[2505 3월 CACM] 생물다양성 위기의 비즈니스 기회: AI로 ESG 경영과 수익성 동시 달성하기
Artificial Intelligence as Catalyst for Biodiversity Understanding.
Santos, Charles Morphy D., Gois, João Paulo (AUTHOR)
Communications of the ACM. Mar2025, Vol. 68 Issue 3, p27-29. 3p.
CEO 인사이트
AI를 생물다양성 보전과 ESG 경영에 활용하여 공급망 리스크를 예측할 수 있습니다. 생성형 AI를 활용하여 자연 기반 솔루션으로 신규 수익원을 창출하되, 데이터 표준화와 지역 커뮤니티 협력을 통해 지속가능한 경쟁우위를 확보할 수 있습니다. AI 기술 동향에 관심을 가져야 하는 이유입니다.
핵심 테마 및 아이디어
1. 알려지지 않은 생물다양성의 규모와 중요성
지구상에 약 1억 종의 생물이 존재할 것으로 추정되지만, 공식적으로 기술된 종은 약 200만 종에 불과합니다.
"To a somewhat shocking degree, we do not even know what we do not know." (어느 정도 충격적으로, 우리는 우리가 모르는 것을 알지 못합니다.)
이 알려지지 않은 생물다양성을 이해하는 것은 의약 및 의료 산업을 포함한 경제적 자산이 될 수 있으며, 생물다양성을 지속 가능하게 탐험할 수 있는 딥 테크 기업의 초석 역할을 할 수 있습니다.
2. AI의 잠재력과 함께 제기되는 우려
AI는 지구의 환경 문제를 손쉽게 해결하는 만능 해결책이 아닙니다.
일부 학계, 특히 자연 과학 분야에서는 여전히 AI에 대한 열정적이고 디스토피아적인 예측이 존재하며, 인간 창의성에 대한 실존적 위협으로 간주하기도 합니다.
정보통신 기술이 요구하는 탄소 배출 및 물 사용 증가에 대한 환경 비용 우려도 있습니다.
그러나 저자는 이러한 관점들이 생물다양성 연구에 AI를 활용하는 장점을 간과하고 있다고 지적합니다.
3. 생물다양성 위기 해결을 위한 협력의 필요성
종 감소의 "재앙적인 시나리오인 인류세"에서 컴퓨터 과학자와 생물학자는 지구의 생물상에 대한 더 깊은 이해를 위해 함께 일해야 합니다.
환경 문제 해결에는 주요 기업과 학술 연구 그룹의 협력이 필요합니다.
이는 "양방향 경로"입니다. 생물학자, 생태학자, 식물학자, 동물학자의 요구를 충족하는 AI 개발과 동시에, AI 기반 도구를 과학적 목적에 효과적으로 학습시킬 수 있는 최소한의 종 데이터셋 표준화(종 기술 템플릿, 지리 참조, 분자 마커, 메타데이터)가 필요합니다.
4. 생물 분류학 AI의 적용
생물 분류학은 기술 사용의 오랜 역사를 가지고 있습니다 (예: 소프트웨어, 디지털 사진, DELTA 시스템).
오늘날 생물학자의 작업 흐름은 "전통적인 방법과 기술 발전의 역동적인 조화" (a dynamic blend of traditional methods and technological advancements)입니다.
심층 학습 및 컴퓨터 비전은 이미지 기반 분류학적 식별을 검증하고 데이터베이스를 개발하는 데 이미 상당한 진전을 이루었습니다.
convolutional neural networks (CNNs) 및 random forests와 같은 기계 학습 접근 방식은 패턴 인식 및 종 식별에 도움이 되었습니다.
Vision Transformer (ViT) 방법도 탐색 중입니다.
하지만 현재의 생물학 분야 계산 접근 방식과 생성형AI 연구의 최첨단 사이에는 격차가 존재하며, 이는 추가적인 발전의 여지를 시사합니다.
5. 생성형AI의 잠재력과 한계
생성형AI는 사진 및 일러스트레이션 이후의 반자동 종 기술, 메모 및 단순 시트에서 추출한 정보로 구성된 구조화된 분류학 논문 준비, 진화 및 계통 발생 분석을 위한 특성 목록 구성에 흥미로운 기회를 제공합니다.
하지만 ChatGPT 및 Bard/Gemini와 같은 일부 인기 있는 LLM 기반 AI 도구는 과학적으로 정확한 결과를 얻을 만큼 충분히 미세 조정되지 않았습니다.
현재 세대의 LLM은 이미지에서 형태학적 신체 패턴을 식별할 수 있지만, 특히 곤충과 같이 가장 다양한 생물군에서 특정 개체가 인식된 종에 속하는지 명확하게 판단할 수는 없습니다.
6. AI 도구의 신뢰성 및 인간 oversight의 중요성
표준 분류 절차에서 사용되는 이분법적 식별 키(dichotomous identification keys)는 시간이 많이 소요되고 오류가 발생하기 쉽습니다.
AI 도구가 인간 분석가 간의 변동성에 덜 취약하다면 분류학에 큰 영향을 미칠 수 있습니다.
생물학자들은 AI의 신뢰성에 대해 여전히 신중한 태도를 보이며, 자동화된 과정에서의 오류 및 부정확성 가능성에 대한 우려가 남아 있습니다.
"The fear of an AI mishap leading to flawed taxonomy and subsequent academic repercussions" 분류학 오류로 인한 AI 사고에 대한 두려움과 그에 따른 학문적 파장은 명백합니다.
"Any technological tool aimed at revolutionizing biodiversity studies must balance automation and human oversight, ensuring accuracy, reliability, and user trust." (생물다양성 연구에 혁명을 일으키는 것을 목표로 하는 모든 기술 도구는 자동화와 인간 oversight의 균형을 맞춰 정확성, 신뢰성 및 사용자 신뢰를 보장해야 합니다.)
7. 종 기술 및 진화 연구에 대한 AI의 영향
새로운 종을 처음부터 기술하는 것은 더욱 복잡한 작업입니다. AI 기반 도구가 이미지에서 패턴을 인식하고, 알려진 종과 비교하며, 새로운 종을 식별하고, 구조화된 분류학적 기술을 생성하는 데 도움이 된다면, 특히 생물학 전문가가 부족하고 기초 연구 자금이 부족한 국가에서 생물상 인식을 크게 가속화할 수 있습니다.
생성형AI에 의한 데이터 증강은 기술된 종의 형태학적 패턴 인식을 기반으로 모델 학습을 위한 새로운 데이터를 생성하고, 지구 생명 기원 이후 40억 년 동안 발생한 중요한 진화적 전환을 설명하는 데 도움이 될 수 있는 가상 종을 제안함으로써 진화 연구에 중요한 역할을 할 수 있습니다.
8. 교육 및 미래 전망
분류학 연구의 대부분은 컴퓨터 앞에서 이루어지므로 차세대 생물학자 교육은 AI의 보편성을 고려해야 합니다.
인류세는 인간 문명에 전례 없는 도전을 제시하며, 기후 변화의 결과로 인한 자연 환경에 대한 악영향에 대처하기 위해 분류학의 효율성을 높이는 것이 중요합니다.
AI는 생물학적 맥락을 이해해야만 생물다양성 관련 문제를 해결하는 데 효과적일 수 있습니다. 대규모 데이터셋을 학습시키고 매력적인 방법을 게시하는 것만으로는 충분하지 않습니다.
AI에 대한 논의는 기술적 발전만을 넘어설 필요가 있습니다. 우리는 AI가 자연계를 이해하고 보존하려는 우리의 추구를 방해하는 장벽이 아니라 다리가 되도록 해야 합니다.
결론
본 논문은 생물다양성 이해 및 보존을 위해 AI를 활용하는 것이 시급하고 유망한 기회임을 강조합니다. 그러나 성공적인 통합은 기술 개발과 생물학적 전문 지식의 긴밀한 협력, 데이터 표준화, 그리고 AI 도구의 신뢰성과 인간 oversight의 균형 유지가 필수적입니다. AI는 만능 해결책이 아니며, 그 잠재력을 최대한 발휘하려면 생물학적 맥락에 대한 깊은 이해가 뒷받침되어야 합니다. 궁극적으로 AI는 인류세에 우리가 직면한 심각한 환경 문제에 대처하는 데 있어 중요한 촉매제가 될 수 있습니다.
묻고 답하기
1. 인공지능(AI)은 생물다양성 이해에 어떤 기여를 할 수 있나요?
AI는 광대하고 다양한 데이터 소스를 분석하여 생태계 보존 및 생물다양성 설명을 혁신하는 데 사용될 수 있습니다. 이는 화석화된 삼엽충 및 멸종된 공룡의 집합체부터 단일 곤충 날개의 수많은 형태학적 속성에 이르기까지 다양한 데이터를 포함합니다. 딥 러닝 및 컴퓨터 비전은 이미지 기반 분류학적 식별을 검증하고 공개 및 큐레이션된 참조 데이터베이스를 개발하는 데 이미 활용되고 있으며, 이는 생물 분류학 분야에서 상당한 진전을 이루었습니다.
2. AI를 생물다양성 연구에 활용하는 데 어떤 어려움이 있나요?
AI를 생물다양성 연구에 적용하는 데는 여러 가지 어려움이 있습니다. 첫째, 모든 환경 문제를 AI가 쉽게 해결할 수 있는 만능 해결책은 아닙니다. 둘째, 일부 학계에서는 AI에 대한 우려와 회의적인 시각이 존재하며, 인간의 창의성에 대한 실존적 위협과 정보통신 기술로 인한 환경 비용 증가에 대한 우려가 있습니다. 셋째, 생물학 연구의 특수성과 미묘한 차이를 인식하고 이해하는 개발자들이 부족하며, 정확하고 신뢰할 수 있는 결과를 보장하기 위해 인간의 감독과 오류 수정이 여전히 필요합니다.
3. 생물 분류학에서 AI 통합의 현황은 어떻습니까?
생물 분류학자들은 전통적인 방법과 기술적 발전의 동적인 조화를 이루고 있습니다. 현장 연구, 표본 채집, 수동 식별과 같은 핵심 원칙은 여전히 중요하지만, 디지털 도구 통합으로 프로세스가 간소화되고 향상되었습니다. 컴퓨터 지원 분류 도구는 1970년대부터 사용되어 왔으며, 현재는 DELTA와 같은 시스템으로 발전하여 컴퓨터 처리를 위한 종 설명을 인코딩하는 데 사용됩니다. 특히 딥 러닝 및 컴퓨터 비전과 같은 AI 기술은 이미지 기반 분류학적 식별, 패턴 인식, 종 식별 및 참조 데이터베이스 개발에 사용되고 있습니다.
4. AI는 종 식별 프로세스를 어떻게 개선할 수 있습니까?
정확하고 효율적인 AI 도구가 개발된다면 종 식별 프로세스에 큰 영향을 미칠 수 있습니다. 표준 분류학적 절차에서 생물학자들은 현미경 관찰을 기반으로 이분법적 식별 키를 사용하여 표본을 분류합니다. 이는 시간이 많이 소요되고 오류 발생 가능성이 있습니다. AI 도구는 패턴을 인식하고, 알려진 종과 비교하며, 새로운 종을 식별하고, 구조화된 분류 설명을 생성하여 이 프로세스를 가속화하고 인간 분석가 간의 변동성을 줄일 수 있습니다.
5. 생물다양성 이해를 위해 컴퓨터 과학자와 생물학자의 협력이 왜 중요합니까?
우리가 겪고 있는 생물다양성 위기에 효과적으로 대처하기 위해서는 컴퓨터 과학자와 생물학자의 협력이 필수적입니다. 전 지구적 환경 문제 해결에는 주요 기업과 학술 연구 그룹의 협력이 필요합니다. 이는 양방향 경로입니다. 우리는 생물학자, 생태학자, 식물학자, 동물학자의 요구를 충족하는 AI 개발과 동시에 과학적 목적으로 AI 기반 도구의 효과적인 훈련을 허용하는 최소한의 종 데이터셋 표준화가 필요합니다. 개발자는 생물학 연구의 특수성과 문제의 규모를 이해해야 합니다.
6. 생물다양성 연구에서 생성형 AI(GenAI)의 잠재력은 무엇입니까?
생성형 AI(GenAI)는 생물다양성 연구에서 흥미로운 기회를 제공합니다. 사진 및 삽화 이후 반자동 종 설명, 메모 및 간단한 시트에서 추출한 정보로부터 구조화된 분류 논문 준비, 진화 및 계통 발생 분석을 위한 형질 목록 작성에 활용될 수 있습니다. 생성형AI에 의한 데이터 증강은 알려진 종의 형태학적 패턴 인식을 기반으로 모델을 훈련시키고 지구상 생명의 기원 이후 40억 년 동안 일어난 중요한 진화적 전환을 설명하는 데 도움이 될 가상의 종을 제안하기 위해 새로운 데이터를 생성하는 데 중요한 역할을 할 수 있습니다.
7. 생물학자는 AI 도구의 신뢰성에 대해 어떤 우려를 가지고 있습니까?
진전에도 불구하고 생물학자들은 AI의 신뢰성에 대해 여전히 신중하게 접근합니다. 자동화된 프로세스에서 오류 및 부정확성의 가능성에 대한 우려가 남아 있습니다. AI 사고가 잘못된 분류와 그에 따른 학문적 파급 효과를 초래할 수 있다는 두려움이 있습니다. 자동화와 인간 감독 사이의 균형은 정확성, 신뢰성 및 사용자 신뢰를 보장하는 데 필요합니다.
8. 생물다양성 연구에서 AI의 미래 방향은 무엇입니까?
생물다양성 연구에서 AI의 미래는 기술 발전과 생물학 분야의 요구 사항을 더 잘 이해하려는 노력을 모두 포함합니다. 현 세대 LLM이 아직 과학적으로 정확한 결과를 제공할 만큼 충분히 미세 조정되지 않았다는 점을 고려할 때, AI 연구의 최첨단과 생물학 분야의 현재 계산 접근 방식 사이의 격차를 해소할 여지가 충분합니다. 차세대 생물학자 훈련은 AI의 보편성을 고려해야 하며, 자동화와 인간 감독 사이의 균형을 유지하는 도구 개발에 중점을 두어야 합니다. 또한, 방대한 데이터셋을 훈련하고 매력적인 방법론을 출판하는 것 이상으로, 생물학적 맥락과 문제의 규모를 이해하는 데 초점을 맞춰야 합니다.
주요 용어
- 생물다양성 (Biodiversity): 특정 지역이나 지구 전체에 존재하는 생명체의 다양성. 종의 다양성, 유전적 다양성, 생태계 다양성을 포함합니다.
- AI (Artificial Intelligence): 인간의 학습 능력, 추론 능력, 지각 능력 등을 컴퓨터 프로그램으로 실현한 기술입니다.
- 분류학 (Taxonomy): 생명체를 식별하고, 기술하고, 명명하고, 분류하는 과학 분야입니다.
- 생성형AI (Generative AI): 텍스트, 이미지, 코드 등 새로운 콘텐츠를 생성할 수 있는 AI 모델입니다.
- LLMs (Large Language Models): 대규모 텍스트 데이터 세트로 학습된 AI 모델로, 인간과 유사한 텍스트를 이해하고 생성할 수 있습니다. (예: ChatGPT, Bard/Gemini)
- 딥 러닝 (Deep Learning): 인공 신경망을 깊게 쌓아 올려 복잡한 패턴을 학습하는 기계 학습의 한 분야입니다.
- 컴퓨터 비전 (Computer Vision): 컴퓨터가 이미지나 비디오로부터 정보를 추출하고 이해할 수 있도록 하는 인공지능 분야입니다.
- CNNs (Convolutional Neural Networks): 이미지 인식 및 처리 분야에서 주로 사용되는 딥 러닝 모델입니다.
- Vision Transformer (ViT): 이미지 처리 분야에서 트랜스포머 아키텍처를 활용하는 모델입니다.
- 이분법적 식별 키 (Dichotomous Identification Keys): 생물학자가 일련의 예/아니오 질문을 따라가며 유기체를 식별하는 도구입니다.
- Anthropocene: 인간의 활동이 지구 시스템에 상당한 영향을 미치기 시작한 지질 시대입니다. 이 문맥에서는 인간 활동으로 인한 환경 변화와 생물다양성 손실 시대를 의미합니다.
- DELTA (DEscription Language for TAxonomy): 컴퓨터 처리를 위한 종 기술을 인코딩하기 위해 개발된 시스템입니다.
- 데이터 증강 (Data Augmentation): 기존 데이터 세트를 변형하여 새로운 학습 데이터를 생성하는 기법으로, 모델의 성능을 향상시키는 데 사용됩니다.