AI가 문화재의 손상을 찾아낼 수 있을까? 인공지능이 바꾸는 보존과학

박물관에 수만 점의 문화재가 있다고 생각해보자.

모든 문화재를 매일 꺼내 균열이 생겼는지, 색이 변했는지, 표면에 새로운 얼룩이 나타났는지 사람이 하나씩 확인하는 것은 현실적으로 어렵다.

야외 문화유산은 더 어렵다.

거대한 성벽과 석탑, 건축물의 모든 표면을 매번 같은 조건으로 조사하려면 많은 시간과 인력이 필요하다.

그런데 몇 년 동안 촬영한 문화재 사진을 인공지능이 비교해 새로운 균열이 생긴 부분을 자동으로 표시해준다면 어떨까?

또 온도와 습도, 조도, 과거 손상 기록을 함께 분석해 어떤 문화재에서 문제가 발생할 가능성이 높은지 미리 알려준다면 어떨까?

이것은 더 이상 단순한 공상과학의 이야기가 아니다.

이미 인공지능과 컴퓨터 비전 기술은 의료 영상, 제조업의 불량 검사, 위성영상 분석, 시설물 안전관리 등 이미지와 데이터를 다루는 다양한 분야에서 활용되고 있다.

문화재 보존에서도 비슷한 기술을 적용하려는 연구와 시도가 이어지고 있다.

하지만 중요한 질문이 하나 있다.

AI가 문화재의 손상을 발견한다면 이제 보존과학자는 필요 없어지는 것일까?

결론부터 말하면 그렇지 않다.

AI는 보존과학자의 눈을 확장할 수 있는 강력한 도구가 될 수 있지만 문화재의 가치와 손상의 의미까지 스스로 완벽하게 판단하는 존재는 아니다.

AI는 문화재를 어떻게 볼까?

사람이 문화재를 보면 자연스럽게 형태와 색, 균열, 얼룩을 구분한다.

AI에게 처음부터 이러한 개념이 존재하는 것은 아니다.

컴퓨터는 기본적으로 이미지를 수많은 숫자의 배열로 처리한다.

디지털 사진의 각 픽셀에는 밝기와 색에 관한 정보가 들어 있다.

AI는 많은 데이터를 학습하면서 특정한 숫자 패턴이 균열이나 얼룩, 박락 등과 연결될 가능성을 찾는다.

쉽게 말하면 사람이 경험을 통해 손상의 특징을 배우듯 AI는 데이터에서 반복적으로 나타나는 특징을 학습하는 것이다.

머신러닝과 딥러닝은 무엇이 다를까?

인공지능이라는 표현 안에는 다양한 기술이 포함된다.

머신러닝은 데이터를 이용해 컴퓨터가 일정한 패턴과 규칙을 학습하도록 하는 방법을 넓게 가리킨다.

딥러닝은 여러 층으로 구성된 인공신경망을 이용해 복잡한 특징을 학습하는 머신러닝의 한 분야다.

이미지 분석에서는 딥러닝 기술이 널리 활용된다.

문화재 사진에서도 균열과 박락, 오염처럼 시각적으로 나타나는 특징을 분석하는 데 활용 가능성이 있다.

하지만 딥러닝이라고 해서 모든 문제를 자동으로 해결해주는 것은 아니다.

학습에 사용되는 데이터의 품질과 양, 분류 기준이 매우 중요하다.

AI는 균열을 어떻게 찾아낼까?

석조문화유산의 표면 사진이 있다고 생각해보자.

사람이 사진 속 균열 영역을 표시해 AI 학습에 사용할 수 있다.

많은 사례를 학습하면 AI는 새로운 이미지에서 균열과 비슷한 특징을 찾아낼 수 있다.

단순히 “균열이 있다”라고 판단하는 것을 넘어 이미지에서 균열이 존재하는 위치를 표시하도록 만들 수도 있다.

이를 활용하면 넓은 석조 표면 가운데 사람이 우선적으로 확인해야 할 영역을 빠르게 좁힐 수 있다.

아주 작은 균열도 AI가 사람보다 잘 찾을까?

항상 그렇지는 않다.

사진 자체에 균열이 충분히 보이지 않는다면 AI도 찾아내기 어렵다.

해상도가 낮거나 초점이 맞지 않고 조명 때문에 표면이 가려진다면 분석 결과가 부정확해질 수 있다.

즉, AI의 성능은 입력 데이터의 품질과 밀접하게 연결된다.

“AI가 있으니 촬영은 대충 해도 된다”는 생각은 오히려 반대다.

AI 분석을 제대로 활용하려면 일정하고 신뢰할 수 있는 기록이 더욱 중요해진다.

그림자와 균열을 혼동할 수도 있을까?

가능하다.

돌 표면에 생긴 가느다란 그림자는 사진에서 균열과 비슷하게 보일 수 있다.

나뭇가지의 그림자나 표면 무늬, 오래된 줄눈도 AI가 균열로 잘못 판단할 가능성이 있다.

이것을 거짓 양성, 즉 실제 손상이 아닌데 손상이라고 판단하는 문제와 연결해 생각할 수 있다.

반대로 실제 균열을 정상 표면이라고 놓치는 경우도 있을 수 있다.

문화재 보존에서는 두 오류 모두 중요하다.

특히 위험한 손상을 놓치는 것은 안전과 보존에 직접적인 영향을 줄 수 있다.

AI가 표시했다고 바로 보존처리하면 안 되는 이유

AI의 결과는 조사 대상을 좁히는 중요한 단서가 될 수 있다.

하지만 화면에 빨간색으로 표시됐다는 이유만으로 바로 접착제를 넣거나 표면을 제거해서는 안 된다.

실제 손상인지 전문가가 확인해야 한다.

균열처럼 보이는 선이 제작 당시의 도구 흔적일 수도 있고 과거 수리 흔적일 수도 있다.

또 균열이 맞더라도 현재 진행 중인 손상인지 오래전부터 안정된 흔적인지 구분해야 한다.

AI는 ‘이상해 보이는 곳’을 찾는 데 도움을 줄 수 있지만 그 흔적이 문화재에서 어떤 의미를 가지는지 판단하는 것은 별개의 문제다.

문화재의 색 변화도 AI가 찾을 수 있을까?

가능성이 있다.

같은 문화재를 일정한 조건에서 반복 촬영했다면 서로 다른 시기의 이미지를 비교해 변화가 나타난 영역을 탐지할 수 있다.

예를 들어 특정 안료 영역이 점차 밝아지거나 어두워지는 패턴을 분석할 수 있다.

하지만 사진의 색은 조명과 카메라 설정, 화이트밸런스, 촬영 각도 등에 영향을 받는다.

36편에서 색차계를 이용해 문화재의 색을 숫자로 기록하는 이유가 여기에서도 중요하다.

촬영 조건이 달라 생긴 색 차이를 실제 변색으로 오인해서는 안 된다.

사진 두 장만 비교하면 변화가 보이지 않을까?

사람도 사진을 나란히 놓으면 큰 변화를 발견할 수 있다.

문제는 데이터의 양이다.

문화재가 수천 점이고 각 문화재를 여러 방향에서 반복 촬영한다면 비교해야 할 사진이 빠르게 늘어난다.

AI는 이런 대량의 이미지에서 변화 가능성이 높은 대상을 먼저 선별하는 데 강점을 가질 수 있다.

즉, 모든 판단을 대신하기보다 사람이 확인해야 할 대상을 우선순위화하는 역할이 중요하다.

3D 스캔 데이터도 AI가 분석할 수 있을까?

58편에서 살펴본 3D 스캔 데이터 역시 AI 분석의 대상이 될 수 있다.

서로 다른 시기에 측정한 3D 모델을 비교하면 표면의 변형과 손실을 찾을 수 있다.

여기에 자동 분석 기술을 결합하면 변화가 의심되는 영역을 빠르게 선별할 수 있다.

예를 들어 석조 조각의 일부 표면이 과거보다 미세하게 후퇴했다면 해당 영역을 표시해 집중 조사할 수 있다.

다만 측정 오차와 실제 변화를 구분하는 과정이 반드시 필요하다.

AI는 문화재가 앞으로 어디서 깨질지도 알 수 있을까?

이론적으로는 과거 데이터와 환경 정보를 이용해 위험도를 예측하는 모델을 만들 수 있다.

하지만 “정확히 언제 어디가 깨진다”는 식의 예언과는 다르다.

AI가 할 수 있는 것은 여러 변수와 과거 사례를 바탕으로 특정 조건에서 손상 가능성이 상대적으로 높아지는 패턴을 찾는 것이다.

문화재 보존에서는 이를 위험도 평가와 예방적 보존에 활용할 가능성이 있다.

온도와 습도 데이터도 AI가 볼 수 있을까?

그렇다.

박물관에서는 온도와 상대습도 같은 환경 데이터를 장기간 기록할 수 있다.

문화재 상태 기록과 환경 데이터를 함께 분석하면 특정 변화가 반복되는 조건을 찾는 데 도움을 받을 수 있다.

예를 들어 특정 공간에서 환경 변동과 재료 변화가 반복적으로 함께 나타나는지 분석할 수 있다.

다만 상관관계가 발견됐다고 곧바로 원인과 결과라고 단정해서는 안 된다.

AI는 패턴을 발견할 수 있지만 그 패턴을 보존과학적으로 해석하는 과정이 필요하다.

빛에 의한 손상도 예측할 수 있을까?

빛에 민감한 종이와 직물, 사진, 일부 색재료는 누적된 빛 노출이 중요한 열화 요인이 될 수 있다.

전시 시간과 조도 기록, 재료 특성, 과거 색 변화 데이터를 함께 관리하면 향후 전시 계획을 세우는 데 도움을 줄 수 있다.

AI는 많은 변수를 동시에 분석하는 데 유용할 가능성이 있다.

하지만 재료마다 빛에 대한 민감도가 다르고 같은 문화재 안에서도 안료별 반응이 다를 수 있다.

따라서 단순한 하나의 공식으로 모든 문화재의 변색 시점을 예측할 수는 없다.

곰팡이 발생 위험도 AI가 알려줄 수 있을까?

25편에서는 높은 습도와 곰팡이 위험의 관계를 살펴봤다.

온도와 습도, 표면 상태, 공기 흐름 등 여러 조건이 장기간 축적되면 곰팡이 위험 평가에 활용할 수 있는 정보가 된다.

AI나 통계 모델을 이용해 위험 패턴을 분석하면 관리자가 우선 확인해야 할 공간을 찾는 데 도움을 받을 수 있다.

하지만 실제 곰팡이 발생은 재료와 미생물, 미세환경 등 다양한 요소의 영향을 받는다.

따라서 AI 경고는 현장 점검을 대체하는 것이 아니라 점검을 돕는 수단으로 보는 것이 적절하다.

해충도 카메라와 AI로 찾을 수 있을까?

24편에서 박물관의 IPM은 해충을 무조건 약품으로 제거하는 것이 아니라 유입과 발생을 지속적으로 관찰하고 관리하는 전략이라고 살펴봤다.

트랩 사진과 이미지 분석을 결합하면 포획된 곤충을 자동으로 탐지하거나 분류하는 기술을 생각할 수 있다.

많은 트랩을 사람이 매번 일일이 확인해야 하는 부담을 줄이는 데 도움이 될 수 있다.

다만 비슷하게 생긴 종을 정확하게 구분하려면 충분한 학습자료와 전문가 검증이 필요하다.

X선 사진도 AI가 분석할 수 있을까?

가능성이 큰 분야다.

32편에서 X선 촬영을 통해 문화재 내부의 못과 결합 구조, 균열 등을 확인할 수 있다고 살펴봤다.

AI는 많은 X선 이미지를 분석해 특정 구조나 이상 영역을 탐지하도록 학습할 수 있다.

특히 반복적인 유형의 유물을 대량으로 조사할 때 유용할 가능성이 있다.

하지만 문화재 X선 이미지는 의료 영상과 다르다.

문화재마다 형태와 재료, 제작기술이 매우 다양하기 때문에 충분한 문화재 특화 데이터가 필요하다.

CT와 AI를 결합하면 무엇이 달라질까?

CT는 문화재 내부를 수많은 단면 영상으로 보여준다.

데이터가 많다는 것이 장점이면서 동시에 문제다.

하나의 문화재에서도 많은 단면 이미지가 생성될 수 있기 때문이다.

AI를 활용하면 내부의 빈 공간이나 균열, 특정 구조를 자동으로 분할하거나 관심 영역을 선별하는 데 도움을 받을 수 있다.

보존과학자가 모든 단면을 처음부터 같은 수준으로 살펴보는 부담을 줄일 가능성이 있다.

하지만 자동 분할 결과 역시 검증이 필요하다.

안료 분석에도 AI를 사용할 수 있을까?

39편에서 문화재 안료를 조사하기 위해 XRF와 Raman, 현미경 등 여러 분석법을 함께 사용할 수 있다고 살펴봤다.

이러한 분석에서는 많은 스펙트럼 데이터가 생성될 수 있다.

머신러닝은 복잡한 데이터에서 서로 비슷한 패턴을 분류하거나 특정 재료의 특징을 찾는 데 활용될 가능성이 있다.

예를 들어 여러 지점의 스펙트럼을 비교해 비슷한 성분을 가진 영역을 묶는 방식이다.

하지만 AI가 특정 물질이라고 분류했다고 해서 분석 전문가의 검증 없이 확정해서는 안 된다.

현미경 이미지도 자동으로 분류할 수 있을까?

38편에서 현미경은 문화재 표면의 균열과 섬유, 안료 입자, 부식층 등을 관찰하는 중요한 도구라고 살펴봤다.

현미경 이미지가 충분히 축적된다면 AI를 이용해 특정 특징을 자동으로 분류하는 연구가 가능하다.

예를 들어 섬유 형태를 비교하거나 부식 형태의 특징을 선별하는 식이다.

다만 같은 재료도 열화 상태와 촬영 조건에 따라 매우 다르게 보일 수 있다.

따라서 데이터의 다양성이 중요하다.

AI는 문화재의 재료까지 사진만 보고 알아낼 수 있을까?

여기에서는 특히 주의해야 한다.

사진만으로 어느 정도 시각적 특징을 분류할 수는 있지만 겉모양이 비슷한 재료가 매우 많다.

청동처럼 보이는 표면이 실제로는 다른 금속 위의 코팅일 수도 있고 같은 색의 안료도 화학적으로 전혀 다른 물질일 수 있다.

따라서 이미지 기반 AI 분류는 분석을 위한 단서가 될 수 있지만 XRF와 Raman, FT-IR 등 실제 재료 분석을 자동으로 대체한다고 보기 어렵다.

문화재는 외관만으로 모든 것을 알 수 있는 대상이 아니다.

AI가 문화재의 제작 시대도 맞힐 수 있을까?

형태와 문양, 서체 등의 특징을 학습한 AI가 유사한 자료를 분류하는 데 도움을 줄 가능성은 있다.

그러나 문화재의 연대는 이미지 하나만으로 결정되지 않는다.

31편에서 살펴본 방사성탄소연대측정처럼 과학적인 연대측정이 필요한 경우도 있고 출토 맥락과 문헌 기록, 제작기법 등을 함께 검토해야 한다.

AI가 “이 시대일 가능성이 높다”고 제안하는 것과 실제 연대를 확정하는 것은 다른 문제다.

가짜 문화재도 AI가 찾아낼 수 있을까?

AI가 진품과 위조품의 이미지나 재료 데이터를 비교하는 데 활용될 가능성은 있다.

하지만 진위 판정은 매우 복합적인 문제다.

재료의 시대와 제작기법, 사용 흔적, 출처 기록, 과학 분석 결과 등을 종합해야 한다.

정교한 위조품은 과거 재료를 이용하거나 의도적으로 노화 흔적을 만들 수도 있다.

따라서 AI 하나만으로 진품과 가품을 확정하는 것은 위험하다.

AI 학습에는 왜 많은 문화재 사진이 필요할까?

AI가 다양한 손상을 제대로 구분하려면 다양한 사례를 학습해야 한다.

균열 사진 몇 장만 보여주고 모든 문화재의 균열을 정확하게 찾기를 기대하기는 어렵다.

재질과 색, 촬영 조건, 손상 정도가 다양한 데이터가 필요하다.

여기에서 문화재 분야의 현실적인 어려움이 발생한다.

문화재는 공장에서 동일한 제품을 수백만 개 생산하는 것과 다르다.

각 문화재가 서로 다르고 희귀한 경우가 많기 때문이다.

문화재 AI에서 데이터 부족이 큰 문제인 이유

일반적인 이미지 AI는 매우 많은 사진을 학습할 수 있다.

하지만 특정 시대의 특정 재료로 만들어진 문화재 손상 사진은 충분하지 않을 수 있다.

심각한 손상 사례일수록 표본이 적을 수도 있다.

AI가 적은 사례만 학습하면 특정 형태와 재질에 지나치게 맞춰질 가능성이 있다.

훈련 데이터에서는 높은 정확도를 보였지만 새로운 박물관의 문화재에서는 성능이 떨어지는 문제가 발생할 수 있다.

이를 일반화의 문제와 연결해 볼 수 있다.

라벨링은 누가 해야 할까?

AI에게 균열과 박락을 학습시키려면 사진에서 어느 부분이 균열이고 어느 부분이 정상인지 알려주는 데이터가 필요할 수 있다.

이 작업을 라벨링 또는 어노테이션이라고 한다.

문제는 문화재 손상을 정확하게 구분하려면 전문지식이 필요하다는 것이다.

일반인이 균열이라고 표시한 부분이 실제로는 제작 흔적일 수도 있다.

따라서 좋은 문화재 AI를 만들기 위해서는 오히려 보존 전문가의 지식이 많이 필요하다.

AI가 전문가를 없애는 것이 아니라 전문가의 판단을 데이터로 구조화해야 하는 셈이다.

전문가끼리도 판단이 다르면 어떻게 할까?

매우 중요한 문제다.

같은 표면을 보고도 한 전문가는 초기 박락이라고 판단하고 다른 전문가는 안정된 표면 변화라고 판단할 수 있다.

손상의 경계가 명확하지 않은 경우도 많다.

AI는 사람이 제공한 라벨을 학습하기 때문에 사람의 기준이 불명확하면 AI의 기준도 흔들릴 수 있다.

따라서 문화재 AI를 개발하려면 손상 유형과 분류 기준을 가능한 한 명확하게 정의해야 한다.

기술 문제이면서 동시에 보존과학의 표준화 문제다.

AI의 정확도가 95%라면 믿어도 될까?

숫자 하나만 보고 판단해서는 안 된다.

어떤 데이터에서 측정한 정확도인지 확인해야 한다.

AI가 이미 학습했던 것과 매우 비슷한 사진으로 평가했다면 높은 수치가 나올 수 있다.

실제 현장의 새로운 문화재에서도 같은 성능이 나오는지는 별도의 문제다.

또 전체 정확도가 높더라도 심각한 손상을 자주 놓친다면 보존 시스템으로서는 문제가 될 수 있다.

문화재 AI에서는 단순한 정확도 숫자보다 어떤 오류를 얼마나 발생시키는지 살펴보는 것이 중요하다.

AI가 틀린 이유를 설명할 수 있을까?

일부 AI 모델은 왜 특정 판단을 내렸는지 사람이 쉽게 이해하기 어렵다.

이른바 블랙박스 문제다.

문화재 보존에서는 이 문제가 중요하다.

“AI가 위험하다고 했기 때문에 처리했습니다”라는 설명만으로는 부족하기 때문이다.

보존처리는 원본에 영향을 줄 수 있는 결정이다.

따라서 AI가 어떤 영역과 특징을 근거로 판단했는지 확인할 수 있는 설명 가능성이 중요해질 수 있다.

AI가 발견한 손상은 누가 최종 확인해야 할까?

현재로서는 전문가의 검증이 핵심이다.

AI가 수천 장의 사진에서 의심 영역을 찾아주고 보존과학자가 이를 검토하는 방식이 현실적이다.

AI는 반복적인 선별 작업을 빠르게 수행하고 사람은 문화재의 재료와 역사, 제작기법, 보존 상태를 종합해 판단한다.

서로 잘하는 일이 다르다.

이 구조에서는 AI가 사람을 대체한다기보다 전문가가 더 중요한 판단에 시간을 사용할 수 있도록 돕는다.

AI가 보존처리 방법까지 추천할 수 있을까?

향후 가능성이 커질 수 있지만 특히 신중해야 하는 영역이다.

문화재에 같은 균열이 있다고 해도 재료와 제작기법, 과거 처리 이력에 따라 보존방법은 달라질 수 있다.

도자기 균열과 유리 균열, 나무 균열은 같은 방식으로 처리하지 않는다.

같은 재료에서도 상태와 문화적 가치에 따라 개입 범위가 달라진다.

따라서 AI가 과거 사례를 바탕으로 가능한 방법을 제안하는 것은 생각할 수 있지만 최종 처리 결정은 훨씬 복합적인 판단이 필요하다.

AI는 문화재의 가치를 이해할 수 있을까?

이것이 기술적 분석과 보존윤리의 경계다.

AI는 데이터에서 패턴을 찾을 수 있다.

하지만 오래된 수리 흔적을 제거해야 할지 남겨야 할지는 단순한 이미지 분석으로 결정하기 어렵다.

57편에서 살펴봤듯 과거의 수리가 문화재의 역사적 가치가 될 수도 있기 때문이다.

균열 하나도 어떤 문화재에서는 위험한 손상이고 다른 문화재에서는 제작과 사용의 역사를 보여주는 흔적일 수 있다.

문화재 보존에는 ‘손상이 보인다’와 ‘제거하거나 치료해야 한다’ 사이에 가치 판단이 존재한다.

생성형 AI로 사라진 문화재를 복원할 수도 있을까?

이미지 생성 기술을 이용하면 사라진 문양이나 결손된 형태를 시각적으로 추정하는 것이 가능해지고 있다.

하지만 생성된 결과를 실제 역사적 사실처럼 보여주면 큰 문제가 발생한다.

AI는 학습된 데이터에서 그럴듯한 결과를 만들 수 있지만 실제로 그 문화재가 과거에 그런 모습이었다는 증거를 제공하는 것은 아니다.

따라서 AI 기반 가상 복원은 ‘가능한 해석’과 ‘확인된 사실’을 명확히 구분해야 한다.

AI가 만든 복원 이미지가 너무 진짜 같다면?

오히려 더 주의해야 한다.

58편의 디지털 복원에서도 실측 부분과 추정 부분을 구분해야 한다고 살펴봤다.

생성형 AI에서는 이 문제가 더욱 커진다.

관람객이 실제 유물 사진과 AI 복원 이미지를 구분하지 못하면 현대의 추정이 과거의 사실처럼 받아들여질 수 있다.

따라서 AI 복원 이미지는 생성 또는 추정된 부분이라는 사실을 명확하게 표시하고 근거 자료를 함께 제시하는 것이 중요하다.

AI로 오래된 사진을 선명하게 만들면 원본 복원일까?

그것은 디지털 이미지 복원과 물리적 원본 보존을 구분해야 하는 문제다.

AI를 이용해 오래된 사진의 노이즈를 줄이고 해상도를 높이거나 손실된 영역을 추정할 수 있다.

그러나 AI가 만들어낸 세부 묘사는 원본 사진에 실제로 존재했던 정보라고 보장할 수 없다.

따라서 연구용 원본 스캔 데이터와 AI로 가공한 이미지를 구분해 보관해야 한다.

50편에서 살펴본 것처럼 디지털화는 원본 사진 보존을 대신하지 않는다.

AI 데이터도 기록을 남겨야 할까?

반드시 중요하다.

어떤 AI 모델을 사용했는지, 어떤 버전인지, 어떤 데이터를 입력했는지, 어떤 설정으로 결과를 만들었는지 기록할 필요가 있다.

특히 AI가 보존 판단에 영향을 주었다면 더욱 그렇다.

몇 년 뒤 같은 모델이 사라지거나 새로운 모델에서 다른 결과가 나올 수도 있기 때문이다.

보존과학에서 처리 재료를 기록하듯 디지털 분석에서도 분석 과정을 기록해야 한다.

AI 모델도 시간이 지나면 낡을까?

그렇다.

오늘 가장 좋은 성능을 가진 AI도 몇 년 뒤에는 더 좋은 기술로 대체될 수 있다.

새로운 데이터가 추가되면서 기존 분류 기준이 수정될 수도 있다.

따라서 AI 결과를 절대적인 최종 판단으로 저장하기보다 원본 데이터와 함께 보관하는 것이 중요하다.

미래의 연구자는 같은 사진과 3D 데이터를 더 발전된 기술로 다시 분석할 수 있다.

58편에서 원시 데이터를 남겨야 하는 이유와 정확히 연결되는 부분이다.

문화재 데이터가 많아지면 AI가 더 똑똑해질까?

일반적으로 다양한 고품질 데이터는 AI 성능 개선에 도움이 될 수 있다.

하지만 단순히 양만 많다고 좋은 것은 아니다.

잘못 분류된 사진이 대량으로 들어가면 오히려 잘못된 패턴을 학습할 수 있다.

특정 지역이나 특정 재료의 문화재만 지나치게 많다면 다른 유형의 문화재에서는 성능이 떨어질 수도 있다.

따라서 데이터의 품질과 대표성, 기록 기준이 중요하다.

박물관끼리 데이터를 공유하면 도움이 될까?

큰 가능성이 있다.

한 기관이 가진 손상 사례는 제한적이지만 여러 기관의 데이터를 연결하면 훨씬 다양한 사례를 확보할 수 있기 때문이다.

하지만 문화재 정보의 표준화와 저작권, 데이터 사용 권한, 보안 등의 문제도 함께 고려해야 한다.

같은 손상을 기관마다 서로 다른 용어로 기록하고 있다면 AI가 학습하기 전에 분류 체계부터 정리해야 할 수도 있다.

AI 시대에는 보존 데이터의 표준화가 더욱 중요해질 가능성이 크다.

AI는 보존과학자를 대체할까?

가까운 미래의 핵심은 대체보다는 협업에 가깝다.

AI는 방대한 데이터를 빠르게 분석하고 사람이 놓치기 쉬운 패턴을 찾아내는 데 강점이 있다.

보존과학자는 문화재의 재료와 제작기법, 역사적 맥락, 분석 결과와 보존윤리를 종합적으로 판단한다.

AI가 “이 영역에서 변화가 감지됐다”고 알려주면 전문가는 왜 변화했는지 조사한다.

AI가 “이 문화재의 위험도가 높아 보인다”고 알려주면 전문가는 실제 상태와 환경을 확인한다.

이 역할 분담이 중요하다.

미래의 박물관 수장고는 어떻게 달라질까?

앞으로는 환경 센서와 고해상도 사진, 3D 스캔, 상태 기록이 하나의 시스템에서 연결될 가능성이 있다.

AI는 이 데이터를 지속적으로 분석해 변화가 의심되는 문화재를 우선순위로 제시할 수 있다.

보존 담당자는 모든 문화재를 같은 빈도로 확인하는 대신 위험도가 높은 대상을 먼저 점검할 수 있다.

이것은 예방적 보존을 더욱 데이터 중심으로 바꾸는 방향이 될 수 있다.

30편에서 살펴본 ‘손상되기 전에 위험을 관리한다’는 개념이 AI와 만나게 되는 것이다.

AI가 문화재의 손상을 찾아낼 수 있을까?

답은 ‘찾는 데 도움을 줄 수 있다’이다.

AI는 사진에서 균열과 박락을 탐지하고 서로 다른 시기의 이미지를 비교해 변화가 의심되는 영역을 표시할 수 있다.

X선과 CT, 현미경 이미지, 3D 스캔, 환경 데이터처럼 사람이 모두 확인하기 어려운 방대한 자료를 분석하는 데에도 활용 가능성이 있다.

미래에는 손상 가능성이 높은 문화재를 미리 선별해 예방적 보존의 우선순위를 정하는 역할도 커질 수 있다.

하지만 AI가 표시한 결과가 곧 문화재의 진실은 아니다.

그림자를 균열로 오인할 수도 있고 실제 손상을 놓칠 수도 있다.

학습 데이터가 부족하거나 편향되어 있다면 특정 문화재에서 잘못된 결과가 나타날 수도 있다.

무엇보다 AI는 문화재가 가진 역사적 의미와 보존윤리를 스스로 완벽하게 판단하지 못한다.

따라서 문화재 보존에서 가장 중요한 질문은 “AI가 인간을 대신할 수 있는가?”가 아니다.

“AI를 이용해 인간이 문화재를 더 정확하게 이해하고 더 빨리 위험을 발견할 수 있는가?”에 가깝다.

망원경이 천문학자를 없애지 않았고 현미경이 과학자를 없애지 않았듯 AI 역시 보존과학자의 새로운 관찰 도구가 될 가능성이 크다.

문화재 보존의 미래는 사람과 기계 가운데 하나를 선택하는 방향이 아니라 서로 다른 능력을 결합하는 방향으로 발전할 가능성이 높다.

그리고 여기에서 마지막 질문이 남는다.

3D 스캔이 문화재의 현재를 기록하고 AI가 미래의 위험을 찾아낸다면 우리는 과연 문화재를 얼마나 오래 지킬 수 있을까?

100년일까, 500년일까, 아니면 1,000년 뒤에도 지금의 문화재를 볼 수 있을까?