AI-Native Digital Twins: 비싼 실물 실험을 AI 시뮬레이션으로 대체하는 사업의 구조

실물로 시험해 보고 정하던 결정을, 데이터에서 배운 빠른 모델로 대신 정하는 회사들이 커지고 있다는 것이 이 글의 결론입니다. 저자는 가치가 시뮬레이션 화면보다 고른 안을 실행하고 결과로 다시 배우는 루프에서 쌓인다고 봅니다. 제조 기업이 이 흐름을 쓰려면 먼저 어떤 실험을 없앨지 고르고 그 실험의 1회 비용과 과거 결과 데이터를 확보해야 합니다.

요약

Saurav Gopal은 Substack 『Moonshot Projects』에 2026년 10월 13일 올린 글에서, 만들어 보고 부숴 보며 배우던 엔지니어링 방식이 AI로 바뀌고 있다고 주장합니다. 출발점은 1901년의 라이트 형제입니다. 공개된 양력 데이터가 틀렸다는 것을 알고 직접 풍동을 만들어 날개 모형 200개 이상을 시험했고 그 데이터로 1902년 글라이더를 설계했습니다. 1990년대 Boeing 777은 전부 컴퓨터로 설계했지만 물리 시뮬레이션 한 번에 몇 시간에서 며칠이 걸렸습니다. 저자는 다음 단계를 AI-native digital twin(데이터에서 배운, 특정 실물 하나의 살아 있는 모델)이라 부릅니다. 물리 밖의 사람 행동과 지식까지 포함할 때는 AI simulation이라는 말을 씁니다. 사례는 물리(PhysicsX), 사람 행동(Stanford Smallville, Simile), 로봇, 산업 설비, 전력망, 건설, 지식 보존까지 이어지고 끝에 투자자로서 묻는 네 가지 질문이 붙습니다.

저자의 논지는 실물 시험이 거의 어디서나 비싸다는 데서 시작합니다. 임상시험, 풍동, 포커스 그룹, 공급망 파일럿, 수술, 공장 재설계가 모두 그렇습니다. 이런 실험을 대체하거나 10배 빠르고 싸고 좋게 만드는 AI 회사가 여러 개의 큰 회사가 된다는 것이 주장의 뼈대입니다. 새로운 점으로는 속도를 꼽습니다. AI는 손으로 짠 물리 엔진보다 훨씬 빨리 모델을 세웁니다. PhysicsX는 설계 거동을 초 단위로 예측합니다. 2026년 6월에는 기업가치 약 24억 달러로 투자를 받았습니다. 저자의 비교로는 Schrödinger가 비슷한 가치에 이르는 데 약 30년이 걸렸고 PhysicsX는 6년이 걸렸습니다. 예전 디지털 트윈을 막았던 다섯 장벽은 GPU 병렬 실행, 일반화하는 모델, domain randomisation(물리 조건을 무작위로 바꿔 가며 학습), 데이터 증식으로 하나씩 낮아졌다는 설명입니다. 아래에서는 다섯 속성, 6층 stack, 장벽과 변화, 5단계 루프, static과 dynamic twin의 경험칙, 실사 4질문을 풀고 제조 현장에서 대체할 실험을 고르고 파일럿하는 방법을 덧붙였습니다.

핵심 메커니즘

AI Simulation: 다섯 속성을 갖춘 특정 실물 하나의 살아 있는 모델

디지털 트윈은 제트 엔진, 공장, 환자의 심장처럼 특정 실물을 가상으로 옮긴 모델입니다. 저자가 말하는 AI-native 판은 다섯 속성을 더 요구합니다. Dynamic(실시간 데이터가 들어와 실물과 함께 바뀜), Specific(평균이 아니라 기계 한 대·환자 한 명·고객 한 명), Learned(손으로 짠 규칙 대신 데이터에서 배워 처음 보는 상황에도 일반화), Fast(실제로 손대기 전에 what-if를 수천 번), Self-improving(예측과 실제 결과를 비교해 스스로 고침)입니다. 저자의 한 줄 정의는 실물을 시험하는 대신 결정해도 될 만큼 좋은, 특정 실물 하나의 살아 있는 모델입니다.

판정 기준은 그래서 정확도 자체가 아니라 결정을 맡길 수 있느냐입니다. 시험이 비싸고 같은 종류의 결정이 반복되는 곳에 맞습니다. 한 번 해 보면 끝나는 싼 실험에는 맞지 않습니다. 가상 예시로, 같은 기종 사출기 12대 가운데 3호기만의 금형 온도와 사이클 타임 이력으로 학습한 모델이 있으면 새 수지 로트를 넣기 전 시사출 몇 번을 계산으로 대신할 수 있습니다.

Six-Layer Stack: 컴퓨트에서 신뢰까지 여섯 층

저자는 AI simulation을 여섯 층으로 나눕니다. 맨 아래 1층은 컴퓨트와 데이터 권리입니다. 칩과 클라우드뿐 아니라 그 데이터를 써도 된다는 법적 권리가 여기에 들어갑니다. 2층은 물리·생물·화학 법칙으로, 누구에게나 공짜이고 똑같습니다. 3층 population-level model은 여러 과거 사례로 학습한 모델이며 저자는 이를 『뇌』라고 부릅니다. 독점적인 AI·데이터 작업은 이 층에 쌓입니다. 4층 this-instance loop는 배관입니다. 센서가 개체 하나의 현재 상태를 읽어 파이프라인으로 보내면 모델이 그 개체에 맞춘 예측을 내고 행동이 뒤따릅니다. 5층 learning loop는 예측과 실제를 비교해 모델을 고칩니다. 진짜 피드백이 있어야 돌아갑니다. 6층은 신뢰와 불확실성입니다. 모델이 무엇을 모르는지 알아야 합니다. 저자는 이것을 대시보드보다 먼저 모델링의 문제로 봅니다.

이 층 구조를 쓰면 경쟁이 어디서 갈리는지 보입니다. 1·2층은 누구나 사거나 공유합니다. 차이는 3층의 학습 데이터, 4·5층의 배관과 피드백, 6층의 자기 인식에서 납니다. 가상 예시로 도장 라인에 대입하면 1층은 설비 벤더 데이터의 사용 계약, 2층은 열·유체 법칙, 3층은 여러 공장 도장 부스 이력으로 학습한 모델, 4층은 2라인 센서에서 예측과 설정 변경까지, 5층은 실제 불량률 대조, 6층은 학습 범위 밖 조건의 경고입니다.

Five Barriers와 What Changed: 예전 트윈이 막혔던 곳과 지금 바뀐 것

디지털 트윈은 새 개념이 아닙니다. 저자는 1960~70년대 NASA의 우주선 시스템 미러링, 1970년대 Schelling의 에이전트 기반 모델, 슈퍼컴퓨터 팬데믹 모델, 2010년대 GE Predix, 게임 The Sims를 계보로 듭니다. 이들이 크게 퍼지지 못한 장벽은 다섯입니다. 손으로 짠 규칙은 설계자가 상상하지 못한 경우에 깨졌습니다(brittle). 사례마다 전문가가 몇 시간에서 며칠을 들여야 해서 가장 비싼 자산에만 만들었습니다(expensive). 고정밀 시뮬레이션 한 번에 몇 시간이 걸려 설계 5,000개 대신 5개만 시험했습니다(slow). 개인 데이터가 없으니 집단 평균으로 모델링했습니다(generic). 청구 코드나 성과 계약이 없어 돈 낼 사람도 없었습니다(no clear buyer). GE는 몇 년 만에 Predix를 축소했습니다. 한 Stanford 연구자는 사람을 다루던 이 분야를 “highly stylised, minimal impact”라고 요약했습니다.

바뀐 것도 저자는 구체적으로 짚습니다. GPU 하나가 물리 환경 약 1만 개를 병렬로, 실제보다 약 1만 배 빠르게 돌립니다. NVIDIA의 Jim Fan은 휴머노이드가 시뮬레이션 2시간에 걷기 연습 약 10년치를 한다고 말합니다. AI 모델은 깨지는 대신 예시에서 배웁니다. 사람의 행동을 흡수한 언어 모델이 몇 개의 파라미터와 대본을 대신해 Smallville 같은 실험을 가능하게 했습니다. Domain randomisation은 복사본 1만 개의 중력·마찰·무게를 조금씩 바꿔, 실제 세계가 그 변형 가운데 하나가 되게 합니다. 데이터 증식은 사람의 시연 하나를 조명·환경·동작을 바꿔 가며 다시 재생해 M개 동작 × N개 환경만큼의 데이터로 불립니다. 마지막으로 Karen Willcox(UT Austin)의 모형 항공기 트윈처럼, 특정 기체 하나의 센서와 점검 데이터를 흡수해 노화·손상·수리에 따라 함께 변하는 평생 트윈이 등장했습니다.

Represent → Simulate → Optimize → Execute → Learn: 실행과 학습까지 닫는 루프

저자는 AI simulation이 하는 일을 다섯 단계로 나눕니다. Represent는 스캔·센서 데이터·도면 같은 원재료를 쓸 수 있는 모델로 바꾸는 단계, Simulate는 what-if를 싸게 많이 돌리는 단계, Optimize는 사람이 볼 수 있는 것보다 훨씬 넓은 선택지 공간을 찾는 단계입니다. Execute는 고른 안을 처방·용량·공정 설정 같은 실제 행동으로 옮기고 Learn은 결과를 되먹여 다음 결정을 낫게 합니다. 저자에 따르면 대부분의 회사는 2단계 Simulate에서 멈춥니다. 시뮬레이션은 잘 돌리고 데모도 좋지만 회사를 오래 가게 하는 복리 가치는 4·5단계에 있다는 것이 저자의 판단입니다. 다섯 속성의 Self-improving과 stack 5층 learning loop도 같은 요구입니다.

공장 언어로 바꾸면 차이가 분명해집니다. 시뮬레이션 결과를 보고서로 넘기는 데서 끝나면 Simulate에 머문 셈입니다. 모델이 고른 설정이 MES나 설비 레시피로 들어가고 실제 수율이 다시 모델 학습에 쓰여야 루프가 닫힙니다. 가상 예시로, 열처리로의 승온 곡선 후보 500개를 계산해(Simulate·Optimize) 하나를 레시피로 내리고(Execute) 경도 측정값을 다음 주 재학습에 넣는(Learn) 흐름이 한 바퀴입니다.

Static vs Dynamic Twin: 변수·변화·피드백이 많을수록 AI가 유리하다

저자는 AI가 모든 트윈에서 같은 몫을 하지 않는다고 구분합니다. Static twin은 쓸 때마다 거의 변하지 않는 대상을 한 번 3D로 만든 모델입니다. 여기서 AI는 주로 만드는 속도와 비용을 줄입니다. 예로 든 HeartFlow는 관상동맥 CT 한 장을 환자 동맥의 3D 모델로 바꿔 혈류를 계산합니다. 한 시험에서 불필요한 침습적 혈관조영술을 44% 줄였고 2025년 8월 상장해 기업가치 약 44억 달러, 연매출 약 2억 1,200만 달러, 성장률 40% 이상입니다. 다만 고전적인 유체역학이 중심이라 저자는 이를 AI-native로 세지 않습니다.

Dynamic twin은 실시간 데이터를 받아 서로 얽힌 변수 여럿이 변해 가는 모습을 예측합니다. 공장 라인, 폭풍 속 전력망, 로봇의 몸, 환자의 대사, 고객 집단이 그 예입니다. 손으로 짠 방정식으로는 변수를 다 담지 못하고 고전 시뮬레이션은 시나리오 수천 개를 돌리기엔 느립니다. 그래서 저자의 경험칙은 변수가 많을수록, 자주 바뀔수록, 피드백이 많을수록 AI-native twin의 우위가 커진다는 것입니다. 가상 예시로, 금형을 3D 스캔해 공차를 확인하는 일은 static 쪽이고 온습도·컨베이어 속도·도료 로트가 매시간 바뀌는 도장 불량 예측은 dynamic 쪽입니다.

Four Diligence Questions: 투자자가 AI 시뮬레이션 회사에 묻는 네 가지

저자는 AI 시뮬레이션 회사를 볼 때마다 네 가지를 묻습니다. 첫째, 무엇을 대체하는 결정이며 전에는 얼마가 들었나. 제품이 사라지면 고객이 무엇으로, 얼마를 들여 돌아가야 하는지를 봅니다. 강한 답은 수술이나 임상시험 한 팔처럼 비싼 일회성 결정을 아예 없애거나, 느린 반복을 10배 빠르게 만듭니다. 둘째, 고객이 늘수록 좋아지나. 500번째 고객이 1번째 고객 덕을 보는지, 데이터가 공유 모델 하나에 모이는지 고객마다 갇히는지를 봅니다. 셋째, 밑의 과학이 얼마나 이해됐나. 물리는 잘 알려져 있어 주로 실행 위험을 지고 생물은 아직 초기라 과학 위험과 긴 활주로를 집니다. 둘 다 될 수 있지만 값을 다르게 매겨야 합니다. 넷째, 기존 강자를 어떻게 이기나. Siemens, NVIDIA, 대형 소프트웨어 회사가 트윈에 투자하고 있으니 스타트업에는 분명한 우위가 하나 있어야 합니다. 기존 강자가 고쳐 달 수 없는 AI-native 구조, 접근할 수 없는 데이터, 택하지 않을 성과 기반 계약, 무시하는 세그먼트 가운데 하나입니다.

이 질문은 투자자용이지만 사내 과제를 고르는 데도 그대로 쓸 수 있습니다. 1번은 없앨 실험의 비용, 2번은 라인·공장이 늘수록 모델이 나아지는 구조, 3번은 공정의 과학적 성숙도, 4번은 벤더 솔루션을 살지 직접 만들지의 판단으로 바뀝니다. 아래 현업 실행 디테일에 이 변환을 기준표로 정리했습니다.

통념과 다른 주장

저자가 든 사례

PhysicsX: 엔지니어링 시뮬레이션을 시간·일에서 초로

• 상황: 항공우주·반도체·자동차·산업 기계·에너지 기업의 엔지니어는 고정밀 시뮬레이션 한 번에 오래 기다려야 해 설계 몇 개만 시험할 수 있었습니다.
• 한 일: 2020년 런던에서 창업한 PhysicsX는 AI 모델이 설계의 거동을 시간·일 대신 초 단위로 예측하게 했습니다. CEO Jacomo Corbo는 고객이 이제 설계 수천 개를 탐색할 수 있다고 설명합니다.
• 결과: 2026년 6월 Temasek 주도로 3억 달러 Series C를 받았고 기업가치는 약 24억 달러입니다(NVIDIA, Siemens, Applied Materials, General Catalyst 참여). 직전 1년 인식 매출 2배, 수주 매출 3배, 고객 수 2배 이상입니다.
• 연결: 다섯 속성의 Fast와 Learned, 실사 1번 질문의 사례입니다. 저자는 PhysicsX가 파는 것을 실제 실험을 덜 하게 해 주는 능력으로 봅니다.

Smallville과 인터뷰 기반 트윈: 사람 행동을 시뮬레이션하기

• 상황: 사람을 다루는 시뮬레이션은 사람을 몇 개 파라미터나 대본으로 줄여 현실과 멀었습니다.
• 한 일: 2023년 Stanford(Joon Sung Park, Michael Bernstein, Percy Liang)는 픽셀 마을에 짧은 배경 이야기만 준 AI 에이전트 25명을 두고 Memory·Reflection·Planning 세 장치로 스스로 움직이게 했습니다. 이어 미국인 1,000명을 2시간씩 인터뷰해 각자의 AI 트윈을 만들었습니다.
• 결과: 밸런타인 파티 소문이 퍼져 25명 중 12명이 들었고 5명이 왔습니다. 라디오로 전염병 경고를 넣고 다시 돌리자 1명만 왔습니다. 인터뷰 트윈은 발표된 실험 5개 중 4개를 재현했습니다. Rob Willer 연구에서는 미발표 연구(약 10만 명)의 효과 크기와 상관이 약 0.85~0.9였습니다. Joon Sung Park가 2025년 세운 Simile은 2026년 7월 Greenoaks 주도 2억 달러 Series B로 20억 달러 가치를 인정받았고 고객에 CVS Health가 있습니다(매출 비공개).
• 연결: Generalisation 변화와 두 번째 통념 대비의 사례입니다. 저자는 정량 결정 전에는 작은 실제 표본으로 검증하라고 단서를 답니다.

PepsiCo와 Siemens Digital Twin Composer: 공장 변경 전에 문제 찾기

• 상황: 공장 라인을 바꾸면 문제는 대개 바꾼 다음에 드러납니다. 그때는 설비투자가 이미 집행된 뒤입니다.
• 한 일: PepsiCo는 NVIDIA Omniverse 기반의 Siemens Digital Twin Composer로 변경을 먼저 가상으로 돌렸습니다. 배경에는 Siemens의 2025년 Altair 인수(약 100억 달러)와 CES 2026에서 Siemens·NVIDIA가 발표한 industrial AI operating system이 있습니다.
• 결과: 벤더·고객 발표 기준으로 변경 전에 잠재 문제를 최대 90% 잡았고 처리량이 20% 늘었으며 설비투자를 10~15% 줄였습니다. 측정 기간과 방식은 원문에서 밝히지 않았습니다.
• 연결: Dynamic twin과 Represent → Simulate → Optimize의 사례이며 실사 4번 질문에서 말한 기존 강자의 움직임입니다.

Neara: 폭풍 전에 전력망 피해를 예측해 수리 순서 정하기

• 상황: 유틸리티는 폭풍이 오면 어디가 먼저 끊길지, 어디를 먼저 고칠지를 빨리 정해야 합니다.
• 한 일: Neara는 물리 기반 전력망 트윈을 만들어 폭풍 피해를 예측하고 유틸리티가 그 예측으로 수리 우선순위를 정하게 했습니다. 고객에 Southern California Edison과 CenterPoint가 있고 모델링한 자산은 1,500만 개가 넘습니다.
• 결과: 2026년 2월 TCV 주도로 9,000만 호주달러를 받았고 기업가치는 11억 호주달러입니다.
• 연결: 예측을 실제 결정으로 옮기는 Execute 단계와 dynamic twin의 사례입니다.

기술 디테일: 우리 공장에서 대체할 실험을 AI로 돌리려면

아래는 원문의 구조를 제조 현장에 옮길 때 필요한 설계로, AX Review가 새로 작성했습니다. 모델 선택과 숫자는 가상 예시입니다.

실사 1번 질문을 데이터로 바꾸려면 후보 실험마다 같은 형식의 기록을 만듭니다. 대체할 결정, 지금의 시험 방식, 1회 비용과 기간, 연간 횟수, 입력 변수 수와 변화 빈도, 결과를 재는 지표, 그 결과가 데이터로 남아 있는지를 적습니다. 이 기록이 있어야 비용 기준으로 과제를 줄 세우고 static과 dynamic을 가를 수 있습니다.

{
  "experiment_id": "PAINT-L2-DEFECT",
  "decision_replaced": "도장 2라인 레시피 변경 전 시험 도장",
  "current_method": "실차체 시험 도장 후 외관 검사",
  "cost_per_run_krw": 4200000,
  "runs_per_year": 60,
  "lead_time_days": 3,
  "input_vars": 18,
  "change_frequency": "hourly",
  "outcome_metric": "도막 두께 편차, 외관 불량률",
  "history_available": { "sensor_months": 26, "labeled_runs": 410 },
  "science": "physics",
  "data_rights": "설비 벤더 계약상 사내 학습 허용"
}

3층 population model을 세우려면 같은 종류의 과거 사례를 모아 대리 모델(surrogate)을 학습합니다. 원재료는 기존 CAE 해석 결과, 시험 기록, 설비 센서 이력입니다. 결과가 표 형태 숫자(불량률, 사이클 타임)면 gradient boosting 같은 표 모델로 시작합니다. 메시 위의 응력·온도 분포처럼 공간 분포가 결과면 graph neural network 계열의 대리 모델을 검토합니다. 학습에는 설계 변형이나 운전 조건 300~500건을 쓰고 20%는 학습에 넣지 않고 검증용으로 남깁니다. 실측 기록이 모자라면 기존 해석 도구로 Latin hypercube 표본(변수 공간을 고르게 나눠 뽑는 실험 계획) 300건을 돌려 학습 데이터를 만듭니다. 원문이 말한 Specific을 살리려면 기종 공통 모델 위에 설비 한 대의 최근 데이터로 미세 조정한 층을 둡니다.

domain randomisation을 공장에 옮기려면 시뮬레이션 학습 데이터에서 통제할 수 없는 조건을 일부러 흔듭니다. 원문이 중력·마찰·무게를 바꿨듯 공장에서는 소재 로트의 물성, 주변 온습도, 공구 마모, 센서 오차를 실측 범위 안에서 무작위로 바꿔 학습합니다. 가상 예시로 수지 용융 지수 ±8%, 주변 온도 1532도, 공구 마모 070%를 흔들어 두면 실제 공장은 그중 한 경우가 됩니다. 범위는 지난 2년 품질 기록의 최솟값과 최댓값으로 정합니다.

6층 trust를 모델에 넣으려면 예측마다 모른다는 신호를 함께 냅니다. 같은 데이터로 시드만 다른 모델 5개를 학습해 예측의 퍼짐을 불확실성으로 쓰고 conformal prediction으로 90% 예측 구간을 붙입니다. 입력이 학습 데이터 범위 밖이면(예: 변수 하나라도 학습 범위의 5% 바깥) 예측값 대신 out_of_range 플래그를 냅니다. 운영 규칙은 단순하게 둡니다. 구간 폭이 공차의 절반을 넘거나 범위 밖이면 실물 시험으로 되돌리고 둘 다 아니면 시뮬레이션 결과로 결정합니다.

Execute와 Learn을 닫으려면 모든 예측을 기록하고 실제 결과를 같은 키로 붙입니다. 예측 기록에는 prediction_id, asset_id, inputs, predicted, interval_90, decision(sim_accept / physical_test), actual, actual_at를 둡니다. 실측이 들어오기 전 행은 actual을 비워 두고 매일 MES 검사 결과와 asset_id·시각으로 붙입니다. 매주 잔차(예측과 실측의 차이)를 봅니다. 최근 4주 평균 절대 오차가 검증 때의 1.5배를 넘거나 90% 구간 적중률이 80% 아래로 떨어지면 재학습합니다. 잔차 감시는 Vivix 용해로 트윈 노트의 방식과 같은 원리입니다.

실패하는 경우와 대응. 신규 소재나 신규 설계처럼 학습 범위 밖 후보가 가장 위험하므로 out_of_range 플래그를 끄지 않습니다. 센서가 서서히 틀어지면 모델이 틀린 것처럼 보이니 잔차가 커질 때 센서 교정 이력부터 확인합니다. 결과가 몇 달 뒤에 나오는 실험(내구, 부식)은 Learn이 느리므로 첫 과제로 고르지 않습니다. stack 1층의 데이터 권리도 미리 봅니다. 설비 벤더 계약이 사내 학습이나 다른 공장으로의 모델 공유를 막고 있으면 실사 2번의 이점이 사라집니다.

현업 실행 디테일: 누가, 언제, 무엇을

역할	담당	8주 동안 하는 일
스폰서	공장장 또는 생산기술 임원	대상 실험과 실물 시험 축소 범위 승인
과제 책임	생산기술 또는 공정 엔지니어 1명	후보 실험 목록, 기준표 채점, 판정 기준 정의
데이터 엔지니어	1명	센서 · MES · 검사 데이터 연결, 예측 기록 테이블
모델 개발	ML 엔지니어 1명 (또는 벤더)	대리 모델, 불확실성, 범위 밖 판정
품질	품질 엔지니어 1명	실물 대조 시험 설계, 합격 기준 확인
구매 · 법무	각 1명	설비 벤더 데이터 권리, 솔루션 구매 대안 검토

시작 전 준비물: 최근 1~2년 실물 시험·시운전 목록과 회당 비용, 후보 설비의 센서 이력과 MES 레시피 이력, 결과 측정값(검사·수율), 기존 CAE 해석 결과가 있으면 그 파일, 설비 벤더와의 데이터 사용 계약.

과제 선정 기준표: 실사 4질문을 내부 질문으로 원문의 4질문에 static/dynamic 경험칙을 더해 다섯 항목을 0·3·5점으로 매깁니다. 점수 기준은 가상 예시입니다.

원문 질문	내부 질문	5점	3점	0점
1 무엇을 대체하나	어떤 실물 시험·시운전을 줄이나, 그 비용은 연간 얼마인가	연 2억 원 이상 또는 리드타임 2주 이상	연 5천만~2억 원	연 5천만 원 미만
2 고객마다 좋아지나	같은 기종 설비·라인이 늘수록 모델이 나아지나	같은 기종 10대 이상, 데이터를 한 모델에 모을 수 있음	3~9대	1대뿐이거나 데이터가 공장마다 갇힘
3 과학 이해도	열·유체·구조처럼 물리가 잘 알려진 문제인가	물리 법칙과 기존 해석 모델이 있음	반경험식 위주	화학 반응·소재 거동처럼 원리가 불확실
4 기존 강자 대비	벤더 솔루션을 사면 되나, 우리만의 데이터가 있나	우리 공정 데이터가 핵심이고 벤더 표준품이 없음	벤더 제품 + 우리 데이터 결합	벤더 표준품으로 충분(구매로 해결)
경험칙	변수·변화·피드백이 많은가	변수 10개 이상, 매시간 변화, 결과 1주 안에 확인	둘 중 하나	거의 안 변함(static)

합계 25점 가운데 18점 이상이면 파일럿, 12~17점이면 데이터 보강 뒤 재검토, 11점 이하면 보류합니다. 4번이 0점인 과제는 점수가 높아도 직접 만들지 말고 벤더 구매 검토로 넘깁니다.

주차	할 일	산출물
1주	후보 실험 5~10개 목록화, 기준표 채점, 대상 1개 선정	실험 기록(JSON)과 채점표
2~3주	데이터 연결과 정제, 학습 범위 정의, 검증용 데이터 분리	학습 데이터셋, 변수 범위표
4~5주	대리 모델과 불확실성 구간, 범위 밖 판정 구현	검증 보고서(오차, 구간 적중률)
6~7주	그림자 운영: 실물 시험은 그대로 하고 예측과 나란히 비교	예측 기록, 잔차 추이
8주	판정 회의, 실물 시험 축소 범위와 확대 대상 결정	판정 보고서

담당자 인터뷰 질문(공정·품질 엔지니어용): 지난 1년 동안 결과를 미리 알았다면 하지 않았을 시험은 무엇이었습니까? 그 시험의 1회 비용과 라인 정지 시간은 얼마였습니까? 결과에 영향을 주는 변수 가운데 지금 센서로 재는 것과 못 재는 것은 무엇입니까? 시험 결과가 데이터로 남아 있습니까, 보고서 PDF로만 남아 있습니까? 같은 기종 설비가 다른 공장에도 있습니까? 예측이 틀렸을 때 가장 큰 손실은 무엇입니까?

진행 판정 기준(예시): 그림자 운영 2주 동안 세 조건을 모두 넘으면 실물 시험을 절반으로 줄이는 단계로 넘어갑니다. 예측 오차가 공차의 30% 이내인 건이 90% 이상, 90% 구간 적중률 85% 이상, out_of_range 비율 15% 이하입니다. 오차 기준을 못 맞추면 변수와 학습 범위를 고쳐 4주차부터 다시 돌립니다. 범위 밖 비율이 30%를 넘으면 그 과제는 데이터가 모일 때까지 보류합니다.

AX 적용 제언. 제조 기업에 맞는 첫 과제는 실물 시험이 비싸고 자주 반복되며 물리가 잘 알려져 있고 같은 기종 설비가 여럿인 곳입니다. 도장·열처리·사출 같은 공정 조건 변경, 라인 레이아웃 변경 전 검증, 설비 예지 정비가 대표적입니다. 순서는 후보 실험 목록과 비용 산정 → 기준표 채점 → 데이터 권리 확인 → 그림자 운영 → 실물 시험 축소입니다. 기준표 4번에서 벤더 표준품으로 충분하다고 나오면 직접 만들지 말고 구매를 검토하는 편이 빠릅니다. 계획 변경을 트윈에서 먼저 돌리고 사람이 승인하는 Execute 설계는 Siemens Erlangen 노트에, 실물 전에 설계 후보를 대량으로 거르는 R&D 쪽 사례는 GM 배터리 시뮬레이션 노트에 있습니다. 스폰서에게는 정확도보다 연간 몇 번의 실물 시험을 없앴는지를 성과 지표로 보고합니다.

원문 사례

항목	내용
저자·발표처	Saurav Gopal, Substack 『Moonshot Projects』(2026.10.13)
핵심 주장	실물 실험을 대체하거나 10배 빠르고 싸고 좋게 만드는 AI 회사가 여러 큰 회사가 된다
출발 사례	1901년 라이트 형제 풍동, 날개 모형 200개 이상 → 1902년 글라이더. 1990년대 Boeing 777, 시뮬레이션 1회 몇 시간~며칠
PhysicsX	런던, 2020년 창업. 2026년 6월 Temasek 주도 3억 달러 Series C, 기업가치 약 24억 달러. 직전 1년 인식 매출 2배, 수주 매출 3배, 고객 2배 이상
Smallville	2023 Stanford, 에이전트 25명. 파티 소문 12명, 참석 5명. 전염병 경고 뒤 참석 1명
인터뷰 트윈	1,000명 × 2시간 인터뷰. 약 85%(인구통계만 약 70%, 무작위 약 33%), 인터뷰 80% 삭제 시 약 79%. 실험 5개 중 4개 재현, 미발표 연구와 상관 약 0.85~0.9
Simile	2025년 창업. Index Ventures 주도 1억 달러 Series A, 2026년 7월 Greenoaks 주도 2억 달러 Series B(20억 달러). 고객 CVS Health
바뀐 것	GPU 1개로 물리 환경 약 1만 개 병렬, 실제보다 약 1만 배 빠름. 휴머노이드 걷기 연습 약 10년치를 2시간에(Jim Fan)
로봇	로봇 데이터는 로봇당 하루 약 24시간이 상한. World Labs는 AMD가 82억 달러에 인수한다는 보도(2026.09), Odyssey 기업가치 14.5억 달러
산업	Siemens 2025년 Altair 약 100억 달러 인수. PepsiCo 최대 90% 사전 포착, 처리량 20%, 설비투자 10~15% 절감(벤더·고객 발표). Cognite ARR 약 1.7억 달러, 31억 달러. MetAI 400만 달러 시드
에너지	Neara, 자산 1,500만 개 이상, 2026년 2월 9,000만 호주달러(기업가치 11억 호주달러)
건설	Buildots, 2026년 9월 1.3억 달러(누적 2.97억 달러), 고객 JE Dunn · Mortenson · STO Building Group
Static twin	HeartFlow, 불필요한 침습적 혈관조영술 44% 감소(한 시험), 2025년 8월 상장, 약 44억 달러, 연매출 약 2.12억 달러
지식 보존	Viven 2025년 10월 3,500만 달러 시드. ElevenLabs 2025년 11월 음성 라이선싱 마켓
전망 1~5	가상 세계의 인프라화, 헬스·생명과학의 큰 승자, 교육, 연구 밖 행동 시뮬레이션, 지식 보존·초상 라이선싱
실사 4질문	대체하는 결정과 이전 비용 / 고객마다 개선 / 과학 이해도 / 기존 강자 대비 우위

핵심 개념

surrogate model(대리 모델)

느린 물리 해석의 입력과 결과를 학습해, 같은 질문에 훨씬 빨리 답하는 모델.

domain randomisation

시뮬레이션의 물리 조건을 조금씩 바꿔 학습해, 실제 세계를 그 변형 가운데 하나로 다루게 하는 기법.

data multiplication

시연 하나를 조명·환경·동작을 바꿔 여러 학습 데이터로 불리는 방법. M 동작 × N 환경.

Memory · Reflection · Planning

Smallville 에이전트의 세 장치. 경험 기록 검색, 기억에서 결론 도출, 시간 단위 계획과 수정.

General Social Survey

미국의 대표적인 사회 조사. 인터뷰 기반 트윈의 응답 재현 정도를 재는 데 쓰였다.

world model

세계가 어떻게 바뀌는지 예측하는 생성 모델. 원문은 로봇·게임·주행용으로 World Labs와 Odyssey를 든다.

outcome-based model(성과 기반 계약)

소프트웨어 사용료가 아니라 줄인 비용이나 개선된 결과에 따라 값을 받는 방식.

conformal prediction

검증 데이터의 오차 분포로 예측 구간을 만들어, 정한 비율만큼 실제값이 구간 안에 들게 하는 방법.

내 메모

TODO: 내 생각 추가

원문: Saurav Gopal, “Why AI Digital Twins will Create Multiple Billion-Dollar Companies”(Substack 『Moonshot Projects』, 2026.10.13). 요약·핵심 메커니즘·통념과 다른 주장·사례·원문 사례 표는 저자가 언급한 내용을 AX Review가 다시 정리했습니다. 투자·기업가치 수치는 원문에 적힌 대로 옮겼고 World Labs 인수는 원문이 보도로 전한 내용입니다. PepsiCo 수치는 Siemens·PepsiCo 발표를 원문이 인용한 것입니다. 기술·현업 디테일, JSON 예시, 모델 선택, 판정 규칙, 과제 선정 기준표, 일정, 인포그래픽은 새로 작성했으며 숫자는 가상 예시입니다. 원문 전체와 추천 영상(Stanford 2025년 8월 강연, Sequoia의 Jim Fan 강연)은 원문 페이지에서 볼 수 있습니다.