NASA가 달을 AI로 분석한다…달 기지 건설의 새로운 기술

지금까지 달 탐사는 사람이 직접 데이터를 분석하거나, 각각의 장비가 수집한 데이터를 따로따로 들여다보는 방식이 중심이었습니다. 궤도선의 카메라 사진은 카메라 사진대로, 레이더 데이터는 레이더 데이터대로, 중력장 지도는 또 그것대로 별도의 연구팀이 따로 분석해온 것이죠. 문제는 달을 도는 위성들이 지난 수십 년간 쏟아낸 관측 자료가 이미 페타바이트(petabyte, 1페타바이트는 약 100만 기가바이트에 해당하는 매우 큰 데이터 단위) 단위에 달한다는 점입니다. 사람이 하나하나 대조하며 분석하기에는 물리적으로 한계가 있습니다.

그런데 이제 상황이 달라지고 있습니다. 2026년 9월 10일, NASA와 IBM이 수십 년간 여러 임무에서 축적된 달 관측 데이터를 하나로 통합해 분석하는 AI 모델을 공개했습니다. 서로 다른 위성, 서로 다른 장비, 서로 다른 해상도로 찍힌 달 데이터를 AI가 한꺼번에 '읽고' 패턴을 찾아내는 시대가 열린 것입니다. 

https://chatgpt.com/c/6aa47c80-8af0-83ee-8d24-0429fc16ff17

 

1. 개요

1) NASA와 IBM이 무엇을 발표했는가

2026년 9월 10일(미국 뉴욕주 요크타운하이츠 기준), IBM과 NASA는 NASA-IBM Lunar Foundation Model(약칭 NASA-IBM LFM)을 오픈소스로 공개했다고 공식 발표했습니다. 이 모델은 "달의 과학적 탐사를 위해 일반에 공개된 최초의 파운데이션 모델 중 하나"로 소개되었습니다

2) NASA-IBM Lunar Foundation Model이란 무엇인가

이 모델은 IBM과 NASA 연구진이 구축한 SomBench라는 달 관측 데이터셋으로 처음부터 새로 학습된 AI 모델입니다. Hugging Face 모델 카드에 따르면, 약 200만 개의 공간 정렬 달 타일 번들을 11개 모달리티(데이터 유형)로 학습했으며, 미터급(약 1m/화소)과 100m급(약 100m/화소) 두 가지 공간 해상도를 하나의 모델로 통합 처리하는 것이 특징입니다. IBM은 이 모델을 지구 관측 모델인 Prithvi EO, 태양 관측 모델인 Surya에 이어 나온 IBM의 'Prithvi 계열' 파운데이션 모델군의 새로운 일원으로 소개했습니다.

3) 언제 공개됐는가

2026년 9월 10일, IBM 뉴스룸과 IBM 리서치 블로그를 통해 공식 공개됐습니다.

4) 왜 개발했는가

NASA 본부의 최고과학데이터책임자 겸 최고데이터·AI책임자 대행인 케빈 머피(Kevin Murphy)는 "NASA는 수십 년간 달에 대한 놀라운 과학적 기록을 쌓아왔지만, 데이터를 수집하는 것은 일의 절반일 뿐이다. 과학자들이 데이터를 더 쉽게 탐색하고 활용할 수 있게 만드는 것도 우리의 임무"라고 밝혔습니다. 즉 이미 쌓여있는 방대한 데이터를 실제로 '쓸 수 있는' 통찰로 바꾸는 것이 핵심 목표입니다.

5) 기존 달 데이터 분석 방식과 무엇이 다른가

기존에는 광학 이미지, 레이더, 중력장, 열(온도) 데이터 등을 각각 다른 알고리즘과 연구팀이 개별적으로 분석했습니다. 반면 이 모델은 서로 다른 관측 방식(모달리티), 서로 다른 공간 해상도로 수집된 데이터를 하나의 통합된 표현으로 녹여내는 것이 특징입니다. IBM 리서치 블로그는 이를 "여러 과학적 언어를 동시에 구사하는 AI 구조"라고 설명했습니다.

6) 오픈소스 공개의 의미

IBM과 NASA는 모델뿐 아니라 학습에 사용한 달 관측 데이터셋 SomBench도 함께 공개했습니다. 모델은 Apache 2.0 라이선스로 Hugging Face와 GitHub에 공개되었으며, Hugging Face 모델 페이지와 NASA-IMPACT GitHub 저장소에서 내려받을 수 있습니다. 모델과 데이터를 함께 무료로 공개함으로써, 전 세계 어떤 연구기관이나 연구자든 별도의 알고리즘을 처음부터 새로 개발하지 않고도 이 모델을 가져다 자신의 연구 과제에 맞게 미세조정(fine-tuning, 이미 학습된 모델을 특정 목적에 맞게 추가로 훈련시키는 과정)해 쓸 수 있게 된 것이 핵심 의미입니다.

 

2. AI가 달을 어떻게 분석하는가

1) 달 관측 데이터의 종류

Hugging Face 모델 카드에 명시된 11개 모달리티(데이터 유형)를 기준으로, 이 모델이 학습한 달 관측 데이터는 다음과 같이 분류할 수 있습니다

 

광학 이미지 데이터

• 가시광 반사율 데이터(LROC WAC, 5채널, 100m/화소): 달 표면이 반사하는 가시광 영역의 빛을 기록한 데이터입니다.
• 자외선 반사율 데이터(LROC WAC, 2채널, 500m/화소): 자외선 영역에서의 달 표면 반사 특성을 보여줍니다.
• 흑백 고해상도 이미지(LROC NAC, 1m/화소): 달 표면의 작은 바위나 크레이터 가장자리까지 식별할 수 있는 고해상도 이미지입니다.

지형·고도 데이터

• 지형 데이터(DTM): SLDEM2015(60m/화소)와 NAC 스테레오 DTM(3m/화소) 두 가지 해상도의 지형 모델이 포함됩니다. 달 표면의 높낮이를 수치로 표현한 데이터입니다.
• 경사도(Slope)와 방향(Aspect): 지형 데이터에서 계산된 경사와 방향 정보도 각각 두 해상도로 포함됩니다.

레이더 및 분광·광물 데이터

• Mini-RF 레이더 데이터: 달 표면에 마이크로파를 쏘아 반사 신호를 분석하는 레이더 관측 데이터입니다.
• 가구야(Kaguya/SELENE) 광물 데이터: 일본 달 궤도선이 수집한 광물 조성 관련 데이터로, 철 함량(SW_FE)과 광물 분포(SP_MINER) 등이 포함됩니다.
• LROC WAC 광물학적 데이터: 이산화티타늄(TiO2) 함량 등 광물 조성과 관련된 데이터입니다.

기타 물리량 데이터

• 중력장 데이터(GRAIL): 달의 중력장 분포로, 달 지각과 지하 구조를 파악하는 데 활용됩니다.
• 수소 함량 데이터(Lunar Prospector): 달 표면의 수소 분포로, 물이나 얼음 존재 가능성을 간접적으로 추정하는 데 참고됩니다.
• 열물리 데이터(Diviner): 달 표면 온도와 열적 특성을 기록한 데이터로, 얼음 보존 가능 지역을 파악하는 데 중요합니다.
• 조도·알베도 데이터(LOLA): 달 표면의 조명(빛) 분포와 반사율, 영구음영지역(PSR) 정보 등을 포함합니다.

A 10-image mosaic captured by NASA’s Lunar Reconnaissance Orbiter's Narrow Angle Camera between June 2012 and April 2016 showing the volcanic feature Mons Rümker and its surrounding mare plains. NASA/GSFC/Arizona State University https://science.nasa.gov/science-research/artificial-intelligence-lunar-foundation-model/

2) 여러 해상도의 데이터를 통합하는 방법

이 모델은 ViT-B(Vision Transformer Base) 구조의 인코더-디코더를 기반으로 합니다. 핵심 기술은 두 가지입니다. 첫째, NAC(미터급)와 WAC(100m급) 타일을 서로 섞지 않고 각자의 원래 해상도를 유지하면서도 하나의 혼합 학습 배치(mixed-batch loop)에서 동시에 학습한다는 점입니다. 둘째, 모달리티별 개별 토큰화(modality-wise tokenization) 방식을 써서, 각 데이터 유형마다 전용 VQ-VAE(벡터 양자화 변분 오토인코더, 이미지를 이산적인 토큰으로 압축하는 기법) 토크나이저를 갖습니다. 이렇게 하면 새로운 데이터 유형을 추가하거나 일부 모달리티를 빼고도 학습이 가능해집니다.

또한 촬영 시점의 태양 입사각, 발사각, 위상각, 태양 방위각, 타일 중심 좌표 등 광학 메타데이터를 텍스트 토큰으로 변환해 인코더에 입력하는 구조를 갖추고 있어, 달 표면의 극단적인 조명 조건(긴 그림자, 눈부신 빛 등)을 모델이 '이해'할 수 있도록 설계됐습니다.

3) Foundation Model이 일반적인 AI 모델과 어떻게 다른가

일반적인 AI 모델은 보통 '크레이터 찾기'나 '얼음 찾기'처럼 하나의 과제만 수행하도록 처음부터 끝까지 새로 학습됩니다. 반면 파운데이션 모델(foundation model, 다양한 후속 작업에 재사용할 수 있도록 방대한 데이터로 미리 폭넓게 학습해둔 기반 모델)은 하나의 거대한 기반 모델을 먼저 만들어두고, 이후 필요한 과제에 맞춰 가볍게 조정만 해서 재사용하는 방식입니다. IBM은 이 모델이 앞서 나온 지구 모델 Prithvi EO, 태양 모델 Surya와 마찬가지로 "빠르게 다른 과제에 적응시키고 재사용할 수 있다"는 점을 특징으로 꼽았습니다'

Modality-wise tokenization (left/center-left) feeds a TerraMind-style any-to-any masked-token objective (center-right); the pretrained encoder then supports multimodal generation, multimodal fine-tuning, and FlexiViT fine-tuning at new patch sizes (right). https://huggingface.co/nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model

4) AI가 달 표면의 특징을 어떻게 찾아내는가

모델은 여러 장비에서 수집된 데이터를 하나의 공통된 내부 표현(representation)으로 변환한 뒤, 그 안에서 반복적으로 나타나는 패턴—예를 들어 특정한 지형 굴곡, 온도 변화, 레이더 반사 특성의 조합—을 스스로 찾아냅니다. 이 과정에서 사람 눈으로는 각각 따로 보면 놓치기 쉬운 특징도, 여러 데이터를 겹쳐 보면 드러나는 경우가 있습니다. IBM 리서치 유럽·영국·아일랜드 담당 이사 후안 베르나베-모레노(Juan Bernabe-Moreno)는 "이 모델은 여러 장비의 관측을 서로 연결해, 따로따로 보면 발견하기 어려운 패턴을 드러내준다"고 설명했습니다.

The NASA-IBM model reproduces patterns of lunar ice prospectivity (scaled from blue to yellow), shown at four locations (left) near the Moon’s pole. Top row: reference ice prospectivity map of Mons Mouton near the lunar south pole; middle row: predictions from the ConvNeXt model; bottom row: predictions from the NASA-IBM model. The NASA-IBM model preserves many fine-scale prospectivity patterns in the reference data. NASA/IBM Research

3. NASA-IBM Lunar Foundation Model의 실제 활용 분야

Hugging Face 모델 카드에 명시된 4가지 공식 벤치마크 평가와 IBM 보도자료가 우선시한 활용 분야를 중심으로 정리합니다.

① 달의 얼음 및 물 존재 가능 지역 탐색

• 무엇을 분석하는가: 극지방의 영구음영지역(permanently shadowed region, 태양빛이 전혀 들지 않아 늘 그림자인 크레이터 내부)을 중심으로, 표면 아래 잠재적 얼음 매장 위치를 예측합니다. 모델은 다중 모달, 다중 해상도 관측을 결합해 얼음 존재 가능성이 높은 지점을 짚어냅니다.
• 왜 중요한가: 얼음은 물, 즉 산소와 식수의 잠재적 원천이자 미래 로켓 연료 생산의 재료로 여겨지기 때문입니다.
• 향후 활용 가능성: 향후 유인·무인 임무가 어느 지점을 정밀 조사할지 우선순위를 정하는 데 참고 자료로 쓰일 가능성이 있습니다. 다만 Hugging Face 모델 카드는 이 얼음 탐색 결과가 "측정된 얼음이 아니라 지식 기반의 퍼지 오버레이 가능성 지도(knowledge-driven fuzzy-overlay prospectivity map)를 회귀한 것"이라고 명시하며, 실제 얼음 존재를 보장하지 않는다고 분명히 경고하고 있습니다. 성능 면에서는 얼음 식별 과제에서 기존 SwinV2-B 모델 대비 오차(RMSE 기준)를 22% 줄인 것으로 보고됐습니다.

② 크레이터 분석

• 무엇을 분석하는가: NASA는 이미 전 세계적으로 200만 개가 넘는 대형 크레이터를 목록화했지만, 아직 목록화되지 않은 작은 크레이터가 다수 남아 있습니다. 이 모델은 미터급(1m) 정밀 해상도부터 약 100m급 광역 해상도까지 두 가지 규모에서 크레이터를 식별·분류합니다.
• 왜 중요한가: 크레이터는 지형의 나이, 지질 구성, 초기 달 내부의 화학 조성을 알려주는 단서이며, 착륙 시 위험 요소(경사, 바위)를 파악하는 데도 필수적입니다.
• 향후 활용 가능성: Hugging Face 모델 카드에 따르면, WAC(100m급) 크레이터 탐지에서 학습 데이터의 50%만 사용해도 기존 SwinV2-B 모델이 전체 데이터로 학습한 것과 맞먹거나 더 나은 성능을 보였습니다. 다만 미터급(NAC) 크레이터 탐지에서는 기존 모델과 성능 차이가 크지 않아, 미터급 정밀 분석은 여전히 개선 여지가 있는 것으로 나타납니다.

③ 안전한 착륙 후보지 분석

• 무엇을 분석하는가: 크레이터, 경사, 바위 등 지형 위험 요소와 조명 조건(빛과 그림자)을 종합해 착륙 가능 지역의 안전성을 판단하는 데 필요한 정보를 제공합니다.
• 왜 중요한가: 달 극지방은 태양이 지평선 부근에 낮게 걸려있어 그림자가 매우 길게 늘어지고, 명암 대비가 극단적이라 착륙 지형을 눈으로 판단하기가 특히 까다롭습니다.
• 향후 활용 가능성: NASA는 크레이터 지도 작성이 향후 안전한 착륙지 선정과 장기 인프라 위치 계획에 도움이 될 수 있다고 밝혔습니다. 다만 Hugging Face 모델 카드는 이 모델이 "착륙지 인증(landing-site certification)이나 위험 제거(hazard clearance)와 같은 운용 의사결정을 위해 검증된 것은 아니다"라고 명시하고 있어, 실제 임무 착륙지 결정에 직접 쓰이기에는 아직 이르다고 보는 것이 정확합니다.

④ 달의 화산 지형 분석

• 무엇을 분석하는가: '불규칙 마레 반점(Irregular Mare Patches)'이라 불리는 화산 지형의 범위와 분포를 분석합니다. 이 지형의 정확한 나이는 아직 과학계에서도 논쟁 중인 주제입니다.
• 왜 중요한가: 달의 화산 활동 이력과 열적 진화 과정을 이해하는 데 중요한 단서가 됩니다.
• 향후 활용 가능성: 이런 변화 지형을 식별하는 것은 향후 지표면 운용 계획에서 전략적으로 활용될 수 있다고 설명되고 있습니다. Hugging Face 모델 카드에 따르면, 불규칙 마레 반점 분할(segmentation) 과제에서 이 모델은 무작위 초기화 모델이 0.31 수준에 머문 것과 비교해 0.57 수준의 IoU(교집합합집합 비율, 분할 정확도를 나타내는 지표)를 기록해, 사전 학습이 없으면 이 과제를 사실상 수행할 수 없다는 것을 보여줍니다. 다만 기존 최고 수준 모델(ConvNeXtV2-B)과의 성능 차이는 0.571 vs 0.569로 매우 미미하여, 이 과제에서는 사전 학습의 유무가 핵심이지 기존 모델 대비 압도적 우위라는 의미는 아닙니다.

⑤ 달 표면의 변화 탐지 (향후 가능성)

• 무엇을 분석하는가: 여러 시점, 여러 장비의 관측을 겹쳐 봄으로써 표면 특성의 미세한 변화나 이상 징후를 잡아낼 잠재력이 있습니다.
• 왜 중요한가: 단일 이미지만으로는 놓치기 쉬운 변화도, 다중 데이터 통합 분석에서는 더 잘 드러날 수 있습니다.
• 향후 활용 가능성: 공식 자료에서 '변화 탐지'를 별도 항목으로 명시하지는 않았지만, 모델이 지향하는 '여러 관측 데이터의 교차 상관관계 학습' 기능과 any-to-any 멀티모달 생성 능력이 향후 이런 방향으로 확장될 가능성이 있습니다. 이는 현재 확정된 활용 사례가 아니라 구조적 가능성으로 이해하는 것이 정확합니다.

⑥ 향후 달 탐사 임무 계획 지원

• 무엇을 분석하는가: 앞서 언급한 얼음·크레이터·화산 지형 분석 결과를 종합해, 연구자들이 추가 조사가 필요한 유망 지점을 빠르게 좁혀나가는 데 활용할 수 있는 정보를 제공합니다.
• 왜 중요한가: 방대한 데이터 속에서 우선순위를 정하는 작업 자체가 기존에는 상당한 시간과 인력이 필요했습니다.
• 향후 활용 가능성: IBM은 이 모델이 "과학계가 함께 발전시켜 나갈 수 있는 개방형 플랫폼"이라고 소개하며, 이후 개별 연구팀들이 각자의 임무 계획에 맞춰 모델을 추가로 조정해 활용할 수 있는 여지를 열어뒀습니다.

These Lunar Reconnaissance Orbiter images show the Moon’s surface near Einstein crater before (left) and after (right) a SpaceX rocket body impact. The NASA-IBM Lunar Foundation Model detected existing craters (blue outlines) and highlighted the newly formed impact crater (red box). Because the post-impact image was excluded from pre-training, this test demonstrates how the model can be fine-tuned to recognize novel surface changes between observations. This approach can help scientists automatically detect natural impacts and surface changes across vast lunar datasets, though varying lighting conditions between orbits may influence smaller crater visibility. NASA/IBM Research

4. 달 기지 건설과 어떤 관계가 있는가

 

이번 AI 모델이 단순한 연구용 도구를 넘어 미래 달 기지 건설과 연결되는 이유는, 달 기지 후보지로 유력하게 거론되는 지역의 특수한 지리적 조건과 맞닿아 있기 때문입니다.

달 남극이 중요한 이유는 독특한 지형적 조건에 있습니다. 달의 자전축은 지구와 달리 거의 수직(약 1.5도)에 가까워, 극지방에서는 태양이 지평선 부근에 항상 낮게 걸려 있습니다. 그 결과 크레이터 가장자리의 봉우리는 거의 항상 햇빛을 받아 태양광 발전이 가능한 반면, 바로 옆 크레이터 내부는 수십억 년째 빛이 전혀 들지 않는 극단적인 지형이 공존합니다. 이처럼 '태양광'과 '얼음'이 가까운 거리에서 동시에 확보될 수 있는 지역은 달 전체에서도 매우 드뭅니다.

영구음영지역(PSR)은 바로 이렇게 태양빛이 전혀 도달하지 않는 크레이터 내부를 가리키며, 온도가 영하 175도(약 40~110켈빈) 안팎까지 떨어지는 것으로 알려져 있습니다. 이런 극저온 환경은 얼음 형태의 물 분자를 수십억 년간 가둬둘 수 있는 '냉동고' 역할을 하는 것으로 여겨집니다.

달 얼음의 중요성은 여기서 나옵니다. NASA는 2008년 인도 찬드라얀-1에 탑재한 레이더로 북극 인근 작은 크레이터 40곳에서 얼음 신호를 감지했으며, 당시 추정된 물의 양은 약 6억 톤—올림픽 규격 수영장 24만 개를 채울 수 있는 양으로 설명됐습니다. NASA의 (현재는 퇴역한) 성층권 적외선 관측대(SOFIA)는 달 먼지 입자에 붙은 물 분자를 관측한 바 있습니다. 다만 이런 관측들은 달 물 연구의 대표적 사례로 IBM 리서치 블로그에서 배경 설명으로 언급된 것이며, Hugging Face 모델 카드에 명시된 학습 데이터에는 찬드라얀-1과 SOFIA가 직접 포함되어 있지는 않습니다. 모델 학습에 활용된 레이더 데이터는 LRO에 탑재된 Mini-RF 장비의 것으로 확인됩니다.

이 얼음은 여러 갈래로 활용될 가능성이 논의되고 있습니다. 먼저 물을 식수와 산소 생산에 활용할 가능성이 있습니다. 물을 전기분해하면 마실 물과 함께 호흡용 산소를 얻을 수 있기 때문입니다. 나아가 수소·산소를 이용한 로켓 연료 생산 가능성도 거론됩니다. 물을 수소와 산소로 분리하면 로켓 추진제로 쓸 수 있어, 지구에서 매번 연료를 실어 나르지 않고 달 현지에서 연료를 조달하는 구상과 연결됩니다. IBM 발표 자료도 "얼음은 물과 산소를 의미하며, 이는 미래 달 기지와 화성행 로켓 연료 생산에 필수적인 자원으로 여겨진다"고 명시했습니다. 다만 이는 어디까지나 자원으로서의 잠재력과 가능성이며, 현재 실제로 물을 채취해 연료를 생산하는 설비가 가동 중인 것은 아닙니다.

이런 자원 활용 구상이 실현되려면 먼저 안전한 착륙지 선정이 선행돼야 합니다. 앞서 설명한 크레이터·지형 분석 기능이 바로 여기서 쓰일 수 있는 지점입니다. 다만 앞서 언급한 대로, 현재 이 모델은 착륙지 인증이나 위험 제거 같은 운용 의사결정용으로 검증된 것은 아니므로, 실제 임무에 쓰이려면 추가 검증이 필요한 단계입니다. 그리고 이렇게 확보한 지형·자원 데이터는 장기적으로 향후 달 기지 건설 후보지 분석의 기초 자료가 될 잠재력이 있습니다. "달 기지를 건설한다"가 아니라 "달 기지 건설을 지원할 수 있는 기초 데이터 분석 도구가 마련됐다" 정도로 이해하는 것이 정확한 표현입니다.

 

5. 현재 추진현황 (2026년 9월 기준)

• NASA와 IBM의 협력 현황: 2026년 9월 10일 공식적으로 NASA-IBM Lunar Foundation Model의 오픈소스 공개를 발표했습니다.
• AI 모델 공개 여부: 공개 완료. 모델은 Apache 2.0 라이선스로 Hugging Face(nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model)와 GitHub(NASA-IMPACT/NASA-IBM-Lunar-Foundation-Model)에서 내려받을 수 있습니다
• 공개된 데이터셋: SomBench라는 이름의 데이터셋으로, 약 200만 개의 공간 정렬 달 타일 번들, 11개 모달리티, 2가지 공간 해상도(LROC NAC 약 1m/화소, LROC WAC 약 100m/화소)로 구성되어 있습니다. Hugging Face 컬렉션으로도 공개되어 있습니다.
• 활용된 NASA 임무 및 기관 데이터: Hugging Face 모델 카드의 감사의 글(acknowledgments)에 명시된 데이터 출처는 다음과 같습니다: LROC(달 궤도선 카메라), LOLA(달 레이저 고도계), Diviner(열적외선 관측장비), Mini-RF(소형 레이더), Kaguya/SELENE(일본 달 궤도선), GRAIL(중력 측정 임무), Lunar Prospector(수소 측정 임무), USGS(미국 지질조사국)입니다. IBM 보도자료에서는 9개 장비, 4개 임무, 30개 이상의 공간 정렬 레이어로 요약하고 있습니다.
• 실제 우주 임무에 사용되고 있는지 여부: 공식 발표 어디에도 이 모델이 현재 진행 중인 특정 우주 임무에 실전 배치되어 운용되고 있다는 언급은 없습니다.
• 연구 단계인지 실제 임무 적용 단계인지: 현재는 오픈소스 연구·개발 단계입니다. Hugging Face 모델 카드도 이 모델이 "착륙지 인증이나 위험 제거 같은 운용 의사결정을 위해 검증된 것이 아니다"라고 명시하고 있어, 실제 임무 운용 시스템으로 채택되기에는 추가 검증이 필요한 단계입니다.
• 앞으로 추가 개발될 가능성이 있는 분야: IBM은 이 모델을 "전 세계 연구 커뮤니티가 함께 발전시켜 나갈 수 있는 개방형 플랫폼"으로 소개했습니다. 즉 앞으로 더 많은 연구기관이 자체 데이터나 목적에 맞춰 모델을 추가로 미세조정해 새로운 활용 사례를 만들어낼 가능성이 열려 있습니다.

6. NASA Artemis 프로그램과의 관계

NASA의 Artemis 프로그램은 아폴로 계획 이후 반세기 만에 다시 인간을 달에 보내고, 나아가 화성 유인 탐사를 준비하기 위한 NASA의 장기 유인 달 탐사 프로그램입니다. 2022년 무인 시험비행인 아르테미스 1호가 성공적으로 마무리됐고, 2026년 4월에는 승무원 4명(리드 와이즈먼, 빅터 글로버, 크리스티나 코크, 캐나다우주국 소속 제레미 한센)을 태운 아르테미스 2호가 달 궤도를 도는 유인 비행에 성공했습니다. NASA는 2026년 2월 프로그램 구조를 재편해, 아르테미스 3호는 지구 저궤도에서 민간 착륙선(스페이스X·블루오리진)을 시험하는 임무로 재조정했고, 실제 유인 달 착륙은 2028년 초로 예정된 아르테미스 4호가 맡게 됩니다. NASA는 아르테미스 5호 무렵부터 달 표면 장기 운용과 기지 관련 활동이 시작될 것으로 예상한다고 설명하지만, 구체 범위와 일정은 예산과 착륙선 개발 상황에 따라 변동될 수 있습니다.

이런 흐름 속에서 NASA-IBM Lunar Foundation Model의 위치를 정리하면 다음과 같은 연결 구조로 이해할 수 있습니다.

Lunar Foundation Model(달 표면·자원 데이터 통합 분석) → 크레이터·화산·조명 조건 등 달 표면 분석 → 안전한 착륙지 후보 압축 → 얼음 등 자원 탐색 → (실현될 경우) 장기 체류 지원 → (더 먼 미래의 가능성으로서) 달 기지

 

7. 한국 우주산업에 미칠 영향

한국은 이미 달 탐사에서 독자적인 이력을 갖고 있습니다. 2022년 한국 최초의 달 궤도선인 다누리(Danuri, 공식명 KPLO·Korea Pathfinder Lunar Orbiter)가 달 궤도 진입에 성공하면서, 한국은 세계 7번째로 달 탐사 능력을 보유한 국가가 됐습니다. 특히 다누리에는 NASA가 개발한 영구음영지역 전용 카메라 섀도우캠(ShadowCam)이 탑재돼 있으며, 이는 기존 카메라보다 빛에 200배 더 민감해 그동안 보이지 않던 극지방 그늘 크레이터 내부를 촬영해왔습니다. 즉 한국은 이미 이번 NASA-IBM 모델이 다루는 것과 같은 성격의 '영구음영지역 데이터' 생산에 직접 기여해온 나라입니다.

KPLO  ( Korea Pathfinder Lunar Orbiter ) https://space.skyrocket.de/doc_sdat/kplo.htm

 

정책 측면에서도 최근 움직임이 있습니다. 2026년 7월, 정부는 제5차 국가우주위원회를 통해 달 착륙 목표 시점을 기존 2032년에서 2030년으로 앞당기는 계획을 발표했습니다. 이에 따르면 2029년 달 궤도 통신위성, 2030년 민간 소형 달 착륙선(누리호 활용), 2031년 천문관측 탐사선, 2032년 국가 주도 달 착륙선 발사를 목표로 하고 있으며, 첫 착륙선 사업에는 민간 자금을 포함해 4400억 원 규모가 투입될 예정입니다. 다만 이 내용은 언론 보도에 기반한 것이며, 한국항공우주행정단(KASA)·한국항공우주연구원(KARI)의 공식 자료를 직접 확인한 것은 아닙니다.

이런 배경에서 NASA-IBM Lunar Foundation Model이 한국 우주산업에 시사하는 바는 다음과 같이 정리할 수 있습니다. 먼저 모델과 데이터셋이 Apache 2.0 라이선스로 오픈소스 공개된 만큼, 국내 연구기관이 이를 참고하거나 응용 연구에 활용할 여지가 있습니다. 또한 한국이 이미 확보한 다누리·섀도우캠 관측 데이터가 향후 이런 국제 오픈소스 달 데이터셋과 상호 보완적으로 활용될 잠재력도 있습니다. 다만 한국의 특정 기업이나 기관이 이번 NASA-IBM 모델 개발에 참여했다거나, 이를 실제로 도입해 활용하기로 확정했다는 근거는 현재 확인되지 않으므로, 이 부분은 추측이 아니라 향후 지켜봐야 할 가능성으로 남겨두는 것이 정확합니다.