인공지능대학원

UNIST가 조선업의 AI 전환(AX, AI Transformation)을 이끌 초거대 산업 AI 개발 연구에 본격 착수한다. 이번 연구는 인공지능대학원, 산업공학과, 컴퓨터공학과, 기계공학과, 경영과학부 등 다양한 학과 교수진이 참여하는 대규모 융합 연구로 추진된다. 과학기술정보통신부 ‘초거대산업 AI연구지원사업’에 조선 분야로 도전하여 최종 선정된 이번 연구는 총 403억원(국비 285억원, 시비 25억원, 기업부담금 93억원) 규모로 추진되며, 조선소에서 생성되는 데이터를 기반으로 산업 특화 초거대 AI를 개발하고 실제 현장에 적용하는 것을 목표로 한다. 이번 프로젝트는 총 6개 세부과제로 구성되며, 각 분야별 UNIST 교수진이 참여해 조선 산업 전반의 AI 혁신을 이끌 계획이다. 먼저 ‘산업 도메인 특화 멀티모달 초거대 AI 모델 개발’ 과제에는 반도체 소재·부품 대학원의 김성엽 교수를 비롯해 인공지능대학원 나승훈, 장영수, 백승렬, 김태환 교수와 기계공학과 정하영 교수가 참여해 조선업 특화 멀티모달 AI 파운데이션 모델 개발을 담당한다. 이 파운데이션 모델은 조선소에서 생성되는 다양한 데이터를 통합 학습하는 핵심 엔진으로, 이후 데이터셋 구축, 플랫폼 개발, 공정 최적화 및 현장 실증 등 전 세부과제의 기반 기술로 활용된다. ‘지능형 AI 처리·학습 플랫폼 기술 개발’ 과제에는 인공지능대학원 윤성환, 심재영, 이연창 교수와 산업공학과 박새롬 교수, 컴퓨터공학과 위성일 교수가 참여해 대규모 산업 데이터를 효율적으로 처리·학습할 수 있는 산업 데이터 학습 플랫폼 구축에 나선다. 또한 ‘산업 도메인 특화 데이터셋·합성 기술 개발’ 과제에는 인공지능대학원 양승준, 김지수, 이연창 교수가 참여해 효율적이고 범용적인 AI 모델 학습을 위한 실제 데이터의 한계를 보완하고 다양한 상황을 포괄할 수 있는 합성데이터 생성 연구를 진행한다. ‘제조·예지보전 및 공정 최적화 기술 개발’ 과제에는 산업공학과 김영대, 김성일, 나형호, 임동영, 임치현 교수와 컴퓨터공학과 김정훈 교수, 인공지능대학원 최진영 교수, 기계공학과 하준형 교수가 참여해 조선업 특화 파운데이션 모델을 기반으로 설계-중일정 계획 공정을 연계한 자동화·최적화 기술을 개발한다. 또한 협동로봇의 예지보전과 지능화된 운용체계 구축도 함께 추진할 계획이다. 이와 함께 ‘산업 도메인 특화 온디바이스 AI 기술 개발’ 과제는 컴퓨터공학과 공태식 교수, 이종은, 황랑기 교수가 맡아 조선 도메인 특화 적응·경량·최적화된 온디바이스 AI 기술을 개발하며, ‘산업 도메인 특화 멀티모달 초거대 AI 서비스 실증’ 분야에는 경영과학부 서병기 교수와 기계공학과 김남훈 교수가 참여해 개발된 기술의 산업 현장 적용과 확산을 담당한다. 이번 연구는 학과 간 경계를 넘는 융합 연구 체계를 기반으로 추진된다는 점에서 의미가 크다. 인공지능 기술 개발뿐 아니라 산업공학 기반의 최적화, 컴퓨터공학 기반 시스템 구현, 기계공학 기반 현장 적용, 경영과학 기반 실증 및 확산까지 전주기를 아우르는 연구 구조가 특징이다. 또 HD현대중공업, HD한국조선해양, 크라우드웍스와의 협력을 통해 산업 현장의 실제 데이터를 기반으로 연구가 진행되며, 개발된 기술은 현장에 적용·검증되는 실증 중심 연구로 추진된다. 대규모 언어모델(LLM) 전문가로서 이번 세부 과제 간 조율을 맡은 나승훈 교수는 “이번 사업은 산업 특화 AI 파운데이션 모델과 응용기술을 개발하는 데 의미가 있다”며 “앞으로 생산계획, 공정, 품질 관리 등 피지컬 AI를 포함한 조선 산업 전반의 AI 전환을 이끄는 중요한 기반이 될 것”이라고 밝혔다. 이어 “이를 통해 제조 산업 AI 분야에서 UNIST의 연구 수월성을 입증해 나가겠다”고 덧붙였다. 한편, UNIST 연구처는 이번 사업을 연구몰입환경 구축을 위한 '연구행정 Pre-Award 시범사업'으로 선정하여 과제 기획, 예산 편성, 자료 작성 및 취합 등 연구자가 대형과제를 수주하는 데 필요한 행정 지원을 수행하였다. 앞으로도 연구 수월성 제고를 위한 UNIST만의 R&D매니지먼트 모델을 정립하고 연구행정 선진화를 선도해 나갈 계획이다.

AI는 보이지 않게 심어진 신호 하나로 위험한 답을 내놓기도 한다. UNIST 연구진이 이런 숨은 조작을 걷어내는 해법으로 국제 무대에서 성과를 냈다. 산업공학과·인공지능대학원 박새롬 교수와 인공지능대학원·전기전자공학과 윤성환 교수 공동 연구팀은 지난 23일부터 25일까지 독일 뮌헨에서 열린 국제전기전자공학회(IEEE) 보안·신뢰 기계학습 학회(Security and Trustworthy Machine Learning, SaTML)의 ‘사후학습 대규모 언어모델 백도어 방어 챌린지(Anti-Backdoor Challenge for Post-Trained Large Language Models, Anti-BAD)’에서 2위를 차지했다. 연구팀은 생성, 분류, 다국어 등 서로 다른 과제에 두루 적용할 수 있는 범용 공격 완화 기법을 제시해 호평을 받았다. 보안·신뢰 기계학습 학회(SaTML)는 인공지능 보안 연구를 중심으로 열리는 IEEE 주관 국제 학술대회다. 올해로 4회째를 맞은 이 학회는 인공지능 모델을 위협하는 각종 공격과 이를 막는 방어 기술을 발표하고 논의하는 장으로 자리 잡았다. 관련 기술 경연대회도 매년 활발히 열리며, 글로벌 AI 안전성 연구 경향을 가늠하는 무대로 통한다. 사진 왼쪽부터 인공지능대학원 하승범, 산업공학과 윤지은·권기완 연구원. 이번 연구에는 박새롬, 윤성환 교수를 비롯해 윤지은(산업공학과 석박사통합과정), 권기완(산업공학과 석사과정), 하승범(인공지능대학원 석박사통합과정) 연구원이 참여했다. 백도어 공격은 인공지능 모델이 특정 결과를 내놓도록 몰래 심는 조작 기법이다. 평소에는 정상적으로 작동하지만, 특정 단어나 문장 같은 ‘트리거’가 입력되면 의도된 반응을 보이도록 만드는 방식이다. 대규모 언어모델(LLM)처럼 복잡한 모델도 소수의 공격 데이터와 짧은 미세조정만으로 오염될 수 있어, 인공지능 안전성을 흔드는 대표적 위협으로 여겨진다. 이번 안티-배드(Anti-BAD) 챌린지는 이처럼 서로 다른 목적에 맞춰 미세조정된 LLM에 숨어 있는 트리거의 영향을 최소화해, 공격받지 않은 것과 같은 안전한 모델을 확보하는 방어법을 겨루는 대회였다. 생성 과제 2개, 분류 과제 2개, 다국어 과제 2개가 제시됐고, 각 과제마다 3개씩의 LLM 모델이 주어졌다. 참가팀은 모델 구조와 과제 유형 전반을 아우를 수 있는 범용 방어 기법을 내놔야 했다. UNIST 공동 연구팀의 핵심 기술은 ‘모델 양자화(model quantization)’, ‘모델 병합(model merging)’, ‘이상치 매개변수 탐지(outlier parameter detection)’, ‘과신뢰 방지(overconfidence mitigation)’를 결합한 전략이다. 생성 과제에서는 같은 작업을 수행하는 모델이라도 백도어가 심어진 양상이 서로 달랐다. 연구팀은 먼저 모델 양자화 과정에서 생기는 미세한 흔들림으로 숨어 있던 백도어 신호를 흐트러뜨렸다. 이어 여러 모델이 공통적으로 유지하는 정보만 남기는 합의 기반 모델 병합 기법을 적용해 악의적 반응을 약화시켰다. 분류와 다국어 과제에서는 접근법을 달리했다. 정상적으로 학습된 모델과 백도어가 삽입된 모델을 비교해 비정상적으로 바뀐 부분을 찾아 영향력을 줄였다. 여기에 입력 데이터에서 수상한 단어를 걸러내고, 모델이 틀린 답에도 지나치게 확신하지 않도록 조정하는 절차를 더해 빠르면서도 효과적으로 백도어를 완화했다. 대회에 참여한 윤지은 연구원은 “공격 데이터셋이나 방법에 대한 아무런 사전 정보 없이 최소한의 접근만으로도 대규모 언어모델의 악의적 사용을 효과적으로 막을 수 있는 방어법을 개발할 수 있다는 가능성을 확인한 기회였다”며 “이번 성과를 발판으로 인공지능 모델이 국민들에게 배포되기 전 악의적인 행동을 사전에 차단하고, 안전하고 믿을 수 있는 인공지능 사용 환경을 만드는 데 힘을 보태겠다”고 말했다.

UNIST 대학원생 4명이 ‘제32회 삼성휴먼테크논문대상’에서 금상 1명, 은상 1명, 동상 2명의 수상 결과를 거두며, 탁월한 연구 경쟁력을 입증했다. UNIST는 2015년 이후 매년 수상자를 배출해 기초과학부터 응용기술에 이르기까지 폭넓은 연구 업적을 이어가고 있다. 금상은 에너지화학공학과 홍진기 대학원생(지도교수 송현곤)이 차지했다. 홍 연구원은 차세대 전지의 핵심인 전해질에 관행적으로 사용돼 온 희석제가 오히려 계면 반응을 저해할 수 있음을 규명했다. 분자 수준에서 구조를 정밀 제어하는 방식으로 해결의 실마리를 찾은 것이다. 이 기술은 희석제를 표면에서 배제하는 계면 정화 메커니즘을 통해 전지의 고에너지 밀도와 수명 안정성을 높였다. 그는 “연구의 방향성을 믿어준 동료들과 지도교수님께 깊이 감사드리며, 이번 수상을 계기로 상용화에 기여하는 완성도 높은 기술 개발에 매진하겠다”고 전했다. 은상은 신소재공학과 신미라 대학원생(지도교수 차채녕)에게 돌아갔다. 신 연구원은 서로 다른 폐폴리에스터를 분해·정제 과정 없이도 하나의 공정으로 고부가가치 생분해성 TPEE(열가소성 폴리에스터 엘라스토머)로 전환하는 업사이클링 기술을 선보였다. 복잡한 전처리 없이 다양한 폐플라스틱을 한 번에 재활용할 수 있는 길을 연 셈이다. 신 연구원은 “이번 수상은 연구 과정에서의 고민과 노력을 인정받은 결과라고 생각한다”며 “이를 계기로 지속가능한 소재 개발에 대한 책임감을 가지고 앞으로도 성실히 연구에 임하겠다”고 말했다. 동상은 에너지화학공학과 장유진 대학원생(지도교수 고현협)과 인공지능대학원 한승오 대학원생(지도교수 주경돈)이 각각 수상했다. 장 연구원은 생분해성 소재 기반의 인공 시냅스를 개발했다. 키토산·구아검 기반의 이온이동층과 셀룰로오스 아세테이트 기반의 이온결합층을 적층해 이온–쌍극자 결합 기반 시냅스 동작을 구현했다. 이 기술로 일반 전자기기 소비전력의 수십억 분의 1 수준인 0.85 fJ의 초저전력 구동과 최대 5,944초의 장기기억 유지를 동시에 달성했다. 서로 다른 생분해성 재료를 이중 구조로 설계해 내구성과 안정성을 끌어올린 결과다. 장 연구원은 “이번 연구는 생분해성 소재의 고내구성 확보를 통해 적용 가능성을 확장했다”며 “본 연구의 초저전력·장기기억형 인공 시냅스가 차세대 뉴로모픽 소자 개발에 기여하길 기대한다”고 밝혔다. 한승오 연구원은 기존 3차원 실내 공간 복원 연구가 양질의 데이터에 의존해야 했던 한계를 짚었다. 이를 극복하기 위해 파노라마 형식의 영상만으로 정밀한 3D 공간 복원이 가능하도록 하는 새로운 접근법을 구현해냈다. 그는 “후회되지 않게 매순간 최선을 다해 준비했다”며 “좋은 연구를 수행할 수 있게 지도해 주신 교수님과 함께 동고동락하는 연구실 동료 덕분에 좋은 결실을 맺을 수 있었다”고 고마움을 표했다. 박종래 총장은 “이번 수상은 UNIST 학생 연구자들이 연구 현장에서 축적해 온 역량과 잠재력을 보여주는 성과”라며, “앞으로도 차세대 연구 인재 양성을 위한 연구 환경 조성과 지원을 지속적으로 강화해 나가겠다”고 전했다. 한편, 삼성휴먼테크논문대상은 국내 최대 규모의 학생 논문대회로, 해마다 높은 경쟁률을 기록하며 수상 이력은 연구자의 학문적 역량을 입증하는 지표로 평가된다.

인공지능대학원 이현규 석·박사통합과정생(지도교수 윤성환)이 ‘퀄컴 이노베이션 펠로우십 코리아 2025(Qualcomm Innovation Fellowship Korea 2025, 이하 QIFK)’ 위너(Winner)로 선정됐다. 국내 대학 우수 연구팀들과 경쟁해 11대 1이 넘는 경쟁률을 뚫고 거둔 성과다. 지난 2020년을 시작으로 매년 진행되는 QIFK는 퀄컴의 핵심 가치인 혁신, 실행, 팀워크를 바탕으로 석사, 박사 과정에 있는 국내 이공계 학생들에게 연구 목표 달성을 위한 지원과 멘토링을 제공하는 학술 논문 경연 대회다. 이현규 학생은 이번 대회에서 'Winner' 명단에 이름을 올렸다. 올해 QIFK에는 총 134편의 논문이 접수됐으나 단 15편만이 선정돼 11.19% 합격률을 기록했다. 최종 선정된 논문은 모두 최근 1년 내 AI 분야 최우수(L1) 학회에 채택된 연구 성과로, 심사 기준이 엄격했다. 이현규 학생이 ‘경험 없이도 잘하는 강건한 강화학습 기법’ 연구 성과를 발표하고 있다. 이현규 학생이 제안한 ‘경험 없이도 잘하는 강건한 강화학습 기법’은 심사위원단의 높은 평가를 받았다. 기존 강화학습은 환경 변화에 대비하기 위해 인위적으로 다양한 상황을 만들어 학습시키는 방식을 주로 썼다. 가능한 모든 변수를 사전에 경험하게 하는 원리다. 반면 이현규 학생은 제한된 환경만 경험하더라도 ‘누적 보상의 민감도’를 낮추는 새로운 최적화 방식을 고안했다. 이를 통해 학습하지 않은 낯선 환경이나 돌발 상황에서도 AI가 성능 저하 없이 안정적으로 작동하도록 구현했다. 이 연구 성과는 세계 3대 AI 학회로 꼽히는 ‘ICLR 2025’에서 상위 약 1.8%에 해당하는 ‘구두 발표(Oral Presentation)’ 논문으로 채택되며 학술적 가치를 이미 인정받았다. 이번 선정으로 이현규 학생은 연구 장학금과 함께 퀄컴 연구진과의 기술 멘토링, 글로벌 연구자 네트워크 참여 기회를 얻게 된다. 역대 QIFK 수상자들은 현재 하버드대, MIT 교수나 구글 딥마인드 등 글로벌 빅테크 기업의 핵심 연구원으로 활동하고 있다. 이현규 학생은 “이번 연구가 ICLR 오럴 발표에 이어 퀄컴 펠로우십 위너로 선정되어 영광”이라며 “향후 높은 수준의 일반화 성능이 필수적인 로보틱스와 자율주행 분야 등에 활용될 수 있을 것으로 기대한다”고 소감을 전했다.

UNIST 교수 4명이 국내 공학기술 분야 최고 권위를 지닌 한국공학한림원 2026년도 신입 일반회원에 이름을 올렸다. UNIST는 이번 선정으로 건설환경공학, 화학생물공학, 기술경영정책, 컴퓨팅 등 공학 전반에서 연구 경쟁력을 다시 한번 입증했다. 한국공학한림원은 기업·대학·연구기관에서 연구 성과와 기술개발을 통해 국가 발전에 기여한 공학기술 전문가를 대상으로 회원을 선발한다. 후보 추천 이후 약 10개월에 걸친 다단계 심사를 통해 연구 성과와 기술의 학문적·산업적 파급력을 종합적으로 평가한다. 이번에 신입 일반회원으로 선정된 UNIST 교수는 △건설환경공학분과 신명수 교수(지구환경도시건설공학과) △화학생물공학분과 김진영 교수(에너지화학공학과) △기술경영정책분과 김영춘 교수(기술경영전문대학원) △컴퓨팅분과 심재영 교수(인공지능대학원) 등 4명이다. 이번 성과의 배경에는 연구자 개인의 우수성에 더해, 연구기획팀이 기관차원에서 신입회원 자격요건을 충족한 전임교원 200여 명을 대상으로 제도 취지와 절차를 안내하며 적극적인 독려도 한몫했다. 신명수 교수는 지속가능 건설기술과 내진공학 분야 연구자로, 인공지능(AI) 기반 내진 설계와 성능평가 기술을 발전시켜 왔다. 저탄소 고성능 건설재료 개발을 이끌었으며, 최근에는 3D 프린팅을 활용한 스마트건설 분야로 연구를 확장해 도시 기반시설의 지속가능성과 복원력 향상에 기여하고 있다. 김진영 교수는 차세대 태양전지와 광전자소자 분야 전문가다. 페로브스카이트 태양전지의 효율과 안정성을 동시에 높이는 연구를 통해 상용화 가능성을 끌어올렸다는 평가를 받는다. 국제 공동연구를 통해 재생에너지 확산과 탄소중립 실현에도 성과를 쌓아왔다. 김영춘 교수는 조직이론과 기술혁신전략 분야에서 기성기업과 신생기업의 혁신 전략, 조직학습과 기업 혁신 성과 관계를 실증적으로 분석해 왔다. 연구 결과는 조직과학(Organization Science), 연구정책(Research Policy) 등 국제 학술지에 게재됐다. 심재영 교수는 시각지능(컴퓨터비전) 분야 연구자이자 UNIST 인공지능대학원장이다. 영상과 대규모 3D 데이터 복원 기술을 개발해 자율주행차·로봇·드론·디지털트윈 관련 산업 분야 연구를 수행해 왔으며, 인공지능 기반 산업 현장 문제 해결 역량을 갖춘 인재 양성에도 힘을 쏟고 있다. 박종래 총장은 “UNIST에서 세계 수준의 연구 성과가 지속적으로 나올 수 있도록 지원을 강화하겠다”며 “우수한 연구 성과가 국내외 주요 학술·전문 기구에서 정당하게 평가받을 수 있도록 뒷받침하겠다”고 말했다.

인공지능(AI), 특히 딥러닝 모델은 도무지 속을 알 수 없는 이른바 ‘깜깜이’ 블랙박스(Black-box)로 불린다. 사진을 보여주면 ‘이건 새’라고 기가 막히게 맞히지만, 도대체 사진의 ‘어떤 부분’을 보고 새라고 판단했는지는 명확히 알기 어렵기 때문이다. 그동안 이 블랙박스 문제를 풀기 위한 시도는 주로 AI 모델의 내부 구조를 뜯어보는 데 집중돼 왔는데, 모델이 아닌 AI 학습의 재료가 되는 ‘데이터’를 사람의 언어로 설명함으로써 해법을 찾는 새로운 접근법이 나왔다. UNIST 인공지능대학원 김태환 교수팀은 AI 학습 데이터를 인간이 이해할 수 있는 ‘자연어’로 변환함으로써 AI 블랙박스를 설명하는 학습 방법론을 제안했다고 28일 밝혔다. 기존의 설명 가능한 인공지능(XAI) 연구는 주로 학습이 완료된 모델의 내부 연산 과정이나 예측 결과를 사후적으로 분석하는 데 집중했다. 반면 연구팀은 AI 학습의 원천인 ‘데이터’에 주목하여, 데이터의 특징을 설명문으로 구체화하고 이를 분석함으로써 모델의 의사결정 과정을 규명하고자 했다. [연구그림] 대형언어모델(LLM)을 활용한 데이터 설명문 생성 및 선별·학습 과정 개요 연구팀은 먼저 챗GPT와 같은 LLM 모델로 사진 속 사물의 특징을 여러 문장으로 설명하게 했다. 환각 현상 없는 고품질 설명문을 만들기 위해서는 인터넷 백과사전과 같은 외부 지식도 참고하도록 했다. LLM이 생성한 수십 개의 설명 문장이 모두 모델 학습에 유효한 것은 아니다. 연구팀은 생성된 설명 중 AI 모델이 정답을 맞추는 데 실제로 참고한 설명문을 식별하기 위해 텍스트 영향력 점수(IFT: Influence scores For Texts)라는 정량적 분석 지표를 고안했다. IFT는 두 가지 요소를 합산하여 계산된다. 특정 설명 문장을 학습 데이터에서 제외했을 때 모델의 예측 오차가 얼마나 변화하는지를 계산하여 학습 기여도를 측정하는 영향력 점수와, 텍스트 설명이 실제 이미지의 시각적 정보와 의미적으로 얼마나 일치하는지를 나타내는 CLIP 점수(CLIP Score)다. 예를 들어 조류 분류 모델에서 배경 색상에 대한 설명보다 ‘부리의 형태’나 ‘깃털의 무늬’를 묘사한 설명문이 높은 IFT 점수를 기록했다면, 해당 모델은 부리와 깃털의 특징을 학습하여 대상을 식별했다고 해석할 수 있다. 연구팀은 이렇게 영향력이 큰 설명문들이 실제 모델이 정답을 맞추는 성능에도 도움이 되는지를 확인하기 위해 별도의 벤치마크 실험을 설계했다. 영향력이 높은 설명문을 모델 학습에 함께 제공하고 새로운 데이터셋에서 분류 작업을 수행하는, 교차 모달 전이 실험을 진행한 것이다. 그 결과, 영향력이 높은 설명문을 사용했을 때 기존 방식보다 안정적으로 높은 성능을 보였다. 이는 모델이 학습 과정에서 실제로 활용했던 설명이 성능에도 의미 있는 기여를 한다는 사실을 보여주는 검증 결과다. 김태환 교수는 “연구에서 제시한 AI가 스스로 자신이 학습하는 데이터를 설명하는 방식은 딥러닝의 복잡한 의사결정 과정을 본질적으로 드러내는 방법이 될 수 있다”며 “향후 블랙박스 AI 시스템을 투명하게 이해하는 기반이 될 것이다”라고 말했다. 연구 결과는 자연어처리(NLP) 분야 대표 국제학회인 EMNLP(Empirical Methods in Natural Language Processing)의 정식 논문으로 채택됐다. 올해 EMNLP는 11월 5일부터 9일까지 중국 쑤저우에서 열렸다.

삐뚤빼뚤한 수학 답안을 사람처럼 꼼꼼하게 채점하고 첨삭까지 해주는 AI 선생님이 나왔다. UNIST 인공지능대학원 김태환 교수와 POSTECH 고성안 교수팀은 손글씨로 쓴 복잡한 수학 답안을 채점하는 AI 모델인 ‘베미(VEHME, Vision-Language Model for Evaluating Handwritten Mathematics Expressions)’를 개발했다고 17일 밝혔다. 주관식 수학 문제 채점은 교육 현장에서 가장 시간이 많이 소요되는 업무지만 이를 자동화하기에는 한계가 있었다. 수학 풀이 특성상 수식, 그래프, 도형이 섞여 있고 학생마다 필체와 답안 배치가 제각각이라, AI가 이를 정확히 인식해 오류를 찾아내는 것이 어렵기 때문이다. 연구진이 개발한 베미는 마치 사람이 문제 풀이의 흐름을 따라가는 것처럼 수식의 위치와 문맥을 정확히 읽고, 틀린 풀이를 짚어낼 수 있다. 실제 베미로 미적분부터 초등학교 산수 수준의 다양한 수학 문제 풀이를 채점해본 결과, 경량 모델임에도 불구하고 거대 모델인 ‘GPT-4o’, 제미나이 2.0 Flash와 대등한 채점 정확도를 보였다. 특히 답안이 심하게 회전되어 있거나 글씨가 엉망인 고난도 평가에서는 베미가 오히려 상용 모델들을 제치고 더 정확하게 오류 위치를 찾아냈다. 70억 개의 매개변수를 사용하는 베미와 달리 GPT나 제미나이와 같은 모델들은 수천억 개 이상의 매개변수를 가진 것으로 알려져 있다. 연구팀은 수식 인식 시각 프롬프트(EVPM)라는 자체 개발 기술과 ‘이중 학습 기법’을 이용해 베미를 만들 수 있었다. EVPM은 베미가 복잡하게 나열된 수식들에 가상의 박스를 쳐서 풀이 순서를 놓치지 않게 만들어준다. 2단계 강화학습은 단순히 정답을 맞혔는지 뿐만 아니라, 풀이 과정 중 어느 부분이 왜 틀렸는지까지 설명할 수 있도록 한다. 또 AI가 학습할 수 있는 정교한 손글씨와 첨삭 데이터가 많지 않았기 때문에 거대 언어 모델(QwQ-32B)로 합성 데이터를 만들어 활용했다. 한편, 베미는 오픈 소스 모델로 만들어져 학교 같은 교육 기관에서 무료로 쓸 수 있다. 김태환 교수는 “손글씨 수학 채점은 에듀테크 AI의 난제 중 하나이자 이미지와 언어를 함께 이해해야 하는 멀티모달 AI의 대표적 적용 분야”라며 “베미는 복잡한 풀이 구조를 사람처럼 단계별로 따라가며 판단하는 모델로, 실제 교육 현장에서 활용할 수 있을 정도의 안정성과 효율성을 확보한 것에 큰 의미가 있다”고 말했다. 김 교수는 이어 “자체 개발한 EVPM 모듈은 복잡하게 배열된 시각 정보를 자동으로 구조화할 수 있게 해, 교육 분야뿐 아니라 문서 인식, 설계 도면 분석, 수기 기록물 디지털화 등 다양한 산업 분야의 멀티모달 추론 모델에도 쓸 수 있을 것”이라고 덧붙였다. 이번 연구는 과학기술정보통신부 한국연구재단, 정보통신기획평가원 등의 지원을 받아 이뤄졌으며, 연구 결과는 자연어처리(NLP) 분야 대표 국제학회인 EMNLP(Empirical Methods in Natural Language Processing)의 정식 논문으로 채택됐다. 올해 EMNLP는 11월 5일부터 9일까지 중국 쑤저우에서 열렸다.

세계적 미디어 아티스트 김아영 작가가 UNIST 정보바이오융합대학 인공지능대학원 특임교수로 임용됐다. 임용 기간은 18일부터 2028년 12월까지 3년이다. 김아영 특임교수는 가상현실(VR)과 인공지능을 활용한 미디어아트 작업으로 국제 무대에서 주목받아왔다. 그는 기술이 인간 인식과 사회 구조에 미치는 영향을 작품으로 풀어냈다. UNIST가 김 작가를 인공지능대학원에 임용한 이유도 여기에 있다. AI 기술을 계산과 처리 단계에 두지 않고, 의미 해석과 사고 과정까지 확장하려는 시도다. 예술적 사고는 인공지능 활용 범위를 넓히는 촉매가 될 수 있다는 판단에서다. 김 교수는 UNIST 인공지능 연구진과 공동 프로젝트를 진행한다. 기술 연구 과정에 예술적 관점을 더하고, 인공지능 결과를 새로운 방식으로 해석하는 역할을 맡는다. 과학·예술 융합 분야 자문과 교내 특강도 병행한다. 김아영 특임교수가 박종래 총장으로부터 임명장을 받은 뒤 기념사진을 촬영을 하고 있다. l 사진: 박민준 UNIST는 기술 이해를 넓히고, 연구 성과 전달력을 높이는 데 예술 역할이 필요하다고 봤다. 박종래 총장은 “과학과 예술을 잇는 접근이 인공지능 연구와 교육의 깊이를 키울 것”이라며 “김아영 교수 영입이 연구·교육 현장에 새로운 시각을 더할 것”이라고 했다. 김아영 특임교수는 영국 첼시 컬리지 오브 아트에서 순수미술 석사를, 런던 컬리지 오브 커뮤니케이션과 국민대학교에서 학사를 취득했다. 2023년 테라야마 슈지상과 세계 최고 권위의 미디어아트상인 ‘아르스 일렉트로니카’ 골든 니카를 한국 작가 최초로 수상했으며, 2025년에는 LG 구겐하임 어워드 선정과 문화체육관광부 장관 표창으로 예술성과 영향력을 인정받았다.

과학기술정보통신부가 2026 AI Co-Scientist Challenge Korea 참가팀을 모집한다. 과학기술 연구에 AI를 효율적으로 활용할 수 있는 방법을 모색하고 더 나아가 연구동료로서 AI의 가능성과 한계를 탐색하기 위한 시도다. 이번 대회는 국내‧외 기업, 연구자, 학생 누구나 참여할 수 있으며, 상용 AI를 활용한 연구결과를 겨루는 Track 1, 직접 연구 도우미 AI 에이전트를 개발하는 Track2로 나눠 진행된다. Track1 참가자들은 상용 LLM이나 AI 에이전트를 활용해 바이오, 반도체 등 7대 분야의 지정주제 또는 자유 주제로 연구를 진행하고, 논문 형태의 연구보고서를 제출하면 된다. 이 때 AI 활용보고서(URL, 로그, 체크리스트 등 포함)와 활용 데이터 목록도 함께 제출해야 한다. Track1 부분은 총 6점의 수상작을 선발할 계획이며, 대상인 과학기술정보통신부장관상 수상자에는 500만원의 상금이 주어진다. Track2 부분의 사전 심사를 통과한 10개 팀에게 AI 모델 개발에 필요한 GPU, API 이용 비용 등을 제공한다. 총 10점의 수상작을 선발할 계획이다. Track2 대상팀은 500만원의 상금 뿐만 아니라 향후 연간 5억 원 규모의 ‘딥사이언스 창업 활성화 지원’(최대 3+2년, 기업) 또는 ‘공공연구성과 실증 시범사업’(2년, 연구자) 등 대형 후속 사업화 과제와 연계되는 특전이 주어진다. Track1은 이달 10일부터 내년 1월 31일까지, Track2의 사전 제안서는 내년 1월 2일까지 대회 공식 누리집(https://aifactory.space/page/ask2026)을 통해 온라인으로 접수하면 된다. 문의는 대회공식 누리집을 통해서 가능한다.

자율주행차나 로봇의 눈 역할을 하는 사물 인식 인공지능(AI) 모델이 학습해야 할 데이터의 양을 요약해도 성능을 보존할 수 있어, 학습 효율을 극대화하는 기술이 나왔다. AI 모델 개발에 드는 시간과 연산 비용을 크게 줄일 수 있게 됐다. UNIST 인공지능대학원 심재영 교수팀은 3D 포인트 클라우드(Point Cloud) 데이터를 효과적으로 압축해 학습 효율을 높이는 ‘데이터 증류(dataset distillation)’ 기술을 개발했다고 1일 밝혔다. 데이터 증류는 대규모 학습 데이터 중 요점만을 추출해 새로운 ‘요약 데이터’를 만들어내는 기술이다. 3D 포인트 클라우드 데이터는 이 데이터 증류 기술 적용이 까다로운 형태의 데이터로 꼽힌다. 3D 포인트 클라우드 데이터는 사물을 점으로 표현해 놓은 데이터인데, 점들의 배열에 정해진 순서가 없고, 물체가 회전해 있는 경우가 많은 특성 때문이다. 이러한 특성은 요약 데이터를 생성하는 과정에서 치명적인 걸림돌이 된다. 데이터 증류는 원본 데이터와 요약 데이터의 특징을 ‘비교’하는 방식으로 요약 데이터의 완성도를 높여 나가게 되는데, 위와 같은 데이터 특성 때문에 제대로 된 비교(매칭)가 불가능하다. 결국 엉뚱한 부위끼리 비교하게 되거나 같은 물체도 다른 물체로 인식해 잘못된 정보가 반영된 요약 데이터를 만들게 된다. 연구팀은 이 문제를 해결한 데이터 증류 기술을 개발했다. 순서가 제각각인 점 데이터의 의미 구조를 자동으로 정렬해주는 손실 함수(SADM)와 물체의 회전 각도를 AI가 스스로 최적화해 학습하도록 하는 방향 최적화(learnable rotation) 기법이 적용된 기술이다. [연구그림] 3D 데이터셋 증류 기술 개요 개발된 데이터 증류 기술은 원본 대비 수십 분의 1 수준으로 데이터를 줄여도 모델 정확도를 유지하는 것으로 확인됐다. 특히, 특정 데이터셋(ModelNet40)에서는 데이터를 원본 크기의 25분의 1로 줄인 요약 데이터로 학습해도 80.1퍼센트의 인식 정확도를 기록해, 전체 데이터로 학습했을 때의 87.8퍼센트와 큰 차이가 나지 않았다. 이는 높은 압축률에서도 학습 효율과 성능을 균형 있게 확보할 수 있음을 보여주는 결과다. 심재영 교수는 “이번 기술은 3D 점 데이터의 무질서한 구조와 회전 불확실성으로 인해 기존 기술들이 겪던 매칭 오류를 근본적으로 해결한 것”이라며 “자율주행, 드론, 로봇, 디지털 트윈 등 대규모 3D 데이터 활용이 필요한 분야에서 AI 학습 비용과 시간을 크게 줄이는 데 기여할 수 있을 것”이라고 말했다. 이번 연구 결과는 3대 인공지능 분야 권위 국제학회인 ‘신경정보처리시스템학회(NeurIPS) 2025’에 정식 논문으로 채택됐다. 연구수행은 과학기술정보통신부 한국연구재단, 정보통신기획평가원의 지원을 받아 이뤄졌다. 2025년 신경정보처리시스템학회는 12월 2일부터 7일까지 미국 샌디에이고에서 열린다.