제2회 2025 KENTECH Symposium onSUSTAINABLE ENERGY Transition

살짝 잡긴 해요. 짝잡아요. เฮ 잠시 후 2025 캔텍 심플엄 문서 스테너블 에너지 트랜지션 행사가 시작됩니다. 장례를 정리해 주시고 자리에 앉아 주시기 바랍니다.

한국 에너지 공과대학교와 다양한 학생 자치 단체를 비롯한 학생 홍보당 등은 이번 심포지움 행사를 비롯하여 많은 지역 사회에 함께하는 행사들을 개최하고 있습니다. 다가오는 5월 28일 한국에너지 공과대학교에서는 학부 총학생회 주관으로 켄텍의 첫 학생 축제가 개최될 예정입니다. 지역사회 분들에게도 모두 개방되는 행사이니 시간 되시는 분들의 많은 참석을 부탁드립니다. 잠시 후 본 행사가 시작될 예정입니다. 참석해 주신 분들께서는 좌석에 앉아 주시고 장례를 정리해 주시기 바랍니다.

네. 안녕하십니까? 2025 켄텍 심포지엄 온 SU스테inable 에너지 트랜지션에 오신 여러분을 진심으로 환영합니다. 오늘 행사에는 다양한 고등학교 학생들을 비롯하여 대학교 및 학교 교직원분들, 그리고 교수님과 많은 분들이 또 참석해 주셨습니다. 이 자리를 빌어 참석해 주신 모든 분들께 깊은 감사 인사를 드립니다. 이제부터 한국 에너지 공과대학교 학생 홍보단이 주관하는 2025 켄텍 심포지엄 온 스테너블 에너지 트랜지션 행사를 시작하도록 하겠습니다. 저는 오늘 사회를 맡은 한국에너지 공과대학교 에너지 공학부 장현규입니다.

한국 에너지 공과대학교 학생 홍보단은 지난해에 The first symposum on sustainable 에너지 transition 컴퓨u 섹터스 Green Future을 성공적으로 개최하며 에너지 전환과 지속 가능성에 대한 의미 있는 논의를 이끌어낸 바 있습니다. 그 연장선에서 오늘 계획되는 제2회 심포지엄 ‘컴퓨팅 future 에너지 패러다임’이라는 주제를 중심으로 더욱 심화된 논의를 이어나갈 예정입니다. 오늘 심포지엄은 총 세 개의 세션으로 구성되어 있습니다. 세션 1에서는 신소재와 기계 학습의 융합을 통해 새로운 에너지 솔루션을 모색하는 연구 내용을 살펴보고, 세션 2에서는 차세대 그리드 시스템과 AI의 역할에 대해 깊은 논의를 이어갑니다. 이어지는 세션 3에서는 본교 재학생이 직접 수행한 프로젝트를 발표하여 에너지 전환 분야에서 학생들이 어떤 창의적인 도전을 하고 있는지 공유하는 뜻깊은 시간이 예정되어 있습니다. 모든 세션이 종료된 후에는 사전 공모로 진행된 AI를 주제로 한 심포지엄 포스터 수상작 시상식으로 오늘의 행사를 마무리할 예정입니다. 오늘 이 자리를 통해 AI와 에너지의 접점에서 도출되는 다양한 시각과 통찰들이 여러분 각자의 시야를 넓혀 주는 계기가 되기를 바라겠습니다. 귀한 시간 내셔서 참석해 주신 모든 분께 다시 한번 감사의 말씀을 드리며 의미 있는 시간 되시기를 바랍니다.

먼저 행사 시작에 앞서 한국 에너지 공과대학교 장재형 교무처장님의 개회사를 청해 보도록 하겠습니다. 장재형 교무처장님을 큰 박수로 모시겠습니다.

아, 안녕하십니까? 어, 소개받은 장재형입니다. 아, 본래 오늘 개회사는 어, 우리 학교 박진호 총장 대행님께서 해 주시기로 하셨었는데, 대외적으로 너무 바쁜 일이 있으셔서 오늘 못 나오셨어요. 그래서 여러분들께 죄송하다는 말씀과 함께 제가 그 인사말을 대신해 달라는 말씀을 해 주셔서 오늘 여러분들을 이렇게 모두 뵙게 됐습니다. 여러분들, 전국에서 많은 고등학생들이 오셨어요. 그리고 특히 대전 대신고인가요? 대신고에서 60명의 학생들이 오늘 같이 온 걸로 알고 있는데요. 특별하게 이제 감사 말씀을 좀 드립니다. 자, 그리고 어, 그 장현규 학생이 이제 말을 했지만, 사실 이 심포지엄은 학생들이 주체가 되고 학생들이 개최하는 그러한 행사입니다. 이 큰 행사를 개최하게 해서 너무 애를 많이 쓰고 계시는 우리 학생들, 그리고 오늘 여기에 같이 와 준 학생들, 다 함께 우리 축하하고 감사하다는 큰 박수 한번 치면서 시작하도록 하시죠. 어, 작년이 첫 번째 심포지엄이 5월 8일 날 개최된 걸로 저는 기억을 해요. 그다음 이제 딱 1년이 지났죠. 1년이 지나서 2회 심포지엄이 이제 개최가 되는데, ‘Sustainable 에너지 트랜지션’이란 큰 주제 안에, 어, 저번에는 아마 에너지 섹터 커플링에 대한 그 중요성에 대해서 여러 가지 굉장히 심도 있는 논의가 되었던 거 같아요. 이 섹터 커플링이라고 하면은 사실은 우리가 사용자의 입장에서 접하는 에너지라고 하면은 아마 전기 에너지도 있고, 뭐 열도 있고요. 그죠? 그다음에 가스, 뭐 다양한 것들이 있을 겁니다. 그런 에너지들이 각각의, 그죠? 각각의 시스템과 네트워크로 구성이 되었다고 한다면, 지금 에너지 전환의 시대, 이런 것들이 이게 모두가 다 통합된 시스템으로 만들어지죠. 이게 지금 현재 에너지 시스템에서 가장 큰 화두 중에 하나라는 생각이 듭니다. 그것들을 학생들이 발굴해냈고, 그것들을 고민하는 그런 장소가 됐다면은, 실제로 요즘에 가장 크게 다시 화두가 되는 것이 AI입니다. 그 복잡다단한 시스템을 정말 더 효율적으로 만드는 데 가장 크게 역할을 할 수 있는 게 이제 인공지능이라고 생각을 하는데요. 그걸 활용해서 학생들이 이번에는 그 복잡다단한 시스템을 어떤 식으로 효율적으로 잘 운영을 하고, 그죠, 어떻게 하면 좀 더 깨끗하고, 그죠, 건강한 인간의 삶을 영위할 수 있도록 하는 에너지 체계를 변화시킬 것인가 해서 AI에 대한 고민을 이번에 덧붙인 것 같습니다. 정말 좋은 주제를 선택을 해 준 것 같고요. 사실은 이제 말씀드린 바와 같이 AI가 전체 우리의 에너지 시스템을 효율적으로 운영하는 데 굉장히 큰 역할을 할 것입니다. 이미 그런 역할을 해오고 있고요. 근데 또 한 가지로는 그 AI라는 것 자체, 그 AI, 그다음에 데이터 센터가 또 전기 에너지를 굉장히 많이 소비하는 그런 주체이지 않습니까? 그러니까 이 AI라는 걸 더욱더 에너지 효율적으로 만들기 위해서는 또 에너지의 측면에서 고민을 해야 되는 그러한 측면들도 많이 있을 겁니다. 그래서 오늘 아마 문승일 원장님께서 에너지 4 AI, 그죠? AI for 에너지에 대해서 강연을 해 주실 거고, 그다음에 서동아 교수님께서 카이스트에서 오셔 가지고 실제로 그 에너지 효율을 위한 소재 발굴을 위한 AI의 역할, 그리고 김희태 교수님과 김성환 교수님께서 그리드 모더나이제이션과 에너지 AI의 상호 관계에 대해서 말씀을 해 주실 텐데요. 아마 이런 것들이 여러분들, 특히 이제 고등학생들 같은 경우에는 앞으로 여러분들에게 진로를 선택을 하고, 내가 어떻게 기여를 하고, 내가 살고 있는 이 세상, 지구를 얼마나 지속 가능하게 만들 수 있는 것인가에 대해서 고민을 할 때가 됐을 텐데요. 그 고민을 할 수 있는 가장 최적의 장소가 아마 이 켄텍이 아닐까라는 생각이 듭니다. 우리 켄텍은 에너지 특화 공과대학이잖아요. 지금 여러분들이 생각하고 있는 이런 에너지에 대한 모든 것들을 솔루션들을 제공할 수 있는 그런 학교이고, 또 이 근처에는 그 에너지 산업과 관련된 굉장히 많은 인프라들이 잘 갖춰져 있습니다. 이러한 논의를 하기에 가장 적합한 장소, 그죠, 최적의 장소인 켄텍에 오신 여러분들을 다시 한번 환영을 하고요. 오늘의 토론들이 여러분들의 인생 커리어를 개발하는 데 있어서 굉장히 큰 하나의 단초가 되는 그러한 시간이 되기를 바랍니다. 오늘 여러분들 다시 한번 환영하면서 이렇게 인사를 마칠까 합니다. 감사합니다.

네. 다시 한번 장재형 교무처장님께 큰 박수를 부탁드립니다.

다음으로 기조연설의 차례입니다. 오늘 기조연설은 ‘에너지 AI, AI4에너지’라는 제목으로 한국 에너지 공과대학교 문승일 석학 교수님께서 준비해 주셨습니다. 에너지와 인공지능, AI의 융합이 가져올 미래의 변화와 그 중요성에 대해 통찰력 있는 시각을 제시해 주실 예정입니다. 그럼 에너지와 AI의 융합이 왜 지금 우리에게 중요한지, 어떤 방향으로 나아가야 하는지를 깊이 있게 짚어볼 기조연설을 함께 만나 보시겠습니다. 큰 박수로 환영해 주시기 바랍니다.

안녕하세요. 예. 아이고, 이렇게 많은 분들 오신 줄 몰랐고, 뭐 클래스 하나 정도 됐나 했는데, 머리수가 이렇게 학생들 오셔 가지고 만나뵙게 돼서 너무 반갑습니다. 좀 떨리네. 제가 좀 실수하더라도 양해해 주시고요. 그, 저는 우리 한국 에너지 공과대학교에서, 아, 전력 쪽, 그러니까 차세대 그리드 쪽을 연구하고 가르치고 있는 문승일 교수입니다. 자, 학교 안에서 연구원장도 맡고 있고요. 뭐 오늘 모이신 여러분들이 많은 분들이 우리 대학에 관심을 갖고, 또 우리 대학뿐만 아니라 자기의 미래 중에서 내가 에너지 쪽에 뭐 해 볼 게 없는가 이런 탐구심을 가지고 오신 것 같습니다. 잘 오셨고요. 여러분들 아마 시간 내기 쉽지 않을 텐데, 귀한 시간 내셨으니까 오늘 와서 많이 배우고, 또 일방적으로 배우지만 말고 자기 생각을 좀 투입시키고요. 또 어떻게 하면 나는 뭘 해야 될 것인가 한번 생각하는 시간을 가져 보시기 바랍니다. 여러분들 보니까 제가 여러분들만 할 때 생각이 나서 여러 가지 많이 떠오릅니다. 그, 인생에서 여러 가지 중요한 일이 있는데, 특히 이제 고등학교 다니다가 대학교 갈 때 선택을 하게 되잖아요. 그죠? 그 초등학교 들어가고 중학교 들어갈 때 선택이란 게 없어요. 그냥 그 우리 집에 태어난 게 내가 엄마 아빠가 뭐 원해서 태어난 게 아니고, 나서 보니까는 우리 집에 있던 거고, 초등학교 중학교까지는 주어진 환경에서 가지만 이제 고등학교 갈 때부터는 조금씩 선택이 생기죠. 특히 이제 고등학교 들어가서 내가 크게 보면은 옛날에는 문과 있고 이랬는데 지금도 나누나 모르겠네요. 문과 쪽에 적성이 있는가 아니면 이공계, 자연과학 쪽에 적성이 있는가 따라서 이제 자기 인생이 나뉘는 것처럼, 그때 한 번의 선택이 아주 사소한 거지만 지나놓고 보면 인생에 큰 줄기를 바꿀 수 있는 거예요. 근데 우리가, 나도 마찬가지지만, 한평생 살면서 모든 걸 다 해 볼 수는 없어요. 자기가 이것도 저것도 다 해 보고 싶겠지만, 그중에서 가장 적합하다고 생각된 것들을 그 시기에 맞게 맞게 계속 선택해 나가야 되는 것이 그것이 살아가는 길인 것 같습니다. 제 인생을 되돌아보니까. 그래서 여러분들이 우리 학교 오늘 온 것도 뭐 여기 아니고도 갈 데가 많겠죠. 그렇지만 이쪽 분야에 관심이 있어서 왔다고 보고 있고, 특히 에너지 쪽에 큰 관심이 있으신 것 같으니까, 아, 제 얘기가 조금 여러분에게 도움이 됐으면 싶어요. 그, 지금 시대는 누가 뭐라도 AI 시대예요. 그 AI가 뭔지는 사실은 정확하게 잘 모르죠. 인터넷이 뭐죠? 인터넷을 우리가 늘 쓰고 가까이 있지만, 아마 컴퓨터 사이언스를 전공한 최고의 학자도 정확하게 인터넷이 뭔지는 알 수가 없을 거예요. 이게 우리한테 스며들어가 있는 것처럼 AI도 이제 그런 단계로 가는 것 같습니다. 단순히 우리를 도와주는 정도를 떠나서, 뭐랄까, 이제 디자인도 해 주고, 또 심지어는 약간의 창의성도 있는 것 같아요. 그죠? 이 창의성이 인간에서 나온 건지 AI가 만들어낸 건지는 아직 정확하지 않은 것 같은데, 아무튼 이제 그런 AI와 에너지가 믹스가 돼야 되는 시기가 된 거예요. 저는 에너지를 제공했던 사람이에요. 그리고 제가 바라보는 AI는 에너지 쪽에서 갖고 있는 여러 가지 숙제, 문제들을 해결해 주지 않겠는가 하는 생각을 가지고 활용하는 입장입니다. 제 양해를 잠깐만 말씀드리면, 저는 뭐 공과대학을 나왔고요. 저는 서울대학교에서 공과대학을 나왔고, 뭐 미국에서 공부를 했어요. 그리고 이제 돌아와서는 전북대학교에 제가 한 3년 반 정도 있었고, 그 이후로는 서울대학교 공과대학에서 한 25년 교수 생활 하고, 우리 대학 생기자마자 바로 일적으로 옮겨왔습니다. 뭐 서울대도 뭐 어마어마한 대학이고, 뭐 말할 필요 없죠. 여러 가지가 있는데, 우리 대학을 보니까 참 특별한 대학이고, 세계 어느 대학도 갖고 있지 못하는 그런 포텐셜이 있는 것 같습니다. 한번 오셨으니까 한번 우리 학교 한번 둘러보세요. 굉장히 많은 다른 것들을 발견할 겁니다. 그리고 저는 이제 에너지 쪽 하다 보니까 정부의 정책에도 많이 관여를 했었고, 특히 전력 정책에 대해서는 상당히 제가 여러 가지 깊은 생각들을 정부의 정책관에 담아놨습니다. 지금 만들어지고 있는 여러 가지 새로운 일들도 그 맥락에서 만들어지는 것 같아요. 자, 예, 제가 찍은 사진이에요. 낮에 와서 보니까 참 좋아요. 서울에서는 뭐 출퇴근을 하다 보면은 출근하는 데 뭐 한 시간은 족히 걸려요. 저는 집이 학교에서 가까이 있었는데, 그래도 차가 밀리니까 서울도 있고, 사거리 지나는데 뭐 그 거리는 얼마 안 되는데 막 3, 40분 금방 잡아먹고요. 한 시간 잡고 가야 되는데, 그 시간이 길기도 하고 되게 짜증스럽죠. 근데 낮에 오니까는 그런 시간이 거의 없어요. 제가 집에서 뭐 5분이면 올 수 있고, 또 걸어 다닐 수 있고, 또 보면 다 잔디가 깔려 가지고 잔디만 밟고 이렇게 학교까지 올 수 있는 그런 좋은 환경입니다. 익숙하지 않은 분들은 오늘 좀 끝나고라도 잠깐 한번 돌아보세요. 이렇게 크지 않은 동네니까. 그 중간에 혁신도시 중간에 호수 공원이 있고, 그 공원에 제가 출퇴근길에 지나가면서 찍은 사진입니다. 휴대폰으로 찍은 거예요. 그리고 저 뒤에 있는 저 뾰족한 오각형처럼 나와 있는 건물이 이제 한국전력 건물입니다.

자, AI 시대가 왔고, 전기 얘기를 할게요. 과연 AI 시대의 우리 전기, 전력망은 어디까지 와 있는가를 보면서 어떻게 이게 연결해 가야 될 것인가를 한번 같이 고민해 보겠습니다. 옛날로 돌아갑니다. 아, 이게 아마 한 150년 전, 19세기 말에서 20세기 초반의 일입니다. 그 토마스 에디슨이라는 사람은 아시죠? 음, 너무 옛날 사람이라 모르나. 네. 제가 어릴 때는 에디슨이라는 사람이 지금 뭐 빌 게이츠나 일론 머스크처럼 그 공학하는 사람들의 꿈과 로망이었어요. 에디슨은 뭐 수많은 발명을 했죠. 여러분들이 지금 듣고 있는 뭐, 지금 우리가 보고 있는 영화라든지 이런 것도 다 에디슨의 발명이고, 그다음에 축음기, 레코드 이런 거 다 만들었고요. 전기조차도 사실은 에디슨의 발명품은 아니에요. 근데 전기를 가지고 사람들이 쓸 수 있도록 만들어 주는 그런 아이디어는 에디슨의 머리에서 나왔어요. 그 에디슨은 엄청나게 천재죠. 뭐 별명이 1,000개가 넘으니까. 근데 이 양반은 뭐랄까, 시골에서 태어나 가지고 학교를 오래 다니지를 못했어요. 초등학교 중퇴가 학력이 전부입니다. 초등학교를 다니는데, 여러분도 아마 옛날에 그런 얘기 들었는지 모르겠네. 그 집에서 닭이 알을 까니까 계란을 자기가 품고 있어서 그렇게 알이 나온, 그 계란에서 닭이 나온다 그런 것처럼 그러고요. 학교 가면은 선생님이 가르쳐 준 것은 잘 안 듣고 자꾸 딴 생각만 하고 질문도 엉뚱한 얘기하고 하니까 선생님은 에디슨을 보기에 답답해했던 거예요. 초등학생인데, 그래 가지고 맨날 혼내니까 이제 에디슨이 집에 와 가지고 엄마한테 울었나 봐. 엄마, 뭐 학교 가니까 선생님이 나를 때린다는 거야. 어머니가 화가 나 가지고 손을 잡고 학교를 쫓아와서 선생님하고 대판 싸우고 학교 안 보내고 집에 데려왔어요. 그 집에서 가르쳤답니다. 근데 집안도 어려웠던 모양이에요. 그리고 이제 그러고 나서 자기가 우리로 치면 중학교나 고등학교 갈 때부터 기차 안에서, 자기가 미국 대륙을 여행하면 기차가 지나가잖아요. 기차에 한 칸을 빌려 가지고, 대단한 친구예요. 거기다가 그 시카고에서 왔다 갔다 한 기차인데, 시카고 가서 아침에 조간신문 하나 사 가지고 그 신문을 그대로 활자로 옮겨서, 요즘으로 보면 불법 복사죠. 예. 그 기차 안에서 이렇게 인쇄를 찍어 가지고 그 기차 안 사람들한테 팔기도 하고 그랬다 그래요. 그렇게 머리가 비상한 사람입니다. 그렇게 시작해서 한 사람이 만든 그 전기 시스템인데, 소위 말하면 직류 시스템이에요. 여러분들 직류, 교류는 알죠? 직류는 플러스, 마이너스만 있는 그런 전기고, 교류는 사인 웨이브로 파형이 나옵니다. 전압, 전류는 알죠? 예. 전압이 뭐죠? 전압은 말 그대로 전기의 압력, 얼마나 세냐. 물도, 물도 이렇게 하면 그 우리 아파트 20층 옥상에 있는 물은 수압이 세죠. 높이 있으니까. 1층에 있는 물에서 나오는 물은 졸졸 흐르죠. 수압이 낮으니까. 그것처럼 전기도 압력이 있어요. 그걸 이제 볼트로 표현하는데, 압력이 높을수록 전기는 물로 표현한다면 세게 흘러가요. 세게. 전기가 참 재밌어요. 제가 전기 공학을 평생 전공했는데, 전기를 본 적은 없죠. 제가 쓰고는 있지만, 전기가 뭔가는 아무도 몰라요. 그걸 공학자들이 우리가 사용하려면, 쓸 수 있도록, 우리가 활용할 수 있는 과학적인 표현으로 해 놓은 게 전류와 전압이다 이렇게 보시면 됩니다. 그 전압, 전류 얘기를 제가 조금 할게요. 여러분들 여기 올 정도면은 그 정도는 알 것 같고, 또 관심이 있는 것 같아서 제가 안다고 생각하고 설명하겠습니다. 에디슨은 말씀드렸듯이 이 양반이 뭐 중학교나 고등학교를 간 적이 없으니까, 자기는 생전에 사인, 코사인을 배워 본 적이 없어요. 나중에 뭐 어떻게 했는지 모르겠는데. 그리고 이제 이 사람 머리에서는 전기는 당연히 직류, 플러스, 마이너스 전압이 있어서 그렇게 만들어 쓰면 되는 거죠. 선 두 가닥이면 되는 거예요. 그런 전기를 만들어서 사업을 시작했죠. 그게 한 150년 가까이 된 일이고. 아, 그 사업을 처음 시작했던 데가 뉴욕시예요. 뉴욕. 미국의 제일 큰 도시. 그 뉴욕시에서 전기 사업을 시작했는데, 그때 전기로 가장 많이 썼던 게 뭐, 뭐 전기가 있으면 뭐가 제일 필요하죠? 뭐 지금이야 다 쓰지만 옛날에는 제일 필요하던 게 등이에요. 등. 예. 전기가 나오기 전에는 가스등을 썼어요. 가스등은 가스를 가지고 불을 이렇게 붙이는 거니까 바람 불면 꺼지고, 또 뭐 아침, 저녁에 누가 왔다 갔다 하면 껐다 켜야 되고, 또 가스 배관하는 게 쉬운 일이 아니죠. 여러분들 아마 옛날 미국 영화 같은 거 보면 영국이나 뭐 이런 데서 가스등 이렇게 켜고 하는 거 보이지 않아요? 메리 포핀스 이런 영화 보면 혹시 그런 영화 기억하시나 모르겠네. 보면 나오는데, 아무튼 이제 그런 등을 쓰다가 전기로 하니까 바람이 불어도 안 꺼지고, 또 그냥 선만 간단히 연결하면 되니까 큰 비즈니스가 됐죠. 그래서 사업을 시작한 겁니다. 그 뉴욕에서 직류로 가지고 전기를 만들어서 사업을 시작해서 뉴욕 시내를 이렇게 이제 환하게 밝히는 역할을 처음에 했던 것 같아요. 근데 근데 문제가 뭐냐면, 그 직류로 하게 되면 쉽고 간단한데, 큰 전기를 팔기가 어려워요. 제가 좀 다시 한번 설명을 할게요. 우리가 전기를 얘기할 때, 그 전기라고 하면 일반적인 통칭이고, 공학적으로 말할 때는 명확하게 얘기를 해야 됩니다. 전압, 전류, 전력. 그 볼티지, 커런트, 앤 파워. 세 개로 나누거든요. 마치 우리가 물리를 나타낼 때 MKS 단위를 쓰잖아요. 그러니까 무게와 길이와 시간. 완전히 다른 거죠. 내 몸무게가 몇 미터예요? 말이 안 되잖아요. 그죠? 서울에서 부산까지가 몇 kg인가 말이 안 되죠. 근데 전기에 대해서는 비슷한 얘기를 많이 해요. 조금 헷갈려 가지고. 근데 그게 길이와 무게가 다르듯이 전압과 전류는 완전히 다른 거고, 파워는 뭐죠? 전력은 전력은 전압에다가 전류를 곱한 거예요. 그 만약에 10V의 전압이 있고 압력이, 그 전류는 말 그대로 흘러가는 양입니다. 흘러가는 양이 뭐 5A라고 하면은 파워는 10 * 5에서 50W예요. 우리가 파는 건 뭘 파는 거죠? 전압과 전류를 파는 게 아니고 전력을 팔아요. 그래서 여러분 잘 아는 한전, 뭐 옆에 있는 회사인데, 한전의 정확한 명칭이 뭐죠? 한국 전기 회사가 아니에요. 한국 전압 회사도 아니고, 한국 전류 회사도 아니고, 한국 전력 회사. 코리안 일렉트릭 파워 코퍼레이션. 아셨죠? 예. 제가 오늘 여러분들 강의에서 전압, 전류, 파워, 전력을 정확하게 얘기했는데, 이것만 잘 알아도 전기 반은 아는 거예요. 먼저 뽑았네. 예. 그래. 이제 그 문제가 뭐냐면, 그 전력을 팔아야 되는데, 전력이 전압 곱하기 전류잖아요. 그러면 전압이 100V라면 전류가 10이면 1,000이고, 전압이 100V라면 전류가 100이면 1만이 되겠죠. 열 배 팔면 돈은 열 배 벌 거 아니에요. 근데 문제는 그때 기술로 직류 전기는 전압을 높이는 방법이 없었어요. 전압을 못 높인 거야. 그러니까 제한된 전압에서 전기를 팔니까, 뭐랄까, 구멍가게 수준, 아주 조그만 발전기밖에 안 된 거예요. 그래 가지고 언제 돈 벌죠? 돈은 벌려면 막 대박해 가지고 때돈을 벌어야 되는데, 그때 나타난 사람이 테슬라라는 사람이에요. 니콜라 테슬라 아시죠? 요즘 뭐 일론 머스크가 테슬라를 좋아하나 봐. 그래 가지고 자기 자동차 회사 이름을 테슬라라고 붙였어요. 자동차 이름을 테슬라 자동차, 뭐 유명하죠. 전기차. 그 이제 테슬라는 대학을 제대로 나온 박사입니다. 그리고 출신이 크로아티아. 크로아티아라고 저기 유럽의 아주 가난한 나라죠. 지금도 크로아티아 그쪽은 되게 가난할 거예요. 우리보다 훨씬 못 살 겁니다. 100년 전에 거기서 대학을 나왔다는 건 대단한 건데, 이 친구가 대학을 다니는데 보니까 너무너무 똑똑하고, 뭐 천재야, 천재. 교수는 천재를 금방 알아봅니다. 저도 교수 생활을 오래 해 봤는데, 특히 이제 서울대에 있으면 뭐 똑똑한 애들 많으니까, 그 부모님이 자기 아들 판단한 것보다 제가 보니 훨씬 더 빨라요. 예. 근데 이렇게 학교를 다니는데 워낙 똑똑하니까 졸업할 즈음 돼서 이랬던 거 같아요. 너는 말이야, 우리 동네 크로아티아라는 나라에서는 거기는 뭐 산업도 없고 회사도 없으니까, 여기 있으면 네 재능 발휘를 못 할 것 같다. 그래서 여기서 썩지 말고 미국 뉴욕에 가면 에디슨이라는, 뭐 석유를 파는, 뭐 일론 머스크 같은 사람이 있어요. 그래서 아주 똑똑한 친구가 있고 좋은 회사가 있으니까 거기 가서 네가 한번 꿈을 펼쳐 봐라 이렇게 한 거예요. 데 상상해 봐요. 아, 100년 전에 그때는 배 타고 왔어요. 배 타고. 배를 타고 한 보름이 있어야만 유럽에서 미국에 갈 수 있었을 겁니다. 미국 간다는 상상도 좀 어려운데, 그 회사에 취업한다는 것은 더 어려웠겠죠. 네. 그렇게 왔던 것 같고, 이제 그때 이제 그 미국 회사 취직할 때 그 시험이 없어요. 뭐 우리 삼성전자 들어가려면 뭐 무슨 시험도 많던데. 근데 미국계 회사나 이런 데는 시험 보고 들어가는 게 아니고 딱 두 개 봅니다. 뭐냐면 하나는 추천장, 그리고 두 번째는 인터뷰. 추천장을 잘 써 줘야 돼요. 그 교수님이 테슬라에 추천장을 써 줬는데, 그 내용이 이런 내용이에요. 어디 지금도 책에 나와 있을 겁니다. 자기가 알고 있는 세계에서 그 추천장의 내용이에요. 세계에서 가장 천재가 두 사람이 있다. 데 그 중 한 사람은 지금 이 자리를 받아보고 읽고 계시는 토마스 에디슨 사장님 당신이다. 에디슨 기분 째지겠죠? 그죠? 자기가 추천장을 들고 왔는데, 자기가 세계에서 1등 천재. 뭐 합격이지 뭐. 아, 됐어. 교수님, 훌륭한 교수님이시네. 그래, 이 친구는 이제 합격인데, 어디로 보낼까 이제 고민했겠죠. 근데 그다음 두 번째 줄은 짐작이 가죠. 그런데 두 번째 천재는 이 추천장을 들고 가는 니콜라 테슬라다 이렇게 써놨어요. 정확히 세계를 바꿨던 이 두 천재가 거기서 만납니다. 좋은 것만 있었을까요? 또 운명적인 거죠. 천재와 천재가 만나면 꼭 좋지 않아요. 그죠? 조금 한 사람의 천재와 완전히 다른 사람이 만나야 둘이 잘 가는 거지. 서로 잘났다고 하면 깨지는 거 아니에요? 그런 일이 벌어진 거예요. 그래서 이제 테슬라가 에디슨 연구소, 회사에서 일하면서 교류 시스템으로 만들면 지금 에디슨 사장이 겪고 있는 그 비즈니스 문제 해결이 가능하다. 교류는 변압기, 여러분들 아마 변압기는 들어봤죠. 트랜스포머를 쓰면은 쉽게 전압이 올라갔다 내려갔다 해요. 어렵지 않게. 그 전압을 높이면, 전압을 100에서 1,000으로 올리면 전류가 같더라도 10배 이상의 전력을 팔 거 아니에요. 근데 열 배만 올리는 게 아니고, 요즘 보면 한 2만 볼트에서 한 70만 볼트까지 올리니까, 한 30, 40배 올리는 거예요. 300, 400배인가? 그래서 엄청나게 큰 전력을 팔 수 있습니다. 아, 그런 제안을 한 거예요. 그걸 에디슨이 못 알아들었을까요? 여기서부터 이제 여러분들이, 특히 젊은 사람들이 미래를 바라보면서, 뭐 여기 오는 사람 다 똑똑하니까 판단해야 됩니다. 우리가 뭘 몰라서 정말 이해가 안 돼서 못 하는 경우도 있어요. 근데 대부분의 우리 실수는 알면서 하는 거예요. 알면서. 그죠? 주변에서 그런 게 많이 보이지 않아요? 에디슨도 어마어마한 천재죠. 내가 뭐 너처럼 박사는 아니지만, 나도 그 정도는 이해한다. 근데 이제 그 교류라는 것은 말 그대로 사인 웨이브, 코

정도가 갑자기 튀어나온 겁니다. 그런데 어, 12시 정도 떨어졌다가 이제 계속 복구가 되는데 어, 한 3시 그죠? 어, 다음날 3시인가? 아무튼 하루가 되기 전에 복구가 거의 끝나더라고요. 만약에 우리나라가 이렇게 정전된다면은 우리는 어, 복구하는데 짧아도 일주일, 뭐 어쩌면 한 보름 정도 걸릴 것 같아요. 정말 큰일 나겠죠. 이게 전후의 사진인데, 이 사진에서는 크게 제가 차별을 못 봤었는데 보면은 저 왼쪽 그 기퉁이, 저기가 지불터 저인가요? 예. 그쪽하고 이런 데가 많이 비어 있죠. 상당히 큰 그 전력에 고장이 났습니다.

자, 이런 일들이 왜 났을까? 그 제 짐작에는 아직도 그 정확한 이유를 밝혀 그 얘기를 안 하더라고요. 모르고 하는 건지 아니면은 숨겨 놓은 건지 잘 모르겠는데, 그 제 짐작에는 재생 에너지가 만들어낸 어떤 트러블이 아닌가 이렇게 좀 추측을 합니다. 유럽에는 재생 에너지가 꽤 많이 들어와 있어요. 우리보다 훨씬 많이 들어와 있는데, 재생 에너지는 태양광 같은 거예요. 태양광은 직류일까요? 교류일까요? 직류. 어, 태양광은 전지야. 전지. 태양 전지. 플러스 마이너스 나와요. 근데 현재 전력망은 직류예요, 교류예요? 교류. 그 직류를 교류에 담다 보니까는 나타나는 좀 어떤 어색한 거 같은 거예요. 그게 어, 유럽만 그런 게 아니고 우리는 벌써 그 제주도에서, 제주도는 이제 섬이고 재생에너지가 이제 많으니까 그런 일이 벌어지고 있거든요. 여기 여러분 맨 밑에 보면은 노랗게 주황색으로 올라오고 있는 그 커브가 태양광의 발전이에요. 아침 7시에 해 뜰 때 올라갔다가 뭐 저녁 되면은 내려가는 그런 패턴이 되니까 이렇게 태양광이 올라오면은 기존에 있는 교류 발전기들이 막 줄이고 어떻게 하겠죠. 갑자기 전력이 튀어나오면 절기를 보내는 교류 설비가 막힙니다. 한쪽이 막히면은 더 이상 못 보내니까 끊어 버려요. 하나가 끊기면 다른 데가 또 막히겠죠. 이제 그런 현상이 연쇄적으로 어, 벌어진 것 같습니다.

근데 이제 걱정은 우리나라도 마찬가지로 가고 있다. 그래서 여기 보시면은 만약에 재생 에너지 비중이 3%, 15%, 뭐 한 20%까지는 그럭저럭 견디는데 이게 30% 이상 되면은 전라남도 지역부터 위험해진다는 거죠. 빨리 우리 이사 가야 될 것 같아. 그죠? 이제 서울로 뛰어가야겠네.

자, 이런 것들 우리가 뻔히 그 기대가, 그 예상이 되는 문제입니다. 이제 그걸 해결하려면 새로운 그 기술이 필요하고, 그 기술이 이제 제가 제안하기로는 DDD라는 거예요. 그러니까 여러분들이, 저는 이제 은퇴가 멀지 않아요. 뭐 여러분들 훨씬 더 많은 그 시간 동안 공부하고 연구해야 될 사람들이니까, 이 측면에서 하신다면 이런 쪽에 관심을 가지고 연구를 해 보시는 게 제 생각입니다. 첫째는 분산화시켜야 돼. 한 군데 모아놓지 말고 좀 떨어뜨리고, 그 교류 대신에 직류로 가고, 그다음에 그걸 운영하는 기술을 사람이 할 게 아니고 AI가 해야 된다. 그래서 제가 DDD라고 이름 붙였어요. 이 이름 이쁘죠? 제가 정부에도 제안을 했고, 제 발언은 뭐 이제 선거가 이제 들어갔는데 새 정부가 만들어지면은 좀 이런 제안들을 좀 적극적으로 담아갔으면 좋겠다. 정말 바랐으면 좋겠다는 생각입니다.

재생 에너지가 앞으로 큰 그 역할을 할 겁니다. 근데 보면은 우리가 있는 전라남도 지역이 재생 에너지 만들기에 가장 적합하고, 가장 싸고 만드는 비용이 서울은 뭐 열 배가 넘고요. 그래서 아마 지금 전라남도 지역을 중심으로 하는 이 지역이 제가 생각하는 DDD 에너지 전환에 뭐 중심 역할 할 것 같고, 거기에 필요한 여러 기술들을 우리 대학에서 개발하고 있어요. 이제 이런 프로젝트는 제가 서울에 있을 때 정부에서 연구비 받아 한 거고, 이제 거의 완성이 되고 있습니다. 그 이제 이게 기술인데, 상세한 것들은 이제 설명은 뭐 안 해도 될 것 같아요. 해도 잘 못 알아들을 것 같고, 결국 취지는 뭐냐면 교류에서 직류로, AC, DC가 왔다 갔다 하는데, 지금 현재까지는 어, AC 중심으로 돼 있다면 이쪽에 앞으로 미래는 DC로 한다는 거죠. 우리 대학에서는 이쪽, 이러한 그 에너지 전환을 염두에 두고 우리 교회 대학의 연구 역량이나 뭐 커리큘럼이 이쪽으로 짜 있습니다. 우리 MVDC 같은 사업도 하고 있고요. 이런 분산 전력망이 만들어졌으면 좋겠어요. 그래서 그, 그 지역에서 만들어서 그 지역에 소비하는 그런 시스템이 만들어지기를 바랍니다. 거기에 대한 솔루션은 AI, AI, 여러분들 자료가 있으니까 보기를 바라고요. AI가 모든 걸 다 해결할 수 없지만, 어, AI의 도움 없이는 이 복잡한 시스템을 더 이상 운전 못 할 거예요. 스페인이 벌써 보여줬어. 그 큰 발전기들은 정확하게 컨트롤할 수 있지만, 수많은 분산 에너지는 컨트롤이 안 됩니다. 그래서 그걸 인간의 머리로 할 수 없어서 AI가 도입돼야 되고, 뭐 어떻게 보면은 유럽이나 그런 시스템은 아직 이런 도입이 적극적이지 않다는 걸 의미하는 거죠.

그러면 우리한테 뭐가 있는 거죠? 기회가 있는 거죠. 우리 늘 후진국 안 해요. 제가 여러분 만할 때는 우리나라는 정말 어려워서 집에 자동차를 탄다? 이거 상상도 못 했고, 미국, 일본, 유럽 하면 그냥 거기는 딴 동네야. 했는데 지금은 아니잖아요. 특히 이제 뭐 저도 좀 과장했는지 모르겠는데, 우리가 생각하는 에너지나 정책적인 문제는 세계를 우리가 리드하는 기술이 이미 있고, 그 기술을 조금 더 어, 그 한 단계 업시켜 가지고 글로벌로 나가려고 하는 게 우리 대학입니다. 우리 대학은 그런 데 포커싱을 하고 있어요. 그래서 우리는 그 학생들 교육뿐만 아니라 산업체가 모여들 수 있는 공간도 준비를 하고 있고, 그 최근에 아마 뉴스 보신 분들은 뭐 들었는지 모르겠는데, 전라남도 해남, 여기서 한 시간 정도 남쪽하면 있습니다. 거기에 세계에서 가장 큰 규모의 AI 데이터 센터가 투자를 하려고 그래요. 그런 작업들을 우리 대학에서 사실은 하고 있습니다. 들어오게 된다면 우리 대학도 어마어마한 그 발전이 있을 것 같고요. 뭐 규모는 되게 큽니다. 한 3GW인데, 초기에 투자가 한 15조 정도. 15조가 얼마인지 모르죠. 100만 원 나오기 어렵죠. 100만 원이 100번 있어야 1억이고, 1억이 만 번 있어야 1조예요. 우리나라의 예산이 한 600조 되나요? 엄청난 돈이 들어오고, 뭐 최종적으로 한 50조 정도 투자를 할 예상입니다. 그리고 이제 이게 우리 대학의 캠퍼스인데, 우리 대학 안에도 로크라는 그 AI 회사가 데이터 센터를 직접 짓겠다고 해서 제가 뛰어다니면서 지금 협상을 하고 있습니다.

아무튼 그, 지금 시대가 AI 시대인데, AI는 에너지를 잘 공급하기 위해서 꼭 필요한 거고, 또 AI는 에너지를 엄청 잡아먹는 전기에 핵심이 될 거예요. 이 두 개가 같이 가야 될 것 같고, 이게 전 미래라고 보고 있고, 이제 막 문이 열렸으니까 여러분처럼 어, 참신한 분들이 미래에 대한 비전을 가지고 이쪽 분야를 한번 관심 있게 바라보면은 뭐 미래 후회는 없을 거예요. 자, 이렇게 제가 간단하게 설명드리면서 강의를 마치겠습니다. 감사합니다. 이게 우리 대학에서 찍은 사진입니다. 문승일 교수님의 귀한 시간 내주심에 다시 한번 감사드립니다.

이제 본격적으로 여러분과 더 깊은 이야기를 나누어 보겠습니다. 세션 1에서는요, 데이터 기반 신소재 탐색의 미래라는 주제로 전통적인 소재 연구 방식을 넘어 AI와 실험 자동화 기술을 활용해 혁신적인 접근법을 살펴보는 시간입니다. 특히 소재 개발 분야에서 자율주행 실험실, 셀프드라이빙 랩, 빅데이터 기반의 실험 설계 그리고 실제 산업에 적용 가능한 사례들까지 소개하며 미래의 연구실이 어떻게 변화하고 있는지에 대해 이야기 나누어 보겠습니다. 한국에너지 공과대학교 김주환 박사님과 한국과학기술원 서동화 교수님께서 발제해 주시겠습니다. 박사님과 교수님의 발제가 끝나면 켄텍 제학생 순서준 학생과 함께 학생 패널 토론 시간도 준비되어 있습니다. 그럼 세션 1을 시작하도록 하겠습니다. 한국에너지 공과대학교 김주환 박사님을 모두 큰 박수로 맞이해 주시기 바랍니다.

네. 안녕하세요. 어, 제가 이런 자리에서 발표하는 건 또 처음인데, 이렇게 좋은 자리에서 훌륭한 교수님들 사이에 껴 가지고 발표를 하려니까 좀 긴장이 많이 되네요. 어, 저는 켄텍 구근호 교수님 연구실에서 AI 관련 연구를 지금 진행하고 있는 김주환이라고 하고요. 오늘은 데이터 기반 신소재 탐색의 미래라는 주제로 좀 짧은 발표를 준비해 봤습니다. 뭐 이제는 굉장히 익숙하신 추세겠죠. 뭐 기온이 꾸준히 상승을 해 가지고 극지방에서는 뭐 이런 빙하가 감소하는 게 육안으로 확연히 확인이 될 정도고, 단순히 기온이 올라가기만 하는 게 아니라 좀 이상 기후가 장기간 유지가 되면서 이런 산불 같은 기후 재해도 빈번히 일어나고 있습니다. 더 이상 이런 변화를 막기 위해 2015년 파리에서 각국의 이제 정상들이 모여 가지고 더 이상 온도를 올리면 안 된다. 탄소 배출을 최대한 줄이고, 최종적으로는 총 탄소 배출량이 0이 되는, 넷 제로를 달성하자라는 파리 기후 협약을 맺었고요. 이러한 넷 제로를 달성하기 위해서는 우리가 기존에 많이 사용하던 석탄과 석유 등 이런 화석 연료들이 아니라 뭐 태양광이나 풍력 등의 재생 에너지로의 전환이 필요합니다. 어, 이거 좀 슬라이드가 좀 잘린 거 같은데, 뭐 소재는 언제 어디서나 항상 중요한 역할을 하고 있습니다. 하지만 재생 에너지 시대의 소재는 좀 한층 더 중요한 역할을 한다고 할 수 있겠는데요. 아까 말씀드린 태양광이나 풍력 발전에도 뭐 태양광을 흡수해서 전기로 전환하는 소재나, 아니면은 이제 풍력 발전 시설을 구성하기 위한 고강도의 가벼운 소재가 필요하겠죠. 이런 에너지를 생산하는 데뿐만 아니라 생산된 에너지를 저장하는 데도 당연히 소재는 매우 중요한 역할을 합니다. 음. 뭐 배터리 관련된 소재들이 대표적이겠죠. 어, 뿐만 아니라 그 외에도 뭐 식물 자원을 우리가 사용하는 재생 연료로 전환을 한다던가, 아니면 기존에는 석유, 석유 산업에서 좀 생산이 되었던 플라스틱 같은 소재들을 대체하기 위해서도 소재 연구는 꾸준히 진행이 되어야 합니다. 뭐 특히 배터리나 태양광 같이 뭐 특정 몇몇 디바이스 경우에는 뭐 리튬 같은 희토류 금속들이 고성능 이제 소재의 가격의 뭐 50% 가량을 차지한다는 그런 보고도 있을 정도로 굉장히 좀 여러 가지 소재 제약이 크기 때문에 이를 대체하기 위한 소재 개발이 필수적입니다.

음. 그래서 뭐 먼저 왼쪽 위에 굉장히 복잡한 내용인데, 간단하게만 설명을 드리자면은 뭐 물 같은 경우에는 뭐 H₂O라는 화학식을 유일하게 가지죠. 근데 이걸 반대로 생각하면은 H₂라는 화학식만 가지고도 물이 어떤 물성을 가질지를 전부 예측을 할 수 있어야 한다는 얘기입니다. 여기 보이는 이 슈뢰딩거 방정식을 풀면은 어떤 물질이 왜 그런 물성을 가지는지를 예측을 할 수가 있습니다. 하지만 이 식은 너무 복잡해서 일반적으로는 아예 풀이가 존재하지가 않고, 그리고 또 이걸 근사하기 위해서라도 좀 많은 시간과 계산적 자원이 필요한 뭐 양자 계산, 제일 원리 계산 이런 계산들이 수행이 되어야 합니다. 이런 식으로 굉장히 소재 성능을 예측하는 건 어려운 일이고, 여기에 소재가 가질 수 있는 구조적이나 구성적인 다양성을 생각을 하면은 사실 이런 소재의 후보들이 존재할 수 있는 케미컬 스페이스의 크기는 무한히 크다고도 얘기할 수 있습니다. 기존에는 이런 무한히 큰 케미컬 스페이스에서 우리가 원하는 소재를 발견하기 위해 이제 경험적 방법이 사용이 되었습니다. 단순히 어떤 물질들이 성능이 좋을지 설계를 해 보고 실험을 통해 확인하고 이 과정을 반복하는 거죠. 이렇게 경험적으로 소재를 설계하려면은 이제 굉장히 뛰어난 인력들이 많이 필요하고, 시간과 비용이 많이 소모되기도 합니다. 뭐 이 외에도 여러 가지 현실적인 문제들을 고려를 하자면은 소재 하나가 새로 개발이 되고 이렇게 개발된 소재들이 상용화되기까지는 뭐 평균적으로 25년에서 35년의 시간이 소요된다는 연구 결과도 있습니다.

이런 상황에서 요즘 굉장히 주목받고 있는 게 AI 기술입니다. 뉴럴 네트워크, 인간의 신경망을 본뜬 인공신경망의 개념 자체는 뭐 제시된 지 꽤 오래됐습니다. 근데 그 이후로 많은 기술적인 발견들과, 특히 이제 하드웨어, 소재들이, 하드웨어의 성능이 급격하게 발전이 되면서 최근에는 AI가 아주 유용하게 사용이 되고 있죠. AI는 단순히 성능이 뛰어날 뿐만 아니라 좀 여러 가지 분야에서 활용이 될 수도 있고, 사람하고는 달리 지치거나 휴식도 없이 그냥 반복적인, 똑같은 일을 계속 반복적으로 수행하는 데도 매우 뛰어나기 때문에 이제 굉장히 높은 활용성을 가지고 있다고 할 수도 있습니다. 그래서 오늘은 뭐 시간이 길지 않은 만큼 좀 자세하게는 말고 소재 개발 분야에서 AI가 현재 어떻게 활용이 되고 있는지 간단간단하게 좀 개념들을 얘기를 하려고 하고 있습니다. 음, 음, AI 기술에서 이제 가장 소재 발견에서 AI가 잘 활용되고 있는 부분은 스크리닝이라고 할 수 있습니다. 스크리닝이란 아까 말씀드린 대로 좀 굉장히 넓은 케미컬 스페이스에서 우리가 원하는 물성을 가진 이상적인 물질을 찾아내는 과정입니다. 우리가 이 전체에 대해서 다 할 순 없으니까 일부를 선정을 해 가지고 이 물질의 물성을 이제 파악을 하게 됩니다. 실험은 당연히 시간과 비용이 들어가는 일이고, 이제 아까 말씀드린 양자 계산 같은 경우에도 뭐 원자 개수가 수백 개가 되면은 슈퍼컴퓨터로도 일주일씩 걸릴 정도로 많은 시간이 소요될 수 있는 계산이기 때문에 이 넓은 케미컬 스페이스의 일부에 대해서만 그 물성을 예측을 할 수가 있습니다. 이제 여기서 등장하는 게 바로 AI 기계 학습 모델인데요. 우리가 먼저 전체의 일부에 대해서 음, 실험이나 양자 계산을 통해 데이터를 먼저 확보를 하고, 이 확보한 데이터를 활용을 해 가지고 화학적 구조식 같은 표현자에서 물질의 성능을 예측하도록 기계 학습 모델을 학습을 시킬 수가 있습니다. 물론 한 번 학습된 기계 학습 모델은 실제 실험이나 양자 계산과는 비교할 수 없을 정도로 빠르고 저렴하게 물성을 예측할 수 있기 때문에 기존에 우리가 파악할, 기존에 우리가 테스트할 수 있었던 케미컬 스페이스보다 훨씬 넓은 범위에 대해서 우리 물성을 예측을 할 수가 있겠습니다. 당연히 이렇게 되면은 우리가 원하는 이상적인 물질이 여기에 포함될 확률도 훨씬 올라가게 되겠죠. 이렇게 물성 예측 모델을 활용한 물질 스크리닝의 대표적인 예시는 이제 아스프르 교직 교수님이 진행한 블루 OLED 탐색 연구가 있을 수 있습니다. 이 이 블루 OLED 탐색 연구는 좀 블루 OLED는 효율 높은 물질을 찾기가 참 굉장히 어렵다고 알려져 있는데, 수십만 개에 달하는 후보 물질에 대해서 그중 일부에 대해 양자 계산을 통해 데이터를 확보를 하고, 이걸 AI를 통해 학습시켜 가지고 전체에 대해 물성을 예측해서 실제 실험을 통해 뛰어난 성능을 가지는 블루 OLED 물질을 탐색한 연구입니다. 그 또 다른 대표적인 연구는 이 윤리스 교수님의 연구를 들 수가 있겠는데요. 이 이 연구 같은 경우에는 2018년에 양자 계산이랑 인공지능 시뮬레이션을 통해서 이런 소재들이, 이런 촉매들이 굉장히 높은 성능을 보일 수 있겠다, 여러 가지 후보들을 제안을 했는데, 이게 시간이 흘러서 2020년에 실제로 실험을 통해 이 중에 일부가 뭐 기존에 사용되던 물질보다 훨씬 높은 효율을 보인다고 입증이 된 경우입니다. 이런 식으로 AI는 이미 소재 개발에 있어서 굉장히 유용하게 사용이 되고 있습니다.

음, AI를 이용한 소재 개발 연구는 단순히 스크리닝만 있는 것은 아닙니다. 스크리닝이 이미 존재하는 후보 물질들 중에 이제 후보 물질들에 대해 물성을 파악해서 이 중에 가장 최적의 소재를 찾는 그런 연구라고 하면은 반대로 역설계는 어, 단순히 있는 후보 물질들에 대해서 판단을 하는 게 아니라 우리가 원하는 물성을 가지는 물질들을 능동적으로 설계를 하는 그런 연구라고 할 수 있습니다. 음, 역설계의 대표적인 연구로는 아스프르 구직 교수님의 오토인코더를 활용한 연구가 있는데요. 어, 이 오토인코더 개념에 대해서 간단하게만 좀 설명을 드리자면은 오토인코더는 이제 크게 두 부분으로 나뉘어져 있습니다. 첫 부분은 여기 보이는 인코더와 디코더 부분인데요. 어, 인코더는 이제 물질의 구조를 레이턴트 스페이스라는 잠재 공간에 매핑을 하게 됩니다. 뭐 복잡하게 생각할 필요 없이 숫자로 이루어진 벡터로 암호화하는 과정이라고 생각을 하시면 됩니다. 그리고 반대로 이 암호를 다시 원래 물, 원래의 분자, 물질 구조로 해독할 수 있는 디코더 역시 함께 학습, 함께 학습이 되게 됩니다. 그다음에 두 번째 부분은 이 잠재 공간에 있는 암호를 통해서 이 물질이 어떤 물성을 가지고 있는지 예측하는 물성 예측 모델을 합성하게 됩니다. 다음으로는 이 물질 구조를 변경하는 게 아니라 이 잠재 공간, 암호, 암호, 암호가 존재하는 잠재 공간에서 물질을 이동시켜 가지고 우리가 원하는 이상적인 물성을 가지는 암호를 만들어 냅니다. 그리고 이 만들어진 암호를 디코더에 통과시키면은 우리가 원하는 물질 구조를 얻을 수 있는 거죠. 이 이 방법을 통해 하게 된다면은 단순히 물질 구조로부터 물성을 예측하는 게 아니라 이제 물성으로부터 물질 구조를 예측해서 우리가 원하는 물성을 가지는 물질을 능동적으로 만들어 낼 수가 있습니다. 뭐 여기서 보시면은 이 연구 같은 경우에는 MOF, 메탈 오가닉 프레임워크라고 해 가지고 금속과 유기 분자가 좀 결합이 돼서 결정을 형성하는 그런 물질들인데요. 이런 물질들 중에서 탄소 포집에 굉장히 효과적인 물질들을 이 오토인코더 생성 모델을 이용해서 좀 다양하게 생성을 한 것을 좀 보실 수가 있습니다.

그다음은 좀 익숙하신 분들도 뭐 이 분야에 관심 있는 분들은 좀 잘 아실 수도 있는데, 뭐 이미지 생성 분야에서 대표적인 모델들이죠. 어, 적대적 생성 모델 같은 경우에는 이미지를 생성하는 모델인데, 이미지를 생성했을 때 실제로 이 이미지가 얼마나 진짜 같은지를 객관적으로 판단하는 기준을 세우기가 굉장히 어렵죠. 이거를 이제 또 다른 인공지능 모델을 등장시켜 가지고 굉장히 똑똑한 방법으로 해결한 모델입니다. 생성 모델은 그럴듯한 이미지를 생성을 하고, 크리틱 모델은 생성된 이미지가 얼마나 진짜 같은지, 진짜인지 가짜인지 판단하는 역할을 하게 됩니다. 그래서 이 모델 같은 경우에는 먼저 제너레이터를 학습하고, 크리틱을 학습하고, 이렇게 번갈아 가면서 여러 사이클 동안 학습이 되면은 최종적으로는 이제 제너레이터는 인간도 진짜랑 구분할 수 없을 정도로 그럴듯한 이미지를 생성하게 되는 원리이죠. 이 이 과정에서 크리틱한테 뭐 컨디션을 준다. 예를 들어서 이 이미지는 고양이의 이미지다. 이런 식으로 조건을 주면은 제너레이터도 이를 속이기 위해서 고양이 같은 이미지들을 만들어 내겠죠. 이런 식으로 해서 조건에 맞는 그런 이미지들을 생성을 할 수도 있습니다. 또 다른 대표적인 이미지 생성 모델인 디퓨전 모델 같은 경우에는 이 멀쩡한 이미지를 가지고 점점 노이즈를 입혀서 망가진 이미지들을 만듭니다. 그리고 역 방향으로 이제 노이즈를 제거하도록 학습을 시켜서, 이거 이 방식으로 이제 모델이 완전히 학습이 되면은 아무것도 없는 완전한 노이즈로부터 원하는 이미지를 마치 마법처럼 생성을 할 수 있게 되죠. 이 이 모델 같은 경우도 이제 컨디션을 줘서 그냥 노이즈를 준 다음에 이건 사실 원래 고양이의 이미지였다. 이런 식으로 해서 다시 이미지 생성을 시키면은 원하는 조건을 가지는 이미지를 생성을 할 수도 있습니다. 이런 이미지 생성 모델 역시 조건에 맞는 그런 이미지들을 생성을 할 수 있기 때문에 우리가 원하는 조건을 가진 그런 소재들을 생성을 할 때도 좀 활발하게 활용이 되고 있습니다. 이런 생성 모델은 단순히 지금 이론적인 얘기가 아니라 실제로 활용이 되고 있는데요. 여기서 보여드리는 연구 같은 경우에는 단 46일 만에 섬유종에 효과가 있는 약물을 생성을 해 가지고 이제 실제로 동물 실험, 쥐한테 테스트를 해서 효과가 있다는 것까지 입증한 연구입니다. 이런 연구는 원래 방법으로 진행을 하면은 뭐 3년에서 20년, 수억 달러에서 수백억 달러까지 소모가 될 수 있는 연구인데, 이제 AI가 이 분야에서 얼마나 소재 연구를 가속하고 있는지를 좀 얘기할 수 있는 결과라고 할 수 있겠죠.

또 좀 다른 분야로는 합성 가능성을 예측할 수 있는 연구가 있는데요. 아까 말씀드린 좀 스크리닝이나 어, 생성 모델을 활용할 경우에는 좀 가상 물질들이 굉장히 많이 생성이 되게 됩니다. 근데 이 가상 물질들이 실제로 가상으로만 존재하는 물질인지, 우리가 실험을 통해 합성할 수 있는 물질인지는 잘 알 수 없죠. 그래서 그걸 판단하기 위해 합성 가능성을 예측하는 연구도 진행이 되고 있습니다. 단순히 합성이 되는 물질이랑 합성이 안 되는 물질 데이터가 있어서 이 둘을 구분하도록 좀 학습을, 트레이닝을 시킬 수 있으면은 좋겠지만, 사실 우리가 문헌적으로 보고되는 데이터 같은 경우에는 다 합성이 잘된 논문들이, 합성이 잘된 물질들이고, 합성이 안 되는 물질 같은 경우에는 거의 보고가 되지 않겠죠. 그래서 이 모델 같은 경우에는 포지티브와 네거티브를 구분하는 방식이 아니라 확실하게 합성이 되는 포지티브 모델들과 합성이 될지 안 될지 잘 모르는 언라벨드 모델들을 구분하는 세미슈퍼바이즈드 러닝이라는 방법으로 좀 학습이, 학습이 되었습니다. 또 다른 대표적인 연구는 이제 반응 생성물 예측 연구가 있을 수 있겠죠. 이 이 여기서 보여 드린 오른쪽에 있는 거는 이제 이 분야에서 가장 흔하게 사용되는 데이터베이스인데, 유나이티드 스테이츠 페이턴트 데이터, 그러니까 특허 데이터입니다. 이 특허 데이터를 활용해서 반응물로부터 생성물을 예측하도록 학습이 되는데요. 음, 음, 왼쪽 아래에 있는 모델 같은 경우에는 그래프 컨벌루셔널 뉴럴 네트워크라고 해 가지고 이제 분자를 아톰과 아톰이 본드로 연결된 그래프 형식으로 인식을 해서 이 방법으로 어, 물성을 판단을 하게, 예측을 시키는 그 훈련을 시키는 모델인데, 이 그래프 컨벌루션 방법은 뭐 지금까지도 분자를 다루는 데 있어서 가장 성능이 뛰어나다고 또 판단이, 그 평가가 되고 있습니다. 이 모델 같은 경우에는 93% 정도의 확률로 반응물이 주어졌을 때 생성물을 예측할 수 있었다고 보고를 하고 있고요. 오른쪽 아래 같은 경우에는 트랜스포머 모델인데, 이 모델은 언어 모델에서 좀 영감을 받아 가지고, 한 언어를 다른 언어로 번역하는 것처럼 반응물을 생성물로 번역하도록 학습이 된 모델입니다. 이 모델도 굉장히 똑똑한 연구인데, 뭐 이 모델 같은 경우는 뭐 무려 95% 이상의 확률로 반응물이 주어졌을 때 생성물을 예측을 할 수 있었습니다. 이걸 반대로 하는 연구도 있는데요. 이걸 레트로신시스라고 해 가지고, 반대로 우리 반응, 생성물이 주어졌을 때 어떤 반응물들을 통해서 이 생성물을 만들 수 있을지, 어떻게 하면 우리가 원하는 물질을 합성할 수 있을지를 예측하는 연구입니다. 어, 대표적인 세글러 교수님의 네이처 논문 같은 경우에는 이제 몬테카를로 트리서치라는 방법을 사용을 했는데요. 어떤 최종적인 생성물이 주어졌을 때 어떤 반응물로부터 이 생성물이 생성이 될 수 있을지 후보들을 여러 가지로 생성을 합니다. 다음으로는 그 후보, 후보 반응물들이, 후보 반응물들은 또 어떤 반응물로부터 생성이 될 수 있을지, 이런 식으로 해서 점점 가지를 치게 되고요. 모든 가지의 끝이 어, 우리가 접근 가능한, 구매 가능한 물질일 때 우리가 완전히 구매 가능하고 접근 가능한 물질들로부터 우리가 원하는 생성물을 만들어 냈다라고 판단을 하게 됩니다. 이 이 분야 같은 경우에는 아직 완전히 정확하다고 할 수 없고, 활발하게 연구가 되고 있는 분야지만, 어, 우리가 원하는 물질을 마음대로 합성할 수 있다는 건 굉장히 잠재성이 큰 분야라고 할 수 있습니다.

그래서 지금까지 좀 간단하게만 음, 소재 개발 분야에서 AI가 어떻게 활용이 되고 있는지 소개를 드렸는데요. 실제로 새로운 소재를 발굴하고, 뭐 설계하고, 이렇게 설계된 소재가 실제로 합성이 될지 안 될지를 예측하고, 반응 생성물을 예측하거나 우리가 원하는 소재를 어떻게 하면 합성을 할 수 있는지, 어, 소재 관련 거의 모든 분야에서 AI가 굉장히 활발하게 사용이 되고 있음을 좀 알 수 있습니다. 어, 남은 시간에는 AI 소재 개발, 그럼 앞으로는 소재 개발에 AI가 어떻게 활용이 될지를, 이것도 간단하게만 좀 말씀을 드리겠습니다. 뭐 여러분들도 이미 이제 잘 아시겠지만, 라지 랭귀지 모델, LLM 같은 경우에는 현재 AI 분야에서 가장 핫한 연구죠. 당연히 소재 개발 분야에서도 AI를 활용하는, 그 LLM을 활용하려는 시도가 굉장히 활발하게 이루어지고 있습니다. 지금 보여 드리는 연구는 LLM을 통해서 이제 LLM을 파인튜닝 해 가지고 무기 물질을 합성할 수 있는 프리커서들, 예측, 그러니까 무기 물질 합성 방법을 예측한 연구라고 할 수 있는데요. 어, GPT 3.5를 파인튜닝한 결과, 기존에 사용되던 가장 성능이 좋은 모델보다도 더 좋은 성능을 보이는 것을 볼 수가 있었습니다. 좀 재밌는 부분은 이제 파인튜닝을 하지 않은 바닐라 GPT-4와 GPT-3.5도 어느 정도 예측을 할 수 있다는 점이 좀 이 모델의 재미있는 부분인 거 같습니다. LLM 같은 경우에는 2022년만 해도 LLM 관련 논문은 거의 출판이 되지 않았는데, 2024년에는 한 해에 뭐 1,000권 넘게 논문이 출판될 정도로 굉장히 빠르게 핵심적인 부분으로 부상하고 있다고 할 수 있겠습니다.

그다음은 이제 자동화 연구실인데요. 자동화 연구실 같은 경우에는 AI 기술과 로봇 기술이 결합돼 가지고 인간이 개입하지 않는 자동화 실험실을 만들어내는 그런 연구 분야입니다. 이 이 분야의 핵심적인 개념은 이 클로

소재를 찾아 줘라고 하게 되면 이제 어 AI가 어떤 실험을 할지 고민을 하고, 그 실험을 하드웨어한테, 이제 로봇한테 시켜서 아 로봇이 실험을 하게 됩니다. 소재도 만들고, 분석도 하고, 평가도 하고, 그럼 여기에서 나오는 결과를 AI가 해석해서 그다음 실험을, 어떤 실험을 할지를 정해 주게 됩니다. 그래서 요런 루프를 아까 이제 클로즈 루프라고 얘기를 해 주셨고, 이 클로즈 루프를 돌면서 많은 실험 데이터도 확보하고, 또 좋은 소재를 빠르게 최적화해서 찾아 나가는 AI가 아 굳이 필요 없는 실험을 안 해도 된다. 필요한 실험만 시켜서 어 좋은 소재를 빠르게 개발을 해 나갈 수 있습니다.

이런 실험실이 아까는 이제 세라믹 소재고, 뭐 촉매라든지 다양한 에너지 분야에 필요한 소재, 뭐 제약이라든지 이런 분야에 많이 이제 적용이 되고 있고요. 저도 이제 어지 에너지 솔루션, 뭐 삼성 SDI, 포스코 홀딩스 이런 우리나라의 어떤 어 대기업들과 어떻게 하면 배터리 소재를 빠르게 개발할 수 있는 그런 플랫폼을 우리가 만들 수 있는지를 연구를 하고 있습니다.

그래서 하나의 예시로 어 배터리라고 하면 우리가 이제 앞서도 이제 전기차 얘기를 해 주셨는데, 어 전기차가 가기 위해서 우리가 충전을 했을 때 이런 배터리 내부에 어 리튬 이온이 양극과 음극 사이를 움직이면서 저장이 됩니다. 충전 때는 양극에서 리튬이 음극으로 이동을 하고, 외부 도선에 따라서 저렇게 전자가 이렇게 어 흐릅니다. 그리고 우리가 에너지를 쓸 때는 저 음극의 리튬이 양극으로 다시 돌아오면서 외부 도선을 따라서 에너지를, 전기 에너지를 이렇게 제공을 해 줍니다. 근데 여기에서 중요한 핵심 소재들이 어 캐소드, 애노드, 어 일렉트로라이트라는 게 있습니다. 이 두 고체 물질 사이에 리튬 이온이 움직일 수 있도록 해주는 어떤 액체 소재인데요. 근데 문제는 이 액체 소재가 보통은 연료 같이 탈 수 있는, 저희가 전기차 이제 화재를 보면 이런 전해액이 발화가 되면서 일어나는 경우가 많은데요. 그래서 이런 열폭발 기작을 보면 이 중에 하나 정도, 그 발화의 3요소 중에 하나를 없애게 되면 이런 폭발을 막, 막아 줄 수 있습니다. 저희가 생각하기로는 이렇게 발화가 가능한 리튬 전해액을 불이 안 붙도록 만들면 되지 않을까?라는, 라는 생각을 하고 있습니다.

그럼 전해액이라는 소재를 우리가 개발을 하려면 어떻게 개발을 해야 될까라는 생각을 해 봐야 되는데요. 전해액이라고 하면 우리가 이제 다양한 그 액체에 이런 솔트라는 고체를 녹여 주게 됩니다. 그리고 액체도 여러 유기 용매, 저런 분자들로 이루어져 있는 액체들을 두 개, 세 개 이렇게 섞어 주게 됩니다. 그리고 여기에 첨가제라고 해서 저희가 마치 요리할 때 넣어 주는 양념 같은 첨가제를 넣어 줬을 때 거기에 따른 이제 성능이 개선이 됩니다. 그래서 이루고 있는 이 요소들을 저희가 최적화하려면 가능한 그 조합 개수가 뭐 10조 개 이상이 됩니다. 10조 개를 하나하나 다 테스트하려면 거의 무한한 시간이 필요한데요. 이걸 어떻게 하면 좋은 소재 조합을 찾아낼 수 있을까라는 연구, 이제 고민을 하게 됩니다. 이거 이제 할 수 있도록 앞서 이제 어 범위 정도만 정해 주게 되면 AI가 어떤 실험을 할지, 그리고 이 전해액이라는 액체를 다양한 조합으로 포뮬레이션을 해 주게 됩니다. 그리고 이게 소재라고 하면 이 소재의 어떤 성능을 평가하기 위해서 소자, 저희가 수은전지 같은 코인셀 디바이스를, 배터리를 만들어 주게 됩니다. 그리고 배터리 특성을 측정을 해 주고, 여기에서 나오는 결과를 피드백을 해서 AI가 그다음에는 어떤 조합을 해 봐라라는 얘기를 해 주게 됩니다. 그럼 여기에서 사람이 처음에 이제 디렉션만 주게 되면 이 로봇이 쉬지 않고 실험을 쭉 해 나가게 될 것입니다. 그럼 여기에서 우리는 어 좋은 전해액도 개발할 수 있고, 또 전해액 개발을 위해서 어 사용할 수 있는 그런 데이터들도 많이 얻을 수 있게 됩니다.

그래서 요런 영상, LG 에너지 솔루션이랑 저희가 좁은 공간 안에 사람 대신에 실제 어 전해질 배터리를 조립하고 평가할 수 있는 그런 장치를 이제 만들었습니다. 원래 이런 역할을 연구자가 하나하나 조립을 하고 쉬지 않고 연구, 실험을 해야 되는데 이제는 어 연구자는 일을 시켜 두고 다른, 뭐 논문을 읽는다든지 아니면 여기에서 나온 데이터들을 분석한다든지 어떤 소재를 연구할지 여기에 대해서 이제 고민하는 많은 시간들을 얻을 수 있습니다. 그리고 여러 명이 해야 되는 실험을 한 명, 그 한 명이 이 모든 걸 다 이렇게 해 나갈 수 있는 그런 미래가 어 올 거라고 생각을 하고 있습니다.

그래서 마지막으로 미래 소재 개발 연구실이 어떤 식으로 이루어질지에 대해서 말씀을 드리고자 합니다. 아마 소재는 정말 다양한 실험 방식과 분석 기법 이런 것들이 필요한데요. 그때그때 개발하고 싶은 소재에 따라서 AI가 아 여기서는 어떤 합성 기법을 써야 된다. 분석은 어떤 특성을 측정을 해 봐야 된다를 정해 주면 이 로봇이 원하는 그 자동화 장치만 뽑아서 활용을 하게 됩니다. 저희가 이제 카페에 돌아다니는 로봇 같이 그런 실험을 할 수 있는 로봇이 실험실을 돌아다니게 될 것입니다. 그때그때 이제 레고 조립하듯이 필요한 실험들을 조합해서 소재를 개발해 나갈 것이고요. 그러면 연구자는 뭘 할 것이냐라고 생각을 했을 때 연구자는 AI한테 이제 좋은 질문을 던집니다. 아, 이런 실험을 해 보면 어떻겠냐? 아니면 나는 아 이런 소재가 필요한데, 이 소재를 개발하려면 어떻게 해야 될까를 AI한테 질문합니다. 근데 AI가 지금은 사실 정답을 모르기 때문에 거짓말을 할 거예요. 할루시네이션 팩트로. 근데 어 그러면 내가, AI가 내가 한번 실험해 볼게. 실험해 보고 알려 줄게. 그럼 실험 결과 기반으로 이제 정답을 줄 겁니다. 그러면 그 정답에 대해서 연구자는 아, 그래, 이 데이터를 보고 그다음에 또 좋은 질문을 던집니다. 어, 나는 그러면 이런 소재가 더 나을 거 같은데라고 하면 AI가 거기에 대해서 이제 제가 ChatGPT랑 얘기하듯이 디스커션을 하고, 실제 실험까지 해 나가면서 그 결과를 알려 준 그런 미래 연구실이 앞으로의 어떤 소재 개발에 가속화할 수 있지 않을까 생각을 하고 있습니다. 네. 경청해 주셔서 감사합니다. 좋은 발제해 주신 서동화 교수님께 다시 한번 큰 박수를 부탁드립니다.

서동화 교수님께서는 AI 실험 자동화를 통한 소재 개발 혁신에 대해 발표하셨습니다. 교수님께서는 기존 소재 개발에 장기간, 고비용, 인력 낭비 문제, 한계를 지적하시고, 미래에는 모듈화된, 스마트 소재 실험실이 소재 탐색부터 분석까지 자동화될 수 있을 것이며, 이를 통해 최적의 신소재를 신속하고 효율적으로 개발할 수 있을 것으로 전망해 주셨습니다. 이번 세션에 두 교수님께서 발제해 주신 내용에 대해 한국에너지공과대학교 손서준 학생이 학생 대표로 궁금한 점에 대해서 발제자분들과 묻고 답하는 시간을 가질 예정입니다. 발제해 주신 교수님들과 손서준 학생을 무대 위로 모셔서 저희 패널 토론을 이어가도록 하겠습니다. 큰 박수로 다시 한번 맞아 주십시오.

네. 이번 학생 토론, 패널 토론이 끝난 이후에는요. 저희가 청중분들께 질문을 받는 시간이 따로 마련이 되어 있습니다. 그렇기 때문에 아까 발표와 이번 토론을 들으시면서 궁금한 점이 생긴다면 메모해 두셨다가 잠시 후 이어지는 청중 발표, 질문 시간에 질문하실 수 있을 것 같습니다. 그럼 지금부터 발제 내용에 대한 묻고 답하는 시간을 가지도록 하겠습니다.

아. 아. 네. 안녕하세요. 오늘 박사님, 교수님 너무 좋은 강연 해 주셔서 잘 들었습니다. 어, 제가 오늘 듣다 보면서 여기 고등학생 분들이 굉장히 많으시기 때문에 오늘만은 대학생의 입장이 아니라 순수하게 이런 것, 내용들을 처음 듣는 고등학생의 입장에서 어떠한 의문들이 생길지 좀 고민을 해서 질문들을, 한 네 가지 정도 준비를 해 보았습니다. 그래서 교수님, 박사님께서도 최대한 고등학생들한테 얘기를 한다고 생각을 해 주시고 좀 편하게 답변해 주시면 감사할 것 같습니다. 첫 번째 질문을 제가 한번 드려 볼게요. 어, 굉장히 많은 실험을 하셨고, 오늘 그거에 대해 소개를 해 주셨는데, 이런 실험들을 할 때 예상한 결과가 딱 있었는데, 이런 AI나 융합 연구를 하다 보니 예상한 대로 결과가 나오지 않은 경험이 있었다면 그런 것들에 대해서 공유를 해 주시면 좋을 것 같고요. 또한 거기에 더불어서 어떠한 사유로 인해서 이러한 실험 결과가 잘못 나왔는가, 또는 내가 원한 결과를 잘 얻을 수 있었는가 이런 것들에 대해서 알려 주시면 큰 도움이 될 것 같습니다.

제가 먼저 답변을 드려도 될까요? 어, 사실 이제 좋은 결과를, 좋은 결과를 가질 것으로 예측을 했는데 좋은 결과가 나오지 않은 적이 있었냐고 하셨는데, 사실 언제나 항상 그런 결과가 있다고 생각을 해야 되고요. 제가 아까 발표할 때도 뭐 생성물 예측 연구 같은 경우에는 93% 확률로 정확도를 받는 생성물을 예측한다. 95% 확률로 예측한다. 이런 식으로 얘기를 드렸는데, 이게 물론 굉장히 높은 확률인 건 맞지만, 반대로 생각하면은 7%는 틀린다. 5%는 틀린다. 항상 이렇게 틀린 값이 나온다라는 얘기거든요. 뭐 그렇기 때문에 현재 이 AI 모델들은 어 실험을 완전히 대체할 순 없고, 우리가 최고로 효율적으로 또 가장 유망한 실험들을 진행할 수 있게 이를 좀 보완할 수 있는 그런 역할이 있다고 생각을 합니다. 그래서 왜 그런 결과가 나오느냐를 좀 생각을 해 보면은 인공지능 모델들은 기본적으로 데이터 기반 모델들이기 때문에 데이터가 좀 튀는 경우, 우리가 사전에 학습시킨 데이터에서 좀 벗어나는 아웃라이어들 같은 경우에는 뭐 사실 거의 예측을 하지 못한다고 봐야겠죠. 뭐 그런 다양한 이유 때문에. 그리고 아까 서동화 교수님이 말씀해 주신 대로 실험자가 실험하는 거에 따라서 또 결과가 다르기 때문에 애초에 그런 데이터가 약간 오염이 되어 있으면은 당연히 학습된 AI 모델에서도 좀 잘못된 결과가 나올 수밖에 없다고 생각을 합니다. 그렇기 때문에 지금은 일단은 최종적으로는 항상 실험을 통해 확인을 해야 된다고 생각을 합니다.

아, 네. 이미 잘 답변을 주셨는데요. 사실 저희가 예측한 대로 나오는 경우는 아, 뭐 잘 없고, 사실 그렇게 쉽게 나오는 경우는 보통 이미 많은 연구자들한테 발견이 된 물질이라든지 그런 어 현상이라고 생각이 됩니다. 근데 저희가 항상 이제 어떤 가설을 세우고 그 예측을 하게 됩니다. 뭐 AI뿐만 아니라 연구자들이 그러면 거기에 따라서 보통은 가설이 잘 맞지 않아요. 근데 잘 맞지 않는다라는 거에서 시작을 해서 가설을 수정하고, 왜 잘 안 맞는지, 우리 가설이 뭐 뭐가 틀렸는지를 파악하는 게 연구라고 저는 생각을 합니다. 그래서 그걸 찾아 나가는 게 연구고, 틀렸다라는 게 우리 가설과 실제 현상이 다르기 때문에 그 차이를 파악해서 어 실제 좀 우리 가설을 개선하고, 또 모델을 개선을 하고, 실험을 개선해 나가면 어느 순간 되면 저희가 예측과 이런 실제 결과들이 맞아 들어가는 경우들이 많아지는 거 같습니다.

네. 어. 네. 두 분 다 너무 좋은 답변 해 주셨는데, 사실 저도 물론 지금 연구를 하고 있지만, 제가 생각한 대로만 연구가 항상 진행되지 않고, 여기 계신 학생분들도 사실 시험 공부를 한다고 해서 항상 내가 다 맞거나 하는 게 아니잖아요. 틀린 경우도 있고 할 텐데, 그거랑 굉장히 비슷하다고 생각을 하시면 될 거 같습니다. 그래서 좀 다음 질문으로 제가 넘어가 보려고 하는데요. 사실 오늘 강연을 듣다 보니까 느낀 점은 어 인공지능, 우리가 AI 시대라고 하니까 이거 적용하면 굉장히 연구에서 정확도도 많이 올라가고, 사용하지 못하는 분야가 없을 것 같고, 굉장히 그렇게 보이는데, 분명히 이것에도 한계는 존재한다고 저는 생각을 하거든요. 그렇기 때문에 이런 어 인공지능, AI 또는 기계 학습 부분에서 아직까지 이런 연구에 제대로 적용되지 못하고 있는 부분이 있다면 그게 어떤 것이고, 왜 아직은 적용이 못 되고 있는지 좀 알려 주시면 좋은 기회 될 것 같습니다.

음. 음, 첫 번째 질문이랑 좀 비슷한 대답이 될 수도 있을 것 같은데, 어, 제가 아까 소개드린 레트로신테시스, 그러니까 어떻게 하면 원하는 물질을 합성할 수 있을지 그 합성 방법을 예측하는 연구 같은 경우에는 아직 좀 활발히 연구가 진행되고 있는 부분이다라고 말씀을 드렸잖아요. 그런 분야 같은 경우에는 좀 아직 음 높은 정확도를 보이지는 못하는 그런 부분들이 있고, 근본적으로 항상 데이터가 문제가 되기 때문에 데이터가 부족한 부분에 대해서는 좀 모델이 명확히 한계를 가진다고 또 볼 수 있을 것 같습니다. 그래서 항상 데이터가 많이 문제가 되는 거 같습니다.

네. 아마 데이터 얘기를 이미 해 주셔서 저도 거기에 크게가 공감을 하고, 뭐 사실 뭐 이런 그림을 그린다든지 아니면 언어 모델 같은 경우에는 넘쳐납니다. 그런 데이터들이. 근데 이런 과학 쪽에선 아직 이제 데이터가 많이 없고, 이를 정량화해 놓지 않고 이제 디지털화되어 있지 않기 때문에 그런 측면에서 이제 기회가 되게 많은 거 같습니다. 그리고 실험이라는 걸 우리가 이제 로봇한테 시킨다든지 아니면 데이터를 얻어낸다라는 걸 보면 결국 프로토콜화시켜서 정, 어떤 그 실험 조건들이라든지 절차들을 정량화시킬 수 있어야 됩니다. 그래서 아마 잘 알려져 있는 그 팔란티어라는 회사에서 이런 사무직이라든지 어떤 모든 일들을 이렇게 프로토콜화시키고 AI에게 시킬 수 있도록 만들어 나가는데요. 저희도 실험 쪽에서도 그런 식으로 공정 자체를 어 사람이 아니라 로봇이 할 수 있을 정도까지 정확하게 지시를 할 수 있고, 거기에 따라서 정량화할 수 있는 데이터를, 정량화할 수 있는 그런 방향으로 아마 발전해 나가지 않을까? 그렇게 되면 이제 AI가 이런 과학에도 훨씬 크게 영향을 미칠 수 있지 않을까라는 생각을 하고 있습니다.

네. 어. 네. 두 분 다 어 많은 말씀해 주셨는데, 사실 현실적으로 아직까지 정, 제가 좀 종합을 해 보자면 과학적 분야의 데이터가 절대적으로 좀 부족한 상황이다 이렇게 좀 이해를 해 봤는데요. 그렇기 때문에 지금 여기 계신 여러분들께서 많이 관심 가져 주시고, 앞으로도 이런 거에 계속 어 공부를 하고 연구를 해 주시면 더 분야가 발전할 수 있을 것이라고 생각을 합니다. 그리고 살짝 세 번째랑 네 번째 질문 자체가 비슷해서 제가 좀 합쳐서 질문을 드리고자 합니다. 여기 지금 많은 분들, 많은 고등학생들 와 계시는데, 사실 이런 과학적인 내용 많이 들었지만, 이런 것들은 지금 당장 내가 해결하기엔 어려운 것이고, 앞으로 이거를 해 나가고 싶으실 것인데, 이런 것들을 하기 위해서 어떤 것들이 필요한지가 가장 궁금할 것 같아요. 박사님, 교수님, 오늘 정말 많은 융합 연구 소개해 주셨는데, 융합 연구 내용 들어보면 뭐 화학 내용, 소재 내용, AI, 컴퓨팅 이런 내용 많이 나오는데, 이런 역량들을 종합적으로 기르기 위해서 이 고등학생들이 어떤 노력을 하면 좋을지 좀 간략하게 이야기해 주시면 큰 도움 될 거 같습니다.

그럼 이번에도 제가 먼저 한번 답변을 해 보자면은 사실 융합 연구라는 게 굉장히 넓은 분야가 활용이 되기 때문에 이 모든 분야를 다 잘 알아야 될 거 같고 해서 굉장히 어렵게 느껴질 수도 있습니다. 이제 반대로 생각하면은 자기가 어떤 분야의 전문성이 있든 그 전문성을 활용할 수 있는 연구가 또 융합 분야라고 생각을 하는데요. 예를 들어서 자기가 화학에 대해서 굉장히 전문성을 가지고 있다라고 생각을 하면은 뭐 여러 가지 어려운 문제들을 빠르게 찾아내서 그리고 미리 화학적 특성들을 반영한 모델들을 만들어 가지고 최소한의 데이터로 효율적인 학습을 진행할 수 있는 그런 모델을 만들 수도 있을 거고요. 아니면 자기가 컴퓨팅 쪽에 좀 전문성이 있다고 하면은 이제 다른 컴퓨팅 공학에서 아까 소개드린 번역 모델을 활용한 생성 예측 모델처럼 다른 최신 컴퓨팅 공학 분야에서 사용되고 있는 모델들을 빠르게 가져와 가지고 네 분야에 적용을 해 볼 수도 있을 겁니다. 그렇기 때문에 모든 분야를 다 잘하기보다 자기가 어떤 전문성을 가지고 있든 살릴 수 있는 게 또 융합 분야라고 생각을 하고, 근데 또 반대로 이제 좀 대학원에 가서 보면은 너무 AI 분야가 빠르게 변화를 하기도 하고, 또 한 가지 더 추가로 이제 기존 학부 때랑 다르게 연구실에 들어가면은 완전 전문적이고 스페시픽한 분야를 다루기 때문에 좀 반대로 내가 지금까지 학부생까지 하면서 배웠던 게 연구실에 들어와서는 아무 쓸모가 없다는 느낌을 받는 경우도 있는 거 같습니다. 그렇기 때문에 내가 실질적으로 나중에 연구자가 돼서 활용을 할 수 있다, 좀 이런 것들을 미리 준비를 하기보다는 지금은 우선 자기가 지금 막고 있는 분야에서 좀 전문성을 가질 수 있게 노력을 하고, 추가적으로 자기가 모든 문제를 다 해결하려고 하지 않고, 좀 자기가 부족한 부분들은 그걸 잘하는 사람들한테 좀 맡겨 가지고 함께 협업할 수 있는 그런 능력들을 좀 기르면 좋을 것 같습니다.

아, 네. 아마 너무 잘 얘기를 해 주셔서 아마 어떻게 준비하면 될지에 대해서 말씀해 주셨고, 저는 거기에 이제 덧붙여서 어 좋은 질문을 해야 된다라고 많이 듣잖아요. 이제 AI 시대에서 저는 그런 이제 측면에서 공부를 하실 때도 사실 수업 때 들었던 내용을 이해하신 걸 기반으로 ChatGPT라든지 아니면 동료, 친구들한테 질문을 한번 던져 보면 좋을 거 같아요. 어, 내가 이해하기로는 이러니까 이러면 어, 이제 어 이렇게 돼야 되는데, 이게 정말 맞아라는 질문을 한다든지, 공부를 해 보면 해 볼수록 질문거리가 많아지더라고요. 근데 이걸 모두 다 답해 줄 수 있는 사람이 예전에 없었지만, 이제는 AI라는 모델이 거기에 대해서 어느 정도 의미 있는 결과들을 주기 때문에 그런 선문답을 계속적으로 해 나가면서 그 이해의 깊이를 깊이 있게 가져가면 좋을 것 같습니다. 그리고 앞서 이제 융합 연구라는 게 이제 다양한 분야의 지식을 쌓고 깊지 않게 이렇게 여러 분야를 어 터득을 해야 되는 부분이 맞지만, 그래도 자기의 어떤 전문 분야가, 도메인 분야가 있다라고 하면 거기에 대해서 누구보다 깊이 있게 이렇게 탐구하고 고민하고 해야 이제 결국 AI를 이겨 나갈 수 있지 않을까? 근데 AI를 이기보다는 AI와 함께 어떤 시너지를 내면서 스스로 이제 원하는 결과를 얻어낼 수 있는 그런 쪽으로 발전하지 않을까라는 생각을 하고 있습니다. 그래서 항상 그 데이터에 대한 이해도 높아져야 된다라고 생각이 됩니다. 이제는 실제 실험을 하기보다는 이런 로봇 시스템, 실험 데이터를 파악해서 어떤 일들이 일어났는지 이런 새로운 이제 인재를 요구를 하는 거 같아요. 그 회사에서는. 그래서 연구자로서의 어떤 다양한 역량 중에 그전에는 필요 없었던 게 이제는 필요한 게 결국은 데이터에 대한 이해. 데이터에 대한 이해를 하기 위해서는 그래도 프로그래밍이라든지 이런 어 컴퓨터 사이언스 쪽에 이제 어 융합적으로 이렇게 공부가 필요한 거 같습니다.

네. 감사합니다. 그리고 좀 한 가지만 더 말씀을 드리자면은 사실 일단 뭐 지금 고등학생이기도 한 만큼 이 연구라는 행위와 그리고 자신과 관심 있는 분야에 대해서 이제 흥미를 가장 항상 가지고 있고, 항상 관심을 가지고 있는 게 사실은 지금은 가장 중요한 거 같습니다. 그래서 여기 와서 이렇게 좀 열심히 듣고 계신 분들은 사실 이미 절반 정도는 할 수 있을, 하고 있다고 좀 생각이 듭니다.

어. 네. 두 분께서 좋은 말씀 너무 많이 해 주셨는데요. 그래서 좀 종합을 해 보자면 공부를 할 때 어떤 뭐 한 분야에 대해서 깊이 공부하는 것도 굉장히 중요하고, 융합적인 공부도 중요한데, 그냥 제가 좀 어 제 생각을 들었을 때 쉽게 말씀드리자면 공부를 할 때 너무 나 혼자 이렇게 하겠다고 너무 혼자 끙끙 앓지 마시고, 주변 친구들하고도 함께 대화를 하면서 이야기를 하고, 모르는 부분을 서로서로 채워가고 하는 게 융합 연구의 첫 발이지 않을까 하는 생각이 두 분의 말씀을 드리니까 많이 들었는데요. 그렇기 때문에 여러분, 여기 계신 여러분들 모두께서 서로서로 함께 공부하면서 잘 준비하시면 될 거 같다고 생각을 합니다.

네. 수고해 주신 두 분 교수님과 학생 대표에게 큰 박수를 부탁드립니다. 아주 열띤 논리가 오고 간 15분이었습니다. 그럼 지금부터는 청중분들을 대상으로 질문을 받아보려고 하는데요. 자리에 앉아서 손을만 들어 주시면 저희가 마이크를 조금 전달해 드리도록 하겠습니다. 질문 있으신 분 계시면 손을 크게 들어 주시기 바랍니다. 네. 앞쪽으로 혹시 마이크를 한 명만 전해 주면 좋을 것 같습니다. 이쪽 앞쪽에 한 분 계셔서 먼저 아니면 주셔도 있겠습니다. 네. 질문 먼저 받겠습니다.

아, 네. 교수님하고 박사님 좋은 강의 정말 잘 들었고요. 아까 그 청중, 아까 그 토론을 하실 때 질문의 중요성에 대해서 강조를 하셨는데, 교수님과 박사님이 생각하시기에 좋은 질문이란 무엇인지, 또한 앞으로의 시대에서 어떠한 질문을 던져야 하는지 교수님과 박사님의 생각이 궁금합니다.

예. 제가 말을 했기 때문에 먼저 답변을 드리겠습니다. 아마 AI도 최근에 이제 딥 리서치라고 해서 어떤 문제 본질을 쪼개서 이렇게 질문을 하게 되면 이제 훨씬 더 답변을 잘하는 것처럼 저희가 이제 질문을 쪼개지만, 그 질문 사이에 어떤 논리적인 연결성이 있어야 된다고 생각을 합니다. 중간에 이제 논리적으로 B가 있다든지, 어 A이기 때문에 B고, B이기 때문에 C고, 이게 뭐 A에서 바로 C로 넘어가게 되면 이게 A, C라는 게 사실 뭐 저희가 논리적으로 연결이 안 될 수 있거든요. 그래서 그런 논리적인 많은 질문들을 자꾸 쪼개서 이렇게 생각을 해 나가면, 그런 게 이제 어떻게 보면 하나하나 어 질문을 할 때 도움이 되지 않을까라는 생각을 하고 있습니다.

저도 좀 제 생각을 말씀드리면은 사실 좋은 질문을 던진다는 건 저한테도 굉장히 어려운 일이라서 어떻게 답변해야 될지 모르겠는데, 연구를 하는 입장에서 좋은 질문이라는 건 좀 남들과 다른 생각을 떠올릴 수 있는, 남들과 다른 질문을 던질 수 있는 그런 질문들이 좋은 질문인 거 같고, 또 이 답변을 통해서 확장이 돼 가지고 새로운 질문들을 계속 불러올 수 있는, 좀 그런 질문들이 연구자에게서 좋은 질문이지 않을까, 그렇게 생각을 하고 있습니다.

네. 네. 좋은 질문과 좋은 답변이었던 것 같습니다. 네. 혹시 다른 분들 질문이 더 있으십니까? 네. 마이크를 조금 전해 주시면 좋을 것 같아요. 뒤쪽, 블록 받고, 먼저 혹시 마이크를 좀 미리 전해 주시면 바로 질문 받겠습니다. 그 아까 전에 데이터 기반 신소재 탐색의 미래에서 생성 모델 기반 물질의 역설계가 가능하다고 하셨는데요. 이를 통해서 AI 소재 개발의 미래가 LLM 기반의 소재 개발로도 이어질 수 있다고 하셨습니다. 그래서 아까 전에 자동화를 이용해서 기계 학습을 통해 실험을 진행할 수 있다고 하셨는데, LLM을 통해서 가상 실험이 가능한 이러한, 이러한 연구나 비전이 있는지 궁금합니다.

이거는 제가, 제가 발표한 내용이니까 좀 먼저 답변을 드리면은 음, 지금 이제 여러 가지 연구 분야 중에 디지털 트윈이라는 분야가 있습니다. 디지털 트윈이라는 건 우리가 실제로 존재하는 실험실에 완전, 완전한 쌍둥이를 이제 가상으로 만들어 가지고 거기서 이제 여러 가지 실험들을 시뮬레이션 한다는 그런 개념인데요. 좀 뭐 아까 말씀드린 양자 계산 같은 경우도 일종의 시뮬레이션이라고 할 수 있겠고, 이거 외에도 뭐 단순히 좀 더 단순화된 포스필드 기반이라던가 몰레큘러 다이내믹스, MD 기반이라던가 이런 식으로 해 가지고 이 실제 현실을 모사한 시뮬레이션도, 이 하나 자체가, 이 시뮬레이션 자체도 굉장히 거대한 분야를 구성을 하고 있습니다. 뭐 관심 있으면 제가 이 자리에서 설명을 드리는 것보다는 좀 디지털 트윈에 관해서 좀 더 찾아보시면은 좀 많은 대답을, 얻으실 수 있을 것 같습니다.

네. 몇 분이 되셨을까요? 다음 질문 좀 그러면 받는 걸로 하겠습니다. 네. 어, 현재 AI의 문제점이 틀린 답변을 도출하거나 신뢰도가 떨어지는 답변을 내놓는 것으로 이제 제기가 되고 있는데, 발표에서 말씀하신 것처럼 그 암세포의 신진대사를 예측하거나 신소재를 예측하는 고난이도의 실험을 현재 상용화된 모델로 진행할 수 있을까요? 진행할 수 있다면 어떤 모델을 사용하는지, 그리고 또 오차나 틀린, 잘못된 데이터를 어떻게 구별하시는지 궁금합니다.

제가 먼저 간단히, 저는 뭐 제약 쪽은 아니지만 어, 뭐 저희가 이제 뭐 제약에서 뭐 암세포를 없앤다라는 그런 약을 찾는다라고 하면, 그런 어 거기에 맞는 어떤 그 디스크립터라고 하는 결정자를 저희가 정의를 할 수 있고요. 이거를 시뮬레이션 기반으로 실제 얼만큼 가능성이 높은지를 어 데이터를 저희가 많이 쌓아두고 있습니다. 그럼 예측을 했을 때 잘 맞을 수도 있고, 맞지 않을 수도 있지만, 어 정확도가 높, 뭐 95% 정도가 된다라고 하면 우선은 가능성 높은 것들을 우선적으로 저희가 실험적으로 테스트를 해 보게 됩니다. 그래서 100만 개 중에 이런 시뮬레이션이나 AI를 기반으로 한 우선 순위가 높은 100개라든지 1000개 정도로 줄여 좁혀 주면, 사실 이제 그걸 실험을 하게 되면 훨씬 짧은 시간, 적은 자본으로 개발을 해 나갈 수 있는 그런 방식을 지금 많이 쓰고 있는 거 같습니다. 저도 이제 좀 제약 쪽은 전문 분야가 아니라서 자세히 답변을 드릴 수 있을지 모르겠지만 어, 일단은 약간 의학 분야, 암세포라든가 이런 분야에서는 이제 우리가 항상 뭘 찍잖아요. X-레이라던가 CT라던가 그런 식으로 해 가지고 이미지를 기반으로 분석할 수 있는, 그러니까 그리고 또 로컬한 구조 정보를 잘 파악할 수 있는 콘볼루션 계열로 이미지를 인풋으로 얻어서

관심을 많이 갖고 영어로 보는 연습을 해 주세요. 그런데 보고 싶지 않죠. 그럼 여러분들은 어떻게 합니까? 핸드폰을 꺼내서 사진을 찍어서 번역을 돌리죠. 그것도 AI가 해 주죠. 예. 어, 슬라이드는 제가 설명하면서 보조로만 활용을 할 거고요. 궁금하신 분들은 사진을 찍어서 나중에 읽어 보셔도 좋지만, 뭐 딱히 귀찮다 하시는 분은 제 이야기만 들어도 좋습니다.

자, 오른쪽에 있는 그림이요, 빨간 포인트가 있죠? 예, 이게 CPU 가격입니다. 예전에는 CPU가 굉장히 느렸어요. 아, 이런 얘기 하면 안 되지만 또 어쩔 수 없이 하게 되는데, 낮대가 나옵니다. 제가 여러분 같은 학생이었을 때, 그 전 오히려 중학생이었을 때는 컴퓨터가 막 386이다, 486이다 막 이런 숫자로 얘기할 때가 있었어요. 예. 그게 그 컴퓨터의 쉽게 말하면 속도를 얘기하는 거였는데, 그 숫자가 높아질수록 점점 비싼 CPU가 되는 거예요. 막 그거를 사면 이제 테트리스를 더 잘할 수 있어. 이런 시대였어요. 근데 CPU가 점점점 빨라지고 비싸지고 하면서 지금까지 왔습니다. 그때 CPU가 얼만큼 급격하게 좋아졌냐면, 그 비용이 이렇게 떨어졌어요. 이게 거꾸로 얘기하면 같은 비용으로 쓸 수 있는 CPU 영량이 이렇게 커졌다는 거죠. 지금은 어마어마한 성능에 우리가 컴퓨터를 사용하고 있습니다. 그 컴퓨터 자원으로 돌릴 수 있는 예를 들면 학습 모델의 개수도 어마어마하게 커졌어요. 이 장면에서 제가 보여 드리고 싶은 거는 컴퓨터가 너무나도 좋아졌다 입니다.

근데 이 속도를 한번 볼게요. 오른쪽에 보면 뭐라고 써 있죠? 그치? 이 정도는 읽길 줄 알죠? 예. 여러분들 노트북, 데스타, 데스크톱 같은 개인 컴퓨터예요. 인터넷 우리가 어떻게 생활 속에서 도입해서 받아들여서 쓰고 있는가를 보여 주고 있는데, 요렇게 시간이 간다고 생각하시면 돼요. 시간이 갈수록 개인용 컴퓨터가 이렇게 우리 생활 속에 들어왔습니다. 처음에는 당연히 받아들이기 어려웠죠. 그런데 쓰면 쓸수록 가격도 떨어지고 효용도 있고 좋고 하니까 점점 많은 사람들이 컴퓨터를 쓰고, 지금은 컴퓨터 안 쓰는 사람이 없죠. 근데 그것보다 더 빠르게 인터넷이 우리한테 들어왔어요. 인터넷 다 썼었는데 스마트폰이 생기면서 갑자기 더 많이 쓰게 됐고, 서비스들이 개발되면서 지금은 인터넷 없이 또 못 살죠. 근데 인터넷이 들어온 속도가 컴퓨터를 받아들이게 된 속도보다 훨씬 빨라요.

자, 요 선을 봅시다. 생성형 AI를 우리가 받아들이고 있는 속도예요. 이미 약 비교했을 때 한 2분의 1 정도에 해당하는 시간밖에 안 지났는데도 훨씬 가파르게 받아들이고 있죠. AI가 우리 생활 속에 침투하고 있는 속도가 이렇게나 빠릅니다. 여러분들이 학업을 마치고 대학교에 들어갈 때쯤에는 완전히 다른 세상의 AI를 또 쓰고 있을 거예요.

자, 이렇게 AI가 들어오고 있는데 도대체 AI가 뭐길래? AI는 그 우리가 이렇게 코딩하고 컴퓨터로 하는 것만 생각할 수 있는데, 하드웨어와 소프트웨어가 결합되어 있는 산업군이라고 이제 생각하면 됩니다. AI 하려면 뭐가 필요하죠? 누가 막 얘기를 한 거 같은데, GPU라는 얘기가 어디서 들린 거 같아요? 신문 열심히 봤나 봐요. AI 학습할 때 GPU를 사용하죠. 그래서 엔비디아가 갑자기 이렇게 주목을 받고 있는데, GPU 뭐죠? 연산 장치, 컴퓨터 칩이죠. 그거 하드웨어잖아요. 부품이잖아. 만질 수 있잖아. 그 최지T를 구현하는 알고리즘, 만질 수 있어요? 그거는 코드로 기록된 소프트웨어죠. 무형의 어떤 자산이죠. 그런데 그거로만 되는 게 아니라 강력한 하드웨어가 받쳐 주지 않으면 그게 돌아갈 수가 없죠. 그래서 AI가 발달하는 거는 하드웨어 물건이랑 소프트웨어 그 내용이 같이 가야 됩니다. 그런 내용을 지금 그림에서 보여 주고 있는 거예요.

칩을 어떻게 만들죠? 삼성 반도체에서도 만들고 하이닉스도 만들고, 그죠? 대만에서도 만들고, 그 칩 자체는 실리콘으로 되어 있으니까 원료 기반은 이제 모래 같은, 이 자연계 위치, 그 존재하는 리소스를 가지고 와서 제조해서 만듭니다. 굉장히 어렵죠. 예. 어렵지만 기술이 좋은 사람들은 좋은 칩을 만들 수 있습니다. 그 칩을 모아서 엄청 쌓아 놨어요. 우리 집에 있는 뭐 3D 게임 잘 돌아가는 컴퓨터 수준이 아니고, 순행 쿨러해서 돌아가는 컴퓨터 이런 거 말고, 뭐 훨씬 대규모의 GPU를 쌓아 놓은 데가 이제 데이터 센터죠. 들어봤죠? 예. 그런 데이터 센터가 있으면 굉장히 고단위에 연산을 해서 좋은 서비스를 할 수 있습니다. 그래서 그런 하드웨어 기반의 어 준비가 있어야 되고, 그걸 연구해서 그 안에다 내용을 채워 넣는 소프트웨어도 있어야 돼요. 결국 AI의 어 산업이 크고, 또 거기에서 필요한 전문가가 된다는 건 둘 중에 하나입니다. 굉장히 직접된 CPU 혹은 GPU를 잘 만들어내는 기술을 갖거나, 아니면 굉장히 똑똑한 알고리즘을 짤 수 있거나, 그 두 가지겠죠. 자, AI 기술은 이렇게 어떻게 보면 정보 통신, 컴퓨터 기술 쪽에 분야에서 하드웨어 기술, 제조업 분야까지 모든 게 막 되어 있는 기술입니다.

자, AI 에너지랑 AI 얘기를 했어요. 그럼 도대체 왜 그 AI를 에너지 관점에서 함께 이야기하는가? 제가 혹시 참고할 시계가 아, 저기 있군요. 알겠습니다. 저걸 보면서 할게요. 제가 몇 분까지 하면 될까요? 우리 형규 사회자님, 어디죠? 나가셨군요. 제가 30분까지 하면 될 거 같은데, 시간 보면서 하겠습니다. 우리 집에서 가스렌지 쓰는 사람, 아 부끄러워요. 가스렌지 쓰는 사람 손 내려 주시고, 인덕션 쓰는 사람, 하이라이트, 인덕션 더 많아. 네. 내려 주세요. 저희 집도 이사하면서 가스렌즈에서 인덕션으로 바꿨어요. 개솔린 넣어서 가는 차가 전기 자동차로 바뀌고 있죠. 여러분 혹시 눈치 채셨나요? 사회가 점점 전기화돼 가고 있다는 거. 우리가 이 사회를 정의하는 그 단어들이 있습니다. 자본주의 사회, 민주주의 사회. 그런데 지금은 전기화 사회라는 이야기를 할 수가 있어요. 세상이 전기로 돌아가고 있기 시작했습니다. 더 그럴 거 같아요. 그게 첫 번째 이야기하고 있는 겁니다. 우리가 전기화를 하고 있는 게 점점 가속화되고 있습니다. 전기화가 된다는 건 더 편리해지겠죠. 아, 좋은 게 있으니까 바꾸고 싶을 거 아니에요. 그런데 뭐가 필요하죠? 전기가 필요해요. 예. 전기가 있어야 전기로 무언가를 하겠죠.

세상이 전기화되어 가고 있기 때문에 더 많은 전기를 만들어 내야 됩니다. 자, 그게 우리가 지금 닥친 상황이고요. 그 전기를 잘 만들어서 쓰고 싶은 사람들이 다 쓸 수 있게 해 주는 게 너무 복잡해지고 있어요. 왜냐면 예전에는 여러분들이 학교에서 배웠을 것 같은데, 전기 어디서 오죠? 안 배웠나요? 어, 발전소라는 게 있습니다. 예, 다 알죠? 발전소에서 전기 발전을 해야 우리가 그 전기 에너지를 쓰잖아요. 그죠? 뭐 자세한 거는 모르더라도. 그런데 예전에는 뭐 손에 꼽을 수 있어요. 뭐 원자력 발전소, 화석 연료 발전소, 수력 발전소 이런 것들이 우리나라 어딘가에 이렇게 건설이 돼서 돌아가고 있고, 우린 그 전기를 썼습니다. 단순했어요. 단순하다는 건 통제하기 쉽단 얘기예요. 그런데 지금 태양광 발전소도 들어오고 있죠. 심지어 우리 집에도 지붕에 태양광 발전을 올릴 수 있어요. 창밖에 베란다 쪽에 태양광 패널을 쫙 설치해서 내가 쓸 전기를 만들 수도 있어요. 그거를 이제 팔 수도 있는 세상이 곧 와요. 그러면 이게 얼마나 복잡해지겠어요? 복잡하다는 얘기는 어려워진단 얘기예요. 운영이 어려워집니다. 사람마다 팔고 싶을 때가 따로 있고, 사고 싶을 때가 따로 있고, 하고 싶은 게 서로 다른데, 이걸 어떻게 조화롭게 써야 되겠어요? 이게 너무 골치 아파요. 그다음에 가격적인 것도 생각하지 않을 수가 없습니다. 뭐든지 우리는 싼 게 좋죠. 근데 생각해 봅시다. 기후 변화 다들 알고 있죠? 기후 변화와 관점 관련해서 에너지에서는 뭐 해야 되죠? 뭐 막 이런 소리가 들리는데, 신재생 에너지 알죠? 예. 신재생 에너지도 도입해야 되고, 저탄소 에너지도 도입해야 되는데, 이게 저렴해야 될 거 아니에요. 그죠? 태양광 에너지는 굉장히 가격이 떨어졌습니다. 그런데 그게 전부가 아니죠. 여러 가지 신재생 에너지 기술들이 많이 있기 때문에 어떻게 더 저렴하게 좋은 전기를 쓸 수 있게 할 것인가도 우리가 해야 되는 거고요.

전기화가 되고 있다는 얘기는 또 다른 말로는 이 사회가 디지털화되고 있기 때문에 전기의 화가 더 잘되고 있는 거죠. 혹은 더 필요한 거고, 디지털화되고 있다는 얘기는 우리가 이제 에어컨을 조절할 때 가서 손으로 버튼을 누르는 게 아니고, 내 폰, 내 핸드폰에서 띡띠 앱으로 통제를 하고, 집에 가서 전등을 켜는 게 아니고, 시간이 되면 알아서 불이 들어오고, 이렇게 세상이 디지털화되고 있죠. 그러면 에너지를 쓰는 것도 훨씬 더 복잡해집니다. 자, 이러한 것들이 지금 여기 앞에 정리했지만, 어, 이러한 것들이 지금 우리 사회가 나아가고 있는 방향이에요. 그렇다면 여기에 AI가 굉장히 도움을 줄 수 있습니다. 이게 쉬운 게 아니거든요. AI가 어떤 도움들을 줄 수 있을까? 어, 관심 있으면 요거를 사진 찍어서 나중에 보거나 아니면 국제 에너지 기구죠. IEA라고 하는 데서 보고서를 냈습니다. 그 보고서에 자세히 나와 있기 때문에 어 나중에 참고해 보셔도 돼요. 여기 오른쪽 아래 출처를 적어 놨습니다. 이 보고서는 불과 나온 지 한 달도 안 돼요. 네. 여러분들이 보면 최신 자료를 볼 수 있는데, 한 300페이지 정도 됩니다. 네. 잘 보시면 큰 도움 될 거예요. 거기에 나와 있는 자료인데, 어 각 분야별로 AI가 어떤 도움을 줄 수 있는가를 나타낸 자료입니다. 쉽게 보면요, 표시가 파란색일수록 굉장한 도움이 될 수 있다라고 평가를 한 거예요. 보시죠. 위에 뭐 오일, 개스, 파워, 그리드, 산업, 수송, 빌딩 여러 가지 그 산업 분야들이 있는데요, 전체적으로 이렇게 노랗구 파랗구 상황이 좋은 게 파워랑 그리드 분야입니다. 전력을 만들어내는 분야, 그 전력을 쓰는 계통 분야에서 리소스를 관리하거나 디자인하고 개발하거나 운영을 최적화하거나 자동화하는 데에 AI가 굉장히 유용하게 쓰일 수 있다라고 평가를 받고 있어요. AI가 에너지 쪽에서 굉장히 유명하다, 유용하다, 기대된다. 이런 얘기겠죠.

자, 에너지. 우리는 지금 전기에 대해서 이야기하고 있습니다. 전기 에너지 시스템은 복잡해요. 복잡한데, 결국 전력을 만들어내는 시설과 전기를 쓰는 시설이 서로 연결이 되어 있다는 거고, 그 사이에서 운영을 어 AI가 잘 도와줄 수 있을 것이다라고 기대를 하는 겁니다. 이게 굉장히 복잡합니다. 복잡한 걸 다 계산해서 하는 게 아니라 AI가 그냥 알아서 하게 하자라는 이야기겠죠. AI가 우리 에너지에 뭘 해 줄 수 있을까? 뭐 굉장히 다양하게 정의할 수 있겠지만, 크게 네 가지로 좀 정리를 해 봤어요. 첫 번째는 예측입니다. 태양광 발전, 어려운 게 이 날씨가 갑자기 좋아지면, 날씨가 갑자기 나빠지면, 갑자기 비가 오면 이럴 때마다 전기 출력이 달라지니까 이걸 미리 계획해서 말 그대로 계획을 짜기가 너무 어려운 거예요. 그렇다면 과연 태양광 에너지 출력은 어떻게 달라질까를 학습해서 예측한다면 굉장히 유용하게 쓸 수 있겠죠. 그래서 에너지 분야에서 예측하는 게 다양한 주제로 어 유망하고요. 그다음에 관찰하는 거, 모니터링하는 거 요런 것도 중요합니다. 어 전력 시설이 있는데 고장이 나면 굉장히 큰 피해가 와요. 그래서 고장이 발생하기 전에 미리 그걸 진단하는 데도 AI를 쓸 수 있겠죠. 저도 매해 전기 검진을 받는데, 건강합니다. 예. 병은 없어요. 그렇지만 미리미리 가서 엑스레이도 찍고 내시경도 하고 하잖아요. 미리 진단을 하는 거죠. 근데 굉장히 번거롭습니다. 그런데 우리가 애플워치 차고, 뭐 갤럭시워치 차고 하는 게 나중에는 몸에서 계속 받아들이는 생체 신호를 분석해서 어 이거 문제 있는 거 아니야라는 거를 미리 알려 주는 거를 이제 메디컬 쪽에서 하고 있죠. 전력 쪽에서도 마찬가지입니다. 여러 가지 신호들을 계속 관찰해서 어 발전기 지금 어디 터빈 문제 있는 거 같은데요. 이런 걸 진단해 줄 수 있으면 굉장히 유용하겠죠. 에너지 시스템 자체가 굉장히 유연성이 커집니다. 예. 신재생 에너지가 들어온다는 얘기는 저장도 해야 되고요. 여러분들이 보조 배터리 쓰는 것처럼 이 전력 시스템에 큰 보조 배터리도 갖다 써야 되고, 그런 것들을 얼마나 유용, 융통성 있게 쓸 수 있는가. 그리고 증가하는 복잡성을 어떻게 AI가 패턴화해서 이해할 수 있게 해 주는가 이런 것들이 유용하게 보이고 있습니다.

AI에는 결국에는 예측하는 거, 뭐 우리 챗GPT에서 쓰는 것처럼 합성해내는 거, 생성해내는 거, 그다음에 시각 정보를 기준으로 판단하는 거, 자율주행 이런 게 있겠죠. 그리고 어떤 물리적인 장치에 AI가 결합되어 주는 거. 그리고 뭐 그 자동, 그 자율주행 알고리즘이나 우리 시리, 뭐 이런 빅스비 이런 것처럼 어 그 에이전트 자체가 AI가 되어 주는 거, 여러 가지 유형으로 구별을 할 수 있는데, 결국에는 이런 것들이 어 전력 시스템에서 굉장히 유용하다라는 거고요. 실제로 사실 많이 연구를 하고 있습니다. 엄청 많이 하는 건 아니에요. 그런데 지금 너무나도 AI, AI 하고 있기 때문에 에너지 분야에서도 AI를 쓴 연구들을 하고 있습니다. 어, 요런 그림들을 준비한 건 있어 보여서 준비한 거예요. 어, 뭐 하는 거 같죠? 예. 하고 있어요, 사실. 근데 이거를 자세하게 이해하실 필요는 없군요. 사실 그 지금까지 다 말씀을 드렸어요. 그 말씀드린 것들을 실제로 하고 있는 논문들에 있었던 그림들을 어 진짜 하고 있다라는 증거로 좀 보여 드리는 겁니다. 고장 진단하는 데도 쓰고 있고요. 요런 그림 플로우는 뭐 딥러닝 이런 거 AI에 관심 있는 학생들은 봤을 수도 있습니다. 뉴럴 네트워크가 연결이 돼서 신호가 가고 학습하고 하는 것들. 그다음에 모니터링, 진단하고 하는 데 쓰고 있고요. 신재생 에너지 예측하는 데 쓰고 있고, 심지어 가격이 어떻게 달라지나 이런 경제 분야에서도 에너지 경제 쪽에서 예측하는 데 써 보려고 노력을 하고 있습니다. 안정성, 어 전력망에 있는 주파수가 얼마나 안정적이냐, 전압이 얼마나 안정돼 있냐 요런 거를 예측하고 분석하는 데도 활용을 하고 있습니다. 그리고 전기가 어떻게 흘러가느냐, 어떻게 흘러가는 게 최적이냐, 요런 것도 분석을 하고 있고요.

그래서 결론을 조금 이제 제가 드리고 싶은데요. 어, AI, 에너지 분야에서 할 수 있는 게 굉장히 많습니다. 아무도 부정하지 못할 것 같아요. 에너지가 중요하지 않다. 전기가 중요하지 않다. AI가 중요하지 않다라고 말할 수 있는 사람은 아무도 없어요. AI 연구 굉장히 요새 핫하고 많이 하고 있는데, 그렇다면 어떤 AI를 할 것인가? 혹시 이 중에 AI에 대해서 관심이 있는 학생이 있다면, 저는 AI만 관심 갖지 말고 에너지도 꼭 관심을 가지라고 말씀을 드리고 싶습니다. 왜냐면 여러분들이 그 좋아하는 AI를 해서 어 나는 AI 좀 만질 줄 아는 사람이에요라고 했을 때는 그렇게 AI 잘 아는 사람이 엄청 많을걸요. 그러면 AI 좀 한다는 거로는 여러분들이 구별되지 못합니다. 이제 그 AI가 활용될 도메인의 지식을 함께 가지고 있어야 융합된 분야의 AI 전문가로 어 역할을 할 수 있을 거예요. 또 마찬가지입니다. 에너지에 관심이 있다면 에너지만 해서는 에너지만 관심 있고 한 사람들이 굉장히 많을 거예요. 그런데 우리 시대의 과업인 AI를 어떻게 활용할 것인가를 같이 풀어 놨다면 굉장히 그 유니크한 사람이 될 수 있겠죠. 그런 것들이 아마 지금 필요하고 유용할 것이다라는 얘기를 드리고 싶고요. 그거 제일 잘할 수 있는 데가 어딜까요? 네. 좀 크게 말씀해 주실래요? 네, 맞습니다. 캠텍에서 잘할 수 있습니다. 제가 드리는 말씀은 여기까지 하고요. 또 에너지가 AI에 뭘 해 줄 수 있는지 이어서 들어보면 좋을 것 같습니다. 감사합니다. 좋은 발표해 주신 김희태 교수님께 다시 한번 큰 박수를 부탁드립니다. 김희태 교수님께서는 에너지 분야 AI 응용과 시스템 변화에 대해 말씀해 주셨습니다. 여러 가지 전력 시스템의 전동화, 목표 속도의 증대, 비용 압박, 디지털화, 심화 다양한 토픽들에 대해서 인사이트를 함께 나눠 주셨습니다. 이제 다음 세션 연사분을 모시고자 합니다. 한국인지 국가대학교 최세대 그리드 트랙의 김승환 교수님께서 두 번째 발제를 이어 주도록 하겠습니다. 크게 박수로 맞아 주시기 바랍니다.

네. 안녕하세요. 어, 소개받은 켄텍의 김승환이라고 합니다. 반갑습니다. 자, 저희는 어 김희태 교수님이 앞서 발표를 해 주셨고요. 저희는 세트입니다. 세트로 항상 같이 다니는데요. 앞에서 AI for 에너지를 강연을 해 주셨죠. 근데 이번에는 에너지 for AI에 대한 어 약간의 반대되는 관점에서 얘기를 해 보려고 합니다. 본격적으로 얘기에 들어가기 앞서서 어 이 켄텍에는 저희 둘은 차세대 그리드 연구소라는 데 소속된 교원인데요. 어 차세대 그리드가 뭐 하는지 아직 감이 잘 안 오죠? 네. 그리드라는 것은 발전소에서 어 전력을 생산해서 우리가 소비하는 지역까지 오는 송전탑, 배전 설로, 그리고 그 전체를 운영하는 아주 고도화된 운영 시스템, 거기 들어가는 센서 이런 걸 다 포함하는 개념이라고 보시면 됩니다. 그리드를 연구한다는 것은 그래서 국가 차원의 어떤 네트워크를 디자인한다라는 얘기에 가깝습니다. 그래서 스케일이 굉장히 크죠. 제가 어 학부 4학년 때 진로에 대한 고민이 되게 많을 때 저희 그 박사 지도 교수님한테 한번 찾아간 적이 있어요. 그래서 교수님, 저 뭐 하면 좋을까요? 라 그랬더니 교수님이 작은 거 말고 큰 거 합시다라고 했어요. 그래서 전 전기과를 나왔는데요. 전기과에서 제일 큰 시스템이 전력 시스템, 그리드입니다. 그리드는 인간이 만든 가장 크고, 가장 복잡하고, 가장 오래된 시스템입니다. 우리가 반도체도 하나의 시스템이라고 부르고요. 컴퓨터도 하나의 시스템이라고 부르고, 자동차도 하나의 시스템이라고 부르거든요. 근데 전력 시스템은 그 모든 시스템을 다 포함하는 가장 큰 시스템이라고 보시면 돼요. 전력 시스템보다 큰 시스템은 없어요. 세상에. 그리고 재밌는 거는 전력 시스템 안에는 사람이 있어요. 그 안에 회사들이 시스템의 구성원입니다. 한전, 발전회사, 그다음에 운영 시스템을 만드는 회사, 이런 그 회사, 그리고 그 회사의 직원이 모두가 전력 시스템 구성원이고요. 심지어 여러분 지금 전기를 다 쓰고 있어요. 왜 쓰고 있냐면 여러분들의 쾌적하게 해주려고 에어컨이 켜져 있잖아요. 그거는 전기로 돌아가겠죠. 이 조명 다 전기죠. 여러분들은 전기를 쓰고 있는 시스템의 구성원인 거예요. 그렇죠? 그래서 우리는 그렇게 큰 시스템을 다루는 분야를 하고 있다라고 보시면 됩니다.

자, 그런 분야에서도 AI를 굉장히 많이 연구를 하고 있어요. 앞서 얘기한 것처럼 이 시스템을 더 효율적으로 만들고 더 고도화하기 위해서 AI를 많이 갖다 씁니다. 네. 이미 일상이 됐고요. 어, 그리고 또 교수 차원에서 보면은 여러분들 좀 놀랄 수도 있는데, 다음 학기 강의 계획서를 챗GPT가 다 써줬습니다. 네. 그러니까 제가 한 게 별로 없어요. 저는 다음에 이런 과목 할 건데, 강의 계획서 써줘 그러면 다 써 줘요. 왜 그게 가능하냐면 저의 챗GPT는 저의 평소 제가 질문하는 거, 저의 기고문, 저의 프로젝트, 저의 논문을 다 학습하고 있거든요. 그래서 그냥 질문 하나만 딱 던져주면 알아서 강의 계획서도 짜 주고, 심지어 강의 교재도 만들어 줍니다. 그런 세상이 된 거죠.

자, 근데 그럼에도 불구하고 이 그리드 분야의 AI는 아직 갈 길이 되게 멉니다. 뭐 그 이유는 차차 설명을 하고요. 어, 그런 상상 해 본 적 있어요? AI가 너무 발전해서 인류를 막 공격하기 시작하면 어떻게 해야 되지? AI가 막 여러분들 뭐 엘리베이터 강제로 갇히게도 할 수 있고요. 테슬라 자동차를 맘대로 움직이게 할 수도 있잖아요. 교통사고 낼 수도 있고. 그렇잖아요. 예. AI를 막는 유일한 방법이 뭘까요? 흔한 말로 셔터 내려라는 말이 있어요. 그러니까 플러그를 뽑고 셔터를 내려 버리면 AI는 더 이상 동작하지 못합니다. AI로부터 인류를 막는 최후의 수단은 그리드인 거예요. 그래서 그리드를 전공하는 사람들은 어 그런 자부심으로 AI를 바라봅니다. 아무리 발전을 받아도 우리가 전기 공급해 주지 않으면 아무것도 못 한다라는 관점이죠. 그래서 오늘 제목도 AI 데이터센터 in a power limited world라는 표현을 제가 하고 있는데, 요거는 제가 한 말이 아니라 뒤에서 나오겠지만 엔비디아의 CEO인 젠슨 황이 최근에 컨퍼런스에서 발언한 문장 그대로 가져왔습니다. 네. 뭐 저는 이게 그리드를 연구하는 엔지니어지만, 실제로 제 이력을 보면 뭐 영어라서 잘 안 보이겠지만, 어 정부의 위원회와 국가 기관에서 정책을 만드는 일을 많이 합니다. 그만큼 우리가 다루는 시스템이 스케일이 하도 크다 보니까 우리는 국가로 움직입니다. 그리드 연구소에서 하는 연구들은 실험실 안에 국한되지 않아요. 우리는 나라 전체가 우리의 실험장이다라고 보시면 될 거 같습니다.

자, 여러분, 이런 얘기 많이 들어봤을 거예요. AI 때문에 전력 수요가 폭증한다. 되게 많은 기사에서 나옵니다. 왼쪽 위에 있는 그래프가 미국에 있는 데이터 센터, AI 데이터 센터의 수요를 약간 그 레인지로 예측을 한 거예요. 왼쪽에 보시면 어, 왼쪽 아래 보시면 텍사스에 현재 있는 데이터 센터 용량이 1.1GW래요. 1100MW. 이게 어느 정도 수준이냐면 원자력 1기 1GW에서 1.5GW 사이거든요. 그 원전 한 기 정도로 충당할 수 있는 데이터 센터들이 있는데, 내년에 들어올 게 1.97GW, 2기죠. 한 두 배 갑자기 점프하는 거죠. 그다음에 조건부로 허가를 받은 애들이 9기가예요. 9기, 9000MW, 아홉 배 갑자기 성장을 합니다. 어, 근데 여기서 조건부라는 말이 있어요. 왜 조건부까요? 뭔가 폭발적으로 성장할 거 같은 그런 낌새는 보이는데 조건부예요. 왜 조건부냐면 송전망이 보강이 되면 저거 받아 줄게라고 정부가 허가를 한 겁니다. 반대로 얘기하면 송전망이 보강되지 않으면 못 들어온다는 얘기예요. 이거 되게 크리티컬한 포인트입니다. 그러면 만약에 송전망이 지금부터 하나도 보강되지 않으면, 그리드가 안정적으로 AI를, AI 데이터 센터를 받아들일 수 있는 케파가 안 되면 저 왼쪽 위에 있는 그래프가 실현이 될까요? 안 됩니다. 예. 그게 여러분들이 그 AI를 바라보는 에너지 하는 사람들의 관점이다라고 보시면 돼요.

우리나라도 비슷한데요. 어 우리나라 보시면 어 그 2024년에 우리나라에는 150개의 데이터 센터가 있습니다. 150개. 뭐 여기에서 AI 용은 그렇게 많지 않은데, 그냥 퉁쳐서 150개. 어 그중에 70%는 수도권에 있어요. 현재 2029년까지 우리나라가 49,000MW 정도의 데이터 센터가 추가로 건설 의향서를 제출했습니다. 건설하고 싶어라고 제출했어요. 한전에다가. 어, 얘네들이 어느 정도 규모냐면 우리나라가 지금 갖고 있는 발전 설비가 대략 140GW 정도 됩니다. 14만, 그 정도예요. 그러니까 140GW라고 할게요. 그럼 저기서 데이터 센터가 2029년까지 49GW가 들어온다. 그럼 1/3이 데이터 센터다. 말이 안 되죠. 예. 다른 전기 쓰는데 얼마나 많겠어요? 1/3이 갑자기 2029년까지 4년 안에 갑자기 들어온다. 자, 그러면 저 수치는 뭐다? 실현 불가능한 수치라는 뜻입니다. 전력망이 저렇게 성장할 수가 없어요. 왜냐면 여러분들 집 앞에 송전탑 지나가면 좋습니까? 싫죠? 예. 태양광 발전 있으면 좋아요? 그것도 별로 안 좋아해. 자, 그러면 원전 있으면 좋아요? 싫죠? 예. 그리고 화력 발전 있으면 좋아요? 어느 누구도 전력망이 내 앞으로 지나가는 것이 좋아하지 않아요. 그러니까 전력망의 성장은 항상 딱 제약이 걸리는 거고요. 그래서 우리 엔지니어들이 하는 일은 최대한 전력망을 안 지으면서 이러한 것들 수용하는 방법, 알고리즘을 잘 만들어 수용하는 방법, 혹은 여러분들이 안 보이는 데다가 전력망을 집어넣는 방법, 지하 100m 밑으로 가는 거, 바다로 가고, 이런 이런 방식들을 우리는 연구를 합니다. 어 런던과 더블린, 뭐 유럽 전역, 미국 전체 다 똑같은 일들을 겪고 있습니다. 런던에서 어떤 일이 있냐면 어 데이터 센터가 들어오겠다라고 했는데 어 10년 뒤에 와 막 이렇게 딱 통지가 온 거예요. 조금 열심히 하면 5년 뒤에 해 줄게. 근데 이게 어떤 문제가 있냐면 AI를 하시는 분들은 앞으로 3년 안에 모든 게 결판 날 거라고 얘기를 합니다. 이 서비스가 3년 안에 완전한 승자가 나오고 나머지는 다 인수합병 될 것이다 얘기를 해요. 근데 10년 뒤에 데이터 센터 지어 줄게라고 하면 그 데이터 센터를 써야 되는 AI 서비스 회사들은 다 망하란 얘기죠. 그렇죠? 이렇게 이게 현실입니다. 그래서 엔비디아 CEO인 젠슨 황이 요런 얘기를 했습니다. Every single data center in the future will be power limited 표현을 하고 있고요. We are now a power

언론에 많이 나오고 막 그 유튜브에 많이 나오고 하는 그런 좀 피상적이고 팬시한 것들의 눈이 가요. 그렇죠? 근데 현실은 전혀 다른 얘기들을 하고 있죠. 오늘 제가 한 얘기들 아마 여러분들 뉴스에서도 잘 못 보고 유튜브에서도 찾기 어려운 얘기들일 것인데, 이게 정말 국가의 최첨단에 있는 얘기들입니다.

그러면 요런 문제를 풀기 위한 공부를 했으면 좋겠고요. 그게 여러분들한테 아주 유니크한 진로가 될 것이고, 남들이 안 하는 걸 해야 여러분들이 같은 노력을 했을 때 가성비가 훨씬 좋을 겁니다. 이런 관점으로 여러분들이 좀 고민을 했으면 좋겠고, 그런 관점에서 AI를 바라보기 시작을 했으면 좋겠습니다.

네, 오늘 발표는 여기까지 하겠습니다. 감사합니다. 네, 좋은 발제해 주신 김순환 교수님께 큰 박수를 부탁드립니다. 김순환 교수님께서는 AI 데이터 센터의 성장 전망과 전반 제약 극복 전략에 대해 말씀을 해 주셨습니다. AI에 대한 소프트웨어뿐만이 아니라 하드웨어 관점에서의 투자 및 관심에 대한 강조도 같이 해 주셨는데요. 앞으로 AI가 발전함에 따라 우리나라가 AI가 국가 기관 또 산업으로 발전할 수 있게끔 중요한 전략을 제시해 주신 것으로 생각합니다.

이제 이어지는 순서는요. 세천일과 마찬가지로 학생 토론이 있겠습니다. 학생 패널이 무대 위에서 15분 정도 여러분들의 대표해서 의견을 좀 나눌 것이고요. 지정 토론과 같이 그 이후에도 질문이 받게 되어 있기 때문에 질문 있으신 분들은 메모해 두셨다가 토론이 끝난 이후에 진행해도 좋을 것 같습니다. 그럼 이제 세션 2의 토론을 맡을 학생 대표 패널을 소개합니다. 한국에너지 공과대학교 학부생 김세범 학생이 진행해 주겠습니다. 교수님과 함께 큰 박수로 다시 무대로 모셔 보겠습니다.

네. 이번 발제 토론은 15분간 교수님과 학생 간의 대담 형식으로 이뤄집니다. 이후에 질문을 받을 예정이니까요. 진행해 주시면 감사하겠습니다. 아, 아 네, 안녕하세요. 한국에너지 공과대학교 학부 2학년 김세봄입니다. 네. 좋은 발표 잘 들었습니다. 앞으로 이제 AI와 에너지가 어떻게 연결이 되어야 할지, 그리고 미래 사회로서의 전환 속에서 저희가 어떠한 생각을 하고 어떠한 시각으로 바라보아야 할지 많은 인사이트를 얻을 수 있는 좋은 시간이었습니다. 어, 이로부터 연결되어서 이제 학생들이 학생의 입장에서 뭐 AI와 에너지의 결합이라든가 그런 부분에 있어서 여러 가지 질문을 드리고 싶은데요.

네. 우선 어 최근 이제 AI 데이터 센터라든가 전기차 충전소 같이 고전력을 요구하는 산업들이 이제 슬라이드에서 말씀하신 것과 같이 수도권이라든가 1부 지역에만 쏠리고 있다는 지적이 많은데요. 이러한 상황에서 어 전력망 디지털화가 불균등하게 진행될 경우 지역 간 에너지 접근성 격차를 해소하기 위한 전체적 접근이라든가 아니면 이런 정책적 접근에 있어서 어 기술적으로 어떻게 보완을 할 수가 있을지 질문을 드리고 싶습니다. 저희 돌아가면서 대답을 할까요? 질문 이해하셨나요? 예. 그 저희가 이제 특히 김수환 교수님께서 소개를 해 주셨는데 전력망을 더 좋게 만들 수 있다. 그리고 저도 일부 AI 관련해서 말씀을 드렸죠. 근데 이런 것들이 어 지역에 따라서 조금 다르게 들어올 수 있고, 특히 어떤 지역은 그런 고도화가 좀 늦어지면 불균형이 일어날 수 있겠죠. 그런 거에 있어서 어떤 문제가 있지 않을까? 어떻게 해소할 수 있을까? 이런 질문을 해 주셨는데 어 있을 수 있습니다. 그리고 필연적으로 있을 거예요. 왜냐면 우리가 모든 게 신기술을 적용할 때는 시범적으로 적용하고 검증을 한 다음에 확대를 합니다. 그러면 어떤 지역은 조금 더 나은 기술을 활용을 해서 전력망을 조금 더 디지털화 먼저 하고 그다음에 이렇게 확대를 할 수 있죠. 그건 자연스러운 현상인데 어 다만 그 과정이 너무 치우치거나 늦어져서 일부는 굉장한 편익을 보고 또 일부는 소외되는 이런 일은 당연히 없을 것이고요. 이런 구조는 어떤 새로운 산업을 개선하거나 서비스를 도입할 때 항상 하는 구조이기 때문에 정책적으로 잘 고려를 할 거라고 생각을 하고 또 기대도 하고 있습니다.

네. 그 저는 질문에서 잘 이해가 안 되는 부분이 있었는데 뭐냐면 그 전력망의 디지털화가 이제 지역적으로 다를 것이다. 불균형이 있을 수 있다라는 전제가 어 저는 그렇지 않을 것 같거든요. 왜냐면 그 전력망이라는 것은 소비자한테 잘 안 보이는 네트워크예요. 여러분들이 쓰는 통신망은 소비자에 굉장히 가까운 네트워크잖아요. 그렇죠? 그러니까 통신은 어떤 사람은 무제한 요금제 쓰고 어떤 사람은 굉장히 빠른 요금제를 쓰고 돈이 없으면 알뜰 요금제 쓰고 뭐 이러잖아요. 전력망은 그렇게 차등화돼 있지는 않거든요. 그죠? 전력망은 그래서 누구에게나 어떻게 보면 되게 공평하게 접근이 되고 있는 망이고, 전력망이 AI랑 결합돼서 이게 혁신을 이뤘다는 건 사실은 국가 전체가 같이 잘 개발이 되고 있다라는 뜻이기도 해요. 다만 여기서 또 다른 형태의 불균형이 발생을 하는데 아까 말했던 것처럼 AI가 아주 충분히 발전해서 전력망을 혁신을 하려면 그만큼 AI의 발전이 필요하잖아요. 근데 AI는 전기를 먹고 자랍니다. 그러면 AI가 먹고 자라는 전기는 어디서 오느냐? 일반적으로는 아직까지도 어 지역에 있는 원전, 석탄 화력, 가스 발전에서 많이 와요. 우리나라는 아직도 여전히 재생에너지 10%밖에 안 되죠. 그러면 결국 AI를 가지고 혜택을 받는 주체는 아마 대부분 좀 젊고 트렌디하고 좀 고소득의 그런 사람들일 거예요. 수도권에 많이 있는. 근데 AI를 위해서 만들어지는 전기는 지역에 좀 낙후되고 이런 사람이 별로 안 사는 그런 곳에서 생산된 전기의 가능성이 높습니다. 이거는 어떻게 보면은 굉장히 불균형을 계속 심화시키는 방향이거든요. 그래서 AI로 어떤 무한한 발전을 해 나가다가는 국가의 지역 간 불균형이 훨씬 심해질 수 있어요. 근데 아까 제가 말한 것처럼 AI 데이터 센터가 좀 에너지 자급자족형 모델로 발전을 한다면 이제 이게 단순히 AI 데이터 센터를 빠르게 짓기 위함이 아니라 어 이런 지역 불균형 문제도 고려해서 그런 쪽으로 우리가 전략을 짜면 어 수도권에서도 어느 정도 발전을 해서 AI 데이터 센터를 짓고 어 지역에서도 너무나 많은 송전선과 발전소를 짓지 않아도 해결할 수 있는 그런 방향으로 좀 이렇게 좋은 솔루션이 나오지 않을까 이렇게 생각을 합니다.

네. 약간 질문과 다른 답변을 했는데 네. 네. 그렇습니다. 네. 제가 말씀드리고 싶었던 것이 이제 그 부분에 있어서 뭐 기술이 저희가 이제 기술 발전을 통해서 그런 지역 간 불균형을 어떻게 좀 해소를 할 수 있을지 그거에 대해서 구체적인 사례 같은 게 있으면 조금 궁금했거든요. 네. 네. 네. 방금 말한 것처럼 그러니까 우리가 먼저 그러니까 지역에서 아주 전통적이고 거대한 발전소를 짓고 송전설로를 지어서 어떤 지역까지 에너지를 공급하는 방식이 아니라 우리 지붕 위에서 우리 지하에서 우리 동네 앞에서 에너지를 발전하고 그거를 잘 쓰는 모델을 우리는 분산 에너지라고 하거든요. 분산 에너지 시스템으로 가는 과정 속에 있고, 그런 것들이 되게 좋은 사례라고 보시면 될 것 같습니다. 네. 네. 좋은 답변 감사드립니다.

네. 그리고 두 번째 질문은 이제 AI 시뮬레이션 같은 것의 특성상 저희가 이제 모델을 설계했을 때 기대했던 성능보다 실제 그 시스템에 적용했을 때 예상치 못한 결과라든가 또는 성능이 떨어지는 결과가 나올 수도 있을 것 같은데요. 이런 게 특히 이제 에너지 시스템이 정말 복잡하다 보니 뭐 이런 관련된 결과나 사례가 있다거나 아니면 뭐 어떤 점에서 시스템 에너지 시스템과의 괴리가 있었는지 말씀을 한번 나눠 주시면 감사드리겠습니다. 또 제가 먼저 답을 하겠습니다. 어 그 AI 활용한 연구에 대한 질문으로 이해했는데 맞나요? 아, 네. 네. 맞습니다. 실제로 저도 연구하면서 이제 AI를 AI를 활용했다기보다 어 머신 러닝을 활용한 연구를 수행을 했었는데요. 에너지 관련된 연구에 머신 러닝을 하는 게 이제 많이 하고 있고 그럼 잘 되냐? 요렇게 봤을 때 어 예외 없이가 아니고 예 그리고 아니오로 답변을 드릴 것 같아요. 무슨 말씀이냐면 생각보다 잘 됩니다. 어 쉽게 말하면 아까 사례들을 많이 말씀드렸죠. 예측하는 데 AI를 쓰는 부분. 저도 해 봤는데 생각보다 되게 잘 돼요. 그런데 이게 좋은 게 아닙니다. 왜냐면 어 여러분 그거 혹시 들어보신 분 있을지 모르겠는데 AI 이제 머신 러닝을 학습해서 예측을 할 때 가장 좋은 경우는 어 굉장히 극단적인 경우예요. 예를 들면 우리가 여기서 이 심포지엄을 듣고 만족했는지 불만족했는지를 학습한다고 해 보겠습니다. 여러분들한테 설문을 딱 받은 거예요. 그래서 나이도 넣고 성별도 넣고 뭐 취미도 넣고 다 해서 이 친구가 불만족했는지 만족했는지를 학습을 하고 싶은 거예요. 그런데 100%가 다 만족했어요. 그러면 학습을 이렇게 하든 저렇게 하든 저는 그다음부터는 얘는 만족했을 것이라는 답을 내주면 다 맞죠. 왜냐면 제가 학습한 데이터가 전부 다 만족한 사람밖에 없었잖아요. 그럼 저는 만족했다는 답을 내주면 정확도 100%예요. 그런데 새로운 사람이 오면 엄청 틀리겠죠. 그래서 학습을 하는 데 쓰는 데이터가 굉장히 어 단순하면 복잡하지 않고 다양하지 않고 굉장히 단조로우면 어 쓸모가 없습니다. 그런데 우리 전력 시스템은 너무 잘 관리되고 있어요. 생각보다 여러분들이 쓰는 한국의 전기가 되게 고품질입니다. 그래서 그 상태를 학습하는 게 생각보다 잘 되지만 또 어떤 면으로 너무 좋은 상태라서 되게 달라지는 이상 상황을 예측하는 게 조금 어려움이 있어요. 그래서 어 실제 필드에서 그 머신 러닝을 활용한 에너지 연구 관련해서는 어 요런 경험이 있었고요. 또 그런 특징이 있다는 답변을 드릴 수 있을 것 같습니다.

그렇다면 궁금한 게 저희가 이제 그렇다고 해서 다른 나라의 전력망 데이터를 쓸 수는 없잖아요. 굉장히 국가 기밀일 테니까. 그럼 뭐 다른 대체할 수 있는 방법이나 뭐 그런 데이터 형식 같은 게 있을까요? 다른 나라의 전력망 쓸 수 있죠. 쓸 수 있나요? 쓸 수 없는데 만들어서 쓰면 됩니다. 어, 그리고 연구용으로 이렇게 좀 그 공개되어 있는 연구용 모델 데이터 같은 것들이 있어서 사실은 그 이제 연구자로서 생각해야 되는 건 100% 잘 맞아도 우리나라 전력망이 한시적인 상황에서만 작동하는 모델이 아니라 어느 나라의 전력망에서도 예를 들면 교류 전력망이라면 다 쓸 수 있는 일반적인 어떤 연구를 하고 싶겠죠. 그래서 다양한 모델 데이터를 확보를 해야 되고 어떻게 보면 그런 게 AI를 적용하는 연구에 있어서 굉장히 큰 걸림돌이고, 반대로 데이터를 확보했다면 굉장한 무기를 갖는 게 되는 그런 게 어 이쪽 분야의 좀 특징이라고 할 수 있어요. 좋은 답변 감사드립니다. 저도 답변을 드리면 어 랩에서 하는 AI 연구는 어 꽤 잘 돼요. 그리고 좋은 페이퍼가 됩니다. 근데 이제 그리드는 결국에는 아주 오래된 시스템이기 때문에 연구한 거를 적용을 해야 의미가 있거든요. 페이퍼 쓰는 걸로 우리는 끝이 아니라 실제 시스템에 적용을 해야 됩니다. 당장 그리드는 계속 빠른 속도로 진화하고 있기 때문에 랩에서 연구한 걸 적용해야 되는데 적용하는 단계에 가면 엄청난 실패를 하고 많은 장벽을 맞닥뜨리게 돼요. 네. 그게 현실이고 그래서 이런 관점에서 봤을 때 좀 여러 가지 생각을 해야 될 포인트가 있는데 그럼 왜 도대체 그리드에서 하는 AI는 랩에서선 쉬운데 현실에서 어려울까? 그 이유는 이 시스템을 실패하면 안 되기 때문에 그렇습니다. 이 시스템이 실패하는 순간 스페인 정전 같은 사태가 발생하는 거죠. 우리나라가 정전이 15일 동안 된다고 생각해 보세요. 어떻게 될까요? 일단 여러분들은 밥을 먹기 힘들 것이고요. 여러분들이 똥을 싸면 물을 못 내릴 겁니다. 이게 펌프가 고장나서 펌프가 동작하지 않으니까 냉장고에 있는 음식은 다 썩을 거고요. 이제 그게 며칠이 지속되면 어떤 일이 발생하냐면 어 아노미 상태가 되는 거죠. 그러니까 폭도들이 나오기 시작을 해요. 그리고 심지어는 북한이 쳐들어올 수 있어요. 좀 더 극단적으로 가면 이런 것처럼 전력망은 실패하면 안 됩니다. 그렇기 때문에 AI한테 시행착오를 할 기회를 주지 않아요. 그래서 아주 완벽에 가깝게 발전했을 때만 AI를 적용을 합니다. 그러다 보니까 뭐 사실 뭐 챗GPT 같은 건 헛소리에도 헛소리하네 하고 끝나잖아요. 앞선 세션에서 소재를 개발했는데 제대로 안 됐어. 그럼 다시 하면 되잖아요. 전력망은 그게 안 되는 거예요. 그래서 그게 되게 어려운 포인트고 그러다 보니까 데이터 구하기도 되게 어렵고 막 그 여러 가지 문제가 있습니다. 그래서 좀 정리를 해 보면 어 그 AI를 언제 써야 될지도 이제 맥락에서 좀 알 수 있는데 그리드에서 AI를 쓸 때는 첫 번째 데이터가 많을 때, 학습할 수 있는 아주 다량의 데이터가 양질의 데이터가 있을 때, 두 번째는 어 우리가 그리드의 역사를 한 150년에서 200년 정도로 보거든요. 그 기간 동안 적용했던 방법으로는 도저히 그 문제를 풀 수가 없을 때, 그 200년 동안 했던 사람들이 바보가 아니잖아요. 정말 수없이 많은 시행착오가 있었고 굉장히 수학적으로 고도화된 알고리즘들을 쓴단 말이에요. 근데 그것조차 안 풀릴 때 그럴 때 AI를 써야 되는 것이고요. 마지막으로는 누군가 책임을 져 줄 때, 이 실패가 제한되거나 책임이 크지 않은 그런 영역부터 아마 AI가 들어오기 시작을 할 거예요. 그런 것들이 이제 현실에서의 AI가 잘 안 되는 문제들을 일부 좀 해결해 주는 장치가 되지 않을까 생각을 합니다.

네. 네. 좋은 답변 감사드립니다. 네. 그래서 이제 세 번째 질문은 이렇게 에너지와 AI를 융합하려는 연구 분야에 있어서 학생 수준에서 학생 입장에서 어떠한 핵심 역량이 필요할지, 그리고 이러한 융합에 저희가 어떤 공부를 학부생이나 고등학생 수준에서 할 수 있는지가 궁금합니다. 네, 저는 어 두 가지 포인트를 얘기하고 싶은데요. 일단은 어 도메인 지식에 충실했으면 좋겠어요. 그러니까 AI는 그 자체가 연구 분야이기도 하지만 어떤 분야에서는 AI는 도구입니다. 그러니까 그리드 분야, 에너지 분야에서는 AI를 도구로 보는 것이죠. 그리고 AI가 도구이자 성장시켜야 하는 대상인 거죠. 전기를 공급해 성장시켜야 하는, 그러니까 AI를 이제 객체로 보는 거예요. 주체가 아니라. 그러면은 그 객체로 볼 때는 내가 서 있는 영역에 대한 전문성이 먼저 담보가 돼야 AI를 언제 쓰고 어떤 방향으로 쓰고 어떻게 진화시킬 것인지에 대한 전략이 세워지겠죠. 그럼 여기서 제일 중요한 건 내가 서 있는 분야의 기초적인 전문성. 그러니까 이거는 결국엔 베이스로 올라가면 전기화학을 정말 깔끔하게 잘하거나 수학을 깔끔하게 잘하거나 물리를 진짜 잘하거나 여기서부터 출발하는 겁니다. 그래서 막 나는 AI를 할 거야라고 했는데 아까 김희 교수님이 그랬죠. AI를 할 거야가 아니라 무슨 AI를 할 거야라고 질문을 해야 된다고 했었고요. 그 무슨 AI를 할 거야에서 그 무슨이 결국 여러분들 해야 되는 도메인입니다. 그거를 잘 찾았으면 좋겠어요. 예. 거기에 AI를 잘 적용하는 시대가 됐기 때문에. 어 두 번째는 어 만약 에너지에 좀 한정해서 보면은 결국 AI는 인간의 의사결정을 대체하려고 하는 거거든요. 그러면 AI가 궁극적으로 진화하는 그 끝은 뭘까요? 저는 결국 아주 신에 가까운 인간을 모방하고자 하는 게 AI라고 생각을 해요. 평범한 인간 말고 신에 가까운 인간. 근데 결국에는 인간의 어떤 행위를 대체하려고 하는 거잖아요. 그러면 그 본질은 인간을 이해해야 된다. 거기서부터 출발하는 게 중요하다고 생각을 하고요. 그래서 AI 연구자 중에 뭐 거의 노벨상급에 가까운 사람들의 인터뷰를 보면 거의 철학자예요. 인문학자. 갖고 여러분들 해야 되는 공부는 단순히 수학, 물리가 아니라 그런 영역까지 인간에 대한 고민 이런 것도 좀 해야 되지 않을까라고 생각이 됩니다. 좋은 답변 감사드립니다. 완벽한 답이었다고 생각해서 저는 아무것도 더 얹지 않겠습니다.

아, 그런데 약간 여기서 추가적으로 궁금한 게 생겼는데 그럼 현재 약간 이런 AI와 그리드 관련해서 가장 충돌하는 부분 같은 게 있을까요? 각각의 연구에 있어서 충돌이라고 표현할 수도 있겠고요. 어떻게 보면 자연스러운 과정일 수도 있는데 여러분 모든 분야가 소위 융복합이라는 얘기를 들어 보셨을 텐데 모든 분야가 서로 모이게 되면 어 그 만나는 과정에서는 서로 알아가는 시간이 필요합니다. 왜냐면 같은 현상을 보고 바라보는 방식도 다르고 심지어 부르는 이름도 다른 경우도 있어요. 그래서 그런 부분의 어떤 새로운 분야가 만나는 과정은 필요하지만, 글쎄요. 갈등이라고 할 만한 것까지는 저는 모르겠네요. 예. 자, 질문이 AI랑 그리드 분야의 갈등. 아, 예. 그러니까 아까 말씀하신 그리드 확충과 뭐 이제 AI 데이터 센터 관련된 부분에 있어서 궁금증이 생겼습니다. 아, 네. 그러니까 갈등은 그러니까 저는 좀 현장과 정책에 많이 오리엔티드된 사람이라 그 갈등 속에 항상 있거든요. 그러니까 가장 큰 갈등은 한전이 안 만나 줘요. AI 데이터 센터 사업자, AI 사업자들 안 만나 줘요. 왜냐면 한전의 미션에는 AI를 성장시키는 게 없거든요. 네. 그런 아주 도메인의 차이에서 오는 갈등들은 정말 많다고 볼 수 있을 것 같습니다. 이상으로 시간 관계상 이렇게 좀 패널 토론은 좀 마무리하도록 하겠습니다. 자, 수고해 주신 교수님과 학생 대표에게 큰 박수를 부탁드리겠습니다. 감사합니다. 아, 그 저희 질문이 있어 가지고요. 저희 질문 받도록 하겠습니다. 질문 있으신 분들은 손 들어 주시면 마이크 전달해 드리겠습니다. 뒤쪽으로 마이크 좀 전달 부탁드립니다. 네, 질문이 좀 많아서 역시 마이크 미리미리 전달 가능하면 미리 전달도 괜찮을 것 같습니다. 앞에서부터 질문 받겠습니다. 아. 아 교수님들의 강연 정말 잘 들었습니다. 저는 전남과학고등학교에서 온 2학년 류서진이라고 하고요. 다른 나라의 전력망을 모델로 하는 경우를 여쭤보고 싶습니다. 칠레의 전력망을 분석한 논문을 본 적이 있는데요. 이러한 국가 기관이나 다른 이제 국공립 기관들에 대한 전력망 정보는 개인 차원에서도 쉽게 얻을 수 있는 걸까요? 아니면 연구 기관을 대상으로 제공되는 데이터가 있을까요? 어, 제가 답변드릴 수 있을 것 같은데요. 질문을 들으니까 학생이 생각났습니다. 오랜만이네요. 어, 전력망 데이터는 기본적으로 얻기 어렵고요. 경우에 따라서는 공개해 놓은 나라들이 있습니다. 그래서 실제 데이터 같은 경우는 제한적으로 얻을 수는 있는데 어 대부분 없다라고 생각하시면 좋을 것 같고, 대신 대체할 수 있는 모델들이 또 일부 공개가 되어 있어요. 그래서 그쪽 분야에 관심이 있으시면 관련 논문들을 보시다 보면 이 논문에서는 어떤 데이터를 썼다고 소개하는 그 레퍼런스들이 이제 제한된 그 종류들이다라고 보시면 될 것 같고요. 또 실제 필드에서 연구하시는 교수님이나 연구자분들은 어 기밀 데이터이기 때문에 따로 예를 들면 국가 전력망 같은 경우는 따로 공급받아서 분석은 하지만 외부 공개는 당연히 안 하고 그 연구에만 사용하는 경우가 있습니다. 네. 잘 답변해 주신 것 같습니다. 또 혹시 질문 더 있으십니까? 네, 마이크 바로 앞에 계신 분 받고 네. 뒤쪽도 마이크 좀 미리 전달 부탁드립니다. 손 한번 들어 주세요. 뒤쪽. 네. 네. 질문해 주세요. 네. 강의 정말 잘 들었습니다. AI가 다양한 예측과 진단을 할 수 있다고 하셨는데, 발전기의 진단 같은 경우는 큰 사례다 보니까 이에 대한 정확도가 굉장히 중요할 것 같은데, 여기서 AI가 받는 데이터의 질이나 AI의 답변의 정확도를 올리려면 어떤 기술이 필요한지 궁금합니다. 그거는 제가 답변을 드릴게요. 그 어 발전기를 진단하는 AI 기술은 어떻게 보면은 완전히 성숙된 기술이라고 보시면 돼요. 어떻게 보통 진단하냐면 그 발전기에 진동하는 시간 데이터, 그러니까 매초마다 데이터가 쌓이는 거죠. 그러면 1년치만 해도 데이터 용량이 어마어마합니다. 그래서 그런 데이터가 워낙 많기 때문에 그런 기술로는 어 사람이 진단하는 거랑 아예 비교할 수 없을 정도로 정확도가 높은 그런 성능을 보여주고 있어요. 거의 끝났다고 봐도 돼요. 그 그쪽 기술은. 네. 답변이 되셨을까요? 네. 자, 그럼 다음 질문 받겠습니다. 어 강의 정말 잘 들었습니다. 이제 AI가 발전하면서 데이터 센터의 전체적인 개수가 증가하겠잖아요. 이렇게 되면서 이제 전기의 사용량이 증가되는데 이런 상황에 에너지 정책에 어떤 영향을 미치는지가 궁금하고, 이러한 변화에 맞춰서 시스템은 어떻게 바뀌어야 할지가 궁금합니다. 그러니까 AI 사용량 증가의 에너지 정책이 어떻게 영향을 미치냐? 이게 질문이었나요? 질문자가 어디 있었죠? 아, 네. 질문을 좀 다시 해 줄 수 있을까요? 어 이제 AI가 발전하면서 전체적인 전기 사용량이 증가하게 되잖아요. 이렇게 증가된 전기 사용량에 따라서 에너지 정책은 어떤 식으로 변화해야 될지가 궁금합니다. 아, 아까 그 제 강연에 일부 힌트가 있었는데 그렇게 AI가 빨아들이고자 하는 전기를 다 실현시킬 순 없을 거예요. 결국에는 자급자족하는 에너지원을 들고 오지 않으면 AI는 발전을 못 할 겁니다. 그래서 결국에 정책적으로는 AI 데이터 센터가 그런 방향으로 진화할 수 있도록 계속 가이드를 줘야 되겠죠. 예를 들어 수도권에는 들어오지 마. 에너지가 남는 곳에 가서 들어와. 혹은 한 50% 이상은 에너지 자급자족을 하고 건설 신청을 하는 데이터 센터 받아 줄게. 이런 방식으로 정책이 아마 진화를 할 겁니다. 네. 예, 좋은 답변 감사합니다. 앞쪽 질문 다시 한번 더 받겠습니다. 그 음, 만약 지역 주민들이 자기 지역에 발전소가 설치되는 것에만 동의한다면 그렇게 최대한 많이 설치되는 것이 좋은지, 아니면 지금처럼 그 개수는 적더라도 어느 정도 효율적으로 진행하는 것이 좋은지 궁금합니다. 질문을 다시 한번 해 주실 수 있나요? 그 지역 주민들이 자기 지역에 발전소가 설치되는 것을 동의한다면 그렇게 동의한 대로 최대한 많이 발전소를 설치하는 것이 좋은지, 아니면 지금처럼 그 개수가 적더라도 어느 정도 효율적으로 진행하는 것이 더 좋은지 궁금합니다. 질문을 제가 좀 이제 거칠게 정리해 보면 동의만 받으면 그냥 발전소를 더 지으면 되냐, 아니면 있는 거 가지고 잘 써야 되냐의 질문으로 이해해도 될까요? 네. 둘 다 해야 됩니다. 예. 전기가 어마어마하게 필요하고요. 있는 거 잘 써도 될 수준이 아니기 때문에 어 우리가 전력 시설을 생산, 그 건설해서 만드는 것에 대한 인식도 바꿔야 됩니다. 예를 들면 아까 말씀하신 것처럼 우리 지역에 전기를 생산할 수 있는 대규모 신재생에너지 단지가 들어오면 그 전기를 쓸 수 있는 데이터 센터가 들어올 여건이 되는 거죠. 그러면 예를 들어서 네이버 데이터 센터가 우리 동네 들어올 수 있는 거예요. 그러면 당연히 이 지역에서 산업이 크고 인재들이 우리 지역으로 몰리겠죠. 그래서 전력 시설이 들어온다는 게 오히려 환영받을 일이 될 수도 있습니다. 그래서 전력 시설 같은 것들, 발전소 건설하는 것들에 대한 인식이 바뀌어서 어 시설 자체가 많아지는 것도 필요하지만 당연히 AI 기술을 우리가 이해하고 있는 것 자체가 더 효과적으로 써야 되기 때문에 둘 다 필요하다고 답변드릴 수 있을 것 같습니다. 네. 저희가 시간이 많지 않아 이 질문은 꼭 하고 싶다. 있으면 손 들어 주면서 마지막 질문으로 하겠습니다. 뒤 세 분인데요. 빠르게 아 마이크 들고 계신 거 같으니까요. 그렇게 질문 마지막으로 좀 받도록 하겠습니다. 아, 아 혹시 여분 마이크가 없을까요? 저기 마이크로 좀 전달을 좀 부탁해 주십니다. 네. 오늘 혹시 괜찮으시다면 교수님 두 분께서 질문 시간에 혹시 다른 질문들 좀 남은 게 있으면요, 앞에서 좀 같이 받아 주실 수 있으실까요? 네. 다른 궁금한 점들이 있으면 같이 받아주시면 좋을 것 같습니다. 네. 질문해 주시면 좋겠습니다. 네. 네. 강의 잘 들었습니다. 이제 저희 에너지 그리드 산업 시스템이나 아니면은 친환경적인 면에서 AI가 많이 상용화되어야 하며 이게 하드웨어와 소프트웨어의 적절한 포커스를 맞추어서 같이 연구를 해야 한다는 것을 알게 되었습니다. 그 아까 발표해 주신 내용 중에 미국 같은 곳에 대해서 저희나라 AI 산업 개발이 3년에서 5년 정도 뒤쳐져 있다고 말씀을 해 주셨는데, 그렇다면 저희 나라는 AI 산업을 빠르게 발달시키기 위해서 어떤 기술이 더 개발되어야 하는지 학문적 관점에서 교수님들의 의견을 묻고 싶습니다. 네. 이거는 제가 답변드리면 그러니까 학문적인 관점과 국가 전략상의 관점으로 좀 나눌 것 같아요. 그러니까 학문적으로는 사실 모든 기초 학문을 다 발전을 시켜야 되기 때문에 그 AI 그 자체에 대한 연구를 놓을 수가 없죠. 근데 이제 국가 전략 차원에서 왜냐면 예산은 한정돼 있고 예산을 어디에 분배할지의 관점에서 보면 우리가 잘해서 승산이 있는 데 집중 투자를 해야 됩니다. 그게 저의 관점이고 그러면 우리가 잘하는 건 하드웨어, 그러니까 AI 반도체, AI 제조, 그러니까 데이터 센터 제조업, 그다음에 좀 더 AI 소프트웨어 쪽으로 가면 이제 남은 공간은 피지컬 AI라는 게 있어요. 산업 AI. 그러니까 생성형 AI 기술은 거의 포화가 된 거라고 봐도 되고요. 그럼 남은 건 이제 공장을 어떻게 AI로 자동화하느냐, 그다음에 철강을 어떻게 AI로 생산을 하느냐 요런 것들은 미지의 영역입니다. 아직까지도 여기는 그 공장들을 갖고 있는 나라들이 제일 잘할 수 있거든요. 철강, 석유화학, 반도체 공장 다 있는 국가가 어딜까요? 한국, 독일, 일본, 세 개밖에 없습니다. 아, 중국까지. 그

기반의 일반적인 스템 기반의 방론을 사용할 수 있기 때문에 어 왼쪽 아래에 어 이미지를 이용해서 어 예측한 분석, 예측된 결정 구조와 어 실제 어 분석한 결정 구조가 일치하는 것을 확인했습니다. 또 어 포디스템 이미지를 이용한 다른 방법론도 있는데요. 어 이 방법론에서는 어 일단 처음에 포디스 이미지에서 디스크를 디텍션하고, 이 디스크, 그니까 특정 인텐시티 이상의 디스크를 디텍션하고 그 디텍션된 어 이미지를 이용해 오리엔테이션 플랜을 계산한 다음에 그 오리엔테이션 플랜과 시뮬레이션 오리엔테이션 플랜들과의 콜릴레이션 밸류를 계산합니다. 그래서 가장 적합도가 가장 어 콜릴레이션 밸류가 높은 상과 오리엔테이션을 이제 웨핑하는 건데요. 어 이 방법론이 꽤 높은 정확도를 가지고 있지만 이제 문제 상황이 발생할 수 있습니다.

이 슬라이드를 보시면은 이제 가운데에 있는 이미지가 파이포디스템 실제 실험 이미지인데요. 이 이미지에 대해서 분석을 진행할 때 아래에 보시면 콜리션 밸류가 테트라고널 페이즈가 가장 밸류가 높게 나왔으면 이제 저희는 테트라고널 페이즈의 정부 정보라고 이제 인덱싱을 해야 되는데 어 이 오리엔테이션 디플렉션 패턴 매치 결과를 보시면은 어 다른 올소롬빅 페이즈나 모노클리닉 페이즈에서 잘 매치되는 이런 초록색 포인트들이 테트라고널 페이즈에서는 잘 매치되지 않은 모습을 볼 수 있습니다. 어, 이런 것으로 밀어 볼 때 이 방법론에도 한계가 존재한다는 것인데 저는 이제 이 방법론의 한계가 어, 맨 처음에 디스크 디텍션을 할 때 특정 크라이테리아 이상의 값들만 디텍트를 했기 때문에 어, 시뮬레이션 이미지의 디스크 자체가 많지 않으면은 어, 그 그 럭 그 상을 분석하는데 있어서 중요한 정보보다 훨씬 어, 높은 영향력을 가져 버린다라고 분석을 했습니다. 그래서 결국에는 디스크 디스크를 디텍션하는 방식에 있어서도 굉장히 중요하 그 조심을 해야 된다라고 판단했습니다. 그래서 이제 예, 그래서 이제 위에서 소개한 방법론들의 한계에 대해서 소개를 드리면은 어 포디스템 인덱싱, 처음 오토메이티드 인덱싱 방법에서는 어 여기서도 이제 프리프로세싱 과정에서 어 디플렉션 패턴의 어떤 인텐시티를 조절하는 과정이 존재하는데 이때 때 키처가 어느 정도 손상이 될 수 있다는 문제점이 존재합니다. 그리고 어 두 번째 페이즈 인덱싱 방법의 경우에는 마찬가지로 디스크 디텍션 할 때 3C 홀드가 굉장히 결과에 중요한 영향을 미치는 한계점이 있습니다. 그래서 그리고 두 방법 모두 한계점이 있는데 두 방법은 모두 빔 디렉션 방향으로 한 가지 상만 존재한다고 가정을 했습니다. 근데 실제로는 아무리 팀 필름이라도 실 어 두 개, 두 가지 이상의 상이나 오리엔테이션이 존재할 수 있기 때문에 이러한 한계를 해결하기 위해 새로운 방법론을 어 제안을 합니다.

이제 소개를 어떤 방법론인지 소개를 드리자면 여기서는 이제 두 가지 크게 보자면 두 가지 스텝이 있는데 첫 번째 스텝은 어 디플렉션 패턴 이미지레이션 뉴럴 네트워크 학습 과정이 있고요. 두 번째는 그 학습된 뉴럴 네트워크를 이용해서 어 앵글과 레이시오를 최적화하는 이 두 가지 스텝이 있습니다. 자세하게 소개를 드리면 첫 번째 이제 뉴럴 네트워크 학습에서는 어 저희가 시뮬레이션 이미지를 가지고 각 어 방향, 각 상마다 이제 각각의 모델이 있습니다. 그래서 저희는 네 개의 모델, 네 개의 상을 고려하기 때문에 네 개의 모델을 학습을 할 거고 각 상마다 어 특정 앵글 값에서 어떠한 디플렉션 패턴을 보이는지를 모델이 출력하게 학습을 하는 겁니다. 그래서 두 번째 방, 두 번째 스텝에서는 그 학습된 모델을 가지고 어떤 특정 랜덤한 이니셜 개스 파라미터, 그러니까 앵글 값을 집어넣고 그 앵글 값에서의 디플렉션 패턴을 어 우리가 알고 싶은 타겟 어 디플렉션 패턴과 맞춰 가는 방식으로 어 최적화를 합니다. 근데 이때 사용한 방식이 백프로파게이션인데 원래 뉴럴 네트워크 학습을 할 때 백프로파게이션이 이용이 되죠. 근데 이제 그거를 옵티마이징 하는데 이용을 하는 겁니다. 어 예. 그래서 이거는 시뮬레이션 데이터 생성을 할 때 어떤 세팅으로 생성을 하는지 그리고 각 상마다 어 시메트리가 존재하기 때문에 그 시메트리를 고려해서 특정 방향의 정보들만, 시뮬레이션 디플렉션 패턴들만 학습을 해 주게 됩니다. 그것을 나타낸 그림이 왼쪽 위에 그 녹색과 파란색 레지온 그림이고 아래는 그 세팅들입니다. 아, 예. 그래서 결론적으로 봤을 때 어 이러한 여러 가지 상의 정보가 포함되어 있는 디플렉션 패턴에서 여러 가지 상과 오리엔테이션 방향들을 뽑아낼 수 있다는 것이 이제 이 방법론의 요지입니다. 어 예. 그리고 발표 들어주셔서 감사하고 저희 어 구원호 교수님과 오상호 교수님이 많이 연구에 도움 주셨습니다. 예. 감사합니다.

네. 큰 박수로 다시 한번 좋은 연구 경과, 성과를 공유해 준 박종학 학생에게 감사의 뜻을 전해 주시면 감사하겠습니다. 잠시 내려가 계셨다가 다음 시상 때 다시 또 뵙겠습니다. 자, 이제 마지막으로 심포지엄 원고 및 포스터 공모에 대한 시상을 진행합니다. 시상식 이전에 안내 하나 드립니다. 현재 고등학생 부문 시상 같은 경우에는 저희가 나눠 드린 유인물에 포함이 되어 있지 않은데요. 이 경우에는 저희 한국 에너지 공과대학교 학생 홍보단 캔들러가 운영하고 있는 웹진 사이트가 있습니다. 검색창에 이제 켄텍 엔진이라고 되어 있는데요. 에너지 웹진을 저희가 홈페이지에 개시하고 있습니다. 그래서 저희가 아마 홍보단 웹사이트에서 고등학생 자료를 비롯해서 다양한 탐구 주제, 또 자료들을 제공하고 있으니까요. 괜찮으시다면 사이트에 한번 들러서 자료들 확인해 주시면 감사하겠습니다. 이제 시상을 위해서 박진호 총장 직무 대행님을 무대로 모시겠습니다. 큰 박수로 환영하여 주시기 바랍니다. 총장님, 바닥 표시까지 부탁드립니다. 우선 저희가 순서는 학부생 부문을 먼저 시상한 후에 고등학생 부문 수상을 하도록 하겠습니다. 먼저 학부생 부문의 시상입니다. 축하합니다. 한국에너지 공과대학교 에너지 공학부 4학년 박종학 학생입니다. 큰 박수로 축하해 주시기 바랍니다. 박종학 학생은 앞서 발표한 탐구 주제를 바탕으로 저희 학부생 세션에서 시상을 하게 되었습니다. 우선 상장 전달을 하겠습니다. 네. 상장, 상장. 박종학 학생은 제2회 2025 켄텍 심포지엄에서 AI 및 에너지와 관련된 탐구 활동을 주제로 스스로의 문제 의식과 학문적 흥미를 바탕으로 깊이 있는 탐구를 수행하고, 이를 논리적이며 창의적으로 정리한 결과물을 제출하여 우수한 성과를 거두었습니다. 이에 상장을 수여합니다. 2025년 5월 14일 한국에너지 공과대학교 총장 직무대행 박진호. 네. 다시 한번 축하드립니다. 네. 무대 앞을 보고 기념 사진 촬영 같이 하도록 하겠습니다. 앞쪽을 보고 사진 한 장 촬영하겠습니다. 총장님, 앞쪽을 보시고 촬영한다고 하시겠습니다. 네. 다시 한번 축하드립니다. 네. 올라오신 길로 조심히 내려가 주시면 감사하겠습니다.

다음은 고교생 부문 시상을 이어가도록 하겠습니다. 고교생 시상, 총 두 명입니다. 축하합니다. 고교생 부문, 전남과학고등학교 심형성, 김민우. 네. 무대 위로 올라와 주십시오. 전남과학고등학교 심형성, 김민우 학생은 저희 학고동에서 주최한 고등학교 부문에서 입상을 하였습니다. 자, 상장 전달하도록 하겠습니다. 상장, 저희가 심형성 학생부터 드리도록 하겠습니다. 상장. 전남고등학, 전남과학고등학교 심형성 학생은 제2회 2025 캠텍 심포지엄에서 AI 및 에너지와 관련된 탐구 활동을 주제로 스스로의 문제 의식과 학문적 흥미를 바탕으로 깊이 있는 탐구를 수행하고, 이를 논리적이며 창의적으로 정리한 결과물을 제출하여 우수한 성과를 거두었습니다. 이에 상장을 수여합니다. 2025년 5월 14일 한국에너지 공과대학교 입학센터장 장광제. 네. 다음 김민우 학생에게도 상을 주도록 하겠습니다. 두 명, 자리를 바꿔 주시면 감사하겠습니다. 네. 상장. 전남과학고등학교 김민우 학생, 위 내용은 같습니다. 네. 다시 한번 축하드립니다. 네. 세 분 같이 가운데서 사진 촬영하도록 하겠습니다. 네. 다시 한번 큰 박수로 축하해 주시면 감사하겠습니다. 네. 계획님은 잠시 기다려 주시고요. 두 분 안전하게 올라오신 길로 내려가 주시면 참 감사하겠습니다.

저 이번 행사 마지막 순서입니다. 박진호 한국에너지 공과대학교 총장 직무 대행님께서 이 행사의 폐회사를 전해 주시겠습니다. 큰 박수로 청해 주시기 바랍니다. 아, 여러분, 반갑습니다. 오늘 하루 잘 지내셨어요? 네. 사실은 계획, 계획사 할 때 제가 오기로 계획이 다 돼 있었고 약속이 돼 있었는데 오늘 우리 학교의 그 중요한 수소 에너지 분야 정부 사업, 10년짜리 사업에 출전을 했는데 하필이면 오늘 그 저기 연구재단에서 최종 선정하는 발표 평가가 있었어요. 그래서 거기 지원 사격을 나가느라고 어 아쉽게도 오늘 저 개인적으로는 참석을 못 했습니다. 오늘 쭉, 그 잠깐 나중에 들어와서 들어 보니까 그 올해 그 캔들러가 주최하는 두 번째 심포지엄의 주제가 어 AI와 뭐 에너지의 이런 저 그 연합, 뭐 연계 이런 거였던 거 같아요. 그죠? 여러분들 오늘 여러 발표, 발, 발, 발, 발, 발제도 들어 보셨겠습니다만 요즘 그 화두가 되는 게 AI for 에너지, 에너지 AI라는 얘기를 많이 해요. 그런 얘기를 왜 하냐면 아까 제가 들어왔을 때 여러 몇몇 학생이 질문하는 것도 들었는데 어 우리나라가 지금 세계 선진국으로 진입을 하면서 지금 그 문턱에 있는 지금 입장이거든요. 한 어 1년, 그 우리 1인당 국민소득이 한 4만 불 조금 언더에서 환율에 따라서 어 4만 불 접근했다 안 됐다가 이렇게 되는데 사실 어 이 세계를 리더하는 선진국이 되기 위해서는 1인당 국민소득이 한 7만, 7만 불 정도 올라가야지 진짜 선진국이라고 얘기할 수 있거든요. 그래서 어 재작년인가 작년 초에 그 세계적인 컨설팅 회사인 맥킨지에서 한국 보고서라는 것을 냈어요. 한국 보고서, 뭘 냈냐면은 대한민국이 앞으로 4만 불 국민소득 시대를 넘어서서 7만 불 국민소득 시대로 가서 선진국이 되기 위해서 집중해야 될 그 산업 분야에 대해서 진단을 했어요. 뭐 교육도 하고 뭐 여러 가지 이제 많이, 많이 있었는데 간단히 요약을 해 드리면은 대한민국이 잘하고 앞으로 잘할 수 있는 분야에서 부가가치를 많이 내서 그 산업 발전을 시켜야 되고, 그러기 위해서는 지금 정체돼 있는 그 산업을 돌파할 수 있는 어 모멘텀을 찾아야 될 것이다 하는 제안을 하게 됩니다. 그래서 여러 가지 산업 분야도 있지만은 크게 네 가지를 얘기를 하게 됩니다. 거기서 보고서에서 뭐라 하냐면 앞으로 대한민국이 기술 개발, 연구, 인력 양성 쪽에서 집중해야 될 대표적인 분야, 여러분들 세 군데는 다 아는 거예요. 그다음에 우리가 잘하고 있는 게 뭐죠? 반도체, 자동차뿐만 아니라 요즘 자율주행을 포함하는 모빌리티 분야, 그죠? 그 UAM이라는 표현도 하죠. 반도체 분야, 모빌리티 분야. 그다음에 세 번째로 뭘 들게 되냐면요. 에너지 신산업 분야를 들게 됩니다. 그리고 이 모두를 아우르는 어떤 그 저 기반 기술로서 AI 부분에서 대한민국이 어 이 승부를 걸어야 될 것이다 하는 진단을 맥킨지가 2년 전에 하게 됩니다. 그런데 그 네 가지가 다 굉장히 뭘 중심으로 연결이 돼 있냐면은 에너지라는 화두를 중심으로 연결이 돼 있어요. 간단하게 아까 저기 그 저 어떤 학생 질문 제가 듣는데 전 세계에서 어 우리가 쓰고 있는 전력 소비량이 하나는 얼마 되냐면요. 제가 이제 그런 쪽을 좀 많이 해서 그런 통계 데이터를 잘 기억하는데 대충 한 25,000TW라고 하는 전력을 쓰고 있어요. 1년에. 국제 에너지기구 통계야. 우리나라는 얼마나 쓰는지 아세요? 우리나라가, 우리나라가 세계 전력 소비 몇 위쯤 될까요? 앞에 가운데 정면의 학생, 그냥 얘기하면 돼요. 자신 있게.

5위. 어, 비슷해요. 우리나라가 전 세계 전력 소비량 6위입니다. 어, 굉장히 정확하네. 공부를 하셨나 봐. 6위면 대단한 거잖아요. 전력 소비량 6위를 하고 있는데 6위를 하는 나라가 쓰는 전력 소비량이 약 1년에 600TW 정도 쓰고 있어요. 전 세계는 얼마라고요? 25,000TW 정도 있어요. 그러면 지금 생기는 이 AI 그 데이터 센터들이 쓰고 있는 1년에 이 전력 소비량은 얼마 될까요? 이거 너무 어렵지? 한 460TW 정도 쓰고 있습니다. 500TW까지. 우리 대한민국이 지금 쓰고 있는 전력 소비량하고 비슷비슷한 수준의 전력을 전 세계에 있는 데이터 센터가 쓰고 있어요. 근데 앞으로 3, 4년 뒤에 얼마가 더 늘어나갈 거로 보고요. 그게 이제 어느 정도 여러분 계산해 보면 알지만은 460을 25,000으로 나누면 약 2% 나와요. 전 세계 쓰고 있는 전력이 한 2% 정도 전력이 지금 현재 데이터 센터 전력에 들어가고 있는 거예요. 근데 앞으로 3년 뒤에 이게 몇 배로 늘어나냐면요. 세 배로 늘어난다 그럽니다. 이렇게 빨리 전력 소모량이 늘어나는 산업은 없습니다. 굉장히 빠른 속도로 이 데이터 센터의 전력 소모량이 늘어나고 있어요. 왜 그렇게 될까요? 왜 이렇게 데이터 센터의 전력 소비량이 급속도로 3년 사이에 지금 460TW 하던 게 약 1000TW 이상, 우리나라의 전력 소비량을 초과하는 정도로 가게 될까요? 왜냐면 AI 데이터 센터라는 것이 그냥 그 데이터 센터 자체의 어떤 두뇌만을 위해서 쓰는 것이 아니고 이 AI 산업이 모든 산업에 근간이 되기 때문에 그런 겁니다. AI가 없는 모빌리티를 우리가 생각할 수 없고, AI가 없는 에너지 인프라스트럭처를 생각할 수가 없고, AI가 없는 이제 앞으로 질병 치료도 생각할 수 없고, AI가 없는 뭐 앞으로 아까 우리 학생이 그 저 저 재료 분석 얘기를 하던데 요즘은 재료 발굴 할 때도 머신 러닝 테크놀로지가 쓰여요. AI가 없는 소재 개발도 생각할 수가 없고, AI가, AI 그 자체가 아니고요. AI가 우리가 하는 모든 선진 산업에 근간을 지금 바꾸고 있는 거예요. 그렇기 때문에 이렇게 빠른 속도로 증가하고 있는 것이죠. 근데 그러면 여러분들이 뭐 AI 관심 있을지 모르지만 그러면 AI 그 알고리즘 자체를 개발하는 사람이 많이 필요할까요? 아니면 AI를 사용하는 사람이 많이 필요할까요? AI 자체를 개발하는 사람이 한 명이라 그러면 AI를 활용해서 세상을 바꾸는 사람은 만 명이 필요한 겁니다. 그 그걸 우리가 뭐라 그러냐면 도메인 널리지를 가지고 AI를 활용하는 인력이라고 표현합니다. 우리 켄텍이 바로 그 AI 자체를 개발하는 인력도 어 육성하지만 AI를 툴로 써 가지고 우리가 앞으로 개발해야 되는 무탄소 또는 탈탄소 에너지 분야라고 불리는 수소, 에너지 신소재, 차세대 전력망, 원자력 에너지, 또 탄소 중립 기술, 이런 기술을 개발하고 또 사람이 필요한데 거기에 전부 어떤 툴이 들어가냐면 AI 툴이 들어가서 AI 툴을 마치 써서 세상을 바꾸는 인재를 만드는 것이 우리 켄텍입니다. 데 이러한 그 교육 과정을 어 전 세계에서 이렇게 특화돼 가지고 제공해 주는 데는 제가 알기로는 없습니다. 우리 켄텍이 그래서 세계 유일의 에너지 특화 공과대학인 겁니다. 그래서 여러분들이 저 지금 다 고등학생들로 알고 있는데 어 앞으로 여러 가지 생각도 많이 하시겠지만은 내가 정말 AI에 이렇게 관심이 있고 또 특히 그 에너지 분야에서를 쓰고 싶고 그래서 내가 그쪽 분야의 어떤 새로운 기업을 창업하고 싶고 또 이쪽 분야에서 세계적인 학자가 되고 싶다 하면 이제 과감하게 말씀드린 것이 어 켄텍처럼 그런 좋은 환경을 제공하는 그 대학은 우리 대한민국에 없다. 예. 제가 교육 과정 얘기를 우리가 했는지 모르겠습니다만 우리 켄텍의 학생들은 전국 어느 공과대학에서도 들을 수 없을 정도의 AI 기초 훈련을 체계적으로 받게, 이게 교과 과정이 설계가 돼 있습니다. 조금 부족한 부분을 지금 내년부터 더 보완을 해 가지고 더 강화할 계획이에요. 근데 그 거기에 접근하는 여러분들은 뭐냐면 AI 자체가 관심 있는 학생도 좋아요. 그러나 아까 우리 여러 학생들이 발표했듯이 다른 도메인 널리지를 확실하게 내가 가지고 있으면서, 예를 들어 내가 수소 분야의 전문가 분야를 하면서 얘를 내 마음대로 쓸 수 있는 그런 사람이 더 많이 필요하거든요. 그래서 그런 저 양쪽의 어 인재를 육성할 수 있고 그런 걸 하기 위한 교과 과정을 우리가 제공하고 있습니다. 그래서 어 제가 듣기로 아까 입학센터 듣기로 오는 학생들이 그 이 여러 학교의 에너지 동아리 학생들도 많이 있는 걸로 어 알고 있거든요. 그래서 제 개인적인 욕심입니다만은 여러분들 중에서 이제 많은 학생들이 저희 켄텍에 좀 지원을 해 주시고 노크를 해 주시고 내년에 입학식 때 여러분들 얼굴 제가 다 지금 AI로 지금 기억하고 있습니다. 제, 그래서 여러분들 그 이미지를 다 AI로 분석하고 있는데 내년 입학식에서 많이 만날 수 있기를 바라겠습니다. 오늘 너무 수고하셨고 어 내년 3회째 또 뵙도록 하겠습니다. 감사합니다.

네. 좋은 말씀해 주신 박진호 총장 직무 대행님께 큰 박수를 부탁드립니다. 이상으로 사진 촬영을 제외한 2025 캠텍 심포지엄, 서스테이너블 에너지 트랜지션의 행사를 모두 마치려고 합니다. 마지막 사진 촬영이 남아 있으니 잠시 기다려 주시면 감사하겠습니다. 오늘 심포지엄에서는 컴퓨팅 더 퓨처 에너지 트랜지션이라는 주제를 중심으로 신소재 개발에서부터 차세대 전력망 그리고 우리 대학생들의 실제 프로젝트에 대한 폭넓은 내용을 함께 다루었습니다. 본 행사가 여러분과 같은 미래의 과학자들이 어떤 방향으로 나아갈 수 있을지에 대한 실체적인 영감을 얻는 시간이 되었기를 바랍니다. 바쁘신 와중에도 함께 해 주신 발표자 여러분, 관계자분들 그리고 많은 참가자분들께 감사드립니다. 특히 먼 곳에서 오신 고등학생 여러분들에게도 깊이 감사드립니다. 무엇보다 오늘 행사 준비하느라고 수고하신 한국 에너지 공과대학교 학생 홍보단 캔들러 여러분들에게도 깊은 감사를 드립니다. 오늘의 경험이 여러분 각자의 미래 여정에 깊이 있는, 의미 있는 여정이 되기를 깊이 염원해 봅니다. 이상으로 기념 촬영 후 행사를 모두 마치도록 하겠습니다. 감사합니다. 저희 기념 촬영은 앉은 자리에서 저희가 객석을 해서 앉은 자리에서 촬영을 하겠습니다. 사이드 쪽에 앉으신 분들은 좀 가운데 쪽으로 같이 앉아 주시고요. 저희가 맨 앞쪽에는 현수막을 같이 들 거고요. 그 뒤로 같이 나오게 사진을 현재 촬영할 예정입니다. 옆쪽에 앉으신 분들께서 좀 가운데, 그 가운데 블록 앞쪽 가운데 쪽으로 조금 와 주시면 자리가 좋을 것 같습니다. 사진 촬영하고 저희 행사 모두 마치도록 하겠습니다. 자, 앞에 현수막 잘 준비해 주시고요. 사진 찍을 때 크게 웃으면서 사진 찍을 수 있게끔 많이 도와주시면 감사하겠습니다. 오늘 긴 시간 함께 해 주신 모든 분들께 깊이 감사드립니다. 마지막 사진 촬영하고 마치도록 하겠습니다. 자, 오늘 행사 준비해 주시느라 수고하신 학생 홍보단 분들도 사진 촬영할 때 같이 자리해 주시고요. 저희 사진 촬영하도록 하겠습니다. 네. 자, 더 오실 분 없으십니까? 네. 자, 자리에 좀 앉아 주시고요. 자, 사진 촬영하도록 하겠습니다. 자, 현수막 잘 보이게 좀 준비를 해 주시고, 네, 자리에 좀 앉아 주시길 바랍니다. 자, 모두 앉으신 거 같으니까 사진 촬영하도록 하겠습니다. 자, 사진 찍겠습니다. 하나, 둘, 셋. 총장 대님, 혹시 포, 네. 총장 대님, 포즈 하나 하십니까? 포즈 하나 하십니까? 네. 하트 하신다고 하십니다. 손하트 같이 해 주시면 감사하겠습니다. 자, 사진 한 번만 다시 찍겠습니다. 손하트 하면서 사진 찍겠습니다. 하나, 둘, 셋. 하나, 둘, 파이팅 한번 해 볼까요? 파이팅. 마지막으로 하겠습니다. 대님이 좀 외쳐 주시죠. 아, 네. 제가 하겠습니다. 자, 외치겠습니다. 하나, 둘, 셋, 파이팅 해 주십시오. 하나, 둘, 셋. 파이팅. 네. 감사합니다. 이상으로 행사 모두 마칩니다. 니다.