핵심 요약

  • 밥 맥그루 Arda 공동창업자 겸 CEO는 연구자를 자동화해도 GPU와 실험 설비의 제약이 남기 때문에 AI가 끝없이 스스로 발전하는 순환이 곧바로 생기지는 않는다고 봤다.
  • Arda가 겨냥하는 문제는 제품을 조립할 로봇의 부재보다 제품이 바뀔 때마다 자동화 설비를 다시 설계하고 조정해야 하는 비용이다.
  • Arda는 안두릴과 제조 공정·계획을 한곳에서 관리하는 플랫폼을 개발했다. 맥그루는 이를 기반으로 제조 엔지니어의 업무와 생산라인 설계를 자동화하려 한다.
  • 범용 AI 모델에 모든 일을 맡기는 대신 전문 알고리즘과 도구를 조합하고 고객 현장에서 발견한 문제를 제품에 반영하는 방식으로 사업을 확장한다.

연구자를 자동화해도 남는 AI 발전의 병목

AI 팟캐스트 No Priors의 진행자 사라 궈와 일라드 길은 Arda 공동창업자 겸 CEO 밥 맥그루와 AI의 물리 세계 진출을 논의했다. 팔란티어에서 제품·엔지니어링을 이끌고 OpenAI 최고연구책임자를 지낸 맥그루는 지능이 저렴해진 뒤에도 무엇이 발전을 가로막는지 짚었다.

맥그루는 연구자의 업무를 자동화하면 AI가 자기 자신을 개선하고 그 결과 더 빠르게 개선하는 순환이 폭발적으로 진행된다는 주장에 동의하지 않았다. 연구자의 시간을 90% 자동화하면 연구 속도가 10배, 99% 자동화하면 100배가 된다는 계산은 연구 인력이 유일한 병목일 때만 성립한다고 봤다.

그는 2024년 OpenAI에서 연구를 이끌 당시 실제 제약은 채용할 연구자의 수보다 확보한 GPU, GPU의 배치와 연결 상태였다고 회고했다. 연구에는 실험이 필요하고 실험에는 물리적인 연산 자원이 든다.

연구 자동화의 효과를 부정한 것은 아니다. 실험 선택과 엔지니어링, GPU 사용 일정에서 낭비를 줄이면 같은 장비로 더 많은 발견을 할 수 있다. 다만 장비 활용이 최적 상태에 가까워질수록 추가 개선의 폭은 줄어든다. 그는 연구 자동화는 큰 폭의 도약을 만들 수 있지만 그것만으로 무한한 가속이 보장되지는 않는다고 봤다.

길은 단백질 구조 예측처럼 시뮬레이션이 실제 실험을 대체하거나 줄일 수 있다고 반론했다. 맥그루는 실험 횟수를 10분의 1로 줄이는 성과도 중요하다고 인정했다. 그러나 디지털 영역의 개선 속도가 빠른 만큼 그 이득을 소진한 뒤에는 남은 실험을 수행할 설비가 다시 병목이 된다고 봤다. 가설을 만드는 비용이 내려갈수록 가설을 시험할 물리적 능력은 더 귀해진다는 논리다.

제조업의 문제는 조립 능력보다 변경 비용이다

맥그루는 OpenAI를 떠난 뒤 약 1년 동안 제조업 관계자들과 이야기하며 미국에서 경쟁력 있게 제품을 생산하기 어려운 이유를 살폈다. 그가 주목한 것은 인건비와 자동화의 유연성이었다.

같은 제품을 오랫동안 생산한다면 전용 자동화 설비에 큰돈을 투자해도 비용을 회수할 수 있다. 반면 제품 설계가 자주 바뀌면 특정 작업에 맞춘 설비를 다시 설계하고 만들어야 한다. 조립 기술이 있어도 설비 교체 비용 때문에 사람이 작업하는 편이 경제적일 수 있다.

그는 아이폰을 예로 들어 로봇 팔이 나사를 조이거나 부품을 다룰 정밀도가 부족해서 자동화하지 못하는 것은 아니라고 설명했다. 문제는 제품이 바뀔 때마다 설비에 다시 투자해야 한다는 데 있다. 전선 묶음을 다루는 작업처럼 여전히 어려운 예외도 있다고 덧붙였다.

Arda의 목표는 자동화 라인을 바꾸는 일을 작업자를 재교육하는 일만큼 쉽게 만드는 것이다. 맥그루는 제조업체들이 수작업 라인에서도 설계 변경을 7일 안에 생산에 반영하면 매우 민첩하다고 여긴다고 말했다. Arda는 제품 설계를 클라우드에 올리면 자동화 라인을 설계하고 궁극적으로 7일 안에 재구성할 수 있는 시스템을 만들려 한다.

주요 대상은 제품 변화가 잦거나 종류가 다양한 산업이다. 그는 방산, 소비자 전자제품, 데이터센터와 그 공급망을 꼽았다. 특히 칩이 자주 바뀌는 데이터센터 관련 제품은 생산 설비도 빠르게 바꿀 필요가 있다고 봤다.

사람을 대신한다고 사람 모양일 필요는 없다

Arda가 생각하는 제조 자동화의 기본 단위는 재구성할 수 있는 로봇 작업 셀이다. 작업 셀은 특정 공정을 수행하도록 로봇과 주변 장치를 묶은 작업 공간이다. 맥그루는 사람이 한자리에 서서 하던 일을 대신하는 데 반드시 휴머노이드가 필요한 것은 아니며 두 개의 팔과 카메라, 때로는 팔 하나와 카메라로 충분할 수 있다고 말했다.

그는 낯선 침실을 정리하는 로봇과 조립라인의 로봇을 구분했다. 전자는 처음 보는 물건과 환경에 대처해야 하는 개방된 문제다. 후자는 작업 환경을 통제하고 같은 동작을 반복하는 폐쇄된 문제다. 제조업에서는 이런 통제 가능성이 자동화의 출발점이 된다.

기존 자동화는 부품의 위치를 기계적으로 정확히 맞추는 데 많은 노력을 쓴다. 너트를 정해진 위치에 놓는 고정 장치를 만들면 로봇 팔은 주변을 인식하지 않고도 지정된 좌표로 움직일 수 있다. 대신 부품이 조금만 어긋나도 실패할 수 있어 설계뿐 아니라 현장 조정에도 시간이 든다.

맥그루는 여기에 시각 인식과 강화학습, 즉 행동 결과를 바탕으로 수행 방법을 개선하는 학습을 결합할 수 있다고 봤다. 로봇이 부품의 어긋남을 인식하고 움직임을 보정하면 기계적으로 모든 위치를 맞춰야 하는 부담이 줄어든다. 다만 조립라인에서는 작업 성공률이 99% 또는 99.9% 수준이어야 한다고 강조했다. 환경이 단순하다고 요구되는 신뢰성까지 낮은 것은 아니다.

로봇에 앞서 제조 공정을 담을 소프트웨어를 만든다

Arda는 처음부터 완전 자동화 공장을 만든 것이 아니다. 맥그루는 지난 1년 동안 방산 제조업체 안두릴과 제조 엔지니어가 생산라인을 설계하는 소프트웨어·AI 플랫폼을 개발했다고 밝혔다.

안두릴이 원한 것은 제조 공정과 계획의 기준이 되는 단일한 정보원, 그리고 수요에 따라 라인을 가동하거나 멈추고 공정을 바꿀 수 있는 공장이었다. 일부 제품은 생산량이 기존 방식의 자동화 라인을 정당화할 만큼 많지 않았다. 그래서 로봇 도입보다 제조 업무를 정리하는 일부터 시작했다.

맥그루에 따르면 Arda는 1월에 안두릴 시스템 접근 권한을 얻고 4월에 첫 사용자를 확보했다. 이 사용자는 액추에이터라는 구동 장치의 가상 조립 검토에 통상 며칠이 걸렸지만 Arda 소프트웨어로는 90분 만에 작업했다. 그는 이후 안두릴의 모든 제품 사업부에 도입됐으며 드론과 미사일에 이어 Fury 협동 전투 항공기의 제조 공정을 다루고 있다고 말했다.

여러 문서와 장소에 흩어진 공정을 AI가 다룰 수 있는 구조로 정리하는 일이다. 맥그루는 소프트웨어 개발 도구 Cursor가 기존 통합개발환경에 에이전트를 더했다면 제조 엔지니어에게는 그런 기반 환경부터 필요했다고 설명했다.

공정을 구조화하면 다음 단계로도 연결할 수 있다. 더 저렴하게 생산하려면 제품 설계를 어떻게 바꿔야 하는지 설계팀에 제안하고 특정 제조 단계를 자동화할 작업 설비를 설계하는 식이다. 제조 정보를 정리하는 도구에서 시작해 설계와 생산 양쪽으로 확장하는 접근이다.

자체 거대 모델보다 문제에 맞는 도구를 조합한다

맥그루는 Arda가 문제 해결에 필요한 가장 단순한 도구를 선택하기 때문에 자체 최첨단 모델을 훈련하지 않는다고 설명했다. 제조 공정을 이해하고 라인을 설계하는 첫 단계는 이미 기존 최첨단 모델로 수행할 수 있다고 봤다.

그렇다고 범용 모델 하나가 모든 작업을 처리하는 구조는 아니다. Arda는 로봇의 움직임을 계산하는 동작 계획 알고리즘과 컴퓨터 설계 도면인 CAD를 분석하는 도구 등을 개발했다. 범용 모델은 이 도구들을 골라 사용하고 작업을 조율한다.

로봇 제어에는 속도와 안전성이라는 별도 제약도 있다. 인터넷 연결이나 API 호출을 기다리다가 로봇이 멈추거나 넘어져서는 안 되기 때문이다. 맥그루는 큰 모델의 능력을 작은 모델로 옮기는 증류와 기기 안에서 실행하는 모델이 중요해질 것으로 봤다. 제조 공정을 계획하는 지능과 실제 장비를 빠르게 제어하는 지능은 서로 다른 조건을 만족해야 한다.

현장 엔지니어의 경험이 제품에 남아야 한다

Arda는 엔지니어를 고객 현장에 배치해 함께 문제를 해결하는 FDE 방식을 쓴다. 맥그루는 팔란티어에서 경험한 이 방식이 기능 개발보다 그 기능을 실제로 쓸 고객을 찾는 일에서 출발한다고 설명했다.

안두릴의 첫 사용자도 처음부터 매끄럽게 제품을 쓴 것은 아니었다. Arda의 제품 책임자가 옆에 앉아 불편한 점을 기록했고 맥그루에 따르면 2주 뒤에는 해당 문제들이 해결됐다. 이후 처음 다룬 액추에이터보다 부품 수가 약 100배 많은 미사일로 범위를 넓힐 때도 불완전한 제품을 함께 개선할 적극적인 사용자를 다시 찾아야 했다.

기업 내 후원자만 확보해서는 부족하다. 실제 업무를 수행하면서 제품의 부족한 부분을 드러내고 개선된 도구로 성과를 낼 사용자가 필요하다. 작은 팀의 문제를 해결하면 더 큰 문제를 맡을 신뢰가 쌓인다.

맥그루는 엔지니어를 현장에 보내는 행위만으로는 이 방식이 확장되지 않는다고 강조했다. 엔지니어가 계속 제품과 사용자 사이의 빈틈을 메워야 한다면 인력 투입도 계속 늘어난다. 그는 현장에서 배운 것을 제품에 반영해 같은 도움을 반복할 필요를 줄여야 한다는 이유로 FDE를 제품 전략으로 봤다.

데이터센터 밖으로 나가는 지능

맥그루는 지능이 저렴해질수록 주변을 인식하고 실제로 행동하는 능력이 중요해진다고 봤다. 지금은 사람이 데이터센터 안의 AI를 대신해 눈과 손 역할을 하지만 앞으로는 드론과 보행 로봇 등 다양한 형태의 기계가 그 역할을 나눠 맡을 것으로 전망했다.

그의 장기 구상에는 공장을 만드는 공장도 포함된다. 이미 기계를 만드는 공작기계는 존재하지만 공장과 설비를 설계하는 데 드는 막대한 사람의 일을 더 많이 자동화하려 한다. 그는 디지털 지능의 발전과 물리적 생산 능력의 확대가 함께 진행돼야 한다고 봤다.

Arda의 현재 출발점은 그 전망보다 구체적이다. 흩어진 제조 공정을 정리하고 엔지니어의 작업 시간을 줄이며 제품 변경에 맞춰 생산 방식을 바꾸는 일이다. 맥그루가 말하는 물리 세계의 AI는 더 똑똑한 모델뿐 아니라 그 모델이 실제 생산에 관여할 수 있는 기반을 만드는 문제다.