물리 AI는 로봇, 자율주행 자동차, 스마트 공간과 같은 자율 시스템이 실제 세계에서 인식하고, 이해하며, 복잡한 행동을 수행할 수 있도록 합니다. 인사이트와 행동을 생성하는 능력 때문에 ‘생성형 물리 AI’라고도 불립니다.
GPT, Llama와 같은 거대 언어 모델인 생성형 AI 모델은 인터넷에서 주로 수집된 방대한 텍스트와 이미지 데이터로 훈련됩니다. 이러한 AI는 인간 언어와 추상적인 개념을 생성하는 데 탁월한 성능을 보이지만, 물리적 세계와 그 규칙에 대한 이해는 제한적입니다.
생성형 물리 AI는 우리가 살아가는 3D 세계의 공간적 관계와 물리적 작동 방식에 대한 이해를 기반으로, 현재의 생성형 AI를 확장합니다. 이는 AI 훈련 과정에서 실제 세계의 공간적 관계와 물리적 법칙에 대한 정보가 포함된 추가 데이터를 제공함으로써 수행됩니다.
3D 훈련 데이터는 매우 정밀한 컴퓨터 시뮬레이션을 통해 생성되며, 이는 데이터 소스이자 AI 훈련 환경으로 활용됩니다.
물리 기반 데이터 생성은 공장과 같은 공간의 디지털 트윈에서 시작됩니다. 이 가상 공간에는 센서와 로봇과 같은 오토노머스 머신이 추가됩니다. 실제 시나리오를 재현한 시뮬레이션이 실행되며, 센서는 움직임이나 충돌과 같은 강체 역학, 또는 빛이 주변 환경과 반응하는 방식과 같은 다양한 상호작용을 포착합니다.
강화 학습은 오토노머스 머신이 실제 세계에서 작업을 수행할 수 있도록 시뮬레이션 환경에서 기술을 가르칩니다. 이를 통해 오토노머스 머신은 수천 또는 수백만 번의 시행 착오 과정을 거쳐 안전하고 빠르게 기술을 학습할 수 있습니다.
이 학습 기법은 물리 AI 모델이 시뮬레이션에서 원하는 동작을 성공적으로 수행하면 보상을 제공하여, 모델이 지속적으로 적응하고 성능을 개선하게 만듭니다. 반복적인 강화 학습을 통해 오토노머스 머신은 결국 새로운 상황과 예측하지 못한 문제에도 적절히 대응할 수 있게 되며, 실제 환경에서 운용을 가능하게 합니다. 시간이 지남에 따라 오토노머스 머신은 상자를 깔끔하게 포장하거나, 차량 제작을 지원하거나, 스스로 환경을 탐색하는 등 실제 응용 분야에 필요한 정교한 소운동 기술을 개발할 수 있습니다.
이전에는 오토노머스 머신이 주변 환경을 인식하고 감지할 수 없었습니다. 그러나 생성형 물리 AI를 활용하면, 로봇을 구축하고 실제 환경과 원활하게 상호작용하며 적응할 수 있도록 훈련할 수 있습니다.
물리 AI를 구축하려면 오토노머스 머신을 훈련할 수 있는 안전하고 통제된 환경을 제공하는 강력한 물리 기반 시뮬레이션이 필요합니다. 이는 복잡한 작업을 수행하는 로봇의 효율성과 정확도를 개선할 뿐만 아니라, 인간과 기계 사이의 보다 자연스러운 상호작용을 촉진하여 실제 애플리케이션에서 접근성과 기능을 개선합니다.
생성형 물리 AI는 모든 산업을 혁신할 새로운 역량을 실현하고 있습니다. 예를 들어,
로봇: 물리 AI를 통해 로봇은 다양한 환경에서 운용 성능이 눈에 띄게 향상되었습니다.
자율주행 자동차(AV): AV는 센서를 사용하여 주변 환경을 인식하고 이해하며, 개방된 고속도로부터 복잡한 도심에 이르는 다양한 환경에서 정보에 입각한 결정을 내릴 수 있도록 지원합니다. 물리 AI로 훈련된 AV는 보행자를 보다 정확하게 감지하고, 교통 또는 기상 조건에 대응하며, 차선 변경을 자율적으로 탐색하여 광범위한 예상치 못한 시나리오에 효과적으로 적응할 수 있습니다.
스마트 공간: 물리 AI는 공장이나 창고와 같이 사람, 차량, 로봇의 상시 통행이 있는 대규모 실내외 공간의 기능과 안전성을 개선하고 있습니다. 팀은 고정 카메라와 고급 컴퓨터 비전 모델을 사용하여 이러한 공간 내의 여러 개체와 활동을 추적함으로써, 동적 경로 계획을 개선하고 운영 효율성을 최적화할 수 있습니다. 영상 분석 AI 에이전트는 이상 징후를 자동으로 감지하고 실시간 경고를 제공하여 안전성과 효율성을 더욱 강화합니다.
물리 AI를 활용한 차세대 자율 시스템 구축에는 다수의 특화된 컴퓨터 간의 협력적인 프로세스가 필요합니다.