열대성 저기압, 즉 허리케인과 태풍은 지구에서 가장 파괴적인 기상 현상 중 하나다. 지난 50년간 전 세계에서 70만 명이 넘는 사망자와 1조 4천억 달러의 경제적 손실을 낳았다. 예보관에게 이런 폭풍의 진로와 세기를 정확히, 그리고 빠르게 알리는 일은 늘 시간과의 싸움이었다. 구글 딥마인드와 구글 리서치가 개발한 AI 모델 WeatherNext가 이 싸움에서 의미 있는 진전을 만들었고, 그 결과가 최근 네이처에 논문으로 실렸다.
핵심 성과는 '하루의 여유'다. 딥마인드에 따르면 WeatherNext의 3일 예보가 기존 모델의 2일 예보와 맞먹는 정확도를 보였다. 다시 말해 진로, 강도, 바람 구조 예측에서 평균 하루(24시간) 이상의 선행 시간을 확보했다는 것이다. 딥마인드는 이 개선 폭이 지난 20년간의 기상학 발전 추세에 비추어 약 10년치 진보에 해당한다고 설명한다. 평가는 2023~2024년 실제 사이클론 사례를 대상으로 다른 최상위 기상 모델들과 비교하는 방식으로 이뤄졌다.
두 개의 모델을 하나로 합치다
기술적으로 주목할 부분은 그동안 사이클론 예보가 안고 있던 구조적 트레이드오프를 하나의 모델로 풀었다는 점이다. 폭풍이 '어디로 가는가'(진로)는 거대한 전 지구적 대기 흐름에 좌우되어 상대적으로 해상도가 낮은 전역 모델이 잘 다뤄왔다. 반면 폭풍이 '얼마나 강해지는가'(강도)는 중심부 주변의 국지적이고 미세한 열역학 과정에 달려 있어, 고해상도의 특화된 국지 모델이 필요했다. 예보관들은 서로 다른 두 종류의 모델을 병행해야 했던 셈이다. WeatherNext는 진로·강도·바람 구조를 하나의 AI 모델로 함께 예측하며 이 간극을 메운다.
이런 성능은 훈련 데이터와 방식에서 나온다. 모델은 전 지구 대기 역학 데이터와 전문가가 정리한 과거 사이클론 관측이라는 두 종류의 데이터로 함께 학습됐다. 약 20테라바이트에 이르는 전 지구 대기 데이터와 5,000건에 가까운 과거 폭풍을 담은 IBTrACS 데이터베이스를 종단간(end-to-end)으로 학습해, 복잡한 대기 패턴과 극한 기상의 전개 방식을 익혔다.
앙상블 1,000개와 낮은 해상도의 역설
WeatherNext는 Functional Generative Networks(FGN)를 이용해 서로 다른 예측의 앙상블을 만들어 날씨에 내재한 불확실성을 포착한다. TPU 한 대에서 15일 예보 하나를 1분 이내에 생성할 수 있어, 예보관이 파국적 꼬리 위험의 확률 분포를 빠르게 검토할 수 있다. 지난해에는 전 지구 물리 모델과 같은 수준인 50개 예측을 동시에 생성했지만, 올해는 앙상블 규모를 1,000개로 키웠다. 이는 2025년 허리케인 멜리사에서 나타난 급격한 강화 같은 드물지만 치명적인 시나리오까지 담아내기 위한 것이다.
흥미로운 대목은 해상도다. 지금까지 정확한 강도 예보의 핵심 동인은 매우 높은 공간 해상도로 여겨졌다. 그런데 WeatherNext Cyclones는 28×28km 해상도의 데이터만으로 작동하며, 이는 전통적 모델보다 100배 거친 수준이다. 111×111km의 더 거친 해상도에서 도는 소형 버전 WeatherNext 2-mini도 좋은 성능을 보였다. 딥마인드는 이런 낮은 해상도에서 어떻게 이렇게 정확한 예측이 나오는지는 아직 완전히 규명되지 않은 열린 연구 질문이라고 스스로 밝힌다.
실무자에게 남는 의미와 한계
실제 효과도 이미 확인됐다. 2025년 허리케인 시즌에 이 모델은 미국 국립허리케인센터(NHC)가 허리케인 멜리사의 급격한 강화와 자메이카 상륙을 예측하도록 도왔고, NHC는 이를 바탕으로 사전 경보를 발령해 현장에 대비 시간을 벌어줬다. 딥마인드는 허리케인 시즌에 사용한 WeatherNext 2와 WeatherNext Cyclones 모델의 코드와 가중치를 오픈소스로 공개했으며, TPU 한 대와 무료 Colab에서 돌릴 수 있는 경량 버전 WeatherNext 2-mini도 함께 내놨다. 개발사는 이를 협업 성과로 규정하며 NHC, CIRA, 영국 기상청 등의 참여를 언급한다.
한국 IT·데이터 실무자 입장에서 이 발표가 가지는 함의는 두 가지다. 하나는 오픈소스로 공개된 모델 위에서 지역 특화 예보나 재생에너지 발전량 예측 같은 응용을 직접 실험해볼 수 있게 됐다는 점이다. 다른 하나는 고해상도가 곧 정확도라는 통념이 흔들렸다는 것으로, 도메인 특화 AI에서 데이터 규모와 학습 방식이 해상도 못지않게 중요할 수 있음을 시사한다. 다만 딥마인드 스스로 인정하듯 성능의 작동 원리가 완전히 설명되지 않은 상태이고, 운영 예보와 경보는 여전히 각국 기상 당국의 공식 발표를 따라야 한다는 단서가 붙는다. 자동화된 예측을 의사결정에 통합하려는 조직이라면 이 불확실성과 인간 예보관의 역할을 함께 설계에 반영해야 한다.