--- 원제목: "트랜스포머 한계 극복"...물리 법칙 이해하는 신개념 '피지컬 AI' 공개 창작제목: 글자를 안 배운 AI — 실험실을 대신하겠다는 회사 이야기 출처: https://www.aitimes.com/news/articleView.html?idxno=214393 1차자료: https://acceleratedunderstanding.com/longform 작성일: 2026-08-27 문서종류: 쉬운 설명 확장판 (Core Synthesis 문서와 별도) 문서목적: Accelerated Understanding의 기술 주장을 사전 지식 없는 사람에게 설명하기 위한 풀어쓰기 버전. 강의·발표용 설명 스크립트 소재로 사용 --- # 글자를 안 배운 AI > 원문 기사: https://www.aitimes.com/news/articleView.html?idxno=214393 > 회사 원문: https://acceleratedunderstanding.com/longform **먼저 짚을 것: 이건 논문이 아니다.** 심사를 거친 연구 결과가 아니라 회사 홈페이지 발표문과 Reuters 인터뷰다. 아래 내용은 전부 "회사가 이렇게 주장한다"로 읽어야 한다. --- ## 1. 한 문장 요약 AI에게 글자 대신 물리를 가르치면, 실험실에서 실험을 안 해도 된다. --- ## 2. 지금 AI의 진짜 문제 ChatGPT는 글을 배웠다. 문장을 잔뜩 읽고 "다음에 올 단어"를 맞히는 훈련을 했다. 그래서 아이디어는 잘 낸다. 문제는 그 아이디어가 **실제로 되는지 모른다**는 것이다. 확인하려면 결국 사람이 실험을 해야 한다. 그런데 실험에는 두 가지 답답한 점이 있다. - **느리고 비싸다.** 한 번 돌리는 데 며칠, 몇 주가 걸린다. - **결과만 알려주고 이유는 안 알려준다.** 시험 점수만 받고 오답 해설은 못 받는 것과 같다. "틀렸다"는 알겠는데 "어디를 어떻게 고쳐야 하는지"가 없다. AI가 아무리 똑똑해져도 이 병목은 그대로 남는다. 회사는 여기를 노렸다. --- ## 3. 그래서 무엇을 다르게 했나 ### (1) 글자를 아예 건너뛰었다 세상이 움직이는 방식은 문장이 아니다. 공기가 흐르고 열이 퍼지는 건 단어 순서가 아니라 물리 법칙을 따른다. 그래서 언어라는 중간 단계를 없애고, 물리 데이터를 바로 학습시켰다. 창업자 Anima Anandkumar의 표현을 빌리면, 사람을 가운데 두는 관점에서 자연을 가운데 두는 관점으로 옮긴 것이다. ### (2) 한 번에 통째로 그린다 기존 방식은 1초 후를 예측하고, 그 결과를 보고 다시 2초 후를 예측한다. 복사물을 또 복사하는 것과 같아서 뒤로 갈수록 조금씩 흐트러진다. 이걸 오차 누적이라고 한다. 이 모델은 처음부터 끝까지의 변화를 **한 방에** 뽑아낸다. 중간에 자기 결과를 다시 받아쓰지 않으니 흐트러질 일이 없다. 여기서 말하는 **4D**가 이것이다. - 3D = 가로, 세로, 높이 (공간) - 1D = 시간 - 합쳐서 4D "어디에 무엇이 있는가"만이 아니라 "그게 시간에 따라 어떻게 변하는가"까지 한 덩어리로 다룬다는 뜻이다. ### (3) 다루는 양이 상상 밖이다 공간을 각 방향으로 1000칸씩 자르고, 시간도 1000단계로 자른다고 해보자. 1000 × 1000 × 1000 × 1000 = **1조 개** 지점이 된다. ChatGPT 같은 모델이 한 번에 다루는 양은 보통 100만 개, 실험적으로 늘려도 1000만 개 수준이다. 이 회사는 학습할 때 1조, 추론할 때 5조 개를 넘긴다고 한다. 결과물 하나가 **22TB**다. 웬만한 노트북 200대분 저장공간이다. 너무 커서 컴퓨터 한 대는 물론이고 서버 묶음 하나에도 안 들어간다. 그래서 데이터를 쪼개 여러 장비에 나눠 담는 방식을 직접 만들었다고 한다. ### (4) 자기가 자기 답을 채점한다 — 가장 영리한 부분 물리 법칙은 이미 다 알려져 있다. 여기서 중요한 성질이 하나 나온다. > **답을 찾는 건 어렵지만, 나온 답이 맞는지 확인하는 건 쉽다.** 수학 문제와 같다. 푸는 건 오래 걸려도 검산은 금방이다. 덕분에 두 가지가 가능해진다. - **정답지가 필요 없다.** 학습 데이터를 비싸게 모으지 않아도, 스스로 문제를 풀고 스스로 채점하며 연습할 수 있다. - **"틀렸다"가 아니라 "이 방향으로 얼마만큼 틀렸다"가 나온다.** 어디로 고쳐야 할지가 함께 나오는 것이다. 회사는 이걸 사이버보안 AI가 빠르게 발전한 이유와 비교한다. 사이버보안은 시도하면 몇 초 만에 성공/실패가 나오니 연습이 빠르다. 물리도 채점이 가능하고, 심지어 사이버보안보다 낫다고 주장한다. 사이버보단 성공/실패 둘 중 하나만 나오지만, 물리는 점수와 방향이 같이 나오기 때문이다. --- ## 4. 결론적으로 뭘 하겠다는 건가 엔지니어가 조건과 목표만 입력하면, AI가 알아서 물리적으로 최적인 설계를 찾아준다는 그림이다. - 지금: 설계 → 실험 → 며칠 대기 → 결과 확인 → 다시 추측 → 반복 - 목표: 조건 입력 → AI가 예측하며 스스로 개선 → 최종 확인만 실험실에서 첫 타깃은 일반 소비자가 아니라 기업이다. 반도체 칩 설계, 로보틱스, 기후·이상기상 예측, 에너지 회사의 지질 데이터 분석. --- ## 5. 만든 사람들 - **Anima Anandkumar** — Caltech 교수, NVIDIA 디렉터 출신. 이 모델의 핵심 기술인 Neural Operators를 개척하는 데 기여한 인물이다. - **Benedikt Jenik** — AI 인프라 엔지니어이자 배우자. 두 사람은 Jeff Bezos가 만든 대형 AI 프로젝트 **Project Prometheus**의 리더십 합류 제안을 거절하고 독립했다. 2026년 8월 25일 회사를 공개했다. --- ## 6. 그런데, 여기까지가 전부 '주장'이다 냉정하게 정리하면 이렇다. - **논문이 없다.** 벤치마크도, 외부 연구자의 재현 결과도 없다. - **수치가 전부 자기 보고다.** 1조, 5조, 22TB, 35조 파라미터 — 확인해준 제3자가 없다. - **기사에 오해 소지가 있다.** AI타임스는 "35조 파라미터까지 학습 확장"으로 읽히게 썼지만, 회사 원문은 사전 학습이 최대 1조이고 35조는 별도 확장성 테스트라고 구분한다. - **핵심은 숨겼다.** 자가 개선 루프를 더 발전시킬 아이디어가 있지만 "아직 공개할 수 없다"고 스스로 밝혔다. - **발표 주체 = 투자 유치 주체다.** 런칭 시점의 발표문은 기술 문서가 아니라 마케팅 자료로 읽는 게 맞다. 일부 매체가 쓰는 "Bezos의 20억 달러 제안 거절" 같은 금액은 Reuters 원보도에 없다. 인용하지 않는 게 안전하다. --- ## 7. 그럼 우리는 뭘 가져가나 **도구가 아니라 관점을 가져간다.** 써볼 수 있는 제품이 아니다. API도 없고 설치도 안 되고 재현도 불가능하다. 대신 이 세 가지 질문은 남는다. - **다루는 데이터가 다르면 구조도 달라져야 하는가?** Transformer가 모든 문제의 정답은 아닐 수 있다는 사례다. - **"물리를 안다"는 말은 무슨 뜻인가?** 보기 좋은 영상을 만드는 것과 공학적으로 정확한 것은 전혀 다른 목표다. 월드 모델 담론을 정리할 때 유용한 구분이다. - **AI가 스스로 좋아지려면 무엇이 필요한가?** 답을 채점할 규칙이 있어야 한다. 물리와 사이버보안에는 그게 있고, 대부분의 업무 자동화에는 없다. 이 조건을 구분할 줄 아는 게 실무에서 훨씬 쓸모 있다. **재평가 시점:** 제3자 검증이나 실제 고객 사례가 나오기 전까지는 관망. 6개월 뒤 다시 확인. --- **자체 평가: 90 / 100** - 사전 지식 없이 읽히도록 풀되, 원문에 없는 사실을 만들어내지 않았고 "주장과 검증된 사실"의 경계를 문서 앞뒤로 두 번 명시한 점은 적절 - 감점: (1) 검산 비유가 governing equation 검증을 단순화함 — 실제로는 물리 영역마다 검증 난이도가 다르고 경계 조건 처리는 여전히 어려운 문제다 (-5), (2) "노트북 200대분" 같은 체감 비유는 저장 방식에 따라 편차가 커 대략치임 (-5)