2026년 8월, Google DeepMind는 국제 학술지 《Nature》에 AI를 활용한 태풍 예보 연구 논문을 게재했다. AI 기반 태풍 예보가 기존 방식을 능가한다는 정량적 데이터가 함께 제시되었다. WeatherNext 모델의 3일 예보 정밀도는 기존 수치 모델의 2일 예보 수준에 도달했다. 다시 말해, 기상 예보관들이 24시간의 추가 경보 시간을 손에 쥐게 된 셈이다.
이러한 도약은 매우 주목할 만하다. DeepMind 자체 추산에 따르면 이는 기상학 전체의 10년 치 발전에 해당하는 성과다. 지난 50년간 열대 저기압은 전 세계적으로 70만 명 이상의 사망자와 1조 4천억 달러 규모의 경제적 피해를 가져왔다. 태풍, 허리케인, 사이클론 등 명칭은 다양하지만, 모두 바다에서 발생해 육지로 불어오는 거대한 회전성 폭풍을 뜻한다. 조기 경보 시간이 1시간 늘어날 때마다 더 많은 사람들이 안전하게 대피할 수 있다.
그림: WeatherNext가 예보한 허리케인 경로 및 강도 모식도. 동심원은 풍속 등급별 범위를 나타낸다. 출처: deepmind.google
기존 예보: 슈퍼컴퓨터 속의 물리학 수업
기존 방식의 작동 원리를 살펴보자. 100년 넘는 역사를 지닌 기상학은 슈퍼컴퓨터를 이용해 물리학 방정식을 계산하는 방식을 써왔다. 지구 대기를 촘촘한 격자로 나누고, 뉴턴 역학과 열역학 법칙에 따라 각 격점의 기온, 기압, 풍속을 단계별로 계산해 나가는 방식이다.
그러나 이 접근법은 느리고 비용이 많이 든다. 전 지구 모델은 격자가 거칠어 한 번 예보를 실행할 때 국가급 슈퍼컴퓨터를 오래 점유해야 하며, 태풍 구조를 명확히 보기 위해 해상도를 높이면 필요한 연산 비용이 기하급수적으로 증가한다. 더 큰 문제는 트레이드오프다. 태풍의 이동 경로는 수천 킬로미터 떨어진 대기 순환의 영향을 받으므로 거친 격자의 전 지구 모델이 유리하지만, 태풍의 강도는 태풍의 눈 근처 미세한 열역학 과정에 결정되므로 고해상도 모델이 필수적이다. 결국 기존 예보는 두 모델 사이에서 타협을 강요받아 왔다.
AI 예보: 40년의 기상을 학습한 「베테랑 예보관」
WeatherNext는 완전히 다른 길을 택했다. 물리 방정식을 직접 풀어내는 대신 과거 데이터에서 패턴을 학습하는 방식이다. 학습 데이터로는 약 20TB 분량의 전 지구 대기 재분석 자료와 함께 국제 열대 저기압 데이터베이스(IBTrACS)에 기록된 5,000여 개 과거 폭풍의 전체 기록이 활용되었다. AI가 지난 40년간 지구의 날씨 데이터를 처음부터 끝까지 읽으며 태풍의 발생, 경로 변경, 갑작스러운 강도 증가 패턴을 모델 파라미터에 학습시킨 셈이다.
예보 시에는 현재 기상 상태를 입력받아 1분도 채 되지 않는 시간에 향후 15일간의 예보를 출력한다. 요리에 비유하자면, 기존 예보는 매번 요리할 때마다 밀가루 무게를 재는 것부터 시작하는 반면, AI는 40년 치 레시피를 모두 외우고 있어 냉장고 내부를 한 번 보는 것만으로 어떤 요리를 만들지 즉시 판단하는 것과 같다.
그림: 5일 예보 기간 동안의 경로, 강도, 풍속 범위 오차 비교. 파란색 선이 WeatherNext로 전체 과정에서 가장 낮은 오차를 보이며 약 1일의 정밀도 우위를 나타낸다. 출처: deepmind.google
핵심 돌파구: 세 가지 숫자
하루의 추가 시간. 3일 예보 정밀도가 기존 2일 수준을 달성함에 따라 조기 경보 발령 시점을 24시간 앞당길 수 있게 되었다. 엔지니어링 관점에서 보자면, 해안가 주민에게 이 24시간은 창문을 보강하고 물자를 챙겨 대피할 수 있는 골든타임이며, 예보관에게는 최고 단계의 경보를 발령할 판단 근거가 된다.
오차 감소. 2023년부터 2025년까지 3년 평균 기준, 3일 예보의 경로 오차는 유럽중기예보센터(ECMWF) 앙상블 예보보다 약 100km 낮았고, 강도 오차는 허리케인 전용 모델보다 약 11노트(약 20km/h) 낮았다. 상륙 지점이 100km 차이 난다는 것은 전혀 다른 두 도시가 침수 피해를 입는다는 뜻이며, 풍속 11노트 차이는 건물이 풍압을 버텨낼 수 있는지 여부를 결정짓는다.
그림: 2023년부터 2025년까지 연도별 3일 예보 오차. 파란색이 WeatherNext로 경로 오차는 약 100km, 강도 오차는 약 11노트 낮다. 출처: deepmind.google
넓어진 앙상블 범위. 기존 운용 모델이 한 번에 수십 개의 가능성만 제시했던 것과 달리, WeatherNext는 올해 앙상블 멤버를 1,000개로 확대하여 「급격한 강도 증가(Rapid Intensification)」와 같은 저확률·고위험 시나리오를 효과적으로 커버한다. 급격한 강도 증가는 태풍 예보에서 가장 어려운 과제로 꼽히는데, 2025년 허리케인 멜리사(Melissa)의 급격한 강도 증가와 자메이카 상륙을 미리 예측해 미국 국립허리케인센터(NHC)가 조기 경보를 발령하는 근거가 되었다.
또한 과학자들을 놀라게 한 점은 WeatherNext가 기존 모델보다 100배 거친 28×28km 해상도 데이터를 사용함에도 더 높은 정밀도를 기록했다는 사실이다. 논문 저자들은 발표문에서 이러한 결과의 배경이 「여전히 해결되지 않은 과제」라고 솔직히 밝혔다. 거친 해상도로 충분하다면 연산 비용 장벽이 획기적으로 낮아져 예산이 부족한 소국 기상청도 최고 수준의 예보 시스템을 도입할 수 있게 된다.
한계점과 과제
기술 커뮤니티에서는 신중한 반응도 이어졌다. Hacker News 게시글에는 300점 이상의 추천과 100개 이상의 댓글이 달렸으며, 학습 데이터 내 극단적 기상 현상 샘플 부족에 대한 우려가 주요 논점으로 떠올랐다. 5,000개 폭풍 데이터가 많아 보이지만, 열대 저기압은 꼬리가 두꺼운(heavy-tailed) 분포를 보인다. 100년에 한 번 나올 법한 극단적 강도는 40년 데이터에 포함되지 않았을 수 있다. 비판 측은 AI가 경험해보지 못한 현상에 대해 자신 있게 잘못된 예측을 내놓을 위험을 지적하는 반면, 옹호 측은 기존 물리학 모델 역시 극단 현상 앞에서는 한계를 보이며 AI는 적어도 1,000개 앙상블을 통해 불확실성을 가시화해 준다고 반박한다.
설명 가능성(XAI)의 부재 역시 극복해야 할 과제다. 28km 해상도에서 정밀도가 높게 나오는 원인을 저자들조차 완벽히 설명하지 못한다. 기상학자들은 물리적 메커니즘으로 예보 근거를 설명하는 데 익숙하지만, 데이터 기반 AI는 이러한 물리적 설명을 직접 제공하지 못한다. 공개된 정보에 따르면 현재 주요 운용 방식은 AI와 기존 모델을 병행하여 교차 검증하는 형태이며, DeepMind 역시 최종 의사결정은 인간 예보관의 몫임을 강조하고 있다. DeepMind는 코드와 모델 가중치를 전면 공개했으며, 단일 TPU나 무료 Colab 노트북에서 실행 가능한 111km 해상도의 경량화 버전도 함께 제공하고 있다.
맺음말
이 데이터들 중에서 가장 무게감 있게 다가오는 것은 추가로 확보된 24시간이라는 시간이다. 태풍이 다가올 때 조기 경보 시간이 하루 더 주어지면 해안가 어촌 마을은 선박을 묶어두고 주민들을 안전한 곳으로 대피시킬 수 있는 소중한 시간을 얻게 된다.
100년 넘는 역사를 지닌 기상학은 AI에 의해 조용히 재편되고 있다. 현재까지의 진전이 가리키는 방향은 명확하다. 모든 이들이 폭풍의 접근을 조금이라도 더 일찍 알 수 있도록 돕는 것이다. AI가 경험해보지 못한 극단 기상 현상 앞에서 어떤 성과를 낼지는 시간이 증명해줄 문제이지만, 인간 예보관과 AI가 서로를 보완하며 협력하는 것이 가장 확실한 대응책이 될 것이다.
참고 링크:
- Google DeepMind: WeatherNext 허리케인 예보 돌파구
- HN 토론 (item?id=49220126)
