1. 서론

근래 인공지능의 발전은 공간정보 분석의 범위와 역량을 크게 확장시키고 있다. 특히 딥러닝을 중심으로 발전해 온 GeoAI는 지난 10년 동안 토지피복 분류, 환경･재난 모니터링, 도시변화 탐지 등 영상인식 기반의 응용에서 중요한 성과를 거두었다(강영옥, 2023; Gao, 2021; Liu and Biljecki, 2022). 2022년 이후 대규모 언어모델(LLM)을 기반으로 한 생성형 인공지능(generative AI)이 급속히 확산되었다. 이에 따라 공간정보 분야에서도 기존의 객체 탐지･분류 중심의 분석에서 나아가 자연언어 처리와 상황 이해 등을 통합하는 새로운 기술 패러다임을 요구받고 있다(강전영 등, 2023; 신대용･김영훈, 2025; Xie et al., 2023; Wang et al., 2024).

최근 연구들은 공간 데이터가 단순한 입력 정보가 아닌 모델 내에서 의미 있는 지리적 개념으로 표현되고, 사용자의 자연어 질의에 기반하여 공간분석을 설계･수행･해석하는 일련의 과정을 통합적으로 처리할 수 있는 새로운 형태의 공간지능의 필요성을 시사한다(Mai et al., 2024; Mansourian and Oucheikh, 2024). 현재까지의 GeoAI는 대체로 특정 분야에 최적화된 task-specific 모델에 머물러 있다는 한계를 지니고 있다(Pierdicca and Paolanti, 2022; Mai et al., 2024; Mai et al. 2025). 기존 모델은 위성영상, 항공영상, 스트리트뷰 같은 시각정보에 의존하도록 설계되어 텍스트, 벡터, 시계열, 센서 데이터 등 다양한 공간 데이터의 통합 활용에 제약이 있다(Mai et al., 2024; Höhl et al., 2024; Mai et al., 2025). 또한 모델이 지리적 개념과 관계를 어떻게 표현하고 추론하는지 설명하기 어렵기 때문에 의사결정 과정에서 결과의 신뢰성과 투명성 확보를 제약한다(Roussel and Böhm, 2023; Xing and Sieber, 2023). 특히 지역･시기･데이터 출처가 달라질 때 성능이 급격히 저하되고 일반화 능력이 제한되기 때문에(Hu et al., 2024), 실제 정책･계획 수립 상황에서 요구되는 범용적 공간지능과는 여전히 차이가 있다. 사용자의 자연어 질의를 이해하고, 공간 데이터와 도메인 지식을 결합한 복합 추론을 수행하고, 이를 의사결정 지원에 활용하는 기능은 기존 GeoAI 체계에서는 부분적으로만 구현되어 있어, 범용적 공간지능(spatial intelligence)으로의 확장이 필요하다. 이러한 방향성은 Mai et al. (2024)의 공간 기초모델 개념과 Yuan et al.(2025)의 연구(OmniGeo 모델)에서 구체화되고 있으며, 이는 GeoAI가 특정 임무 중심을 넘어서 보다 일반화된 공간지능으로 확장될 가능성을 시사한다(Janowicz et al., 2020).

본 연구는 GeoAI에서 GeoAGI(Geospatial Artificial General Intelligence)로의 기술적･개념적 진화 방향을 내러티브 리뷰(narrative review) 방식의 문헌 기반으로 분석한다. 이를 위해 2017년¹⁾ 이후 국내에서 발표된 GeoAI 관련 문헌과 2022년 이후의 최신 연구 성과를 중심으로 공간 기초모델, LLM, 멀티모달 기반 등 공간지능 논의를 직접적으로 다루는 연구 문헌을 검토하여, 주제별･시기별 흐름과 논의의 초점을 질적으로 비교하였다. 그리고 이를 통해 GeoAGI의 개념과 기술적 특징, 구성요소, 그리고 향후 과제를 체계적으로 제시하고자 한다.

본 연구가 해결하고자 하는 주요 질문은 다음과 같다.

첫째, GeoAGI는 개념적･기술적 측면에서 기존 GeoAI와 어떠한 차이를 지니는가?

둘째, GeoAGI 관련 최근 기술의 성숙도와, 해결해야 할 핵심 과제는 무엇인가?

셋째, GeoAGI가 공간정보 기반 분석과 의사결정에 적용하기 위한 연구 과제는 무엇인가?

2. GeoAI의 개념 및 동향

1) GeoAI의 개념과 기술 구성

GeoAI(Geospatial Artificial Intelligence)는 지리적 패턴의 탐지 및 시･공간 현상의 분석과 예측을 목적으로 공간정보 분야에 인공지능 기법을 적용하는 연구와 기술을 통칭한다(Gao, 2021). GeoAI는 2017년경부터 학계에 본격적으로 도입되었으며, 딥러닝 기반 원격탐사 분석의 확산과 함께 지도학, GIScience, 공간통계 등 기존의 공간분석 기법을 보완하거나 대체하는 방향으로 빠르게 발전하였다(Hu et al., 2019). GeoAI는 공간적 위치, 인접성, 상호작용 같은 지리적 특성을 모델 구조에 명시적으로 반영함으로써, 표준 AI 모델이 다루기 어려운 공간 의존성(spatial dependency)과 공간 이질성(spatial heterogeneity)을 모델링한다(Janowicz et al., 2020).

선행 연구(Li and Ning, 2023; Mai et al., 2024 등)에 따르면 GeoAI의 기술 기반은 크게 네 가지 축으로 구성된다(그림 1 참조).²⁾ 첫째, 딥러닝 기반 영상 분석은 CNN, Transformer³⁾ 등의 심층신경망 모델을 활용하여 위성･항공영상에서 지표 특징을 자동으로 추출하고, 토지피복 분류, 산불･홍수 등 환경･재난 감시, 도시 공간 변화의 탐지 등에 광범위하게 적용되어 왔다(강영옥, 2023; Liu and Biljecki, 2022). 이 분야는 GeoAI의 초기 성장을 주도한 영역으로, 대규모 원격탐사 이미지 데이터의 축적과 객체 탐지･분류 알고리즘의 고도화가 빠르게 진행되었다(Mai et al., 2025).

그림 1.

GeoAI 핵심 기술의 개념 및 적용 사례

두 번째 축인 그래프 신경망(GNN)⁴⁾은 도로망, 교통 네트워크, 사회 연결망 등 공간적 관계를 네트워크 구조로 표현할 수 있는 데이터를 모델링하는 데 활용된다. GNN 기반 모델은 공간적 인접성과 연결성을 효과적으로 학습함으로써, 도시 교통 흐름, 네트워크 혼잡도 분석, 공간적 상호작용 패턴 탐지 등 공간구조 중심의 분석 과제를 해결하는 데 광범위하게 적용되고 있다(Boutayeb et al., 2025). 이는 공간 네트워크 내부의 구조적 종속성을 모델링하는 최근 분석 추세와 부합한다.

세 번째 축인 시공간 예측 모델은 LSTM⁵⁾, Spatio-Temporal Transformer 등의 신경망 구조를 활용하여 시간적 변화와 공간적 상관성을 통합적으로 학습한다. 이는 기후･환경 변수의 시공간 변화 예측, 미세먼지 확산 모니터링, 도시 열환경 분석, 교통량 예측 등 시간에 따른 변화가 중요한 공간 현상을 다루는 데 광범위하게 적용되고 있다(차승민･강전영, 2025; Boutayeb et al., 2024; Mai et al., 2025). 이 모델들은 시계열 패턴과 공간 자기상관을 동시에 학습하여, 통계 모형으로 포착하기 어려운 비선형 시공간 의존성을 다룰 수 있다.

마지막 축은 인간 중심의 GeoAI(Human-centered GeoAI)로, 공간의 물리적 속성 및 구조에 대해서 인간이 공간을 어떻게 인지하고 경험하는지를 분석 대상으로 설정하는 접근을 의미한다(Ye et al., 2025). 최근 거리 영상과 시멘틱 세그멘테이션을 활용하여 사람이 인식하는 환경의 질이나 정성적 평가를 예측하는 연구들은 인간의 인지 반응을 중심에 둔 분석이라고 할 수 있다(김지연･강영옥, 2022; 박지영 등, 2022). 또한 이러한 연구는 도시의 냄새와 같은 비가시적･주관적 감각 경험을 모델링한 연구로 확장될 수 있다 (Chen et al., 2025). 이 밖에도 사용자별 지각 차이와 선호를 학습하여 공간 표현과 시각화 설계를 가능하게 하는 방법으로 GeoAI의 개인화 단계에 해당하는 연구로 확장되었다(차승민 등, 2025).

이와 같은 GeoAI 기술들은 공통적으로 데이터 기반의 예측 정확도 향상을 목표로 하며, 구체적으로 정의된 과업의 자동 해결에 강점을 보인다. 그러나 GeoAI는 구조적으로 특정 분석 과업 하에서만 작동하기 때문에, 새로운 공간 문제에 마주했을 때 분석 목표와 방법을 독립적으로 설계하기 어렵다(Mai et al., 2024). 또한 학습 과정에서 축적된 지리적 맥락과 도메인 지식을 다양한 공간 상황에 전이(transfer)하거나, 여러 정보 출처를 통합하여 복잡한 공간 현상을 종합적으로 이해하고 추론하는 능력이 부족하다(Ji et al., 2025). 이러한 한계는 공간정보 기반의 의사결정이 단순 예측을 넘어 상황 이해와 인과 분석을 요구한다는 점에서 더욱 두드러진다.

GeoAI는 딥러닝 기반 패턴 인식으로 공간정보 분석을 발전시켰으며, 원격탐사, 도시, 환경, 교통 등 다양한 분야에서 적용되었다. 그러나 공간지식 구조화, 자연언어 상호작용, 정보원 통합, 자율적 추론 등의 새로운 요구가 등장했다. 이에 GeoAI의 한계를 보완하는 새로운 패러다임이 요구되고 있다(권봉재･유기윤, 2025; Xie et al., 2023). 이러한 기술적 진화 단계(Evolutionary Stage)의 맥락에서 대규모 언어모델과 멀티모달 기술을 공간정보와 통합하는 GeoAGI⁶⁾가 부상하고 있으며, 이는 향후 공간정보 기술 발전의 중요한 방향성을 제시한다.

2) 국내외 GeoAI 활용 현황

국내에서 GeoAI는 주로 국토･도시, 환경･재난, 교통･물류 등 공공 정책과 밀접한 분야를 중심으로 활용이 확대됐다(강영옥, 2023; 탁한명, 2025). 국내 연구는 위성･항공영상, 행정통계, 공간 빅데이터를 통합하여 토지이용･토지피복 변화 분석, 도시 확장 탐지, 재해 취약성 평가 등 정책 과제를 실질적으로 해결하는 데 기여하는 결과를 도출하는 데 중점을 두는 경향을 보인다. 국토연구원 연구는 국토･도시계획, 교통, 환경･재난 분야의 GeoAI 정책 적용 방안을 제시하며(서기환, 2018), 이는 국토 모니터링 시스템, 공간계획 평가 도구, 국가 공간정보 인프라와의 통합을 강조한다(최경아, 2025). 이는 국내에서 GeoAI가 단순한 분석 기법을 넘어 국토･도시 의사결정의 실행 기반으로서 위상을 갖춰가고 있음을 보여준다.

국내 학술 연구에서도 GeoAI의 활용 사례가 점차 다양해지고 있다. 먼저, GeoAI의 활용 분야와 연구 동향을 종합한 문헌들은 기존의 영상분석, 시계열 예측, 이상징후 탐지에서 나아가, 지리정보서비스, 위치기반서비스, 환경･재난 모니터링 등 응용 분야가 점진적으로 확대되고 있음을 보여준다(강영옥, 2023). 다음으로, 비정형 데이터 활용 연구가 주목할 만하다. 보고서, 행정문서, SNS, 뉴스 등에서 지명과 공간 표현을 자동 추출하여 구조화된 공간데이터로 변환하는 연구가 진행 중이다. 이는 수치 기반 공간분석의 범위를 확장하는 접근이다. 더욱 주목할 점은 대규모 언어모델(LLM)을 활용한 공간정보 자동 추출 연구의 등장이다(신대용･김영훈, 2025). 이러한 연구들은 LLM의 자연어 처리 능력을 활용하여 텍스트에서 지명과 공간정보를 추출하고, 그 정확도와 한계를 분석하며, 기존 GeoAI를 넘는 새로운 기술 방향의 가능성을 모색하고 있다.

해외에서는 GeoAI가 더욱 광범위한 분야와 정교한 응용 수준에서 활용되며, 기술적 다양성과 산업적 활용이 동시에 확대되는 특징을 보인다. Gao(2021)는 GeoAI를 "지리공간 데이터에서 지식을 발견하기 위해 인공지능･머신러닝 기법을 통합하는 분야"로 정의하고, 원격탐사, 도시･교통, 환경･생태, 보건･역학 등 광범위한 분야에서의 활용 사례를 정리하였다. 특히 해외 연구는 딥러닝 기반 영상분석, 공간 그래프 신경망을 활용한 네트워크 분석, 시공간 예측 모델과 더불어 자연언어 처리를 통한 비정형 정보 추출 등 기술적 다양성을 포괄적으로 포함하고 있다(Mai et al., 2025). Boutayeb et al.(2024)의 최근 분석에 따르면, GeoAI 연구는 초기의 영상분류와 변화탐지 중심에서 벗어나 도시 공간 시뮬레이션, 재난 위험 평가, 생태･환경 동태 모니터링, 사회경제 패턴 분석 등으로 빠르게 확장되고 있다. GeoAI가 단순 분석을 넘어 공간 현상의 종합적 이해와 자율적 의사결정 지원으로 진화하고 있다(Li and Ning, 2023; Ye et al., 2025).

최근에는 GeoAI와 대규모 언어모델(LLM)⁷⁾의 통합을 시도하는 연구가 본격화되고 있다. Wang et al.(2024)이 LLM 기반 공간분석 연구들을 종합적으로 분석한 결과에 따르면, 사용자의 자연언어 질의에 대한 공간 데이터 검색, 분석 결과에 대한 지도 기반 설명 생성, 분석 코드의 자동 작성 등이 구현되고 있다. 이러한 접근은 기존의 GeoAI가 제공했던 단순 예측 결과에서 벗어나, 사용자와 상호작용하며 분석 과정을 설명하고 다양한 공간 문제에 자동으로 대응할 수 있는 수준으로 진화하고 있음을 의미한다(Jiang and Yang, 2024; Renshaw et al., 2025). 구체적으로 Mansourian and Oucheikh(2024)가 제안한 ChatGeoAI는 사용자의 자연언어 질의를 공간분석 과업으로 자동 변환하고, 이에 적합한 분석 모델을 자동 선택･실행하며, 결과를 설명 가능한 형태로 제공하는 통합 체계를 보여준다(권봉재･유기윤, 2025). 이와 같은 연구들은 GeoAI의 기술적 기반 위에서 자동화, 상호작용성, 설명 가능성을 강화하려는 노력을 반영하며, 궁극적으로 GeoAGI로의 기술적･개념적 진화 방향을 구체화하고 있다(Tucker, 2024).

지금까지의 논의를 정리하면, 국내 GeoAI는 정책･행정 지원 중심으로 국토･도시･환경･재난 분야에 활용되고 있으며, 비정형 데이터와 생성형 AI 기술을 점진적으로 도입하고 있다. 반면 국외에서는 상용 플랫폼과의 연계, 대규모 언어모델과 멀티모달 기술의 통합 등 기술적 다양성과 산업적 활용이 더 진행된 단계에 있다. 이러한 차이는 향후 GeoAGI로의 패러다임 확장 시 국내는 공공 공간정보 인프라와의 통합을 기반으로 하되, 국제적 기술 수준과의 격차를 줄이기 위해 공공성과 국제경쟁력을 동시에 추구하는 전략이 필요함을 시사한다.

3) GeoAI의 발전 단계

GeoAI의 발전 과정은 기술 진화와 활용 분야의 확장에 따라 뚜렷한 단계별 특징을 보인다(그림 2 참조). 특히 2017년 이후 딥러닝의 확산을 계기로 GeoAI가 본격화한 이후, 모델 구조의 고도화, 데이터 원천의 다각화, 공간 현상 해석의 심화가 이루어지면서 GeoAGI로의 기술적･개념적 진화 기반이 형성되었다. 이러한 발전 흐름은 개념 정립 및 기술 개발 중심의 초기 단계와 응용 확장 및 기술 통합 중심의 확장 단계로 구분하여 분석할 수 있다(Hu et al., 2019; Gao, 2021).

그림 2.

GeoAI의 발전 단계

초기 단계(2017년~2021년)는 GeoAI의 개념이 학계에서 정립되고 본격적으로 주목받는 시기로, 딥러닝 기반 영상분석이 주요 연구 영역이었다. 이 시기 연구는 CNN, Transformer 등의 표준적 심층신경망 모델을 활용하여 토지피복 분류, 재난 탐지, 도시 확장 분석 등 원격탐사 이미지 중심의 과업을 해결하는 데 집중하였다(Liu and Biljecki, 2022; Agarwal et al., 2024). 공간정보 분야에서 딥러닝 적용 가능성이 확인되었고, 특정 과업에 특화된 모델 구조가 널리 사용되었던 점이 이 시기의 특징이다. 그러나 GeoAI의 초기 단계는 단일모달 영상 데이터에 의존했으며, 다양한 정보원의 통합, 비이미지 기반 공간 데이터의 활용, 현상의 맥락적 이해 등 복합적인 공간 관계를 모델링하는 데에는 근본적 한계를 보였다(Janowicz et al., 2020).

응용 확장기(2022–2025년)는 GeoAI 기술이 다양한 공간문제로 확대되고, 멀티모달 데이터 활용과 정교한 시공간 모델링이 본격화되는 시기이다. Transformer, GNN, 시공간 심층학습 등 정교한 모델 아키텍처가 보급되면서 도시 시뮬레이션, 교통 예측, 환경분석 등 광범위한 응용이 가능해졌다(Mai et al., 2025; Xie et al., 2023). 동시에 원격탐사 중심에서 벗어나 행정데이터, 센서, 통행 데이터, 소셜미디어 등 다양한 정보원이 통합되기 시작했다. 특히 2023년 이후 대규모 언어모델(LLM)의 적용이 가속화되었다. 자연언어 기반 지리정보 쿼리(NL2GIS)⁸⁾, 자동 코드 생성, LLM 기반 지명 추출 등이 등장하면서(Manvi et al., 2023; Mansourian and Oucheikh, 2024; 신대용･김영훈, 2025), GeoAI가 자동화된 공간분석 체계로 진화할 가능성을 보여주었다(Jiang and Yang, 2024; Renshaw et al., 2025). 이는 GeoAGI로의 기술적 전환을 예고하는 중요한 분기점이다.

이 시기 GeoAI는 특정 임무 중심에서 벗어나 지리적 지식 체계화, 정보원 통합, 공간분석 자동화 기능을 갖추게 되었다(Li and Ning, 2023). 이러한 기술적 진화는 궁극적으로 GeoAGI를 출현과 함께 대전환의 시기를 예고하였다. GeoAGI 전환기는 멀티모달 모델 기반 공간 표현, 지식 구조를 활용한 추론, 자연언어 기반 GIS 자동화 등 차세대 공간지능의 특징을 형성하고 있다(Ji et al., 2025; Li et al., 2025).

3. GeoAGI: 생성형 AI 기반 공간지능

1) 개념 및 특징

GeoAGI(Geospatial Artificial General Intelligence)는 공간정보 분석에 대규모 언어모델 기반의 생성형 인공지능을 통합하여, 기존 GeoAI의 임무 특화(task-specific) 분석의 한계를 극복하고 인간의 지리적 추론 능력을 모방하는 범용적 공간지능 체계를 지향하는 개념이다. GeoAI는 딥러닝 기반 예측과 분류에 중점을 두지만(그림 3 참조), GeoAGI는 지리적 개념과 공간 관계의 명시적 표현, 자연언어 기반 사용자-시스템 상호작용, 다양한 정보원의 통합, 분석 과정의 자동화 및 검증 등을 지향한다(Xie et al., 2023; Wang et al., 2024).

그림 3.

GeoAGI의 특징과 개념

GeoAGI의 핵심 특징은 자율성이다. 시스템은 공간 문제를 스스로 정의하고, 분석 절차를 선택･수행하며, 결과를 평가한다. 또한 축적된 경험을 바탕으로 성능을 지속적으로 개선한다. 최근 문헌에서는 이러한 자율성을 단순한 자동화 기능이 아니라, 공간지능 체계 전반을 구성하는 자기주도적(self-driven) 학습･추론･검증 메커니즘으로 설명한다(Li et al., 2025). 특히 자동 생성성(auto-generation)은 자연어 요청을 입력으로 받아 분석 코드, 데이터 처리 절차, 지도 제작 파이프라인 등을 스스로 구성하는 능력을 의미하며, 이는 LLM 기반 코드 생성 및 시각화 자동화 연구에서 이미 초기 성과가 나타나고 있다(Li and Ning, 2023).

적응성(adaptability)은 공간 스케일(도시, 국가, 지구), 데이터 형식(영상, 지도, 센서, 텍스트), 분석 맥락(정책, 재난, 환경)에 따라 모델이 분석 전략을 스스로 조정하는 능력을 말한다(Mansourian and Oucheikh, 2024; Yuan et al, 2025). 검증 능력(self-verification)은 지리적 일관성(topology), 의미적 정확성(semantic correctness), 모달 간 정합성(cross-modal consistency)을 평가하는 과정으로, GeoKG 기반 사실 확인과 멀티모달 상호 검증이 대표적이다(Ji et al., 2025). 자동 실행성(auto-execution)은 분석 계획–전처리–모델 실행–지도 제작에 이르는 전체 GIS 워크플로우(workflow)를 단일 명령으로 수행하도록 하는 기능으로, 최근의 Autonomous GIS 연구에서 그 구조가 정립되고 있다. 자율형(Autonomous) GIS 에이전트는 LLM과 코드 실행환경을 결합하여, 사용자의 분석 목적을 자연어로 수집하며, 그에 필요한 분석을 자동으로 계획 및 실행하여 결과를 도출하는 시스템을 의미한다(Li and Ning, 2023; Li et al., 2025).

특히, 자율형 GIS 에이전트는 단순히 자연어를 해석하는 수준을 넘어, 사용자의 공간적 요구를 이해하고 연산 가능한 형태로 변환하여, 코드 생성 및 실행까지 자동으로 수행하는 것을 목표로 한다(Li and Ning, 2023). ChatGPT와 같은 최신 언어 모델은 자연어 이해력과 코드 생성 능력을 보유하고 있어, 기존에는 전문가만이 수행할 수 있던 분석을 자동으로 대체할 수 있는 가능성 또한 보여주고 있다 (Agarwal et al., 2024). 예를 들어, “대상 도시 내 수해 취약지역을 자동으로 식별한 후, 기반 시설 접근성과 연계하여 위험 등급을 분류”하는 등의 복합 분석 작업이 사용자의 자연어 입력만으로 실행될 수 있다. 이는 결국 버퍼 생성, 래스터 분류, 조건부 필터링, 통계 요약 등 일련의 공간 연산을 자동으로 구성하여 수행하는 구조라고 할 수 있다(Akinboyewa et al., 2025).

마지막으로 학습 능력(continuous learning)은 사용자 피드백, 오류 기록, 새롭게 수집된 공간 데이터를 이용하여 모델이 지식 구조를 갱신하고 성능을 점진적으로 향상시키는 능력으로, 이는 강화학습(RLHF) 기반 공간추론 개선 연구를 통해 구체적 구현 가능성이 제시되고 있다(Ji et al., 2025). 이러한 특징들은 개별 기능을 넘어 GeoAGI가 지향하는 ‘자율적 공간지능 시스템’의 작동 원리를 이루며, 기존 GeoAI에서 제공하지 못했던 고차원적 공간 추론과 자기 교정(self-correction) 기반의 공간의사결정을 가능하게 한다(Li et al., 2025).

2) 핵심 기술 및 구성요소

GeoAGI의 기술 기반을 구성하는 핵심 요소에는 공간기반 파운데이션 모델(Geo-Foundation Model; 이하 GeoFM), 지식그래프 기반 공간지식 구조(Geospatial Knowledge Graph; 이하 GeoKG), 멀티모달 융합 계층, 공간추론 엔진, 그리고 자율 분석 기능을 갖춘 GIS 에이전트가 포함된다(그림 4 참조). 이러한 요소들은 단순히 병렬적으로 존재하는 것이 아니라, 공간 데이터의 표현-이해-추론-의사결정으로 이어지는 단계적 구조를 형성한다. 이를 통해 GeoAGI는 GeoAI의 예측 중심의 분석을 넘어, 복합적인 공간 문제를 자율적으로 해석하고 반응할 수 있는 지능형 공간 분석 체계로 확대된다고 할 수 있다.

그림 4.

GeoAGI 핵심 기술의 개념 및 역할

GeoFM⁹⁾은 언어･영상･지도･센서･지형과 같은 다양한 공간 데이터를 사전 학습하여, 모델 내부에 지리적 맥락과 시공간 구조를 내재화하는 기초 모델을 의미한다(Xie et al., 2023; Ji et al., 2025). 이는 서로 다른 데이터 유형 간 공통 공간 표현을 학습하며, 다양한 지리적 과업을 범용적으로 지원한다. 이 점에서 GeoFM은 GeoAGI의 전반적인 공간 인지와 이해를 담당하는 핵심 구성요소라고 할 수 있다.

GeoKG¹⁰⁾는 공간객체･관계･속성･시계열 정보를 연결하는 지식 구조로서, GeoAGI의 설명가능성 및 지식 기반 추론 기능을 강화하는 데 핵심적인 역할을 한다(Mai et al., 2023). 이는 “어디에 무엇이 존재하며, 어떻게 연결되어 있는가”를 구조적으로 표현함으로써 공간 정보를 의미 수준에서 해석할 수 있도록 한다. 이는 2010년대 초반에 국내에서 연구자들이 많은 관심을 가졌던 Geo-ontology와도 관련이 있다. GeoAI에서는 주로 데이터 기반 예측이 중점이었다면, GeoAGI에서는 이러한 지식구조를 활용하여 보다 논리적이고 일관성 있는 공간추론을 수행할 수 있게 된다.

멀티모달 융합 계층은 텍스트･영상･지도･센서･3D･LiDAR 등 다양한 형태의 공간자료를 통합하여 공간인지의 폭을 넓힌다. 최근 Yuan et al.(2025)의 연구에서 제안한 OmniGeo는 이러한 융합 구조의 가능성을 잘 보여준다. 공간추론 엔진은 거리･방향･위계･인접성 등 공간적 관계를 논리적으로 연산하는 구조로 자연어 기반 공간추론이나 Geo-RLHF¹¹⁾가 활용된다(Ji et al., 2025). 마지막으로 Autonomous GIS는 분석 계획의 생성, 코드 자동 작성(Python, SQL 등), 오류 검증, 분석 결과의 시각화 등 공간 분석 전체 과정을 자동으로 수행할 수 있도록 설계된 구성요소로, GeoAGI의 실질적 활용성을 높이는 중요한 역할을 한다(Li and Ning, 2023; Li et al., 2025). 이와 같이 GeoAGI는 공간정보의 데이터-지식-표현–추론–지각–자율성을 하나의 통합 구조로 연결시키며, 기존 GeoAI와 달리 범용적 공간 문제를 폭넓게 다룰 수 있는 분석체계를 지향하고 있다.

3) GeoAI vs. GeoAGI

GeoAI와 GeoAGI는 기술적 설계 목표, 공간지식 처리 방식, 추론 구조, 분석 수행 방식에서 뚜렷한 차이를 보인다(표 1 참조). 기술적 설계 측면에서, GeoAI는 토지피복 분류, 시공간 예측 등 특정 과업 해결에 최적화된 모델로 설계되었다. 이러한 접근은 높은 예측 정확도 달성이라는 강점을 갖지만, 새로운 문제 상황에 적응하거나 분석 절차를 자동 구성하는 기능은 제한적이다(Hu et al., 2019; Gao, 2021). 반면 GeoAGI는 다양한 공간 현상에 대응할 수 있도록 설계된 범용 체계로, 새로운 문제 상황에서도 필요한 분석 절차를 자동으로 구성･실행･검증할 수 있는 구조를 갖춘다(Li et al., 2025; Li and Ning, 2023).

공간지식 처리 방식에서, GeoAI는 주로 데이터 기반 패턴 학습에 의존한다. GeoAGI는 GeoFM와 GeoKG를 이용해 공간지식을 모델 내부에 명시적으로 구조화하고, 이를 추론 과정에 반영한다(Mai et al., 2023; Xie et al., 2023). 따라서 GeoAGI는 지리적 관계, 위계, 의미 정보를 논리적으로 연산하며, 복잡한 공간 문제에서 보다 일관성 있고 신뢰할 수 있는 결과를 산출할 수 있다(Janowicz et al., 2020). 멀티모달 정보 처리 능력에서도 차이가 명확하다. GeoAI는 주로 원격탐사 이미지나 특정 데이터 유형에 의존했다면, GeoAGI는 텍스트, 영상, 지도, 센서 데이터, 3D 정보 등 다양한 공간데이터를 동시에 처리할 수 있다(Yuan et al., 2025). 이는 공간 현상의 이질적인 특성상 여러 정보원의 통합이 필수적이라는 점에서 큰 의미를 지닌다.

정리하면, GeoAI는 특정 문제 해결에 최적화된 "도구형 AI"라면, GeoAGI는 공간지식을 내재하고 다양한 상황에 자율적으로 대응하는 "도메인 특화 범용 지능"으로 이해할 수 있다. GeoAI가 제공했던 높은 예측 정확도라는 강점을 유지하면서, 지식 통합, 종합적 추론, 자동화된 분석 기능을 추가함으로써 공간정보 과학의 새로운 기술적 방향을 제시하고 있다(Xie et al, 2023; Mansourian and Oucheikh, 2024; Li et al., 2025).

4. 토론

1) GeoAGI의 가능성과 한계

최근 등장한 GeoAGI 연구들은 공간정보 분야에서 생성형 AI의 잠재력을 실증적으로 보여주고 있다. 가능성 측면에서 살펴보면, 멀티모달 기반 공간 처리 기술의 발전은 GeoAI의 단일모달 중심 분석의 한계를 극복하는 데 중요한 기여를 하였다. 예를 들어 OmniGeo 모델은 텍스트･영상･지도･센서 데이터를 통합하는 학습 구조를 구현하여, 기존 GeoAI가 수행하기 어려웠던 복잡한 공간문제의 이해와 종합적 판단을 가능하게 하였다(김지영･김효중, 2024; Yuan et al., 2025)(그림 5 참조). 또한 자연언어 기반 공간 질의(NL2GIS) 연구는 공간분석의 대폭적인 접근성 향상을 보여준다. 기존 GIS 전문가가 공간분석 절차를 직접 설계해야 했으나, GeoAGI는 공간분석 절차의 자동 구성, 코드 자동 생성, 지도 제작 자동화를 통합하는 기능을 갖추기 시작했으며(권봉재･유기윤, 2025; Li and Ning, 2023; Jiang and Yang, 2024; Mansourian and Oucheikh, 2024), 비전문가가 손쉽게 공간분석을 수행할 수 있도록 지원한다. 이는 Autonomous GIS의 실현 가능성을 보여주는 중요한 계기로 볼 수 있다.

그림 5.

OmniGeo의 훈련 프레임워크(Yuan et al., 2025), 저자 일부 수정

이러한 가능성에도 불구하고 GeoAGI는 여러 한계가 있다. 첫째, 공간추론의 정확도는 여전히 제한적이다. 자연언어 기반 공간추론의 정확도는 약 70~80% 수준으로, 특히 방향성･위계･위상 같은 복잡한 공간관계 문제에서 오류가 빈번하다(Wang et al., 2024). 이는 LLM의 언어적 환각(hallucination)이 지리적 오류로 발현되는 현상(존재하지 않는 도로 생성, 거리 오류 등)과도 밀접하다(Renshaw et al., 2025). 둘째, 멀티모달 정보의 일관성 문제이다. 서로 다른 정보원 간 정합(cross-modal alignment)이 불안정하게 작동하거나, 특정 모달의 정보가 과도하게 반영되는 편향이 나타난다. 특히 3D･LiDAR 기반 분석이나 시계열 센서 데이터의 패턴 학습에서 오류가 빈번하다(Yuan et al., 2025). 셋째, 설명가능성(explainability)의 부족이다. GeoKG와 GeoFM은 지식 표현의 기술적 기반을 제공하지만, 모델의 공간적 판단이 왜 도출되었는지를 명확하게 설명하기에는 여전히 미흡하다(Hochmair et al., 2025). 넷째, 지역성(localness)에 기반한 전이 가능성의 한계이다. 대규모 데이터에 의존하는 GeoAGI는 국가 간･지역 간 데이터 불균형에 따라 성능이 크게 달라진다. 국내의 고밀도 도시･해안 지역처럼 고유한 공간 특성을 가진 지역에 대해 사전 학습된 모델이 부족한 경우, 성능 일반화가 어렵다(Ye et al., 2025). 이와 같은 가능성과 한계는 GeoAGI가 초기 기술 단계에 있으며, 기술 성숙도 제고를 위한 지속적인 연구가 필요함을 의미한다.

2) GeoAGI 실현을 위한 핵심 과제 및 추진 전략

GeoAGI가 공공 영역 활용을 위해서는 개념 정립, 기술 고도화, 데이터 구축, 학제 간 협력이 필요하다. 첫째, 개념 정립과 기술 기준의 국제 표준화이다. 현재 GeoFM, GeoKG 등이 연구자･기관별로 상이하게 정의되고 있어 학술적 혼선을 초래하고 있다(Ji et al., 2025). 이를 해결하기 위해 GeoAI와 GeoAGI를 객관적으로 구분하는 성숙도 평가 체계를 구축해야 한다. 공간추론 정확도, 멀티모달 정합성, 공간지식 내재화 정도 등을 핵심 지표로 표준화함으로써 다양한 모델 간 비교와 기술 발전 단계를 객관적으로 측정할 수 있다(Xie et al., 2023; Wang et al., 2024). 이러한 기준은 ISO(국제표준화기구)나 UN-GGIM(유엔지리정보위원회) 같은 국제 포럼과의 협력을 통해 글로벌 표준으로 발전될 수 있다.

둘째, 자연언어 기반 공간추론의 정확성과 안정성 향상이다. 현재 70~80% 수준의 정확도는 정책･행정 의사결정에 활용하기에는 충분하지 않으며, 특히 방향성･위계･위상(topology) 같은 복잡한 공간관계와 지리적 환각(hallucination) 문제가 반복적으로 발생하고 있다(Renshaw et al., 2025). 따라서 공간추론 오류 유형을 체계적으로 분류하고, 오류 유형별 보정 방법과 검증 체계를 구축해야 한다(Wang et al., 2024). 나아가 지리 도메인의 특수성(공간 관계의 논리성, 위치의 정확성 등)을 반영한 LLM 파인튜닝 기법과 강화학습(RLHF) 기반의 오류 개선 방법 개발도 병행되어야 한다(Ji et al., 2025; Yuan et al., 2025).

셋째, 통합 공간지식 구조(GeoKG) 구축이다. 국내에서 국토, 도시, 해양, 생태 등 분야별 공간지식이 각각 분리되어 축적되고 있으며, 이러한 지식의 분절화는 GeoAGI가 복합 공간문제를 종합적으로 이해하는 데 근본적인 제약이 된다. 해결 방향은 지리객체, 속성, 관계, 시계열 정보를 논리적으로 연결하는 표준 온톨로지(ontology)를 개발하는 것이다. 분야별 지식그래프를 상호운용 가능한 형태로 통합해야 한다(Mai et al., 2024). 이는 국토교통부･환경부･해양수산부 등 관련 정부 부처 간의 협력을 통해 추진될 수 있으며, 장기적으로는 공공 공간정보 플랫폼 내에서 통합 GeoKG를 운영하는 체계로 발전될 수 있다(Li and Ning, 2023).

넷째, 멀티모달 기반 대규모 공간 학습데이터 구축이다. GeoAGI는 텍스트, 지도, 영상, 센서, 3D, 시계열 데이터 등을 동시에 처리하는 능력에 크게 의존하는데, 현재 이러한 다양한 정보원을 국가 차원에서 일관된 기준으로 통합하는 사례는 아직 초기 단계에 불과하다(Xie et al., 2023). 연구 방향은 멀티모달 자료의 정합 기준(cross-modal alignment standards)을 명확히 정의하고, 시공간 맥락을 포함한 대규모 학습데이터를 체계적으로 구축하는 것이다. 특히 우리나라의 도시 및 연안 지역처럼 지역 특화된 공간 특성과 계절 변화를 반영한 시계열 데이터의 확충을 통해 지역적 편향성을 최소화해야 한다(Ye et al., 2025). 이러한 데이터 구축은 국토교통부의 국가 공간정보 인프라와 연계하여 지속적으로 확대될 필요가 있다.

다섯째, 책임성과 투명성을 위한 학제적 기반 구축이다. GeoAGI의 자동화된 분석 결과가 도시계획, 재난 대응, 환경정책 등 실제 의사결정에 미치는 영향이 크기 때문에, 기술적 성능만큼이나 신뢰성과 안정성이 중요하다(Wang et al., 2024). 해결 방향은 지리학, 컴퓨터공학, 정책학, 윤리학 등 다양한 분야의 협력을 통해 GeoAGI의 오류 유형(지리적 환각, 지역성 편향, 설명가능성 등)을 체계적으로 분류하고, 정책 의사결정 맥락에 맞는 검증 기준과 윤리 기준을 개발하는 것이다(범영우, 2025; Mansourian and Oucheikh, 2024). 이를 위해 GeoAGI 오류 사례 데이터베이스 구축, 분야별 위험도 평가 모형 개발, 공공부문 활용을 위한 법적･윤리적 가이드라인 수립 등의 구체적 연구가 필요하다.

이상의 과제는 상호 연계된 것으로, 개념 정립이 기술 표준화를 선행하고, 이는 데이터 구축과 검증 체계로 이어지며, 최종적으로 공공정책 적용을 위한 신뢰성 기반으로 귀결된다. 이러한 복합적 노력을 통해 GeoAGI는 단순한 기술 혁신을 넘어 공간정보 기반 의사결정의 새로운 패러다임으로 정착될 수 있을 것이다.

5. 결론

본 연구는 최근 등장한 GeoAGI의 개념과 기술적 특징을 국내외 문헌 분석을 통해 체계적으로 정리하였다. 문헌 분석 결과, GeoAGI는 멀티모달 기반 공간 처리 능력, 자연언어 기반 공간분석 자동화, 분석 코드 자동 생성 및 지도 시각화 기능 등 기존 GeoAI가 제공하지 못했던 새로운 가능성을 제시하고 있다. 그러나 공간추론 정확도의 불안정성, 모달 간 정합 오류, 지리적 환각, 지역성 편향 등 기술적 한계도 동시에 확인되었다. 이는 GeoAGI가 현재 기술 개발 초기 단계에 있으며, 실질적인 정책･행정 활용을 위해 기술적･제도적 준비 과정이 여전히 필요함을 의미한다.

본 연구는 GeoAI에서 GeoAGI로의 기술적･개념적 진화를 정리하여 공간지능 연구의 개념적 토대를 마련하였다. 또한, GeoFM･GeoKG･멀티모달 융합 등 GeoAGI의 핵심 구성요소를 학술적으로 체계화함으로써 향후 국내 연구에서 참고할 수 있는 기술 기준안을 제시하였다. GeoAGI의 기술적 성과와 현실적 한계를 균형 있게 제시하고, 기술 고도화와 정책 기반 마련의 필요성을 동시에 강조함으로써 국내 공간정보 정책 수립에 실질적 기초 자료를 제공하였다.

향후 연구에서는 GeoAGI의 공간추론 능력과 안정성을 실증적으로 평가하기 위해서는 구체적인 사례 지역 연구가 필수적이다. 본 연구팀은 향후 연안공간을 사례 지역으로 설정하여 후속 연구를 추진할 예정이다. 연안은 육상･해양･도시 환경이 중첩되는 복합 공간으로, 지형적･환경적･사회경제적 정보가 모두 필요한 지역이기 때문에 GeoKG의 학제 간 통합 기능, 멀티모달 정합능력, 자연언어 기반 공간 추론의 안정성을 종합적으로 평가하기에 적합하다. 이러한 실증 분석을 통해 GeoAGI가 실제 공간문제 해결에 기여할 수 있는 응용 가능성을 탐색하고, 지역 기반 공간정책 및 관리 체계에 GeoAGI를 접목하기 위한 방안을 도출할 수 있을 것으로 판단된다.

결론적으로, GeoAGI는 공간정보 분야가 직면한 중요한 기술적 전환점이며, 지식 기반 추론과 자율적 분석이라는 새로운 패러다임을 제시하는 연구 주제이다. GeoAI 연구가 분석 정확도 향상을 중심으로 발전해 왔다면, GeoAGI는 지리적 지식의 체계화, 인간-기계 상호작용의 고도화, 자동화된 공간의사결정 지원이라는 차원으로 공간정보 과학의 발전을 견인할 것으로 예상된다. 본 연구가 제시한 개념 정립, 기술 프레임워크, 핵심 과제 및 추진 전략이 국내외 GeoAGI 연구의 발전과 실질적 정책 적용을 위한 실마리가 될 것으로 기대된다.