🗺️ AI가 드디어 지도를 읽기 시작했다 — 길찾기 능력은 왜 그렇게 어려웠을까?

 

AI가 지도를 못 읽는다고? 그게 진짜라고요?

병원에 처음 가도 입구 안내판 하나 보면 진료과를 금방 찾죠. 복잡한 쇼핑몰에서도 머릿속으로 동선을 그리며 "저 코너 지나서 오른쪽"이 자연스럽게 튀어나옵니다. 워낙 익숙한 능력이라 당연하게 느껴지지만, 이게 사실 굉장히 복잡한 인지 능력이거든요.

그런데 요즘 AI를 보면서 다들 이런 생각 하시잖아요. "논문도 쓰고, 그림도 그리고, 법률 문서도 분석하는데 지도 길찾기 하나 못 해?" 맞습니다. 이게 사실입니다. 어쩌면 충격적일 수도 있는 이야기인데요.

2026년 2월, 구글 연구팀이 이 문제를 정면으로 다룬 논문을 발표했습니다. 제목은 '맵트레이스(MapTrace)'. AI가 지도를 제대로 읽지 못했던 이유, 그리고 그걸 어떻게 해결했는지 오늘 쉽게 풀어드릴게요.

AI 눈에 지도는 그냥 '픽셀 덩어리'

우리 눈에 지도는 길과 건물, 통로와 장벽이 명확히 구분된 구조물입니다. 그런데 AI한테 지도는 수백만 개의 픽셀이 모여 만든 이미지에 불과해요. 색상 패턴을 인식하고 유사한 학습 데이터를 대응하는 방식으로 작동하기 때문에, "이 선은 벽이니까 건너면 안 된다"는 논리적 판단 자체가 매우 어렵습니다.

실제로 멀티모달 AI에게 "동물원 지도에서 입구에서 파충류관까지 가는 길을 그려봐"라고 하면, 담장을 넘거나 매점 한복판을 통과하는 경로를 그려내곤 했습니다. 보는 사람 입장에서는 황당하지만 AI 입장에서는 이유가 있는 실패입니다.

AI가 공간 추론을 하려면 단순히 이미지를 인식하는 것 이상이 필요합니다. 경로의 연결성, 장애물 위치, 순서 있는 좌표 시퀀스 같은 기하학적·위상학적 관계를 이해해야 하거든요. 한 마디로 AI는 지도를 보긴 했지만, 지도 읽는 법을 배운 적이 없었던 겁니다.

왜 이 능력이 없으면 큰일 날까요?

공간 추론 능력이 없으면 AI를 현실 세계에서 활용하는 데 어마어마한 한계가 생깁니다.

로봇을 생각해보세요. 병원 복도를 이동하는 의료 로봇, 물류 창고에서 짐을 나르는 AMR(자율이동로봇), 공항에서 캐리어를 끄는 포터 로봇. 이 모든 로봇이 지도를 보고 스스로 경로를 설정할 수 있어야 합니다. 실제로 IFR(국제로봇연맹)에 따르면 2025년 기준 글로벌 로봇 시장 규모는 약 435조 원에 달하며, AI 기술과 결합하면서 연평균 20~25% 이상 고성장이 예상됩니다. 이 시장이 제대로 열리려면 AI의 공간 추론 능력이 필수입니다.

시각장애인을 위한 경로 안내 시스템도 마찬가지입니다. 건물 내부 경로를 단계별로 음성으로 설명하거나, 계단 없는 배리어프리 경로를 자동으로 찾아주는 서비스. 전부 공간 추론이 바탕에 깔려 있어야 가능한 일들이에요.

구글이 내놓은 해법 — 맵트레이스(MapTrace)

AI가 지도 읽는 법을 배우지 못한 핵심 이유는 학습 데이터가 없어서였습니다. 구글 연구팀은 단순명쾌한 결론을 냈습니다. 데이터가 없으면 만들면 되지.

인간이 지도에 경로를 일일이 손으로 그려 표시하는 방식은 현실적으로 불가능합니다. 길 하나를 픽셀 수준 정확도로 표시하는 것만 해도 상당한 시간이 걸리고, 쇼핑몰이나 박물관, 테마파크처럼 복잡한 실내 지도 대부분은 저작권도 있거든요.

그래서 맵트레이스는 AI로 AI를 가르치는 방식을 택했습니다. 인공지능이 지도를 생성하고, 그 지도에서 경로를 추출하고, 다른 인공지능이 품질을 검증하는 자동화 파이프라인을 구축한 거예요.

4단계 자동화 파이프라인, 이렇게 작동합니다

첫 번째 단계는 지도 이미지 자동 생성입니다. 대형 언어 모델이 "동물원 지도, 서로 연결된 구역" 또는 "중앙 푸드코트가 있는 쇼핑몰"처럼 다양하고 구체적인 설명문을 만들어내고, 이미지 생성 모델이 그 설명을 바탕으로 실제 지도 이미지를 그려냅니다. 이 방식 덕분에 복잡도와 종류가 다양한 지도를 무한히 생성할 수 있어요.

두 번째 단계는 이동 가능한 공간을 찾아내는 과정입니다. 지도 이미지에서 색상이 비슷한 픽셀을 묶어 후보 경로 구역을 만들어냅니다. 여기서 마스크 감별사 AI가 등장해 후보 구역이 실제 보행로처럼 보이는지, 연결성이 있는 합리적인 통로인지 판단하고 품질 높은 것만 통과시킵니다.

세 번째 단계는 지도를 그래프로 변환하는 것입니다. 이동 가능한 영역이 확정되면 교차로는 점(노드), 그 사이 도로는 선(엣지)으로 표현되는 그래프 구조로 변환합니다. 컴퓨터가 경로를 계산하기 훨씬 적합한 형태로 바꾸는 거예요.

네 번째 단계는 최적 경로 생성과 검증입니다. 무수히 많은 출발점과 도착점 조합을 설정하고, 다익스트라 알고리즘으로 최단 경로를 계산합니다. 마지막으로 경로 감별사 AI가 완성된 경로를 지도 위에 겹쳐보며 사람이 실제로 선택할 법한 경로인지 최종 검증합니다. 이 과정으로 총 200만 건의 경로 학습 데이터가 탄생했습니다.

실험 결과 — 숫자가 보여주는 변화

연구팀은 200만 건 중 약 2만 3천 건의 데이터만으로 여러 모델을 추가 학습시키고 실제 지도 평가 데이터셋에서 성능을 측정했습니다.

구글의 제미나이 2.5 플래시 모델은 학습 전 경로 오류 점수가 1.29에서 0.87로 크게 낮아졌습니다. 수치가 낮을수록 정확한 건데, 꽤 의미 있는 개선이죠. 오픈소스 모델인 젬마 3 27B도 1.29에서 1.13으로 향상됐고, 경로를 제대로 생성하는 성공률도 6.4포인트나 올랐습니다.

학습 전에는 목적지 근처까지도 못 가거나 경로 자체를 만들지 못하는 경우가 많았다면, 학습 후에는 경로를 만들어내는 빈도 자체가 확 늘었고 정확도도 의미 있게 개선된 거예요. 이 실험이 증명한 핵심은 이겁니다. 공간 추론은 타고나는 능력이 아니라, 올바른 데이터로 후천적으로 가르칠 수 있다는 것.

구글 지도도 AI로 다시 태어나는 중

이 흐름이 단순한 연구 논문에 그치지 않는다는 건 최근 구글의 움직임을 보면 알 수 있어요. 2026년 3월, 구글은 AI 기반 대화형 내비게이션을 탑재한 구글맵 대규모 업데이트를 공개했습니다. 기존 내비게이션이 "500미터 앞에서 우회전"이라고 안내했다면, 새로운 기능은 "다음 편의점 지나서 우회전"처럼 주변 지형을 활용한 자연스러운 안내를 제공합니다.

한국에서도 이 변화가 느껴질 겁니다. 최근 정부가 구글의 고정밀 지도 데이터 국외 반출을 20년 만에 조건부 허용하면서, 구글이 AI와 위성, 교통 데이터를 결합해 한국에서도 글로벌 수준의 지도 서비스를 본격화할 전망이거든요.

AI가 공간을 이해하면 세상이 어떻게 달라질까

공간 추론 능력이 갖춰진 AI가 본격적으로 활용되기 시작하면 가장 먼저 달라지는 건 실내 내비게이션입니다. 현재 지도 앱은 야외 도로는 잘 안내하지만, 대형 병원이나 공항, 복합 쇼핑몰 안에서의 세밀한 경로 안내는 여전히 아쉬운 수준이에요. 실내 위치 확인 및 내비게이션 시장은 2026년 약 66억 5천만 달러 규모에서 2035년까지 500억 달러 이상으로 성장할 것으로 전망됩니다. 연평균 24.5%의 성장률이니 엄청난 기회가 열리는 셈이죠.

로봇 분야도 크게 바뀝니다. 지금은 새로운 환경에 투입되는 로봇에게 경로를 수동으로 프로그래밍해야 하는 경우가 많습니다. 지도를 읽는 AI가 탑재되면 도면 하나만 보고도 스스로 경로를 설정할 수 있게 돼요. LG전자가 CES 2026에서 공개한 가정용 로봇 CLOiD가 집 안 공간을 스스로 파악하고 이동하는 것처럼, 공간 이해 능력이 AI 로봇의 핵심 경쟁력으로 자리 잡고 있습니다.

접근성 서비스도 훨씬 정교해집니다. 시각장애인을 위한 단계별 음성 경로 안내, 계단 없는 배리어프리 동선 자동 탐색 같은 서비스가 가능해지는 거예요.

마무리

오늘 살펴본 맵트레이스 연구는 AI가 아직 갖추지 못한 능력들이 분명히 존재한다는 것, 그리고 올바른 데이터를 설계하면 그 능력을 후천적으로 키울 수 있다는 걸 동시에 보여줍니다.

핵심을 정리하면 이렇습니다. 기존 AI는 이미지 인식은 잘했지만 공간 추론에는 약했고, 그 이유는 학습 데이터 자체가 없었기 때문입니다. 구글 연구팀은 AI가 직접 지도를 만들고 경로를 생성하고 품질을 검증하는 자동화 파이프라인으로 200만 건의 데이터를 만들어냈습니다. 이 데이터로 학습한 모델은 실제 지도 평가에서 눈에 띄게 좋아졌고, 공간 추론이 학습 가능한 능력임을 증명했습니다.

AI가 단순히 텍스트와 이미지를 처리하는 수준을 넘어, 공간과 맥락과 물리적 제약을 이해하는 방향으로 빠르게 진화하고 있습니다. 이 흐름을 주목하고 계세요. AI가 드디어 지도 읽는 법을 배우기 시작했거든요.