physical AI란 무엇인가

말부터 정리하기

요즘 physical AI라는 말이 자주 쓰인다. 그런데 쓰는 사람마다 뜻이 조금씩 다르다.

우리도 이 말을 쓰고 있으므로, 무엇을 뜻하는지 분명히 해두는 것이 정직하다. 그러지 않으면 유행어를 붙여 그럴듯하게 만드는 것에 그친다.

세 가지 다른 용법

이 말은 대체로 세 맥락에서 쓰인다.

① 몸을 가진 AI. 로봇처럼 물리 세계에서 실제로 움직이고 조작하는 AI. 화면 안에서 텍스트를 다루는 AI와 대비된다. 이 용법이 아마 가장 널리 쓰인다.

② 물리 법칙을 아는 AI. 세상이 어떻게 움직이는지에 대한 모델을 갖고 있어서, 다음에 무슨 일이 일어날지 예측할 수 있는 AI. 공이 떨어지면 어디로 튈지 아는 것.

③ 물리 신호를 다루는 AI. 센서에서 나온 물리적 측정값을 해석해 세계의 상태를 추정하는 AI.

우리 프로젝트는 ③에 가깝고, ②의 요소를 일부 쓴다. ①은 아니다. 우리는 로봇을 만들지 않는다.

정확히 말하면 이렇다. 가속도라는 물리 신호에서, 눈에 보이지 않는 지반 상태를 추정하는 일. 그리고 그 추정을 위해 도로와 차량의 물리 모델을 활용한다(23편).

왜 그냥 “AI”라고 하지 않나

구분할 만한 이유가 있다.

일반적인 기계학습에서는 데이터의 물리적 의미를 몰라도 된다. 사진에서 고양이를 찾는 모델은 빛의 물리를 알 필요가 없다. 픽셀 패턴만 다루면 된다.

우리 문제는 그렇게 하면 실패한다.

이유를 세 가지로 정리할 수 있다.

첫째, 데이터가 물리 법칙에 지배된다. 가속도 신호는 아무 모양이나 되지 않는다. 뉴턴 법칙과 재료의 성질이 가능한 모양을 제한한다. 이 제약을 아는 것이 학습에 유리하다. 아무 패턴이나 찾게 하는 것보다, 물리적으로 가능한 패턴 안에서 찾게 하는 것이 훨씬 효율적이다.

둘째, 데이터가 부족하다. 22편의 문제다. 데이터가 넘칠 때는 패턴만 찾아도 된다. 부족할 때는 물리 지식으로 그 부족함을 메워야 한다. 23편의 시뮬레이션이 그 방법이고, 이건 물리를 알아야 가능하다.

셋째, 틀렸을 때 알아야 한다. 순수한 패턴 학습 모델이 이상한 답을 내면 알아채기 어렵다. 물리를 아는 모델이라면 물리적으로 불가능한 답을 걸러낼 수 있다.

세 번째가 가장 중요하다. 20편의 표현을 다시 쓰면, 물리 법칙이 답을 채점하는 기준이 된다.

사람의 감각도 물리다

여기서 이 프로젝트의 특징적인 부분이 나온다.

7편에서 사람의 판단을 정답 대신 쓴다고 했다. 그리고 22편에서 그 학습의 실제 목표가 “사람들이 이상하다고 느낄 만한 신호인가”라고 정리했다.

이걸 physical AI 관점에서 다시 보면 흥미롭다.

사람이 “물컹하다”고 느끼는 것도 물리적 과정이다. 노면의 응답이 차체를 거쳐 좌석으로 전달되고, 사람의 몸이 그 흔들림을 감지하고, 뇌가 평소와 비교해 판단한다. 전 과정이 물리와 생리다.

그리고 사람의 감각은 특정한 필터를 갖고 있다. 사람이 잘 느끼는 진동 대역이 있고, 무시하는 대역이 있다. 이건 연구된 영역이다.

그러면 이렇게 말할 수 있다. 사람의 판단을 학습한다는 것은, 사람이라는 센서의 특성을 학습하는 것이다.

그리고 사람이라는 센서는 우리 폰보다 나은 점이 있다. 7편에서 정리한 것들 — 기준선을 몸으로 갖고 있고, 맥락을 함께 고려하고, 여러 감각을 통합한다.

우리가 하려는 것은 그 능력을 기계에 옮기는 것이다. 폰의 가속도 신호만 가지고, 사람이 좌석에서 느끼는 것과 같은 판단을 내리게 하는 것.

그래서 두 겹의 학습이 된다

정리하면 학습 대상이 두 겹이다.

겹 1: 물리 모델 — 공동이 있을 때 노면이 어떻게 반응하는가. 23편의 시뮬레이션이 이걸 다룬다. 계산으로 만들 수 있다.

겹 2: 사람의 감각 — 그 반응 중 어떤 것을 사람이 “이상하다”고 느끼는가. 이건 계산으로 만들 수 없고, 실제 신고 데이터가 필요하다.

두 겹이 다른 성격이라는 것이 중요하다.

	물리 모델	사람의 감각
데이터 출처	시뮬레이션	실제 신고
확실성	모델 가정에 의존	사람의 오류 포함
지금 가능한가	가능 (계산하면 됨)	데이터 쌓여야
검증	물리 법칙	어려움 (정답 없음)

겹 1이 겹 2를 도울 수 있다. 물리 모델로 “공동이 있으면 이런 신호가 나온다”를 알아낸 뒤, 사람이 이상하다고 표시한 신호가 그 패턴과 닮았는지 확인할 수 있다. 두 경로가 만나는 지점이 가장 신뢰할 만한 후보가 된다.

유행어의 위험

마지막으로 짚어둘 것이 있다. physical AI라는 말은 지금 주목받는 표현이고, 그래서 붙이면 그럴듯해 보인다.

그 유혹을 경계해야 한다. 말을 붙여서 얻는 것은 없고, 실제로 무엇을 하는지 흐려지면 스스로도 판단이 흐트러진다.

그래서 이 프로젝트에서 physical AI가 실제로 뜻하는 것을 최소한으로 줄여 적어두면 이렇다.

가속도 신호에서 지반 상태를 추정하는 일. 그 추정에 도로·차량의 물리 모델과 사람의 판단 데이터를 함께 쓴다.

이 문장 이상을 주장하지 않는다. 로봇도 아니고, 세계 모델도 아니다.

그리고 22편에서 말한 대로 이건 아직 계획이다. 현재 동작하는 것은 1단계 — 사람의 신고와 그 집계 — 이고, 이 부의 내용은 데이터가 쌓인 뒤의 방향이다.

다음 편에서 두 겹 중 어려운 쪽, 사람의 감각을 학습하는 문제를 자세히 다룬다.

---

다음 편 예고 — 사람의 ‘물컹함’을 기계에 가르치기. 감각이라는 애매한 것을 학습 목표로 삼을 때 생기는 문제들.