기상 예보와 기후 과학 분야에서도 AI 활용이 늘고 있지만, 이를 ‘혁명’이라 부르기에는 과장이 섞여 있다는 지적이 나왔다. 올해 초 미국 국립기상청(NWS) 일부 사무소가 소셜미디어용으로 생성한 예보 지도에 아이다호 주의 ‘Whata Bod’, ‘Orangeotild’ 같은 가상의 도시명이 등장해 논란이 됐다. 다만 이는 실제 예보 모델이 아니라 SNS 홍보용 AI 생성 이미지에 국한된 오류였으며, 기상 예보사나 기후 과학자들이 LLM(대규모 언어 모델) 프롬프트 엔지니어로 교체되는 상황은 아직 일어나지 않았다.
현재 기상·기후 과학에 실제로 쓰이는 AI는 LLM이 아닌 머신러닝(ML)이다. 머신러닝의 핵심 원리는 방대한 데이터에서 패턴을 찾아내는 것으로, 수천 장의 조류 사진에 종명을 붙인 훈련 데이터를 학습해 최적의 분류 기준을 찾아내는 방식이 대표적이다. 기상 분야에서는 과거 수십 년간의 기상 관측 데이터를 학습해 단순 선형 회귀로는 포착하기 어려운 복잡한 패턴을 추출하는 데 활용한다. 연구자들은 이러한 ML 기법의 강점과 한계를 이미 수년에 걸쳐 검증해 왔으며, 여기에는 적용 가능한 영역과 불가능한 영역이 명확히 구분되는 특성도 포함된다.
기상 예보와 기후 시뮬레이션은 AI를 적용하는 방식에서도 차이가 있다고 짚었다. 단기 날씨 예보는 빠른 패턴 인식이 강점인 ML을 활용하기 적합한 영역인 반면, 수십 년 이상의 장기 예측이 필요한 기후 변화 시뮬레이션은 ML이 다룰 수 있는 범위와 한계가 분명히 다르다. ML은 단순 선형 회귀로는 잡아내기 어려운 복잡한 관계를 학습할 수 있지만, 훈련 데이터에 충분히 담기지 않은 상황에서의 거동까지 보장하지는 못한다. 강점과 약점이 모두 잘 알려져 있기에 어떤 문제에 적용할지가 핵심이라는 것이다.
AI가 기상·기후 과학에 기여하는 것은 사실이지만, 현재의 기여는 수십 년간 축적된 물리학 모델을 대체하는 것이 아니라 보완하고 가속하는 역할에 해당한다. 기상청과 연구 기관들이 ML 도구를 채택하는 속도는 빨라지고 있으나, 예보 정확도의 실질적 향상은 AI 홍보 문구보다 조용하고 점진적인 방식으로 이루어지고 있다.
