몸을 이리저리 뒤척이거나 걷고 숨을 쉬는 등 움직이는 와중에도 체내에 삽입된 의료기기를 안정적이고 효율적으로 무선 충전할 수 있는 새로운 기술이 개발됐다. UNIST 전기전자공학과 변영재 교수팀은 체내 삽입형 의료기기가 환자의 움직임이나 작동 상태가 달라져도 전압을 일정하게 유지하고, 필요한 만큼만 전력을 받아 전력 손실과 발열 가능성을 줄일 수 있는 무선 충전 기술을 개발했다고 29일 밝혔다. 체내에 삽입된 의료기기는 치료나 통신 기능을 작동할 때와 대기할 때 사용하는 전력이 달라진다. 체외 충전 송신부가 몸속 수신부에 전력이 필요한 상황인지를 알아내 전력 공급 모드와 저전력 모드를 오가면, 필요한 때에만 충분한 전력을 보내 불필요한 전력 소모를 줄일 수 있다. 연구팀이 개발한 기술은 환자가 몸을 움직여도 수신부의 상태를 정확히 판단해 송신 출력을 조절할 수 있는 ‘적응형 모드 전환 기술’이다. 무선 충전은 전기를 보내는 송신 코일과 전기를 받는 수신 코일 사이의 거리와 정렬 상태가 중요한데, 몸이 움직이면 송신부에서 측정되는 신호가 달라진다. 전력이 필요 없는데도 계속 보내 열이 나고 전기가 낭비되거나 반대로 전력이 필요한데도 저전력 모드에 머물면 의료기기가 제대로 작동하지 않거나 멈출 수 있게 된다. 개발된 기술은 신호의 절대적인 크기 대신 수신부의 상태가 바뀌는 순간 나타나는 신호 변화와, 짧은 확인 신호를 보낸 뒤 수신부 상태에 따라 달라지는 반응을 각각 읽어 전력 공급 모드에서는 저전력 모드로, 저전력 모드에서는 다시 전력 공급 모드로 정확히 넘어갈 수 있도록 했다. 또 몸속 수신부에는 공급 전압을 빠르게 조절하는 ‘전압 경주형 히스테리시스 제어기(VRHC)’ 기술도 적용했다. 의료기기는 일정한 전압에서 작동하기 때문에 전압이 크게 흔들리면 제대로 작동하지 않거나 멈출 수 있다. 이 제어 기술은 전압을 기준 전압과 직접 비교하는 대신, 전압 정보를 같은 시점에 출발한 신호들이 회로를 지나 나오는 시간 차이로 바꿔 읽어내기 때문에 전압이 기준을 벗어났는지를 빠르게 판단할 수 있다. 실험 결과, 송·수신 코일 사이의 거리를 7㎜에서 20㎜까지 바꾸며 검증했을 때도 우수한 성능을 입증했다. 의료기기 사용 전류가 6mA에서 16mA로 급증하는 상황에서도 출력 전압은 3.3V를 안정적으로 유지했으며, 전압 출렁임(리플)은 18mV 수준에 그쳤다. 체외 송신부에서 체내 수신부 출력까지 전달되는 종단 간 효율은 최고 69.1%를 기록해, 적응형 모드 전환 기술을 적용하지 않았을 때보다 효율이 최대 51.3%포인트 상향됐다. 변영재 교수는 “이번 기술은 환자가 움직여 코일 위치가 달라져도 필요한 전력만 안정적으로 전달해 체내 의료기기의 배터리 교체 수술 부담을 줄이고, 장기 사용과 치료 편의성을 크게 끌어올릴 것”이라고 설명했다. 이번 연구에는 신성민·권성빈 연구원이 공동 제1저자로 참여했다. 연구 수행은 과학기술정보통신부 정보통신기획평가원의 지원을 받아 이뤄졌으며, 연구 결과는 회로·시스템 분야 국제학술지 ‘IEEE 트랜잭션스 온 서킷츠 앤드 시스템스 원: 레귤러 페이퍼스(IEEE Transactions on Circuits and Systems I: Regular Papers)’ 에 6월 19일 게재됐다.

빛을 받은 반도체에는 여분의 에너지를 품은 ‘핫 전자(hot electron)’가 생긴다. 일반 전자로는 도달하기 어려운 화학반응을 일으킬 수 있지만 몇 조분의 1초 만에 식어버려 활용이 어려웠는데, 국제공동연구팀이 반도체 나노입자에 망간을 넣어 이 에너지를 화학반응에 쓰는 방법을 찾아냈다. UNIST 화학과 진호 교수는 미국 로스앨러모스국립연구소 빅터 클리모프 박사팀과 함께 양자점 내부의 망간이 핫 전자의 에너지를 받아 분자에 전자가 전달되도록 중개하는 스핀 교환 반응을 규명했다고 27일 밝혔다. 양자점은 수 나노미터 크기의 반도체 입자다. 빛을 흡수하면 내부 전자가 높은 에너지 상태로 올라가며 핫 전자가 되는데, 이 전자를 다른 분자에 넘기면 해당 분자가 전자를 얻어 태양광 수소 생산이나 이산화탄소 전환의 광환원 반응을 일으킬 수 있다. 하지만 핫 전자는 일반적인 양자점 안에서는 빠르게 에너지를 잃는다. 불과 수조분의 1초 만에 ‘식은 전자’가 되는 것이다. 연구팀은 핫 전자가 에너지를 잃기 전에 이를 광환원 반응에 활용하기 위해 셀렌화카드뮴(CdSe) 양자점 내부에 자성을 띠는 망간 이온을 넣었다. 망간 이온은 핫 전자가 포함된 전자·정공 쌍과 초고속 스핀 교환을 일으켜 열로 사라질 에너지를 받아내고, 이 망간 이온이 원래 스핀 상태로 돌아가는 과정에서 전자가 분자 로 이동하면서 광환원 반응이 일어나게 된다. 스핀 교환은 전자의 스핀이라는 방향성을 갖는 물리적 성질이 서로 영향을 주고받으면서 위치가 바뀌고, 그 과정에서 에너지가 전달되는 현상이다. 연구팀은 이 같은 사실을 증명하기 위해서 펨토초 과도흡수 분광법을 활용했다. 시료에 매우 짧은 간격으로 레이저를 비춘 뒤 빛의 흡수 변화를 측정해 전자와 에너지가 움직이는 과정을 추적하는 방법이다. 양자점 표면에 전자를 받으면 환원되는 메틸비올로젠 분자를 붙이고, 망간을 넣은 양자점과 넣지 않은 양자점을 비교해 본 결과, 망간을 넣은 양자점에서는 전자 전달 속도가 기존보다 10배 이상 빨라졌다. 스핀 교환이 전자가 반응 분자로 넘어가는 빠른 통로로 작용했다는 뜻이다. 또 이 스핀 교환이 핫 전자의 에너지에서 비롯된 것인지 검증하기 위해서는 크기가 큰 양자점에 고에너지 빛과 저에너지 빛을 각각 비추는 실험을 진행했다. 양자점에 고에너지 빛을 비췄을 때만 광환원 반응이 일어났는데, 이는 핫 전자가 가진 여분의 에너지가 망간을 거쳐 광환원 반응에 쓰였음을 보여주는 결과다. 이번 연구에는 진호 교수가 제1저자로 참여했다. 진호 교수는 연구팀은 “기존에는 반도체와 반응 분자 간의 에너지 준위가 맞지 않으면 전자 전달이 에너지적으로 불리해 광환원 반응을 일으키기 어려웠다”며 “이번 연구는 스핀 교환을 통해 핫 전자의 여분 에너지를 활용하면 이러한 조건에서도 반응을 일으킬 수 있다는 새로운 광촉매 메커니즘을 입증한 연구”라고 설명했다. 진 교수는 이어 “향후 태양광 기반의 수소 생산이나 이산화탄소 전환을 위한 차세대 고효율 광촉매 설계에 중요한 역할을 할 것”이라고 말했다. 이번 연구 성과는 세계적 권위의 학술지 네이쳐 커뮤니케이션즈(Nature Communications)에 6월 26일 공개됐다.

데이터를 별도의 연산장치로 보내지 않고도 메모리에서 직접 처리하는 로직인메모리 반도체의 성능을 높일 수 있는 설계자동화 기술이 개발됐다. 이 기술을 적용하면 전체 동작 횟수를 기존보다 평균 20% 가까이 줄일 수 있다. 데이터 이동이 성능의 발목을 잡는 인공지능(AI)과 빅데이터 처리 분야의 저전력·고성능 반도체 설계에 활용될 것으로 기대된다. UNIST 전기전자공학과 박희천 교수팀은 메리스터 ‘로직인메모리’ 반도체의 회로 배치와 연결 경로를 자동으로 최적화하는 기술을 개발했다고 26일 밝혔다. 컴퓨터는 데이터 저장 메모리와 연산 담당 프로세서가 분리돼 있다. 데이터가 메모리와 프로세서 사이를 오가는 데 시간과 전력이 소모되면서, 프로세서의 빠른 연산 성능을 데이터 전송 속도가 미처 따라가지 못하는 ‘메모리 벽(memory wall)’이 발생하게 된다. 로직인메모리(Logic-in-Memory, LiM)는 메모리가 데이터 저장과 논리 연산을 함께 맡아 이러한 데이터 이동을 줄이는 반도체다. 연구팀이 개발한 기술은 멤리스터 소자가 바둑판처럼 배열된 형태의 로직인메모리에서 연산 배치와 데이터 이동 경로 설계를 자동화하는 기술이다. 멤리스터는 저항 상태에 따라 0과 1의 데이터를 저장하는 소자다. 설계 과정에서 바둑판 내의 특정 구역들을 연산을 수행할 '계산 블록'으로 할당하고, 각 블록에서 산출된 결과값을 다음 연산 단계를 위해 어느 물리적 경로로 보낼지를 컴퓨터 알고리즘이 자동으로 탐색하여 최적화하게 된다. 이 기술은 기존 기술들과 달리 가로와 세로 방향에서 모두 여러 연산을 동시에 수행할 수 있다. 순차적으로 처리해야 할 연산이 줄어 전체 동작 횟수를 낮추고, 제한된 멤리스터 공간도 더 효율적으로 활용할 수 있게 된다. 기존 기술은 계산 블록의 세로 방향 정렬까지 고려하지 않아, 주로 가로 방향의 연산만 동시에 처리할 수 있었다. 또 연산이 끝난 불필요한 데이터를 지우고 사용 중인 중간 결과물들을 한쪽으로 정렬해 낭비되는 면적을 최소화하는 규칙도 자동 설계 알고리즘에 반영했으며, 수학적 경로 탐색 기법이 적용돼 가장 효율적인 계산 결과 이동 경로를 탐색해 낼 수 있다. 이 기술로 설계한 반도체는 최고 수준 기술보다 전체 사이클 동작 횟수가 평균 19.6% 줄었다. 같은 계산을 끝낼 때까지 반도체가 작동해야 하는 횟수가 그만큼 줄었다는 뜻이다. 또 메모리 공간을 엄격하게 제한한 조건에서도 기존 기술이 배치하지 못한 회로까지 모두 배열 안에 넣을 수 있었다. 연구팀은 “회로를 메모리에 단순히 욱여넣는 것이 아니라, 병렬 연산이 가능하도록 정렬해 배치하는 것이 인메모리 컴퓨팅 성능을 좌우한다”며 “좁은 면적 제약에서도 안정적으로 동작하는 자동 설계 기술이라는 점에서 의미가 크다”고 설명했다. 이번 연구는 UNIST 김익겸 연구원이 제1저자, 김민홍 연구원이 제2저자로 참여했고, 박희천 교수가 교신저자로 연구를 이끌었다. 연구 결과는 반도체 설계자동화 분야 권위 학술지인 ‘IEEE 집적회로 및 시스템 설계자동화 회보(IEEE TCAD, Transactions on Computer-Aided Design of Integrated Circuits and Systems)’에 2026년 6월 2일 온라인(Early Access) 공개됐다. 연구는 한국연구재단(NRF)과 정보통신기획평가원(IITP)의 지원으로 수행됐으며, 칩 설계 도구는 반도체설계교육센터(IDEC)의 지원을 받았다.

“이제 교사는 필요 없다.” 요즘 쏟아지는 AI 개인교습 앱의 홍보 문구들을 한 문장으로 요약하면 이렇다. 24시간 지치지 않고, 세계 최고 수준의 지식을 담고 있으며, 학생 한 명 한 명에게 맞춤형으로 응답한다. 지식을 전달하는 능력만 놓고 보면, 인간 교사는 이미 패배했다. 불편하지만 솔직해지자. 강의실에서 교사가 하던 일의 상당 부분을 챗봇은 더 싸고 더 정확하게 해낸다. 그렇다면 우리는 정말 교사가 필요 없는 시대로 가고 있는가. 나는 정반대라고 생각한다. AI는 교사를 불필요하게 만든 것이 아니라 교사가 원래 무엇이었는지를 오히려 드러냈다. 여기서 우리가 마주하는 진실은 단순하고도 오래된 것이다. 교육은 본래 관계노동이었다. 한 사람이 다른 사람 곁에서 그를 믿어 주고, 그의 성장을 자기 일처럼 떠안으며, 실패의 순간까지 함께 견디는 일. 그것이 가르침의 본질이다. 지식을 전달하는 일은 그 관계가 흐르는 하나의 통로였을 뿐, 교육 그 자체였던 적은 없다. 산업혁명 이후 전문지식의 전달이 중요해지면서 그 통로가 워낙 눈에 잘 띄었던 탓에, 우리는 오래도록 지식전달을 교육으로 착각해 왔다. AI가 이제 그 전달을 대신 떠맡으면서 비로소 통로가 아니라 관계라는 본질이 모습을 드러내고 있다. 이 관계는 신뢰와 책임이라는 두 개의 기둥 위에 서 있다. 먼저 신뢰에 대해 생각해 보자. AI 알고리즘은 언제나 답을 제시하지만, 약속하지 않는다. 스승과 제자의 관계는 지식을 주고받는 거래가 아니라, 한 인간이 다른 인간의 성장을 끝까지 지켜보겠다는 약속 위에 세워진다. 학생이 교사의 말을 신뢰하는 것은 그 말이 정확해서가 아니다. 그 말 뒤에, 자신을 오래 지켜봐 온 사람이 있기 때문이다. AI는 방대한 데이터를 신뢰의 근거로 내밀지만, 정작 신뢰의 본질인 ‘관계의 역사’는 갖고 있지 않다. 더 결정적인 것은 책임이다. 한 학생이 길을 잃고 무너질 때, 그 실패 앞에 함께 설 주체가 있어야 한다. AI는 틀린 답을 내놓아도 부끄러워하지 않고, 학생을 잘못 이끌어도 책임지지 않는다. 귀속시킬 책임의 자리 자체가 없기 때문이다. 교육이 위태로운 만큼 고귀한 것은, 그 결과에 대해 끝내 누군가 책임을 지기 때문이다. 책임 없는 가르침은 가르침이 아니라 지식 검색일 뿐이다. 게다가 지금 교실에 앉아 있는 세대에게 이 관계는 그 어느 때보다 절실하다. 이들은 코로나 팬데믹의 한복판에서 학창시절의 결정적인 몇 해를 화면 너머로 흘려보냈다. 눈을 맞추고, 부딪치고, 화해하며 관계의 근육을 키워야 할 시기에 많은 학생들이 격리된 방 안에 홀로 있었다. 그 결과 우리는 정상적인 관계를 맺는 일 자체를 버거워하는 세대를 마주하고 있다. 사람과의 관계가 서툴수록, 지치지 않고 늘 응답해 주는 AI와의 대화가 더 편하게 느껴진다는 사실은 이 세대가 처한 위기를 한층 위태롭게 만든다. 관계 맺기가 서툰 세대일수록, 관계를 가르치고 관계 속에서 배우는 교육의 자리는 좁아지는 것이 아니라 오히려 더 넓어져야 한다. 그래서 나는 ‘AI가 교사의 잡무를 덜어줄 것이다’는 구호를 마냥 반기지 못한다. 자칫하면 정반대가 될 수 있기 때문이다. AI가 격려와 즉답이라는 관계의 ‘흉내’를 맡고, 교사에게는 출석 관리와 성적 입력 같은 잔무만 남는 ‘속 빈 교육’이 되어서는 안 된다. 실제로 마음이 무너진 청소년이 교사도 부모도 아닌 챗봇에게 속을 털어놓다가 비극에 이른 사례가 국내외에서 잇따랐다. 관계가 빠져나간 자리를 관계의 흉내가 채웠을 때 무슨 일이 벌어지는지를 그 비극들은 아프게 증언한다. 그렇다면 교육은 무엇을 길러야 하는가. 나는 지난 칼럼에서 ‘배신할 수 있는 능력’을 이야기한 적이 있다. 깊이 알기에 의심할 수 있고, 통념을 알기에 그것을 부정할 용기를 내는 힘이다. AI가 지식을 독점한 시대에 인간에게 남은 가장 값진 능력이 바로 이것이다. 그런데 이 능력은 결코 앱으로 다운로드되지 않는다. 그것은 스승이 제자를 신뢰하고 제자의 실패를 함께 책임지는 관계 속에서만 전수된다. 지식은 AI가 전달할 수 있어도, 의심할 용기는 오직 사람 간의 관계로만 물려줄 수 있다. 배성철 UNIST 교학부총장 <본 칼럼은 2026년 8월 19일 경상일보 “[배성철 칼럼]AI가 가르칠 수 없는 것”이라는 제목으로 실린 것입니다.>

추위에 노출되면 잉여 지방을 저장하던 백색지방 일부가 지방을 태워 열을 내는 베이지 지방으로 바뀌는 것으로 알려져 있다. 국내 연구진이 이 베이지 지방세포가 ‘세포 속 난로’인 미토콘드리아를 더 오래 보존해 열 생산 능력을 키우는 유전자 조절 원리를 밝혀냈다. 지방세포가 에너지를 더 많이 소비하도록 조절하는 방식의 비만과 제2형 당뇨병 같은 대사질환 치료 연구에 단초가 될 전망이다. UNIST 생명과학과 고명곤 교수팀은 ‘TET’ 단백질이 지방세포 내 미토콘드리아의 분해와 지방조직의 열 생산을 잇는 유전자 조절 단백질이라는 사실을 규명했다고 3일 밝혔다. 체내 지방조직에는 잉여 지방을 저장하는 백색지방과 에너지를 태워 열을 내는 갈색지방이 있다. 베이지 지방은 백색 지방 일부가 추위에 노출됐을 때 갈색지방처럼 열을 내는 성질을 띠게 된 것이다. 이 과정에서 세포 안에서 에너지를 태워 열을 내는 세포소기관인 미토콘드리아가 늘어나는 것으로 알려져 있다. 연구에서 새롭게 밝혀진 바에 따르면, 추위에 노출돼 지방세포의 ‘TET’ 단백질이 감소하면 미토콘드리아를 골라 없애는 파킨(Parkin) 단백질도 함께 줄어든다. 파킨은 미토콘드리아에 분해 표지를 붙여, 세포 안의 청소 시스템이 이를 제거 대상으로 알아보게 하는 단백질이다. 결국 파킨이 줄면 미토콘드리아가 분해되는 속도가 느려지고, 열 생산에 쓰이는 미토콘드리아가 세포 안에 더 많이 남게 된다. TET는 평소 파킨 유전자 DNA에 직접 결합해 메틸화를 해제함으로써 유전자 발현을 돕는데, 추위에 노출돼 TET가 감소하면 파킨 유전자에 메틸화가 다시 쌓여 파킨 단백질의 생성을 차단하게 되는 것이다. 메틸화는 유전자 DNA에 메틸이 붙는 현상으로, 이 메틸이 단백질 합성에 관여하는 효소 등의 접근을 막아, 유전자 발현, 즉 유전자에 암호화된 단백질의 합성을 억제한다. 실제 지방세포에서 TET 단백질 3종이 만들어지지 않게 한 생쥐를 섭씨 4도에서 일주일 동안 뒀더니, 일반 생쥐보다 파킨 단백질은 줄고, 미토콘드리아 양을 가늠하는 표지자인 미토콘드리아 DNA와 세포 호흡에 쓰이는 단백질은 늘었다. 또 세포 단위 실험에서는 TET를 억제한 상태에서 정상 파킨 단백질을 넣어주자 늘어났던 미토콘드리아 양과 산소 소비량이 원래 수준으로 돌아왔다. 이는 TET가 파킨을 조절하고, 파킨이 다시 미토콘드리아 분해와 에너지 소비를 좌우한다는 사실을 보여주는 결과다. 고명곤 교수는 “추위에 노출되면 지방세포 내 미토콘드리아가 증가하고 열 발생이 활발해진다는 사실은 알려져 있었지만, 이러한 변화를 조절하는 상위 조절 인자는 명확히 밝혀지지 않았었는데, 이를 규명했다”라며 “지방세포가 에너지를 더 많이 소비하도록 유도하는 비만과 제2형 당뇨병 등 대사질환 치료 연구에 활용될 수 있을 것”이라고 말했다. 이번 연구는 대사 분야 국제학술지 메타볼리즘(Metabolism)에 7월 1일 온라인 공개 됐으며, 과학기술정보통신부 한국연구재단 등의 지원을 받아 이뤄졌다.

햇빛만으로 물을 쪼개 수소를 만들고, 말 한마디로 3차원 공간 속 물체를 찾는다. 미래 에너지와 인공지능 연구에 도전해온 UNIST 대학원생 2명이 ‘2026 대통령과학장학생’에 뽑혔다. 탄소중립대학원 전은송 박사과정생과 인공지능대학원 방재훈 석사과정생이다. 전은송 박사과정생은 유기반도체 광전극을 이용해 태양광으로 그린수소를 생산하는 광전기화학 시스템을 연구한다. 유기반도체는 빛을 흡수하는 범위가 넓고 용액으로 가공할 수 있어 값싸고 가벼운 장치를 만드는 데 유리하다. 다만 오래 사용할수록 성능이 떨어지고 전하 전달 효율이 낮아지는 한계가 있다. 전은송 학생은 유기반도체 광양극과 광음극을 하나의 셀에 결합했다. 두 전극이 물 분해 반응을 나눠 맡아 별도의 외부 전압 없이 태양광만으로 수소를 생산한다. 현재는 변환 효율을 끌어올리고 셀의 수명을 늘리는 데 집중하고 있다. 그는 “풀어야 할 과제가 많은 분야에서 연구 과정과 성장 가능성을 인정받아 뜻깊고 책임감도 크다”며 “조한희 교수님의 세심한 지도와 실험이 막힐 때마다 함께 해법을 찾은 연구실 구성원들이 큰 힘이 됐다”고 말했다. 앞으로 해외 우수 연구기관과 협력해 셀 설계와 시스템 통합 경험을 쌓을 계획이다. 이를 국내 환경에 맞게 발전시켜 독자적인 태양광 그린수소 생산 기술을 확보하고, 탄소중립과 국가 에너지 안보에 기여하는 것이 목표다. 방재훈 석사과정생은 학부 시절 4년간 로봇을 직접 만들며 인공지능의 한계를 체감했다. 정해진 규칙 안에서는 잘 움직였지만, 환경이 바뀌거나 돌발 상황이 생기면 데이터를 다시 모으고 동작 조건도 새로 짜야 했다. 이 경험은 ‘사람의 요청을 주변 상황과 연결해 이해하는 AI’라는 연구 목표로 이어졌다. 첫 성과는 비디오 검색 AI의 좁은 시야를 넓힌 연구다. 기존 모델은 주인공이나 중심 물체처럼 눈에 띄는 요소에 집중해 배경의 사물, 사건의 순서, 시간에 따른 변화를 자주 놓쳤다. 방재훈 학생은 영상을 장면 전환 지점에 따라 나누고, 각 구간에 중심 대상과 주변 맥락을 함께 담은 설명을 붙였다. 이를 통해 기존 AI가 배경을 묻거나 복잡한 시간 흐름을 추적하는 질문에 취약하다는 사실을 규명했다. 이 연구를 담은 논문 ‘Beyond the Highlights’는 컴퓨터비전 분야 국제학술대회 WACV 2026에 채택됐다. 이어 연구 무대를 3차원 공간으로 확장했다. CVPR 2026에 채택된 ‘LightSplat’은 ‘흰색 소파’나 ‘라면 위 달걀’ 같은 자연어 표현만으로 3D 공간에서 원하는 물체를 찾는 기술이다. 미리 정해진 물체 범주에 얽매이지 않아 다양한 대상과 표현을 처리할 수 있다. 검색 준비에는 약 5초가 걸린다. 비교 대상에 따라 기존 방식보다 50~400배 빠르고, 메모리는 64분의 1만 사용한다. 로봇이 말로 지시한 물체를 곧바로 찾거나 AR·VR에서 문장으로 객체를 선택·편집할 수 있다. 디지털 트윈에서는 복잡한 시설의 설비와 위험 요소를 탐색하는 데 활용할 수 있다. 지난해 그는 미국 카네기멜런대(Carnegie Mellon University) 방문 연구원으로 활동하며 3D 장면 이해 분야의 전문성을 다졌다. 현재는 LG AI Research 엑사원(EXAONE) 인턴으로 비전·언어 기반 모델을 개발하고 있다. 앞으로 영상의 세밀한 맥락을 읽는 기술과 자연어 기반 3D 인식을 결합해 복잡한 규칙을 일일이 입력하지 않아도 상황과 의도를 파악하는 지능형 시스템을 구현할 계획이다. 방재훈 학생은 “이번 대통령과학장학생 선정은 지금까지 쌓아온 연구를 더 멀리 발전시키는 큰 동력이 됐다”며 “지도해 주신 주경돈 교수님께 감사드리며, 낯선 환경에서도 사람과 자연스럽게 소통하고 협업하는 인공지능을 만들고 싶다”고 전했다. 한편, 올해 대학원 대통령과학장학생 선발 경쟁률은 약 22대 1을 기록했다. 최종 선발된 장학생에게는 대통령 명의의 장학증서를 수여하고, 석사과정생에게는 매월 150만 원(연 1800만 원), 박사과정생에게는 매월 200만 원(연 2400만 원)의 장학금을 지원한다.

2016년 6월, 영국은 국민투표로 유럽연합(EU) 탈퇴를 결정했다. 직후 영국의 경제정책 불확실성 지수는 관측 이래 최고치로 치솟았다. 뒤이어 벌어진 일이 의미심장하다. 런던의 금융회사들은 1조파운드가 넘는 자산을 더블린과 프랑크푸르트로 옮겼고, 영국 기업들은 EU 역내에 새 법인을 세우며 투자를 밖으로 돌렸다. 영국이 하루아침에 나쁜 나라가 된 것은 아니다. 다만 ‘계산할 수 없는 나라’가 됐을 뿐이다. 기업은 나쁜 것보다 모르는 것을 더 두려워한다. 기업은 무엇을 보고 짐을 싸는가. 흔한 대답은 인건비와 땅값, 세금이다. 모두 맞다. 그러나 필자 연구진이 최근 국제학술지 ‘Finance Research Letters’에 발표한 연구(Relative Economic Policy Uncertainty and Outward Foreign Direct Investment)는 여기에 하나를 보탠다. 기업을 움직이는 것은 불확실성의 절대 수준이 아니라 지역 사이의 ‘상대 격차’라는 사실이다. 지난 30여 년간 한국에서 21개국으로 향한 해외직접투자를 분석했다. 한국의 정책 불확실성이 상대국보다 1% 높아지면 다음 분기 해외투자가 0.38% 늘었다. 효과는 쌓여 5분기 뒤에는 1.43%까지 커졌다. 잠깐의 관망이 아니라 지속적인 자본 재배치라는 뜻이다. 코로나 시기를 포함해도 결과는 같았고, 공급망 재편은 이 흐름을 오히려 가속했다. 실제로 한국은 몇 해째 나가는 투자가 들어오는 투자의 두 배 안팎을 오가는 나라다. 연구의 핵심은 기업의 입지 선택이 절대평가가 아니라 상대평가라는 데 있다. 기업은 ‘여기가 좋은가’를 묻지 않는다. ‘여기가 저기보다 나은가’를 묻는다. 모형 속 기업은 남을 때의 가치와 떠날 때의 가치를 저울에 올리고, 이전 비용을 뺀 뒤에도 바깥쪽이 무거우면 짐을 싼다. 불확실성은 미래의 계산을 흐리는 안개다. 안개가 짙은 쪽의 가치는 그만큼 깎인다. 결론은 두 가지다. 도시는 완벽할 필요가 없다. 경쟁 상대보다 예측 가능하면 된다. 거꾸로 아무리 매력적인 도시라도 상대보다 불확실하면 자본은 조용히 새어 나간다. 이 논리는 국경 사이에서만 작동하지 않는다. 기업이 울산과 수도권을, 울산과 해외 산업도시를 저울질할 때에도 같은 계산이 돌아간다. 지난 10년 새 제조업 임금근로자가 3만 명 넘게 줄어든 울산에 이것은 남의 이야기가 아니다. 지금 울산은 대전환기에 서 있다. 조선은 친환경 선박으로, 자동차는 전기차로, 석유화학은 고부가 소재로 갈아타는 중이고, 여기에 7조원 규모의 AI 데이터센터까지 더해졌다. 전환기는 기회의 시간이자 정의상 불확실성의 시간이다. 이럴 때 도시가 기업에 건넬 수 있는 최고의 선물은 ‘10년을 내다보고 계산할 수 있다’는 확신이다. 산업단지와 도시계획, 에너지 정책의 밑그림이 시정이 바뀌어도 흔들리지 않는다는 신뢰. 기준과 시한을 미리 알 수 있는 인허가. 한번 한 약속은 반드시 지키는 행정. 보조금과 세제 혜택은 다른 도시도 이내 따라 한다. 그러나 수십 년 쌓인 행정의 신뢰는 하루아침에 복제되지 않는다. 같은 논리는 그대로 유치 전략이 된다. 저울은 떠날까 고민하는 기업 앞에만 있지 않다. 올까 말까 재는 기업 앞에도 놓여 있다. 울산의 상대적 불확실성이 낮아지는 만큼 울산은 유출을 막는 도시에서 유입을 부르는 도시로 바뀐다. 붙잡는 정책과 데려오는 정책은 결국 같은 정책이다. 연구의 또 다른 함의는 이전 비용에 있다. 숙련된 인력, 촘촘한 공급망, 대학·연구기관과의 협력. 자리를 옮기는 순간 잃어야 하는 이런 자산이 두터울수록 기업은 웬만한 충격에는 떠나지 않는다. 기업을 지역 생태계에 깊이 뿌리내리게 하는 일이 곧 최고의 정착 정책인 이유다. 울산은 항만을 넓히고 도로를 닦고 전력망을 까는 데 익숙한 도시다. 그러나 인프라가 콘크리트로만 지어지는 것은 아니다. 예측 가능한 정책, 일관된 행정, 이행되는 약속. 이 ‘확실성’이야말로 예산이 거의 들지 않는 가장 강력한 인프라다. 기업은 오늘도 저울 위에서 도시를 계산하고 있다. 브렉시트의 영국이 값비싸게 치른 수업료를, 울산은 공짜로 배울 수 있다. 이사야 UNIST 경영과학부 교수 <본 칼럼은 2026년 8월 13일 경상일보 “[목요칼럼]10년을 계산할 수 있는 도시”라는 제목으로 실린 것입니다.>

UNIST가 학과의 벽을 허물고 AI 전공 중심 체계로 전환해 교육 혁신에 나선다. 지역 전략산업 현안을 학부 수업에서 다루고, 그 해법을 대학원 연구와 기술개발로 확산하는 ‘AI융합대학’을 오는 9월 출범한다. UNIST는 11일(화) 이사회를 열어 기존 정보바이오융합대학을 AI융합대학으로 확대·개편하는 안을 의결했다. 새 체계는 2027학년도 학사과정 입학생부터 적용한다. 이번 개편은 정부의 국가 AI 전환 정책과 초광역지역 메가프로젝트, 4대 과학기술원 AX 전략에 맞춰 추진됐다. 동남권 주력산업에서 AI 전환이 본격화되는 가운데, UNIST는 AI 전공교육과 산업 분야별 융합교육을 아우르는 인재양성 기반을 마련했다. 기업·연구기관의 실제 문제와 데이터를 교육에 끌어들여 산학협력으로 확장하는 UNIST형 AI 교육 모델이다. AI 융합대학은 전공 중심으로 유연하게 운영된다. 학부 교육은 학과가 아닌 AI 전공을 통합적으로 관리·조정해 학생 수요와 산업·기술 변화를 반영한다. AI융합대학 학사과정은 전기전자공학, 컴퓨터공학, 인공지능, 산업공학, 바이오메디컬공학, 인간중심디자인공학 전공을 기반으로 한다. 여기에 조선해양, 우주항공, 방산, 소재, 반도체, 의료 등 국가·지역 전략산업과 연계한 'AX융합전공' 8개가 새로 신설된다. 학생은 전공 간 경계를 넘나들며 진로와 관심 분야에 맞춰 교육과정을 설계할 수 있다. AI 기술을 각 산업 실제 문제에 적용하는 교육을 통해 현장 맞춤형 문제해결 역량을 기른다. UNIST만의 차별성은 산업·연구 현장을 교육과 직접 연결하는 데 있다. 대표 프로그램인 ‘인더스트리 인스파이어 프로젝트(IIL·Industry Inspired Learning)’는 학생들이 산업체와 연구기관이 제시한 실제 문제와 데이터를 바탕으로 교수·산업 전문가와 함께 문제를 분석하고 해결 방안을 모색한다. 특히, 강의실에서 익힌 AI와 전공 지식을 산업 프로젝트에 활용한다. 학부에서 쌓은 융합역량을 대학원 연구와 산업 적용(랩 투 팩토리·Lab to Factory)으로 이어 나갈 계획이다. 학부-대학원-산업을 잇는 교육·연구 선순환 체계도 구축한다. 학부에서 AI 기초교육과 전공교육, AX융합교육을 단계적으로 이수한 뒤, 대학원에서 이를 전문 연구로 발전시키는 구조다. 연구 성과는 다시 지역 산업의 기술혁신과 AI 전환에 활용되도록 산학연 협력을 강화해 나갈 방침이다. 이를 뒷받침하기 위해 UNIST는 2027학년도부터 학사과정과 대학원 국비장학생 정원을 각각 100명 확대한다. AI와 전략산업 분야의 교육·연구 인프라를 단계적으로 확충할 예정이다. 박종래 총장은 “AI융합대학은 산업 현장의 문제를 교육과 연구의 출발점으로 삼아 해법을 새로운 기술로 구현하는 거점인 국가산업 AX넥서스가 될 것”이라며 “UNIST 연구역량에 국가·지역 전략산업의 전문성을 더해 AI 전환을 이끌 세계적 인재를 키우겠다”고 말했다.

AI 학습에 꼭 필요한 데이터만 압축해 추려내는 기술을 CCTV 영상에서 동일한 사람이나 차량을 찾는 기술에 최초로 적용한 연구가 나왔다. 방대한 영상 데이터를 통째로 학습시키는 대신 알짜 데이터만 골라 학습해도 비슷한 성능을 낼 수 있어, AI 학습에 드는 저장 공간과 시간을 크게 줄일 수 있을 것으로 기대된다. 인공지능대학원 심재영 교수팀은 재식별에 특화된 코어셋 선택 기술인 'CSOR(Coreset Selection for Object Re-identification)'을 개발했다. 코어셋 선택은 방대한 원본 데이터에서 AI 학습에 꼭 필요한 소규모 대표 데이터를 압축해 추려내는 기술이다. 전체 데이터를 반복 학습시키지 않아도 돼 학습 시간, GPU 사용량, 전력 소모를 동시에 줄일 수 있어 AI 학습 비용을 낮추는 기술로 주목받고 있다. 연구팀은 이러한 코어셋 선택 기술을 재식별 AI 학습에 효과적으로 적용하기 위해 2단계를 개발했다. 재식별은 서로 다른 카메라 영상에서 동일한 사람이나 차량 등을 찾아내는 기술이다. 제1저자인 오민영 UNIST 연구원은 “재식별 AI는 학습 때 보지 못한 전혀 새로운 사람이나 차량을 평가에서 구별해야 한다는 점에서 기존 분류용 코어셋 기술을 그대로 적용하기 힘들다”며 “이 차이에서 출발해 재식별에 맞는 기준을 처음부터 새롭게 설계했다”고 설명했다. CSOR은 먼저 비슷한 모습이 반복돼 다양성이 낮은 사람·차량의 데이터 묶음을 걸러낸 뒤, 남은 데이터 묶음에서는 전체 모습을 가장 폭넓게 대표할 수 있는 사진을 우선 선별하는 2단계를 거친다. 기존 이미지 분류용 코어셋이 전체 데이터를 잘 대표하는 샘플을 고르는 데 초점을 맞췄다면, CSOR은 여기에 같은 사람이나 차량의 다양한 모습까지 고려해 적은 데이터로도 새로운 대상을 구별하는 데 필요한 정보를 충분히 학습할 수 있도록 설계한 것이다. 실험 결과, 전체 데이터의 약 절반만 사용하고도 전체 데이터로 학습했을 때의 95% 이상 성능을 달성했다. 심재영 교수는 “재식별 데이터는 주로 동영상으로 얻기 때문에 같은 사람이나 차량이 연속된 장면에 반복해서 등장해 중복 데이터가 빠르게 쌓인다”며 “이번에 개발한 CSOR은 이러한 중복을 줄이면서도 재식별에 필요한 다양한 정보는 남길 수 있어, 저장 용량과 연산 자원이 제한된 엣지 디바이스에서도 재식별 AI를 효율적으로 학습하고 운용하는 데 도움이 될 것”이라고 밝혔다. 이번 연구는 세계 3대 AI 학회 중 하나인 국제머신러닝학회(ICML, International Conference on Machine Learning) 2026에 채택됐다. ICML 2026은 7월 서울 코엑스에서 개최됐다. 이번 연구는 과학기술정보통신부의 재원으로 한국연구재단(NRF)의 ‘중견연구사업’ 및 정보통신기획평가원(IITP)의 ‘인공지능대학원지원사업’, ‘AI 스타펠로우십사업’, ‘산업융합형 멀티모달 생성 인공지능 인재양성’ 사업의 지원을 받아 수행됐다.