위성이 지상에 묻기 전에 판단하면 무엇이 달라질까

지구관측 위성은 사진을 찍는 순간부터 시간과 싸운다. 구름에 가린 영상도 저장 공간을 차지하고 지상으로 내려보내려면 통신 시간이 든다. 산불이나 화산 분화처럼 빨리 변하는 현상은 영상을 지상에서 확인한 뒤 다음 명령을 보내려는 사이 관측 기회가 지나갈 수 있다.

위성 온보드 인공지능(onboard artificial intelligence)은 위성 안에서 센서 데이터를 분석하고 다음 행동을 정하는 기술이다. 국내 항공우주 분야에서도 온보드 인공지능과 위성 온보드 AI라는 표현을 사용한다.34 핵심은 AI를 우주에 올렸다는 사실이 아니다. 위성이 지상에 묻지 않고도 어떤 데이터를 남기고 어디를 다시 볼지 정할 때 임무 방식이 달라진다.

먼저 버릴 영상을 고르면 통신 부담이 줄어든다

전통적인 지구관측 임무는 원시 데이터를 위성에 저장한 뒤 지상으로 내려보내 분석한다. NASA의 2026년 소형위성 항전장비 현황은 궤도에서 데이터를 선별·분석해 방대한 원시 데이터 대신 유용한 정보만 전송하는 방향을 설명한다.2

이 방식의 가장 단순한 쓰임은 구름 영상 제거다. 광학 센서가 구름에 가린 지표면을 찍으면 과학자가 쓸 수 있는 정보가 적어도 저장과 전송 자원은 이미 사용된다. 위성이 촬영 직후 구름을 판별해 불필요한 영상을 보내지 않으면 같은 통신 창에서 더 많은 유효 데이터를 전달할 여지가 생긴다.

다만 데이터를 덜 보낸다와 더 좋은 관측을 한다는 같은 말이 아니다. 이미 찍은 영상을 골라 버리는 기능은 통신 효율을 높인다. 촬영 전에 장면을 판단하고 센서 방향까지 바꿔야 관측 자체가 달라진다.

NASA 시험은 구름을 피한 뒤 촬영했다

NASA 제트추진연구소는 2025년 7월 소형위성 CogniSAT-6에서 Dynamic Targeting을 시험했다. 위성은 진행 방향 약 500km 앞을 먼저 보고 구름과 맑은 하늘을 구분했다. 구름이 없으면 센서를 지표면으로 돌려 촬영하고 구름이 있으면 촬영을 취소했다. 이 과정은 사람의 개입 없이 60~90초 안에 이뤄졌다고 NASA는 발표했다.1

구름 회피 관측의 물리적 상황을 설명하기 위한 생성 이미지. 실제 임무나 위성 사진이 아니다.

이 시험은 파일의 크기만 바꾼 것이 아니다. 위성은 선행 영상을 해석한 뒤 관측 계획을 바꿨다. 이 글은 여기에 온보드 AI의 더 큰 가치가 있다고 해석한다. 지상에서 명령을 다시 받기 전에 관측 행동을 바꾸면 같은 궤도와 센서로 얻는 유효 관측의 비율을 높일 수 있다.

그러나 입증 범위는 좁게 봐야 한다. NASA가 2025년 7월까지 비행으로 확인했다고 밝힌 기능은 구름 회피다. 산불·화산의 열 이상이나 심한 폭풍을 찾아 센서를 다시 겨누는 기능은 후속 시험 목표로 설명됐다.1 한 번의 기능 시험을 장기간 과학 임무나 상용 서비스의 완성으로 확대할 근거는 아직 없다.

늦게 알면 놓치는 현상에서 가치가 커진다

온보드 판단이 모든 지구관측 임무에 같은 가치를 주지는 않는다. 지도를 정기적으로 갱신하는 임무라면 지상에서 큰 컴퓨터로 처리하고 사람이 검토하는 방식이 더 안전하고 저렴할 수 있다. 다음 관측 때까지 기다릴 수 있다면 몇 분의 지연도 치명적이지 않다.

반대로 산불, 화산 분화, 짧게 발달하는 폭풍처럼 위치와 강도가 빠르게 바뀌는 현상은 다르다. NASA는 Dynamic Targeting의 후속 목표로 이런 현상을 제시했다.1 선행 센서가 이상을 찾고 본 센서가 즉시 자세를 바꾸면 지상 분석과 명령 전송을 기다리다 놓칠 장면을 관측할 가능성이 생긴다.

이 글에서는 온보드 AI의 우선순위를 모델 정확도가 얼마나 높은가보다 판단이 늦으면 관측 기회가 사라지는가에서 먼저 정해야 한다고 판단한다. 지연 비용이 작다면 지상 처리의 검증 능력이 유리하다. 지연 비용이 크다면 위성 안의 불완전한 판단도 운영 가치가 생길 수 있다. 어느 쪽이 맞는지는 임무마다 오탐과 미탐의 비용을 함께 계산해야 한다.

우주에서는 빠른 칩보다 버티는 시스템이 먼저다

지상용 AI 프로세서를 위성에 넣는다고 바로 운영 시스템이 되지는 않는다. NASA의 기술 현황 문서는 상용 기성품(COTS)이 성능·에너지 효율·가격에서 장점이 있지만 방사선에 취약하다고 설명한다.2 궤도와 임무 수명에 따라 누적 방사선과 단일 입자 효과가 메모리나 논리 상태를 바꿀 수 있다.

온보드 연산 장비의 환경 검증을 설명하기 위한 생성 이미지. 특정 기관의 실제 시설이 아니다.

전력과 열도 제한된다. 더 큰 모델을 빠르게 돌리면 소비 전력과 발열이 늘 수 있다. 센서와 통신 장비도 같은 위성의 전력을 나눠 쓴다. 처리 성능을 올리다가 관측 시간이나 통신 시간을 줄이면 임무 전체의 이득이 사라질 수 있다.

오판 뒤 복구 방식은 더 까다롭다. 지상 AI가 틀리면 원본을 다시 확인할 수 있다. 하지만 위성이 중요 영상을 지웠거나 센서를 다른 방향으로 돌렸다면 관측 기회가 돌아오지 않을 수 있다. 초기 임무에서는 AI가 데이터를 지우기보다 우선순위를 붙이게 하고 사람이 원본과 판단 기록을 대조할 수 있도록 설계할 이유가 있다.

시험 성공과 서비스 운영 사이에는 세 단계가 남는다

현재 근거를 단계별로 나누면 과장을 피할 수 있다.

증거 단계	이번 조사에서 확인된 것	아직 확인되지 않은 것
비행 기능	CogniSAT-6에서 구름 회피 판단과 센서 재지향	다른 계절·지역에서의 장기 성능
임무 운영	60~90초 안의 무인 처리 절차	반복 고장률, 모델 갱신과 롤백
과학·사업	유효 데이터 비율을 높일 가능성	과학 산출물 개선, 고객 지불, 반복 매출

단일 시연은 기술 경로가 작동한다는 증거다. 반복 운항은 환경이 바뀌어도 같은 기능이 유지된다는 증거다. 고객이 더 빠른 경보나 더 높은 유효 관측률에 돈을 내야 사업성이 생긴다. 이 세 단계를 건너뛰고 우주 AI 시장이 열렸다고 말하면 기술 성과와 기업 수익을 섞게 된다.

위성 AI는 정확도보다 닫힌 고리로 평가해야 한다

위성 온보드 AI를 평가할 때는 네 가지를 확인해야 한다. 지상에서 판단하면 이미 늦는 사건인지, 위성 안의 판단이 데이터 선별에서 끝나는지 센서 행동까지 바꾸는지, 틀린 판단이 어떤 손실로 이어지는지, 그리고 궤도에서 모델을 검증하고 되돌릴 수 있는지다.

이 기준으로 보면 2025년 NASA 시험은 의미가 분명하다. 위성이 선행 영상을 보고 구름 없는 지점을 스스로 골라 촬영했다. 하지만 산불·화산 탐지, 장기 반복 운영, 유료 서비스는 다음 증거다. 온보드 AI의 가능성은 이미 궤도에서 보였지만 사업 가치는 앞으로 쌓일 운영 기록에서 판정해야 한다.

위성 안에서 좋은 데이터를 고른 뒤에는 그 데이터를 고객의 판단으로 바꾸는 과정이 남는다. 위성사진이 보험금 지급에 쓰이는 과정에서는 관측 데이터와 실제 의사결정 사이의 검증 단계를 이어서 다룬다.

참고문헌

[1] NASA Jet Propulsion Laboratory, “How NASA Is Testing AI to Make Earth-Observing Satellites Smarter”, 2025-07-24, 기관 비행시험 발표, Avoiding Clouds for Better Science·How Dynamic Targeting Works·What's Next, 확인 2026-10-19.

[2] NASA Small Spacecraft Systems Virtual Institute, “8.0 Small Spacecraft Avionics”, 2026-05-19, 기술 현황 문서, 8.2.1·8.2.6, 확인 2026-10-19.

[3] 권진세 외, 「지구 관측 위성의 실시간 온보드 인공지능 적용에 관한 연구」, 한국항공우주학회 학술발표회 초록집, 2022, 제목의 한국어 용례, 확인 2026-10-19.

[4] 이창민·윤지중, 「위성 온보드 AI기술 및 활용분야 동향분석」, 항공우주시스템공학회 학술대회 발표집, 2025, 제목의 한국어 용례, 확인 2026-10-19.