AI는 바둑은 이겼는데 왜 용접은 아직 어려울까: 인간은 멈추고, 기계는 반복한다

바둑 AI는 규칙이 고정된 공간에서 배울 수 있지만, 공장에서는 위험과 책임이 숫자 점수만으로 정리되지 않는다.

바둑으로 인간 최고수를 이긴 AI 이야기가 나올 때마다 사람들은 비슷한 질문을 한다. “이 정도면 곧 사람이 하던 일이 다 AI로 바뀌는 것 아닌가?”

그런데 현장으로 가면 그림이 달라진다. 바둑은 이겼는데, 용접은 아직 쉽지 않다. 코딩 문제는 풀지만, 낡은 배관 옆에서 불꽃 튀는 용접을 사람처럼 안정적으로 하지는 못한다.

이 차이는 단순히 어느 쪽이 더 어렵냐의 문제가 아니다. 더 근본적인 차이는 인간과 기계가 배우는 방식에 있다. 인간은 적은 경험으로도 원인을 짐작하고 위험하면 멈춘다. 반면 지금의 AI는 많이 해 보고, 결과를 비교하고, 점수가 좋아지는 방향을 찾는 데 강하다.

바둑은 기계가 배우기 좋은 세계다

바둑판에서는 돌 하나를 잘못 놔도 세상이 망가지지 않는다. 한 판 지면 다시 두면 된다. 결과도 바로 나온다. 이겼는지 졌는지, 몇 집 차이인지 금방 알 수 있다.

AI가 배우기에는 거의 완벽한 조건이다. 수없이 시도하고, 틀리고, 다시 고치면 된다. 사람이 몇 판 두는 동안, 기계는 자기 자신과 수백만 판을 둘 수 있다. 실패가 싸고, 결과가 빠르고, 반복이 무한히 가능하다.

강화학습도 쉽게 말하면 이 구조다. 많이 해 보고, 좋은 선택은 남기고, 나쁜 선택은 줄이면서 조금씩 나아지는 방식이다. 바둑처럼 컴퓨터 안에서 무한히 굴릴 수 있는 문제는 AI가 빠르게 강해진다.

이건 바둑이 쉬워서가 아니다. 바둑은 인간에게도 매우 어려운 게임이다. 다만 기계 입장에서는 실패가 거의 공짜인 세계다. AI는 그 안에서 마음껏 틀리고, 틀릴 때마다 배운다.

용접은 기계가 마음껏 틀릴 수 없는 세계다

용접은 다르다. 한 번 해 보는 것부터 비용이 든다. 재료가 들고, 장비가 들고, 시간이 든다. 잘못 녹인 금속은 다시 바둑판처럼 초기화할 수 없다.

더 큰 문제는 위험이다. 용접은 실패가 단순한 오답으로 끝나지 않는다. 불량 용접은 사고로 이어질 수 있다. 겉으로는 멀쩡해 보여도 안쪽에 결함이 숨어 있을 수 있고, 그 결함이 몇 달 뒤에야 드러날 수도 있다.

그러면 기계가 좋아하는 학습 구조가 깨진다. 많이 시도해야 배우는데, 많이 실패할 수가 없다. 바로 결과를 알아야 고치는데, 결과가 늦게 나오거나 일부만 보인다. 가장 중요한 실패 데이터는 위험해서 일부러 만들 수도 없다.

바둑에서는 틀린 수를 백만 번 둬도 된다. 용접에서는 틀린 용접을 백만 번 만들 수 없다. 그래서 실제 장비를 다루는 자동화는 문서, 코드, 로그를 확인하고 다시 고칠 수 있는 자동화보다 느리다.

인간은 적은 단서로 원인을 짐작한다

숙련자는 백만 번 실패해서 배우지 않는다. 물론 오래 해 보고 많이 겪어야 한다. 하지만 인간의 강점은 모든 경우를 다 겪는 데 있지 않다. 적은 단서로 원인을 짐작하고, 비슷한 상황을 떠올리고, 위험해 보이면 멈출 수 있다는 데 있다.

예를 들어 용접공은 소리, 냄새, 불꽃의 모양, 손에 오는 떨림을 동시에 본다. 뭔가 평소와 다르면 정확한 수치를 몰라도 일단 조심한다. “이건 위험해 보인다”는 판단을 하고, 속도를 줄이거나 작업을 멈춘다.

이건 신비한 직관이 아니다. 인간은 현실 세계에서 몸으로 배운다. 불은 뜨겁고, 금속은 휘고, 장비는 낡고, 사람은 실수한다는 기본 감각을 이미 가지고 있다. 그래서 처음 보는 상황에서도 과거 경험을 끌어와 대충의 원인을 세우고 행동한다.

인간은 완벽한 데이터가 없어도 가설을 만든다. 이 소리는 온도 문제일 수 있다. 이 떨림은 고정이 흔들렸다는 신호일 수 있다. 이 냄새는 재료가 달라졌다는 뜻일 수 있다. 맞을 수도 있고 틀릴 수도 있지만, 적어도 위험 앞에서 멈출 수 있다.

기계는 많이 본 패턴을 점수로 배운다

반면 지금의 AI는 대체로 많이 본 패턴에 강하다. 사진을 많이 보면 사진을 잘 분류하고, 문장을 많이 보면 다음 문장을 잘 예측하고, 게임을 많이 돌리면 이기는 선택을 잘 찾는다. 강점은 분명하다. 사람이 평생 볼 수 없는 양을 보고, 사람이 평생 해 볼 수 없는 횟수로 반복한다.

하지만 이 방식은 조건이 필요하다. 시도할 수 있어야 하고, 결과를 측정할 수 있어야 하고, 무엇이 좋은 결과인지 점수로 줄 수 있어야 한다. 바둑은 이 조건이 잘 맞는다. 용접은 잘 맞지 않는다.

현실 작업에서는 목표가 단순하지 않다. 보기 좋은 용접이면 되는 게 아니다. 지금은 멀쩡해 보여도 몇 달 뒤에 깨지면 실패다. 빠르게 끝내는 것도 중요하지만, 안전과 내구성과 비용도 같이 봐야 한다. 이 모든 것을 한 번에 점수로 만들기는 어렵다.

그래서 기계는 평균적인 상황에서는 강해질 수 있다. 많이 나온 조건, 자주 반복되는 작업, 결과가 바로 보이는 일은 빠르게 배운다. 하지만 드문 사고 직전의 신호, 모델 밖의 예외 상황, 점수로 만들기 어려운 위험 판단에서는 약점이 남는다.

기계가 여러 번 시도할수록, 사람은 시도를 멈춰야 하는 조건을 더 분명히 정해야 한다.

디지털 트윈은 기계가 마음껏 연습하게 해 준다

여기서 디지털 트윈이 중요해진다. 디지털 트윈은 현실의 공장, 장비, 재료, 작업 조건을 가상 공간에 최대한 비슷하게 구현한 것이다. 현실에서 실패하면 비싸지만, 가상 세계에서는 같은 실패를 훨씬 싸게 반복할 수 있다.

AI는 그 가상 세계 안에서 수없이 시도한다. 온도, 속도, 각도, 압력, 재료 조건을 바꿔 가며 실패하고, 다시 고치고, 더 나은 방법을 찾는다. 그렇게 찾은 방법을 바로 전체 현장에 적용하는 것이 아니라, 먼저 실제 장비 한 대에서 시험한다.

그 한 대에서 성공하면 다시 데이터가 쌓인다. 가상 세계와 현실 사이에 어디가 달랐는지 고치고, 더 믿을 만한 조건을 찾는다. 그다음 같은 장비, 같은 공정, 비슷한 현장으로 넓혀 간다. 한 곳에서 검증된 방법을 다른 곳으로 펼치는 것이다.

이 방식은 강력하다. 인간 한 명이 평생 겪을 수 없는 경우의 수를 AI는 가상 세계에서 훨씬 많이 겪을 수 있다. 그래서 디지털 트윈이 정교해지고 센서가 촘촘해지면, 많은 현실 작업에서도 AI가 사람보다 잘하는 영역이 생길 가능성이 크다.

그래도 가상 세계는 현실과 완전히 같지 않다

하지만 여기에도 한계가 있다. 가상 세계는 현실을 완전히 복사하지 못한다. 재료의 미세한 차이, 오래된 장비의 버릇, 작업장 습도, 사람의 작은 실수, 예외적인 고장처럼 현실에는 모델에 안 들어간 것들이 계속 생긴다.

AI가 가상 세계에서 아무리 잘해도, 현실과 가상이 어긋나는 지점에서는 다시 검증이 필요하다. 가상에서 성공한 방법이 현실에서도 안전한지 확인해야 한다. 실제 장비 한 대에서 해 보고, 문제가 없으면 그다음에 넓혀 가야 한다.

여기에 기계 학습의 강점과 한계가 같이 있다. 기계는 많이 반복할 수 있는 세계에서는 무섭게 강해진다. 하지만 그 세계가 현실을 잘못 닮았으면, 잘못된 연습을 많이 한 셈이 된다. 많이 배웠다는 사실보다 무엇을 상대로 배웠는지가 중요하다.

인간과 기계는 틀리는 방식이 다르다

인간도 틀린다. 숙련자도 착각하고, 피곤하면 실수하고, 익숙함 때문에 위험 신호를 놓칠 수 있다. 인간을 신격화할 필요는 없다. 하지만 인간과 기계는 틀리는 방식이 다르다. 인간은 적은 단서로 너무 빨리 결론을 내리다가 틀릴 수 있다. 반대로 기계는 많이 본 패턴 안에서는 강하지만, 훈련한 세계 밖으로 나가면 이상한 확신을 가질 수 있다. 인간은 모르면 불안해한다. 그래서 멈추거나 물어보거나 주변 상황을 다시 본다. 기계는 지금이 낯선 상황인지조차 모를 수 있다. 점수와 패턴이 그럴듯하면, 실제로는 위험한 상황에서도 답을 낼 수 있다.

그래서 현실 자동화에서는 성능만 보면 안 된다. 언제 잘하는지, 언제 모르는지, 언제 멈춰야 하는지를 같이 봐야 한다. AI가 용접을 잘하게 되는 날이 오더라도, 그 AI가 어떤 조건에서 배웠고 어디까지 믿어도 되는지는 계속 확인해야 한다.

앞으로 더 높은 보상을 받는 사람은 두 학습 방식을 연결하는 사람이다

그러면 숙련자는 안전할까. 영원히 안전하다고 보기는 어렵다. 손끝 감각이 데이터로 옮겨지고, 디지털 트윈이 정교해지고, 실제 검증 고리가 만들어지면 자동화는 그 영역에도 들어온다.

그래서 앞으로 더 높은 보상을 받는 사람은 단순히 손끝 감각이 좋은 사람이 아니다. 그 감각을 데이터로 바꿀 수 있는 사람이다. 현장을 알고, 어떤 센서를 붙여야 하는지 알고, 어떤 실패가 중요한지 알고, 어떤 기록이 나중에 학습 데이터가 되는지 아는 사람이다.

이 사람은 인간의 학습 방식과 기계의 학습 방식을 이어 준다. 사람은 적은 단서로 원인을 짐작하고 위험하면 멈춘다. 기계는 많이 반복하고 점수를 비교하며 강해진다. 두 방식은 다르고, 둘 다 장단점이 있다. AI는 바둑은 이겼지만, 용접은 아직 어렵다. 바둑은 기계가 마음껏 틀릴 수 있는 세계였고, 용접은 실패할 때마다 비용이 붙는 현실 세계이기 때문이다.

하지만 디지털 트윈과 센서와 실제 검증이 맞물리면 이야기는 달라진다. AI는 가상 세계에서 무한히 반복하고, 실제 장비 한 대에서 확인하고, 성공한 방식을 다른 현장으로 넓혀 갈 수 있다. 그러니 질문은 “AI가 사람보다 똑똑한가”가 아니다. 진짜 질문은 이것이다. 누가 인간이 적은 단서로 익힌 감각을, 기계가 반복해서 배울 수 있는 구조로 바꿀 것인가. 그 일을 해내는 사람이 다음 시대의 비싼 사람이 된다.