지 못했던 그런 새로운 선택지를 만들어 냈다는 점이에요. 근데 이게 비행기 엔진을 바꾼 것도 아니고 막 새로운 연료를 개발한 것도 아닙니다. 우리가 이미 가지고 있던 항공기랑 기상 데이터에다가 AI의 예측을 더해 가지고 비행운에 온난나 영향을 줄일 수 있는 그런 새로운 비행 경로를 찾아낸 거죠. 그리고 실제 항공편에 적용을 해보면서 얼마나 효과가 있는지도 검증을 하고 있고요. 저는 앞으로 AI가 만들어낼 변화 중에 상당수가 이런 모습일 수 있다고 생각을 해요. 그리고 다음에 파란 가을 하늘을 바라보다가 이제 하얀 비행운을 보게 된다면 저도 예전과는 조금 다른 생각을 하게 될 것 같습니다. 그 아름다운 하늘 뒤에도 우리가 아직 충분히 이해하지 못한 과학과 공학이 숨어 있고요. AI가 그 문제를 해결할 새로운 방법을 찾아가는 중이라는 거예요.

그럼 오늘은 여기까지 패치였습니다.