NASA 화성 로버, AI가 계획한 경로로 최초 주행 성공: Anthropic Claude가 화성을 달린다

2026년 1월 30일, NASA 제트추진연구소(JPL)가 역사적인 발표를 했습니다. 화성 탐사 로버 Perseverance가 AI가 완전히 계획한 경로로 화성 표면을 주행하는 데 최초로 성공한 것입니다. 사용된 AI는 Anthropic의 Claude이며, 이는 28년간의 화성 로버 역사에서 처음으로 생성형 AI가 다른 행성에서의 로버 경로를 계획한 사례입니다.

1. 주행 기록: 455.9미터, 두 번의 역사적 주행

• 1차 주행 (2025년 12월 8일, Sol 1707): 210미터(689피트)
• 2차 주행 (2025년 12월 10일, Sol 1709): 245.9미터(807피트), 약 2.5시간 소요
• 총 주행 거리: 455.9미터(1,496피트)
• 지형: 제제로 분화구(Jezero Crater) 림 — 고대 강 삼각주, 모래 물결, 거친 암반, 바위밭

"생성형 AI의 기본 요소들이 타행성 주행을 위한 자율 내비게이션의 핵심 축을 간소화하는 데 큰 가능성을 보여주고 있다: 지각(바위와 물결 보기), 위치 파악(현 위치 아는 것), 그리고 경로 계획과 제어(가장 안전한 경로를 결정하고 실행하는 것)."
- Vandi Verma, JPL 우주 로봇공학자

2. 왜 AI가 필요한가: 화성 통신 문제

화성은 지구에서 평균 약 2억 2500만 km 떨어져 있습니다. 신호가 편도로 4~24분 걸립니다. 실시간 조종이 불가능하기 때문에, 지난 28년간 인간 "로버 플래너"들이 매번 수동으로 지형을 분석하고 약 100미터 간격으로 경유점을 설정해왔습니다.

한 번의 계산 실수로 수십억 달러 가치의 로버가 모래에 빠질 수 있습니다. Spirit 로버가 2009년 모래에 갇혀 멈춘 사례가 대표적입니다.

3. Claude AI는 어떻게 작동했나: 기술 프로세스

단계 1: 28년치 데이터 학습

JPL 엔지니어들은 Sojourner(1997), Spirit, Opportunity, Curiosity, Perseverance까지 28년간의 화성 주행 데이터와 경험을 Claude Code에 입력했습니다.

단계 2: 궤도 이미지 분석

Claude는 화성 정찰 궤도선(MRO)의 HiRISE 카메라 고해상도 궤도 이미지와 디지털 고도 모델(DEM)의 지형 경사 데이터를 분석했습니다.

단계 3: 지형 특징 식별

AI가 다음 지형 요소를 자동 식별:

• 암반 노출부
• 바위 군집
• 위험한 바위밭
• 움직이는 모래 물결

단계 4: 경유점 생성 및 자기 검증

Claude는 약 10미터(32피트) 간격의 경유점을 연결하여 연속 경로를 생성했습니다. 핵심은 AI가 자기 자신의 경유점을 비판적으로 검토하고 수정안을 제안한 뒤 최종화했다는 점입니다.

단계 5: 로버 마크업 언어(RML) 코드 작성

Claude는 최종 주행 명령을 Rover Markup Language(RML)로 작성했습니다. 이는 Mars Exploration Rover 미션용으로 개발된 XML 기반 프로그래밍 언어로, 인간 운전사가 로버와 통신할 때 사용하는 것과 동일한 코드 포맷입니다. AI가 실제 임무 수행용 비행 소프트웨어를 작성한 최초의 사례 중 하나입니다.

단계 6: 디지털 트윈 검증

AI가 생성한 명령은 JPL의 Perseverance 디지털 트윈(가상 복제본)에서 50만 개 이상의 텔레메트리 변수를 검증하여 위치 예측과 위험 요소를 확인한 후 화성으로 전송되었습니다.

단계 7: 인간 검토

JPL 엔지니어들이 Claude의 계획을 검토한 결과, 소소한 수정만 필요했습니다. 주요 수정 사항은 좁은 구간에서 지상 카메라 이미지(Claude가 보지 못한)로 모래 물결을 더 정확히 파악하여 경로를 세분화한 것뿐이었습니다.

4. 핵심 성과

• 경로 계획 시간 50% 단축: 엔지니어들이 수동 계획에 쓰는 시간이 절반으로
• 100미터 → 킬로미터 단위 주행: AI가 장거리 경로 계획을 가능하게 함
• 90%+ 자율 주행: Perseverance는 이미 여정의 90% 이상을 자율 주행, AI 경로 계획이 추가적 자율성 부여
• 자기 교정 능력: AI가 스스로의 작업을 비판하고 수정

5. 미래 임무로의 확장

이 기술은 통신 지연이 더 큰 미래 임무의 시험대입니다.

달 (아르테미스 프로그램)

NASA의 아르테미스 캠페인은 달 남극에 영구 기지를 건설할 계획입니다. AI 기반 자율 주행은 달 로버와 건설 장비에 필수적입니다.

목성의 유로파

지구-유로파 간 신호 지연: 약 45분. AI 자율 내비게이션이 유일한 해결책입니다.

토성의 타이탄

신호 지연: 1시간 이상. AI 없이는 탐사 자체가 불가능합니다.

"지구의 지능형 시스템뿐 아니라, 로버, 헬리콥터, 드론 등 표면 장비에도 NASA 엔지니어, 과학자, 우주비행사의 집단 지혜로 훈련된 지능형 시스템을 상상해보라. 그것이 달에 영구적 인류 거주지를 구축하고 미국을 화성으로 데려가는 데 필요한 게임 체인저 기술이다."
- Matt Wallace, JPL 탐사 시스템실 매니저

6. Anthropic의 새로운 영역 개척

이 프로젝트는 Anthropic에게도 중요한 이정표입니다. Claude가 챗봇, 코딩 도구를 넘어 실제 우주 임무의 핵심 소프트웨어를 작성하는 수준에 도달했음을 보여줍니다.

• 미션 크리티컬 소프트웨어 작성: 활성 우주 임무용 비행 소프트웨어를 AI가 작성
• 자기 검증 능력: 생명/자산 위험이 있는 상황에서 자기 검증의 가치 입증
• 도메인 전문성: 28년치 전문 데이터를 흡수하고 전문가 수준으로 활용
• 실제 세계 영향: 벤치마크가 아닌 다른 행성에서의 실제 검증

7. 개발자와 AI 업계를 위한 시사점

1. AI의 활용 범위: 코딩, 글쓰기를 넘어 로보틱스, 우주 탐사까지 확장
2. 자기 교정의 가치: 고위험 환경에서 AI 자기 검증이 안전성의 핵심
3. 도메인 데이터의 중요성: 28년치 전문 데이터가 AI의 실용적 가치를 극대화
4. 인간-AI 협업: AI가 계획하고 인간이 검증하는 모델의 성공 사례
5. 디지털 트윈: AI 출력의 안전한 검증을 위한 시뮬레이션의 중요성

"이 시연은 우리의 역량이 얼마나 발전했는지 보여주며, 다른 세계를 탐사하는 방식을 넓혀줍니다. 이러한 자율 기술은 임무가 더 효율적으로 운영되고, 어려운 지형에 대응하며, 지구로부터의 거리가 커질수록 과학적 성과를 높이는 데 도움이 됩니다."
- Jared Isaacman, NASA 관리자

화성에서의 AI 자율 주행 성공은 단순한 기술 데모가 아닙니다. 인류의 우주 탐사 방식을 근본적으로 바꿀 수 있는 전환점입니다. WhatsUpPick은 후속 주행 결과와 아르테미스 프로그램에서의 AI 활용을 계속 추적하겠습니다.

8. 한국 개발자·기업에게 주는 시사점

① 우주·항공 분야: "AI 계획 + 디지털 트윈 검증" 파이프라인이 새 표준이 될 수 있다

이번 사례의 핵심은 AI가 경로를 짰다는 것 자체보다, AI 출력 → 자기 검증 → 디지털 트윈 시뮬레이션 → 인간 최종 검토라는 다층 검증 파이프라인이 실제 임무에서 작동했다는 점입니다. 달 궤도선 다누리 이후 달 착륙선·심우주 탐사를 준비하는 한국 우주 프로그램과 국내 위성·로버 관련 기업에게는, 자율 운용 소프트웨어를 처음부터 이런 검증 구조 위에서 설계하는 것이 국제 협력 임무 참여의 사실상 전제 조건이 될 가능성이 큽니다. 특히 JPL이 범용 생성형 AI를 자체 시뮬레이터와 결합해 썼다는 점은, 모든 것을 자체 개발하기보다 검증 인프라에 투자하는 쪽이 현실적인 전략임을 시사합니다.

② 고위험 산업 전반: 제조·방산·에너지의 자율화 로드맵에 참고할 레퍼런스

"한 번의 실수가 수십억 달러 자산을 잃게 하는" 환경에서 AI가 계획을 세우고 인간이 검토하는 모델이 성공했다는 것은, 한국의 제조 설비 자율화, 방산 무인체계, 원전·플랜트 점검 로봇처럼 실수 비용이 큰 국내 산업에도 직접적인 레퍼런스가 됩니다. 주목할 부분은 AI가 인간 운전사와 동일한 명령 포맷(RML)으로 작업했다는 점입니다. 기존 운영 체계를 갈아엎지 않고 AI를 기존 워크플로우의 한 참여자로 편입시키는 접근은, 레거시 시스템 비중이 큰 국내 대기업·공공 부문이 자율화를 도입할 때 전환 비용을 크게 낮추는 설계 원칙으로 삼을 만합니다.

우리의 관점: 이번 주행은 기술 데모를 넘어 "고위험 자율 시스템에서 생성형 AI를 어떻게 안전하게 쓰는가"에 대한 운영 교과서에 가깝습니다. 핵심은 AI의 성능이 아니라 검증 계층의 설계였고, 인간 검토에서 소소한 수정만 나왔다는 사실이 이 구조의 성숙도를 보여줍니다. 한국에서도 향후 2~3년 내 방산·제조·우주 분야에서 유사한 "AI 계획-시뮬레이션 검증-인간 승인" 구조의 도입 시도가 늘어날 것으로 전망하며, 이때 병목은 AI 모델이 아니라 신뢰할 수 있는 디지털 트윈과 도메인 데이터의 축적이 될 것입니다. 28년치 주행 데이터가 이번 성공의 토대였다는 점을 감안하면, 지금부터 운영 데이터를 체계적으로 쌓는 조직이 자율화 전환에서 앞서갈 것입니다.

※ 위 시사점 섹션은 보도된 사실에 기반한 WhatsUpPick 편집팀의 독자적 분석·전망이며, 특정 제품 도입을 권유하는 것이 아닙니다.

참고 자료

• NASA JPL - Perseverance Rover Completes First AI-Planned Drive
• Anthropic - Claude on Mars
• Space.com - Perseverance First AI-Planned Drive
• SciTechDaily - Perseverance Makes History
• Interesting Engineering - NASA Perseverance AI Mars Drive