AI가 CAD를 뽑아내고 맞춤형 PCB를 그리며 기성품(COTS) 부품을 골라 조립 절차까지 서술하는 시연은 이제 드물지 않다. CAD Arena, EE Bench 같은 하드웨어 설계 벤치마크의 점수도 꾸준히 오르고 있다. 그래서 '초인적 하드웨어 엔지니어'의 등장을 점치는 목소리가 커지지만, a16z의 이 글은 한 가지 불편한 구분을 던진다. 설계(design)를 잘하는 것과 엔지니어링(engineering)을 잘하는 것은 전혀 다른 문제이며, AI가 쉽게 정복할 영역은 전자뿐이라는 것이다.
핵심 관찰은 간단하다. 디지털 세계와 물리 세계를 잇는 인터페이스는 '손실이 많다(lossy)'. 비트로 표현된 설계 변경을 원자로 된 실물에 '쓰는(write)' 일도, 물리 세계의 상태를 측정해 컴퓨터로 '읽어오는(read)' 일도 모두 불완전하게 번역된다. 이 손실성이 초인적 하드웨어 엔지니어가 언제, 어떤 모습으로 등장할지를 규정한다. 모델이 전자·기계 통합 설계를 한 번에 뽑아내는 수준에 도달하더라도, 그 뒤에 남는 일이 훨씬 많다는 뜻이다.
설계를 실물로 '쓰는' 문제
글쓴이는 실물 제작의 난이도를 101부터 501까지 단계로 나눈다. 101 단계는 제품을 부품으로 분해하고 호환되는 기성품을 찾아 상호 연결을 설계한 뒤 실제로 조달하는 일이다. 사소해 보이지만, 2006년 팰컨1 발사 준비 중 태평양 한가운데 발사대에서 6,000마일 떨어진 곳에만 재고가 있던 커패시터 하나 때문에 점화 시험이 지연됐다는 일화처럼, 세계 최고의 엔지니어링 팀도 여기서 발목이 잡힌다.
201 단계부터 난이도가 급등한다. 맞춤 부품을 만들려면 디지털 설계 도구에서 물리적 기계로 넘어가는 번역 과정을 거쳐야 한다. CNC 가공에서 엔지니어의 CAD 파일은 숙련 기계공이 CAM 소프트웨어로 변환해 가공 경로를 짜야 비로소 티타늄 블록을 깎는 명령이 된다. 소재·고정·공구·절삭 전략을 고르는 이 장인적 과정은 변동성을 낳고, 변동성은 번역 오류로 이어진다. 301 단계에서는 여러 부품을 복잡한 전자기계 조립체로 합치면서 공차가 누적된다. 각 부품이 도면을 개별적으로 만족해도, 상관된 오차가 쌓이면 조립이 안 맞을 수 있다. 401 단계에서는 외부 벤더가 끼어들고, 수직 통합의 대명사인 스페이스X조차 공급망 관련 인력을 대규모로 운영한다는 사실이 보여주듯 벤더 의존은 불가피하다. 그리고 501 단계, 즉 하나가 아니라 100만 개를 만드는 양산은 변동성·자금·인력·설비 측면에서 질적으로 다른 과제다.
물리 세계를 '읽는' 문제
쓰기만큼이나 어려운 것이 읽기다. 매주 닭 4,500만 마리를 사들이는 지인은 같은 사양을 같은 공정으로 처리해도 가공 후 판매 가능한 산출물의 주간 편차가 20%까지 났다고 한다. 한 번은 공급망 깊숙한 곳의 악성 공급사가 출하 전 닭에 물을 주입해, 무게 검수는 통과하지만 실제 고기는 줄어드는 사례까지 있었다. 물리 세계에서 지금 정확히 무슨 일이 벌어지는지 아는 것은 지독히 어렵다.
글은 그 이유를 다섯 가지로 정리한다. 첫째, 현실은 균일하지 않고 끊임없이 변한다. 결함, 온도 같은 환경 변수, 마모가 작용하고 잘 조정된 공정조차 시간이 지나면 어긋난다. 둘째, 데이터가 희소하다. 위성에 온도 센서를 어디에나 달고 싶어도 소프트웨어·구조·생산 팀의 제약 탓에 그럴 수 없고, 문제가 터진 뒤에야 빠뜨린 측정값을 아쉬워하게 된다. 셋째, 데이터 수집 비용이 비싸다. F1이나 유인 우주비행처럼 정밀도가 요구되는 영역에서 CMM 같은 측정 장비는 값비싸고 운용이 더디다. 넷째, 물리 과정에는 고유한 지연이 있다. 전자 보드의 열 사이클, 기계적 피로 시험은 가속에 한계가 있다. 다섯째, 사용자가 제품을 좋아하는지, 기기를 쥐었을 때 편한지 같은 정성적 정보는 디지털 학습 루프로 되돌리기가 가장 어렵다.
실무자가 읽어야 할 함의
이 다섯 가지 제약은 오늘날 AI 역량이 '울퉁불퉁하게' 발전하는 이유를 설명한다. 결과가 정량적이고 기계가 읽기 쉬울수록 모델은 그 언덕을 빠르게 오른다. 설계는 전적으로 디지털이라 모델이 이해하기 좋은 영역이고, 그래서 머지않아 초인적 '설계자'가 나올 가능성이 높다. 반면 요구를 만족하면서도 만들기 쉽고 싸게 조달되는 설계를 찾는 '제조를 위한 설계(DfM)'는 현실과의 상호작용이 훨씬 많아 정복이 더딜 것이다.
국내 하드웨어·제조 실무자에게 이 글의 메시지는 명확하다. 생성형 AI 도입 효과를 평가할 때 CAD 생성이나 회로 초안 같은 디지털 산출물의 품질만 보면 과대평가하기 쉽다. 진짜 병목은 공차 누적, 벤더 커뮤니케이션, 측정 인프라, 양산 변동성처럼 모델 바깥에 있는 '쓰기'와 '읽기'의 손실 구간이다. 따라서 당분간의 현실적 전략은 설계 자동화를 전제로 조직을 비우는 것이 아니라, 측정 데이터를 더 촘촘히 수집해 물리 세계를 디지털로 되읽는 역량에 투자하는 쪽이다. 초인적 하드웨어 엔지니어는 단번에 모든 인간을 넘어서기보다, 영역별로 쪼개진 여러 전선에서 서로 다른 속도로 도착할 가능성이 크다.