24시간 만에 시속 290km로 돌변: 하룻밤 사이에 빗나간 AI 예보
2026년 9월 21일, 멕시코 태평양 연안 주민들은 기상 경보 알림을 받았다. 당초 일반적인 열대성 폭풍(바닷물 증발로 형성되는 저기압 회전 저기압계)으로 예상되었던 허리케인 폴로(Polo)가 연안 근해에서 급격한 변화를 일으켰다. 중심 최대 풍속이 불과 24시간 만에 시속 290km(초속 약 80m)까지 치솟은 것이다.
이 풍속은 최고 속도로 달리는 고속열차를 하늘 위에 그대로 옮겨놓은 것과 맞먹는다. 폭풍은 여러 등급을 단숨에 뛰어넘으며 최고 수준인 5등급(카테고리 5) 허리케인으로 급속히 팽창했다. 지난 수십 년 동안 태평양에서 관측된 폭풍 중에서도 손꼽히는 강력한 세력이었다.
많은 이들은 일기예보가 이미 완성도 높은 인공지능(AI) 시대에 접어들었다고 여겼다. 최근 몇 달간 구글 딥마인드(Google DeepMind) 등이 개발한 기상 모델은 태풍과 허리케인의 경로 예측에서 연달아 신기록을 세우며 며칠 앞서 상륙 지점을 정확히 짚어냈다. 하지만 폴로가 눈앞에서 폭발적으로 강해지는 동안, 첨단 AI 모델들은 일제히 침묵하며 사전에 강도 경보를 발령하지 못했다. 이러한 예측 실패는 드문 일이 아니다. 2018년 미국 플로리다를 강타한 허리케인 마이클(Michael) 역시 상륙 직전 급격히 세력을 키워 해안가 주민들이 대피할 시간을 거의 갖지 못했다.
대양 한가운데의 관측 공백: 미세 물리 구조를 보지 못하는 AI
AI는 왜 폭풍의 이동 경로는 정확히 짚어내면서 강도 예측 앞에서는 속수무책일까? 그 핵심은 예측하려는 물리 현상의 공간 규모 차이에 있다.
허리케인의 경로는 수천 킬로미터에 걸친 거대한 대기 순환에 의해 결정된다. 이는 마치 거대한 강물이 작은 배를 밀어 보내는 것과 같아서, 기상위성이 거시적인 기류 흐름을 쉽게 파악할 수 있다. 반면 허리케인의 강도는 태풍의 눈 주변 수십 킬로미터 이내의 미세 구조, 특히 눈벽 구름 깊은 곳에서 일어나는 격렬한 대류와 열 교환에 의해 좌우된다.
인류의 지상 기상 관측소, 기상 레이더, 해양 부표는 대부분 해안선 부근에 집중되어 있다. 허리케인이 가장 결정적으로 발달하는 과정은 탁 트인 대양 한가운데에서 일어나지만, 그곳의 실제 관측 데이터는 극히 드물다. 최첨단 기상위성을 동원하더라도 시야각과 관측 주기의 한계로 인해 지구상의 모든 허리케인 내부 삼차원 구조를 실시간으로 완전히 꿰뚫어 볼 수는 없다.
유체역학과 열역학 방정식에 기반한 수치 물리 모델로 생성한 시뮬레이션 데이터를 활용하더라도 한계는 여전하다. 수치 계산 과정에는 불가피한 근사 처리와 매개변수화가 포함되어 있어 미세한 물리적 세부 사항이 유실된다. 고해상도 삼차원 관측 데이터셋이 결핍된 현재 상황에서 AI로 허리케인 강도를 예측하는 것은 장님이 코끼리를 만지는 것과 다름없다.
그림: 위성 관측 데이터를 기반으로 작성된 2016년 허리케인 매튜의 강도 프로파일. 출처: The Conversation / NASA Scientific Visualization Studio
대기를 뒤흔드는 나비의 날갯짓: 허리케인 세력 변화에 내재된 카오스
데이터 부족뿐만 아니라 물리적 한계 그 자체가 머신러닝의 앞길을 가로막고 있다. 미국 매사추세츠 공과대학교(MIT)의 케리 이매뉴얼 교수는 일찍이 ‘잠재 강도(potential intensity)’ 이론을 제시했다. 해수면 온도가 특정 대기 환경에서 폭풍이 도달할 수 있는 이론적 상한 풍속을 결정한다는 이론이다. 하지만 폭풍이 실제로 그 상한선에 도달할 수 있을지는 내부의 복잡하고 비선형적인 동역학에 달려 있다.
미국 인디애나 대학교의 찬 키우(Chanh Kieu) 교수 연구팀에 따르면, 허리케인의 강도 변화 과정에는 본질적으로 제거할 수 없는 카오스(혼돈) 특성이 내재되어 있다. 이는 산꼭대기에서 눈뭉치를 굴리는 것과 같다. 시작 지점이 불과 1밀리미터만 어긋나도 산 밑에 도달했을 때는 수백 미터의 오차가 발생한다.
최근 연구들은 허리케인 강도의 요동이 ‘카오스 어트랙터(chaotic attractor, 계의 상태가 무수한 궤적 사이를 불규칙하게 방황하면서도 일정한 경계를 벗어나지 않는 기하학적 형태)’ 내부에서 발생한다는 사실을 밝혀냈다. 대기의 미세한 관측 오차는 시간이 지남에 따라 기하급수적으로 증폭된다. 미래에 전 세계 폭풍의 모든 물리적 상태를 매초 단위로 완벽하게 측정할 수 있게 되더라도, 며칠 뒤의 풍속을 단일 수치로 정확하게 예보하는 것은 물리적으로 불가능하다.
그림: 컴퓨터 시뮬레이션 결과, 예보 시간이 늘어날수록 폭풍 강도에 대한 모델 간 편차가 급격히 벌어짐을 보여준다. 출처: The Conversation / Chanh Kieu
오차 최소화가 극단값을 지워버린다: 기계학습의 근본적 딜레마
현재 대다수 기계학습 모델은 ‘예측 오차 최소화’를 핵심 학습 목표로 삼고 있다. 그러나 고도의 카오스적 데이터에 직면했을 때, 알고리즘은 오차에 따른 큰 페널티를 피하고자 극단적인 값을 버리고 완만한 평균값을 출력하는 쪽을 택한다.
여기서 필연적인 내적 모순이 발생한다. 알고리즘이 평균 오차를 극단적으로 낮추려 하면, 드물지만 치명적인 돌발 풍속 급증 현상을 매끄럽게 지워버리게 된다. 반대로 알고리즘이 격렬한 카오스적 진폭을 포착하도록 학습시키면 단일 예측의 오차를 한없이 줄일 수 없게 된다. 상충하는 이 두 목표가 현재 기상 AI 모델의 구조적 병목을 이루고 있다.
그림: 2017년 허리케인 어마(Irma)의 위성 영상. 출처: NASA
단일 수치 예보와의 작별: 확률론적 분포로 폭풍을 맞이하다
폭발적으로 발달하는 허리케인 앞에서 AI가 겪은 실패는 현재의 기상 AI가 물리 모델을 완전히 대체할 수 없음을 명확히 보여준다. 기계학습은 과거 데이터의 상관관계에 의존하지만, 대기의 미시적 거동에는 제거할 수 없는 카오스 요소가 깃들어 있다. 순수 데이터 기반 모델은 여기서 넘을 수 없는 물리 법칙의 벽을 마주한다.
변덕스러운 기상 환경 속에서 일기예보는 단 하나의 확정적인 숫자를 제시하는 방식에서 벗어나 앙상블 확률 분포를 제공하는 방향으로 진화하고 있다. 허리케인 경보를 확인할 때 예보 풍속이 시속 150km인지 200km인지 단일 수치에만 매달릴 필요는 없다. 폭풍이 급격히 발달할 위험 확률 자체에 주목하는 것이야말로 거대한 자연재해에 맞서는 가장 합리적인 대응 방식이다.
참고 링크:
- The Conversation 보도
