딥마인드가 사이클론 예보 모델 웨더넥스트 사이클론스를 네이처에 싣고 가중치까지 공개했다

구글 딥마인드는 2026년 8월 6일 사이클론 전용 예보 모델 WeatherNext Cyclones의 연구를 네이처에 발표하고 코드와 모델 가중치를 함께 공개했다. WeatherNext Cyclones는 사이클론의 경로와 강도를 한 모델로 동시에 예측해 평균 하루(24시간) 이상의 예보 선행 시간을 확보했고, 딥마인드는 이 개선폭이 기상 예보 분야 약 10년치 진전에 해당한다고 설명했다. 2023년부터 2025년까지 검증에서 3일 예보 기준 경로 오차는 약 100킬로미터로 ECMWF-ENS보다 낮았고, 강도 오차는 약 11노트로 HWRF보다 낮았다. ASAP은 딥마인드 공식 블로그와 네이처 게재 논문을 1차 출처로 이 모델이 무엇을 바꿨고 어디까지 검증됐는지 정리한다.

경로와 강도를 한 모델이 동시에 맞히기 시작했다

WeatherNext Cyclones는 사이클론의 경로와 강도를 하나의 모델로 함께 예측하도록 설계된 딥마인드의 2026년 공개 모델이다. 딥마인드는 이 설계를 기존 예보가 안고 있던 맞바꾸기를 해소한 것으로 규정한다.

기존 분업의 근거는 물리에 있었다. 사이클론이 어디로 가는지는 거대한 전지구 대기 흐름이 결정하고, 그 흐름은 해상도가 낮은 전지구 모델이 가장 잘 다뤘다. 반대로 사이클론이 얼마나 강해지는지는 중심부 주변의 국지적이고 미세한 열역학 과정이 결정하고, 그 과정은 고해상도 국지 전문 모델의 영역이었다. 하나의 현상을 두 종류의 모델이 나눠 맡는 구조가 오래 유지된 이유다.

WeatherNext Cyclones는 세 가지 방식으로 이 경계를 넘었다. 첫째, 전지구 기상 역학과 전문가가 정제한 과거 사이클론 관측이라는 서로 다른 두 데이터 양식을 함께 학습했다. 둘째, 함수형 생성 네트워크(Functional Generative Networks, FGN)로 서로 다른 예측의 앙상블을 효율적으로 생성해 날씨에 내재한 불확실성을 담았다. 셋째, 28×28킬로미터라는 상대적으로 거친 해상도에서 작동한다. 학습에는 약 20테라바이트의 전지구 대기 자료와 약 5,000개 과거 폭풍을 담은 IBTrACS 기록이 쓰였다.

100킬로미터와 11노트는 무엇과 비교한 숫자인가

WeatherNext Cyclones의 3일 예보 경로 오차 약 100킬로미터는 유럽중기예보센터 앙상블 예보 ECMWF-ENS와 비교한 값이다. 같은 기간 강도 오차 약 11노트의 비교 대상은 허리케인 전용 고해상도 모델 HWRF다. 검증 구간은 2023년부터 2025년까지다.

비교 대상을 정확히 짚어야 하는 이유는 두 숫자가 서로 다른 경쟁자를 상대로 나왔기 때문이다. 경로는 전지구 앙상블 물리 모델과, 강도는 허리케인 전용 국지 모델과 겨뤘다. 하나의 AI 모델이 각 분야의 대표 선수를 각각 상대해 이겼다는 구조이고, 그래서 앞 섹션의 "분업을 합쳤다"는 설명이 성능 주장과 맞물린다. 단일 종합 지표 하나로 이겼다는 뜻이 아니다.

선행 시간 이득의 크기도 원문 표현을 그대로 옮길 필요가 있다. 딥마인드는 경로와 강도와 바람 구조 예측에서 평균 24시간 넘는 선행 시간 이득을 얻었다고 밝히고, 이를 지난 20년 추세에 비춰 약 10년치 진전에 해당한다고 설명했다. 여기서 10년은 절대적 성능 척도가 아니라 과거 개선 속도를 기준으로 환산한 값이다. 개선 속도가 느린 분야일수록 같은 성능 향상이 더 많은 연수로 환산된다는 점을 함께 읽어야 이 수치의 의미가 정확해진다.

실무 감각으로 옮기면 24시간은 결정의 단위다. 대피 명령, 항만 폐쇄, 발전 설비 정지 같은 조치는 실행에 물리적 시간이 필요하고, 하루가 더 있느냐 없느냐가 그 조치의 가능 여부 자체를 가른다. 오차 100킬로미터를 90킬로미터로 줄이는 개선과, 같은 정확도를 하루 먼저 확보하는 개선은 현장에서 전혀 다른 종류의 이득이다.

28×28킬로미터가 통했다는 사실이 남긴 수수께끼

딥마인드는 WeatherNext Cyclones가 기존 전문 모델보다 100배 거친 28×28킬로미터 해상도 자료만으로 이 성능을 냈다고 밝혔다. 더 작은 모델 WeatherNext 2-mini는 111×111킬로미터라는 한층 거친 해상도에서도 좋은 성능을 보였다.

딥마인드는 이 결과를 과학자들을 놀라게 한 현상으로 적으면서, 왜 이 해상도에서 이렇게 정확한 예측이 나오는지 완전히 이해하는 일은 여전히 열린 연구 질문으로 남아 있다고 명시했다. 발표하는 쪽이 자기 결과의 원인을 모른다고 문서에 적는 일은 흔하지 않고, 그래서 이 문장이 이번 발표에서 가장 눈여겨볼 대목이다.

물리 모델의 전제는 명확했다. 사이클론의 강도를 맞히려면 눈벽의 대류 구조를 격자로 해상해야 하고, 그러려면 격자를 잘게 쪼개야 하며, 그 대가로 계산량이 폭증한다는 것이었다. 100배 거친 격자에서 강도 오차가 더 낮게 나왔다면, 강도라는 결과값이 중심부 미세 구조를 직접 계산하지 않고도 대규모 대기 상태에서 상당 부분 추론 가능하다는 뜻이 된다. 물리를 시뮬레이션하는 대신 물리의 결과와 대규모 상태 사이의 관계를 학습한 모델이 이길 수 있는 자리가 존재한다는 이야기다.

이 이득에는 대가가 따른다. 물리 모델은 틀렸을 때 어느 항이 틀렸는지 들여다볼 수 있지만, 원리를 아직 설명하지 못하는 모델은 실패했을 때 실패 원인을 지목할 수단이 부족하다. 평상시 정확도가 높다는 사실과, 전례 없는 조건에서 어떻게 어긋날지 예측할 수 있다는 사실은 별개의 자산이다. 재난 예보처럼 꼬리 사건에서 비용이 집중되는 분야에서는 후자가 특히 중요하다.

50개에서 1,000개로 늘어난 시나리오가 예보관에게 뜻하는 것

딥마인드는 2026년 앙상블 크기를 1,000개 시나리오로 키웠다고 밝혔고, 지난해 같은 시스템은 한 번에 50개 예측을 생성해 전지구 물리 모델과 같은 수준이었다고 적었다. 15일 예보 한 건은 TPU에서 1분 안에 생성된다.

앙상블 크기를 20배로 늘리는 일은 평균 정확도를 위한 투자가 아니다. 딥마인드가 밝힌 목적은 급격한 강도 증가처럼 드물지만 결과가 치명적인 시나리오를 포착하는 것이고, 실제로 2025년 허리케인 멜리사에서 그런 사건이 발생했다. 예보관이 마주하는 문제가 확률 분포의 중앙이 아니라 꼬리에 있다는 판단이 이 선택에 담겨 있다.

산수로 보면 차이가 분명해진다. 50개 표본으로는 발생 확률 2퍼센트짜리 시나리오가 평균 한 번 등장하고, 실행마다 아예 나타나지 않는 경우가 흔하다. 1,000개에서는 같은 시나리오가 평균 20번 나타나 확률 자체를 추정할 수 있는 표본이 된다. 급격한 강도 증가를 "가능성이 있다"가 아니라 "몇 퍼센트"로 말할 수 있느냐의 차이이고, 대피 결정처럼 비용이 비대칭인 판단에서는 이 차이가 결정을 바꾼다.

TPU에서 1분이라는 속도가 여기에 맞물린다. 전지구 물리 모델로 1,000개 앙상블을 돌리는 선택지는 계산 예산 때문에 애초에 존재하지 않았다. 비용 구조가 바뀌자 예보의 형태 자체가 바뀐 사례이고, AI 기상 모델의 실질적 기여가 정확도 숫자 하나가 아니라 "몇 번 돌릴 수 있는가"에 있다는 점을 보여준다.

허리케인 멜리사가 증명한 것과 증명하지 못한 것

딥마인드는 2025년 허리케인 시즌에 자사 모델이 국립허리케인센터(NHC)의 허리케인 멜리사 예보를 도왔다고 밝혔다. 모델은 급격한 강도 증가와 자메이카 상륙을 예측했고, NHC는 이를 근거로 사전 경보를 발령해 현장 대응 팀이 준비할 시간을 확보했다.

성공 사례 한 건의 증거력은 신중하게 다뤄야 한다. 한 번의 예보가 맞았다는 사실만으로는 모델의 일반적 신뢰도를 말할 수 없고, 그 역할을 하는 것은 2023년부터 2025년까지의 집계 검증이다. 멜리사 사례가 실제로 보여주는 것은 정확도 자체가 아니라 통합 경로다. AI 모델의 출력이 실제 경보 발령이라는 공식 절차 안으로 들어가 쓰였다는 사실이 이 사례의 핵심이다.

주체가 누구인지도 원문 그대로 읽어야 한다. 딥마인드의 표현은 모델이 NHC를 도왔다는 것이고, 예보를 발령한 주체는 NHC다. 딥마인드는 공식 예보와 경보는 각자의 기상 기관과 국가 기상청을 따르라는 문구를 함께 붙였다. 협업 구조에서 AI 모델은 예보관에게 제공되는 입력이며, 판단과 책임은 기관에 남는다.

가중치 공개가 한국의 기상 현장에 뜻하는 것

딥마인드는 2026년 8월 6일 네이처 논문과 함께 WeatherNext 2와 WeatherNext Cyclones의 코드와 모델 가중치를 공개했다. 소형 모델 WeatherNext 2-mini는 무료 공개 코랩 노트북에서 TPU 한 장으로 실행되고, 최신 사이클론 예보는 Weather Lab에서 확인할 수 있다.

한국 관점에서 이 공개의 무게는 진입 비용에 있다. 전지구 물리 모델을 운용하려면 슈퍼컴퓨터 급 설비와 그것을 다루는 조직이 필요하고, 그 문턱이 기상 예보를 소수 국가 기관의 영역으로 묶어 왔다. 가중치가 열리고 축소 모델이 무료 노트북에서 돌아간다면, 대학 연구실이나 재난 대응 조직이 자체 앙상블을 돌려 보는 일이 처음으로 현실적인 선택지가 된다.

동시에 짚어야 할 한계가 있다. 공개된 검증 수치는 전지구 집계이며, 한반도에 영향을 주는 태풍의 상륙 경로처럼 특정 지역 성능을 따로 보고한 수치는 이번 발표에 포함되지 않았다. 전지구 평균에서 앞섰다는 사실이 특정 해역과 특정 계절에서도 같은 폭으로 앞선다는 보장은 아니며, 지역 적용을 검토하는 쪽은 자체 검증을 별도로 수행해야 한다.

더 큰 장벽은 기술 밖에 있다. 기상 특보는 법적 책임과 행정 절차가 붙는 공적 산출물이고, 새 모델을 그 사슬에 넣으려면 정확도 검증만이 아니라 실패 시 책임 소재와 운영 절차 개편이 함께 정리돼야 한다. 멜리사 사례에서 NHC가 보여준 것도 모델 교체가 아니라 예보관 의사결정을 보조하는 입력 추가였다. 가중치 공개가 곧바로 운영 예보의 교체를 뜻하지 않는 이유다.

남는 질문

첫째는 지역별 성능이며, 딥마인드가 제시한 경로 100킬로미터와 강도 11노트는 2023년부터 2025년까지의 전지구 집계 수치다. 해역별이나 계절별로 성능이 어떻게 갈리는지는 이번 발표만으로 알 수 없다.

둘째는 원리다. 28×28킬로미터 해상도에서 강도 예측이 왜 이만큼 잘 되는지는 딥마인드 자신이 열린 연구 질문으로 남겨 뒀고, 이 답이 나오기 전까지는 모델이 어떤 조건에서 무너지는지 예측할 근거도 함께 부족하다.

셋째는 기후 변화 조건이다. 학습 데이터는 약 5,000개 과거 폭풍이며, 과거 분포에서 학습한 모델이 관측 사례가 희박한 강도 구간에서 어떻게 행동하는지는 별도 검증이 필요한 영역이다.

출처: 구글 딥마인드 공식 블로그 "WeatherNext: AI model achieves breakthrough in forecasting cyclones"(2026년 8월 6일)와 같은 날 네이처에 게재된 논문 기반 ASAP 정리