Bridging Ecological Inference and Decision Optimization for Conservation Using Artificial Intelligence

당신이 거친 파도를 앞을 내다볼 수 없는 폭풍우 치는 바다를 항해하는 선장이라고 상상해 보십시오. 하지만 당신의 지도는 잉크가 번진 냅킨 위에 그려져 있습니다. 이것이 멸종 위기 종을 구하려는 보전 과학자들이 마주하는 일상의 현실입니다. 그들은 야생 개체군이 날씨, 질병, 또는 자신들의 행동에 어떻게 반응할지 정확히 알지 못하는 상태에서, 동물원에서 새끼 동물을 얼마나 키울지 혹은 그들을 새로운 서식지로 어떻게 옮길지와 같은 중대한 결정을 내려야 합니다. 오랫동안 과학자들은 두 가지 나쁜 선택지 중 하나를 골라야 했습니다. 읽기는 쉽지만 위험한 폭풍은 무시하는 단순한 지도를 사용하거나, 너무 복잡해서 어느 방향으로 키를 잡아야 할지 알 수 없는 매우 상세한 지도를 사용하는 것이었습니다.

이를 해결하기 위해, 연구자들은 이제 두 가지 강력한 도구를 결로합하려고 노력하고 있습니다. 첫째, "통합 개체군 모델(Integrated Population Models)"이 있습니다. 이것은 마치 고성능 탐정처럼 다양한 출처(예: 물고기 수를 세거나, 이동 경로를 추적하거나, 새끼의 상태를 확인하는 것 등)에서 단서를 모아, 데이터가 엉망인 상황에서도 개체군의 실제 상태를 추측해 냅니다. 둘째, "심층 강화 학습(Deep Reinforcement Learning)"이 있습니다. 이는 인공지능의 한 종류로, 게임을 반복해서 플레이하며 학습합니다. 이 게임에서 AI는 다양한 움직임을 시도하고, 좋은 결과에는 점수를 얻고 나쁜 결과에는 점수를 잃으면서, 게임의 규칙이 아무리 복잡하더라도 결국 승리하기 위한 완벽한 전략을 찾아냅니다. 큰 질문은 이것입니다. 우리가 AI에게 이 엉망인 현실 세계의 탐정 단서들을 사용하여 종을 구하기 위한 완벽한 수를 두도록 가르칠 수 있을까요?

이 논문은 "그렇다"라고 말하며, 멸종 직전의 위기에 처한 작은 물고기인 리오 그란데 실버 미노우(Rio Grande silvery minow)를 대상으로 테스트함으로써 이를 보여줍니다. 이 물고기는 계속해서 마르고 변화하는 강에 살고 있으며, 이는 까다로운 보전 문제를 보여주는 완벽한 사례가 됩니다. 이 물고기에게는 두 가지 주요 적이 있습니다: 바로 완전히 사라질 위험(멸종)과 유전적 다양성을 잃을 위험(이는 집단 전체를 약하게 만들고 병에 걸리기 쉽게 만듭니다)입니다. 현재 관리자들이 이 문제를 다루는 방식은 마치 2002년에 쓰인 레시피를 따르는 것과 비슷합니다. 그들은 강의 유량에 대한 단순한 예측을 바탕으로 물고기를 얼마나 키울지 추측한 뒤 특정 장소에 풀어줍니다.

저자들은 물고기의 삶을 수천 번, 50년 동안 시뮬레이션하는 디지털 놀이터를 구축했습니다. 그들은 AI 에이전트에게 물고기 관리자의 역할을 수행하도록 가르쳤습니다. 이 AI는 단순히 레시피를 따르는 것이 아니었습니다. AI는 시뮬레이션 속에서 개체군이 늘어나고 줄어드는 것을 관찰하며 학습했고, 현재의 개체군 크기, 강의 유량, 그리고 집단의 유전적 건강 상태에 따라 부화장에서 얼마나 많은 물고기를 생산할지, 그리고 어디에 방류할지에 대한 결정을 조정했습니다. AI는 두 가지 상충하는 목표, 즉 물고기를 생존시키는 것과 유전적 건강을 유지하는 것 사이의 균형을 맞추도록 훈련받았습니다.

결과는 명확했습니다. AI 관리자는 기존의 레시피보다 훨씬 더 뛰어난 선장이었습니다. 시뮬레이션에서 AI의 전략은 현재 실제로 사용되는 방법을 포함하여 그들이 시도한 다른 모든 방법보다 우수했습니다. 목표가 물고기의 멸종을 막는 것에 집중되었을 때, AI의 계획은 현재의 전략보다 5.3% 더 나은 성과를 보였습니다. 하지만 목표가 물고기의 유전적 다양성을 보호하는 것에 집중되었을 때, AI는 무려 185%나 더 뛰어났습니다. 기존의 전략들은 너무 서툴렀습니다. 그들은 종종 물고기를 잘못된 장소나 잘못된 시기에 방류하여, 물고기를 구하려다 오히려 개체군의 유전적 건강을 해치는 실수를 범했습니다.

AI는 인간이 놓칠 수도 있는 영리한 기술들을 배웠습니다. 예를 들어, AI는 강물의 흐름이 높을 때(즉, 물고기들에게 좋은 해일 때) 과밀화와 유전적 문제를 피하기 위해 새끼 물고기를 적게 생산해야 한다는 것을 알아냈습니다. 반대로 강물이 적거나 물고기 개체군이 적을 때는 "전원 전투 배치" 모드로 전환하여, 최대치의 물고기를 생산하고 물고기가 가장 빠르게 죽어가고 있는 특정 강 구역에 방류했습니다. 또한 AI는 상황이 적절하지 않다면 물고기를 전혀 방류하지 않고 기다리는 것이 더 낫다는 미묘한 차이까지도 깨달았습니다. 기존의 규칙들이 놓쳤던 부분입니다.

이 연구에서 가장 멋진 부분 중 하나는 AI가 아무도 이해할 수 없는 "블랙박스"가 아니었다는 점입니다. 연구자들은 AI의 뇌 내부를 들여다보았고, 그 결정들이 완벽하게 생물학적 근거를 가지고 있다는 것을 발견했습니다. AI의 결정은 주로 가장 작은 강 구역에 있는 물고기의 수와 전체 물고기의 수에 의해 좌우되었습니다. 이는 AI가 단순히 운이 좋았던 것이 아니라, 실제로 게임의 규칙을 배웠음을 의미합니다. 이 연구는 이러한 결합(개체군 모델이라는 탐정 작업과 강화 학습이라는 게임 플레이 AI)이 다른 멸종 위기 종들을 구하는 데 있어서도 판도를 바꿀 수 있음을 시사합니다. 이는 복잡한 과학과 실제 행동 사이의 간극을 메워주며, 자연의 혼돈을 다룰 만큼 똑똑하면서도 신뢰할 수 있을 만큼 명확한 도구를 관리자들에게 제공합니다. 비록 이 모든 과정이 컴퓨터 시뮬레이션 상에서 이루어졌지만, 결과는 우리가 AI의 도움을 받아 배를 조종한다면, 멸종 위기 종들이 폭풍 속으로 가라앉는 것을 막을 수 있을지도 모른다는 점을 시사합니다.