인공지능(AI) 돌풍이 더욱 거세지고 있다. AI 스피커에 날씨를 묻는 수준에서 이제는 휴가계획, 투자계획 심지어 법률자문까지 한다. AI의 작동원리는 간단하다. 엄청난 양의 데이터를 입력하고, AI 알고리즘을 돌린다. 이를 우리는 학습이라 한다. AI 알고리즘은 입력된 데이터를 학습하면서 숨어있는 규칙을 스스로 찾아낸다. 찾아낸 규칙으로 판단하고 예측한다. AI의 수준은 학습에 사용된 데이터의 양과 질로 결정된다. AI는 데이터 위에 핀 꽃이다. 최근 삼성전자가 16조원 규모의 메모리 설비를 중국 시안과 평택공장에 증설할 것으로 알려졌다. 플래시 메모리 관련 설비 투자에 집중하기로 한 점이 주목된다. 플래시 메모리는 데이터를 저장하는 핵심 반도체 부품이다. 현재 지구상에서 생산되는 데이터의 약 15%만이 저장되고, 5%만이 사용된다. 나머지 부분까지 저장하고 분석할 수 있다면 어떤 AI가 나올지 두렵기까지 하다. 미래의 석유라고 하는 ‘데이터’를 저장하는 매체가 플래시 메모리다. 플래시 메모리는 그 성질이 종이, 특히 모눈종이와 무척 비슷하다. 플래시 메모리는 셀의 집합이다. 눈종이에 깨알 같은 사각형이 가로세로로 나열돼 있는 것과 같다. 플래시 메모리 셀은 ‘1’로 초기화돼 있다. ‘0’을 쓰는 것은 이 상태에서 ‘셀’에 전자를 밀어 넣는 것이다. 그렇게 되면 셀 값이 0이 된다. 플래시 메모리에 정보를 기록하는 것은 깨끗한 플래시 셀 중에 필요한 곳에 0을 쓰는 것이다. 연필로 기록한 내용을 지우개로 지우듯, 플래시 메모리에도 내용을 기록하고 삭제할 수도 있다. 종이에 글자를 한 자 쓰는 시간보다 그것을 지우개로 지우는 시간이 훨씬 더 걸린다. 플래시 메모리도 동일한 물리적 특성을 갖고 있다. 플래시 메모리 셀의 값을 1로 만드는 시간, 즉, 깨끗이 지우는 시간이 0을 쓰는 시간보다 더 걸린다. 전자를 빼는 시간이 넣는 시간보다 10배 정도 더 걸린다. 공책에 필기한 내용을 지울 때, 한 번에 여러 글자를 지우는 것이 시간이 훨씬 덜 걸린다. 플래시 메모리도 마찬가지다. 지울 때는 한 번에 많은 셀을 지운다. 공책에 쓰기와 지우기를 반복하면 나중에는 종이가 너덜너덜해져서 더 이상 기록도 잘 안 되고 잘 지워지지도 않는다. 플래시 메모리도 마찬가지다. 계속 기록과 삭제를 반복하면 셀의 수명이 다해서 더는 기록이 안 된다. 스마트폰을 오래 사용하면 느려지는 것을 경험하게 되는데, 플래시 메모리에서 데이터를 읽거나 쓰는 시간이 증가하는 것도 그 원인 중 하나로 알려져 있다. 이 때문에 플래시 메모리에서는 오래된 셀에 있는 내용을 가끔 싱싱한 셀로 옮겨 적어야 한다. 플래시 메모리 기술의 핵심은 저장 용량 증가다. 크게 두 가지 방법이 있다. 하나는 모눈의 크기를 줄이는 것이다. 또 하나는 하나의 사각형 안에 기록될 수 있는 글자 종류를 늘리는 것이다. 초기 플래시 메모리에서는 하나의 셀에 두 가지의 숫자, 즉 0 또는 1을 기록했다. 시간이 좀 지나자, 하나의 셀에 두 글자를 쓸 수 있는 기술이 나왔다. 요즘은 셀 하나에 다섯 자릿수를 기록할 수 있는 플래시 소자가 생산되고 있다. 하나의 셀에 기록될 수 있는 글자 종류가 늘어날수록 읽는 것도 기록하는 것도 점점 힘들고 시간이 오래 걸린다. 플래시 메모리 제조사들은 하드웨어, 소프트웨어 기술을 총동원해 모눈종이 ‘모눈’의 크기를 줄이고, 하나의 ‘모눈’에 많은 숫자를 기록하기 위해 혈투를 벌이는 중이다. 플래시 메모리는 4차 산업혁명 시대의 핵심부품이다. 이에 대한 수요는 앞으로 꾸준히 증가할 것이다. 2019년은 플래시 메모리 제조사에는 힘든 한 해였다. 2020년은 나아질 것이라 한다. 세계 플래시 메모리 시장을 갖고 있는 우리 기업에 힘찬 응원의 박수를 보낸다. 원유집 카이스트 석좌교수 컴퓨터학

지금 적도 서태평양에는 우리나라와 중국, 그리고 일본이 운영하고 있는 3대의 정지기상위성이 위치해 있다. 일기예측을 하는 데 기상위성 자료의 사용은 필수적이어서, 수치모델에 위성자료가 초기자료로 대입되지 않는다면 예보정확도가 크게 낮아질 것이다. 우리나라 첫 기상위성인 ‘천리안’은 2010년에 발사됐는데, 발사 수년 전부터 우리가 자체적으로 기상위성을 운영해야 하는가에 대해 많은 논의가 있었다. 중국과 일본의 위성자료를 거의 실시간으로 받고 있어서 수백억원이나 되는 예산을 들일 필요가 있는가에 대한 의문이었다. 그런데 국가 간의 갈등으로 인해서 지금까지 잘 받고 있던 이들 나라의 기상위성 자료를 받을 수 없다면, 설령 받더라도 몇 시간 늦게 받는다면 기상예보에 큰 문제가 발생할 것이다. 비슷한 얘기를 수치예보모델에도 적용시킬 수 있을 듯하다. 실제로 품질 좋은 위성자료를 얻는 것보다 우리나라 기상상황에 적합한 수치모델을 갖추는 것이 더 중요하다고 알려져 있다. 우리나라 기상예보 역사를 간략하게 뒤돌아보았을 때, 나이가 어느 정도 된 분은 ‘김동완 통보관’을 떠올릴 것이다. 또 어떤 분은 그때 예보가 더 잘 맞았다고 생각할지도 모르겠다. 그러나 확실한 것은 그때의 예보 품질은 지금과는 비교할 수 없을 만큼 조악했다. 30여년 전 통보관 시대에는 아예 수치모델이 없었고, 이틀 이후 날씨를 예보하지도 못했다. 그 이후 일본으로부터 수치모델을 도입했는데, 당시 최신 버전이 아닌 구 버전을 갖고 왔다. 이 모델을 수정하고 보완해 2010년 즈음 영국으로부터 수치모델을 도입하기 전까지 예보에 활용했다. 현재 우리가 사용하고 있는 영국 수치모델도 최신 버전은 아니다. 수치모델 기술의 독립이 이루어지지 않으면 선진국의 수치예보 기술에 종속돼 뒤쫓아 가는 입장에서 벗어날 수가 없다. 그동안 남이 만들어 놓은 모델을 도입해서 큰 어려움 없이 기상예보를 생산할 수는 있었다. 현행 기상예보가 만족스럽다면 앞으로도 계속 이렇게 나갈 수도 있다. 그런데 지난 수십년간 국민은 부정확한 기상예보에 큰 불만을 표시해 왔다. 어떤 기상예보관은 사석에서 “예보관으로 1년 근무하는 동안 들었던 욕이 그전에 평생 동안 들었던 욕의 10배가 넘는다”고 한탄하기도 했다. 예보가 틀리면 수치모델을 수정해야 하는데, 문제는 우리가 만든 모델이 아니라서 어디를 어떻게 고쳐야 할지 모른다는 것이다. 수치모델을 구성하고 있는 컴퓨터 코드 수십만 줄의 내용을 명확하게 아는 사람이 국내에는 한 명도 없기 때문이다. 국가에서는 영국 수치모델을 도입할 즈음인 9년 전에 우리 독자적으로 수치예보모델을 개발하기 위해 사업단을 설립했다. 이른바 한국형수치모델개발사업단이다. 이 사업단은 자체적으로 수치모델 인력을 양성하고, 이 인력이 우리나라 실정에 적합한 한국형 예보모델을 개발하고자 하는 목적을 갖고 있다. 지난가을 경주에서 개최된 한국기상학회에서는 이 수치모델의 예보 성능을 평가하는 여러 논문이 발표됐다. 연구 결과는 매우 고무적이어서 우리 독자 수치모델이 현재 기상청에서 운영되고 있는 영국 수치모델과 비슷한 예보 성능을 보여주었다. 이 정도의 예보 성능이라면 기상 선진국인 미국, 유럽, 일본과 어깨를 겨눌 수준에 이른 것이다. 2020년 새해에는 우리가 개발한 수치예보모델이 마침내 현업에 활용될 것이라고 한다. 이 모델이 무사히 현업에 적용된다면 수년 내에 국민의 기상예보에 관한 만족도가 크게 개선될 것으로 기대한다. 다만 한국형 수치예보모델의 개발은 끝이 아니라 예보정확도를 높이기 위한 또 다른 시작이라는 점을 명심해야 한다. 무엇보다 현재 운영되고 있는 천리안 2호 위성과의 연계성을 높여야 하며, 인공지능(AI) 기법을 예보에 적극적으로 도입해야 한다. 세계 최고의 예보수준에 이르기 위해서는 지속해서 수치모델을 개선하고 발전시켜야 한다. 허창회 서울대 교수·대기과학

지난 21일 이세돌 9단이 인공지능(AI) 한돌과 ‘바디프랜드 브레인마사지배 이세돌 vs 한돌’ 치수고치기 최종 3국에서 불계패했다. 그리고 이 9단의 바둑 인생은 AI와의 마지막 승부로 아쉽게 막을 내렸다. 이번 이세돌 vs 한돌 대국은 미래의 인간과 AI의 승부를 예견해 주고 있다. AI 알파고와 한돌이 사용하는 AI 알고리즘은 ‘강화학습’이라고 부르는 기계학습의 한 종류이다. 강화학습은 주변과 게임을 하듯 행동과 반응을 지속해 가면서 지능을 스스로 향상하는 기계학습의 방법론이다. 이것은 궁극적으로 인간의 도움을 받지 않고 학습한다. 주변 환경에 행동과 반응을 반복하면서 지능을 향상해 가는데 응용분야는 게임과 주식투자 같은 분야가 대표적이다. 최근 AI는 강화학습을 통해 자율주행자동차의 운행을 실행하는 것은 물론 로봇의 이동 제어, 공학 설계 등에도 도전하고 있다. 이렇게 학습을 위해서는 경험을 지속적으로 쌓아야 한다. AI는 바둑의 경우 기존의 기보를 활용하거나 AI끼리의 대결을 통해 학습을 해 간다. 강화학습 알고리즘 중에는 ‘보상’이라는 중요한 개념이 등장한다. 그러다 보니 보상을 최대화하도록 AI 망을 최적화시킨다. 바둑에서는 승률이 보상이다. 기본적으로 학습을 많이 할수록 지능이 향상되는 원리로 인해 AI는 전기만 꽂아 두면 자기끼리 계속 바둑을 두다 보니 실력도 늘고 한판도 1분 정도면 둘 수 있다. AI는 졸지도 않고 과거 기록도 모두 기억하고 있다. 결국 앞으로 인간이 바둑 대결에서 AI를 이기기는 사실상 불가능하다. AI 바둑 프로그램에는 구글의 알파고, 한국의 한돌 외에 중국의 절예가 있다. 중국의 절예는 현존하는 최고 성능의 AI바둑프로그램으로 꼽힌다. 국산 AI바둑은 가장 뛰어난 기량을 자랑하는 NHN의 한돌이 2017년 처음 선보였으며, 이밖에 돌바람네트웍스의 돌바람, 카이스트의 바둑이, 카카오브레인의 오지고 등이 있다. AI바둑의 경쟁력은 투자에 비례한다. 처음 시작할 때는 데이터의 축적과 컴퓨터의 계산능력에 의해 좌우된다. 구글은 알파고 개발을 위해 3500만달러에 달하는 비용을 투입했고, 총 3000만번의 바둑 게임을 학습시켰다고 한다. 한마디로 물량·인원·장비가 많이 투자되는 팀이 AI 실력과 경쟁력이 높다. 특히 컴퓨터 계산능력은 자본투자에 비례한다. 이러다 보니 AI바둑은 알파고와 절예가 유리하다고 볼 수 있다. 남은 경쟁력 요소는 알고리즘 기술력 차이다. 여기에 AI인재 확보와 숫자 게임을 들 수 있다. 이 가운데 AI인재는 탄탄한 수학실력에 컴퓨터프로그래밍 능력을 갖춰야 한다. 여기에 AI 기계학습인 딥러닝 AI이론 실력과 개발경험을 쌓아야 한다. 더불어 강화학습 분야뿐만 아니라 영상처리, 자연어처리, AI창작, 일반 AI분야의 인재 확보가 핵심적 경쟁력이 된다. AI전문가는 새로운 기술과의 장벽이 없어야 하며 컴퓨터 구조, 반도체 원리 데이터과학뿐만 아니라 응용분야에 대한 지식이 필요하다. 그러기 위해서는 소통능력, 창조적 사고능력, 빠른 개발능력, 산업체 경험능력, 협업능력이 필수적이며 최근 기술도 빠르게 쫓아가야 한다. 즉 AI전문가는 만능의 인재이면서 성격도 친화적이어야 하고 부지런해야 한다. AI 바둑은 구글이 이미 시작하고 지나간 시장이다. 자동차산업에 관련한 자율주행 AI도 좋고, 스마트폰용 AI도 좋고, 반도체와 가전제품도 AI가 가능한 분야이다. 또 한글 잘 알아듣는 AI, 한글 책읽는 AI도 좋다. 이들 분야가 바로 4차 산업혁명의 핵심으로 우리만의 AI개발이 필요하다. 그러려면 무엇보다도 경쟁력 있는 AI를 개발하고 운영할 인재 확보가 중요하다. 김정호 카이스트 석좌교수 전기전자공학

순수하게 전기에너지를 동력으로 하늘을 나는 세계 첫 상업용 전기항공기가 지난 10일 캐나다 밴쿠버에서 시험 비행에 성공했다. 전기항공기 엔진 개발업체인 미국의 매그닉스와 캐나다 수상항공기 전문 제작사 하버에어가 공동 제작한 ‘이플레인(e-plane)’은 약 15분 동안 하늘을 날아오르며 전기항공기 시대의 서막을 알렸다. 라이트 형제가 인류 최초의 동력 비행기 시험 비행에 성공했던 1903년 12월 17일 이후 116년 만이다. 지난달 17일에는 유럽 항공기 제작사 에어버스가 세계 최초 경주용 전기항공기를 공개하기도 했다. 전기에너지만으로 100% 추진력을 얻는 엔진을 개발하려면 강력한 배터리가 필요하다. 현재는 두 항공기 모두 리튬이온배터리를 장착하고 있다. 기존의 동력원을 화석연료에서 전기에너지로 바꾸는 이른바 ‘전기화’ 과정이 전 세계 기술혁신을 이끌고 있다. 전기에너지는 화석연료를 전혀 사용하지 않아 가장 친환경적인 동력원으로서, 4차 산업혁명의 주역인 사물인터넷(IoT), 휴대전화, 로봇, 드론, 자동차, 항공기 등 거의 모든 모바일 제품의 핵심 동력원으로 주목받고 있다. 유럽연합(EU)은 2050년까지 항공기 부문에서 이산화탄소 배출을 75%, 산화질소 배출을 90%, 소음을 65% 줄일 계획이다. 이것은 기존 항공기 제작기술로 달성할 수 없는 목표로서 전기항공기가 유일한 해법이 될 것으로 전망된다. 리튬이온배터리는 양극, 음극, 전해액, 분리막의 네 가지 핵심 요소로 구성되며, 리튬의 전기화학적 반응으로 전기를 생산하는 배터리이다. 양극은 리튬이온의 근원으로 배터리 용량과 성능을 결정하며, 음극은 양극에서 전달된 리튬이온을 저장하고 방출하면서 전류를 발생시킨다. 전해액은 이온이 원활하게 이동하도록 돕는 매질이며, 분리막은 양극과 음극의 접촉을 차단하는 역할을 한다. 양극과 음극은 배터리 성능을 결정하고, 전해질과 분리막은 배터리 안전성을 결정한다. 배터리 성능과 안전성의 개선을 위해 배터리 물질과 구조 설계의 최적화가 동시에 필요하다. 리튬이온배터리같이 충전과 방전이 반복 가능한 2차 전지는 저장된 에너지를 사용한 후에 무게가 줄지 않는 단점이 있다. 강력한 동력원이 필요한 경우 배터리의 무게도 상당한데 장시간 사용할 동안 배터리 무게가 부담이 될 수 있다. 경비행기나 단거리 비행은 현재의 리튬이온배터리로 가능하지만 기존 항공기처럼 수많은 승객과 무거운 화물을 운반하며 한국과 미국을 오가는 중대형 항공기에는 여전히 부적합하다. 미국의 대표적 항공기 제작사 보잉은 2020년까지 승객 15~20명을 태우고 1100km를 날 수 있는 하이브리드 항공기를 개발하고 있다. 한편, 배터리 사용량이 급격히 늘면서 전 세계가 배터리 원료 생산량에 주목하고 있다. 희귀금속인 코발트, 리튬, 망간, 니켈 등 배터리에 사용되는 금속 가격이 급등하고 있다. 특히, 배터리의 대표 원재료인 리튬은 생산량 자체가 부족하기보다는 생산 속도가 수요를 따라가지 못하고 있다. 리튬은 바닷물을 증발시켜 채굴하는데 걸리는 시간이 24개월 이상 필요해 전 세계 수요를 따라잡지 못한다. 리튬이온배터리를 대체할 새로운 물질 탐색이 필요한 이유이다. 자연은 인간의 삶에 필수적인 동력을 제공해 왔지만, 인류가 소비하는 정보량과 운동량에 비례해 에너지의 소비도 급증하고 있다. 인류는 지금까지 지구의 화석연료를 끊임없이 소모하면서 이산화탄소를 배출하고 지구 환경을 악화시켜 왔다. 그 결과 인류는 역사상 가장 위험한 기후위협의 마지노선에 이르렀다. 최근에야 에너지 문제가 환경보전과 인류생존에 직결되는 사안임을 깨닫고, 이산화탄소 배출량을 규제하며 신재생에너지 개발에 박차를 가하고 있다. 대부분의 과학자가 우려하듯, 화석연료의 고갈과 함께 에너지 암흑기가 현실로 다가올 수도 있다. 지금은 우리 인류가 협력해 새로운 동력원을 찾아 밝은 미래를 맞이할 불을 밝힐 때이다. 원병묵 성균관대 교수 신소재공학

4차 산업혁명 시대에는 5세대(5G) 통신 네트워크를 기반으로 사물인터넷(IoT)에 연결된 스마트폰, 스마트워치, 사물, 기기들이 서로 소통하며 데이터를 빠르게 주고받는다. 데이터가 IoT를 통해 전송되고 저장돼 차곡차곡 쌓이면 빅데이터가 된다. 이런 빅데이터를 잘 분석해 가치를 만들어내면 한 사람 한 사람에게 맞춤형 가치를 제공할 수 있는 진정한 개인 맞춤형 가치 사회가 된다. 그런데 올해 4월 페이스북 사용자의 5억4000만건의 데이터가 아마존 클라우드 서버에 무방비로 노출되는 등 지난 10년간 유출된 개인정보가 무려 2억3000만건에 달하며, 침해신고도 100만건에 이르고 있다. 이처럼 개인정보는 인간에게 유용하지만 한편으로는 피해를 줄 수도 있는 두 개의 얼굴을 갖고 있다. 그렇다면 개인정보를 정보주체의 이익을 위해 잘 활용하면서도 프라이버시를 잘 보호하는 방법은 무엇이 있을까. 그것이 바로 개인정보를 비식별화해 처리하는 것이다. ‘비식별 처리’란 개인정보의 일부를 삭제하거나 일부 또는 전부를 대체하는 등의 방법으로, 추가 정보 없이는 특정 개인을 알아볼 수 없도록 가명처리하거나 시간·비용·기술 등을 합리적으로 고려할 때 다른 정보를 사용해도 더 이상 개인을 알아볼 수 없는 정보로 만들어 익명처리하는 것을 말한다. 가명처리가 잠재적인 식별성 제거라면 익명처리는 사실상 비가역적인 식별성 제거라고 할 수 있다. 이렇게 비식별화가 되면 프라이버시 침해에 대한 걱정 없이 개인정보를 유용하게 활용할 수 있게 된다. 이 점에서 비식별 조치는 원유에 해당하는 개인정보라는 식별정보를 가명정보, 익명정보라는 석유로 만드는 정제작업이다. 정제작업을 통해 식별성이라는 불순물을 제거해 실제 사용가능한 데이터를 만들어내는 것이다. 이에 향후 어떤 기술적 방법을 사용하는 경우 비식별 조치가 된 것인지에 대한 논의가 데이터의 안전한 활용을 위해 실질적으로 가장 중요한 이슈가 될 것이다. 이미 2016년부터 정부는 ‘개인정보 비식별 조치 가이드라인’을 시행하고 있다. 이에 따르면 비식별 조치 방법으로 정보주체의 이름을 다른 이름으로 변경 처리하는 가명처리, 식별자 수치를 총합해 평균값으로 처리하는 총계처리, 식별자 정보의 전부 혹은 일부를 삭제 처리하는 데이터 삭제, 식별자의 특정 값을 범위로 처리하는 데이터 범주화, 식별자의 일부 값을 변경 처리하는 데이터 마스킹 등 5가지 처리기법으로 구분된 17가지 기술을 제시하고 있다. 이러한 비식별 조치 이후에는 비식별 조치가 적정하게 이루어졌는지를 외부 평가단을 통해 평가하도록 하는 적정성 평가를 하도록 했으며, 그 기준으로서 ‘k-익명성’을 활용하도록 했다. 이는 동일한 값을 가진 레코드를 k개 이상으로 해 특정 개인을 추론하기 어렵도록 하는 것이다. 가령, k값을 5로 정해 비식별 조치했다면 데이터세트 내에 개인식별요소가 없음은 물론, 최소 5개 이상의 레코드가 동일해 개인식별이 어렵게 되는 것이다. 다만, 기존 가이드라인은 법적 구속력이 없어 이를 따른 사업자가 면책근거로 활용하기 어려운 문제가 있을 뿐만 아니라 가명처리와 익명처리에 대한 구별이 없는 문제가 있다. 비식별 조치기술의 경우에도 k-익명성만을 들고 있어 다양한 기술발전을 수용하지 못하고 있다. 향후 이런 문제점을 해결할 수 있는 방안이 포함된 비식별 조치 논의가 이루어져야 할 것이다. 한편 법 개정 후 기업이나 기관에서 데이터를 비식별화해 활용하고자 하는 수요는 급증할 것으로 보이는데, 과연 합리적으로 비식별 조치를 이해하고 기준을 만들어 실제 적용할 수 있는 데이터 사이언스 전문가가 얼마나 될지는 의문이다. 이로 인해 이런 전문가가 없는 경우 비식별 조치의 사회적 신뢰 확보가 요원해질 것이기 때문에 정부와 기업은 전문가 양성에 특단의 대책을 취해야 할 것이다. 이성엽 고려대 기술경영대학원 교수 ICT학

우버, 위워크, 에어비앤비 등 공유 플랫폼 기업이 세상에 나온 지 어언 10년이 됐다. 2019년 한 해는 공유경제를 표방하는 플랫폼 기업에 힘든 한 해였다. 공유경제는 재화를 구매하고 소유하는 것이 아니라 서로 빌려 쓰고 나누어 쓴다는 개념에 근간한 경제모델이다. 공유경제의 핵심동력은 공유 플랫폼이다. 플랫폼 기업이 사용하지 않는 빈방, 세워둔 자동차, 임대가 안 된 빈 사무실 등 유휴자원과 이들을 필요로 하는 수요자를 연결시켜 주는 매개체다. 과거에는 유휴자원을 보유한 개인이 자신의 자원을 광고하고 판매할 채널이 존재하지 않았다. 인터넷, 모바일 컴퓨팅을 이용해 유휴자원의 판매를 희망하는 자원 보유자와 구매자를 연결시켜주는 기업이 등장했다. 이들은 ‘앱’을 통해 자원이나 서비스가 필요한 수요자와 유휴자원을 보유한 주체를 연결시켜준다. 이들을 플랫폼 기업이라 한다. 플랫폼은 우리네 ‘장터’다. 플랫폼 기반 비즈니스 모델은 소프트웨어 장터에서 시작됐다. 바로 애플이다. 애플은 개발 키트를 공개해 누구나 아이폰용 소프트웨어를 개발할 수 있게 했다. 그리고 아이폰용 소프트웨어를 판매하는 ‘앱스토어’라는 온라인 판매장터를 개설했다. 앱스토어를 통해 애플은 아이폰 앱이라는 거대한 생태계를 구축하고, 그 정점에 자리를 잡았다. 최근 10년 동안 오프라인의 각종 유휴 자원을 공유토록 하는 플랫폼 기업이 대거 등장했다. 플랫폼 기업은 소유의 배타성에 근거한 현 경제질서 대신 ‘공유’ 기반의 경제질서를 주창했다. 플랫폼 기업이 제시하는 공유의 개념과 나눔의 비전은 빈부격차와 양극화로 골병든 21세기 지구촌을 치유할 만병통치약처럼 인식됐다. 다양한 분야의 플랫폼 기업이 생겨났고 시장은 환호했다. 자동차(우버, 리프트), 사무공간(위워크), 숙소(에어비앤비) 등이 그것이다. 플랫폼 기업은 센서 기술, 근거리통신망 기술 등 최첨단 정보기술(IT)을 이용해 자원의 사용 여부와 위치 등을 매우 효율적으로 파악한다. 여기에 인공지능(AI)과 빅데이터 기술이 결합돼 자원의 필요량을 예측하고, 미리 적절한 위치에 필요한 자원을 배치해 놓기도 한다. 요즘엔 자전거와 전동스쿠터에까지 공유 플랫폼 서비스의 범위가 확대됐다. 가입자는 앱을 설치한다. 자전거에 위성위치확인시스템(GPS)이 달려 있다. 자전거가 필요할 경우, 앱을 열면 주변에 있는 자전거의 위치가 보인다. 이들 중 하나를 선택해 스마트폰을 자전거에 가까이 대면, 근거리통신(NFC)이나 QR코드 인식기법 등을 통해 자전거의 사용이 가능해진다. 이동 요금은 ‘분’ 단위로 지불한다. 대학가에서 전동 스쿠터 공유서비스를 제공하는 기업인 버드는 공전의 히트를 쳤다. 2017년 창업한 버드는 현재 약 28억달러의 가치를 갖는다. 플랫폼 기업의 미래는 수익성, 안정성, 규제 등 여러 면에서 여전히 불투명하다. 차량 공유서비스 업체 우버는 누적되는 적자로 현재 주가는 공모가에 훨씬 못 미친다. 사무실 공유서비스업체인 위워크의 가치는 한때 470억달러에서 현재 49억달러로 줄어들었다. 중국 정부는 방치된 자전거 때문에 소방도로가 막히고, 교통체증이 유발되자 자전거 공유 서비스를 금지했다. 중국의 자전거 공유업체 오포(ofo)는 파산직전이다. 런던 시 교통국은 우버의 사업허가를 연장치 않기로 했다. 빈번히 발생하는 우버 운전자의 신분증 위조 사례 때문에 승객의 안전이 보장되지 않는다고 판단했기 때문이다. ‘공유’라는 명칭에 근본적인 질문을 던지는 이도 있다. 영국의 기아나 엠 에카르트 교수는 ‘하버드 비즈니스 리뷰’에서 “공유경제가 실질적으로 지향하는 바는 공유와는 거리가 멀고, 접근경제라 칭하는 것이 더 적절하다”고 주장했다. 플랫폼이라는 것은 소비자가 원하는 자원을 손쉽게 접근할 수 있도록 하는 도구이기 때문이다. 2019년 한 해 공유 플랫폼 기업이 시장에서 받은 성적은 불행히도 ‘낙제’에 가깝다. 하지만 점수가 나쁘면 개선의 여지도 큰 법이다. 4차 산업혁명의 시대에 플랫폼 비즈니스에 적합한 공유서비스는 과연 무엇일까? 원유집 카이스트 석좌교수 컴퓨터공학

얼마 전 정부는 우리나라 미세먼지의 32%가 중국의 영향을 받아 발생한다고 발표했다. 한·중·일 3개국이 공동으로 2000년부터 2017년까지 18년 동안 각 국가에서 관측한 대기오염물질을 분석하고, 2017년을 대상으로 대기질 모델을 이용해 직경이 2.5μm(마이크론미터·1μm는 100만분의 1m)보다 작은 초미세먼지(PM2.5)를 발생시키는 국내와 국외 영향을 비교한 결과다. 우리나라 자체적으로 배출되는 미세먼지 발생 기여율은 51%이며, 나머지는 몽골이나 북한에서 넘어온 것으로 추정된다. 지구 중위도를 돌고 있는 서풍을 따라 중국발 미세먼지가 흘러들어오는 것을 막을 방법은 없다. 많은 경우 중국에서 오염물질이 저기압의 상승기류를 쫓아서 상층으로 올라가고 1~3㎞ 고도에서 편서풍에 실려서 동쪽으로 이동한다. 우리나라에 고기압이 위치해 하강기류가 만들어지면 우리나라 상공으로 넘어온 오염물질이 침강하는 것이다. 이때에는 우리나라 공기가 정체돼 있어서 국지적으로 배출된 오염물질도 함께 쌓이게 된다. 한편 편서풍이 강한 경우에는 중국 오염물질이 우리나라에 떨어지지 않고 일본까지 이동하기도 한다. 그런데 지구온난화가 진행될수록 동아시아 편서풍이 뚜렷하게 약해지고 있어서, 미래에는 중국에서 오염배출이 줄어도 우리나라로 넘어오는 오염물질이 증가할 가능성을 주시해야 한다. 중국의 기여를 제외하고도 국내에서 배출된 오염물질의 기여도가 50%가 넘는다. 이에 국내 배출을 크게 줄인다면 우리가 숨 쉬는 공기도 훨씬 깨끗해질 것이다. 정부에서는 2005년에 대기질 개선을 위해 수도권 대기환경 개선에 관한 특별법을 제정했고, 현재까지 지속적으로 시행하며 강화하고 있다. 오염물질 배출이 많은 디젤버스를 압축천연가스(CNG) 버스로 대체했고, 디젤자동차에 매연저감장치(DPF) 부착의 의무화, 노후 자동차의 검사 강화 등 오염물질 저감정책을 강력하게 시행했다. 이런 결과로 전국의 연평균, 계절 평균 미세먼지 농도는 2000년대 초와 비교해서 절반 가까이 감소했다. 한편 최근 서울대 기후물리실험실 연구팀이 국내에서 관측된 미세먼지의 시간변화에 대해 분석했더니 교통량이 많은 출근과 퇴근시간대에 미세먼지가 급격하게 증가하는 것을 확인할 수 있었다. 같은 도심이라도 대로변 관측소 값이 크게 나타났다. 2001년부터 2017년까지 미세먼지 배출이 많은 10월부터 2월까지 늦가을과 겨울철의 평균값을 살펴보았을 때 서울, 부산 등 대도시에서 이런 경향이 뚜렷하며, 상대적으로 교통량이 적은 지방 중·소도시로 갈수록 시간 변동이 줄어드는 것을 볼 수 있었다. 또한 서울에서 출근과 퇴근 시간에 나타나는 미세먼지 피크값의 지난 17년간 장기변화를 살펴보니 출·퇴근의 미세먼지(PM10) 피크 농도와 하루 중에 가장 낮은 새벽녘의 값의 차이가 크게 줄었다. 2010년 이후에는 ㎥당 10μg(마이크론그램·1μg은 100만분의 1g)으로서 2000년대 초에 나타난 20μg의 절반으로 줄어든 것이다. 이산화질소, 일산화탄소, 이산화황 등 오염물질의 변화 경향도 이와 비슷했다. 지난 20여년간 정부의 노력에 힘입어 미세먼지의 평균농도는 크게 줄었다. 그런데 어찌된 일인지 2013년 이후에는 그 값이 줄어들지 않고 있다. 특히 PM2.5는 2018년에 대폭 강화된 대기환경 기준인 연평균 ㎥당 15μg을 만족시키지 못하는 실정이다. 오히려 지속기간이 긴 고농도 사례가 증가하고 있다. 환경부가 미세먼지 고농도 시기인 12월부터 내년 3월까지 ‘미세먼지 계절관리제’를 시행한다고 밝혔다. 근본적으로 미세먼지를 효과적으로 감축하기 위해서는 2차생성의 요인이 되는 이산화질소와 휘발성 유기화합물 등의 배출을 더욱더 줄여야 함이 마땅하다. 허창회 서울대 교수·대기과학

바야흐로 4차 산업혁명의 시대이다. 4차 산업혁명을 정의하는 방법으로 여러 가지 방식이 있다. 가장 먼저 4차 산업혁명의 핵심 정의는 ‘초지능’과 ‘초연결’로 표현할 수 있다. 좀더 구체적인 기술 용어로는 4차 산업혁명의 3요소로 ‘인공지능’(AI), ‘빅데이터’(Big Data), ‘클라우드 시스템’(Cloud System)인 ‘ABC’로 설명할 수도 있다. 즉 초연결망으로 빅데이터를 모으고, 이를 클라우드 시스템에 저장하고, AI의 학습과 판단의 재료로 쓰인다. 클라우드 시스템은 인터넷을 통해 가상화된 컴퓨터 자원을 제공한다. 그 결과 각 개인이나 기업은 개별 하드웨어와 소프트웨어를 위한 투자비용, 운영인력 유지, 경험을 쌓는 시간에 대한 부담이 없이 빅데이터, AI 서비스를 받을 수 있다. 여기에 더해 누구든지 언제나 장소에 구애받지 않고 접속 가능해진다. 이로 인해 개인과 기업은 최소한의 투자와 관리 노력으로 빠르게 서비스를 제공받을 수 있다. 결국 클라우드 시스템은 4차 산업혁명의 가장 기초 인프라이고 심장이며 동력이다. 이에 정부가 최근 ‘디지털 정부혁신 추진계획’을 발표했다. AI·클라우드 중심의 디지털 전환시대를 맞아 민원서비스와 공무원의 일하는 방식을 획기적으로 개편하겠다는 것이다. 대표적인 클라우드 서비스 기업은 아마존과 마이크로소프트다. 아마존은 클라우드 서비스인 ‘AWS’를 토대로 시장 1위를 차지하고 있다. AWS는 모든 기능을 원하는 대로 자동화할 수 있어 얼마든지 비용을 줄이는 방향으로 최적화할 수 있다. 마이크로소프트는 ‘애저 클라우드’ 서비스를 크게 성공시키면서 2018년 말 애플을 꺾고 전 세계 시가총액 1위를 탈환하게 된다. 그런데 아마존과 마이크로소프트 등 기업이 클라우드 시스템 시설을 설치하고 유지 관리하는 데에는 막대한 비용이 든다. 그러면 많은 비용이 드는데도 이러한 기업이 누구에게나 AI를 포함한 각종 서비스를 제공하는 이유는 무엇일까. 바로 빅데이터를 확보하기 위해서이다. 빅데이터는 4차 산업혁명의 원유이자 자본이며, 권력이고 힘이다. 클라우드 시스템은 누가 언제 어디서 무슨 생각과 행동을 하는지와 미래를 예측할 수 있다. 클라우드 시스템을 확보한 기업과 확보하지 못한 기업의 경쟁력은 하늘과 땅 차이가 된다. 생산성과 수요 예측뿐만 아니라 자원, 자본, 노동력의 절약에서 경쟁이 되지 않는다. 그 결과 클라우드 기업은 데이터 저장장치, 소프트웨어, AI 서비스를 제공하면서 데이터 플랫폼에 소비자를 묶어 두려고 하는 것이다. 클라우드 시스템의 하드웨어 중 대표적인 것은 데이터 센터다. 데이터 센터에는 대규모의 저장장치와 계산 장치가 있다. 이 데이터 센터는 D램 등 반도체 메모리가 대량으로 필요하게 된다. 데이터 센터 서버 컴퓨터에는 중앙처리장치(CPU)와 그래픽처리장치(GPU)가 집중적으로 사용된다. 이처럼 클라우드 시스템의 데이터 센터가 반도체 수요를 견인하고 있다. 대개 서비스 사용자와 데이터 센터의 거리는 수백㎞에 달한다. 이렇게 원거리에 설치된 클라우드 시스템이 데이터를 저장하고 AI가 계산하고 다시 데이터를 보내 주다 보니 물리적으로 시간이 걸린다. 이러한 이유로 미래의 클라우드 시스템은 자동차 내부, 전화국, 집, 결국엔 휴대전화 안으로 들어와야 한다. 모든 정보기술(IT) 환경이 클라우드 기반 플랫폼으로 빠르게 전환되면서 금융, 소비재, 게임은 물론 높은 보안 기준을 요구하는 분야에서도 클라우드에 대한 관심이 뜨겁다. 하지만 전 세계 컴퓨터 선반 3000개 이상인 중대형 데이터 센터는 미국에 1862개, 영국에 272개, 중국에 79개, 한국에 17개가 있다. 이러한 클라우드 시스템의 기초인 데이터 센터 숫자는 4차 산업혁명의 준비 정도와 경쟁력 상태를 명확히 보여주고, 미래 국가 기업 경쟁력 지표라는 점에서 주목하게 된다. 이에 따라 정부를 비롯한 기업은 클라우드 시스템이 우리에게 더 가까이, 그리고 더 깊숙이 다가올 수 있도록 미래 클라우드 산업의 인프라 구축에 보다 많은 관심을 가져야 할 것이다. 김정호 카이스트 석좌교수 전기전자공학

과학자들은 시간과 비용을 혁신적으로 절약하고 무한한 원자 조합을 손쉽게 계산할 수 있는 꿈의 방법을 찾고 있다. 지난 20년 동안 컴퓨터의 계산능력이 급격히 발전하면서 계산만으로 물질의 형태와 특성을 이해하고 예측할 수 있다는 자신감이 충만했다. 하지만 기존의 방법으로는 충분하지 않다. 이와 관련해 최근 새로운 물질 개발에 인공지능(AI)이 활용되는 추세이다. 기존에는 원자로부터 분자구조와 제조방법을 탐색해 원하는 물질의 성능을 설계했지만, 지금은 반대로 물질의 성능을 정하고 필요한 분자구조와 제조방법을 AI를 활용해 탐색해 새롭게 원자를 조합한다. 기존의 데이터를 기계가 학습해 원하는 성능을 가진 신물질을 역으로 설계하는 방법이다. 현대과학과 현대의학 분야에서 가장 중요한 신물질은 대부분 분자구조가 아주 복잡하다. 분자구조를 이루는 원자의 수가 많을수록 계산의 정확성이 떨어지며 계산시간이 급격히 늘어난다. 기존의 계산방법은 시간과 비용이 많이 들어 신물질을 찾는 데 한계가 있다. AI의 기계학습은 신물질 탐색에 필요한 시행착오를 줄여 비용과 시간을 혁신적으로 단축할 수 있다. 물질 안을 들여다보면 수많은 원자 입자로 가득하다. 1㎤ 부피의 고체 안에 지구 표면 전체의 모래알 수보다 많은 숫자의 원자가 존재하며, 심지어 우리 우주에 존재하는 모든 별의 숫자보다 많다. 이렇게 많은 원자의 집합체가 물질이다. 모든 물질의 형태와 특성을 이해하고 예측할 수 있으면 얼마나 좋을까. 실험을 거치지 않고 미리 물질의 형태와 성능을 예측할 수 있는 방법이 있을까. 어떤 원자를 어떻게 결합하면 좋을까. 기존에는 하나의 원자로부터 물질 전체까지 컴퓨터 계산으로 물질의 형태와 성능을 예측했다. 원자와 원자가 결합해 안정한 최소 구조를 이루는 분자는 물질의 형태와 성능을 결정한다. 기존의 방법은 원자의 구조를 정확하게 설명하는 양자역학에서 출발한다. 원자의 구조와 원자 간 상호작용을 계산한 후 물질 내부에 존재하는 원자의 수만큼 범위를 확장하면 물질의 형태와 성능을 꽤 정확히 계산할 수 있다. 순수하게 양자역학 원리만으로 계산하는 방법을 제일원리 계산법이라고 하며, 원자 간 상호작용이나 원자배열에 대한 복잡성을 단순화하기 위한 다양한 근사적 계산법이 제안됐다. 하지만 기존의 계산은 간단한 가정과 이론에 기초하며 실제의 상황은 수많은 변수가 동시에 작용하고 있어 계산이 실제와 잘 맞지 않는다. 이에 AI를 활용한 기계학습이 신물질 탐색의 새로운 돌파구로 떠오르고 있다. AI는 신물질 개발의 기간과 비용을 단축하고 성능을 극대화한다. 기계학습은 기계가 기존 데이터로부터 시행착오를 학습해 더 나은 실행 결과를 도출하도록 만드는 AI 알고리즘을 활용한다. 기계학습은 1959년 미국 컴퓨터 과학자 아서 새뮤얼에 의해 처음 도입된 이후, 1990년대 탄소구조체 연구에 활용됐으며, 2000년대에 들어서 신물질 개발에 널리 활용되는 추세이다. 현재 기계학습은 신물질 탐색을 위한 재료선별, 재료분석, 재료설계 과정을 획기적으로 가속하고 있다. 올해 초 세계 최대 검색엔진 구글의 AI 연구팀은 15~20년 걸리는 기존의 신물질 개발 기간을 이틀로 단축할 수 있다고 발표했다. 이러한 추세를 반영하듯 세계적인 과학저널 ‘사이언스’는 AI를 현대의 연금술에 비유했다. 최근 뉴욕주립대 에바 주렉 교수팀은 AI를 활용해 새로운 43종의 탄소구조체를 설계했으며, 카이스트 정유성 교수팀은 AI의 신물질 역설계 기술로 4종의 신물질을 발견했다. 오늘날 AI는 재료과학에서 혁신의 도구로서 주목을 받으며, 앞으로 컴퓨터의 발전에 발맞춰 더 널리 활용될 전망이다. 새로운 계산이론과 계산방법의 혁신은 물론 신물질 형태와 성능 예측을 통한 재료설계 패러다임 변화가 진행 중이다. AI를 활용한 재료과학은 우리가 찾는 신물질 탐색의 여정을 더욱 빠르게 앞당기고 있다. 원병묵 성균관대 교수 신소재공학

지난달 30일부터 모바일 금융 앱 하나로 국내 18개 은행의 모든 계좌를 조회·이체할 수 있는 ‘오픈뱅킹’이 시범 시행되고 있다. 여러 은행의 앱을 설치할 필요 없이 앱 하나로 다른 은행 계좌를 이용할 수 있게 된 것이다. 한마디로 A은행 고객이라고 하더라도 자사 앱에서 B은행과 C은행 간의 계좌이체 업무를 처리할 수 있게 됐다. 이처럼 오픈뱅킹이란 하나의 모바일 금융 앱으로 모든 은행의 금융정보에 접근해 자금이체 등의 서비스가 가능한 생태계를 의미한다. 원래 오픈뱅킹은 지난 2월 정부의 ‘금융결제 인프라 혁신방안’ 발표 이후 은행권과 금융결제원 등 유관기관이 핀테크(금융+기술) 기업과의 상생을 위해 노력한 결과인데, 세계 최초로 은행과 핀테크 기업이 공동 플랫폼 형태로 조회, 자금이체 등을 제공하는 사례라고 할 수 있다. 오픈뱅킹의 기술적 기반이 되는 것은 오픈 응용프로그램인터페이스(API)와 금융공동망이다. API는 응용 프로그램이 운영체제나 데이터베이스 관리시스템과 같은 시스템 프로그램과 통신할 때 사용되는 언어나 메시지 형식을 말한다. 즉, 응용 프로그램 개발자들이 애플리케이션을 만들 때 운영체제에서 동작하는 프로그램을 쉽게 만들 수 있도록 화면 구성이나 프로그램 동작에 필요한 각종 함수를 모아놓은 것이다. 음식 주문을 위해 주방에 직접 가지 않아도 메뉴판을 보고 주문이 가능한데, 이때 메뉴판이 API인 셈이다. 오픈 API란 인터넷 이용자가 직접 응용 프로그램과 서비스를 개발할 수 있도록 공개된 API를 말한다. 일반적으로 웹 서비스 형태로 공개하므로 특정 플랫폼에 종속되지 않는 특성이 있다. 금융에서 오픈 API는 핀테크 기업이 직접 응용프로그램과 서비스를 개발할 수 있도록 공개된 프로그램 도구로서 잔액 조회, 거래내역 조회, 계좌실명 조회, 송금인 정보 조회, 입금이체, 출금이체 등 6개의 서비스 API와 인증·관리 API가 제공되고 있다. 종래 핀테크 기업은 서비스 출시를 위해서는 은행과 개별적으로 협약을 맺어야 하는 것은 물론 표준이 다른 은행과는 호환에 어려움이 있었다. 이제 핀테크 기업은 오픈 API와 테스트 베드를 활용해 기존 금융서비스에 새로운 정보기술(IT)을 접목시킨 다양한 핀테크 서비스를 편리하게 출시할 수 있게 됐다. 오픈뱅킹의 또 다른 기반인 금융공동망은 금융기관이 전기통신설비와 전자계산조직을 활용해 정보를 처리·보관하거나 전송하는 정보통신체제를 말하는데, 핀테크 기업이 이 공동망에 접속할 수 있도록 하는 것이 오픈뱅킹의 필수조건이다. 은행이 출자한 비영리기관인 금융결제원이 금융공동망을 구축·운영하고 있고, 핀테크 기업은 금융결제원의 오픈뱅킹 센터에 오픈 API를 통해 접속하면 이미 금융공동망과 연결돼 있는 은행과 간접 접속하게 된다. 이러한 오픈뱅킹은 4차 산업혁명에 따른 우리의 대응과 관련해 중요한 몇 가지 시사점을 제공한다. 우선 고객이 원하는 경우 제3자의 고객계좌에 접근을 허용하는 것이 오픈뱅킹의 핵심 내용인데, 이는 결국 데이터를 활용한 혁신적인 금융상품 출시를 촉진하는 등 데이터 경제의 출발점이라는 것이다. 또한 기득권 사업자인 은행에 대한 혁신 사업자인 핀테크 기업의 도전을 포용하기 위해 기존 금융인프라를 개방한 후 소비자의 선택을 받기 위한 신·구 사업자 간 무한 경쟁이 이루어지고 있다는 점이다. 모빌리티 혁신을 비롯한 신기술과 기존 전통산업의 갈등 해결원칙은 기득권의 보호를 위한 이해관계 조정이 아니라 신·구 산업 간 소비자 선택을 받기 위한 경쟁조건의 형성이라는 점을 보여준다. 이에 오픈뱅킹을 비롯한 데이터 공유·활용을 위한 필수조건으로서 ‘데이터 3법’(개인정보보호법, 신용정보보호법, 정보통신망법)의 조속한 국회 통과가 시급하다 할 것이다. 이성엽 고려대 기술경영대학원 교수 ICT학