초인적 하드웨어 설계는 쉬운 부분이다 (번역)
원문: https://www.a16z.news/p/superhuman-hardware-design-is-the
첫 FPV 드론을 만드는 데 여덟 달이 걸렸다. 1월에 부품을 주문했고, 2월에 받았고, 6월에 산 기억이 되살아났고, 7월에 조립해 불태웠고, 8월에 다시 조립해 이웃 집 지붕에 충돌시켰고, 그제야 아내의 권유로 FPV 비행 시뮬레이터를 내려받았다.
초지능 AI였다면 훨씬 잘했으리라는 생각이 든다.
오늘날 프런티어 모델은 아직 초인적 수준에 못 미치지만, 이제 CAD를 생성하고 커스텀 PCB를 설계하고 COTS(commercial-off-the-shelf) 부품을 조달하고 조립 방법을 설명할 수 있다. 그리고 계속 좋아지고 있다. CAD Arena, EE Bench, 그리고 내가 만든 LuxoBench 같은 하드웨어 설계 벤치마크는 꾸준한 향상을 보여준다. 일반론으로 돌아가면, Bitter Lesson에 반대하고 하드웨어 설계가 영원히 프런티어 밖에 남을 거라 말하는 건 무모한 일이다.
초인적 하드웨어 엔지니어가 곧 온다, 아주 곧 올지도 모른다. 하지만 어떤 모습일까? 인간 전체를 한 번에 추월할까, 아니면 특정 분야나 특정 학문에서만 먼저 추월할까? 교차점이 오기 전, 오는 동안, 지난 후에 하드웨어 엔지니어링은 어떤 모습일까?
이 질문들에 대한 나의 대답은 하나의 단순한 관찰에서 시작한다. 디지털 세계와 물리 세계 사이의 인터페이스는 정보를 잃는다(lossy). 그래서 비트의 세계에서 원자의 세계로 변경 사항을 “쓰기”가 어렵고, 물리 세계의 측정값을 컴퓨터로 다시 “읽기”도 어렵다. 이 손실성이 앞으로 초인적 하드웨어 엔지니어가 언제 어떻게 등장할지를 결정할 것이다. 그리고 모델이 기전학적 설계를 안정적으로 원샷으로 해내고 나서도, 아직 해야 할 일이 많이 남는다는 뜻이기도 하다.
쓰기: 디지털 설계에서 조립된 원자까지
OpenAI가 GPT-6 Astra를 공개했을 때, 온라인 세계는 3D 설계 능력 시연으로 뜨거워졌다. Tom Krcha는 Astra로 증기기관차를 모델링했고, Thomas Ricouard는 사실적인 집을 돌아보는 영상을 만들었고, Anshu Chimala는 3D 게임을 만들었고, Sharif Shameem은 샌프란시스코의 Palace of Fine Arts를 만들었다.
이 시연들을 본 하드웨어 엔지니어들은 모델이 엔지니어링 등급의 CAD도 만들어낼 수 있는지 궁금해졌다. Dessn AI 공동창업자 Nim Cheema는 Astra에게 DJ 컨트롤러를 만들라고 했고, Roberto Nickson은 최고 모델들에게 다리를 설계하고 공학 검증한 뒤 3D 프린팅하라고 했다. 나는 luxobench.com을 열어 OpenAI의 Astra, Anthropic의 Fable 5.1, SpaceXSI의 Grok 4.6에게 인터랙티브 데스크톱 램프 제작을 도와달라고 했다.
불행하게도, 모델 그 자체만으로는 아직 실전급 하드웨어 엔지니어링에 도달하지 못했다는 걸 금방 알게 됐다.
현실의 하드웨어를 만드는 데는 여러 단계가 있고, 각 단계를 통과하려면 서로 다르고 종종 완전히 독립적인 기술이 필요하다.
101 단계에서는 제품을 구성요소로 분해하고, 구할 수 있는 COTS(commercial-off-the-shelf) 부품을 찾아내고, 그 부품들이 서로 호환되는지 확인하고, 기계적·전기적 연결을 설계하고, 최종 설계가 제작 가능한지 확인한 뒤 온라인 상점에서 실제로 부품을 구매해야 한다.
이 단계조차 충분히 어렵고, 나 같은 뒷동산 취미생에게만이 아니라 세계에서 가장 정교한 엔지니어링 팀도 여기서 걸린다. Walter Isaacson의 일론 머스크 전기에는 2006년 Falcon 1의 hot fire가 콘덴서 하나 때문에 지연된 이야기가 나온다. 태평양 한가운데 발사대에서 약 9,600킬로미터 떨어진 상점에만 재고가 있던 작은 전자부품이었다. COTS 부품을 필요한 곳에 필요한 때에 맞춰 공급하는 일 자체가 어렵다.
201 단계는 더 어렵다. 이제 커스텀 부품을 만들어야 하는데, 그러려면 디지털 설계 도구에서 물리 기계로 넘어가는 복잡한 번역 단계를 통과해야 한다. CNC 가공을 예로 들면, 기계 엔지니어가 브래킷을 설계한 뒤 “프린트” 버튼을 눌러 부품이 눈앞에 나타나게 할 수 없다. 대신 가공 기술자(machinist)와 함께 작업하고, 기술자가 CAD 파일을 CAM(Computer-Aided Manufacturing) 소프트웨어로 옮기며, CAM이 실제 CNC 기계를 구동할 명령을 작성한다.
실무에서 이 과정은 장인적 작업이다. 숙련 기술자가 적절한 소재와 고정구, 공구, 절삭 전략을 골라 티타늄 블록을 깎는 공구를 안내해야 한다. 이렇게 제조 공정에 변동성이 생기고, 변동성은 번역 오류로 이어진다.
301 단계에서는 그 단순한 부품들을 모아 복잡한 기전학적 조립체를 만들기 시작한다. 부품을 더할수록 복잡도가 커지고 공차(tolerance)가 쌓인다. 부품 하나하나는 도면대로 만들어졌는데도 오차가 누적되고 상관되어 조립에 맞지 않을 수 있다는 뜻이다. 그 부품들은 회사 안의 다른 팀 사람들이 만들었을 가능성이 높아서, 요구사항과 일정과 리스크를 조직 전체에 전달해야 한다. 부품이 서로 잘 맞물리고, 필요할 때 딱 맞게 도착하도록. 그보다 이르지도 늦지도 않게.
401 단계에서는 설계에 COTS 부품과 커스텀 부품만으로는 부족하고, 다른 외부 벤더의 입력이나 특히 복잡한 조립체가 필요하다는 걸 깨닫는다. 하드웨어 업계는 수직 통합 이야기를 좋아하지만, 사실상 모두가 벤더에 의존한다. 자기 칩 팹이나 구리 광산을 직접 갖는 건 거의 이치에 맞지 않는다. 수직 통합의 챔피언인 SpaceX조차 “공급망” 계열 직함을 가진 직원이 현재 591명이고 128명을 더 채용 중이다(LinkedIn, 2026년 9월). 그리고 커스텀 부품 제작에 외부 벤더가 관여하기 시작하면, 운을 빌어야 한다.
그리고 마지막 501 단계에서는 위의 모든 일을 대규모로 해야 한다. 하나를 만드는 것과 백만 개를 만드는 것은 근본적으로 다른 작업이다. 부품과 공정의 변동성을 훨씬 더 걱정해야 하고, 기계와 재고를 위해 훨씬 많은 자금이, 그것도 훨씬 일찍 필요하고, 조립·통합·검증을 해줄 사람을 훈련하거나 기계에 프로그래밍해야 하며, 금방 벤더의 한계에 부딪힌다.
101에서 501까지 이 “쓰기” 문제들은 모두 근본적으로 풀 수 있지만, 하나하나 따로 풀어야 한다. 아래에서 다루겠지만, 초인적 AI는 순수 설계, 즉 특정 용도에 맞는 이상적인 부품을 정의하는 일에는 뛰어날 수 있지만, DFM(design for manufacturing), 즉 요구사항을 만족하면서 만들기·조달이 쉽고 값싼 지점 설계를 찾는 일에서는 고생할 수 있다. 전자는 대부분 기계 안에 머무는 다루기 쉬운 작업이다. 후자는 현실 세계와 훨씬 많은 상호작용을 요구하므로, 모델이 익히기 더 어려울 것이다.
읽기: 현실 세계를 관찰하고 측정하기
친구 중 한 명은 매주 4,500만 마리의 닭을 산다. 같은 규격을 같은 공급자에게 사서, 같은 기계로 같은 공정에 흘려보내는데도, 가공 후 판매 가능한 식품(슈퍼마켓에서 사는 닭가슴살)의 주간 편차가 한때 20%에 달했다.
이 숫자를 줄이는 데는 어마어마한 노력이 들었다. 공급망의 모든 단계에 대한 촘촘한 측정과 분석, 수많은 구식 방식의 벤더 설득, 그리고 그 둘을 뒷받침하는 매우 정교한 데이터 운영. 한 번은 공급망 깊은 곳에서 닭을 출하 전에 물을 주입하는 악의적인 공급자를 발견했다. 중량 입고 검사는 모두 통과했지만 그 물은 당연히 고기가 아니었고, 그는 사려고 한 것보다 적은 사용 가능한 제품을 남게 됐다.
규모 있는 하드웨어를 만들어 본 사람, 아니면 공급망을 관리해 본 사람이라면 누구나 자기 버전의 이 이야기를 갖고 있다. 현실 물리 세계에서 정확히 무슨 일이 벌어지는지 아는 것은 극도로 어렵다.
첫째, 현실 세계는 균질하지 않고 끊임없이 변한다.
물리적 사물에는 결함이 있고, 환경 변수(온도 등)에 따라 성질이 바뀌며, 마모된다. 잘 튜닝된 공정과 측정 도구도 시간이 지나면 어긋난다. 실무적으로는 공급망과 생산 라인 같은 물리 시스템은 늘 부서지고, 변동을 상정하고 설계해야 한다는 뜻이다. 그리고 무언가가 부서졌거나 어긋났는지 알려면, 시스템의 입출력을 측정하는 데 크게 투자해야 한다.
둘째, 현실 세계의 데이터는 희소하다. 언제나 모든 데이터를 얻을 수는 없다. 여러 위성 프로그램에 참여한 내가 뼈저리게 아는 사실이다. 열설계 팀은 위성 거기저기에 서미스터를 붙이고 싶어했지만, 소프트웨어, 구조, 생산 팀도 당연히 발언권이 있었다.
그리고 문제가 생겼을 때, 조립 중간 단계의 전자기판 사진이나 새 위치의 센서 값 같은 어둑한 데이터를 수집했더라면 진단이 훨씬 쉬웠을 걸 깨닫는 경우가 많다.
셋째, 현실 세계의 데이터는 수집 비용이 비싼 경우가 많다. 고성능 분야(F1 레이싱)와 고신뢰성 분야(유인 우주비행)는 하드웨어 측정이 극도로 정밀해야 하는데, 정밀함에는 돈과 시간이 든다. 더 정밀한 측정에는 더 정밀한 기계가 필요하기 때문이다. 가공 부품의 평탄도, 수직도, 치수를 잴 CMM(좌표측정기)은 값이 싸지 않고, 조달하고 가동하는 것도 느리고 고통스럽다.
넷째, 현실 세계에는 고유한 지연이 있다. 물리 공정에는 시간이 든다. 전자기판을 열사이클 돌리는 데는 속도 한계가 있고, 휘발성 화학 용액이나 고체 로켓 추진제 혼합은 신중하게 해야 하며, 기계 피로시험에는 시간이 걸린다. 가속할 수는 있지만 한계가 있다.
Astranis에서 내가 가장 좋아하는 기계는 고가속 수명시험(HALT) 기계였는데, 흔히 “shake and bake”라고 불렸다. 진동과 급격한 열사이클을 결합해 부품을 최대한 빨리 스트레스에 노출시키는 기계다. 하지만 HALT 캠페인 전체는 압축하기 어렵다. 시험 사이에 새 기판 설계를 아무리 빨리 돌려도, 사이클마다 전체 시험을 다시 돌려야 한다.
그리고 다섯째, 물리 세계에 관한 일부 정보는 정성적이다. 그런 데이터를 수집하는 일은 현실 하드웨어 설계에서 가장 압축이 안 되는 단계인 경우가 많다. 사용자가 제품을 좋아하는가? 기기를 쥐었을 때 편안한가? 내 도구로 부품을 만들기 쉬운가? 정성적이고 정량화할 수 없는 데이터를 다루는 일은 현실의 제작에서 피할 수 없고, 그 데이터를 측정해 디지털 학습 사이클로 되돌려 넣는 것은 극도로 어렵다.
이런 데이터 제약은 오늘날 AI 능력 개발이 고르지 않게 진행되는 큰 동인이다. 시험 결과가 정량화 가능하고 기계가 읽을 수 있을수록 모델은 더 빨리 언덕을 오른다. 지금까지의 이유들이 프런티어 모델을 제한해왔지만, 이 어려움들이 Bitter Lesson의 거스를 수 없는 힘을 얼마나 더 붙잡아둘지는 지켜봐야 한다.
AGI 세계의 하드웨어 개발
하드웨어 엔지니어링은 반복 작업이다. 설계하고, 만들고, 시험하고, 다시 설계한다. 이 루프 한 바퀴마다 시간이 든다.
설계 단계는 디지털이고, 따라서 모델이 매우 읽기 좋다. 인간 하드웨어 엔지니어가 소프트웨어로 부품과 조립체를 설계하듯, 초인적 AI도 같은 일을 할 수 있다. 컴퓨터 사용 능력이 커지고 비슷한 올디지털 과제에서 AI 능력이 커지고 있는 만큼, 가까운 미래에 AI 모델이 초인적 하드웨어 설계자가 될 것으로 본다.
하지만 하드웨어 설계는 하드웨어 엔지니어링의 맨 앞일 뿐이다. 부품을 설계했다면 아직 만들고, 시험하고, 반복해야 하고, 뒤로 갈수록 현실 세계와의 상호작용이 더 많이 필요하다. 따라서 초인적 하드웨어 엔지니어가 되려면 초인적 하드웨어 설계 그 이상이 필요하고, 프런티어는 여러 갈래 작업으로 나뉘어 진행될 것이다.
첫째, 하드웨어 설계에는 더 나은 시뮬레이션 도구가 필요하다. 모든 엔지니어가 Navier, Inviscid, Lanyon을 응원한다. 더 나은 시뮬레이션 도구는 하드웨어 엔지니어가 소프트웨어 속도로 반복할 수 있게 해주기 때문이다. 시뮬레이션이 좋아지면 사이클로트론, 방사선원, 열진공 챔버, 풍동 같은 시험 시설에 다니는 일이 줄어서 엔지니어는 좋아하고, 그런 시설을 사내에 세우는 설비투자를 아낄 수 있어 경영진도 좋아한다.
하드웨어 회사를 설득해 시뮬레이션에만 걸게 하는 건 어려울 수 있다. 하지만 모델이 눈에 보이게 나아지면 엔지니어들은 시뮬레이션을 점점 더 신뢰하게 되고, 그 사이 시뮬레이션은 단위 컴퓨트당 더 빠르고 효율적으로 변한다. 원자는 영원히 반복 루프에 남겠지만, 더 나은 시뮬레이션이 있으면 원자 조립은 탐색이 아니라 확인이 된다.
둘째, 수요가 “왼쪽으로 이동(shift left)”할 것으로 본다. 즉 원재료 쪽에 가까워진다. 모델이 초인적 하드웨어 설계 기술을 널리 퍼뜨리면, 세상에는 Senra Systems의 와이어 하네스, Podium Automation의 제어판, Hadrian의 가공 부품, Cofactr의 전자 부품이 더 필요해진다. Sift(텔레메트리), Instrumental(검사), Revel(시험) 같은 소프트웨어 라이선스도 더 필요하고, 그러자면 Mariana Minerals의 구리도 더 필요하다.
초인적 지능과 새 도구를 갖추면, 더 많은 회사가 부품 목록을 더 사내로 가져올 것으로 본다. 예컨대 Diode가 PCB에서 해낸 일을 보라.
Diode의 현재 모습은 전기 엔지니어들이 커스텀 인쇄회로기판을 더 빠르고 효율적으로 개발하게 해주는 도구다. 그런데 모든 사람이 전기 엔지니어와 같은 기술을 갖게 되면 어떻게 될까? 훨씬 넓은 사용자군에서 훨씬 큰 수요가 나올 것이고, 그 모든 사람은 자기 설계를 현실로 옮겨야 한다. 공급망을 통과하고, 설계가 값싸고 정확하게 만들어질 수 있는지 확인하는 일이 그 뒤를 따른다.
셋째, AI 랩은 “공정 지식(process knowledge)”을 확보해야 한다. CNC 기계 소리만 듣고 작업이 잘 되고 있는지 아는 전설적인 가공 기술자 이야기가 들리고, TSMC의 박사들이 반도체 제조 공정의 모든 부분, 연마 패드 하나까지 수십 년에 걸쳐 완성해왔다는 이야기도 들린다.
하지만 그런 “공정 지식”을 모델이 근사할 수 있게 해주는 엔드투엔드 데이터는 구하기 어렵다. Eric Jang의 좋은 글 “Smooth Exponentials for Robotics”에서 그는 2026년 로보틱스 랩이 로봇을 훈련시키는 데 대략 수백만 시간의 1인칭(egocentric) 데이터, 수십만 시간의 UMI 그리퍼 데이터, 수만 시간의 원격조작 로봇 데이터, 그리고 겨우 몇 시간의 “고품질·하드웨어별 시연용 데모”를 쓰고 있다고 추정한다. 이 깔때기는 놀랍지 않고, 초인적 교차 이후에도 유지될 것으로 본다.
이 데이터 희소를 극복하는 가장 좋은 답은 물론 자기 손으로 창의적인 방법을 찾는 것이다. Periodic Labs가 좋은 예다. 이 회사는 최근 초전도체, 자석, 반도체 소재 같은 것에 엔드투엔드 물리 실험을 돌리는 자율 실험실을 꾸렸다고 발표했다. 설계, 작업 지시, 시험 실행, 결과 측정, 반복이 하나의 일관된 루프로 돌아가는, 하드웨어용 AI 데이터의 이상형이다.
하지만 최고의 시험 셋업으로도 한계가 있다. 설계 과정에서 가장 압축이 안 되는 단계, 진짜 초인적 하드웨어 엔지니어라도 속도를 내기 어려울 단계는 하드웨어 제품의 최종 사용자로부터 피드백을 모으는 일일 것 같다. 초인적 하드웨어 엔지니어가 애플 워치의 백만 가지 새 버전을 설계해 값싸게 제조할 수 있을지 몰라도, 그 다음엔 고객이 실제로 뭘 원하는지 어떻게 알까?
초인적 하드웨어 엔지니어는 빨리 온다
프런티어 모델이 하드웨어 설계를 빠르게 풀고, 프런티어가 더 많은 현실 세계 상호작용을 요구하는 하드웨어 엔지니어링의 나머지 단계(DFM, 시험, 반복)로 이동할 것으로 본다. 그 프런티어를 밀어올리는 일은 새로운 도전 과제의 해결을 의미한다. 디지털과 물리 세계 사이의 인터페이스를 개선하고, 고객 선호를 더 빨리 찾는 방법을 찾고, 지금은 숙련 기술자만이 가진 공정 지식을 근사할 수 있는 데이터 파이프라인을 만드는 것.
인간과 AI의 하드웨어 엔지니어링 교차는 위에서 말한 대로 고르지 않게 올 수 있다. 하지만 일단 오면 그 영향은 막대할 것이다. 인류는 디지털 AI 도구를 직접 써서 진짜 물리적, 물질적 풍요를 만들어낼 수 있게 된다. 아니면 적어도, 불이 붙지 않는 취미용 드론이라도.