NASA와 IBM이 달 전체를 다시 읽는 AI를 만들었다…얼음까지 찾아내는 ‘달 전용 모델’

달을 찍은 사진 한 장을 설명하는 AI가 아닙니다. NASA와 IBM이 공개한 달 전용 모델은 여러 달 궤도선과 센서가 수집한 광학 이미지, 지형, 열, 레이더, 광물, 중력 데이터를 함께 읽도록 설계됐습니다. 연구자들이 이 모델을 내려받아 분화구나 화산 지형, 극지방 얼음 후보 지역을 직접 분석할 수 있다는 점에서 해외 과학·기술 매체의 관심을 받았습니다.

실제로 공개된 것은 무엇인가

NASA와 IBM은 2026년 9월 10일 ‘NASA-IBM Lunar Foundation Model’을 공개했습니다. 모델뿐 아니라 관련 데이터셋과 코드도 Hugging Face와 GitHub 등을 통해 공개됐습니다.

핵심 자료는 NASA의 달 정찰 궤도선(LRO) 관측 데이터입니다. NASA는 LRO가 약 17년 동안 달 표면 대부분을 자세히 관측했다고 설명합니다. 여기에 GRAIL, Lunar Prospector, 일본 JAXA의 SELENE·Kaguya 등 여러 임무 자료가 더해졌습니다.

NASA 발표 기준으로 사전학습에는 약 200만 개의 이미지 타일이 사용됐습니다. 고해상도 카메라 이미지 100만 개 이상과 약 100m 해상도의 다중분광 이미지 약 96만4,000개가 포함됩니다. IBM과 NASA는 4개 임무, 9개 장비에서 나온 자료를 바탕으로 30개 이상의 공간 정렬 데이터 레이어도 통합했다고 밝혔습니다.

AI가 달에서 찾는 것은 무엇인가

이 모델의 활용 분야는 특정 질문 하나에 한정되지 않습니다. 연구자가 목적에 맞게 추가 학습시키면 다음과 같은 분석에 사용할 수 있습니다.

• 기존 목록에 빠진 작거나 새로운 분화구 탐지
• 불규칙 마리아 패치와 같은 비교적 젊은 화산 지형 지도화
• 달 극지방에서 얼음이 존재하거나 안정적으로 보존될 가능성이 높은 지역 추정
• 경사, 지형, 열환경, 레이더, 광물학 자료를 결합한 표면 분석

특히 달 극지방은 햇빛이 거의 닿지 않는 영구 음영 지역이 있어 물 얼음이 보존됐을 가능성이 꾸준히 연구돼 왔습니다. 얼음이 실제로 확인된다면 식수나 산소, 추진제 생산과 관련된 미래 탐사 자원으로 고려될 수 있습니다.

다만 여기서 중요한 구분이 있습니다. 이 AI가 얼음을 직접 발견하거나 얼음 표본을 촬영하는 것은 아닙니다. 기존 관측 자료를 분석해 얼음이 있을 가능성이 높은 지역을 추정하는 도구입니다.

해외에서 화제가 된 이유

NASA와 IBM의 발표 이후 Space.com, Live Science, TechRadar 등 해외 과학·기술 매체가 모델의 공개 소식을 잇달아 소개했습니다. 보도에서 주로 주목한 부분은 세 가지였습니다.

첫째, 달을 대상으로 한 범용 기초모델이라는 점입니다. 지금까지 달 관측 자료는 임무와 센서별로 서로 다른 해상도·파장·형식으로 축적됐습니다. 이 자료를 같은 지역 기준으로 맞춰 비교하는 일은 연구자에게 상당한 작업이었습니다. 새 모델은 서로 다른 데이터를 하나의 분석 가능한 표현으로 통합하는 데 초점을 둡니다.

둘째, 오픈소스로 공개됐다는 점입니다. 연구자는 공개 모델을 바탕으로 자신이 가진 자료와 연구 목적에 맞게 미세조정할 수 있습니다. LoRA 같은 경량 미세조정 방식도 활용할 수 있도록 설계됐습니다.

셋째, 단순한 이미지 분류를 넘어 분화구와 화산 지형, 얼음 가능성까지 여러 과제를 다룬다는 점입니다. Reddit의 기술·우주 관련 커뮤니티에서도 공식 발표와 관련 보도가 공유됐지만, 이를 독립적인 대규모 성능 검증이나 전체 대중의 반응으로 해석할 근거는 확인되지 않았습니다.

성능 수치는 어떻게 봐야 할까

IBM과 NASA는 일부 과제에서 기준 모델보다 개선된 결과를 제시했습니다. 그러나 숫자를 그대로 ‘달 분석 정확도가 올랐다’고 해석하면 곤란합니다.

극지방 얼음 가능성 추정에서는 평균제곱근오차(RMSE)가 ImageNet으로 사전학습한 기준 모델보다 최대 22% 감소했습니다. 이는 특정 회귀 과제에서 오차가 줄었다는 뜻이지, 일반적인 의미의 정확도가 22% 상승했다는 의미는 아닙니다.

100m급 문맥 해상도의 분화구 탐지에서는 기준 모델 대비 약 19%의 성능 우위가 발표됐습니다. 반면 미터급 고해상도 분화구 탐지에서는 NASA-IBM 모델이 SwinV2-B와 사실상 비슷한 수준이었습니다. 모든 분화구를 압도적으로 더 잘 찾는 모델이라고 표현할 수는 없습니다.

불규칙 마리아 패치 분할에서도 기준 모델과 비슷하거나 소폭 앞선 결과가 나왔지만, 일부 예측에서 실제보다 넓은 영역을 잡아 거짓 양성이 늘어날 가능성이 논문에 언급됐습니다.

‘달 전체를 읽는다’는 표현의 실제 의미

온라인에서는 ‘AI가 달 전체를 실시간으로 읽는다’거나 ‘AI가 달에서 물을 발견했다’는 식으로 설명되기 쉽습니다. 하지만 사실과는 차이가 있습니다.

이 모델은 이미 축적된 궤도 관측 데이터를 분석합니다. 달 표면에서 작동하는 로봇도 아니고, 실시간으로 달을 감시하는 시스템도 아닙니다. 또한 모델이 달의 모든 데이터를 학습한 것도 아닙니다. 여러 임무와 센서의 대규모 자료를 사용했지만, 관측 범위와 해상도에는 한계가 있습니다.

공개 모델을 내려받을 수 있다는 점도 곧바로 누구나 달 지도를 완성할 수 있다는 뜻은 아닙니다. 대규모 컴퓨팅 자원과 원격탐사 자료를 해석하는 전문성이 필요합니다. 기술 논문 역시 모델이 정밀한 위도·경도나 고도를 완벽하게 복원하지 못할 수 있으며, 물리적 관측 장비와 정밀 측지 방법을 대체하지 않는다고 설명합니다.

사진처럼 보이는 이미지는 ‘얼음 사진’이 아니다

NASA와 IBM이 공개한 시각 자료에는 달 남극 인근의 얼음 가능성 지도가 포함돼 있습니다. 파란색에서 노란색 계열로 갈수록 모델이 계산한 얼음 존재 가능성 또는 안정성 예측값이 높게 표현되는 방식입니다.

따라서 이 이미지는 실제 얼음 표본 사진이나 얼음의 직접 관측 이미지가 아니라 AI 예측 지도입니다. 달 표면 사진과 예측 결과 시각화를 구분해야 하는 이유입니다.

NASA 자료에는 아인슈타인 분화구 주변의 LRO 관측 이미지 비교도 포함돼 있습니다. 기존 분화구와 새로운 충돌 흔적을 모델이 어떻게 표시하는지 보여주는 사례지만, 이 역시 AI가 달에서 실시간으로 사건을 감시했다는 의미는 아닙니다.

핵심 정리

NASA-IBM Lunar Foundation Model은 달 과학에 특화된 공개형 기초모델입니다. 여러 임무와 센서에서 얻은 달 관측 자료를 통합해 분화구, 화산 지형, 극지방 얼음 후보 지역 등을 분석할 수 있도록 설계됐습니다.

가장 정확한 표현은 ‘AI가 달에서 얼음을 발견했다’가 아니라 달의 기존 관측 자료를 이용해 얼음 가능성이 높은 지역을 추정하는 공개 연구 도구가 나왔다는 것입니다. 특정 착륙지를 이미 결정한 시스템도, 달 전체를 실시간으로 읽는 장비도 아닙니다.

그럼에도 연구자들이 같은 기반 모델을 내려받아 각자의 달 탐사 연구에 활용할 수 있다는 점은 분명한 변화입니다. 달 탐사 경쟁이 새로운 사진을 찍는 단계에서, 쌓여 있는 관측 데이터를 얼마나 빠르고 정교하게 해석하느냐의 단계로도 확장되고 있기 때문입니다.