IBM과 NASA, Lunar Foundation Model 공개… 하지만 지도에는 여전히 인간의 검증이 필요하다

IBM과 NASA는 9월 10일 NASA-IBM Lunar Foundation Model을 오픈소스 소프트웨어로 공개했다. 이 모델은 하나의 재사용 가능한 시스템으로 난도가 높은 달 지도화 문제 세 가지를 해결하는 것을 목표로 한다. 모델은 크게 다른 해상도로 수집된 관측 자료 전반에서 크레이터, 잠재적 얼음 퇴적물, 화산 지형을 분석한다. 이번 공개는 장비와 연구 질문마다 별도의 모델을 훈련하는 기존 과학 워크플로에 도전장을 던진다.

이러한 도전은 헤드라인을 장식한 성능 수치보다 더 중요하다. IBM은 이 모델이 널리 사용되는 비전 베이스라인과 비교해 한 얼음 탐사 벤치마크에서 오류를 22% 줄였다고 밝혔다. 저해상도 크레이터 탐지에서는 훈련 데이터를 절반만 사용하고도 약 19% 더 나은 성능을 냈다고 보고됐다. 결과는 유망하지만, 프로젝트 팀이 설계하고 보고한 벤치마크에서 나온 것이다.

따라서 진짜 경쟁 구도는 IBM과 다른 AI 기업 사이의 대결이 아니다. 여러 데이터셋을 아우르는 재사용 가능한 멀티모달 과학 모델과 개별 데이터셋을 중심으로 구축한 과업 특화 시스템 간의 경쟁이다. 전자는 더 빠른 연구와 폭넓은 접근성을 약속한다. 후자는 좁은 과학 문제 안에서 검증하기가 여전히 더 쉽다.

NASA-IBM Lunar Foundation Model, 분절된 관측 자료를 통합하다

이번 공개는 서로 연결되지 않았던 달 측정 자료의 집합을 과학 AI 프로젝트를 위한 공통 출발점으로 바꾼다.

IBM과 NASA는 외부 연구자들을 위해 모델, 가중치, 지원 데이터셋, 적응 도구를 공개했다. 공개 model card에 따르면 소프트웨어는 Apache 2.0 라이선스로 Hugging Face를 통해 제공된다.

파운데이션 모델은 연구자들이 여러 다운스트림 과업에 맞게 적응시킬 수 있도록 폭넓은 데이터로 훈련된다. 이 경우 ‘폭넓은’ 데이터란 인터넷 텍스트나 대화 지식이 아니라 다양한 형태의 달 원격탐사 데이터를 뜻한다.

이 구분은 중요하다. 이 모델은 달에 관한 질문을 던지는 챗봇이 아니다. 달 표면, 지형 특성, 관측 조건의 표현을 추출하고 생성하도록 구축된 비전 시스템이다.

IBM과 NASA는 공간적으로 정렬된 30개 이상의 레이어를 포함하는 머신러닝용 데이터셋도 구성했다. 프로젝트의 달 모델 공개 자료에 따르면 이 레이어는 4개 임무와 연계된 9개 장비의 자료를 활용한다.

기초 관측 자료에는 NASA의 Lunar Reconnaissance Orbiter와 Gravity Recovery and Interior Laboratory 임무 데이터가 포함된다. 일본우주항공연구개발기구의 SELENE, 즉 Kaguya에서 수집한 측정값도 통합됐다.

이 장비들은 달을 같은 방식으로 관측하지 않는다. 일부는 가시적인 표면 세부 정보를 기록하고, 다른 장비들은 온도, 중력, 고도, 레이더 특성, 광물 조성, 수소 존재량을 측정한다.

공간 해상도 역시 크게 다르다. Lunar Reconnaissance Orbiter의 Narrow Angle Camera는 픽셀당 약 1미터 수준의 지형을 포착할 수 있다. Wide Angle Camera는 픽셀당 약 100미터 수준으로 훨씬 넓은 맥락을 제공한다.

중력 측정은 이보다 훨씬 거친 규모에서 이뤄질 수 있다. 이러한 자료원을 결합하려면 단순히 여러 이미지 파일을 같은 폴더에 넣는 것 이상이 필요하다.

프로젝트 팀은 관측 자료를 지리적으로 정렬하고 공동 등록된 타일 묶음으로 분할했다. 각 묶음은 여러 장비 또는 파생 측정값을 통해 같은 달 지역을 나타낸다.

공개된 SomBench 사전훈련 데이터셋에는 약 200만 개의 이러한 묶음이 포함된다. model card에는 Narrow Angle Camera 묶음 1,000,113개와 Wide Angle Camera 묶음 963,609개가 기재돼 있다.

시스템은 두 가지 주요 공간 규모에서 11개 모달리티를 학습했다. 이 중 9개 모달리티는 이미지와 유사한 밀집 데이터 소스다. 나머지 입력은 광학 메타데이터와 정적 지리적 맥락을 인코딩한다.

이 광학 정보에는 태양 입사각, 방출각, 위상각, 방위각이 포함된다. 지상 표본 거리와 관련 표면 좌표도 다룬다.

달에서는 조명 정보가 특히 중요하다. 빛을 산란시키는 대기가 거의 없기 때문에 태양 각도의 작은 변화도 극명하게 다른 그림자와 하이라이트를 만들어낼 수 있다.

이 조건을 무시하는 모델은 조명 변화를 지형 변화로 해석할 수 있다. 반면 NASA-IBM Lunar Foundation Model은 관측 획득 기하를 명시적 입력으로 받는다.

이 설계는 장비가 관측한 대상과 관측 당시의 조건을 분리하는 데 도움이 된다. 연구자들이 서로 다른 시점이나 관측 각도에서 이뤄진 관측을 비교하려면 필요한 단계다.

따라서 이 모델은 하나의 지도화 과업의 속도만 바꾸는 것이 아니다. 이전에는 상당한 전처리와 과업별 엔지니어링이 필요했던 관측 자료를 위한 공통 표현을 제공한다.

이 공통 표현은 글의 핵심 긴장을 만든다. 재사용 가능한 모델은 더 넓은 활용 범위를 제공하지만, 각각의 다운스트림 과학적 주장은 여전히 과업 수준의 검증을 거쳐야 한다.

하나의 재사용 가능한 모델이 과업 특화 시스템에 가하는 압력

IBM과 NASA는 달 연구자들이 질문마다 전체 분석 파이프라인을 다시 구축하는 대신 하나의 공통 백본을 적응시켜야 한다는 데 베팅하고 있다.

전통적인 과학 머신러닝은 대개 신중하게 선택한 데이터셋과 하나의 좁은 목표에서 시작한다. 연구자들은 크레이터를 찾는 모델, 화산 지형을 윤곽화하는 모델, 얼음 존재 가능성을 추정하는 모델을 각각 훈련할 수 있다.

이 접근법은 개념적 명확성을 제공한다. 각 모델에는 정의된 입력, 목표 레이블, 평가 방법이 있다.

하지만 작업을 중복하기도 한다. 팀들은 실제 과학적 질문을 조사하기 전에 데이터셋을 반복적으로 정리하고, 입력 파이프라인을 설계하며, 아키텍처를 선택하고, 대규모 파라미터 집합을 훈련한다.

사전훈련된 달 백본은 이러한 노력의 더 많은 부분을 상류 단계로 옮긴다. 연구자들은 여러 관측 유형에서 학습한 특징으로 시작한 뒤, 더 작은 과업 특화 데이터셋으로 모델을 적응시킬 수 있다.

IBM과 NASA는 전체 미세조정, 동결 인코더, 저랭크 적응을 통해 이 접근법을 시험했다. 일반적으로 LoRA라고 불리는 저랭크 적응은 대부분의 기본 모델 파라미터를 변경하지 않은 채 작은 보조 행렬을 훈련한다.

프로젝트 연구진은 기본 모델 가중치의 약 90%를 동결 상태로 유지하는 LoRA 구성을 사용했다. 이는 적응에 필요한 컴퓨팅 및 저장 자원을 줄일 수 있다.

다만 공개된 결과가 하나의 보편적 적응 규칙을 뒷받침하지는 않는다. model card에 따르면 LoRA는 크레이터 탐지에서 전체 미세조정과 동등하거나 더 나은 성능을 냈지만, 두 개의 소규모 벤치마크에서는 전체 미세조정이 우위를 유지했다.

완전히 동결된 인코더는 한 소규모 화산 지형 데이터셋에서 가장 좋은 성능을 보였다. 그러나 크레이터 탐지에서는 모든 베이스라인보다 낮은 성능을 기록했다.

이러한 차이는 단순한 배포 서사를 약화한다는 점에서 유용하다. 연구자들은 여전히 어떤 적응 전략이 자신의 데이터, 레이블, 오류 허용 범위에 적합한지 시험해야 한다.

더 광범위한 압력은 단일 센서를 중심으로 구성된 워크플로에 가해진다. 한 장소의 가시적 모습은 물리적 특성의 일부만 보여주기 때문에, 달에 관한 질문은 자주 장비 경계를 넘나든다.

잠재적 얼음 퇴적물은 명확한 사례다. 연구자들은 표면 온도, 경사, 조명, 지형, 레이더 측정값, 지하 안정성 추정치를 함께 고려할 수 있다.

기존 이미지 모델은 여러 레이어를 입력 채널로 쌓을 수 있다. 달 모델은 각 모달리티에 별도의 학습된 어댑터를 제공한 뒤, transformer 아키텍처 내에서 생성된 토큰을 결합한다.

transformer는 입력 요소 간 관계를 평가하는 신경망이다. 여기서 요소는 문장의 단어가 아니라 서로 다른 달 측정값의 패치를 나타낸다.

이 토큰 수준 접근법은 모델이 모달리티 간 관계를 학습하기 전에 각각의 차이를 보존하게 한다. IBM은 얼음 벤치마크 개선의 일부를 이 설계 덕분으로 본다.

이 아키텍처는 100배 차이의 해상도에 걸쳐서도 훈련된다. Narrow Angle과 Wide Angle 타일은 원래 해상도 상태로 동일한 혼합 훈련 과정에 입력된다.

FlexiViT 패치 임베딩은 연구자들이 백본을 처음부터 다시 훈련하지 않고도 적응 과정에서 이미지 패치 크기를 변경할 수 있게 한다. 한 과업은 작은 크레이터 가장자리에, 다른 과업은 지역적 패턴에 의존할 때 이러한 유연성은 중요하다.

이 시스템은 Vision Transformer Base 인코더-디코더로 처음부터 훈련됐다. 인코더는 12개 레이어, 12개 어텐션 헤드, 768의 히든 차원을 사용한다.

모델 문서에 따르면 사전훈련에는 Nvidia H100 GPU 16개가 150,000스텝 동안 사용됐다. 보고된 작업량은 전역 배치 크기 1,536 기준으로 약 1,100 GPU 시간에 달했다.

이러한 요구 사항은 개별 연구 그룹에는 상당한 부담이다. 공개 가중치를 통해 외부 팀은 사전훈련 비용을 반복하지 않아도 되지만, 미세조정과 평가는 여전히 적절한 하드웨어를 필요로 한다.

바로 이 지점에서 공개 릴리스가 실질적 압력을 만든다. 이제 특화 팀은 관련 사전훈련 특징을 갖춘 기존 달 모델을 시험하기에 앞서 새 백본을 구축해야 하는 이유를 설명해야 한다.

이 압력은 레이블된 데이터가 제한적인 연구자에게 가장 강하게 작용할 것이다. Wide Angle 크레이터 벤치마크에서, 사용 가능한 훈련 데이터의 절반만 활용한 사전훈련 변형은 전체 데이터셋으로 훈련된 선도적 베이스라인과 동등하거나 더 나은 성능을 보였다.

개발자들은 프로젝트의 fine-tuning repository를 통해 실행 가능한 구성을 이용할 수 있다. 이 저장소에는 크레이터 탐지, 화산 지형 분할, 얼음 존재 가능성을 위한 모듈이 포함된다.

README에 따르면 사전훈련 코드는 포함되지 않는다. 이 누락은 원시 데이터부터 모델을 재현하려는 사람들에게 ‘오픈소스’가 의미하는 범위를 제한한다.

가중치, 적응 코드, 구성, 라이선스, 벤치마크 데이터셋은 상당한 접근성을 제공한다. 완전한 사전훈련 재현성은 별개이며 훨씬 더 까다로운 기준으로 남아 있다.

이번 공개를 평가하는 팀은 자체 기술 기록에서도 이런 구분을 보존해야 한다. 검색 가능한 engineering knowledge base는 모델 버전, 데이터셋 가정, 실험, 검토 결정을 연결하는 데 도움이 될 수 있다.

따라서 이 모델은 특화 시스템을 자동으로 대체하지 않는다. 특화 시스템이 이제 능가하거나, 단순화하거나, 더 설득력 있게 검증해야 하는 신뢰할 만한 기본 선택지다.

이 메커니즘은 규모, 모달리티, 달의 조명을 연결한다

이 모델의 핵심 기술적 기여는 하나의 정확도 점수가 아니라, 차이를 지우지 않으면서 양립하기 어려운 관측 자료를 넘나들며 추론하는 방식이다.

IBM과 NASA는 IBM과 유럽우주국이 개발한 멀티모달 지구 관측 모델 TerraMind에 사용된 훈련 방식을 달에 맞게 적용했다. 달 버전은 마스킹 토큰 모델링을 사용한다.

마스킹 토큰 훈련에서는 입력의 일부를 숨기고 시스템이 선택된 목표를 복원하도록 학습한다. 이는 모델이 관측 유형 내부와 유형 간의 관계를 학습하도록 유도한다.

가시광 이미지가 지형 구조를 설명하는 데 도움이 될 수 있다. 열 정보는 그림자와 표면 조성에 관련될 수 있다. 레이더 또는 수소 측정값은 일반 사진으로는 얻을 수 없는 단서를 더할 수 있다.

시스템은 학습 타일이 동일한 지리적 영역을 포괄하기 때문에 이러한 관계를 학습할 수 있다. 공간적 정렬은 서로 다른 장비에서 비롯된 측정치를 비교할 수 있는 기반을 모델에 제공한다.

달에 특화된 첫 번째 추가 요소는 관측 기하다. 각 타일에는 관측 및 조명 조건이 시퀀스 토큰으로 포함된다.

이 선택은 시각적 혼동의 주요 원인을 직접적으로 해결한다. 같은 능선도 한 이미지에서는 밝은 가장자리로 보이지만, 다른 이미지에서는 그림자 속으로 사라질 수 있다.

달의 극지에서는 낮은 태양 고도가 긴 그림자를 만들어 위험 요소를 가릴 수 있다. 영구 음영 지역은 일반적인 반사광 영상으로는 세부 정보가 거의 드러나지 않아 특히 분석하기 어렵다.

두 번째 추가 요소는 혼합 해상도 공동 사전학습이다. 각 해상도를 별도 모델 계열로 다루는 대신, 하나의 가중치 세트가 미터 규모와 지역 규모의 관측을 모두 처리한다.

이는 크레이터 분석에서 중요하다. 작은 크레이터의 테두리를 파악하려면 고해상도 영상이 필요할 수 있지만, 주변 지형은 훨씬 더 넓은 규모에서 지질학적 맥락을 제공한다.

향후 착륙 후보지에도 마찬가지로 중요하다. 연구자들은 국지적 위험 요소를 지역적 조명, 경사도, 온도, 접근성 고려 사항과 연결해야 한다.

모델의 11개 모달리티가 모두 전 지구적 범위를 제공하는 것은 아니다. 일부 정적 레이어는 특정 장비의 관측 범위 내에서만 제공되며, 일부 극지 제품은 비교적 적은 수의 타일만 포괄한다.

모달리티별 토큰화는 연구자가 사용할 수 없는 입력을 제외하거나 미세 조정 과정에서 선택한 모달리티를 추가할 수 있게 한다. 모델은 모든 작업에 대해 모든 관측 유형을 요구하지 않는다.

이러한 유연성은 결측 데이터가 일반적인 실제 과학 아카이브에서 필수적이다. 동시에 어떤 모달리티가 존재하는지에 따라 성능이 달라질 수 있다는 평가 문제도 제기한다.

공개된 벤치마크는 네 가지 다운스트림 문제를 다룬다. 광각 크레이터 탐지, 미터 규모 크레이터 탐지, 불규칙한 마레 패치 분할, 극지 얼음 잠재성 평가가 포함된다.

불규칙한 마레 패치는 달의 어두운 현무암 평원 안에서 발견되는 이례적이고 비교적 매끄러운 화산 지형이다. 그 연대와 기원은 여전히 논쟁 중이므로, 경계를 지도화하는 작업은 더 폭넓은 지질학적 분석을 뒷받침할 수 있다.

학습 데이터 절반을 사용한 광각 크레이터 탐지에서, 가장 우수한 달 모델 구성은 평균 정밀도 0.2541을 달성했다. 보고된 SwinV2-B 기준선 가운데 최고 성능은 0.2313이었다.

평균 정밀도는 신뢰도와 중첩 임곗값 전반에서 탐지 품질을 요약한다. 관련 객체를 찾아내면서 오탐을 줄이는 시스템에 높은 점수를 부여한다.

전체 광각 학습 세트에서는 가장 우수한 달 모델 구성이 0.2581에 도달했다. 이에 대응하는 SwinV2-B 기준선은 0.2420이었다.

미터 규모 크레이터 탐지에서는 차이가 거의 사라졌다. 모델은 0.1543을 기록했고, 선도 기준선은 0.1552였다.

이 결과는 더 큰 성능 향상만큼이나 많은 정보를 제공한다. 사전학습이 모든 해상도와 작업에서 결정적인 우위를 만들어낸 것은 아니라는 점을 보여준다.

불규칙한 마레 패치 분할에서 보고된 최고 달 모델 결과는 intersection-over-union 점수 0.5709를 기록했다. 목록에 제시된 가장 강력한 기준선은 0.5687이었다.

Intersection over union은 예측 영역이 레이블된 영역과 얼마나 밀접하게 겹치는지 측정한다. 작은 차이만으로 극적인 역량 격차를 입증할 수는 없다.

극지 얼음 잠재성 벤치마크에서는 가장 뚜렷한 결과가 나왔다. 달 모델은 평균 제곱근 오차 0.0293을 기록했고, SwinV2-B는 0.0377을 기록했다.

평균 제곱근 오차가 낮을수록 해당 회귀 작업에서 예측이 실제값에 더 가깝다는 뜻이다. IBM은 이 차이를 최대 22%의 오차 감소로 설명했다.

이 정확한 결과는 프로젝트의 기술 보고서에 실려 있다. 연구진은 대부분의 구성을 다섯 개의 무작위 시드에 걸쳐 평가해 실행 간 결과 변동 폭을 보여주는 데 도움을 주었다.

그럼에도 벤치마크 성능과 과학적 유용성은 동일하지 않다. 모델은 지표를 개선할 수 있지만, 독립적인 측정을 견뎌내는 발견을 만들어내지 못할 수도 있다.

가까운 시일 내 가장 유력한 역할은 우선순위 설정이다. 이 시스템은 고해상도 영상, 시뮬레이션 또는 미래 장비를 통해 검토할 가치가 있는 위치, 패턴, 이상 징후를 부각할 수 있다.

이 기능은 실제 가치가 있다. 특히 데이터 소스가 서로 다른 격자와 규모를 사용할 때, 과학자들은 페타바이트 규모의 관측 데이터에서 가능한 모든 조합을 수동으로 검사할 수 없다.

하지만 모델의 출력은 연구 단서로 남아야 한다. 특정 표면 아래에 얼음이 존재한다는 직접 증거도 아니고, 지도화된 지형이 특정 연대를 지녔다는 증명도 아니다.

공개 가중치가 과학적 불확실성을 없애지는 않는다

모델은 탐색 영역을 좁힐 수 있지만, 원격탐사 상관관계를 확인된 달 자원이나 안전한 착륙 결정으로 바꿀 수는 없다.

IBM의 발표는 더 작은 크레이터 탐색, 화산 역사 연구, 달 얼음 존재 가능 지역 추정이라는 세 가지 주요 활용 사례를 제시한다. 각 활용 사례에는 서로 다른 검증 부담이 따른다.

크레이터 탐지는 관측 가능한 영상 작업에 가장 가깝다. 연구자들은 예측된 크레이터 위치를 레이블된 이미지 및 독립 카탈로그와 비교할 수 있다.

그 경우에도 레이블에는 불확실성이 있다. 작은 크레이터는 겹치거나 침식되거나 까다로운 조명 아래에서 사라질 수 있으며, 주석 기준도 데이터세트마다 다를 수 있다.

화산 관련 작업은 불규칙한 마레 패치의 경계가 모호할 수 있어 더 어렵다. IBM은 평가에 불완전한 레이블이 사용됐음을 인정한다.

따라서 보고된 작업별 비교에서 3% 개선은 신중하게 해석해야 한다. 불확실한 레이블과의 중첩이 더 좋아졌다고 해서 해당 지형을 둘러싼 과학적 논쟁이 해결되는 것은 아니다.

얼음 잠재성은 모델 출력과 물리적 확인 사이의 간극이 가장 큰 사례다. 모델은 조건과 측정치가 얼음에 유리하다고 여겨지는 지역과 유사한 위치를 추정한다.

모델이 달 물질을 직접 채취하는 것은 아니다. 홀드아웃 데이터세트에서 낮은 예측 오차가 나왔다고 해서 임무 지점의 얼음 양, 깊이, 접근성 또는 순도를 확인할 수는 없다.

IBM의 발표는 잠재적 얼음 퇴적물과 높은 잠재성을 지닌 지역이라고 표현하는 등 신중한 언어를 사용한다. 독자들도 이러한 단서를 유지해야 한다.

벤치마크 비교 역시 모델을 설계하고 데이터세트를 구성한 팀에서 나왔다. 독립적인 재현 연구는 아직 보고된 성능 향상이 다른 지역, 레이블 또는 작업 정의에도 이전되는지 확립하지 못했다.

데이터 누수도 연구자들이 지속적으로 검증해야 할 문제다. 지리적으로 인접한 달 타일은 서로 다른 샘플로 저장되더라도 지형 패턴을 공유할 수 있다.

프로젝트는 달 지도화 구역과 극관을 기준으로 한 지리적 분할을 사용했다고 설명한다. 이는 인접 타일을 무작위로 분할하는 방식보다 강력하지만, 외부 팀은 의도한 작업에 맞춰 분할 방식을 검토해야 한다.

커버리지 편향도 동등하게 주목할 필요가 있다. 밀집한 관측은 과학적으로 관심이 큰 지역이나 특정 임무가 표적으로 삼은 지역에 집중되는 경향이 있다.

그러한 기록으로 학습한 모델은 관측이 드문 지형에서 다르게 작동할 수 있다. 누락된 모달리티 역시 예측 품질을 더 바꿀 수 있다.

달 표면은 극심한 분포 변화도 나타낸다. 새 장비는 SomBench에 포함된 임무의 장비와 노이즈, 보정, 해상도 또는 관측 기하가 다를 수 있다.

미세 조정은 도움이 될 수 있지만, 적응이 호환성을 보장하지는 않는다. 연구자들은 운영 계획에서 이 모델에 의존하기 전에 장비별 테스트를 수행해야 한다.

이번 공개의 개방성은 그러한 검증 가능성을 높인다. 외부 팀은 가중치를 내려받고, 구성을 검토하며, 다운스트림 테스트를 재현하고, 지역별 벤치마크를 만들 수 있다.

Apache 2.0은 폭넓은 수정과 재배포도 허용한다. 이는 대학, 우주 기관, 상업용 달 탐사 기업이 특화 버전을 구축하기 쉽게 만들 것이다.

하지만 사전학습 코드가 없다는 점은 완전한 재구성을 제한한다. 연구자들은 공개된 체크포인트를 평가할 수 있지만, 공개 저장소만으로 이를 생성한 모든 단계를 아직 재현할 수는 없다.

하드웨어 접근성도 또 다른 실질적 경계를 만든다. 1,100 GPU 시간의 사전학습을 피하면 진입 장벽은 낮아지지만, 다중 모달 달 데이터세트를 처리하는 일은 여전히 상당한 연산 자원을 요구한다.

문서화와 데이터 준비는 모델 가용성보다 더 큰 장애물이 될 수 있다. 장비마다 서로 다른 투영법, 해상도, 보정 이력, 물리 단위를 사용한다.

기술적으로 공개된 모델도 연구자들이 전처리를 안정적으로 재현하고 출력을 확립된 과학 도구와 연결할 수 있을 때에만 널리 유용해진다.

운영 활용에는 더 높은 기준이 필요하다. 항법 위험은 직접적인 안전 문제를 낳기 때문에 착륙 지점 선정은 하나의 머신러닝 점수에 의존할 수 없다.

임무 계획 수립자는 영상, 지형 모델, 조명 연구, 통신 제약, 열 조건, 공학적 여유를 결합한다. 달 모델은 그 과정을 대체하지 않으면서 증거를 보탤 수 있다.

자원 계획에도 같은 절제가 적용된다. 물 얼음은 식수 공급, 산소 생산, 추진제 제조를 지원할 수 있지만, 접근성이 매장지가 운영상 가치를 지니는지 결정한다.

원격으로 유망해 보이는 장소도 너무 깊거나, 지나치게 분산돼 있거나, 도달하기 어려울 수 있다. 물리적 측정은 계속해서 결정적인 역할을 할 것이다.

이러한 상충 관계는 “AI가 달을 지도화한다”는 문구보다 NASA-IBM Lunar Foundation Model을 더 정확하게 규정한다. 이 모델은 검증 가능한 가설의 공간을 넓히지만, 증명은 장비와 과학자들의 손에 남긴다.

공개 달 AI의 중요성을 보여줄 세 가지 신호

다음 시험대는 원래 팀의 또 다른 헤드라인 벤치마크가 아니라 채택과 독립 검증이다.

첫 번째 신호는 제3자 벤치마크 재현이다. 독립 연구자들은 공개된 가중치와 문서화된 데이터 분할을 사용해 크레이터, 화산, 얼음 결과를 재현해야 한다.

여러 무작위 시드에서 팀들이 유사한 결과를 얻는다면 재현은 신뢰를 강화할 것이다. 상당한 성능 미달은 사전학습된 표현이 신뢰할 수 있는 우위를 제공한다는 주장을 약화시킬 것이다.

가장 유익한 연구는 원래 팀이 통제하지 않은 지역이나 레이블을 테스트할 것이다. 또한 종합 점수만 공개하는 대신 실패 사례도 보고해야 한다.

이러한 실패 사례는 모델이 그림자를 지형과 혼동하는지, 누락된 모달리티에서 어려움을 겪는지, 또는 관측이 드문 지역에서 성능이 떨어지는지를 드러낼 수 있다.

두 번째 신호는 새 데이터 또는 임무 워크플로에 대한 적응이다. 재사용 가능한 파운데이션 모델은 외부 그룹이 원래 벤치마크 패키지를 넘어 적용할 수 있을 때 그 이름에 걸맞은 가치를 입증한다.

연구자들은 다른 달 탐사 임무의 영상을 테스트하거나, 새로운 측정 유형을 추가하거나, 다른 지질학적 특징을 위해 백본을 미세 조정할 수 있다. 성공적인 이전은 IBM과 NASA의 공유 모델 전략을 뒷받침할 것이다.

반복적인 재학습의 어려움은 반대 방향을 가리킬 것이다. 새 장비마다 광범위한 전처리와 아키텍처 변경이 필요하다면, 작업별 파이프라인이 실질적인 우위를 유지할 수 있다.

공개 소프트웨어는 이미 TerraTorch 구성과 다운로드 가능한 체크포인트를 통해 출발점을 제공한다. 다음 질문은 연구자들이 제작자의 긴밀한 지원 없이 그 기반을 확장할 수 있는지 여부다.

세 번째 신호는 모델이 검증 가능한 결과를 낳는 관측 또는 임무 결정에 정보를 제공하는지다. 이는 운영상 착륙 지침이 아니라 우선순위가 매겨진 영상 촬영 대상부터 시작될 수 있다.

유용한 시스템은 수동 검토를 위해 문서화되지 않은 크레이터를 표시하고, 추가 연구를 위한 화산 경계를 식별하거나, 후속 측정 대상 극지 지역의 순위를 매길 수 있다. 이후 과학자들은 이러한 단서를 독립 데이터와 비교할 수 있다.

일정은 연구 주기와 관련 관측 자료에 대한 접근성에 따라 달라질 것이다. 더 넓은 전략적 맥락은 지속적인 달 탐사와 화성 탐사 준비를 지원하기 위한 NASA의 Artemis program에서 비롯된다.

IBM과 NASA는 이전에 지구 관측, 날씨, 기후, 과학 텍스트, 태양 물리학을 위한 과학 파운데이션 모델을 공개했다. 이번 달 프로젝트는 이러한 흐름을 행성 원격탐사로 확장한다.

이러한 이력은 이번 공개가 단순한 개별 시연 이상의 의미를 갖게 한다. IBM과 NASA는 공개 데이터와 재사용 가능한 아키텍처를 중심으로 공유 과학 AI 시스템군을 구축하고 있다.

이 접근법은 연구 과정에서 모델 개발이 어디에 위치해야 하는지 기관들이 다시 검토하도록 압박한다. 공통 기반 모델은 중복 학습을 줄일 수 있지만, 중앙집중식 사전학습은 데이터, 아키텍처, 평가에 관한 가정 역시 한곳에 집중시킨다.

오픈 액세스는 그러한 가정을 드러내는 데 도움이 된다. 그렇다고 그 가정들이 사라지는 것은 아니다.

개발자에게 당장의 기회는 입력값이 물리적 의미를 지닌 특화 멀티모달 모델을 실험하는 데 있다. 이는 가시광 사진만으로 범용 이미지 모델을 조정하는 것과는 다르다.

과학자에게는 모든 표현을 처음부터 다시 구축하지 않고도 여러 기기의 관측치를 연결할 기회가 있다. 다만 그러한 연결이 과학적으로 타당한지를 검증할 의무가 따른다.

미션 기획자에게 이 모델은 제한된 관심과 컴퓨팅 자원을 우선순위화하는 또 하나의 방법을 제공한다. 고해상도 관측, 시뮬레이션, 현장 측정 또는 엔지니어링 검토를 대체하지는 않는다.

이 경계는 이번 공개를 평가하는 방식에 반영되어야 한다. NASA-IBM Lunar Foundation Model은 가장 극적인 달 관련 주장을 만들어낼 때가 아니라, 유용한 연구 기반이 될 때 우선 성공한 것으로 볼 수 있다.

향후 몇 달 동안은 누가 벤치마크를 재현하는지, 누가 익숙하지 않은 데이터에 이를 적용하는지, 그리고 그 예측이 독립적인 관측을 이끄는지를 지켜봐야 한다. 이러한 결과는 오픈 달 AI가 공유 인프라가 될지, 아니면 인상적인 연구 공개에 머물지를 보여줄 것이다.