소형 AI 모델이 전장의 드론에 자율성을 부여하는 방식

들어가며

전장에서 무선 통신이 방해받거나 후방 데이터센터와의 연결이 끊기면, 모든 영상을 원격 서버로 보내 AI 분석을 수행하는 방식은 한계에 부딪힌다. 이 때문에 AI를 드론과 전방 장비에 직접 탑재하는 엣지 처리가 주목받고 있다. 스웨덴 스타트업 스케일아웃 시스템즈는 NATO 관련 프로그램과 BAE Systems Bofors가 참여하는 프로젝트를 통해 드론, 조종 태블릿, 전방 지휘소에서 작동하는 소형 모델을 개발하고 있다.

핵심 내용

• 크기보다 현장 배치성이 우선이다: 스케일아웃은 OpenAI나 Anthropic 같은 최첨단 모델 대신, 전력과 연산 자원이 제한된 장치에서도 실행할 수 있도록 경량 컴퓨터 비전 모델을 조정한다.
• 통신이 끊겨도 현장 추론이 가능하다: 드론은 센서 데이터를 기체 안에서 처리하고 표적 식별을 지원할 수 있다. 원본 영상을 계속 후방으로 전송하지 않아도 되므로 통신 대역폭을 줄이고 민감한 데이터 노출도 제한할 수 있다.
• 연합학습으로 분산된 정보를 공유한다: 여러 드론과 센서가 수집한 경험을 전방 노드에서 활용한 뒤, 연결이 회복되면 원본 데이터가 아니라 모델 업데이트를 교환하는 방식이다.
• 환경 변화에 대한 적응이 과제다: 사막에서 학습한 모델이 도시 환경에서 같은 성능을 낸다는 보장은 없다. 작전 중 축적되는 센서 데이터를 이용해 모델을 계속 개선하는 것이 이 접근법의 목표다.
• 공격 임무를 가정한 시연도 있었다: 저비용 체공탄약을 목표로 하는 ALMA 공개 시연에서 AI는 잠재적 위협을 탐지하고 식별하며 위치를 추정한 것으로 소개됐다. 임무 설정에 따라 장갑 공병 차량을 우선 표적으로 선택한 뒤 폭발물을 투하하기 위해 비행했다. 인간 조종자가 통제할 수 있었지만, 시연된 과정에는 지속적인 수동 명령이 필요하지 않았다.

의미와 한계

이 기술의 핵심 가치는 AI를 단순히 더 똑똑하게 만드는 데 있지 않다. 통신이 끊겨도 임무를 계속할 수 있는 회복력을 제공하는 데 있다. 전자전이나 중앙 처리시설의 장애가 발생해도 정찰과 일부 작전 기능을 유지할 가능성이 있으며, 모델을 한 번 배포한 뒤 고정하지 않고 지역과 상황에 맞춰 갱신할 수도 있다.

그러나 자율적으로 식별한다는 말이 정확한 식별을 뜻하지는 않는다. 위장, 연기, 민간 차량, 빠르게 변하는 전장 환경은 오인식과 누락을 일으킬 수 있다. 식별 결과가 곧바로 공격으로 이어진다면 신뢰도 기준, 인간의 확인 절차, 교전 규칙, 판단 책임의 기록을 시스템 설계에 포함해야 한다. 제공된 자료는 공개 시연과 군사기지 시험을 설명할 뿐, 고강도 실전에서 안정적으로 작동한다는 점을 입증하지는 않는다.

스케일아웃의 사례는 군사 AI 경쟁이 가장 큰 모델만을 둘러싸고 진행되지는 않을 것임을 보여준다. 저전력으로 작동하고, 오프라인 상태에서도 추론하며, 현지 환경에 적응하고, 분산된 장비에 업데이트를 배포할 수 있는 소형 모델이 중요한 기반이 될 수 있다. 동시에 자율무기가 쉬워질수록 엄격한 평가와 감사, 실질적인 인간 통제 장치가 더욱 필요해진다.

출처: Ars Technica AI