8,900억 달러짜리 거짓말: AI '가상 피팅'이 패션 반품을 오히려 악화시키는 이유

지난 11월, 한 중견 패션 브랜드의 이커머스 부사장이 저희 팀과의 통화 중에 노트북으로 데모를 띄웠습니다. "이것 좀 보세요." 그녀가 화면을 돌려, 회사가 막 라이선스를 취득한 생성형 AI 가상 피팅 도구를 보여주며 말했습니다. 고객의 셀카에 꽃무늬 랩 드레스가 디지털로 그녀의 몸에 입혀져 있었습니다. 이미지는 근사했습니다 — 스튜디오급 조명, 빛을 머금은 듯한 원단, 그녀를 위해 맞춤 제작된 것처럼 보이는 핏.

"출시 이후 전환율이 14% 올랐어요." 그녀가 말했습니다.

저는 반품은 어떻게 됐는지 물었습니다.

침묵. 그러더니: "반품도 올랐어요."

그 순간, 제가 Veriprajna의 물리 기반 AI 파이프라인을 구축하며 몇 달 동안 씨름해 온 무언가가 선명해졌습니다. 패션 업계는 자사의 가장 값비싼 문제를 오히려 더 악화시키는 기술과 사랑에 빠졌습니다 — 게다가 그 이미지들이 너무나 그럴듯해서 아무도 그 사실을 인정하려 하지 않았습니다.

패션 이커머스의 반품 위기는 물류 문제가 아닙니다. 고객 서비스 문제도 아닙니다. 그것은 물리학 문제입니다, 예쁜 사진으로 위장한 채로 말이죠. 그리고 업계에서 가장 인기 있는 AI 솔루션인 생성형 가상 피팅은 8,900억 달러짜리 마법의 거울입니다.

모든 패션 CEO를 두렵게 만들어야 할 숫자

제가 밤잠을 설치게 만드는 수치가 있습니다: 미국 소매업체들은 거의 8,900억 달러에 달하는 반품 관련 비용을 2024년에 부담했습니다, 전미소매협회(National Retail Federation)에 따르면 말이죠. 오타가 아닙니다. 이는 웬만한 국가 전체의 GDP에 맞먹는 숫자이며, 패션은 그중 최악의 주범입니다.

전자제품의 반품률이 8~10% 안팎이고 뷰티 제품이 4~10%에 머무는 반면, 의류는 꾸준히 30%에서 40% 사이에 위치합니다. 블랙 프라이데이 같은 프로모션 급증기에는 일부 카테고리가 50%를 넘어 치솟습니다. 저는 어느 브랜드의 내부 데이터에서 플래시 세일 기간 데님 반품률이 88%에 달한 것을 본 적이 있습니다. 88%요. 출고된 청바지 열 벌당 거의 아홉 벌이 되돌아온 것입니다.

본능적으로는 이를 사업의 필연적 비용으로 여기게 됩니다. 하지만 계산은 냉혹합니다. 100달러짜리 의류가 되돌아오면, 소매업체는 단순히 매출 100달러만 잃는 것이 아닙니다. 역방향 배송비로 5~15달러를 부담합니다(산발적이고 분산되어 있어 출고 배송처럼 최적화하기가 불가능합니다). 수작업 검수 인건비로 3~8달러를 지출합니다 — 누군가 포장을 뜯고, 얼룩을 확인하고, SKU를 대조해야 합니다. 스팀 다림질, 재접기, 택 재부착에 2~5달러를 씁니다. 그리고 진짜 치명타는 이것입니다: 그 의류가 2~4주 후 다시 매대에 오를 때쯤이면 트렌드 기간이 이미 지나버려 30~50% 마크다운이 불가피해집니다.

단 한 건의 반품에 드는 총비용은 상품 원가의 66%를 잡아먹을 수 있습니다. 판매된 세 개 중 하나가 되돌아오면, 나머지 두 개에서 나온 이익이 그 손실을 메우는 데만 쓰여 사라지는 경우가 많습니다.

이것이 바로 제가 "이익 없는 번영"이라고 부르는 것입니다 — 매출은 늘고, 마진은 줄어들며, 경영진은 그 이유를 도무지 알아내지 못하는 상황이죠.

고객은 왜 옷을 반품할까요? (당신의 생각과는 다릅니다)

저희가 이 데이터를 처음 파고들기 시작했을 때, 저는 가장 큰 이유가 구매 후회나 충동구매일 것이라고 짐작했습니다. 제 생각은 틀렸습니다.

핏과 사이즈 문제가 전체 의류 반품의 53%에서 67%를 유발합니다. "마음이 바뀌었다"가 아닙니다. "색이 달라 보였다"도 아닙니다. 의류가 그것을 구매한 사람의 신체에 물리적으로 맞지 않았다는 것입니다.

그리고 여기서부터 흥미로워집니다: 소비자는 바보가 아닙니다. 그들은 온라인의 핏 정보가 엉터리라는 걸 압니다. Zara의 "미디엄"이 어느 럭셔리 브랜드에서는 "엑스트라 스몰"입니다. 사이즈 표는 가슴둘레와 허리둘레를 알려줍니다 — 3차원의, 곡면으로 이루어진, 생체역학적으로 복잡한 표면을 두 개의 1차원 숫자로 설명하려는 시도인 셈이죠.

그래서 그들은 적응했습니다. 그들은 브래킷 구매를 합니다.

브래킷 구매란 같은 드레스를 스몰, 미디엄, 라지로 주문한 뒤 하나만 남기고 둘은 반품하겠다는 명확한 계획을 세우는 것을 뜻합니다. 신뢰할 만한 핏 정보가 전혀 없을 때 이는 지극히 합리적인 행동입니다. 그리고 Z세대 쇼핑객의 51%가 이를 상습적으로 한다고 인정합니다. 고객의 관점에서는 똑똑한 선택입니다. 소매업체의 관점에서는 재앙입니다 — 출고 배송은 세 배, 반품 배송은 두 배, 그리고 세 개의 상품이 누군가의 집에 놓여 있는 동안 재고에서 묶여버립니다.

초기에 어느 투자자에게 이를 설명하던 기억이 납니다. 그는 어깨를 으쓱하며 말했죠. "그럼 그냥 더 나은 사이즈 표를 주면 되잖아요." 저는 저희가 분석 중이던 두 브랜드의 사이즈 표 두 개를 꺼냈습니다. 같은 "미디엄" 표기. 하나는 가슴둘레가 88cm, 다른 하나는 96cm였습니다. 8cm 차이 — 이건 반올림 오차가 아니라 완전히 다른 신체입니다.

사이즈 표는 해결책이 아닙니다. 그것은 문제의 일부입니다.

생성형 AI의 유혹

그래서 업계는 기술적 해결책을 찾아 나섰고, 마치 마법처럼 느껴지는 것을 하나 발견했습니다: 생성형 AI 가상 피팅입니다.

그 홍보 문구는 도취될 만큼 매력적입니다. 고객이 셀카를 업로드합니다. 디퓨전 모델 — Stable Diffusion과 Midjourney를 떠받치는 것과 같은 계열의 기술 — 이 의상을 그들의 몸에 "그려" 넣습니다. 그 결과물은 사진처럼 사실적으로 보입니다. 고객은 드레스를 입은 자신의 모습을 보고, 자신감을 느끼며, 구매 버튼을 클릭합니다.

모든 주요 이커머스 플랫폼이 이것을 직접 구축하거나 라이선스로 도입하고 있습니다. 이 분야의 스타트업들은 수억 달러를 조달했습니다. 그리고 저는 그 매력을 이해합니다 — 정말로요. 잘 만들어진 생성형 가상 피팅 데모를 처음 봤을 때, 제 본능적인 반응은 바로 '이것은 모든 것을 바꿔놓을 것이다'.

그리고 나서 저희는 테스트를 시작했습니다.

저희 팀은 일련의 실험을 진행했습니다. 동일한 의상 — 신축성이 거의 없는 구조적인 블레이저 — 을 가져와, 이미 줄자와 3D 스캐닝으로 치수를 잰 신체 사진들과 함께 선도적인 생성형 VTON 시스템 세 곳에 통과시켰습니다. 저희는 실제 정답(ground truth)을 알고 있었습니다. 이 블레이저가 여러 테스트 대상자의 어깨 부위에서 물리적으로 너무 꽉 낄 것이라는 사실을 알고 있었죠.

모든 생성형 모델이 하나같이 그 블레이저가 완벽하게 맞는 모습을 보여주었습니다.

"살짝 어긋난" 정도가 아니었습니다. "조금 낀" 정도도 아니었습니다. 완벽하게 맞았습니다. AI는 어깨를 미묘하게 날씬하게 만들고, 원단의 겉보기 뻣뻣함을 부드럽게 누그러뜨려, 잡지 화보 같은 이미지를 만들어냈습니다. 아름다웠습니다. 그리고 거짓말이기도 했습니다.

디퓨전 모델은 어떻게 핏을 "환각"할까요?

여기서는 조금 기술적으로 들어가야 합니다. 이 실패 유형이 겉으로 드러나지 않으면서도 엄청나게 중요하기 때문입니다.

디퓨전 모델은 확률적입니다. 수백만 장의 이미지로부터 픽셀 배열의 통계적 분포를 학습합니다. 가상 피팅을 생성할 때, 이 모델들은 원단이 엉덩이 곡선을 수용할 만큼 충분히 늘어나는지를 계산하지 않습니다. 이 모델들이 하는 일은 어떤 픽셀이 가장 통계적으로 그럴듯하게 서로 옆에 배치될지를 예측하는 것이며, 이는 그들의 학습 데이터에 기반합니다.

학습 데이터는 압도적으로 전문 패션 화보입니다 — 완벽하게 스타일링된 의상을 걸친, 키 크고 날씬한 모델들이죠. 그래서 다른 체형을 가진 실제 고객이 사진을 업로드하면, 모델은 음흉한 짓을 합니다: 자신이 "아는" 것 쪽으로 보간(interpolate)해 버리는 것입니다.

생성형 AI는 핏을 계산하지 않습니다. 핏을 환각합니다 — 물리적 진실보다 시각적 그럴듯함을 우선시하면서 말이죠.

디퓨전 모델 환각에 관한 연구는, 이 모델들이 실제 데이터 분포 바깥의 "간극 영역(gap region)"에 필연적으로 0이 아닌 확률을 부여한다는 사실을 밝혀냅니다. 쉬운 말로: 이들은 물리적으로 존재할 수 없는 것들의 이미지를 자신 있게 생성합니다. 신축성 없는 데님 텍스처가 마치 스판덱스인 것처럼 렌더링됩니다. 구조적인 보디스가 실크처럼 드리워집니다. 소매가 기하학적으로 불가능한 방식으로 몸통에 합쳐지기도 합니다.

가장 위험한 발현 형태는 제가 "슬리밍 편향(slimming bias)"이라고 부르는 것입니다. 이 모델은 단순히 의상만 환각으로 만들어내는 것이 아니라, 미묘하게 신체를 왜곡해 허리를 잘록하게 조이고 다리를 늘립니다. 학습 데이터 속 "옷을 입은 사람"의 모습이 그렇기 때문입니다. 고객은 놀랍도록 멋져 보이는 자신의 모습을 봅니다. 높은 확신을 가지고 구매합니다. 그런데 실제 의류가 도착하면 지퍼가 잠기지 않습니다.

이제 여러분은 그저 둘러보던 사람을 구매자이자 반품자로 전환시킨 것입니다 — 가능한 최악의 결과죠. 여러분은 고객 획득 비용을 냈고, 출고 배송비를 냈으며, 이제 곧 반품 비용까지 내게 됩니다. 생성형 AI는 반품을 줄이지 않았습니다. 오히려 반품을 만들어냈습니다.

저는 이 실패 유형을 저희 연구의 인터랙티브 버전에서 더 기술적으로 깊이 다루었으며, 여기서 VITON-HD와 IDM-VTON 같은 인페인팅 아키텍처가 어떻게 텍스처 충실도와 기하학적 일관성을 잃는지 정확히 분석합니다.

추측을 멈추고 계산을 시작한다면 어떨까요?

어느 날 밤이었습니다 — 아마 화요일, 새벽 2시쯤이었던 것 같습니다 — 저는 모니터에 띄운 나란한 비교 화면을 응시하고 있었습니다. 왼쪽에는 생성형 가상 피팅 렌더링. 오른쪽에는 동일한 신체에 놓인 동일한 의상에 대한 저희 물리 시뮬레이션의 결과물. 생성형 버전이 더 나아 보였습니다. 더 매끄러운 피부, 더 돋보이게 하는 조명, Instagram에서 두 번 탭해 좋아요를 누를 법한 그런 이미지였죠.

하지만 물리 버전에는 다른 쪽에 없는 것이 있었습니다: 바로 히트맵입니다. 엉덩이는 빨강. 가슴 전반은 노랑. 허리에서 원단이 헐렁하게 늘어진 곳은 파랑. 그것은 진실을 말하고 있었습니다. 이렇게 말하고 있었죠, "이 의상은 이 신체의 엉덩이 부위에 2cm 작으며, 정확히 여기가 당겨질 지점이다."

바로 그 순간, 저는 저희 접근법을 생성형 AI의 대안으로 여기던 생각을 멈추고, 완전히 다른 범주로 생각하기 시작했습니다.

Veriprajna 접근법의 핵심 아이디어는 보기보다 단순합니다: 사진 위에 옷을 그려 넣지 말고 — 신체 위에 옷을 시뮬레이션하라.

저희는 다른 모두가 쓰는 것과 동일한 입력에서 출발합니다: 고객의 셀카죠. 하지만 그것을 디퓨전 모델에 넣는 대신, 저희는 고객의 신체를 3차원으로 재구성합니다. 저희는 Transformer 기반 아키텍처 — 최고의 언어 모델을 구동하는 것과 동일한 어텐션 메커니즘을, 인체 기하학에 적용한 것 — 를 사용해 그 한 장의 2D 이미지로부터 치수적으로 정확한 3D 메시를 복원합니다.

이것을 인체 메시 복원(Human Mesh Recovery, HMR)이라고 하며, 그 정밀도가 엄청나게 중요합니다. 저희는 SMPL-X(관절이 있는 손과 표현력 있는 비율을 포함) 및 SKEL(의료 데이터에서 도출된 생체역학적으로 정확한 관절 가동 한계를 갖춘 실제 골격 리그를 포함)와 같은 고급 파라메트릭 신체 모델을 사용합니다. 그 결과물은 마네킹이 아닙니다. 그것은 고객의 실제 신체를 담은 디지털 트윈으로, 실물 줄자 측정값과 1~2센티미터 이내로 정확합니다.

셀카는 왜 당신의 몸을 왜곡할까요? (그리고 저희는 이를 어떻게 바로잡을까요)

대부분의 사람들이 결코 생각하지 않는 문제가 하나 있습니다. 팔을 뻗어 휴대폰을 들고 셀카를 찍어 보세요. 얼굴이 살짝 더 넓어 보입니다. 몸은 살짝 압축되어 보입니다. 그것이 바로 원근 왜곡입니다 — 카메라의 초점 거리가 비율을 일그러뜨리는 것이죠.

대부분의 AI 신체 재구성 모델은 이를 무시합니다. 마치 카메라가 무한히 멀리 있는 것처럼 "정사영(orthographic)" 투영을 가정합니다. 센티미터가 중요한 패션 응용에서 이는 재앙입니다.

저희는 BLADE — Body Limb Alignment and Depth Estimation(신체 사지 정렬 및 깊이 추정) — 라는 알고리즘을 통합합니다. 이 알고리즘은 이미지 특징으로부터 카메라의 초점 거리와 피사체의 깊이를 명시적으로 복원합니다. 원근 왜곡을 역으로 보정해 실제 비율을 되살리는 것이죠. 사소한 기술적 세부처럼 들립니다. 하지만 그렇지 않습니다. 이것은 미디엄을 추천하느냐 라지를 추천하느냐의 차이입니다. 유지된 판매냐 반품이냐의 차이입니다.

원단은 텍스처가 아닙니다 — 그것은 소재입니다

고객의 3D 신체가 확보되면, 저희는 그 위에 옷을 "그려" 넣지 않습니다. 저희는 유한요소해석(Finite Element Analysis)을 사용해 옷을 드레이핑합니다 — 비행기 날개와 교량 하중을 시뮬레이션하는 데 쓰이는 것과 동일한 전산 물리학입니다.

저희는 브랜드가 의류를 제조하는 데 사용하는 실제 디지털 패턴 파일(DXF 또는 GLB)을 가져옵니다 — 의류의 사진이 아니라 그 공학적 설계도를 말이죠. 저희는 원단을 평면 이미지가 아니라 스프링으로 연결된 노드들의 물리적 메시로 취급하며, 각 노드는 측정 가능한 세 가지 역학적 특성의 지배를 받습니다: 인장 강성(얼마나 늘어나는지), 굽힘 강성(어떻게 드리워지는지), 전단 강성(곡면에 어떻게 밀착되는지)입니다.

시뮬레이션은 편미분 방정식을 풀어, 중력과 충돌, 소재 제약 조건 아래에서 원단의 모든 지점이 신체의 어디에 놓이는지를 계산합니다. 그 결과물은 예쁜 사진이 아닙니다. 그것은 스트레스 맵입니다 — 의상이 정확히 어디가 꽉 끼는지(빨강), 딱 맞는지(노랑), 헐렁한지(파랑), 아니면 신체에 전혀 닿지 않는지(투명)를 보여주는 색상 코드 시각화죠.

고객이 앉았을 때 단추가 당겨질지를 디퓨전 모델에게 물어볼 수는 없습니다. 그것은 물리학 질문이며, 물리학적 답을 요구합니다.

미디엄에서는 엉덩이에 빨강 구역이, 라지에서는 노랑 구역이 뜨는 것을 보는 고객은 브래킷 구매를 할 필요가 없습니다. 그들은 라지를 삽니다. 출고 배송 한 번, 반품 배송은 영(零).

GPU 가속 배포를 위한 미분 가능 물리 계층을 어떻게 처리하는지를 포함해, 저희 시뮬레이션 파이프라인에 대한 전체 기술적 설명은 다음 자료에서 확인하십시오: 저희의 상세 연구 논문.

"그런데 정말 보기에 좋나요?"

이것은 제가 모든 제품 책임자에게서 받는 질문이고, 타당한 질문입니다. 물리 시뮬레이션은 2008년 비디오 게임 렌더링처럼 보인다는 평판을 갖고 있습니다. 결과물이 삭막하고 임상적으로 보이면, 아무리 정확하더라도 고객은 그것에 관심을 두지 않을 것입니다.

저희는 이 문제에 몇 달을 쏟았습니다. 그 답은 뉴럴 렌더링입니다 — 구체적으로는 사진처럼 사실적인 결과물을 만들어내는 가우시안 스플래팅 같은 기법이죠. 하지만 생성형 AI와의 결정적 차이가 여기 있습니다: 저희의 렌더링은 제약을 받는다는 점입니다 — 바로 그 기저의 물리 시뮬레이션에 의해서 말이죠. 이미지는 아름다워 보이지만, 환각을 일으킬 수는 없습니다. 원단은 늘어나지 않을 곳에서 늘어날 수 없습니다. 신체는 날씬하지 않은 곳에서 날씬해질 수 없습니다. 시각적 레이어는 진실이라는 골격 위에 입혀진 피부입니다.

이 문제로 팀원 한 명과 언쟁을 벌인 적이 있습니다 — 그는 더 돋보이는 모습을 위해 스트레스 맵을 매끄럽게 다듬는 "뷰티 필터" 모드를 추가하고 싶어 했습니다. 저는 거부했습니다. 요점은, 저희가 아부를 파는 사업을 하는 게 아니라는 것입니다. 저희는 정확성을 파는 사업을 합니다. 아부는 전환을 이끕니다. 정확성은 유지되는 전환을 이끕니다. 손익계산서는 오직 두 번째 것에만 관심을 둡니다.

이것은 최종 수익에 어떤 의미일까요?

구체적으로 따져 보겠습니다. 연간 총매출 2억 달러에 반품률 30%인 중견 패션 소매업체를 예로 들어 봅시다. 이는 반품 6,000만 달러에 해당합니다. 반품 가치의 약 20%에 이르는 운영 비용(물류, 인건비, 감가상각, 마크다운)을 적용하면, 이들은 연간 1,200만 달러를 반품 처리에만 태우고 있는 셈입니다.

업계 데이터는 실제 핏 검증을 갖춘 고급 가상 피팅이 반품률을 20~30% 낮출 수 있음을 시사합니다. 만약 그 30% 반품률을 22.5%로 — 보수적으로 25% 감소 — 낮춘다면, 계산은 극적으로 달라집니다:

• 300만 달러 — 더 적은 반품을 처리함으로써 얻는 직접 운영비 절감
• 750만 달러 — 매출 회복(방지된 반품의 절반이 유지되는 판매로 전환)
• 1,050만 달러 — 연간 총 손익 영향

그것은 기술 비용이 아닙니다. 그것은 마진 회복 프로그램입니다.

그리고 이제는 무시하기 불가능해진 지속가능성 측면이 있습니다. 역물류는 탄소 폭탄입니다. 반품 포장 하나하나가 또 한 대의 트럭, 또 한 번의 창고 처리, 그리고 매립지로 끝날 수도 있는 또 한 벌의 의류를 의미합니다. EU의 지속가능한 제품을 위한 에코디자인 규정(Ecodesign for Sustainable Products Regulation)은 팔리지 않은 섬유의 폐기를 금지하는 방향으로 나아가고 있습니다. 반품량을 25% 줄이면 브랜드는 정량화 가능한 ESG 지표를 얻습니다 — 그린워싱이 아니라, 불필요한 배송의 측정된 감소를 말이죠.

"그냥 둘 다 쓰면 안 되나요?"

사람들은 제게 끊임없이 이렇게 묻습니다 — 시각적 매력을 위해서는 생성형 AI를, 정확성을 위해서는 물리를 쓰면 되지 않느냐고요? 둘을 겹쳐서 쓰면 안 되냐고요?

그 본능은 이해하지만, 핵심을 놓친 생각입니다. 생성형 레이어는 적극적으로 훼손합니다 물리 레이어를 말이죠. 만약 고객에게 돋보이게 꾸며진 환각 이미지를 정직한 스트레스 맵과 나란히 보여준다면, 고객은 어느 쪽을 믿을까요? 예쁜 쪽입니다. 매번 그렇습니다. 생성된 이미지는 약속이 되고, 물리는 아무도 읽지 않는 깨알 같은 약관이 되어버립니다.

AI 시대의 궁극적인 럭셔리는 진실입니다 — 수학적, 기하학적, 물리적 진실이죠. 더 그럴듯한 환상이 아니라요.

더 어려운 질문은 — 솔직히 말씀드리자면 — 저희 접근법이 생성형 AI에게는 필요 없는 무언가를 요구한다는 점입니다: 바로 디지털 의상 자산입니다. 브랜드는 CLO3D나 Browzwear 같은 도구를 사용해 자사 재고의 3D 디지털 트윈을 만들어야 합니다. 이것은 실질적인 투자입니다. 워크플로의 변화입니다. 시뮬레이션에 쓰이는 디지털 패턴이 생산에 쓰이는 공장 패턴과 일치해야 하며, 그렇지 않으면 시스템 전체가 무의미해진다는 뜻입니다.

저희는 이 전환에 대해 컨설팅을 제공합니다. 결코 간단한 일이 아닙니다. 하지만 디자인과 샘플링에 이미 디지털 제품 개발(Digital Product Creation)을 도입한 브랜드라면 절반은 온 셈입니다. 그러지 않은 브랜드는요? 반품 위기가 결국 그들의 손을 떠밀 것입니다. 관건은 그들이 선제적으로 투자하느냐, 아니면 뒤늦게 반응하느냐입니다.

갈림길

패션 업계는 지금 이 순간 두 가지 미래 사이에서 선택하고 있습니다.

한쪽에서는 생성형 AI가 아부에 더 능숙해집니다. 이미지는 사진과 구별할 수 없게 됩니다. 전환율은 오릅니다. 반품은 더 빠르게 오릅니다. 마진은 잠식됩니다. 브랜드들은 역물류 비용과 매립지에 대한 죄책감에 허우적대면서도, 누가 가장 설득력 있는 환상을 만들어내는지를 두고 경쟁합니다.

다른 한쪽에서는 업계가 핏을 있는 그대로 — 소재와 신체 사이의 역학적 호환성 문제로 — 다루고, 이를 해결할 기하학적 인프라를 구축합니다. 이 길은 더 험난합니다. API 래퍼가 아니라 진짜 엔지니어링을 요구합니다. 디지털 마케팅만이 아니라 디지털 자산에 대한 투자를 브랜드에 요구합니다. 정확성과 미적 완성도가 충돌할 때 정확성을 택할 것을 요구합니다.

저는 제가 어느 미래를 향해 만들어 가고 있는지 압니다. 디퓨전 모델은 허리둘레가 72센티미터라는 것을 알지 못합니다. 원단이 제곱미터당 200그램이라는 것을 알지 못합니다. 그것은 아무것도 알지 못합니다 — 그저 픽셀을 예측할 뿐입니다. 그리고 예측은, 아무리 사진처럼 사실적이더라도, 이해가 아닙니다.

물리학은 이해입니다. 그리고 이해야말로 실제로 문제를 해결한 유일한 것입니다.