사상 리더
농업의 데이터 문제는 왜 AI 문제인가 — 식물은 어떤 해답을 줄 수 있을까

핵심 포인트농업 AI는 식물의 직접적인 생물학적 신호 대신 외부 환경 데이터에 의존하기 때문에 실패한다.
더 보기
- 농업 AI는 식물의 직접적인 생물학적 신호 대신 외부 환경 데이터에 의존하기 때문에 실패한다.
- 질병과 같은 내부 상태를 신호로 전달하도록 설계된 식물은 AI에 실행 가능한 새로운 종류의 생물학적 데이터를 제공한다.
- 클라이마이트 코퍼레이션의 11억 달러 인수는 결함이 있는 외부 데이터 전략에 대한 10년 간의 과대광고를 보여주는 예시이다.
농업 기술 분야에서는 몇 년마다 새로운 만능 해법이 등장한다. 2013년에는 빅데이터가 농장 경영을 바꿀 것이라는 이야기가 주목받았다. 몬산토가 클라이메이트 코퍼레이션(The Climate Corporation)을 11억 달러에 인수한 것은 예측형 농업의 새 시대를 열 것으로 기대됐다. 몇 년 뒤에는 AI를 활용하는 온실이 제2의 녹색 혁명을 가져올 것이라고 했다. 이어 로봇 수확, 생성형 AI 농업 전문가, 그리고 이제는 전 세계 농민을 대신해 자율적으로 결정을 내린다는 에이전트형 AI가 약속됐다.
익숙한 패턴이다. 새로운 과열 기대는 앞선 기대 위에 쌓이지만, 애그테크 벤처 투자는 계속 실망을 안겼다. 산업을 바꿀 성과는 여전히 얻기 어렵다. 왜일까? 엔지니어의 재능이 부족하거나 AI의 기반 과학에 결함이 있어서가 아니다. 문제는 더 깊은 곳, 농업 AI 시스템이 의존하는 데이터 자체에 있다.
어떤 데이터를 어떻게 수집할지 근본적으로 다시 생각하지 않으면 농업 AI 혁명은 현재의 현실이 되지 못한 채 영원한 약속으로 남을 것이다.
농업 AI가 계속 실패하는 세 가지 이유
농업은 AI 개발에 가장 불리한 환경 중 하나다. 과제는 사소한 공학 문제가 아니라 구조적 문제다. 이 분야에서 일반적인 AI 개발 방식이 잘 통하지 않는 이유는 다음과 같다.
피드백은 소프트웨어가 아닌 생물학의 속도로 돌아온다
현대 AI 시스템은 빠른 반복 개선을 전제로 설계된다. 소프트웨어 모델은 몇 시간 만에 다시 학습시킬 수 있지만 약물 시험에는 수년이 걸린다. 농업은 후자에 가깝다. 노벨상으로 인정받은 노먼 볼로그의 1970년대 혁신에는 작물 육종 주기를 줄여 연 1회가 아닌 2회 진행하도록 한 것도 포함됐다. 오늘날 가장 앞선 종자 기업은 연 3회 주기를 수행하지만 AI 기준으로는 여전히 매우 느리다. 실제 결과를 확인할 기준 데이터가 수확 때에야 나오면 모델 개선 일정은 짧은 개발 스프린트가 아니라 수년 단위로 늘어난다.
농업의 복잡성은 AI의 일반적인 가정을 깨뜨린다
이 밭에는 질소를 얼마나 주어야 할까? 단순해 보이는 질문에도 변수는 빠르게 늘어난다. 토양 구성, 과거 윤작, 병원체 발생 이력, 미기후, 수십 년에 걸친 가축 사육 이력, 보수력, 경운 방식, 그 밖에 서로 영향을 주는 수십 가지 요인이 있다. AI 추론의 한계에 관한 연구는 고차원 환경에서 모델 정확도가 무너진다는 사실을 보여준다. 농업은 단순한 고차원 분야가 아니다. 인간이 지금까지 모델링하려 했던 분야 중 차원 수가 가장 많은 축에 속한다.
모든 농장은 저마다의 예외 사례다
실제 농업에는 구형 소가 없다. 모든 농장은 기술 접근성, 노동에 대한 관점, 자본 제약, 위험 감수 수준이 서로 다르게 결합돼 있다. 미국 중서부에서 줄뿌림 작물을 재배하는 대규모 농장으로 학습한 모델은 태평양 연안 북서부의 작고 다양한 생산을 하는 농장에 적용하면 크게 실패한다. 어떤 것도 문제없이 일반화되지 않으며, 모든 예외 사례에 맞춰 설계하면 차원 수는 실무적으로 감당하기 더 어려운 수준으로 늘어난다.
답은 더 많은 데이터가 아니라 더 좋은 데이터다
어려운 문제 대부분에 대한 실리콘밸리의 본능적 해법은 연산 자원과 데이터를 더 투입하는 것이다. 농업에서는 이런 접근이 놀라운 수치를 만들어냈다. 현재 평균적인 농장은 추정치로 하루 50만 개의 데이터 포인트를 생성한다. 위성은 지구상의 모든 밭을 촬영한다. 센서는 온도, 공기 습도, 토양 수분을 세밀하게 기록한다.
그런데도 농업 AI 업계에서는 양질의 데이터가 부족하다는 점을 널리 인정한다. 문제는 양이 아니라 필요한 현상을 담고 있느냐는 것이다. 모든 센서 데이터, 위성 이미지, 토양 검사 보고서가 포착하는 것은 식물의 주변에서 일어나는 일이다. 그 어느 것도 식물의 내부에서 일어나는 일을 포착하지 않는다.
GPS 추적 데이터만으로 랩타임을 최적화하려는 포뮬러 1 레이스 엔지니어를 생각해 보자. 속도, 위치, 주행 궤적은 출발점이 될 수 있지만 엔진 원격측정, 타이어 온도 센서, 연료 유량 데이터가 없으면 모델은 인과관계를 계속 추측할 수밖에 없다. 외부 농업 데이터도 똑같다. 환경에 어떤 조건이 존재하는지는 알려주지만 작물이 실제로 어떻게 반응하는지는 알려주지 못한다.
이는 농업 분야에서 가장 눈에 띄는 AI 실패 사례 몇 가지를 설명한다. Gro Intelligence는 세계 최대의 농업 기후 데이터 저장소를 만들기 위해 1억 2,000만 달러 넘게 조달했지만 결국 문을 닫았다. 외부 데이터를 아무리 많이, 정밀하게 수집해도 근본 문제는 해결되지 않는다. 측정 대상이 잘못됐기 때문이다.
식물의 말을 듣는다는 것의 실제 의미
새로운 생명공학은 이제 처음으로 재배하는 작물의 내부에서 직접 데이터를 얻을 수 있게 한다. 핵심은 작물을 변형해 자신의 내부 생물학적 상태를 신호로 알리게 하는 것이다. 외부 대리 지표에서 추론해야 하는 대신 스트레스, 감염, 자원 수요를 측정 가능한 출력으로 전달한다.
올해 초, 이런 접근 중 하나가 역사적인 성과를 냈다. 형광 신호를 내도록 변형한 대두 식물이 곰팡이 감염을 실시간으로 드러냈다. 식물에 눈에 보이는 증상이 생기기 전이었다. 1만 년의 농업 역사에서 농민은 이 단계에서 질병을 발견할 수 없었다. 신호를 일으킨 것은 식물 자신의 면역 반응이었다. 데이터를 제공한 주체는 식물 자체였다.
이는 실제 농업 성과에 중요하다. 질병을 더 일찍 발견하면 더 일찍 개입해 손실과 화학적 투입을 줄일 수 있다. 그러나 근본적으로 새로운 데이터 종류라는 점에서 농업 AI에도 그만큼 중요하다.
외부 조건에서 식물 생물학을 추론하는 작업은 본질적으로 잡음이 많고 차원이 높으며 교란 요인의 영향을 받기 쉽다. 이제는 그 대신 식물 생리 상태의 직접 측정값으로 AI 시스템을 학습시킬 수 있다. 차원 문제는 크게 줄고 피드백 주기는 짧아진다. 예외 사례의 문제가 사라지는 것은 아니지만, 주변 환경의 대리 변수 대신 식물 자체가 보내는 신호를 다루면 더 수월하게 해결할 수 있다.
농업 AI의 새 시대를 위한 새로운 데이터 패러다임
자율주행차 개발과의 비교는 유익하다. Waymo 같은 기업은 기존의 공개 도로 데이터만으로 모델을 학습시키려 해서 성공한 것이 아니다. 자체 센서 배열을 구축하고, 모델이 배워야 할 내용을 정확히 포착하는 방대하고 질 높은 자체 수집 데이터셋을 만들었다. 데이터 전략은 모델 아키텍처만큼 중요했다.
농업 AI도 같은 발상 전환이 필요하다. 기존 농업 데이터셋에 더 좋은 모델을 적용하는 것이 앞으로의 길은 아니다. 그 데이터셋은 작물 자체가 아니라 환경만 관찰한다는 근본적인 제약이 있다. 실제 식물 생물학에 기반한 새로운 종류의 데이터를 만들고, 여기서 학습하도록 설계한 AI 시스템을 구축해야 한다.
주요 농업 지역의 작물에서 재배철 내내 연속적으로 얻는 생물학적 원격측정 데이터는 아직 대규모로 존재하지 않는다. 그러나 이를 만드는 기술은 현실이 되고 있다. 데이터가 확보되면 농민의 복잡한 결정을 실제로 돕는 AI 모델이 가능해진다. 잡음이 가득한 외부 변수의 바다를 연산 자원으로 밀어붙이는 대신 작물 자체가 필요로 하는 것을 거의 실시간으로 이해하는 것이다.
농업 분야의 데이터 품질 격차는 여러 해 동안 논의돼 왔다. 달라진 점은 이제 신뢰할 수 있는 답이 있다는 것이다. 그 출발점은 식물 자체다.
다음 녹색 혁명으로 가는 실제 경로
80억 명과 2050년까지 추가될 것으로 예상되는 20억 명을 지속 가능하게 먹여 살리면서 기후 교란, 투입 비용, 물 부족에 대처하는 일은 이 세기의 핵심 과제 중 하나다. 농업 AI는 이 과제의 모든 부분에 도움이 될 잠재력이 있다. 다만 우리가 재배하려는 작물 내부에서 실제로 일어나는 일을 반영하는 데이터에 기반해야 한다.
10년 넘게 업계는 외부 데이터를 더 축적하고 연산 자원을 더 투입해 문제를 풀려 했다. 이 접근은 점진적인 성과를 냈지만 업계가 필요로 하는 돌파구는 만들지 못했다. 앞으로도 만들지 못할 것이다. 근본적인 데이터 문제가 미해결 상태이기 때문이다.
다음 녹색 혁명은 또 다른 유망한 모델 아키텍처나 더 나은 위성 이미지 처리 체계를 갖춘 자금 풍부한 스타트업에서 시작되지 않을 것이다. AI 시스템이 마침내 작물이 하려는 말을 들을 수 있을 때 시작될 것이다.













