2월의 서울 아침, 창밖을 보며 휴대폰의 미세먼지 수치가 올라가는 걸 지켜본다. 예보는 "내일 맑음"이라고 하지만, 요즘은 공식 기상청보다 AI 모델을 더 신뢰하게 됐다. 보통 그쪽이 맞으니까.

이건 이제 단순한 경험담이 아니다. 2023년 11월, Google DeepMind가 Science지에 발표한 논문에 따르면 GraphCast라는 머신러닝 모델이 유럽중기예보센터(ECMWF)를 테스트 변수의 90%에서 능가했다. 그것도 1,000배 빠르게.

50년간 축적된 수치 기상 예보 기술이, 과거 데이터로 훈련된 신경망에게 졌다.

물리학이 패턴에게 진 날

전통적인 날씨 예측은 물리학 문제다. 대기를 3차원 격자로 나누고, 유체역학과 열역학 법칙을 미분방정식으로 인코딩한 뒤, 슈퍼컴퓨터가 몇 시간 동안 계산하게 한다. ECMWF의 통합 예보 시스템(IFS)은 유럽에서 가장 강력한 슈퍼컴퓨터 중 하나에서 돌아가는데, 10일 예보를 만드는 데도 수 시간이 걸린다.

ECMWF IFS 실행 시간 (10일 예보):
격자 해상도: 9 km
계산 시간: ATOS 슈퍼컴퓨터에서 약 4시간
에너지 소비: 실행당 약 1,500 kWh

GraphCast 실행 시간 (10일 예보):
모델 크기: 3,700만 파라미터
계산 시간: TPU v4에서 1분 미만
에너지 소비: 실행당 약 0.5 kWh
정확도: IFS 대비 90% 목표치에서 우세

GraphCast는 방정식을 풀지 않는다. 40년치 ECMWF 재분석 데이터(ERA5)에서 패턴을 학습하고, 그래프 신경망을 훈련시켜 6시간 단위로 날씨가 어떻게 변화하는지 예측한다. 현재 상태를 입력하면, 몇 초 만에 10일을 앞으로 돌려버린다.

마법이 아니다—압축이다. 모델은 물리 기반 모델이 힘들게 계산하는 대기 역학의 지름길을 발견한 것이다.

그리고 GraphCast만 있는 게 아니다. Microsoft의 Aurora(2024년 1월 발표)는 날씨, 해양, 대기질, 위성 이미지 등 다중 모달 지구 관측 데이터로 훈련된 13억 파라미터 트랜스포머를 사용한다. Nvidia의 FourCastNet은 푸리에 기반 아키텍처로 비슷한 결과를 달성한다. Huawei의 Pangu-Weather는 어떤 운영 모델보다 열대 저기압 추적이 뛰어나다고 주장한다.

AI 우선 날씨 예측의 시대가 도래했다.

초고속 기후 시뮬레이션

날씨는 내일 일어나는 일이다. 기후는 수십 년에 걸쳐 일어나는 일이다. 그리고 전통적인 기후 모델은 느리다.

결합 모델 상호비교 프로젝트(CMIP) 시뮬레이션—IPCC 보고서의 기반—은 슈퍼컴퓨터에서 돌리는 데 몇 달이 걸린다. 각 시나리오(RCP 2.6, RCP 8.5 등)는 1850년부터 2100년까지 전체 지구 시스템을 재시뮬레이션해야 한다. 새로운 가설을 테스트하고 싶다고? 계산 시간을 위해 3개월을 기다려라.

AI가 게임을 바꾼다:

1. 에뮬레이션: 신경망을 훈련시켜 기후 모델의 출력을 근사한다. ClimateGPT(실제 이름은 아니지만 이해는 될 것이다)는 전통적인 GCM이 하나 돌리는 시간에 1,000개의 시나리오를 돌릴 수 있다.

2. 다운스케일링: 글로벌 모델은 약 100km 해상도로 돌아간다. AI는 거친 출력을 받아서 고해상도 지역 예보를 생성할 수 있다—도시 계획과 농업에 필수적이다.

3. 파라미터 발견: 구름 물리학에서 50개 이상의 파라미터를 수작업으로 튜닝하는 대신, AI가 관측 데이터에서 학습하게 한다.

실질적 영향? 2025년 9월, Lawrence Berkeley National Lab 연구진은 AI로 에뮬레이션된 기후 모델을 사용해 캘리포니아 전역의 태양광 패널 배치를 최적화했고, 48시간 만에 10,000개의 미래 기후 시나리오를 시뮬레이션했다. 전통적 방법이었다면 3년이 걸렸을 것이다.

전통적 기후 모델 (CESM2):
2020-2100 시뮬레이션 시간: 약 90일
테스트된 시나리오: 4개 (RCP 2.6, 4.5, 6.0, 8.5)

AI 에뮬레이션 모델:
2020-2100 시뮬레이션 시간: 약 2시간
테스트된 시나리오: 10,000개 이상 (Monte Carlo 샘플링)
원본 대비 정확도: 97% 상관관계

하지만 에뮬레이션에는 함정이 있다: 훈련 데이터만큼만 좋다. 만약 기후가 훈련 데이터가 본 적 없는 체제로 전환된다면(영구동토층 메탄 방출, AMOC 붕괴), AI는 환각을 보일 수 있다.

그래서 하이브리드 모델이 등장하고 있다—큰 그림은 물리학으로, 빠른 디테일은 AI로.

탄소 포집 최적화기

기후 모델링은 단순한 예측이 아니다—완화다. 그리고 AI는 탄소 포집 기술의 두뇌가 되고 있다.

직접 공기 포집(DAC) 플랜트—아이슬란드의 Climeworks Orca 시설 같은—는 화학 반응을 사용해 대기에서 CO₂를 끌어낸다. 문제는? 에너지를 엄청나게 먹는다. Orca는 연간 4,000톤의 CO₂를 포집하지만, 그러는 데 1,800 MWh의 재생 에너지를 소비한다.

AI가 돕는 방법:

• 흡착제 재료 최적화: 딥러닝 모델이 수백만 개의 MOF(금속-유기 골격) 후보를 스크리닝해서 더 나은 CO₂ 친화성과 낮은 재생 에너지를 가진 구조를 찾는다. 2024년, MIT 연구진은 GNN을 사용해 에너지 비용을 30% 절감하는 새로운 MOF를 발견했다.

• 공정 제어: 강화학습 에이전트가 온도, 압력, 유량을 실시간으로 조정해 포집 효율을 최대화한다. 초기 테스트에서 정적 제어 시스템 대비 15-20% 에너지 절감을 보였다.

• 현장 선택: 위성 데이터 + AI가 DAC 플랜트의 최적 위치를 식별한다—재생 에너지, 지질학적 저장소, 또는 산업용 CO₂ 사용자 근처에.

Carbon Engineering(현재 Occidental Petroleum이 지원)은 AI로 최적화된 DAC 플랜트가 2030년까지 톤당 100달러를 달성할 것이라고 주장하며, 이는 현재 600달러에서 내려간 것이다. 그게 직접 공기 포집이 대규모로 경제적으로 실행 가능한 임계값이다.

생각하는 그리드

재생 에너지는 간헐적이다. 태양광은 정오에 최고조에 달하고, 풍력은 예측 불가능하다. 그리드에서 공급과 수요의 균형을 맞추는 건 실시간 최적화 문제다—그리고 AI는 그런 걸 정말 잘한다.

Google의 DeepMind는 2016년부터 강화학습으로 자체 데이터센터 냉각을 최적화해서 에너지 사용을 40% 절감했다. 이제 그들은 같은 접근법을 그리드 관리에 적용하고 있다.

2025년, National Grid ESO(영국)는 48시간 전에 풍력과 태양광 출력을 95% 정확도로 예측하는 AI 시스템을 배포했고, 운영자가 백업 발전을 더 효율적으로 스케줄링할 수 있게 했다. 결과? 화석 연료 대기 용량 12% 감소.

영국 그리드 AI 영향 (2025):
풍력/태양광 예측 정확도: 95% (48시간 전)
화석 연료 대기 감소: 12%
배터리 저장 활용도: +30%
추정 CO₂ 절감: 연간 210만 톤

한국에서는 한국전력공사가 AI 기반 수요 반응 시스템을 시범 운영 중이며, 재생 에너지 발전이 많을 때 소비자가 사용을 전환하도록 유도한다—태양광이 풍부할 때 식기세척기를 돌리고, 풍력이 떨어지면 전기차 충전을 일시 정지한다. 초기 결과는 8% 부하 곡선 평활화를 보여주며, 이는 500MW 가스 발전소 하나를 피하는 것과 동등하다.

미래의 그리드는 단순히 스마트한 게 아니다—예측적이다.

하늘의 눈

위성은 거짓말하지 않는다. 그리고 궤도 이미지와 AI를 결합하면, 전례 없는 규모로 기후를 모니터링할 수 있다.

산림 파괴 추적: Rainforest Connection은 음향 센서 + AI를 사용해 실시간으로 불법 벌목을 탐지한다. 하지만 위성 AI는 더 나아간다. Planet Labs의 Forest Carbon Diligence 제품은 매일 위성 이미지 + 컴퓨터 비전을 사용해 지구상의 모든 숲을 모니터링하고, 1헥타르 해상도까지 탄소 저장량 변화를 측정한다.

배출 모니터링: Climate TRACE(Al Gore 지원)는 AI를 사용해 위성 데이터, 발전소 열 서명, 선박 교통, 산업 활동을 분석해 지구상의 모든 주요 배출원에 대한 CO₂ 배출량을 추정한다. 탄소판 GDPR 같은 거다—급진적 투명성.

2025년, Climate TRACE는 동남아시아의 한 주요 석유화학 공장이 배출량을 40% 과소 보고한 걸 잡아냈다. 그 회사의 주가는 일주일 만에 12% 떨어졌다.

메탄 누출: MethaneSAT(EDF가 2024년 발사)는 석유/가스 인프라에서 메탄 플룸을 감지한다. AI가 초분광 데이터를 처리해서 시간당 50kg 이하의 누출을 정확히 지적한다. 기업들은 알림을 받는다—고치거나 공개적 폭로를 당하거나.

Microsoft의 Planetary Computer는 20페타바이트 이상의 지구 관측 데이터(Sentinel, Landsat, MODIS)를 집계하고 연구자들에게 AI 준비 API를 제공한다. 2000년 이후 빙하 후퇴를 측정하고 싶다고? 사전 훈련된 모델이 있다.

역설: AI의 탄소 발자국

불편한 진실이 있다: AI는 기후변화를 해결하면서 동시에 기여하고 있다.

하나의 대형 언어 모델(GPT-3 규모)을 훈련하는 데 약 552톤의 CO₂가 배출된다고 추정된다—자동차 5대의 평생 배출량 정도다. 대규모로 추론을 실행하면 빠르게 쌓인다. OpenAI의 인프라는 2023년에 연간 50-100 GWh를 소비한 것으로 추정되며, 이는 미국 가정 5,000-10,000채의 에너지 사용량과 대략 같다.

AI 탄소 발자국 추정치 (2025):
GPT-4 급 모델 훈련: 약 500-1,000톤 CO₂
ChatGPT 1년 운영: 약 10,000톤 CO₂
글로벌 데이터센터 배출: 전 세계 총 배출량의 2.5%
(참고: 항공업계도 비교를 위해 약 2.5%)

데이터센터는 이제 상업 항공보다 더 많은 CO₂를 배출한다. 그리고 AI 컴퓨팅이 6개월마다 두 배가 되면서(OpenAI의 2018년 분석), 그 숫자는 가속화되고 있다.

업계의 대응:

1. 효율성: Google의 TPU v5는 v4 대비 와트당 2.5배의 성능을 제공한다. Nvidia의 H100 GPU는 고급 냉각과 전력 관리를 사용한다.

2. 재생 에너지: Microsoft는 2025년까지 100% 재생 전력을 약속했다. Google은 탄소 중립 데이터센터를 주장한다.

3. 탄소 상쇄: 많은 AI 기업이 상쇄를 구매하지만, 품질은 천차만별이다.

4. 모델 최적화: Mistral 7B 같은 더 작고 증류된 모델은 GPT-4 능력의 80%를 컴퓨팅 비용의 1%로 제공한다.

하지만 여기 핵심이 있다: 기후 솔루션을 최적화하는 AI 모델 자체가 에너지 집약적이다. 경주다—AI가 AI 인프라가 기여하는 것보다 더 빠르게 기후 문제를 해결할 수 있을까?

다음은 무엇인가

5년 전, AI 날씨 예측은 호기심의 대상이었다. 오늘날, 그것은 운영 중이다. 영국 기상청은 GraphCast 스타일 모델을 프로덕션 예보에 통합하고 있다. NOAA는 허리케인 강도 예측을 위해 AI를 평가하고 있다. 한국 기상청은 하이브리드 물리-AI 태풍 모델을 테스트하고 있다.

궤적은 명확하다:

• 2026-2027: AI 날씨 모델이 전통적인 물리 모델과 함께 운영 예보의 표준이 된다.
• 2028-2030: 최초의 AI 에뮬레이션 기후 모델이 IPCC AR7 시나리오에 기여한다.
• 2030+: 완전히 통합된 지구 시스템 디지털 트윈—대기, 해양, 육지, 얼음의 실시간 시뮬레이션—이 오늘날의 슈퍼컴퓨터보다 1,000배 빠르게 실행된다.

기후 위기는 시간과의 경주다. AI는 우리에게 속도를 사주고 있다—더 빠른 예측, 더 빠른 시뮬레이션, 더 빠른 최적화. 하지만 에너지 비용도 들고 있다.

역설은 저절로 해결되지 않는다. 기후 모델을 구축하는 모든 AI 연구자는 또한 물어봐야 한다: 이 모델의 탄소 비용은 가치가 있는가? 때로는 대답이 예다—기후 시뮬레이션에서 1,000배의 속도 향상은 훈련 비용을 정당화한다. 때로는 아니오다—우리는 정말로 또 다른 챗봇이 필요한가?

우리는 50년 동안 물리 기반 기후 모델을 구축해왔다. 이제 우리는 신경망으로 그것들을 재구축하고 있으며, 더 빠르고, 더 저렴하고, 종종 더 낫다. 하지만 공짜가 아니다. 에너지 청구서는 실재하며, 증가하고 있다.

질문은 AI가 기후변화 해결을 도울 것인지가 아니다. 비용이 이익을 초과하기 전에 AI 자체를 지속가능하게 만들 수 있는지다.

내일 날씨는 맑을 것 같다. 하지만 AI의 탄소 발자국 예보는? 아직 불확실하다.

이 글은 Frontier Tech 2026 시리즈의 13번째 포스트입니다. 다음: 신약 개발의 AI—AlphaFold 3와 생성 화학이 수십 년의 제약 R&D를 몇 달로 압축하는 방법.