문제
발코니가 무너지지 않는 이유는 AI 모델이 그것을 보고 "견고하다"고 말했기 때문이 아닙니다. 하중 경로가 끊기지 않고 이어지고, 응력이 재료의 한계 내에 머무르며, 구조물이 물리학의 지배 방정식을 만족하기 때문에 무너지지 않는 것입니다. 그럴듯하게 들리는 것과 실제로 옳은 것 사이의 이 차이 — 바로 여기서 오늘날의 AI는 건물 설계와 시공에서 무너집니다.
GPT-4V나 Gemini 같은 멀티모달 AI에 구조 설계도면을 입력하면, 모델은 보나 기둥, 하중 경로를 보지 않습니다. 픽셀을 볼 뿐입니다. 설계도면을 작은 패치 — 16×16 픽셀의 작은 정사각형 — 로 잘라내어 그 사이의 통계적 패턴을 찾습니다. 수직선(기둥)이 보통 수평선(보) 근처에 나타난다는 것은 학습할 수 있습니다. 하지만 보가 기둥에 의해 지지된다는 사실은 이해하지 못합니다. 기둥을 제거하면 AI의 신뢰도는 약간 떨어질 수 있습니다. 하지만 이제 보가 무너져야 한다는 것을 알려줄 내부 물리학이 AI에는 없습니다.
연구자들은 이를 직접 검증했습니다. 이미지 패치를 뒤섞어도 이러한 AI 모델은 높은 분류 정확도를 유지하는 경우가 많습니다. 실제 공간 구조가 아니라 텍스처와 국소적 패턴에 의존하고 있다는 뜻입니다. 공학적으로, "대부분 갖춰져 있지만" 핵심 하중 경로가 빠진 접합 디테일은 90% 안전한 것이 아닙니다. 100% 위험한 것입니다. 귀사의 AI 시스템은 그 차이를 구별하지 못합니다.
이것이 귀사의 비즈니스에 중요한 이유
이 수치는 모든 리스크 담당 임원을 멈칫하게 만들 만합니다. 선도적인 AI 모델 10종을 4,140개의 문제 사례로 테스트한 벤치마크인 DSR-Bench 연구에 따르면, 가장 우수한 모델조차 복잡한 구조 추론 과제에서 1.0점 만점에 0.498점에 그쳤습니다. 건물이 서 있을지 무너질지를 판단하는 결정에서 동전 던지기 수준의 신뢰도인 셈입니다.
이것이 귀사에 의미하는 바는 다음과 같습니다:
- 규제 리스크: 건축 법규에 따른 구조 요건을 검증하지 못하는 AI 모델은 법적 책임을 초래합니다. DesignQA 벤치마크에 따르면 모델은 문서에서 "허용 최대 처짐량"과 같은 규칙을 추출할 수는 있었습니다. 하지만 그 규칙을 실제 보 설계에 적용하는 데는 실패했습니다. 귀사의 컴플라이언스 승인은 그 이면의 시스템만큼만 신뢰할 수 있습니다.
- 재료 비용 폭증: 연구에 따르면 AI 모델은 프로젝트가 비용 효율적인 해법을 요구하는 경우에도 티타늄이나 탄소섬유 같은 특수 고성능 재료를 강하게 선호하는 경향을 보입니다. 왜일까요? 그런 재료들이 첨단 기술 학습 데이터에 더 자주 등장하기 때문입니다. 귀사의 AI는 공학적 근거 없이도 예산을 몇 자릿수나 부풀리는 재료를 추천할 수 있습니다.
- 복잡성에 따른 성능 붕괴: 구조 문제가 공간적으로 더 복잡해지고 다차원화될수록 AI의 정확도는 크게 떨어집니다. 또한 문제가 정형 코드가 아니라 자연어로 서술될 때 모델의 성능은 더 나빠집니다. 즉, 귀사의 엔지니어가 실제 현장의 비표준 상황을 평범한 문장으로 설명할수록 AI가 틀릴 가능성은 더 높아지며, 특이한 문제에서는 50%의 확률로 실패할 수도 있습니다.
- 숨겨진 추론 실패: 이러한 모델들은 여러 개의 중간 연결을 거쳐 관계를 추적하는 다단계(multi-hop) 추론에 어려움을 겪습니다. 건물에서 이는 옥상 발코니에서부터 보, 기둥을 거쳐 기초에 이르기까지 하중을 추적하는 것을 의미합니다. 귀사의 AI가 그 연쇄를 따라가지 못한다면, 구조적 안전성을 검증할 수 없습니다.
이 위험은 이론상의 문제가 아닙니다. 이러한 모델들이 약속하는 것과 실제로 제공하는 것 사이의, 측정 가능하고 벤치마크로 입증된 격차입니다.
실제로 내부에서 일어나는 일
이렇게 생각해 보십시오. 안전한 건물 사진 수천 장을 외운 건물 검사관을 고용했다고 상상해 보십시오. 이 검사관에게 새로운 설계안을 보여주면, 그는 기억 속 사진들과 비교합니다. "이건 예전에 본 안전한 건물처럼 보이는군요,"라고 그는 말합니다. 하지만 그는 공학을 배운 적이 없습니다. 보가 하중을 견딜지 계산할 수 없습니다. 그는 물리학을 푸는 것이 아니라 패턴을 맞추고 있을 뿐입니다.
멀티모달 AI 모델이 작동하는 방식이 정확히 이렇습니다. 이들은 다음 토큰 예측 엔진 — 학습 데이터의 패턴을 바탕으로 다음에 올 가능성이 가장 높은 단어나 픽셀을 추측하도록 훈련된 시스템입니다. "이 발코니는 안전한가요?"라고 AI에 물으면, AI는 관성 모멘트를 계산하는 것이 아닙니다. 자신이 학습한 수백만 건의 문서에서 그 질문 다음에 일반적으로 어떤 단어가 이어지는지를 예측하고 있는 것입니다. 학습 데이터에 "구조물이 건전해 보인다"고 결론짓는 보고서가 수천 건 포함되어 있다면, AI는 실제 설계도면이 무엇을 보여주든 상관없이 통계적으로 비슷한 안심의 말을 생성하도록 편향됩니다.
이 백서는 이를 "확률적 앵무새(Stochastic Parrot)" 문제라고 부릅니다. 그 이면의 물리학을 이해하지 못한 채 그럴듯하게 들리는 답을 반복하는 AI라는 뜻입니다. 구조공학은 결정론적입니다 — 힘의 합이 0이 되지 않으면 구조물은 가속됩니다(움직이거나 무너집니다). 여기에 확률이 개입할 여지는 없습니다. 하지만 AI는 모든 답을 확률 분포로 취급합니다. 귀사의 건물에 정확한 계산이 필요할 때, AI는 그저 최선의 추측을 내놓을 뿐입니다.
이러한 구조적 불일치 — 결정론적 영역에 적용된 확률적 엔진 — 이야말로 가장 발전된 AI 모델조차 구조 추론에서 49.8%의 정확도 한계에 부딪히는 이유입니다.
효과가 있는 것 (그리고 효과가 없는 것)
먼저 효과가 없는 것부터 살펴보겠습니다.
픽셀 기반 AI 분석: 설계도면을 비전 모델에 입력하는 것은 귀사의 공학 도면을 계산해야 할 구조물이 아니라 분류해야 할 이미지로 취급하는 것입니다. AI는 하중 경로와 접합부가 아니라 텍스처와 패턴을 봅니다. 구조 안전성이 지닌 이분법적 본질을 놓칩니다.
법규 준수를 위한 범용 AI: 모델은 건축 법규를 유창하게 인용할 수 있지만 특정 설계에 정량적 제약 조건을 적용하지는 못합니다. 규칙을 추출할 뿐 이를 강제로 적용하지는 않습니다. 귀사의 컴플라이언스 점검은 검증이 아니라 요약이 되어버립니다.
대형 모델을 통한 무차별 대입: 더 많은 인터넷 데이터로 더 큰 모델을 훈련시켜도 핵심 문제는 해결되지 않습니다. DSR-Bench 테스트에서 구조 추론 성능은 규모가 커져도 의미 있게 향상되지 않았습니다. 매개변수가 늘어난다고 해서 물리학에 대한 이해가 생겨나지는 않습니다.
다음은 실제로 효과가 있는 것 — Veriprajna가 사용하는 접근 방식입니다:
1. 설계도면을 픽셀이 아닌 그래프로 변환합니다. 설계도면을 픽셀 패치로 잘라내는 대신, 이 시스템은 귀사의 빌딩정보모델(BIM)을 수학적 그래프로 변환합니다. 각 노드는 보, 기둥, 슬래브와 같은 실제 구조 요소를 나타내며, 영률(Young's Modulus)이나 항복강도와 같은 실제 물리적 속성을 담고 있습니다. 각 엣지는 하중이 전달되는 실제 물리적 접합부를 나타냅니다. 이 그래프는 구조물의 외관이 아니라 그 논리를 포착합니다.
2. 물리학을 AI의 학습 과정에 직접 내재화합니다. 이 시스템은 물리 정보 신경망(Physics-Informed Neural Networks, PINN) — 구조역학의 지배 방정식이 학습 과정에 내장된 AI 모델 — 을 사용합니다. 모델이 평형 법칙을 위반하는 처짐 형상을 예측하면, 학습 과정의 물리학 페널티가 스스로 이를 수정하도록 강제합니다. AI는 뉴턴의 법칙을 깨뜨리는 답을 "상상"할 수 없습니다. 이 접근 방식의 고도화된 형태인 그래프 구조 물리 정보 DeepONet(Graph-Structured Physics-Informed DeepONets)은 전통적인 공학 솔버보다 7–8배 더 빠르게 실행되면서도 R² = 0.9999의 정확도 값을 달성했습니다.
3. 모든 하중 경로를 알고리즘적으로 추적합니다. 그래프 이론을 사용하여 시스템은 하중이 가해지는 지점에서 기초까지 전달되는 모든 가능한 경로를 추적합니다. 건물을 관통하는 가장 강성이 높은 경로, 즉 구조물의 "척추"를 시각화하는 U* 지수(U* Index)라는 지표를 계산합니다. 귀사의 발코니 설계에 하중 경로가 끊긴 부분이 있다면, 시스템은 추측하지 않습니다. 흐름선이 갑자기 끊기며 정확한 파손 지점을 표시합니다.
귀사의 컴플라이언스팀과 감사팀에게 이 접근 방식은 글래스박스(glass-box) 의사결정 추적을 만들어냅니다. 그래프의 모든 노드는 실제 물리적 구성 요소와 일대일로 매핑되므로, 시스템이 문제를 제기한 이유를 정확히 추적할 수 있습니다. "보 A와 보 B에서 전달된 하중이 허용 한계를 초과했기 때문에 기둥이 파손되었습니다." 이는 블랙박스식 신뢰도 점수가 아니라 감사 가능하고 설명 가능한 결과입니다.
이 시스템은 온프레미스(on-premise)로 운영됩니다. 귀사의 팀은 민감한 설계도면을 공개 API로 전송하지 않습니다. 물리 엔진은 귀사의 서버에 상주하며, 귀사의 지적 재산과 프로젝트 데이터 를 보호하는 동시에 결정론적(deterministic) 답변을 제공합니다.
Veriprajna의 접근 방식은 검증 계층 역할을 합니다. 건축가와 디자이너는 여전히 창의적인 콘셉트를 위해 생성형 AI를 사용할 수 있습니다. 하지만 모든 콘셉트는 결정론적 물리 검증 을 거친 후에야 엔지니어에게 전달됩니다. 검증에 실패하면 시스템은 "보 깊이를 200mm 늘리십시오" 또는 "백스팬 연결부를 추가하십시오"와 같은 하드 제약 조건을 반환하여 물리적으로 타당한 재설계를 강제합니다. 귀사는 시뮬레이션과 디지털 트윈 워크플로로 뒷받침되는 엔지니어링 확실성을 창의적 속도와 함께 얻게 됩니다.
귀사는 전체 기술 분석 자료를 읽고 완전한 수학적 프레임워크를 확인하거나, 인터랙티브 버전을 살펴보고 안내형 설명을 확인할 수 있습니다.
핵심 요점
- The best AI models score just 49.8% on structural reasoning benchmarks — no better than a coin flip for building safety decisions.
- Multimodal AI treats blueprints as pixel patterns, not physical structures, and cannot trace load paths or verify code compliance.
- Physics-Informed Graph Neural Networks achieve R² = 0.9999 accuracy by embedding engineering equations directly into the AI, running 7–8x faster than traditional solvers.
- Graph-based AI maps every prediction to a physical component, creating auditable decision trails that compliance teams can actually verify.
- These specialized models train on physics equations rather than internet data, so they can run on-premise without exposing sensitive blueprints to public APIs.
결론
귀사의 AI 도구는 구조 안전성에 대해 자신 있게 답하는 것처럼 보이지만, 벤치마크 결과를 보면 실제로는 절반 정도만 맞히는 수준입니다. 물리 정보 그래프 신경망은 이러한 추측을 감사자와 규제기관이 단계별로 추적할 수 있는 결정론적 계산으로 대체합니다. AI 공급업체에 물어보십시오: 귀사의 시스템이 구조물이 안전하다고 판단할 때, 하중이 가해진 지점에서 기초까지 이어지는 정확한 하중 경로를 보여줄 수 있습니까? 그리고 그 경로상의 모든 접합부가 물리학의 지배 방정식을 만족한다는 것을 증명할 수 있습니까?