물리적 AI의 시대: 엔지니어링 두뇌를 구축하려는 P-1의 시도

인공지능은 기계가 산문을 쓰고 그림을 생성하도록 가르쳤습니다. 이제 소프트웨어가 세상을 해석하는 데 그치지 않고 세상을 구축하는 데 도움이 되는 새로운 개척지가 등장하고 있습니다. 이것이 바로 물리적 AI의 부상입니다. 단어나 이미지가 아니라 마찰, 열, 진동, 힘과 같은 현실 세계의 원시적인 제약 조건에 따라 훈련되는 시스템입니다. 이 움직임의 선두주자 중 하나는 P-1 AI라는 신생 스타트업입니다.

항공우주 부문 임원인 Paul Eremenko, Adam Nagel, DeepMind 졸업생인 Aleksa Gordić가 설립한 P-1은 복잡한 설계 작업에서 엔지니어와 협업하도록 설계된 디지털 견습생인 Archie라는 기계를 개발하고 있습니다.

Archie는 퀴즈에 답하거나 요약을 작성하도록 설계되지 않았습니다. 다중 물리학 시스템을 통해 추론하고, 장단점을 탐색하며, 궁극적으로 HVAC 시스템에서 우주선에 이르기까지 실제 기계를 설계하는 데 도움이 되도록 훈련되고 있습니다. Gordić은 IBM Think와의 인터뷰에서 Archie와 같은 도구가 우주선과 같은 투기적인 거대 구조물을 설계하는 데에도 도움이 될 미래를 구상하고 있습니다.

"우리는 디자인 공간에서 노동의 인지 자동화라는 것을 하고 있습니다."라고 Gordić은 말합니다.

NVIDIA CEO 젠슨 황은 최근 여러 강연에서 물리적 AI를 새로운 "산업 혁명"이라고 부르며 이 방향의 중요성을 강조했습니다. 그는 또한 물리적 AI가 회사의 미래를 이끄는 원동력이라고 설명하며, 생성형 모델과 로보틱 및 시뮬레이션의 융합을 통해 기계가 전례 없는 능력으로 현실 세계를 이해하고 탐색할 수 있게 될 것이라고 강조했습니다. 이에 따라 NVIDIA는 대규모 언어 모델(LLM) 교육뿐만 아니라 자율 주행, 로보틱 및 디지털 트윈과 같은 영역의 물리적 추론 작업을 위해 하드웨어 플랫폼을 점점 더 최적화하고 있습니다.

P-1의 플랫폼은 강화 학습 및 신경망을 활용하여 합성 데이터 세트를 생성하고, 설계 변형을 모델링하고, 물리적 시스템의 동작을 시뮬레이션하며, 이 작업을 몇 시간이 아닌 밀리초 단위로 수행합니다.

Archie는 CAD 도구나 솔버를 교체하는 대신 이러한 도구나 솔버를 사용하도록 교육을 받고 있습니다. 작업에 적합한 도구를 선택하고 주니어 엔지니어가 사용하는 방식으로 사용합니다. 기존 워크플로는 단일 설계를 테스트하는 데 몇 시간 또는 며칠이 걸릴 수 있습니다. Archie는 신경망을 사용하여 이러한 시뮬레이션을 밀리초 단위로 근사화함으로써 훨씬 더 빠른 반복을 가능하게 합니다. Gordić에 따르면 목표는 속도뿐만 아니라 엔지니어의 실제 사고 방식을 반영하는 것입니다. "인간은 기본적으로 1차 추론을 합니다. 오차 범위가 엄청납니다."라고 그는 말합니다. 그는 실제 디자인은 단순한 최적화 문제라기보다는 경쟁하는 제약 조건 사이에서 협상을 해야 하는 경우가 많다고 덧붙입니다. "[설계]에서 너무 멀리 떨어져서 샘플링하면 모든 것이 깨지기 시작합니다. 하지만 어쩌면 혁신도 그렇게 일어나는 것일 수도 있습니다."

Gordić는 회사의 초기 초점은 실용적이라고 말합니다. 데이터 센터가 그 어느 때보다 더 많은 전력을 소비하고 더 많은 열을 발생시키는 상황에서 P-1은 보다 효율적인 HVAC 시스템을 설계하는 데 도움이 될 수 있는 산업용 냉각 부문에 Archie를 배포하고 있습니다. "이 분야는 물리적 제약이 분명하고 상업적 시급성이 있는 분야입니다."라고 Gordić는 말합니다.

이 시스템은 이미 팬, 컴프레서 및 열교환기의 구성 요소 수준 모델에 대해 학습 중입니다. 그리고 Archie는 추상적인 의미의 기류를 시뮬레이션하기보다는 기류 효율성과 비용, 소음 및 설치 공간의 균형을 맞출 때 실제 설계 엔지니어가 할 수 있는 선택을 하는 방법을 배우고 있습니다.

IBM 직원 연구 과학자 Johannes Jakubik은 Archie와 IBM Research에서 수행 중인 작업의 유사점을 발견했습니다. 그는 IBM Think와의 인터뷰에서 위성 이미지 및 원격 감지를 위해 개발된 파운데이션 모델인 TerraMind와 같은 모델은 실제 이미지가 누락된 합성 이미지를 생성하여 지구 관측의 데이터 격차를 좁히도록 설계되었다고 말합니다. "단순히 데이터를 해석하는 대신, 누락된 정보를 통해 추론하고 직접 관찰할 수 없는 것을 시뮬레이션할 수 있는 모델을 개발하고 있습니다."라고 그는 말합니다.

그는 공간 컨텍스트를 이해하는 멀티모달 AI 시스템을 향한 중요한 단계로 레이더 데이터를 합성 광학 이미지로 변환하는 TerraMind의 능력을 지적합니다. "이러한 시스템은 단순히 사진을 생성하는 것이 아닙니다."라고 그는 말합니다. "그들은 일종의 물리적 추론을 수행하고 있습니다."

Jakubik은 또한 도메인별 적응의 중요성을 강조합니다. "문제의 물리학에 대한 깊은 이해를 바탕으로 모델을 학습시키면 더 안정적이고 신뢰할 수 있는 예측이 가능하다는 사실을 발견했습니다."라고 그는 말합니다. "모델을 확장하는 것만으로는 충분하지 않습니다. 우리는 그들이 사업을 영위하는 세상에 대해 지능적으로 만들어야 합니다."

냉각 시스템은 시작에 불과합니다. Gordić은 P-1의 야망이 전기 자동차에서 항공 우주까지 점점 더 복잡해지는 제품 영역 전반으로 Archie의 역량을 확장하는 것이라고 말합니다. 이를 위해 회사는 현재 동일한 에이전트 프레임워크 내에서 구조, 열 및 전자기 설계를 지원할 수 있는 모듈 프로토타입을 제작하고 있습니다.

장기적인 비전은 아직 존재하지 않는 기술을 개발하는 데 의미 있게 협업할 수 있는 범용 AI를 구축하는 것입니다. "우리는 엔지니어를 대체하는 AI를 구축하려는 것이 아닙니다."라고 Gordić는 말합니다. "더 많은 가능성을 탐색할 수 있도록 도와주는 플랫폼을 구축하려고 합니다."

이를 위해 P-1은 이 분야에서 가장 악명 높은 병목 현상 중 하나인 엔지니어링에서 사용할 수 있는 훈련 데이터가 부족하다는 점을 극복해야 했습니다. 자연어 데이터 세트와 달리 엔지니어링 데이터 세트는 공개되는 경우가 거의 없으며 일반적으로 독점 사일로에 걸쳐 단편화되어 있습니다. Gordić는 가장 잘 문서화된 분야 중 하나인 항공기 설계조차도 접근 가능한 데이터 포인트가 상대적으로 적다고 말합니다.

P-1의 대답은 물리학에 기반한 샘플링 전략을 사용하여 합성 데이터를 생성하는 것입니다. 기존 솔루션뿐만 아니라 솔루션 주변의 부정적인 공간, 즉 일반적으로 탐색되지 않거나 무시되는 디자인 스페이스 영역을 포괄하는 데이터 세트를 구축하는 것이 아이디어입니다. "처음에는 엉뚱해 보이는 디자인이 가장 흥미로운 디자인일 때도 있습니다."라고 Gordić은 말합니다.

Jakubik은 이러한 감정을 반영합니다. "물리 과학 분야에서 AI를 사용할 때 가장 흥미로운 부분 중 하나는 엣지 케이스를 식별하는 기능입니다."라고 그는 말합니다. "이런 것들은 사람들이 흔히 간과하는 부분인데, 기존의 추론 방법 밖에 있기 때문입니다."

그는 AI가 더 짧은 시간에 더 많은 디자인을 테스트할 수 있어 직관에 대한 의존도를 줄일 수 있다고 덧붙입니다. "복잡한 시스템에서는 단순화를 기반으로 의사 결정을 내리는 경우가 많습니다."라고 그는 말합니다. "AI는 실제 데이터와 시뮬레이션된 결과를 통해 이러한 단순화에 도전할 수 있는 방법을 제공합니다."

IBM의 연구원들은 NASA와 협력하여 개발한 Prithvi WxC와 같은 기후 및 날씨 모델과도 협력하고 있습니다. Jakubik은 이 모델이 트랜스포머 기반 아키텍처를 사용하여 수백 개의 변수를 병렬로 분석한다고 설명합니다. "기존 시뮬레이션 방법보다 훨씬 적은 컴퓨팅으로 기상 이변의 진화를 모델링할 수 있습니다."라고 그는 말합니다.

Jakubik은 AI 시스템이 인간의 능력을 대체하는 것이 아니라 증강하도록 설계되었다고 강조합니다. "AI는 과학 및 공학 발견을 보강할 수 있는 지점에 도달했지만, 문제의 구성은 여전히 도메인 전문가가 해야 합니다."라고 그는 말합니다.

그는 AI가 초기 단계 설계 및 가설 테스트에서 특히 강력하다고 믿습니다. "지금이야말로 불확실성이 가장 높고, 잘못된 선택으로 인한 비용이 가장 적게 드는 순간입니다."라고 그는 말합니다. "AI는 인간 팀이 혼자 작업하는 것보다 더 광범위한 초기 아이디어를 제공하고 스트레스 테스트를 더 빠르게 수행할 수 있습니다."

물리적 AI를 추구하는 또 다른 회사는 Flagship Pioneering에서 분리된 바이오테크 스타트업 인 Lila Sciences입니다. Lila는 가설을 생성하고 수천 개의 실험을 동시에 실행할 수 있는 AI 시스템의 안내를 받는 자율 실험실을 개발하고 있습니다. 2억 달러의 자금과 '과학적 초지능'을 구축한다는 목표를 가진 Lila의 플랫폼은 최근 몇 년이 걸릴 것으로 예상되던 친환경 수소 생산을 위한 새로운 촉매를 단 4개월 만에 발견하여 과학계를 놀라게 했습니다.

Gordić, Nagel, Eremenko가 P-1을 설립하기까지의 여정은 수년간의 고위험 연구 환경에서 형성되었습니다. Eremenko는 DARPA의 전술 기술 사무소를 이끌었으며 Airbus와 United Technologies에서 CTO를 역임했습니다. Gordić는 DeepMind와 Microsoft에서 수년간 머신 러닝과 구조화된 추론의 교차점에 중점을 두었습니다.

대부분의 범용 언어 모델은 구문과 의미론뿐만 아니라 인과적 추론과 물리 법칙 준수를 요구하는 엔지니어링에 적합하지 않다는 시장의 틈새를 발견한 것입니다.

"대규모 언어 모델은 문서를 요약하는 데 적합합니다."라고 Gordić는 말합니다. "하지만 로켓을 설계하려면 추진제 흐름이 챔버 압력과 어떻게 상호 작용하는지 이해해야 합니다. 그것은 다른 차원의 추론입니다."

P-1은 Radical Ventures, Village Global, OpenAI 및 Google의 투자자로부터 2,300만 달러의 시드 펀딩을 받았습니다. 공격적으로 채용을 진행하고 있으며 올해 안에 업계 파일럿을 출시할 예정입니다. 이 회사의 현재 직원에는 항공 우주, 자동차 및 고급 컴퓨팅 분야의 졸업생이 포함되어 있습니다.

이러한 노력이 궁극적으로 엔지니어링 워크플로를 재편할지, 아니면 실제 제약의 복잡성으로 인해 흔들릴지는 두고 봐야 합니다.

"우리는 물리적 AI가 할 수 있는 일의 시작 단계에 있습니다."라고 Gordić는 말합니다. "하지만 우리가 제대로 해낸다면 앞으로 모든 것을 디자인하는 방법의 토대가 될 수 있습니다."