AI 증강 선박 제어기, 시뮬레이션에서 항법 성능 향상

Google News는 분명한 대립 구도를 지닌 2026년 선박 항법 연구를 소개했다. AI로 강화된 제어기가 기존 제어기보다 뛰어난 성능을 보였지만, 결과는 시뮬레이션에 국한됐다. 이 연구는 대규모 언어 모델과 모델 예측 제어를 결합한다. 모델 예측 제어는 행동을 선택하기 전에 선박의 움직임을 반복적으로 예측하는 방법이다. 목표는 챗봇이 선박을 조종하게 하는 것이 아니다. 대신 이 모델은 표준 수학 제어기가 포착하지 못하는 오차를 추정한다.

이 구분은 중요하다. 선박은 디지털 모델과 정확히 일치하는 방식으로 움직이는 경우가 드물기 때문이다. 바람, 파도, 제어 입력, 변화하는 선박 상태는 실제 궤적을 제어기의 예측에서 벗어나게 할 수 있다. 연구진은 언어 모델이 이 차이를 실시간으로 추정해 제어기가 불확실성을 더 잘 반영하도록 돕는다고 설명한다.

이 결과는 적응형 예측과 확립된 모델 기반 제어 간의 경쟁 구도를 만든다. 그러나 실무적 질문은 헤드라인이 시사하는 것보다 더 까다롭다. 시뮬레이션은 교란 요인을 분리하고 방법을 일관되게 비교할 수 있다. 반면 상업 선박의 브리지는 사람들이 책임을 지는 상황에서 센서 고장, 불완전한 교통 데이터, 장비 결함, 변화하는 해상 상태, 법적 의무를 모두 처리해야 한다.

Google News가 소개한 선박 항법 모델

핵심 발전은 AI 모델을 활용해 기존 제어기가 불완전하게 파악하는 선박 거동을 보정하는 하이브리드 제어 시스템이다.

연구자 Yao Zhang과 Tianyi Zeng은 Ocean Engineering에 게재된 2026년 논문에서 이 시스템을 제시했다. 논문 제목은 “Large language model-augmented model predictive control for marine vessels in uncertain marine environments.”이다.

공개 연구 논문에 따르면, 이 프레임워크는 대규모 언어 모델(LLM)과 일반적으로 MPC로 줄여 부르는 모델 예측 제어를 결합한다. LLM은 기본 제어기를 대체하지 않는다. 대신 잔차 동역학, 즉 예측된 선박 거동과 시뮬레이션된 교란 환경에서 나타난 실제 거동의 차이를 추정한다.

MPC는 선박의 수학적 표현에서 출발한다. 제한된 미래 시간 범위에서 가능한 제어 입력에 선박이 어떻게 반응할지 예측한다. 이후 제어기는 행동을 선택하고, 새 상태를 관측한 뒤, 계산을 반복한다.

이 접근법은 수학 모델이 현실과 유사할 때 효과적으로 작동한다. 그러나 모델링되지 않은 힘이 선박의 반응을 바꾸면 예측의 신뢰도는 낮아진다. 바람과 파도 조건은 속도, 침로, 표류, 타 조작의 효과를 바꿀 수 있다.

제안된 LLM은 이 루프 내에서 오차 추정기 역할을 한다. 연구진은 2차원 선박 모델에서 생성한 합성 데이터로 이를 미세 조정했다. 모델이 선박 상태와 제어 입력을 예측 오차와 연결할 수 있도록 해당 데이터에 환경 교란을 주입했다.

운용 중 모델은 선박, 그 제어 장치, 풍속과 파고 같은 외부 조건에 대한 정보를 받는다. 이어 잔차 오차를 추정한다. MPC 시스템은 선박의 다음 상태를 예측하기 전에 이 추정치를 반영한다.

논문은 LLM 기반 추정이 없는 MPC 시스템과 비교해 더 낮은 정상 상태 추적 오차, 더 빠른 수렴, 더 매끄러운 제어 거동을 보고했다. 정상 상태 추적 오차는 일시적인 움직임이 안정된 뒤에도 선박이 목표 경로에서 얼마나 벗어나 있는지를 측정한다.

이러한 결과는 이 이야기가 Google News를 통해 확산된 이유를 설명한다. 이 논문은 작은 예측 오차가 누적될 수 있는 물리 제어 문제에 언어 모델 기법을 적용한다. 또한 LLM을 제한 없는 의사결정자가 아니라 기존 엔지니어링 아키텍처 내부의 한 구성 요소로 제시한다.

다만 증거에는 분명한 경계가 있다. 공개된 초록은 운항 중인 선박에서의 시험이 아니라 시뮬레이션 결과를 설명한다. 혼잡한 항만, 악천후, 불안정한 통신, 예측하기 어렵게 행동하는 승무원과의 조우 상황에서 안전한 성능을 입증하지는 않는다.

이 경계가 이 기사의 핵심 긴장이다. 이 시스템은 알려진 제어 방식을 보완한다는 점에서 유망해 보인다. 그러나 항법 안전은 통제된 디지털 환경에서의 경로 추적보다 훨씬 많은 요소에 좌우되므로 아직 검증되지 않았다.

기존 제어기가 해상에서 정확도를 잃는 이유

LLM이 중요한 이유는 모델 예측 제어가 수학 모델로 표현된 미래만 최적화할 수 있기 때문이다.

모든 제어 모델은 현실을 단순화한다. 설계자는 계산을 관리 가능한 수준으로 유지하면서 예측에 필요한 선박 거동을 충분히 포착할 변수를 선택한다. 그 결과 모델은 해상에서 마주치는 모든 힘, 기계적 상태, 상호작용을 재현할 수 없다.

제어기는 선박의 현재 위치, 침로, 속도, 타 명령을 알고 있을 수 있다. 바람이나 파도 추정치도 사용할 수 있다. 그러나 이러한 입력과 선박의 다음 움직임 사이의 관계는 운항 조건에 따라 달라진다.

화물을 가득 실은 화물선은 같은 선박이라도 적은 화물을 실었을 때와 다르게 반응한다. 얕은 수심은 조종 거동을 바꿀 수 있다. 인근 제방, 해류, 장비 마모, 불균일한 환경력은 예측과 실제 반응 사이에 추가적인 차이를 만든다.

기존 MPC는 엔지니어링 가정, 안전 여유, 갱신된 측정값, 특수한 수학적 방법을 통해 불확실성에 대응한다. 출항 전에 계산한 하나의 항로를 맹목적으로 실행하지 않는다. 선박이 이동함에 따라 계속 재계산한다.

새 프레임워크는 기준 모델이 남긴 오차를 학습해 이러한 재계산을 개선하려 한다. 기준 모델은 제어기가 보유한 선박의 기본 표현이다. 잔차 학습은 AI에게 항법 전체 과제를 학습시키는 대신, 그 표현이 놓치는 부분에 집중한다.

이는 직접적인 종단 간 조타보다 더 좁고 방어 가능한 LLM 활용 방식이다. 제어기는 명시적인 최적화 과정을 유지한다. 언어 모델은 그 과정이 사용하는 예측을 수정하는 추정치를 제공한다.

이 메커니즘은 범용 챗봇에게 충돌 회피 기동을 계산하라고 요청하는 것과도 다르다. 범용 언어 모델은 신뢰할 수 있는 수치 결과 없이도 그럴듯한 텍스트를 만들어낼 수 있다. 제어 시스템은 그럴듯함을 정확도로 간주할 수 없다.

관련 해양 연구도 다른 방식으로 같은 구분을 보여준다. 제안된 이중 모델 프레임워크인 Navigation-GPT는 언어 모델을 외부 항법 도구 및 충돌 회피 권고를 위해 학습된 특화 모델과 연결한다. 저자들은 LLM만으로 수행하는 복잡한 위험 계산이 신뢰할 수 없을 수 있다고 명시적으로 지적한다.

한 비교 결과에서 연구진은 특화 시스템이 15초 만에 결정을 생성한 반면, 시험한 DeepSeek 구성은 평균 58초가 걸렸다고 밝혔다. 또한 특화되지 않은 모델이 동일한 외부 도구 없이 작동할 경우 환각과 위험 매개변수 오류가 발생했다고 보고했다.

이는 설계된 시나리오에서 나온 연구 결과일 뿐, 어느 시스템이 상업 선박을 제어해야 한다는 증거는 아니다. 그럼에도 항법 프레임워크는 떠오르는 설계 원칙을 보여준다. 언어 모델은 도구, 규칙, 더 좁은 기술 구성 요소에 의해 제약될 때 가장 잘 작동한다.

Zhang과 Zeng의 시스템도 제어 수준에서 이 원칙을 따른다. 이 시스템의 LLM은 자연어 요청을 받고 항로를 만들어내지 않는다. 주어진 상태와 교란 조건에서 기준 동역학이 얼마나 틀렸는지를 추정한다.

이러한 역할 분담이 하이브리드 접근법의 매력이다. MPC는 가시적인 목표, 제어 제약, 반복 최적화를 제공한다. LLM은 고정 방정식으로 설명하기 어려울 수 있는 오차의 학습된 표현을 제공한다.

그러나 학습된 잔차도 실패할 수 있다. 모델의 추정은 미세 조정에 사용된 사례 범위인 학습 분포에 의존한다. 그 범위를 벗어난 조건에서는 가까운 학습 선례가 없는 오차가 발생할 수 있다.

합성 데이터는 통제된 실험을 쉽게 만들고 비용이 많이 드는 해상 시험의 필요성을 줄인다. 동시에 이를 생성한 시뮬레이터의 가정을 그대로 보존할 수도 있다. 시뮬레이터가 중요한 물리적 상호작용을 놓친다면, 학습된 모델도 그 상호작용을 결코 배우지 못할 수 있다.

따라서 시뮬레이션 성과만으로 기존 MPC와 LLM 증강 대안 간의 경쟁이 결론 나지는 않는다. 하이브리드 제어기는 시험 환경 안에서 더 나은 해답을 보였다. 그러나 선박의 전체 운항 범위에 걸친 신뢰할 수 있는 거동을 입증하지는 못했다.

해양 AI는 예측에서 제어로 이동하고 있다

더 큰 변화는 인간 선장에서 자율 선박으로 하룻밤 사이에 전환하는 것이 아니라, 수동적 예측에서 AI 지원 운항 의사결정으로 이동하는 것이다.

해양 조직은 이미 선박 탐지, 교통 분석, 장비 모니터링, 궤적 예측에 머신러닝을 사용하고 있다. 이러한 시스템은 승무원과 육상 운항자가 명령을 내리기 전에 상황을 해석하도록 돕는다.

싱가포르 A*STAR Institute of High Performance Computing 연구진이 개발한 선박 궤적 모델은 예측 기술이 얼마나 발전했는지를 보여준다. 이 모델은 항만 진입 식별, 선회 상태 예측, 궤적 예측, 궤적 향상 모듈을 통해 선박 트랜스폰더 데이터를 처리한다.

싱가포르 해협의 실제 선박 궤적을 사용한 시험에서 연구진은 선회 상태 예측 정확도 93.37%를 보고했다. 또한 비교 모델 대비 예측 오차가 최소 33% 개선됐다고 밝혔다.

이 모델은 30초마다 선박의 선회 상태를 점검하고 최신 교통 정보로 궤적 예측을 갱신한다. 이러한 동적 맥락은 항만 진입이나 도선사 승선 지점 접근과 같은 움직임을 구분하는 데 도움이 된다.

그러나 연구진은 이 결과만으로 배치가 충분하다고 제시하지 않았다. 상업적 사용에 앞서 실시간 교통 스트림을 활용한 철저한 평가가 필요하다고 밝혔다. 궤적 연구의 이 경고는 AI 지원 제어에도 똑같이 적용된다.

궤적 예측은 다른 선박이 어디로 이동할 가능성이 큰지를 운항자에게 알려준다. 제어는 선박 자체가 무엇을 해야 하는지를 결정한다. 첫 번째 과제에서 두 번째 과제로 이동하면 모든 모델 오차의 결과가 더 커진다.

잘못된 교통 경보는 브리지 팀의 주의를 분산시키거나 불필요한 경계를 초래할 수 있다. 부정확한 제어 추정은 침로, 속도, 항로 추적에 직접 영향을 줄 수 있다. 따라서 AI가 구동 장치에 가까워질수록 허용 가능한 성능 기준도 높아진다.

LLM-MPC 연구는 이 전환의 중간 지점에 있다. 전체 항해를 책임지는 자율 선장을 설명하지는 않는다. 대신 정의된 조건에서 선박 움직임에 영향을 줄 수 있는 제어기를 수정한다.

이 중간 지점은 상업적으로 의미가 있다. 운항자는 승무원이 거의 없거나 전혀 없는 선박을 배치하기 전에 의사결정 지원, 예측 경고, 제한적 자동화를 도입할 수 있다. 각 구성 요소는 인간 감독을 유지하면서 더 좁은 과제를 다룰 수 있다.

규제 환경도 이제 이러한 점진적 경로를 인정하고 있다. 2026년 5월, International Maritime Organization은 해양 자율 수상 선박을 위한 최초의 International Code of Safety를 채택했다. 비강제적 MASS Code는 2026년 7월 1일 발효됐다.

이 규정은 화물선을 대상으로 하며 자율·원격 운항 선박을 위한 목표 기반 프레임워크를 제시한다. 항해, 연결성, 원격 운항, 사이버 보안, 화재 안전, 수색 및 구조를 다룬다.

중요한 점은 자동화가 고도화됐다고 해서 그 자체로 해당 규정상 자율선박이 되는 것은 아니라는 것이다. 자격을 갖춘 선박은 승인 절차를 통과하고 유효한 MASS Safety Certificate를 보유해야 한다. 선박 밖에서 운항하더라도 선장은 전반적인 책임을 유지한다.

이 프레임워크는 AI 개발자들에게 벤치마크 개선 이상의 입증을 요구한다. 시스템이 안전하게 작동할 수 있는 조건을 정의해야 한다. 이러한 조건에는 해상 상태, 가시성, 날씨, 수심, 풍속, 시간대에 관한 제한이 포함될 수 있다.

운영자는 조건이 이러한 한계를 초과할 때 선박이 어떻게 대응하는지도 설명해야 한다. 예상된 기상 조건에서 잘 작동하는 AI 모델이라도 센서 정보가 불일치하거나 환경이 변할 때 검증 가능한 대체 수단이 필요하다.

이러한 요구는 하이브리드 제어 시스템의 발전 방향을 좌우할 것이다. 언어 모델은 제어기의 내부 예측을 향상할 수 있다. 그러나 완전한 선박 시스템에는 여전히 인증된 센서, 통신, 장애 처리, 사이버 보안, 운항 절차, 인간의 권한이 필요하다.

그 중요성은 특수한 엔지니어링 시장을 넘어선다. UN Trade and Development가 발표한 해상 무역 데이터에 따르면, 해상 운송은 전 세계에서 거래되는 물품 물량의 80% 이상을 담당한다.

더 안전하고 정확한 제어기는 효율적인 항해를 지원하고 선교 업무 부담을 줄일 수 있다. 반면 검증이 부족한 제어기는 필수 물품을 운송하는 선박 전반에 새로운 고장 모드를 초래할 수 있다. 해상 무역의 규모는 신속한 배치보다 엄격한 시험의 중요성을 더 크게 만든다.

진짜 시험은 부드러운 추종이 아니라 안전한 실패다

제어기가 신뢰를 얻는 기준은 단순히 경로를 부드럽게 추종하는 것이 아니라, 데이터·모델·환경에 문제가 생겨도 예측 가능하게 작동하는지에 있다.

보고된 시뮬레이션 성능 개선은 의미 있는 제어 품질을 다룬다. 추종 오차가 낮으면 선박은 계획된 경로에 더 가깝게 유지된다. 더 빠른 수렴은 외란 이후 원하는 상태로 더 신속히 복귀하는 데 도움이 된다. 더 매끄러운 제어 동작은 진동과 불필요한 제어 움직임을 줄일 수 있다.

하지만 이들 지표만으로 충돌 회피, 법규 준수, 운항 안전을 입증할 수는 없다. 선박은 안전하지 않은 경로도 정확히 추종할 수 있다. 또한 다른 승무원이 잘못 해석할 수 있는 수학적으로 매끄러운 기동을 수행할 수도 있다.

해상 항해는 COLREGs로 알려진 International Regulations for Preventing Collisions at Sea에 의존한다. 이 규칙은 정면 조우, 횡단, 추월 상황에서의 책임을 포함해 선박 간 행동을 규정한다.

이 규칙을 적용하려면 인지, 분류, 판단이 필요하다. 시스템은 다른 선박을 식별하고, 움직임을 추정하며, 조우 상황을 이해하고, 주변 승무원에게도 명확하게 전달되는 행동을 선택해야 한다.

LLM-MPC 논문은 불확실한 선박 동역학과 경로 제어 성능에 초점을 맞춘다. 이는 유용한 계층이지만, 완전한 항해 스택은 아니다. 그 주변에는 충돌 회피, 센서 융합, 경로 계획, 선교 절차가 자리한다.

첫 번째 미해결 문제는 현실 세계에 대한 일반화다. 합성 외란은 선택된 풍속과 파고 조건을 시험할 수 있다. 실제 항해에서는 부정확한 예보, 성능이 저하된 센서, 기계적 결함, 이례적인 교통 행동 등 설계자가 예상하지 못한 조합이 발생한다.

두 번째 문제는 검증이다. 전통적인 제어기는 엔지니어가 명시된 가정 아래 분석할 수 있는 수학적 구조에 의존한다. LLM을 추가하면 익숙하지 않은 입력 전반에서 경계를 설정하기 더 어려운 학습된 행동이 도입된다.

그렇다고 해서 시스템을 원칙적으로 검증할 수 없다는 뜻은 아니다. 개발자에게 필요한 증거가 달라진다는 의미다. 시험은 모델의 운용 한계, 최악의 오차, 대체 동작, 손상되거나 누락된 데이터에 대한 대응을 식별해야 한다.

세 번째 문제는 지연 시간이다. 제어 보정은 항해 시스템의 시간 예산 안에 도착해야 한다. 오프라인 실험에서 안정적인 성능이 나타났다고 해서, 높은 연산 수요 아래 인증된 선내 하드웨어에서 일관된 추론이 보장되는 것은 아니다.

네 번째 문제는 의존성이다. LLM은 다른 시스템으로부터 선박 및 환경 정보를 받는다. 풍속 추정, 파랑 측정, 위치 정보, 제어 상태 데이터의 오류는 잔차 추정을 왜곡할 수 있다.

유용한 안전 설계라면 AI 보정을 물리적 한계 및 독립적인 점검과 비교할 것이다. 비현실적인 추정을 거부하거나, 기본 제어기로 복귀하거나, 인간의 개입을 요청할 수 있다. 공개된 초록은 제안된 구현에 이러한 보호 장치가 포함됐는지 판단하기에 충분한 세부 정보를 제공하지 않는다.

다섯 번째 문제는 책임성이다. 모델은 결과에 대해 법적 책임을 지지 않으면서도 제어 계산에 영향을 미칠 수 있다. 선장, 운영자, 시스템 설계자, 장비 공급업체, 인증 기관은 여전히 서로 다른 역할을 맡는다.

새로운 자율선박 규정은 인간의 감독을 없애기보다 강화한다. 자율 운항이 기존 선박에 기대되는 수준의 안전, 보안, 환경 기준에 도달하도록 요구한다.

이 규정은 처음에는 비의무적으로 적용돼 경험 축적 단계의 여지를 만든다. 의무 규정 버전은 배치와 규제 검토를 통해 수집된 증거를 바탕으로 개발될 예정이다.

현재 로드맵은 2026년 12월에 해당 경험 축적 프레임워크에 관한 작업을 진행하도록 요구한다. 의무 규정 개발은 2028년에 계획돼 있다. 채택은 2030년 7월까지, 발효는 2032년 1월을 목표로 한다.

이 일정은 LLM으로 강화된 MPC와 같은 시스템에 실질적인 기회를 제공한다. 연구자들은 시뮬레이션에서 하드웨어 시험, 통제된 수역 시험, 모니터링된 운항으로 이동하는 동시에 규제 기관은 증거를 수집할 수 있다.

동시에 이는 까다로운 기준을 제시한다. 개발자는 AI가 부정확한 추정을 제공할 때에도 제어기가 안전하게 유지된다는 점을 보여야 한다. 정상 운항만 포함한 시연으로는 이 질문에 답할 수 없다.

독립적인 재현도 중요하다. 연구팀은 LLM 추정이 없는 MPC와 비교해 성능 향상을 보고했다. 다른 그룹은 서로 다른 선박 모델, 외란 패턴, 제어 설정에서 이러한 개선을 재현해야 한다.

더 강력한 평가는 이전에 보지 못한 기상 조합과 잘못된 센서 입력을 포함할 것이다. 하이브리드 시스템은 기본 기준선뿐 아니라 현대적인 대안과도 비교해야 한다. 평균적인 개선과 함께 실패 사례도 보고해야 한다.

해상 시험에는 단계적 제한이 필요하다. 초기 시험은 소형 선박, 보호된 수역, 안전 승무원, 명확히 정의된 개입 규칙을 활용할 수 있다. 이후 시험에서는 더 혼잡한 해상 교통, 더 긴 항해, 더 넓은 운항 조건을 도입할 수 있다.

회의적인 결론은 언어 모델이 항해에서 역할을 할 수 없다는 것이 아니다. 더 나은 평균 추종 성능만으로는 안전성 근거가 확립되지 않는다는 뜻이다. 가장 가치 있는 증거는 모델이 어디에서 실패하는지, 그리고 주변 시스템이 그 실패를 어떻게 통제하는지를 보여줄 것이다.

모델이 시뮬레이션을 벗어날 수 있는지 보여줄 세 가지 신호

다음 단계는 또 하나의 긍정적인 시뮬레이션 차트가 아니라 검증 증거, 규제 적합성, 운항 도입 여부로 평가해야 한다.

첫 번째 신호는 hardware-in-the-loop 또는 실제 수상 시험이다. Hardware-in-the-loop 시험은 제어 소프트웨어를 물리적 컴퓨팅 장치 및 시뮬레이션된 선박 시스템에 연결해, 순수 소프트웨어 시험에서는 숨겨질 수 있는 타이밍과 통합 문제를 드러낸다.

신뢰할 수 있는 시험은 선박 유형, 센서 입력, 선내 컴퓨팅 환경, 기상 조건, 개입 절차를 공개해야 한다. 또한 AI 추정 오류와 제어 스택의 다른 부분에서 발생한 실패를 구분해야 한다.

기존에 보지 못한 조건 전반에서 성공적인 시험이 이 논문의 핵심 주장을 강화할 것이다. 합성 학습 데이터와 매우 유사한 시나리오에 한정된 결과라면 일반화 문제는 여전히 남는다.

두 번째 신호는 문서화된 안전 아키텍처다. 연구자 또는 상업 파트너는 제어기가 신뢰할 수 없는 추정을 어떻게 감지하고, 이후 어떤 조치를 취하는지 설명해야 한다. 유용한 증거에는 신뢰도 한계, 독립적인 타당성 점검, 대체 제어, 인간 오버라이드 절차가 포함될 것이다.

이 아키텍처는 모델에 LLM이라는 명칭이 붙었는지보다 더 중요하다. 해사 인증은 실패 상황에서의 시스템 행동에 달려 있다. 정상 운항을 개선하지만 통제된 대체 수단이 없는 모델은 여전히 승인을 받기 어렵다.

상세한 안전성 근거의 공개는 배치로 가는 경로를 강화할 것이다. 운영자에게는 정확한 권한, 시점, 단계적 대응 규칙이 필요하므로 인간 감독에 관한 모호한 주장은 이를 약화시킬 것이다.

세 번째 신호는 2026년 12월 규제 작업 이후 MASS 경험 축적 절차에 참여하는 것이다. 규정에 부합하는 시험은 운항 한계, 원격 감독, 사이버 보안, 책임에 관한 증거를 생성할 수 있다.

이러한 참여가 이 특정 모델을 자동으로 인증하는 것은 아니다. 다만 개발자들이 상업용 자율 해운을 형성하는 요구사항에 맞춰 기술을 시험하고 있음을 보여줄 것이다.

규제 참여의 부재가 기초 연구 자체를 무효화하지는 않는다. 다만 이 작업이 단기적인 해사 제품이 아니라 학술적 제어 실험에 머물러 있음을 시사할 수 있다.

Google News는 이 연구에 폭넓은 헤드라인을 부여했지만, 독자는 실제 기여를 염두에 둘 필요가 있다. 연구자들은 모델 예측 제어에 학습된 오차 추정을 추가했고, 환경 불확실성 아래에서 더 나은 시뮬레이션 추종 성능을 보고했다.

더 어려운 성취는 앞으로 남아 있다. 배치 가능한 시스템은 센서 성능이 저하되고, 해상 조건이 바뀌며, 통신이 끊기고, 주변 승무원이 예기치 않게 행동할 때에도 이러한 성능 향상을 유지해야 한다. 또한 운영자와 규제 기관에 자신의 한계를 설명할 수 있어야 한다.

따라서 엔지니어와 기술 구매자가 던져야 할 유용한 질문은 구체적이다. 다음 버전은 투명한 실패 시험, 독립적인 재현, 통제된 해상 시험을 제공하는가? AI 보조 선박 항해를 유망한 시뮬레이션 결과가 아닌 실질적인 운항 발전으로 간주하기 전에 이 세 가지 신호를 지켜봐야 한다.