에이전틱 AI, 외계 신호 탐색에 합류하다

배경

NVIDIA는 10월 말 블로그 글에서 핼러윈을 소재로 삼아, 외계 지적 생명체 탐색(SETI)이 AI와 함께 나아가고 있다고 밝혔습니다. 이 글은 외계 신호를 발견했다고 알리지 않습니다. 달라진 것은 탐색 방식입니다.

지난 10년 가까이 SETI의 진전은 주로 머신러닝에서 나왔습니다. 학습된 모델이 전파망원경 데이터에서 수상한 조각을 골라내는 방식이었습니다. 이번에 새로 등장한 것은 AI 에이전트입니다. 에이전트는 조각마다 점수만 매기는 분류기가 아닙니다. 목표를 받으면 스스로 단계를 계획하고, 여러 도구를 호출하고, 중간 결과를 읽은 뒤 다음 행동을 정합니다.

에이전틱 AI는 실제로 외계 신호 탐색에 쓰이고 있을까요? NVIDIA 블로그에 따르면 그렇습니다. SETI 연구자들은 천문 관측 신호를 걸러내고 분석하는 데 AI 에이전트를 점점 더 많이 활용하고 있습니다. 다만 원문은 방향과 흐름만 설명할 뿐 성능 수치는 공개하지 않았습니다. 그래서 이 글에서도 성능 수치는 인용하지 않습니다.

심층 분석

먼저 SETI 데이터가 어떤 모양인지 봐야 합니다. 전파망원경은 아주 넓은 주파수 대역에서 하늘을 오랜 시간 기록합니다. 연구자들이 주로 찾는 것은 대역폭이 매우 좁고 주파수가 시간에 따라 규칙적으로 이동하는 협대역 신호입니다. 자연 천체는 이런 신호를 거의 만들지 못하지만, 인공 송신기는 쉽게 만듭니다.

문제는 지구에서도 협대역 신호가 나온다는 점입니다. 휴대전화, 위성, 레이더, 가전제품이 모두 원인이며, 이를 전파 간섭이라고 부릅니다. 기존 흐름은 세 단계입니다. 알고리즘이 이동하는 신호를 찾고, 망원경이 목표를 향할 때와 벗어날 때의 관측을 비교해 간섭을 제거하고, 남은 후보를 사람이 검토합니다.

이 흐름에는 병목이 두 개 있습니다. 후보가 매우 많고 대부분이 간섭이라는 점, 그리고 단계마다 규칙을 사람이 설계하고 조정해야 한다는 점입니다. 에이전트는 탐색, 간섭 제거, 교차 비교, 결과 기록을 하나의 자율 루프로 묶을 수 있습니다. 이상 징후를 만나면 매개변수를 바꿔 다시 돌리고, 필요하면 관측 기록이나 성표를 조회합니다. 단계마다 사람의 지시를 기다릴 필요가 없습니다. GPU 가속은 나머지 절반을 해결합니다. 데이터가 워낙 커서 병렬 연산 없이는 어떤 영리한 흐름도 끝까지 돌 수 없기 때문입니다.

산업 영향

가장 큰 수혜자는 관측 데이터는 많고 사람은 적은 프로젝트입니다. Breakthrough Listen이 한 예입니다. 이 프로그램은 여러 대형 망원경으로 데이터를 계속 쌓고 있습니다. 앞서 일부 연구팀은 딥러닝으로 옛 데이터를 다시 분석해, 수작업 흐름이 놓친 후보를 찾아냈습니다. 보관된 데이터 속에 아직 충분히 캐내지 못한 정보가 있을 수 있다는 뜻입니다. 에이전트는 이런 재분석을 더 싸고 반복하기 쉽게 만듭니다.

이 접근은 SETI에만 해당하지 않습니다. 펄서 탐색, 빠른 전파 폭발 식별, 일시적 천체 감시도 데이터 홍수, 낮은 신호 대 잡음비, 많은 거짓 양성이라는 같은 문제를 안고 있습니다. 사람이 보기 전에 에이전트가 거르고 교차 확인하는 방식은 이 분야들로 옮겨 갈 수 있습니다.

AI 업계에는 좋은 수직 응용 사례입니다. 에이전트가 코드 작성이나 고객 응대에만 쓰이는 것이 아니라, 연구 흐름 중간의 반복 작업도 맡을 수 있음을 보여 줍니다. 다만 과학계는 자동화된 결론에 늘 신중했습니다. 에이전트가 자율적일수록 모든 단계를 추적하고 재현할 수 있어야 동료들이 후보를 받아들입니다.

전망

지켜볼 신호는 네 가지입니다. 첫째, 어느 팀이 에이전트 흐름의 평가 결과를 공개하는지입니다. 주입한 알려진 신호의 재현율, 간섭에 대한 오경보율, 기존 흐름과의 비교가 들어가야 합니다. 이런 기준이 없으면 돌파구라는 말은 이야기에 그칩니다. 둘째, 서로 다른 망원경의 데이터를 같은 에이전트가 호출할 수 있는 천문용 개방형 도구 체계가 나오는지입니다. 그래야 방법이 개별 프로젝트를 넘어 분야 전체로 퍼집니다.

셋째는 사람과 기계의 역할 경계입니다. 단기적으로 에이전트는 1차 선별과 재검토를 맡을 가능성이 큽니다. 후보로 인정할지는 독립된 여러 망원경의 반복 관측과 사람의 검토가 정합니다. 넷째는 새로운 위험입니다. 학습 데이터의 편향을 지닌 자동화 흐름은 가정에 맞지 않는 신호를 체계적으로 놓칠 수 있습니다. 모델이 이미 아는 것만 찾지 않도록 비정형 탐색도 일부 남겨 두는 편이 건강합니다.

이 글의 의미는 외계 문명에 얼마나 가까워졌는가에 있지 않습니다. 과학 데이터 분석이 사람이 규칙을 쓰는 방식에서 에이전트가 거드는 방식으로 옮겨 가고 있음을 보여 준다는 데 있습니다. 이 변화가 믿을 만한지는 앞으로 공개될 방법과 데이터가 판가름할 것입니다.