# 피지컬 AI의 월드 모델과 양자 최적화: 상상한 미래에서 실행할 행동까지

## 제조 현장의 숙련은 어떻게 모델이 되는가
피지컬 AI는 언어적 답변을 넘어 실제 기계가 물체와 공간을 다루게 하려는 시도다. 한국 제조업의 생산 이력, 센서, 비전, 로봇 동작과 작업자 개입은 이 목표의 재료가 된다. K-피지컬AI 얼라이언스 구상에서는 NC AI의 월드모델, 리얼월드·씨메스의 로봇 파운데이션 모델, 펑션베이의 시뮬레이션, 레인보우로보틱스의 로봇 기술, 삼성SDS의 현장·인프라를 연결하는 역할 구분이 제시되었다. 연구 역할로는 KAIST 김승룡의 장시간 공간 기억을 위한 3D 메모리, 서울대 윤성로·이동준의 통합 행동 공간 및 조작 시뮬레이션, 고려대 강형엽의 가상 시나리오 물리 검증, GIST 이규빈의 영상 기반 숨은 물성 추론이 소개되었다. 이는 제시된 계획의 구성이지 각 기능의 현장 성능이 검증되었다는 뜻은 아니다.

월드 파운데이션 모델(WFM)은 물리 세계의 변화와 가능한 다음 상태를 모델링하는 기반이다. 다만 장면 생성, 물리 예측, 로봇 정책, 실제 서보 제어는 서로 다른 계층이다. 하나의 월드모델이 이 전부를 정확하게 수행한다고 가정할 수 없다.

## 공장이라는 반례: 같은 부품도 같지 않다
가상의 알루미늄 하우징 조립 셀을 생각해보자. 오전에는 성공하던 집기가 오후에는 실패한다. 외관이 같아도 로트별 오일막과 마찰, 무게중심, 컨베이어 진동이 다를 수 있다. 비전이 물체를 인식했다고 집기 후 하중을 올바르게 예측한 것은 아니다. 작업 공간을 기억해도 실패했던 접촉 조건을 보존하지 못하면 다음 동작에 도움이 되지 않는다. 시뮬레이터의 높은 성공률이 실제 셀의 성공률로 옮겨지지 않는 문제도 남는다.

이 사례는 실제 컨소시엄의 시험 기록이 아니라 기술적 갈등을 드러내는 **가상 현장 스케치**다. 시뮬레이션에서의 접촉 안정성과 실제 그리퍼의 토크 한계, 제어 주기, 케이블 간섭, 보안상 분리된 PLC·MES·센서 로그가 서로 충돌할 수 있다. 물성 추론과 가상 장면의 물리 검증은 이 간극을 줄이려는 서로 다른 접근이다. 성공을 판정할 때도 연속 작업의 개수만이 아니라 개입 횟수, 실패 복구, 불량, 주기 시간과 안전 중지를 함께 봐야 한다.

## 수만 가지 가능성을 한 번에 검사한다는 직관
한 상태에서 수많은 행동과 조건을 시험하는 데 양자컴퓨팅을 활용할 수 있지 않을까? 양자 상태는 여러 계산 기저 상태의 중첩으로 표현되고 측정은 확률적 결과를 내지만, 그것이 모든 경로의 평가 결과를 한 번에 읽을 수 있다는 뜻은 아니다. 간섭과 알고리즘 설계를 통해 유리한 해를 얻을 확률을 높여야 한다. 측정에서 얻은 빈도는 곧바로 행동의 현실 성공확률이 아니다.

조합최적화에서는 작업 할당, 순서, 충돌 금지, 장비 점유, 비용을 이진 변수와 제약으로 나타낼 수 있다. QUBO는 이러한 목적을 이차 이진식으로 표현하는 한 방법이며, 제약 위반에는 패널티를 부여한다. 그러나 연속적인 로봇 동역학과 복잡한 물리 예측 전체가 손실 없이 QUBO가 되는 것은 아니다. Max-Cut은 최적화 구조를 연습하기 좋은 문제지만 제조 스케줄링과 동일한 문제는 아니다.

## 어디에 양자 계산을 넣을 것인가
실용적인 분업은 현장 데이터 → 상태 추정·월드모델·시뮬레이터 → 실행 가능한 후보 및 제약 생성 → 최적화 솔버 → 안전 검증 → 로봇 실행 → 피드백이다. 양자 모듈의 자리는 후보 생성 전체보다 **구조화된 후보의 선택·할당·순서화**에 가깝다. 고전 OR-Tools·MILP·휴리스틱을 기준선으로 두고 QAOA, 양자 어닐링, 하이브리드 솔버를 비교할 수 있다. 산업용 검사 경로와 로봇 동작 계획에 관한 연구 사례가 거론되지만, 이들이 대형 WFM의 실시간 제어 루프에서 양자 우위를 입증했다는 주장은 아니다.

목적함수의 가중치와 패널티를 잘못 설계하면 계산기가 빨라도 잘못된 행동을 고른다. 충돌·안전은 단순한 낮은 가중치의 선호가 아니라 별도의 실행 불가 조건 또는 독립 안전 검증 대상이어야 한다. 양자 하드웨어의 호출 지연, 큐 대기, 샷 수, 노이즈와 데이터 변환 비용까지 포함한 총 소요시간을 비교해야 한다.

## 인공신경망 레이어를 양자로 압축할 수 있는가
고전 신경망의 레이어를 양자 회로로 바꿔 매개변수를 줄이는 구상과, 이미 존재하는 양자 회로의 깊이·게이트 수를 줄이는 연구는 구별된다. 하이브리드 신경망은 고전 인코더와 작은 양자 서브모듈을 연결할 수 있으나 데이터 인코딩, 학습 기울기 소실(barren plateau), 노이즈, 입출력 비용 때문에 고전 대형 모델을 단순히 압축한다고 주장할 수 없다. 양자 회로의 매개변수 수 감소도 정확도·처리량·에너지 이득을 자동 보장하지 않는다.

## 열려 있는 연구 질문
어떤 종류의 행동 후보가 작고 재사용 가능한 QUBO로 표현되는가? 월드모델의 불확실성을 비용 함수에 어떻게 반영하는가? 솔버의 품질 향상이 시뮬레이션-현실 간극보다 큰가? 양자 접근이 고전 솔버보다 우수한 구간이 실제로 존재하는가? 이 질문에 답하기 전에는 기술적 가능성과 사업적 경쟁력을 혼동해서는 안 된다.

관련 주제: [일본의 피지컬 AI와 숙련 전승](./japan-physical-ai-skill-transfer.md), [제조 최적화 엔진의 개인 개발 전략](./manufacturing-optimization-solo-business.md).