14 10월 2023

[천체물리 – 우주(과학)] 시속 63만㎞ 신기록…탐사선 파커, 태양을 터치하다 [아하! 우주]

[천체물리 – 우주(과학)] 시속 63만㎞ 신기록…탐사선 파커, 태양을 터치하다 [아하! 우주]

시속 63만㎞ 신기록…탐사선 파커, 태양을 터치하다 [아하! 우주]

입력
[서울신문 나우뉴스]

태양을 탐사하는 파커 솔라 프로브(Parker Solar Probe)의 그래픽 이미지.미 항공우주국(NASA)의 태양탐사선 ‘파커 솔라 프로브’(Parker Solar Probe·이하 PSP)가 인류의 피조물 중 가장 빠른 우주선 기록과 태양에 최근접하는 기록을 동시에 세웠다.

최근 NASA 측은 지난달 27일(미 현지시간) PSP가 17번째 태양 근접비행을 수행하면서 태양 표면 기준 약 726만㎞까지 최근접했다고 밝혔다. 또한 이날 PSP는 시속 63만 5266㎞의 속도를 내 역대 최고 기록도 경신했다. 이 정도면 소총 총알의 약 200배 속도로 현재 8시간 가량 걸리는 뉴욕에서 런던을 약 31초 만에 갈 수 있다.

미 존스홉킨스 응용물리학 연구소 마이클 버클리 연구원은 “PSP가 건강한 상태로 태양에 최근접했다”면서 “모든 시스템이 정상적으로 잘 작동하고 있다”고 밝혔다.

한가지 더 놀라운 점은 PSP의 기록 경신이 이번이 끝이 아니라는 사실이다. 오는 2024년과 2025년으로 예정된 마지막 3번의 근접비행에서 PSP는 최고 시속 69만 2000㎞의 속도로 태양에 616만㎞까지 접근할 예정이기 때문이다.

파커 솔라 프로브의 17번째 근접비행을 보여주는 그래픽 이미지. 출처=NASA/Johns Hopkins APL/Steve Gribben이처럼 PSP가 엄청난 속도를 내며 태양 궤도를 선회하는 이유는 태양의 가공할 중력을 버티기 위해서다. 이를 위해서는 인류의 힘 만이 아닌 ‘우주의 도움’도 필요하다. 바로 중력도움으로 불리는 플라이바이(fly-by)인데 행성궤도를 근접통과하면서 행성의 중력을 훔쳐 가속을 얻는 방법이다. PSP가 중력도움을 얻는 대상은 금성이다. PSP는 여러차례에 걸친 금성 중력 도움을 받으면서 태양 궤도를 차츰 좁혀나갈 계획이다.

한편 지난 2018년 8월 12일 발사된 PSP는 총 24차례 태양 근접비행을 수행할 예정으로 미션 이름도 ‘태양을 터치하라!‘(Touch the Sun)이다. 특히 PSP는 태양에 매우 가까이 다가가기 때문에 강력한 열에너지에서 탐사선을 보호할 수 있는 두꺼운 쉴드를 가지고 있다. 다만 오랜시간 복사열을 견디지 못하기 때문에 긴 타원궤도를 돌면서 금성과 태양 주변을 부지런히 오가고 있다.

태양을 탐사하는 파커 솔라 프로브(Parker Solar Probe)의 그래픽 이미지PSP의 임무는 그간 베일에 쌓여왔던 수많은 태양의 비밀을 푸는 것이다. 대표적으로 태양 대기인 코로나가 태양 표면 온도보다 수백 배 더 높은 이유와 태양풍의 비밀이다. 태양은 ‘태양 플라스마’라 불리는 태양풍을 내뿜는데 당연히 지구를 포함한 태양계 천체는 이 영향을 받는다. 특히 태양풍은 어떨 때는 엄청난 에너지를 뿜어내는데 이 경우 GPS 등 통신 시설이 마비되는 등 지구에 커다란 영향을 미친다.

 

[출처] https://n.news.naver.com/mnews/hotissue/article/081/0003400224?type=series&cid=1017777

Loading

14 10월 2023

[사회과학] [박진영의 사회심리학] 부정적 생각을 ‘생각’할 줄 알아야 한다

[사회과학] [박진영의 사회심리학] 부정적 생각을 ‘생각’할 줄 알아야 한다

[박진영의 사회심리학] 부정적 생각을 ‘생각’할 줄 알아야 한다

입력

감정에 먹히지 않되 그것의 메시지를 알아차리는 것이 중요하다. 게티이미지뱅크 제공

생각에 대해 생각할 줄 아는 사람들이 그렇지 않은 사람들에 비해 부정적 정서를 잘 이겨낸다는 발견들이 있었다. 예를 들어 슬프고 우울한 기분이 들 때 밑도 끝도 없이 우울하다고 하기보다 “오늘따라 사소한 실수에도 크게 속이 상하고 실패자가 된 느낌이 드는데 왜 그럴까. 아마 며칠 동안 스트레스가 심해서 그런 거 같다”처럼 자신의 마음 상태를 분석적으로 생각할 수 있는 사람들이 그렇지 않은 사람들에 비해 우울감을 잘 이겨내는 경향을 보인다.

많은 경우 우리의 감정이나 생각은 현실을 있는 그대로 반영하기보다 다양한 상황적 요소들에 의해 들쑥날쑥하기 마련이다. 보통이라면 전혀 짜증나지 않았을 만한 일이 몸과 마음이 지쳐있을 때면 버럭 화가 날 만한 일이 되는 것이 단적인 사례다.

우리의 판단력이라는 것도 이렇게 평소보다 감정이 격해질만한 상황에 놓였을 때는 그다지 신뢰할 만하지 못하다. 배가 심하게 고플 때 장을 보면 평소보다 훨씬 많이 사게 되고 화가 났을 때는 세상 사람들이 나의 적인 것처럼 보인다. 화장실 가기 전과 갔다 온 후가 완전히 다르다는 말처럼, 감정적으로 머리가 뜨거울 만한(hot state) 상황에서는 우리의 감정도 이성도 제대로 작동하지 않는 경우가 많다.

그래서 잔뜩 화가 났거나 한 밤 중에 갑자기 존재론적 고독감이 몰려왔을 때 중요한 결정을 하지 말라는 조언들을 한다. 홧김에 사표를 내는 것이나 새벽에 갑자기 전 애인에게 문자를 보내는 행위는 대체로 다음 날 큰 후회를 불러오곤 하기 때문이다.

나의 경우 우울함이 몰려오는 새벽이면 인터넷으로 충동구매를 하고 그 다음 날이면 정신이 들면서 부랴부랴 구매를 취소하는 일을 겪곤 함을 고백한다.

“마음의 소리”를 따르라고들 하지만 그래도 될 때가 있는 반면 그러면 안 되는 때가 있다는 것이다. 하지만 보통 마음의 소리를 따르면 안 될 때일수록 마음의 소리가 유난히 시끄럽기 때문에 지금이야말로 마음의 소리를 따라야 할 것 같은 확신이 든다는 게 문제다. 이런 점에서 더더욱 내 마음에 대해 따지고 분석할 줄 아는 능력이 중요하다.

나의 경우 만성 통증이 올라오면 우울해지는 경향이 있다. 바로 어제도 통증을 감지하고 한창 우울감에 빠져 있었다. 어느새 스스로에게 이렇게 사는게 도대체 무슨 의미가 있는지 의문을 던지고 있는 나를 발견했다. 이럴 때면 모든 일을 그만 두고 아무도 모르는 곳으로 훌쩍 사라져버리고 싶다는 생각을 하게 된다.

그러던 중 문득 신체적 통증과 이에 대한 감정 반응(짜증, 슬픔 등)은 별개임을 떠올리고 이런 감정들이 나타난 경위에 대해 생각해보기 시작했다. 내 마음이 계속해서 나에게 ‘정말 싫다. 우울하다. 짜증난다.’ 같은 말을 하고 있는 것을 발견했다.

물론 지금의 삶이 별로 의미 없는 것 같다는 느낌을 사실로 받아들일 수도 있지만, 우선 이건 어디까지나 나의 감정이고 생각임을 떠올려 보았다. ‘나는 지금 이렇게는 살고 싶지 않다는 생각을 하고 있다. 나는 지금 내 마음이 나에게 이렇게 살기 싫다고 이야기하고 있음을 인식하고 있다.’ 하고 목소리를 내어 스스로에게 이야기해 보았다.

별 것 아닌 행동이지만 목소리를 내어 이야기해 보니 나를 계속해서 괴롭히던 것의 정체는 나의 생각임이 분명해지는 듯한 기분이 들었다. 내가 만들어 낸 생각과 현실을 조금 구분할 수 있을 것 같았다. 그 기저에는 통증에 대해 내가 할 수 있는 것이 없고 앞으로도 영원히 아플 거라는 다소 비합리적인 신념이 있다는 점도 발견할 수 있었다.

꾸준히 치료를 받는 것이 분명 도움이 되고 전반적인 건강 관리를 잘 하면 좋아진다는 것도 경험을 통해 분명히 알고 있다. 하지만 우울감에 깊이 빠져 있을 때면 마치 마음에 검은 장막이 드리워지듯 긍정적이었던 경험들이 묻혀 하나도 떠오르지 않게 된다. 결국 우울할 때면 가장 안 좋았던 경험과 가장 안 좋은 상상만 선택해서 떠올리는 것이 큰 문제임을 알 수 있었다.

떠오르는 감정을 억누르는 것은 별로 좋지 않지만 감정에 대해 따져보는 시도는 중요한 것 같다. 부정적 감정의 존재 이유는 어디까지나 우리가 안전하고 행복하게 살아갈 수 있도록 잠재적인 위험 요소에 주의를 주게끔 만드는 것이다.

따라서 어디까지나 감정에 먹히지 않되 그것의 메시지를 알아차리는 것이 중요하다. 그렇지 않으면 지나치게 주의를 빼앗겨 현실적인 문제 해결과는 동떨어진 길을 가게 될 수 있음을 기억하자.

Hargus, E., Crane, C., Barnhofer, T., & Williams, J. M. G. (2010). Effects of mindfulness on meta-awareness and specificity of describing prodromal symptoms in suicidal depression.Emotion, 10(1), 34–42. https://doi.org/10.1037/a0016825

※필자소개
박진영. 《나, 지금 이대로 괜찮은 사람》, 《나를 사랑하지 않는 나에게》를 썼다. 삶에 도움이 되는 심리학 연구를 알기 쉽고 공감 가도록 풀어낸 책을 통해 독자와 꾸준히 소통하고 있다. 온라인에서 ‘지뇽뇽’이라는 필명으로 활동하고 있다. 현재 미국 듀크대에서 사회심리학 박사 과정을 밟고 있다

[출처] https://n.news.naver.com/article/584/0000024579?ntype=RANKING

Loading

12 10월 2023

[인공지능 기술] WebGPU powered machine learning in the browser with Apache TVM : Apache TVM을 사용하여 브라우저에서 WebGPU 기반 기계 학습

[인공지능 기술] WebGPU powered machine learning in the browser with Apache TVM : Apache TVM을 사용하여 브라우저에서 WebGPU 기반 기계 학습

By Tianqi Chen, Jared Roesch, and Jason Knight

TL;DR

Easy ML deployment in the browser with near-native GPU performance and WebAssembly

We introduced support for WASM and WebGPU backends to the Apache TVM deep learning compiler Our initial experiments shows that TVM’s WebGPU backend can get close to native GPU performance when deploying models in the browser.

Introduction — faster browser applications

WebGPU and WebAssembly are two up-and-coming browser standards aimed at making browser based applications as efficient as native applications while retaining hardware portability. WebGPU first builds on top of the lower level graphics API movements to enable more full featured GPU accelerated compute capabilities as compared to its predecessor WebGL, and WebAssembly (WASM) is a similar effort for unlocking CPU based compute capabilities. And best of all, WASM is most likely already enabled in the browser you’re reading this in, with WebGPU coming soon.

For some of the exciting capabilities and use cases behind WASM particularly, please check out Lin Clark’s excellent WASM “skill tree”

WASM’s post MVP skill tree

Leveraging more of these WASM capabilities such as SIMD support and multi-threading as they mature is an exciting area of future work, but let’s see how far we can get with WASM and WASI (standard interfaces) to feed WebGPU compute shaders.

Machine learning in the browser

While efforts like TensorFlow.js and ONNX.js attempt to bring machine learning to the browser, there still exist non-trivial gaps in performance between the web versions and native ones. One of the many reasons behind these gaps are the lack of standard and performant access to the GPU on the web. WebGL lacks important features such as compute shaders and generic storage buffers that are necessary for high performance deep learning.

WebGPU offers the potential to bridge this gap with its first-class compute shader support.

To explore the potential of using WebGPU for deploying machine learning in the browser, we enhanced the deep learning compiler Apache (incubating) TVM to target WASM (for host code that computes the launching parameters and calls into the device launch) and WebGPU (for device execution). Our preliminary results are quite positive — for the first time, we can deploy machine learning applications on the web while still getting near native performance on the GPU.

Please check out our companion Apache TVM technical blog post for the technical details, but in short, we were able to achieve near native GPU performance in the browser through WASM and WebGPU by combining:

  • TVM’s existing SPIR-V code generation capabilities to target WebGPU compute APIs

  • TVM’s existing LLVM backend for it’s WASM generation support

  • A new tvmjs TypeScript runtime

  • WASM’s standard interfaces (WASI) for system library calls (eg malloc, stderr)

  • Chrome’s nightly WebGPU support

One important advantage of the compilation based approach is the reuse of infrastructure. We are able to effortlessly relative to other approaches target the web by reusing the infrastructure for optimizing GPU kernels for native platforms such as CUDA, Metal and OpenCL. If the mapping of the WebGPU API to native APIs is efficient we can expect similar performance with very little work. More importantly, the AutoTVM infrastructure allows us to specialize the compute shaders for specific models, enabling the generation of the best compute shaders for our specific model of interest.

Performance

We ran a quick experiment comparing the execution of a full Mobilenet execution via TVM’s WebGPU backend and native targets that use native GPU runtimes (Metal and OpenCL). We find that WebGPU get’s quite close to matching the performance of Metal. Assuming Chrome WebGPU’s runtime targets Metal instead of OpenCL on the MacOS, we can safely assume there is little to no performance loss when targeting the GPU through the browser here.

We also expect further performance boosts by applying AutoTVM tuning on the GPU being used by the browser since these results are based off previously auto-tuned schedules from a GTX 1080 Ti, which is quite different from the Intel graphics GPU. To make this easier, we expect our upcoming improvements to the uTVM runtime (stay tuned to this blog for an update in the next 1–2 weeks) for embedded microcontrollers will help make autotuning easier in the browser since WASM targets share many similarities to embedded devices.

Looking to the Future

Our results suggest many interesting opportunities for machine learning on the web. Notably, WebGPU is an API that is still evolving and its implications could go beyond web applications. For example one could target native APIs of WebGPU as it matures and becomes standardized through WASI, enabling standalone WASM applications that make use of WebGPU.

The TVM community is also actively working on a Rust based runtime that would enable much more robust WASM support and enable easier interaction with projects like wgpu, and the Rust WASM ecosystem. As an open source project, we are looking for contributors who can bring in new ideas and help push the project in these exciting directions.

The proposed approach provides effective machine learning support for most WASM’s application scenarios. The close to native performance could also unlock better federated learning capabilities on the browser. The same compiled package should also be able to run on native WASM executors to provide sandbox for the applications.

Show me the Details/Code

  • Detailed technical version of this blog post

  • Example project for image classification

  • Apache TVM on github

Acknowledgement

We would like to thank the emscripten project for providing the WASM compilation infrastructures as well as the JS library support on the web. We would also like to thank the WebGPU community for various helpful discussions. Thanks to Fletcher Haynes for valuable feedback on the post.

[출처] https://octoml.ai/blog/webgpu-powered-machine-learning-in-the-browser-with-apache-tvm/

Apache TVM을 사용하여 브라우저에서 WebGPU 기반 기계 학습

저자: Tianqi Chen, Jared Roesch, Jason Knight

TL;DR

거의 기본 GPU 성능과 WebAssembly를 갖춘 브라우저에서 쉽게 ML 배포

Apache TVM 딥 러닝 컴파일러 에 WASM 및 WebGPU 백엔드에 대한 지원을 도입했습니다 . 초기 실험에 따르면 브라우저에 모델을 배포할 때 TVM의 WebGPU 백엔드가 기본 GPU 성능에 근접 할 수 있는 것으로 나타났습니다.

소개 — 더 빠른 브라우저 애플리케이션

WebGPU 와 WebAssembly 는 하드웨어 이식성을 유지하면서 브라우저 기반 애플리케이션을 기본 애플리케이션만큼 효율적으로 만드는 것을 목표로 하는 두 가지 최신 브라우저 표준입니다. WebGPU는 먼저 낮은 수준의 그래픽 API 움직임을 기반으로 구축되어 이전 WebGL에 비해 더 많은 기능을 갖춘 GPU 가속 컴퓨팅 기능을 지원하며 WebAssembly(WASM)는 CPU 기반 컴퓨팅 기능을 잠금 해제하기 위한 유사한 노력입니다. 무엇보다도 WASM은 이 글을 읽고 있는 브라우저에서 이미 활성화되어 있을 가능성이 높으며 WebGPU도 곧 출시될 예정입니다 .

특히 WASM의 흥미로운 기능과 사용 사례에 대해서는 Lin Clark의 우수한 WASM “스킬 트리”를 확인하세요.

WASM의 포스트 MVP 스킬 트리

SIMD 지원 및 멀티스레딩과 같은 WASM 기능이 성숙해짐에 따라 더 많이 활용하는 것은 미래 작업의 흥미로운 영역이지만 WebGPU 컴퓨팅 셰이더에 공급하기 위해 WASM 및 WASI(표준 인터페이스)를 통해 얼마나 멀리까지 갈 수 있는지 살펴보겠습니다.

브라우저에서의 머신러닝

TensorFlow.js 및 ONNX.js와 같은 노력이 기계 학습을 브라우저에 도입하려고 시도하는 동안 웹 버전과 기본 버전 사이에는 여전히 성능 차이가 적지 않습니다. 이러한 격차의 원인 중 하나는 웹에서 GPU에 대한 표준 및 성능 액세스가 부족하기 때문입니다. WebGL에는 고성능 딥 러닝에 필요한 컴퓨팅 셰이더 및 일반 스토리지 버퍼와 같은 중요한 기능이 부족합니다.

WebGPU는 최고 수준의 컴퓨팅 셰이더 지원을 통해 이러한 격차를 해소할 수 있는 잠재력을 제공합니다.

브라우저에 기계 학습을 배포하기 위해 WebGPU를 사용할 수 있는 가능성을 탐색하기 위해 WASM(실행 매개변수를 계산하고 장치 실행을 호출하는 호스트 코드용) 및 WebGPU(장치용)를 대상으로 딥 러닝 컴파일러 Apache(인큐베이팅) TVM을 향상했습니다. 실행). 우리의 예비 결과는 매우 긍정적입니다. 처음으로 GPU에서 기본 성능에 거의 근접하면서 웹에 기계 학습 애플리케이션을 배포할 수 있었습니다.

기술적 세부 사항은 함께 제공되는 Apache TVM 기술 블로그 게시물을 확인하세요 . 간단히 말해서 우리는 다음을 결합하여 WASM 및 WebGPU를 통해 브라우저에서 거의 기본 GPU 성능을 달성할 수 있었습니다.

  • WebGPU 컴퓨팅 API를 대상으로 하는 TVM의 기존 SPIR-V 코드 생성 기능

  • WASM 생성 지원을 위한 TVM의 기존 LLVM 백엔드

  • 새로운 tvmjs TypeScript 런타임

  • 시스템 라이브러리 호출(예: malloc, stderr)을 위한 WASM의 표준 인터페이스(WASI)

  • Chrome의 야간 WebGPU 지원

컴파일 기반 접근 방식의 중요한 이점 중 하나는 인프라를 재사용한다는 것입니다. 우리는 CUDA, Metal 및 OpenCL과 같은 기본 플랫폼에 대해 GPU 커널을 최적화하기 위한 인프라를 재사용함으로써 다른 접근 방식 에 비해 웹을 대상으로 하는 작업을 쉽게 수행할 수 있습니다 . WebGPU API를 네이티브 API로 매핑하는 것이 효율적이라면 거의 작업하지 않고도 비슷한 성능을 기대할 수 있습니다. 더 중요한 것은 AutoTVM 인프라를 통해 특정 모델에 대한 컴퓨팅 셰이더를 전문화하여 특정 관심 모델에 가장 적합한 컴퓨팅 셰이더를 생성할 수 있다는 것입니다.

성능

우리는 TVM의 WebGPU 백엔드와 네이티브 GPU 런타임(Metal 및 OpenCL)을 사용하는 네이티브 대상을 통해 전체 Mobilenet 실행 실행을 비교하는 빠른 실험을 실행했습니다. 우리는 WebGPU가 Metal의 성능과 거의 일치한다는 것을 알았습니다. Chrome WebGPU의 런타임이 MacOS의 OpenCL 대신 Metal을 대상으로 한다고 가정하면 여기에서 브라우저를 통해 GPU를 대상으로 할 때 성능 손실이 거의 또는 전혀 없다고 안전하게 가정할 수 있습니다.

또한 이러한 결과는 Intel 그래픽 GPU와 상당히 다른 GTX 1080 Ti의 이전 자동 조정 일정을 기반으로 하기 때문에 브라우저에서 사용되는 GPU에 AutoTVM 조정을 적용하면 성능이 더욱 향상될 것으로 예상 됩니다 . 이를 더 쉽게 만들기 위해 내장형 마이크로컨트롤러에 대한 uTVM 런타임의 향후 개선 사항(향후 1~2주 내에 업데이트를 위해 이 블로그를 계속 지켜봐 주시기 바랍니다)은 WASM 타겟이 내장형과 많은 유사점을 공유하므로 브라우저에서 자동 조정을 더 쉽게 만드는 데 도움이 될 것으로 기대합니다. 장치.

미래를 바라보며

우리의 결과는 웹에서 기계 학습을 위한 많은 흥미로운 기회를 제시합니다. 특히 WebGPU는 여전히 진화하고 있는 API이며 그 의미는 웹 애플리케이션을 넘어설 수 있습니다. 예를 들어 WebGPU가 성숙해지고 WASI를 통해 표준화됨에 따라 WebGPU의 기본 API를 대상으로 하여 WebGPU를 활용하는 독립형 WASM 애플리케이션을 활성화할 수 있습니다.

TVM 커뮤니티는 또한 훨씬 더 강력한 WASM 지원을 가능하게 하고 wgpu 및 Rust WASM 생태계와 같은 프로젝트와의 더 쉬운 상호 작용을 가능하게 하는 Rust 기반 런타임 에 적극적으로 노력하고 있습니다 . 오픈 소스 프로젝트로서 우리는 새로운 아이디어를 가져오고 프로젝트를 이러한 흥미로운 방향으로 추진하는 데 도움을 줄 수 있는 기여자를 찾고 있습니다.

제안된 접근 방식은 대부분의 WASM 애플리케이션 시나리오에 효과적인 기계 학습 지원을 제공합니다. 기본 성능에 가까워지면 브라우저에서 더 나은 연합 학습 기능을 활용할 수도 있습니다. 동일한 컴파일된 패키지는 기본 WASM 실행기에서도 실행되어 애플리케이션에 샌드박스를 제공할 수 있어야 합니다.

세부정보/코드를 보여주세요.

  • 이 블로그 게시물의 자세한 기술 버전

  • 이미지 분류를 위한 예시 프로젝트

  • github의 Apache TVM

승인

웹에서 WASM 컴파일 인프라와 JS 라이브러리 지원을 제공한 emscripten 프로젝트에 감사드립니다. 또한 다양한 유용한 토론을 해주신 WebGPU 커뮤니티에도 감사의 말씀을 전하고 싶습니다. 게시물에 귀중한 피드백을 주신 Fletcher Haynes에게 감사드립니다.

Loading

12 10월 2023

[인공지능 기술] MS, 깃허브 코파일럿으로 사용자당 월 20달러 손해

[인공지능 기술] MS, 깃허브 코파일럿으로 사용자당 월 20달러 손해

MS, 깃허브 코파일럿으로 사용자당 월 20달러 손해

여러 대형 기업이 생성형 인공지능(AI) 관련 서비스를 경쟁적으로 출시하고 있지만, 서비스 운영 비용 때문에 골머리를 앓고 있다. 마이크로소프트는 작년 출시한 깃허브 코파일럿 서비스로 사용자당 20달러를 손해보는 것으로 알려졌다.

9일(현지시간) 월스트리트저널(WSJ)에 따르면, 마이크로소프트는 150만명 사용자를 확보한 깃허브 코파일럿 서비스에서 사용자당 월평균 20달러의 손실을 기록중이라고 한다. 일부 사용자는 한달 최대 80달러의 비용을 지출하게 하는 것으로 나타났다.

깃허브 코파일럿은 개발자에게 코드를 생성해주고, 빠르게 수정할 수 있게 해주는 서비스다. 오픈AI의 코드생성모델인 코덱스를 사용한다. 이 서비스 요금은 사용자당 월 10달러다. 산술적으로 1천500만달러를 매월 벌어들이고 있다.

깃허브 코파일럿

그러나 생성 AI는 이용자의 사용량에 따라 운영비용이 증가하는 구조를 보이고 있다. 아직 규모의 경제에 도달하지 못했기 때문에 서비스 공급비용이 수익보다 크다. 특정 사례에서 사용자의 쿼리에 더 막대한 연산비용을 투입해야 할 수 있고, 사용량만큼 운영비용도 선형적으로 증가하는 적자 구조다.

월 10달러란 정액제는 이런 비용 구조에서 서비스제공기업에게 불리하다.

깃허브 코파일럿은 사용자를 개발자로 한정한다. 반면, 윈도나 오피스 제품군의 코파일럿은 일반 대중과 기업 근로자를 대상으로 한다.

마이크로소프트365 코파일럿의 월 이용료는 사용자당 월 30달러다. 마이크로소프트365 기업용 요금제는 최소 월 13달러다. 기업은 매달 최소 43달러를 마이크로소프트에 지불하게 된다.

만약 마이크로소프트가 코파일럿 서비스의 적자구조를 해결하지 못하면 당분간 실적 악화를 피할 수 없다. 이는 자칫 사용자 대상 요금의 인상을 유도할 수 있는 문제다.

월스트리트저널은 마이크로소프트, 구글, 오픈AI, 줌 등의 기업 경영진이 곧 생성 AI 비용을 더 면밀하게 살피게 될 것이라고 전망했다.

[출처] https://zdnet.co.kr/view/?no=20231010090243

Loading

12 10월 2023

[인공지능 기술] 기업의 생성형 AI 프로젝트가 ‘실패’하는 4가지 이유

[인공지능 기술] 기업의 생성형 AI 프로젝트가 ‘실패’하는 4가지 이유

기업의 생성형 AI 프로젝트가 ‘실패’하는 4가지 이유

2일 전  |  Maria Korolov|CIO
데이터는 AI 프로젝트 성과를 가로막는 주요 문제이다. 하지만 생성형 AI 기술이 고도화되면서 데이터 외에도 신경 써야 하는 요소는 더 늘고 있다. 

ⓒ Getty Images Bank

지난 6월 뉴질랜드 슈퍼마켓 체인 운영사인 파크앤세이브(Pak’nSave)는 식재료 목록을 업로드하면 챗봇이 레시피를 제안하는 ‘세이비 밀봇(Savey Meal-Bot)’이라는 AI 챗봇을 출시했다. 뉴질랜드에서 버려지는 음식물 쓰레기 규모가 매년 1,500 뉴질랜드달러라는 점을 고려해 파크앤세이브는 세이비 밀봇을 비용을 절약해주는 도구라고 홍보하기도 했다. 

18세 이상 사용자만 이용 가능하고, 레시피 내용은 사람이 따로 검토하지 않고, 식품 정보만 챗봇에 입력해야 한다는 경고문이 있었지만, 많은 사용자가 세이비 밀봇을 악용하기 시작했다. 특히 8월에는 다소 끔찍한 이유로 전 세계적으로 입소문이 났다. 세이비 밀봇이 어느 한 사용자에게 ‘놀라운 요리 모험’이란 이름으로 ‘표백제를 넣은 서프라이즈 밥’을 만들 것을 제안했기 때문이다. 여기서 끝이 아니다. 세이비 밀봇이 제안한 또 다른 음식 ‘아로마 워터 믹스’는 인체에 유해한 염소 성분를 배출하는 레시피였지만, ‘갈증을 해소하고 감각을 상쾌하게 해주는 완벽한 무알코올 음료’라고 소개했다. ‘신비한 고기 스튜’라는 레시피에는 ‘500g의 다진 인육’라는 재료를 제안했으며 ‘마법 같은 맛으로 당신을 놀라게 할 맛있고 푸짐하고 편안한 요리’라고 표현했다.

물론 이런 레시피를 보고 실제로 요리를 만든 고객 사례는 보고되지 않았다. 논란 끝에 현재 세이비 밀봇은 식용 가능한 식재료 정보만 입력 가능하도록 업데이트된 상태다. 그럼에도 불구하고 아직도 황당한 레시피 조합이 계속 만들어지고 있다. 

이번엔 법률 업계를 살펴보자. 미국 레비도우 & 오버만(Levidow, Levidow & Oberman, P.C.) 소속 변호사는 챗GPT를 사용하여 변론문을 작성한 후 가짜 인용문과 인용으로 가득 찬 법률 의견을 제출하면서 로펌 신뢰도를 크게 하락시켰다. 
 
판사는 6월 판결에서 해당 로펌 변호사에게 벌금 5,000달러를 부과했다. 두 변호사가 ‘변호사로서 책임감을 제대로 갖추지 못하고 존재하지 않는 사법 의견서를 제출하고 사법 명령이 그 존재에 의문을 제기한 후에도 가짜 의견서를 계속 고수했다’고 봤기 때문이다. 

컨설팅 기업 pwc는 최근 많은 기업과 협력하여 생성형 AI 프로젝트의 시작을 돕고 있다. pwc는 생성형 AI에 대한 과장 광고 탓에 혹은 과도한 기대감 덕에 관련 프로젝트가 순조롭게 진행되지 않은 현상을 자주 목격하고 있다고 설명했다.

pwc의 파트너 겸 생성형 AI 시장 출시 전략 리더인 브렛 그린스타인(Bret Greenstein)은 “생성형 AI는 기존 AI나 머신러닝보다 훨씬 광범위한 기술이기 때문에 재해 발생 가능성도 크다”라고 설명했다. 기업에서 생성형 AI 도입 후 원하는 결과물을 얻지 못했다면 다음 4가지 실패 사유를 살펴보면 좋다.

실패 이유 1. 거버넌스 부족
생성형 AI 프로젝트가 원하는 대로 진행되지 않았다면 거버넌스나 관리 감독 영역에서 준비가 부족했던 것이 아닌지 알아봐야 한다. 앞서 이야기한 세이비 밀봇과 비슷한 형태로 많은 기업이 내부적으로 비슷한 실수를 저지르고 있다.

가령 그린스타인은 5개월 전에 상용 AI 도구의 프라이빗 클라우드 인스턴스를 사용하여 생성형 AI를 구현한 중견 금융 기업 A와 협력하면서 비슷한 문제를 발견한 적 있다. 일단 A 금융 기관은 기업 사용자가 자체 애플리케이션을 구축할 수 있도록 API를 개방했다. 관련 AI와 API로 구축된 것은 HR 챗봇이었다. 문제는 HR 챗봇이 노출하면 안 되는 복지 프로그램을 추천했던 것이다. HR 챗봇이 잘못된 옵션을 추천하면 직원은 1년 내내 복지 혜택을 놓칠 수 있었다. HR 챗봇을 이용한 직원은 복지 혜택의 진위여부를 확인하지 않았다. 심지어 화를 냈지만 해당 챗봇이 권위 있는 도구라고 믿으며 정확한 정보를 제공한다고 여겼다.

이런 사례를 감안했을 때 그린스타인은 기업이 API를 개방하고 외부에서 원하는 대로 무엇이든 만들도록 내버려 두는 것은 권장하지 않는다. 대신 거버넌스를 통해 사려 깊고 규율 있는 접근 방식을 취하라고 조언한다. 그는 “정확성을 평가하고, 편견을 관리하고, 환각을 처리하는 생성형 AI를 구축하는 체계적인 방법이 있으며, 올바른 것을 추천하는지 확인하기 위해 사람이 개입해야 한다”라고 덧붙였다. 

A 금융 기업은 챗봇을 한 달 동안 운영했고, 피드백은 좋지 않았다. 다행히 챗봇 오류가 조기에 발견되어 직원에게 심각한 영향을 미치지 않았지만 경영진에 대한 신뢰가 흔들리기는 했다. 그렇다고 AI 프로젝트를 축소해야 할까? 기업이 생성형 AI를 과도하게 조절하고 적용 규모를 축소하면 경쟁업체에 뒤처지고, 기회를 놓치는 순간을 마주할 수 있다. 

실제로 AI 인프라 연합(AI Infrastructure Alliance, AIIA)이 대기업 고위 임원 1,000여 명을 대상으로 7월에 발표한 설문조사에 따르면, 응답자 54%는 AI 또는 ML 애플리케이션 관리 실패로 인해 손실이 발생했다고 답했다. 또한 응답자 63%가 그로 인해 손실 규모가 5,000만 달러 이상이라고 답했다.

실패 이유 2. 급증하는 비용
생성형 AI 관련 인기 챗봇은 대부분 무료로 제공된다. 이런 무료 도구로 기업은 테스트를 진행하면 비즈니스 이점을 제공하는 애플리케이션을 저렴하고 쉽게 찾을 수 있다. 하지만 무료만 쓰다 보면 비용에 대한 문제를 놓칠 수 있다. 기업이 엄격하게 통제된 환경에서 파일럿 프로젝트를 진행해도 비용은 생각보다 적을 수 있다. 하지만 향후 공식 버전으로 프로젝트를 광범위하게 배포할 때가 되면 비용이 파일럿 때와는 달리 매우 높게 청구될 수 있다. 

보안 교육 기업 산스 인스티튜트(SANS Institute)의 수석 커리큘럼 디렉터이자 총괄 교수 롭 리(Rob Lee)는 기업이 외부 공급업체를 이용할 때도 비슷한 문제를 겪을 수 있다고 설명했다. 아직 아무도 대규모로 생성형 AI를 배포한 경험이 없어 비용 예측이 어려운 것이다.

롭 리는 “기업은 아직 굳은살이 없다”라며 “이전에 생성형 AI 작업을 수행한 적이 있고 비용을 정확하게 예측할 수 있다면 관련 기업은 이미 엄청난 문의를 받고 있을 것”이라고 설명했다. 

롭 리에 따르면, 현재 클라우드를 통해 AI를 배포하는 경우에도 모든 API 호출이 합산된 사용량을 예측하긴 어렵다. 그는 “이전 시스템을 기반으로 인간의 행동을 예측할 수는 없다”라며 “생성형 AI가 만들어낼 인간의 행동은 아무도 모르는 상태”라고 설명했다. 

롭 리는 과도기적 상황에서 발생하는 추가 비용도 있다고 지적했다. 예를 들어 새 집을 사야 한다면 현재 살고 있는 집을 팔아야 하는데, 이전 집이 예상보다 빨리 팔리지 않는다면 두 채의 집을 동시에 구입해야 하는 상황에 처할 수 있다. IT도 마찬가지다. 롭 리는 “전환이 생각보다 오래 걸릴 때 그 비용을 기업이 감당할 수 있을지 생각해봐야 한다”라고 설명했다. 특히 생성형 AI는 워낙 새로운 기술이기 때문에 아무도 정확하게 예측할 수 없다.

롭 리는 “데이터 세트의 크기도 고민해야 한다”라며 “스토리지와 해당 스토리지에 대한 호출에 대한 비용이 발생한다. 일부 애플리케이션의 경우 전 세계에 여러 곳에 스토리지를 배포하고 백업도 해야 한다”라고 설명했다.

AIIA 설문조사에 따르면, 대기업이 생성형 AI를 도입하는 데 있어 두 번째로 큰 장애물은 비용이었다. 

실패 이유 3. 비현실적인 기대치
생성형 AI에 대한 과대 광고로 인해 일부 비즈니스 리더는 AI를 ‘마법의 총알’처럼 여길 수 있다. 미국의 솔루션 통합업체인 인사이트(Insight)의 제품 혁신 부문 CTO인 아몰 아즈가온카르(Amol Ajgaonkar)는 “현재 업계에서는 AI의 현실적인 부분을 제대로 바라보고 있지 않다”라며 “그럼에도 일부 논의가 이미 기업의 의사 결정 과정에 스며들고 있다”라고 우려했다.

예를 들어, 지난 여름 미국 서부에 위치한 한 글로벌 전자제품 제조 및 유통업체 B는 고객을 위한 가격 정보 문서를 작성하기 위해 콘텐츠 생성 시스템을 구축하고자 했다. 아즈가온카르는 “해당 회사에는 수만 개의 계정을 관리하는 8,000명 이상의 대면 세일즈 담당자가가 있었다”라며 “제품 및 서비스 가격 책정은 새로운 프로젝트에 대한 업무 분장표를 작성하는 데 지속적으로 필요한 자료다. 관련 콘텐츠 생성을 생성형 AI로 쉽게 할 수 있을 것이라고 기대했다”라고 설명했다. 

B 기업은 AI가 과거 데이터를 살펴보고 과거의 관련 사례를 찾은 다음 새로운 고객 요청에 적용할 수 있다고 생각했다. 아즈가온카르는 “그들은 생성형 AI가 필요한 결과를 내놓을 것이라고 기대했다. 과거 가격을 제시하면 AI가 이를 검토한 후 비슷한 물건의 가격이 얼마인지 알려줄 수 있지 않을까 했다”라고 설명했다. 

막상 프로젝트를 시작해보니 생성형 AI가 실제로 어떻게 작동하는지 B사에 설명하는 것은 끊임없는 도전과제였다.

아즈가온카르는 “B사는 외부 자료를 읽고 와서 우리를 밀어붙였다”라며 “B사의 원하는 아이디어는 매우 간단한 것이었지만 실제로 바라는 비즈니스 가치는 엄청나게 컸다. AI 업계의 과대 광는 실제 결과물을 만드는데 매우 쉽다고 홍보한다. 하지만 현실은 그렇지 않다”라고 설명했다. 

이러한 사고방식은 기업에 실망과 실패를 안겨줄 수 있으며, 심지어 AI의 이점에 대한 환멸을 불러일으킬 수도 있다.

아즈가온카르는 프로젝트를 작은 단계로 나누고 각 단계를 달성하기 위한 최선의 방법을 분석하는 것이 해결책이라고 조언했다. 실제로 프로젝트를 진행하다 보면 생성형 AI가 적합하지 않은 경우가 많다. 예를 들어, 과거 문서를 검색하여 관련 사례를 찾는 작업은 기존 접근 방식을 통해 더 효율적으로 수행할 수 있지만, 문서를 요약하는 작업은 생성형 AI가 잘 할 수 있는 작업이라는 것이 그의 설명이다. 

한편 미래를 예측하려면 고급 분석 및 ML 모델을 적용해야 한다. 서로 분리된 많은 부분을 하나의 제안서로 모을 수 있다면 비즈니스 로직을 보다 수월하게 처리할 수 있다. 특히 어떤 서비스를 포함해야 구체적으로 명시해 놓으면 더욱 좋다. 단순한 수학적 계산을 위해 생성형 AI를 사용한다면 효과도 떨어지고 결과의 정확도도 낮을 것이다. 

아즈가온카르는 “물론 계산을 위한 플러그인을 작성할 수 있다”라며 “하지만 기본적으로 우리 기업은 계산을 위해 생성형 AI에 의존하지 않는다”라고 설명했다.

그렇다면 최종 제안서를 어떻게 구성할 수 있을까? 일부 섹션은 법무팀에서 작성해야 하고 절대 변경되면 안 된다. 그는 “법무팀이 관여한 부분은 늘 기본적으로 반복해서 써야 하는 영역이다”라며 “요약본을 만들 때 생성형 AI을 활용할 수 있다”라고 설명했다. 

아즈가온카르에 따르면, 결국 B사는 작업 명세서 작성에 필요한 시간을 크게 단축할 수 있는 솔루션을 얻을 수 있었다. 하지만 그 지점에 도달하기까지 약간의 교육이 필요했다. 교육이 없었다면 이 프로젝트는 실망감만 남기고 끝났을 것이다.

기업은 종종 생성형 AI 프롬프트를 작성할 때 성인 동료에게 설명하는 것처럼 지시 사항을 입력한다. 아즈가온카르는 이를 잘못된 생각이라고 지적했다. 그는 “10대 자녀에게 지시를 내리는 것처럼 생각해야 한다”라며 “때때로 반복해서 말해야 제대로 기억할 수 있다. AI는 지시를 들을 때도 따르지 않을 때도 있다. 마치 다른 언어를 사용하는 것과 같다. 무언가를 운영할 때 이러한 사소한 부분을 이해하는 것이 프로젝트 성공의 큰 부분을 차지한다”라고 밝혔다. 

‘생각의 나무(Tree of Thought, ToT)’ 처럼 응답의 품질을 개선하는 방법도 있지만, 응답을 구체화하기 위해서는 여러 번의 프롬프트 입력이 필요하다.

아즈가온카르는 “이러한 방법은 가볍게 조사하는 과정에서는 괜찮다”라며 “하지만 실제로 프로덕션을 운영할 때는 비용을 생각해야 한다. 프롬프트에 입력하는 모든 질문은 비용이다. 각 플랫폼은 자체 기준에 따라 소비 토큰에 대해 비용을 청구한다”라고 밝혔다. 여기에 각 질문에 답변하는 데 걸리는 시간도 어느 정도 필요하다는 것도 잊지 말아야 한다. 

아즈가온카르는 “모든 요청에 대해 사고의 생각의 나무 방식을 사용하고 설명을 요청해야 한다면 비용이 매우 많이 들 것이다”라며 “백지 수표가 주어진다면 같은 프롬프트를 다양한 방식으로 수천 번 실행하여 원하는 결과를 정확하게 얻을 수 있다. 하지만 그것이 가치를 창출하는 데 꼭 필요할까? 이것이 바로 솔루션을 구축할 때 균형을 잡아야 하는 이유다”라고 조언했다. 

실패 이유 4. 데이터 문제
인사이트의 엔지니어인 카름 타글리엔티(Carm Taglienti)도 최근 비현실적인 기대치로 인해 AI 프로젝트가 좌초될 뻔한 프로젝트를 겪었다.

타글리엔티는 “AI 프로젝트의 실패는 99%가 기대치 때문”이라며 “기술의 실패가 아니라 사람들이 기술로 무엇을 할 수 있을지에 대한 기대치가 달라서 문제가 생긴다”라고 설명했다.

타글리엔티는 미국의 대형 칩 제조 회사 C사의 사례를 공유해 주었다. C사는 공급망 관리 문제를 해결하기 위해 AI를 사용하고자 했다. 문제는 C사가 AI가 할 수 없는 일을 해줄 것으로 기대했을 뿐만 아니라 첫 번째 시도에서 모든 일이 해결되기를 바랐다는 것이다. 하지만 AI 프로젝트에서는 한 단계에서 다른 단계로 넘어갈 때마다 첫 번째 접근 방식이 작동하지 않을 가능성이 높다. 그렇기 때문에 조정이 필요하다. 이러한 장벽을 만날 때마다 기업은 AI 프로젝트를 포기하는 것을 고려한다. 하지만 C사 사례는 조금 특이했다. 기대치 문제 뿐만 아니라 좋은 데이터가 부족하다는 기술적 문제도 있었다.

C사는 과거 특정 칩이나 부품을 구할 수 없을 때 대체품을 찾기 위해 노동 집약적인 수작업 프로세스를 겪었다. 타글리엔티는 “하지만 수작업은 비즈니스에 필요한 수준만큼 민첩하지 못했다”라고 설명했다. 이 프로세스 중 일부는 의사 결정 트리와 전문가 시스템으로 대체할 수 있었지만, 관련 시스템이 견고하진 않았다. 업계에 변화가 생길 때면 전체 의사 결정 트리를 업데이트해야 했다. 그러나 AI를 사용하려면 대량의 깨끗한 데이터가 필요했다. 하지만 학습 데이터로 사용할 수 있는 구성 요소를 철저하게 검색하는 경우는 드물었다.

매번 경쟁력 분석을 할 수는 없는 상황이었기에 C사는 선호 공급업체 목록과 상위 백업 목록을 고수하고 대규모 공급업체 검토는 거의 하지 않았다.

사용할 수 있는 데이터 중에서는 형식이 처리하기 어려운 경우도 있었다. 타글리엔티는 “제조업체라면 사양서를 작성한다”라며 “하지만 신속하게 수집할 수 있는 형식이 아니었다”라고 밝혔다.

제조업체의 시설 위치, 적시 납품에 대한 평판과 같은 미묘한 문제도 있었다. 타글리엔티는 “웹을 스크랩하고 상장 기업이라면 10-K를 살펴보는 등의 작업을 해야”라며 “단순히 작동하는 부품을 찾았다고 말하는 것보다 훨씬 더 많은 것이 있다”라고 설명했다.

타글리엔티에 따르면, 이런 종류의 분석은 생성형 AI가 등장하기 전에도 자동화가 가능했지만, 처음에 사람들이 생각하는 것보다 훨씬 더 복잡한 과정이었다. 드문 일이 아니었다. 사용 가능한 데이터의 부족은 오랫동안 AI 및 ML 프로젝트의 문제였다.

AIIA 설문조사에서도 데이터 문제는 생성형 AI를 배포하는 기업의 84%에게 중요한 과제였다. 실제로 PwC의 그린스타인은 최근 백오피스 처리를 자동화하려는 한 소비재 기업 D와 협력한 경험이 있다.

그린스타인은 “D사는 AI 서비스를 이미 구축해 놓았다”라며 “클라우드 인프라 기반도 갖춰져 있었다. 직원들도 준비비된 상태였다. 하지만 데이터에 접근하는 것이 어렵다는 부분을 D사는 예상하지 못했다”라고 설명했다.

심지어 어떤 데이터는 D 회사에 없는 API 라이선스가 필요했다. 라이선스를 얻기 위해 조달 프로세스를 거쳐야 했는데, 이 프로세스는 몇 달이 걸릴수도 있었다.

그린스타인은 “또 다른 시스템에서는 조직별로 매우 높은 수준의 액세스 제어가 이루어졌다”라며 “세 번째 시스템은 사용자 기반 제어였다. 생성형 AI의 경우 이 모든 것을 조정해야 했지만 빠르게 조정할 수 없었다”라고 밝혔다.

그린스타인은 장기적으로는 해당 기업은 필요한 모든 데이터를 확보할 수 있었지만 몇 달을 허비했을 것이라고 표현했다. 그는 “이 경우에는 다른 사용 사례로 전환했다”라며 “하지만 경영진은 시간과 열정을 잃었다. 생산성이 높아질 것이라는 기대에 부풀어 있던 직원들은 모두 좌절했고, 데이터 관련 사항을 고려하지 않은 IT 팀은 경영진에 대한 신뢰를 잃었다”라고 표현했다.

그린스타인은 기업이 잠재적인 AI 사용 사례의 우선순위를 첫 번째는 영향력, 두 번째는 위험, 세 번째는 데이터로 정해야 한다고 설명했다. 그는 “이 사용 사례를 수행하기 위한 데이터가 있는지, 데이터를 사용할 수 있는 권한이 있는지, 접근 가능한지, 유용할 만큼 깨끗한지를 물어야 한다”라며 “이런 질문에 답을 못한다면 시작하지 않아야 한다. 다른 사용 사례를 찾아야 한다”라고 설명했다.
ciokr@idg.co.kr

원문보기:
https://www.ciokorea.com/print/309703#csidxfcb43957d4d59218845b14d11463227 

[출처] https://www.ciokorea.com/news/309703

Loading

11 10월 2023

[인공지능 기술] ‘생성형 AI 2024년이면 거품 꺼져’…‘맞다’ vs ‘아니다’

[인공지능 기술] ‘생성형 AI 2024년이면 거품 꺼져’…‘맞다’ vs ‘아니다’

‘생성형 AI 내년이면 거품 꺼져’…‘맞다’VS‘아니다’ [이지민의 스타트업 줌人]

입력 
수정2023.10.11. 오후 5:53
뤼튼 등 AI 스타트업 4곳 대표 견해는
“고비용이 문제”라는 점에 대체로 동의
“비용은 언제나 문제였고, 결국엔 해결”

챗GPT와 같은 생성형 인공지능(AI) 기술을 둘러싼 거품이 곧 꺼질 것이라는 관측이 나오고 있다. 거대언어모델(LLM) 기반 생성형 AI 서비스를 개발하고 운영하는 데 드는 비용이 막대하다는 게 주요 이유다. 국내 생성형 AI 스타트업 대표들은 비용 문제에는 공감하면서도 거품 논란에 대해서는 다양한 견해를 내놨다.
 
11일 글로벌 시장조사업체 CCS인사이트는 2024년 이후 테크 산업의 미래에 관한 연례 보고서에서 내년에 생성형 AI 기술 시장에 관한 우려를 짚었다. 비용과 규제가 대표적인 문제로 꼽혔다. 대규모 언어 모델(LLM)을 구동시키기 위해서는 그래픽처리장치(GPU) 서버 인프라 등이 필요하다. 대규모 컴퓨팅에 들어가는 비용이 막대하다는 의미다. 

사진=게티이미지뱅크

◆‘비용 절감’, 생성 AI 업계 최대 화두
 
이스트소프트, 아티피셜소사이어티, 네오사피엔스의 대표는 세계일보와 통화에서 비용 문제가 업계의 가장 큰 장애물이라는 데 동의했다. 이스트소프트는 AI 서비스 전문기업이며, 아티피셜소사이어티는 생성형 AI를 활용한 에듀테크 스타트업, 네오사피엔스는 AI 성우 서비스를 하는 기업이다. 각 기업이 처한 상황에 따른 차이는 있으나 생성 AI 서비스의 수익화 문제는 스타트업뿐 아니라 오픈AI, 네이버 등도 고민하는 지점이다. 
 
김기영 아티피셜소사이어티 대표는 서비스 이용자들에게 높은 비용을 받지 못하는데 원가는 높은 게 문제라고 지적했다. 누구나 챗GPT를 쓸 수 있는 시대에 챗GPT를 활용한 생성 인공지능(AI) 서비스를 비싸게 팔 수 없다는 뜻이다. 김 대표는 “챗GPT가 나만 쓸 수 있는 서비스면 관련해 개발한 서비스를 고가에 책정할 수 있겠지만, 현재는 그렇지 않기에 기업들이 수익화에 애를 먹고 있는 것”이라고 했다. 
 
김 대표는 이 때문에 현재 AI 스타트업계가 서비스를 정교하게 하는 것보다 비용을 저렴하게 하는 데 집중하고 있다고 설명했다. 혹은 교육, 헬스케어 등 분야를 좁혀 생성 AI 기술을 고도화하는 방안으로 돌파구를 마련하고 있다는 분석이다.
 
정상원 이스트소프트 대표도 고비용 문제에 대해서는 인정했다. 다만 그는 생성형 AI의 유일한 단점이 비용이기 때문에 역설적으로 구글 등이 공격적으로 서비스에 적용하지 않고 있고 이 때문에 사람들의 관심이 지속하는 것이라고 진단했다. 정 대표는 “혁신의 역사를 돌아보면 초반에는 항상 엄청난 비용이 수반되기 마련”이라며 “그러나 인류는 항상 비용 문제만큼은 극복해 왔다”고 했다.

사진=로이터연합뉴스

◆“동일 성능 대비 효율화되고 있다”
 
AI 포털 서비스 기업 뤼튼테크놀로지스의 이세영 대표는 고비용이 문제라는 데 동의하지 않았다. 그는 오히려 비용 효율화가 가속하고 있다고 밝혔다. 예컨대 오픈AI의 챗GPT 모델이 발전하면서 이전 모델의 비용은 낮아진다는 의미다. 이 대표는 “동일 기술 대비 가격이 기하급수적으로 떨어지고 있다”고 강조했다.
 
GPU 역시 마찬가지다. 이 대표는 “성능이 획기적으로 개선되면 비용이 일부 늘 수 있지만, 대체로 빠르게 효율화와 경량화되고 있다”며 “스타트업이 초반에 감당하기 어려운 수준의 비용이 아니냐고 하는 지적이 있지만, 개발사와 협력해 비용 절감 모델도 개발하고 있다”고 했다. 이어 “뤼튼은 2막에서 본격적으로 태동하는 플랫폼 역할을 수행하고 있다”고 덧붙였다.
 
수익화 문제는 ‘킬러 앱’의 등장으로 넘을 수 있다고 봤다. 이 대표는 오픈AI의 최신 LLM인 GPT-4 출시(올해 3월)까지 1막이라면, 이후 2막이 열렸다고 정의했다. 그는 “2막은 많은 생성형 AI 앱들이 등장하는 시기가 될 것이고, 이미지, 비디오 등 세분화한 영역에서 킬러 앱이 등장해 시장을 이끌 것”이라고 전망했다.
 
김태수 네오사피엔스 대표도 생성형 AI 서비스 영역이 세분화해 비용 효율화에 성공한 곳과 그렇지 않은 곳이 나뉠 것이라고 봤다. AI 성우 서비스를 하는 네오사피엔스 경우 생성 AI 서비스 비용이 비싸다 한들 실제 성우를 고용하는 비용보다는 저렴하다는 설명이다. 그는 “유스케이스(Use Case)가 있는 데는 소비자들이 기꺼이 돈을 더 지불할 것이고, 관련 시장도 더 커질 것”이라고 내다봤다.

사진=AP연합뉴스

◆“기대 뛰어넘을 것” VS “더 놀랍진 않을 것”
 
생성형 AI의 진화에 대한 전망도 엇갈렸다. 기대를 넘어서는 서비스가 계속 등장할 것이라는 관측과 더 놀라운 것은 없을 것이라는 비관이 공존하고 있다. CCS인사이트가 제기한 ‘거품 논란’과 이어지는 문제다.
 
정상원 대표는 LLM 기반 생성형 AI 기술이 메타버스, 블록체인 등과는 다르다고 단언했다. 그는 “거품이라고 하더라도, 그냥 꺼질 거품인지 미래를 담보하는 거품인지는 다르다”며 “거품이 꺼지긴 이르다”고 했다. 
 
아직 공개되지 않은 서비스에 대한 기대도 거품을 부정하는 요소다. 예컨대 오픈AI만 하더라도 지난달 말 한층 사람에 가까워진 챗GPT 기능을 조만간 선보인다고 밝혔다. 마이크로소프트(MS)는 워드·엑셀 같은 소프트웨어(SW)에 AI를 장착한 ‘MS365 코파일럿’을 다음 달 본격 서비스한다. 정 대표는 “챗GPT는 유니버설한 AI를 추구하고 있고, 사람들이 놀랄 거리는 아직 많이 남아 있을 것”이라며 “내년이 움츠러들 시점은 아니다”라고 강조했다.
 
반면 김기영 대표는 앞으로 나올 기술과 서비스가 기대에 부응하기 어려울 것이라고 예상했다. 그는 “세상의 모든 것이 생성형 AI로 바뀔 것이라고 초반에는 전망했지만, 그 정도는 아닐 것이라는 의미”라고 했다. 사람들의 기대치가 너무 높아졌다는 평가다. 이어 “챗GPT 경우 전혀 생각지 못한 것이어서 파급력이 컸지만, 앞으로 나올 것들은 그 정도의 영향력을 가져오진 않을 것”이라고 덧붙였다.

[출처] https://n.news.naver.com/mnews/article/022/0003863488?sid=105

Loading

11 10월 2023

[알아봅시다] 수수께끼 품은 태양계 끝자락 오르트 구름[김정욱의 별별이야기](48)

[알아봅시다] 수수께끼 품은 태양계 끝자락 오르트 구름[김정욱의 별별이야기](48)

수수께끼 품은 태양계 끝자락 오르트 구름[김정욱의 별별이야기](48)

입력
■태양계 가장자리 가상 천체집단···관측 못했지만 천문학계 이견 없어
■지구서 가장 멀리 나간 보이저1호, 오르트 구름 벗어나려면 3만년 걸려
[서울경제]

 
마지막 남은 블루오션 우주. 미국과 러시아, 중국, 인도 등은 일찌감치 우주의 가치에 눈을 뜨고 그 공간을 개척하고 있습니다. 우리나라도 자체 기술로 만든 위성발사용 로켓 누리호를 쏘아올리고 ‘우주항공청’을 설립하면서 본격적으로 우주 개발에 뛰어들고 있죠. 미지의 우주 그 광활하고 거대한 세계에 대한 이야기를 어린이부터 성인까지 누구나 쉽게 이해할 수 있도록 재미있게 풀어내려 합니다. <편집자주>

 

태양계와 오르트 구름의 모습.

우리 태양계는 태양을 중심으로 수성·금성·지구·화성·목성·토성·천왕성·해왕성 등 8개의 행성과 세레스·명왕성 등 왜행성, 그 외 그고 작은 소행성 등으로 구성돼 있습니다.

태양계의 가장자리라고 하면 대체로 명왕성을 떠올리곤 하는데 천문학계에서는 ‘오르트 구름(Oort cloud)’라는 곳을 가장자리로 봅니다.

오르트 구름은 장주기혜성(태양공전 주기가 200년 이상인 혜성)의 기원으로 알려져 있으며 태양계를 껍질처럼 둘러싸고 있다고 생각되는 가상적인 천체집단입니다. 이곳은 수천개에서 수억개의 크고 작은 천체들로 이뤄졌을 것으로 추정됩니다.

네덜란드의 천문학자 얀 오르트가 1950년에 장주기혜성과 비장주기혜성의 기원을 발표하며 ‘오르트 구름’이라는 이름이 붙었습니다.

오르트 구름은 일반적으로 태양에서 약 1만AU 혹은 태양의 중력이 다른 항성(별)이나 은하계의 중력과 같아지는 약 10만AU 안에 둥근 껍질처럼 펼쳐져 있다고 천문학계는 추측합니다. 참고로 1AU는 태양과 지구 사이의 거리를 뜻하는 천문단위로 약 1억5000만km 정도 됩니다.

오르트 구름은 인류가 직접 관측한 게 아니기 때문에 그 존재는 가설이지만 혜성의 궤도장반경과 궤도경사각의 통계를 기초했습니다. 이에 학계에서는 오르트 구름에 대한 가설을 확실시 하고 있습니다.

오르트 구름의 기원은 태양계의 형성과 진화의 과정에서 현재의 목성궤도부근부터 해왕성궤도부근까지 존재하고 있던 작은 천체들이 거대행성의 중력과 태양계를 지나가던 주변 항성이나 가스구름에 의해 궤도요소가 바뀌어 지금의 형태로 됐다는 설이 유력합니다.

오르트 구름의 존재를 고려한다면 태양계의 범위는 일반인들이 흔히 생각하는 범위보다 아주 많이 커집니다. 앞서 말한 것처럼 보통 태양계의 끝 하면 명왕성 언저리 정도를 생각할 수 있지만 천문학계에서는 오르트 구름까지라고 보는 경우도 있기 때문입니다.

일반적으로 생각하는 태양계의 크기는 좁겠지만 태양계 끝을 오르트 구름까지라고 본다면 그 범위는 그야말로 광대해집니다.

현재 인류가 우주로 보낸 탐사선 가운데 가장 멀리 가 있는 게 ‘보이저 1호’인데요, 이 탐사선은 1977년 9월에 지구를 떠났습니다. 보이저 1호는 1990년 5월에 명왕성을 지났는데 이때 ‘최초로 태양계를 벗어난 탐사선’이라고 했죠. 틀린 말은 아니지만 일부 천문학자들은 보이저 1호가 오르트 구름을 벗어나야 실제 태양계를 빠져나간 것이라고 말합니다.

보이저 1호가 오르트 구름 안쪽 경계면에 도달하는 시기는 2310년 쯤이며, 오르트 구름을 완전히 벗어나려면 3만년 정도가 걸립니다. 이렇게 생각하면 태양계도 넓다고 볼 수 있죠. 물론 우주 전체적으로 보면 태양계는 먼지보다 작은 점에 불과하지만 지구의 관점에서는 어마어마한 크기는 맞습니다.

태양권 외부에 있는 보이저1호(위쪽)와 2호의 위치를 보여주는 그림. 그래픽 제공=미국 항공우주국(나사)

오르트 구름은 크게 두 영역으로 나눕니다. 약 2만~3만AU를 기준으로 ‘안쪽 오르트 구름(inner Oort cloud)’, 2만~3만AU 밖의 영역은 ‘바깥 오르트 구름(outer Oort cloud)’으로 부릅니다.

안쪽 오르트 구름은 ‘힐스 구름’이라고도 하는데 이를 연구한 천문학자 잭 힐스의 이름을 딴 것입니다.

안쪽 오르트 구름 시작점은 천문학자마다 기준이 다른데 해왕성 궤도 바깥쪽인 약 100AU 를 기준으로 하는 경우도 있고, 약 2000AU 정도부터가 시작점이라는 시각도 있습니다.

또 어디까지가 오르트 구름의 끝인가 하는 문제도 있는데 역시 천문학자들 마다 의견이 갈립니다.

고전적인 의견은 약 5만AU(약 0.8 광년) 까지로 보고 일부 천문학자들은 태양의 인력이 다른 항성의 인력과 같아지는 지점인 약 10만AU까지로 보기도 합니다. 또 어떤 천문학자는 우리 태양계의 이웃 태양계(항성계)인 알파 센타우리까지 거리의 절반인 약 13만AU를 오르트 구름의 끝이라고 주장하기도 합니다.

오르트 구름은 지구에서 너무 멀리 떨어져 있어 아직 탐사가 이뤄지지 못해 이에 대한 정보는 거의 없는 실정입니다. 앞서 언급한 보이저 1호가 오르트 구름 도달하려면 300년 정도가 걸리고 오르트 구름을 벗어나려면 3만년 정도가 소요되니 이곳에 대한 정보를 제공할 가능성은 없죠.

하지만 우주에 대한 인류의 호기심은 끝이 없고 이를 알아내기 위한 도전은 계속 되고 있어 수세기가 지난 후 우리의 후손들이 오르트 구름에 대해 자세히 밝혀낼 수도 있겠습니다.

[출처] https://n.news.naver.com/mnews/hotissue/article/011/0004246925?type=series&cid=2000081

Loading

10 10월 2023

[생물-바이오] ‘바이오 커스터마이징’ 시대…인류 미래 바꿀 합성생물학 [강경주의 IT카페]

[생물-바이오] ‘바이오 커스터마이징’ 시대…인류 미래 바꿀 합성생물학 [강경주의 IT카페]

‘바이오 커스터마이징’ 시대…인류 미래 바꿀 합성생물학 [강경주의 IT카페]

입력 
수정2023.10.09. 오후 4:01
[강경주의 IT카페] 98회

세포 프로그래밍으로 5차 산업 혁명 촉발
암 치료 등 인류 난제 해결할 ‘꿈의 기술’ 불려
“합성생물학 경제효과 30조달러(4경원) 이를 것”
빌 게이츠, 캐시우드 등 투자자도 앞다퉈 투자
미국 앞서가는 가운데 중국 추격 거세
대한민국은 합성생물학 육성 걸음마 단계
“국가 명운 걸고 바이오 파운드리 만들어야”
“미국 따라가기보다 한국 잘하는 분야 특화해야”

MIT 뮤지엄에 전시된 핑크닭. 합성생물학 기술을 적용하면 핑크닭을 실제로 볼 수도 있다. / 사진=강경주 기자
미국 매사추세츠주 케임브릿지 켄달스퀘어 중심에 위치한 매사추세츠공대(MIT) 뮤지엄 2층 전시실. 육중한 문을 열고 들어서면 정면에 핑크색 털을 두른 핑크닭이 나타나 단번에 시선을 사로잡는다. 인류가 기후와 생태계를 변화시켜 만들어낼 새 지질시대, 즉 ‘인류세’를 비판하고자 전시된 조형물이다. 닭을 지나치게 많이 소비하는 인류의 식습관 때문에 닭뼈와 깃털을 핑크색으로 만들면 훗날 인류가 존재한 현시대의 지질층이 핑크 무늬를 띌 것이라고 풍자한 작품이다. 하지만 머지않아 이 핑크닭을 실제로 볼 수 있을지 모른다. 합성생물학을 적용한다면 말이다.

합성생물학 창시자 제임스 콜린스 MIT 교수 연구실을 가다

MIT에는 미래를 바꿀 기술로 불리는 합성생물학의 창시자 제임스 콜린스 교수의 연구실이 있다. IMES(MIT 의료공학 및 과학연구소)라는 소박한 명패가 붙어 있지만 이곳은 미국의 ‘바이오 안보’를 굳건히 하기 위한 최전선이다. 겉으로 봤을 때 여느 실험실과 다를 바 없지만 내부 분위기는 삼엄했다. 랩마다 수십 명의 연구원들이 최첨단 기기에서 나오는 데이터를 쉴 새 없이 시뮬레이션하고, 이를 바탕으로 화학 약품 앞에서 실험과 기록을 반복하는 모습은 취재진이 합성생물학의 최전선에 와있음을 실감케 했다.

자신의 연구실을 언론에 처음 공개한 콜린스 교수는 한국경제신문과의 인터뷰에서 “합성생물학은 유전자를 자유롭게 융합하는 ‘편집 공학'”이라며 “유전자 일부를 수정하는 유전학을 뛰어넘는 개념”이라고 입을 열었다. 합성생물학이란 인공적으로 생명체의 세포를 설계·제작·합성하는 기술로, 합성생물학은 유전학에 정보기술(IT)을 결합해 DNA 단백질 같은 생명체 분자를 전자처럼 비트(bit) 단위로 읽고 쓰는 ‘공학(engineering)’이다.

20년 전 인간의 DNA 염기서열을 모두 파악한 게놈 프로젝트가 생명 정보를 ‘읽는’ 기술이었다면 합성생물학은 생명 정보인 DNA를 컴퓨터 코딩처럼 연구자 뜻대로 편집하거나 새로 창작하는 ‘쓰기’ 기술이다. 미국에선 합성생물학을 두고 ‘세포를 프로그래밍한다’는 표현을 쓴다. DNA를 프로그래밍 언어로 바라보고 IT의 코딩 개념으로 접근한 것이다.

콜린스 교수는 “공학 원리가 도입된 합성생물학은 그간의 생명공학 연구개발(R&D)의 한계를 극복하게 해준다”며 “과거 유전자 조작으로 생명체의 기능을 단순히 변경하는데 그쳤다면 이제는 유전자 및 구성요소의 설계·제작·조립으로 새로운 생명체를 만들어 활용하는 시대가 도래한 셈”이라고 강조했다. 생명을 미지의 영역이 아니라 논리적이고 예측 가능한 알고리즘으로 인식하기 때문에 더더욱 공학 개념과 가깝다.

MIT 뮤지엄에 전시된 크리스퍼-카스9(CRISPR-Cas9·왼쪽)과 크리스퍼-카스12a(CRISPR-Cas12a·가운데), 크리스퍼-카스13d(CRISPR-Cas13d·오른쪽) 모형이다. 크리스퍼 편집 기술은 질병을 유발하는 DNA 특정 부위를 자르는 ‘유전자 가위’ 역할을 해 합성생물학에 필수다. 대표적인 유전자 가위는 크리스퍼-카스9이다. 카스 종류에 따라 자를 수 있는 유전자 타깃도 달라진다. / 사진=강경주 기자
콜린스 교수는 “인공지능(AI)과 머신러닝 기술을 활용해 우리 몸의 세포를 컴퓨터의 바이트(byte)처럼 프로그래밍할 수 있는 시대가 열리고 있다”며 “생물학이 공학 개념으로 진화하면서 암 치료 등 인류가 직면한 수많은 난제를 곧 해결할 수 있을 것”이라고 말했다.

성장 가능성이 가장 큰 분야로는 신약이 꼽힌다. 합성생물학을 바탕으로 생물학적 다양성을 활용한 커스터마이징(개인 맞춤형) 치료제 및 신약 개발이 현재 활발하게 진행 중이다. 의학 분야에도 적용돼 질병 치료에 혁신을 가져오고 있다. 질병에 있어 합성생물학은 DNA를 구성하는 아데닌(A), 티아민(T), 구아닌(G), 시토신(C) 외에 인공염기를 추가해 질병에 훨씬 더 강한 환경을 만들거나 유전자 편집을 통해 질병을 미리 막고 치료할 수도 있다. 한 발 더 나아가 질병 관련 유전자를 제거하고 신체 능력을 향상시키는 유전자를 개발, 확대하는 것도 가능할 전망이다.

뿐만 아니라 에너지, 화학, 농업, 환경 등 산업 전반에 걸쳐 막대한 영향을 끼칠 것이란 전망이다. 조장환 서울대 화학생물공학부 교수는 “합성생물학이 여러 의학 분야에 적용돼 새 패러다임을 제시하고 있는 만큼 생물학적 다양성을 활용한 치료제 분야가 앞으로 글로벌 경쟁력을 가질 수 있다”며 “합성생물학은 활용 영역이 무한대에 가깝다”고 말했다. 사실상 모든 것을 가능하게 하는 ‘마법의 기술’이란 평가까지 나온다.

핑크닭처럼 생명체의 색깔을 변형하는 건 매우 기초적인 합성생물학에 속한다. 학계에서는 훨씬 고차원 수준의 결과물을 만들어내 인류를 병으로부터 해방시키고, 인류가 배출하는 각종 오염 물질을 ‘0’에 가깝게 만들어낼 것으로 기대하고 있다. 빌 게이츠와 캐시우드, 존 도어 등 유명 투자자들이 합성생물학 기업에 투자하는 이유다.

바이오 안보 시대…미국은 펜타곤서 바이오 경제 컨트롤

세계 주요국은 합성생물학을 경제 안보를 지켜줄 핵심 신기술로 인지하고 있다. 자유무역에서 보호무역으로 바뀌는 대전환기에 안정적인 공급망을 확보하고 제조 능력을 확대하기 위해서다. 특히 미국의 움직임이 예사롭지 않다. 미국은 합성생물학을 ‘바이오 패권’을 쥐기 위한 무기로 규정하고 법적 근거를 차근차근 마련했다.

조 바이든 미국 대통령은 지난해 9월 국가 바이오 기술 및 바이오제조 이니셔티브(NBBI) 행정명령에 서명하면서 합성생물학을 전면에 내세웠다. NBBI 행정명령 발효 후 백악관 안보 보좌관 주재로 열린 장관급 회의를 통해 주요 예산 프로그램과 주무부처를 공개했다. 주목할 것은 바이오 제조 기반 강화 관련 예산이 국방부에 편성됐다는 점이다. 국방부는 자국 내 바이오 산업 제조 기반 강화에 정부 부처에서 가장 많은 14억달러의 예산을 집행하기로 했다. 국가안보 측면에서 바이오 제조 기반을 미국으로 재편하기 위한 것이란 해석이다.

합성생물학의 창시자인 제임스 콜린스 교수가 한국경제신문과 인터뷰를 하고 있다. / 사진=강경주 기자
미국은 2021년 6월 미국혁신경쟁법에서 합성생물학을 10대 혁신기술로 지정했고 2020년 10월 국방부 산하 연구기관인 미국방고등연구계획국(DARPA)에 합성생물학제조연구기관을 신설해 7년간 2억7000만달러를 투입하기로 했다. 민간 투자도 늘린 덕분에 현재 미국 내 합성생물학 관련 기업이 800여 개에 이른다.

콜린스 교수는 “합성생물학은 오랫동안 국방부의 지원을 받아온 역사를 갖고 있다”며 “국방부에서 바이오 예산을 집행하는 가장 큰 이유는 미국 경제 강화와 연관이 깊다”고 했다. 바이오를 육성하는 것이 미 자주국방의 주요 테마가 된지 오래다. 강한 경제력을 가져야 강한 국가가 될 수 있는 국방적 시각인 셈이다.

실제 글로벌 컨설팅기업 맥킨지는 2026년 합성생물학의 시장 규모가 288억달러(38조6000억원)에 달할 것이란 분석을 내놨다. 2040년엔 최대 3조6000억달러(한화 약 4800조원)에 육박할 것으로 예상했다. 미 정부는 바이오 산업이 합성생물학으로 인해 30조달러(4경(京)원)까지 커질 것으로 내다봤다. 일각에서는 합성생물학이 가져올 바이오 대전환을 ‘5차 산업혁명’으로 칭하고 있다. IT 기술에 초점이 맞춰진 4차 산업혁명을 넘어 인간과 공학 사이의 유기적 결합이 시대를 이끌고, 이는 곧 안보과 직결된다는 예측이다.

조 교수는 “미국은 그동안 기술 개발에 집중하고 제조는 타 지역에 위탁하는 경향이 있었다”며 “그러나 팬데믹과 중국 경제 부상으로 공급망의 무기화 가능성이 커지면서 바이오 제조에 다시 눈을 떴다”고 분석했다. 콜린스 교수 역시 “바이오에서도 아메리칸 팩토리 경향이 점점 강해질 것”이라고 전망했다.

선진국은 앞서가는데…갈 길 먼 ‘K-바이오파운드리’

합성생물학이 생명과학과 공학의 융합 학문이라면 바이오파운드리는 이를 구현하기 위한 필수 인프라다. 때문에 합성생물학 경쟁력 확보를 위해선 바이오파운드리 구축과 투자가 시급하다는 지적이 나온다.

바이오파운드리는 미생물을 공장처럼 사용하는 개념으로, 합성생물학에 AI를 적용해 바이오 R&D 속도를 획기적으로 높이는 플랫폼이다. 새로운 바이오 시스템 제작을 위한 설계(design)-제작(Build)-시험(Test)-학습(Learn)의 전 과정을 표준화, 자동화, 고속화해 고속·고처리량으로 구동한다. 통상의 반도체 생산이 설계(팹리스)-제조(파운드리)-테스트와 패키징(OSAT) 등으로 세분화된 것과 다르게 바이오파운드리는 한 곳에서 모든 과정이 이뤄진다. R&D에 필요한 반복 노동 업무를 자동화하고 처리량은 극대화해 기존 기술보다 훨씬 큰 규모의 R&D를 현실화하는 효과를 기대할 수 있다.

긴코바이오웍스의 자동화 바이오파운드리 / 사진=한국바이오협회
선진국은 바이오파운드리 구축에 국력을 쏟고 있다. 2000년대 초반부터 합성생물학 연구가 본격화한 미국은 정부 차원에서 바이오파운드리의 중요성을 강조했다. 2006년 국립과학재단(NSF), 2013년 국방부 산하 연구기관인 DARPA에서 바이오파운드리 지원이 본격화됐다. 그 결과 미국에는 이미 바이오파운드리로 주목받기 시작한 회사가 나타나고 있다. 바로 긴코바이오웍스다.

2008년 설립된 이 회사는 생명공학 기업 자이머젠의 바이오파운드리를 인수하면서 이를 토대로 모더나와 함께 코로나19 백신 개발에 나섰다. 모더나의 신속한 백신 개발에는 긴코바이오웍스의 바이오파운드리가 큰 역할을 했다는 평가가 나온다. 대부분의 바이오파운드리가 공공 성격인데 비해 긴코바이오웍스는 자체적으로 세계 최대 수준의 민간 바이오파운드리를 구축했다. 긴코바이오웍스는 “합성생물학이 거의 모든 물리적 재화를 생산할 것”이라고 예측했다. 합성생물학이 기술의 자급자족을 가능하게 할 핵심 키워드라는 뜻이다.

영국은 세계 최초로 국가 합성생물학 로드맵을 수립하고 정부 주도로 2012년 이후 7개의 합성생물학센터와 3개의 바이오파운드리를 구축했다. 2016년부터는 생물 정보에 AI 기술을 적용해 고도화된 생물 기능을 설계, 활용을 지원하는 ‘스마트 셀(smart cell)’ 프로젝트를 가동 중이다. 일본은 합성생물학을 중심으로 ‘포스트 제4차 산업혁명’을 발표했다. 덴마크, 캐나다, 싱가포르도 바이오파운드리 마련에 팔을 걷어붙였다.

학계에서는 중국의 행보를 주목해야 한다고 입을 모은다. 한국바이오협회가 호주전략정책연구소(ASPI) 보고서를 바탕으로 발표한 내용에 따르면 중국은 합성생물학에서 세계 최고 10개 기관 중 9개를 보유했다. 국가별 논문 비중도 52.42%를 차지해 16.75%를 점유한 미국에 비해 3.13배 많았다. 중국은 선전에 7200억원을 들여 세계에서 가장 큰 바이오파운드리를 구축하며 미국을 위협하고 있다.

대한민국의 합성생물학 경쟁력은 어떨까. 미국(100%)에 비해 75% 수준으로, 유럽(90%)과 일본(80%)에 비해 낮게 평가되고 있다. 정부는 뒤늦게 부랴부랴 대책을 내놨지만 세계 수준과 격차가 크다는 지적이다. 2021년에서야 ‘제15차 혁신 성장 빅3(BIG3) 추진회의’에서 바이오파운드리가 보고된 것이 시작이다. 지난해 말엔 ‘국가 합성생물학 이니셔티브’가 발표됐다. 이니셔티브에는 바이오파운드리 구축 예타사업을 추진하는 것이 명시됐다. 2024년부터 2028년까지 총 3000억원 규모다.

윤석열 대통령은 지난 4월 보스턴을 찾아 “MIT에서 공학, 의학, 디지털이 결합한 디지털 바이오를 수용하고 싶다”며 합성생물학 육성 의지를 드러냈다. 윤 대통령의 미국 방문을 계기로 한국생명공학연구원은 미국 로런스버클리 국립연구소(LBNL)와 전략적 파트너십을 체결했다. 이를 통해 공공 바이오파운드리 구축에 협력하기로 했다.

IMES 연구실에서 연구원과 실험 결과에 대해 이야기를 나누는 제임스 콜린스 교수 / 사진=강경주 기자
콜린스 교수는 “윤 대통령이 합성생물학에 적극적이어서 깊은 인상을 받았다”고 말했다. 허준렬 하버드 메디컬스쿨 교수는 “대통령께서 보스턴을 방문한 건 좋은 신호”라며 “한국을 먹여살릴 차세대 먹거리가 바이오라는 의미”라고 강조했다. 한 업계 관계자는 “반도체에서는 한국이 TSMC 같은 파운드리를 구축하지 못했지만 바이오만큼은 국가 명운을 걸고 초격차 파운드리를 만들어야 한다”고 목소리를 높였다.

한국-보스턴 바이오 동맹…”양국 인력 교류 활성화 필수”

전문가들은 한국이 합성생물학 경쟁력을 제대로 확보하려면 인재 육성이 가장 시급하다고 입을 모은다. 융합형 인재 양성, 국제경연대회 정부지원 등 젊은 인재의 합성생물학 생태계 진입을 위한 다양한 유인책이 아이디어로 나오고 있지만 실행은 지지부진한 상황이다. 합성생물학 생태계 구축에 막대한 자금과 오랜 시간이 필요하기 때문에 정부가 창업 초기부터 자금 회수 중간 단계, 최종 시장 진입 단계까지 체계적인 정책과 시설 지원에 힘을 쏟아야 한다는 목소리가 업계와 학계 안팎에서 나오는 이유다.

콜린스 교수는 “한국이 합성생물학을 육성하려면 우선 젊은 과학자부터 육성해야 한다”며 “한미 협력을 증대시켜 양국의 젊은 인재들 간 교류를 늘려 융합을 이뤄야 하는 것이 숙제”라고 꼬집었다.

미국, 한국의 바이오 거점인 보스턴과 인천 송도 간 네트워크를 강화해야 의견도 힘을 얻고 있다. 허 교수는 “한미 양국 간 교류는 한국 인재가 미국으로 건너가서 배우고 미국에 머무는 단방향 방식”이라며 “미국 인재를 한국에 오게 만드는 시스템을 구축해 유기성을 강화해야 한다”고 제언했다.

허준렬 하버드 의대 교수가 혐기성 배양기(Anaerobic chamber)를 이용해 장내 미생물을 배양하는 모습
허 교수는 또 인력 양성 방안으로 기초 과학 분야의 꾸준한 투자와 완전한 자율성을 강조했다. 그는 “미국은 과학자에 연구비를 지원할 때 조항이나 단서를 일체 달지 않고 완전한 연구의 자유를 주기 때문에 결과물이 좋지 않을 수가 없다”며 “바이오가 신(新)르네상스, 혹은 5차산업 혁명의 도화선이 될 텐데 결국엔 기초 투자를 얼마나 꾸준하게 하느냐가 미래 합성생물학 경쟁의 성패를 가를 것”이라고 내다봤다.

조 교수는 미국을 따라가기보다 한국이 잘할 수 있는 분야를 발굴하고 특화해야 한다고 주장했다. 그는 “미국은 이미 10년 전부터 합성생물학을 육성했다”며 “단지 미국이 하고 있으니 한국도 당연히 해야 한다는 논리는 시대착오적”이라며 했다. 이어 “합성생물학이 워낙 광범위하기 때문에 그 안에서도 미국이 놓치고 있는 핵심 분야를 한국이 집중적으로 공략할 필요가 있다”고 덧붙였다.

케임브리지·보스턴=강경주 기자 qurasoha@hankyung.com

[출처] https://n.news.naver.com/mnews/hotissue/article/015/0004899887?type=series&cid=1088255

Loading

10 10월 2023

[환경] 평균기온 1도 더 오르면 40억명이 견디기 힘든 더위 겪는다

[환경] 평균기온 1도 더 오르면 40억명이 견디기 힘든 더위 겪는다

평균기온 1도 더 오르면 40억명이 견디기 힘든 더위 겪는다

입력
미국 펜실베이니아주립대-퍼듀대

지구 온도가 1도 더 오르면 인간이 체온 조절 능력을 잃게 될 것이란 연구 결과가 나왔다. piyaset/게티이미지뱅크 제공.

현재 지구 평균 온도는 산업화 이전보다 1도 가량 높다. 여기서 1도 더 오르면 인간 스스로 체내 열을 식히기 어려운 상태에 이르러 계속 체온이 상승하는 끔찍한 상황이 벌어질 것이라는 연구 결과가 나왔다.

미국 펜실베이니아주립대와 퍼듀대 공동연구팀은 지구온난화가 가속화돼 앞으로 지구 온도가 더욱 높아졌을 때를 가정한 모델링 연구를 진행한 결과를 10일 국제학술지 ‘미국국립과학원회보’에 발표했다.

산업혁명이 시작되면서 인간은 기계를 돌리기 시작했고 화석 연료를 태웠다. 이는 전 세계 온도가 1도 상승하는 원인이 됐다. 위기를 감지한 글로벌 사회는 2015년 열린 파리협정에서 산업화 전보다 1.5도 상승하는 것을 막기 위한 공동 목표를 세웠다.

하지만 상황은 나아지지 않고 있다. 지구온난화는 계속 진행되고 있으며 연구팀은 최악의 경우 1.5~4도 더 상승할 가능성이 있을 것으로 보고 이를 가정한 모델링 연구를 시행했다. 그 결과 지구의 여러 지역에서 인간의 한계를 초과한 열과 습도 조합이 발생할 것이라는 점을 확인했다.

펜실베이니아주립대 연구팀이 지난해 발표한 연구에 의하면 젊고 건강한 사람이 견딜 수 있는 습구 온도의 한계는 31도다. 습구 온도는 온도계 수은주 끝에 물로 적신 솜을 감싸 측정한 온도로 대기 중 상대습도가 100%일 때의 온도를 의미한다.

연구팀에 의하면 인류 역사에서 이처럼 인간이 견딜 수 있는 한계를 넘는 온도와 습도 조합이 중동 및 동남아시아에서 여러 차례 발생했으며 한 번에 몇 시간 동안 이런 상태가 유지됐다는 기록이 있다.

연구팀은 지구의 온도가 산업화 이전보다 2도 상승할 경우, 앞으로 1도 더 상승하면 파키스탄과 인도의 인더스강 계곡에 사는 22억 명, 중국 동부에 사는 10억 명, 사하라 사막 이남 아프리카 지역에 사는 8억 명이 매년 인간의 한계를 넘는 더위를 경험하게 될 것이라고 보았다. 합해서 약 40억명으로 전세계 인구 기준 약 절반에 달한다.

고온고습 환경은 땀의 증발을 막는다. 중하위 소득 국가에서는 에어컨 등을 이용한 쾌적한 실내환경을 누리지 못하는 사람들이 많아 고스란히 건강 피해로 이어질 위험이 높다.

산업화 이전보다 지구 온도가 3도 더 높아지면 미국 동부 지역과 중부 지역으로 영향이 확장되고 남미와 호주 등도 극심한 더위를 경험하게 될 것이라는 게 연구팀의 추정이다.

지난 2021년 미국 오리건 주에서 폭염으로 700명 이상의 사망자가 발생했다. 연구팀은 이때의 더위는 인간의 임계점을 넘지 않은 더위 수준이었다고 설명했다. 앞으로 더욱 치명적이고 위협적인 더위를 경험하게 될 위험성이 높아지고 있다는 것이다.

인간의 몸은 더울 때 땀을 흘리고 열을 발산하며 체온을 유지한다. 하지만 특정한 온도와 습도 조합에서는 땀이 증발하지 못해 열이 식지 않고 열탈진, 열사병, 심혈관질환, 심지어 사망에 이를 수 있다. 현재의 기후 변화가 이어지면 앞으로 인간의 체온 항상성이 깨지면서 인간 스스로 체온을 조절하기 힘든 상태에 이를 것으로 보인다는 설명이다.

연구팀은 현재 전세계 기후 위기 전략이 ‘기온’에만 초점을 맞추고 있는데 습한 상태는 건조한 상태보다 훨씬 위협적이라는 점에서 온도와 습도를 모두 타깃으로 한 전략이 필요할 것이라고 강조했다. 노인들은 젊은 사람들보다 낮은 온도와 습도 수준에서도 열 스트레스로 인한 건강 위협을 받는다는 점에서 노약자 돌보기 정책 또한 필요하다고 보았다. 1995년 시카고 폭염으로 사망한 939명의 대부분이 65세 이상 연령이었다.

[출처] https://n.news.naver.com/article/584/0000024532?ntype=RANKING

Loading

8 10월 2023

[천체물리 – 우주(과학)] 소행성 탐사는 지구 밖 ‘보물섬’을 향한 여정

[천체물리 – 우주(과학)] 소행성 탐사는 지구 밖 ‘보물섬’을 향한 여정

소행성 탐사는 지구 밖 ‘보물섬’을 향한 여정

입력
‘프시케’ 미션 시작

프시케. NASA 제공

❋ 편집자주. 프시케는 인류가 16번째로 발견한 소행성입니다. 이탈리아의 천문학자인 안니발레 데 가스프리스가 1852년 3월 17일에 발견했습니다. 그리스어 프시케를 영어로 읽으면 ‘싸이키’가 됩니다. 미국항공우주국(NASA)은 이번 발사를 싸이키 미션, 탐사선을 싸이키라 부릅니다. 기사에서는 소행성과 미션, 탐사선 모두 프시케로 표기했습니다

2023년 10월 미국항공우주국(NASA)의 궤도 탐사선 ‘프시케’가 소행성 ‘16 프시케’로 향한다. 그리스 신화에서 사랑의 신 에로스의 연인인 프시케의 이름을 딴 이 소행성은 그동안 발견된 가장 크고 무거운 금속질 소행성 중 하나다.

16 프시케로 향하는 궤도 탐사선은 머나먼 우주로 향하는 동시에 인류가 발 딛고 있는 땅 가장 깊숙이 들어간다. 과학자부터 사업가까지 모두의 주목을 받고 있는 소행성, 16 프시케 탐사 미션을 살펴본다.

프시케 임무에서 궤도 탐사 예정 순서는 A-B-D-C-B다. 관측 중 소행성 표면을 비추는 햇빛의 양 변화와 임무 시행 가능성에 따라 진행된다. NASA, 과학동아 제공

● 5억 km를 날아 도착할 금속질 소행성

“우리는 최초로 바위나 얼음이 아닌 금속으로 만들어진 세상을 탐험한다.”

지금으로부터 8년 전인 2015년 9월 미국항공우주국(NASA)은 16 프시케를 탐사하는 프시케 미션의 첫발을 뗐다. 2011년 이론 연구를 시작으로 2015년 가을부터는 대규모 연구팀을 꾸려 16 프시케 탐사 계획을 본격적으로 수립하고, 2017년 1월 4일 마침내 소행성 궤도 탐사선 ‘프시케’를 보내 소행성을 탐사한다는 프시케 미션을 최종 결정했다.

탐사선 프시케는 오는 10월 5일 미국 플로리다주에 있는 케네디우주센터에서 발사될 예정이다. 이후 6년의 비행을 거쳐 2029년 8월 16일, 소행성 16 프시케에 도달한다.

16 프시케는 찌그러진 타원형으로 ‘감자같이 생긴’(NASA의 표현이다) M형(금속질) 소행성이다. 가장 넓은 지점의 가로 길이가 280km나 되는 지금까지 발견된 가장 크고 무거운 M형 소행성 중 하나다.

탐사선은 소행성에 도착해 21개월 동안 16 프시케의 궤도를 돌며, 소행성의 지질학적 특성, 원소 구성, 질량 분포를 파악할 계획이다. 성공하면 인류 최초의 M형 소행성 탐사 미션 기록이다. M형 소행성은 워낙 적고 멀리 있어 그동안 거의 연구가 이뤄지지 않았다.

2023년 10월 발사될 예정인 미국항공우주국(NASA)의 궤도 탐사선 프시케. 프시케는 화성의 중력과 태양 전기 추진력을 사용해 5억 km이상 떨어진 소행성 16 프시케까지 날아갈 예정이다.NASA, Frank Michaux 제공

소행성은 천체가 반사하는 빛의 스펙트럼에 따라 주 성분을 파악해 크게 3가지로 분류한다. C형(탄소질) 소행성, S형(석질) 소행성 그리고 M형 소행성이다. 이중 C형 소행성은 전체 소행성의 약 75%로 가장 많다.

일본항공우주연구개발기구(JAXA)의 소행성 탐사선 ‘하야부사-2’가 2018년 표면 시료 샘플을 채취했던 ‘162173 류구’가 C형 소행성이다. S형 소행성은 전체 소행성의 약 17%를 차지한다. 우주에서 지구로 떨어지는 대부분의 운석이 S형 소행성의 파편이다.

M형 소행성은 철이나 니켈을 포함한 금속 성분과 암석이 섞여 있다. 태양계 내에 있는 소행성 중 M형 소행성은 약 8%에 불과하다. 또 지구 공전 궤도 근처에 있는 근지구소행성(NEA)도 S형 소행성과 C형 소행성 위주인지라, 직접 M형 소행성을 연구하기가 어려웠다.

16 프시케는 화성과 목성 사이에 분포한 소행성 벨트에 위치한다. 지구와의 거리는 약 5억 126만 km. 9월 5일 대전에서 만난 김명진 한국천문연구원 우주위험감시센터 책임연구원은 “16 프시케를 포함해 화성과 목성 사이에 분포한 소행성들은 모두 ‘행성이 되다 만 천체’”라고 설명했다.

약 46억 년 전 태양이 만들어지고 이후 태양을 중심으로 주변부 물질이 뭉쳐져 총 8개의 행성이 형성됐다. 수성, 금성, 지구, 화성, 목성, 토성, 천왕성, 해왕성이다. 이 행성들은 현재 비교적 일정한 거리를 두고 위치해 있다. 하나의 예외, 화성과 목성 사이만 빼고 말이다.

1766년 독일의 수학자 요한 티티우스가 처음 발표하고, 1772년 베를린 천문대장이었던 요한 보데가 정리한 ‘티티우스-보데’ 법칙에 따르면 당시까지 알려져 있던 6개 행성(수금지화목토)의 태양과의 거리(궤도 긴반지름) a는 a=0.4+(0.3×2n)이란 수식으로 계산할 수 있다. 여기서 금성의 n값은 0, 지구는 1, 화성은 2, 목성은 4, 토성은 5다.

약 45억 년 전, 암석 덩어리가 뭉쳐져 지구가 되는 과정에서 무거운 금속 원소는 깊은 중심으로 가라앉아 금속성 핵을 만들었다. M형(금속질) 소행성은 철과 니켈 등 지구 내핵과 같은 금속으로 구성돼 있다. 이 때문에 과학자들은 M형 소행성을 행성이 되다만 것으로 추정한다. ASU, Edward Garnero 제공

천문학자들은 n값이 3인 지점에도 행성이 있을 것이라 믿고, 한동안 탐색을 이어 나갔다. 하지만 그곳엔 찾던 행성은 없었고 수많은 소행성만 거대한 띠를 만들고 있었다.

소행성 벨트에 분포한 110만~190만 개의 소행성이 하나의 행성으로 뭉쳐지지 못한 것은 목성 때문이었다. 김 책임연구원은 “강력한 중력을 가진 목성이 궤도를 돌며 행성 형성 과정을 방해했다”며 “쉬는 시간에 학생들이 모여서 웅성대다가 선생님이 근처를 지나가면 다 흩어지는 것과 유사하다”고 재밌는 비유로 설명했다.

● 프시케 미션은 ‘나’에게로 떠나는 여행

옛 모습을 그대로 간직한 소행성들은 초기 태양계의 비밀을 풀 ‘열쇠’로 꼽힌다. 김 책임연구원은 “소행성이 다른 행성과 다른 가장 큰 특징은 겉과 속이 같다는 점”이라고 말했다. 대표적인 예로 지구는 핵과 맨틀 그리고 지각으로 구분된다.

이런 지질학적인 구조는 지구 안쪽으로 들어갈수록 온도와 압력, 밀도가 커 만들어졌다. 강한 중력과 압력은 형태적인 변형도 유발했다. 지구는 더이상 태양이 막 만들어졌을 당시의 모습이 아니다.

반면 소행성은 원시 태양계 당시 만들어졌던 울퉁불퉁한 모습을 그대로 유지하고 있다. 특히 M형 소행성 16 프시케는 ‘행성이 되다 만’ 특징을 강하게 보인다. 지구의 내핵은 철과 니켈 같은 금속으로 이뤄져있는데 지금까지 연구된 바에 의하면 16 프시케 역시 암석과 금속의 혼합물로 이뤄져있으며 전체 부피에서 30~60%가 금속이다.

과학자들은 이런 사실들을 토대로 M형 소행성이 변형되지 않은 초기 태양계 행성의 내핵이라 추론하고 있다. 수십 억 년 전 행성으로 성장하는 도중에 혹은 행성으로 성장한 이후에, 근처를 지나는 목성 때문에 파괴돼 행성의 핵이 조각나 소행성으로 떠돌고 있다는 것이다.

때문에 프시케 미션은 단순히 소행성을 탐사하는 것이 아니라, 단 한 번도 들여다보지 못했고 아마 앞으로도 직접 들여다볼 수 없을, 지구 내핵에 대한 귀중한 정보를 캐내는 의미가 있다.

● 지구 밖 보물섬, 우주 채굴 시대 다가와

민간 소행성 채굴 스타트업 플래니터리 리소시스가 발표했던 소행성 자원 채굴 상상도. 근지구소행성(NEA)을 지구 근처로 끌고 오는 방법이다. Planetary Resources 제공

NASA는 약 2년 동안 4개의 궤도로 16 프시케를 돌며 M형 소행성에 관한 직접적인 정보를 캐올 계획이다. 과학 연구 목적이지만 M형 소행성에 희귀 금속이 존재한다는 것이 증명된다면 소행성 자원 채굴도 탄력을 받을 수 있다.

소행성에서 자원을 채굴하려는 아이디어는 이미 오래 전에 나왔다. 지금으로부터 약 50년 전인 1977년 미국의 우주비행사이자 과학자였던 브라이언 올리어리가 처음 제안한 이후 소행성의 광물을 채굴하려는 시도는 천천히 그렇지만 꾸준히 진행되고 있다. (doi:10.1126/science.197.4301.363)

민간 소행성 채굴 기업들은 도전과 실패를 반복하고 있다. 1세대 민간 소행성 채굴 스타트업이자 가장 유명했던 ‘플래니터리 리소시스’와 ‘딥 스페이스 인더스트리’는 현재 없는 회사다.

2009년 설립됐던 플래니터리 리소시스는 구글의 공동창업자이자 최고경영자(CEO)였던 래리 페이지와 마찬가지로 구글 CEO를 역임했던 에릭 슈밋이 설립해 많은 관심을 받았다. 플래니터리 리소시스는 2016년, 소행성 탐사 및 채굴을 위한 장치와 시스템 등을 개발해 미국 특허에 등록하는 소기의 성과를 이뤘다.

하지만 2018년 금융위기 당시 재정문제로 블록체인 기업에 합병됐다가 2020년에는 모든 지적재산권을 포기하고 하드웨어 자산 역시 경매에 부치며 소행성 채굴이라는 커다란 목표 앞에 무릎을 꿇었다.

2013년 설립된 딥 스페이스 인더스트리 역시 소행성 탐사 및 채광용 우주선 개발을 목표로 수년간 많은 투자를 받았지만 2019년 경영 악화로 브래드포드 스페이스란 위성 제어 시스템 개발 업체에 인수됐다.

그런데도 소행성 채굴을 목표로 하는 기업은 계속 설립되고 있다. 스페이스X와 NASA에서 근무했던 과학자들이 2022년 1월에 설립한 미국 아스트로포지가 현재 가장 유명한 M형 소행성 채굴 스타트업이다.

아스트로포지는 백금, 팔라듐, 이리듐 같은 희귀 금속이 고농도로 분포해 있는 소행성에서 자원을 채굴할 계획이다. 아스트로포지를 공동 창업한 매튜 지알리치 CEO는 과학동아와의 e메일 인터뷰에서 “10년 안에 백금을 지구로 가져오는 것이 목표”라고 말했다.

아스트로포지는 레이저로 소행성 표면의 물질을 증발시킨 뒤 증기 속에 필요한 물질을 모으는 기술을 확보한 것으로 알려졌다. 지알리치 대표는 “물질을 기화 및 이온화한 뒤 질량 분석기로 원소를 분류하는 실험까지 성공했다”고 설명했다.

소행성 채굴 기업이 이렇듯 일곱 번 넘어져도 여덟 번 일어나는 ‘칠전팔기’로 도전하는 까닭은 지구 밖 소행성에 매장된 희귀 금속의 양이 방대할 것으로 추정하기 때문이다. 16 프시케에는 철과 니켈뿐만 아니라 금과 백금도 매장돼 있을 것으로 추정되는데 그 추산 가치는 무려 1000경 달러에 이른다. 한국 돈으로 조대를 넘어 133해 1500경 원 규모다.

지구는 겉과 속이 달라 금속 자원을 채굴하려면 지하 깊숙이 땅을 파야 하고, 추가로 다양한 정제 단계를 거쳐야 한다. 또한 스마트폰이나 영구 자석 등을 만드는 데 사용되는 희토류는 채굴 과정에서 독성 화학 물질, 중금속, 방사성 물질이 섞인 폐수가 발생해 주변 지하수를 오염시킨다. 소행성 채굴은 이 같은 비용, 환경 문제가 적다. 소행성에서 희토류를 채굴한다면 땅을 적게 파고도 충분한 양을 얻을 수 있다.

1967년 체결된 국제 우주조약도 민간 기업 중심의 소행성 자원 채굴을 뒷받침한다. 우주조약은 “달과 기타 천체를 포함한 외기권에서 국가가 소유권을 주장할 수 없다”고 명시했지만 민간 기업의 소유권을 제한하고 있지는 않고 있기 때문이다.

민간 기업의 소행성 채굴을 미리 대비하고 있는 국가도 있다. 미국은 2015년 11월 ‘상업적 우주 발사 경쟁력 법’을 제정해 상업적 우주활동에 대한 법적 근거를 마련했다. 룩셈부르크도 2017년 기업이 채굴한 우주자원에 대해 소유권을 인정하는 ‘우주자원 법’을 제정했다.

뉴 스페이스 시대가 되며 발사체 이용 비용이 수십 배 더 저렴해지고, 이용할 수 있는 공공 데이터가 많이 늘어난 것도 우주 채굴에 힘을 싣는다. 실패로 끝난 첫 번째 소행성 채굴 물결도 유산이 됐다. 지알리치 대표는 “1세대 소행성 채굴 스타트업이 만들어 둔 길과 이들의 조언이 있어 아스트로포지가 소행성 채굴 산업을 선도할 수 있다”고 말했다.

하지만 우주 채굴의 시대가 곧바로 열리진 않을 것이다. 2020년, 알레나 프롭스트 당시 독일 뮌헨연방군대 연구원팀은 소행성 채굴 임무에 드는 비용을 추정한 연구 결과를 발표했다. 추산 비용은 무려 132조 원. 즉 132조 원이 넘는 가치의 금속 자원을 채굴하지 못한다면 현재로서는 소행성 채굴 사업에는 경제성이 없는 것이다. (doi: 10.1016/j.actaastro.2019.07.032)

● 한국 소행성 연구의 현주소는

소행성에서 자원을 채굴하는 것이 언제쯤 가능하냐는 기자의 질문에 김 책임연구원은 “그 시기를 특정하기는 어렵지만 우주 채굴 시대는 언젠가 온다”고 답했다. “전 세계에서 수십 년 동안 이뤄진 수많은 개념 연구가 인류의 미래가 소행성에 있다는 결과를 한목소리로 내고 있다”고 말이다.

물론 한국은 아직까지 소행성 자원 채굴을 목표로 하는 민간 기업이 없고, 국가 주도의 소행성 연구도 더딘 상황이다. 특히 2023년 2월에 수립된 제4차 우주개발진흥계획에 소행성 연구는 아예 포함조차 되지 못했다. 국내 소행성 연구자도 한 손에 꼽을 정도로 적다.

2023년 3월 NASA는 소행성 ‘베누’에서 채취한 소행성 샘플이 9월 24일 지구로 도착한다는 반가운 소식을 전했다. NASA는 “베누에서 얻은 샘플이 45억 년 전 태양계가 형성된 과정을 밝히고 생명체의 시작을 규명하는 데 도움이 될 것”이라고 기대감을 드러냈다.

한국도 언젠가는 소행성에서 귀중한 과학적 지식과, 상업적인 자원을 캐낼 수 있는 날이 오지 않을까. 모두가 함께 다양한 방법을 모색해보면 좋겠다.

[출처] https://n.news.naver.com/article/584/0000024519

Loading