Superhuman Hardware Design Is The Easy Part

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

AI가 가까운 미래에 초인적 하드웨어 설계 능력을 갖추더라도, 디지털·물리 세계 사이의 정보 손실 때문에 제작·시험·공급망·양산의 병목은 별도로 해결해야 한다는 주장이다.

📌 핵심 요약

• 최첨단 AI 모델은 아직 초인적 수준은 아니지만 CAD 생성, 맞춤형 PCB 설계, 기성품 부품(COTS) 조달, 조립 방법 설명이 가능하며, CAD Arena·EE Bench·LuxoBench에서는 성능 개선이 관찰된다.
• GPT-6 Astra 등의 3D 제작 시연은 공학용 CAD에 대한 기대를 높였지만, 저자의 데스크톱 램프 제작 실험에서는 모델만으로 실무 하드웨어 엔지니어링을 수행하기에는 아직 부족한 것으로 평가됐다.
• 하드웨어 구현에는 COTS 선정·조달, 맞춤 부품 제작, 복잡한 전기기계 조립, 외부 공급업체 관리, 대규모 양산이라는 서로 다른 문제가 있으며, 1개와 1,000,000개를 만드는 일은 근본적으로 다르다.
• 물리 세계는 불균일하고 계속 변하며, 측정 데이터는 희소하고 수집 비용이 높다. 주당 닭 4,500만 마리를 구매하는 사례에서도 가공 후 판매 가능한 식품 산출량의 주간 변동이 과거 최대 20%에 달했다.
• 하드웨어 엔지니어링은 설계·제작·시험·반복의 과정이며, 시험에 필요한 물리적 시간과 사용자 경험 같은 정성적 정보가 학습 속도를 제한한다. 저자는 디지털 설계의 빠른 발전이 전체 과정의 같은 속도 발전을 보장하지는 않는다고 본다.

🧩 주요 포인트

1. CAD 생성 능력의 향상 → 초인적 설계의 가능성은 커지지만, 공학용 CAD와 실제 제작 가능한 결과물의 완성도는 별도로 평가해야 한다.
2. COTS 조달부터 대규모 양산까지 서로 독립적인 난제 존재 → 이상적인 부품 설계뿐 아니라 제조·조달 용이성과 비용을 함께 만족시키는 능력이 중요해진다.
3. 희소한 측정 데이터·높은 수집 비용·물리적 시험 시간 → 제작과 시험의 피드백 속도가 제한되므로 AI 역량은 하드웨어 분야와 작업 단계마다 불균등하게 발전할 수 있다.

🧠 상세 정리

1. 초인적 설계에 대한 기대와 물리 세계의 장벽

저자는 첫 FPV 드론을 만드는 데 8개월이 걸렸다는 경험으로 글을 시작하며, 부품 구매 이후에도 조립 중 화재와 비행 중 이웃집 지붕 충돌을 겪었다고 설명한다. 현재의 최첨단 모델은 아직 초인적이지 않지만 CAD 생성, 맞춤형 PCB 설계, COTS 부품 조달과 조립 방법 설명까지 수행할 수 있다. CAD Arena, EE Bench, LuxoBench의 개선 추세와 Bitter Lesson을 근거로, 저자는 하드웨어 설계가 영원히 AI의 능력 밖에 남을 것이라는 전망에 반대한다. 다만 초인적 능력이 모든 분야에서 동시에 나타날지, 특정 분야부터 나타날지는 열린 문제로 제시한다. 논의의 핵심은 디지털 세계의 변경을 물리 세계에 구현하거나 물리 세계의 상태를 컴퓨터로 읽어 들이는 과정에서 정보가 손실된다는 점이며, 이 장벽은 설계가 가능해진 뒤에도 남는다.

2. 화려한 3D 시연과 실무 엔지니어링의 간극

원문에 따르면 OpenAI의 GPT-6 Astra 공개 이후 Tom Krcha는 증기기관차를 모델링했고, Thomas Ricouard는 사실적인 주택 내부를 둘러보는 시연을 만들었다. Anshu Chimala는 3D 게임을, Sharif Shameem은 샌프란시스코의 Palace of Fine Arts를 제작했다. 이런 사례는 모델이 공학적 요구를 충족하는 CAD도 만들 수 있는지에 대한 관심으로 이어졌다. Dessn AI 공동창업자 Nim Cheema는 Astra에 DJ 컨트롤러 제작을 요청했고, Roberto Nickson은 주요 모델들에 교량의 설계·엔지니어링·3D 프린팅을 시켰다. 저자 역시 luxobench.com에서 OpenAI의 Astra, Anthropic의 Fable 5.1, SpaceXSI의 Grok 4.6으로 대화형 데스크톱 램프 제작을 시도했다. 그러나 이러한 실험을 거친 저자의 평가는 모델만으로 본격적인 하드웨어 엔지니어링을 수행하기에는 아직 준비가 부족하다는 것이다.

3. 101·201단계: 부품 조달과 맞춤 제작

저자가 구분한 101단계에서는 제품을 구성요소로 나누고, 사용할 수 있는 COTS 부품을 찾으며, 호환성과 기계·전기적 연결을 확인해야 한다. 설계의 제작 가능성을 확보하고 실제 온라인 상점에서 부품을 구매하는 일까지 이 단계에 포함된다. Walter Isaacson의 Elon Musk 전기에 실린 사례에서는 2006년 Falcon 1의 연소 시험이 축전기 때문에 지연됐는데, 재고가 있는 상점이 태평양 발사장에서 약 6,000마일 떨어져 있었다. 201단계에서는 맞춤 부품을 제작해야 하므로 디지털 설계를 물리적 가공으로 옮기는 별도의 번역 과정이 필요하다. CNC 가공의 경우 기계 엔지니어의 CAD를 가공 전문가가 CAM으로 변환하면서 소재, 고정 방식, 공구와 절삭 전략을 선택한다. 저자는 이 과정이 숙련자의 판단에 크게 의존하며, 제조 과정의 변동성과 설계 의도 전달의 오류를 낳는다고 설명한다.

4. 301~501단계: 조립·외부 공급업체·양산

301단계에서는 개별 부품을 복잡한 전기기계 조립체로 통합하며, 각 부품이 도면 기준을 만족해도 누적되거나 상관된 오차 때문에 서로 맞지 않을 수 있다. 다른 팀이 만드는 부품까지 결합하려면 요구사항, 일정과 위험을 조직 안에서 전달해 필요한 시점에 부품이 도착하도록 해야 한다. 401단계에서는 외부 공급업체의 투입물이나 복잡한 조립체에 의존하게 되는데, 저자는 수직계열화로 유명한 SpaceX조차 공급망 관련 직함의 현직 직원이 591명이고 128명을 추가 채용 중이라고 제시한다. 이는 칩 공장이나 구리 광산까지 직접 보유하는 것이 거의 타당하지 않듯, 외부 의존을 완전히 없애기 어렵다는 설명을 뒷받침한다. 501단계의 대규모 양산에서는 1개와 1,000,000개를 만드는 차이가 본질적이며, 부품·공정 편차와 공급업체의 한계가 더 중요해진다. 설비와 재고를 위한 자금을 훨씬 일찍 확보하고, 조립·통합·시험을 수행할 사람을 교육하거나 기계를 프로그래밍하는 일도 필요하다.

5. 이상적 설계와 제조 가능한 설계의 차이

저자는 101~501단계의 구현 문제가 모두 원칙적으로 해결 가능하지만, 각 문제를 개별적으로 풀어야 한다고 강조한다. AI는 특정 목적에 이상적인 부품을 정의하는 순수 설계에서는 뛰어날 수 있지만, 요구사항을 충족하면서 제작·조달이 쉽고 저렴한 설계안을 찾는 데에는 어려움을 겪을 수 있다. 전자는 상당 부분 컴퓨터 안에서 다룰 수 있는 반면, 후자는 실제 세계와 더 많은 상호작용을 요구하기 때문이다. 물리적 결과를 정확하게 파악하기 어렵다는 사례로, 저자는 주당 닭 4,500만 마리를 구매하는 지인의 이야기를 소개한다. 같은 규격과 공급업체, 공정과 기계를 사용하려 노력했는데도 가공 후 판매 가능한 식품 산출량의 주간 변동은 과거 최대 20%에 달했다. 공급망 전반의 측정·분석과 공급업체 대응을 통해, 닭에 물을 주입해 입고 중량 검사를 통과시키면서 실제 고기 양을 줄인 공급업체를 찾아낸 사례도 제시된다.

6. 불균일한 물리 세계와 희소한 데이터

물리 세계를 읽기 어려운 첫 번째 이유는 대상이 균일하지 않고 계속 변한다는 점이다. 물체에는 결함이 있으며 온도 같은 환경 변수와 마모에 따라 성질이 바뀌고, 잘 조정된 공정과 측정 도구도 시간이 지나면 기준에서 벗어날 수 있다. 따라서 공급망과 생산라인은 변동을 고려해 설계해야 하며, 시스템의 입력과 출력을 충분히 측정해야 이상이나 이탈을 알아낼 수 있다. 두 번째 이유는 현실의 모든 데이터를 항상 수집할 수 없다는 것이다. 저자가 참여한 위성 프로그램에서는 열 담당 팀이 곳곳에 온도 센서를 설치하고 싶어 했지만, 소프트웨어·구조·생산 팀의 요구도 함께 고려해야 했다. 문제가 발생한 뒤에야 조립 중간 단계의 전자기판 사진이나 다른 위치의 센서처럼 당시 확보하지 않은 정보가 진단에 결정적으로 유용했을 것임을 깨닫는 경우도 있다고 설명한다.

7. 정밀한 측정에 필요한 비용과 시간

세 번째 제약은 물리 세계의 데이터를 수집하는 데 많은 비용이 들 수 있다는 점이다. 저자는 F1 경주 같은 고성능 분야와 유인 우주비행 같은 높은 신뢰성이 필요한 분야에서 하드웨어를 매우 정밀하게 측정해야 하는 경우가 많다고 설명한다. 이러한 정밀도를 얻으려면 측정 대상보다 더 정밀한 기계가 필요하므로 금전적 비용뿐 아니라 시간도 증가한다. 예로 제시된 좌표측정기(CMM)는 가공 부품의 평탄도, 직각도, 치수 등을 측정하지만, 장비가 저렴하지 않고 조달과 운용도 매우 느릴 수 있다. 따라서 물리적 결과를 수치로 확인할 수 있다는 사실만으로 그 정보가 신속하고 저렴하게 확보되는 것은 아니다. 저자가 제시하는 논점은 디지털 설계의 성능 향상과 별개로, 그 설계가 실제 부품에서 요구사항을 만족하는지 확인하는 과정에도 독립적인 제약이 존재한다는 것이다.

8. 시험에는 압축하기 어려운 물리적 시간이 존재

네 번째 제약은 물리적 과정 자체에 시간이 걸린다는 점이다. 전자기판의 온도 순환 시험에는 속도 한계가 있고, 휘발성 화학 용액이나 고체 로켓 추진제를 혼합할 때는 주의가 필요하며, 기계적 피로 시험도 시간이 지나야 결과를 얻을 수 있다. 저자는 이런 과정을 가속할 수는 있지만 무한정 단축할 수는 없다고 설명한다. Astranis에서 사용한 고가속 수명시험 장비인 HALT는 진동과 빠른 온도 변화를 결합해 부품에 최대한 빠르게 스트레스를 가했으며, 별명은 'shake and bake'였다. 그러나 시험 사이에 전자기판의 새 설계를 아무리 빨리 완성하더라도, 다음 반복에서는 전체 시험을 다시 수행해야 한다. 이 사례는 AI가 디지털 설계 시간을 크게 줄여도 물리적 검증에 필요한 시간까지 같은 비율로 줄어드는 것은 아니라는 논거로 제시된다.

9. 정성적 경험과 반복 개발이 남기는 과제

다섯 번째 제약은 물리 세계에 관한 일부 정보가 정성적이며, 이를 수집하는 과정이 특히 단축하기 어렵다는 점이다. 사용자가 제품을 좋아하는지, 손에 쥐었을 때 편안한지, 특정 도구로 부품을 만들기 쉬운지 같은 질문은 실제 제작에서 피할 수 없지만 디지털 학습에 넣을 수 있는 측정값으로 바꾸기 어렵다. 저자는 시험 결과가 더 정량적이고 기계가 읽기 쉬울수록 모델의 개선이 빨라지므로, 이러한 데이터 제약이 현재 AI 능력의 불균등한 발전을 설명한다고 본다. 다만 이 장벽들이 Bitter Lesson이 시사하는 발전을 얼마나 오래 막을지는 미지수로 남긴다. 하드웨어 엔지니어링은 설계·제작·시험·반복으로 이루어지며, 디지털인 설계 단계에서는 가까운 미래에 AI가 초인적 수준에 도달할 것이라는 것이 저자의 전망이다. 제공된 원문은 설계 이후에도 제작·시험·반복이 필요하다는 설명 도중에 끝나므로, 그 뒤의 추가 논증이나 최종 결론은 확인할 수 없다.

🧾 핵심 주장 / 시사점

• 3D 결과물의 시각적 완성도만으로 하드웨어 엔지니어링 역량을 판단하기 어렵다. 실제 성능에는 부품 호환성, 조달 가능성, 제조 편차와 조립 가능성까지 포함되기 때문이다.
• 설계 자동화의 가치가 커질수록 제조·조달·측정 과정의 제약이 전체 개발 속도를 결정하는 비중도 커질 수 있다. 각 단계의 발전 속도를 따로 보는 것이 저자의 논지에 부합한다.
• 물리 세계의 피드백은 데이터의 양뿐 아니라 정확성, 수집 비용, 확보 시간과 정성적 정보의 표현 가능성에 좌우된다. 따라서 초인적 능력의 도달 시점도 분야와 작업 단계에 따라 달라질 가능성이 있다.

✅ 액션 아이템

• CAD 생성 능력과 실제 제작 가능한 결과물의 완성도를 구분해 AI 하드웨어 설계 역량을 평가할 필요가 있음.
• COTS 조달부터 대규모 양산까지 제조·조달 용이성과 비용을 함께 고려할 필요가 있음.
• 설계·제작·시험·반복의 속도를 판단할 때 희소한 측정 데이터, 높은 수집 비용, 물리적 시험 시간을 반영할 필요가 있음.

❓ 열린 질문

• GPT-6 Astra 등의 공학용 CAD 역량은 실제 제작 가능한 결과물의 완성도 측면에서 어디까지 도달했는가?
• COTS 조달부터 대규모 양산까지의 단계 중 AI가 가장 먼저 안정적으로 해결할 수 있는 문제는 무엇인가?
• 희소한 측정 데이터·높은 수집 비용·물리적 시험 시간은 분야별 AI 역량 발전 속도에 얼마나 큰 차이를 만드는가?