Executive Summary

서론 — 피지컬 AI 시대의 데이터 병목

피지컬 AI 시장은 제조, 로봇, 국방, 조선 등 물리적 세계와 상호작용하는 AI 기술의 부상과 함께 폭발적인 성장을 앞두고 있다. 그러나 이 혁신의 이면에는 치명적인 병목 현상이 존재한다 — 데이터 기근(Data Famine)이다.

AI 모델의 강건성을 결정하는 핵심 요소인 결함, 예외상황, 재난과 같은 희귀 데이터는 현실 세계에서 의도적으로 수집하는 것이 거의 불가능에 가깝다. 자동차 스마트 팩토리의 용접 공정에서 발생하는 0.001% 미만의 희귀 불량, 자율주행차가 마주칠 수 있는 극한 기상 조건과 돌발 사고 — 이런 데이터의 부족은 피지컬 AI 도입의 가장 큰 장벽이다.

페블로심(PebbloSim)은 이러한 데이터 병목을 해결하기 위해 설계된 전략적 응용 프로그램이다. 페블러스의 핵심 자산인 데이터 그린하우스(Pebblous Data Greenhouse) 생태계 내에서, 데이터의 관측·판단·행동·증명을 자율적으로 순환하는 행동(Action) 계층의 핵심 실행 엔진으로 기능한다. 데이터 그린하우스가 단순한 관측 시스템을 넘어 데이터 품질과 생명주기에 대한 책임(Responsibility)을 지는 운영 체계임을 증명하는 가장 강력한 응용이기도 하다.

PebbloSim은 AADS(Agentic AI Data Scientist) 2단계 과제의 핵심 목표인 산업 특화 AI 모델 개발을 가속하고, 피지컬 AI 시장의 데이터 주도권을 확보하는 데 결정적으로 기여한다. 이 문서는 PebbloSim의 존재 이유(Why)와 궁극적 목표(What)를 명확히 정의하고, 이를 실현하기 위한 구체적인 아키텍처와 개발 전략을 설명한다.

PebbloSim(페블로심)은 페블러스의 핵심 자산인 데이터 그린하우스(Pebblous Data Greenhouse) 생태계 내에서, 데이터의 관측·판단·행동·증명을 자율적으로 순환하는 운영 체계의 행동(Action) 계층 핵심 실행 엔진이다.

1.1핵심 개념과 목표

PebbloSim은 "피지컬 AI 학습 데이터 생성을 위한 디지털 트윈 기반 시뮬레이션 및 합성 데이터 생성 플랫폼"으로 정의된다. 가상 환경을 구축하는 데 그치지 않고, 데이터 그린하우스와 유기적으로 연동해 AI 학습에 즉시 사용 가능한 고품질 데이터를 자율적으로 생산한다.

기존 생성형 AI(Sora, Stable Diffusion 등)가 확률적 상관관계에 의존해 물리 법칙을 위배하는 물리적 환각(Physical Hallucination)을 일으키는 반면, PebbloSim은 디지털 트윈 엔진이 보장하는 물리적 정합성 위에 뉴럴 렌더링을 결합한다. 이 Zero Physical Hallucination 원칙이 PebbloSim의 기술적 신뢰성의 근간이며, 산업 현장에서 합성 데이터가 실제 공정 데이터를 대체할 수 있는 전제 조건이다.

1.2주요 적용 도메인

PebbloSim은 데이터 기근이 가장 심각한 4대 핵심 도메인을 우선 타겟으로 한다. 이들 도메인은 공통적으로 결함·사고·예외상황 데이터의 수집이 현실적으로 불가능하며, 물리적 정합성이 보장된 고품질 합성 데이터에 대한 수요가 높다.

1.3핵심 차별화 요소

합성 데이터 생성 시장에는 이미 다수의 플레이어가 존재한다. PebbloSim이 이 시장에서 구조적 차별화를 확보하는 핵심 요소는 세 가지다 — 생성 과정 자체를 감사 가능한 운영 증거로 기록하는 것, 물리적 정합성을 보장하는 뉴로-심볼릭 월드 모델, 그리고 사용할수록 진단·생성 정확도가 높아지는 자가 증식형 선순환(Data Flywheel)이다.

차별화 1 — '운영 증거'로서의 PebbloSim

PebbloSim이 핵심 운영 증거(Operational Evidence)로 기능한다는 것은, 단순히 합성 데이터 파일(.jpg, .mp4 등)을 만들어내는 도구가 아니라 "데이터가 왜 생성되었고, 어떤 과정을 거쳐 품질이 개선되었는가"를 입증하는 인과관계 기록(Audit Trail)을 생성한다는 의미다.

일반적인 시뮬레이터는 "요청한 데이터"만 내놓지만, PebbloSim은 "데이터 그린하우스가 자율적으로 문제를 해결한 기록"을 함께 내놓는다. 단순히 "비 오는 날의 이미지"를 만드는 것이 아니라, "데이터 클리닉이 우천 시 데이터 부족을 진단했기 때문에(Why), AADS가 강수량 10mm·조도 50 lux로 설정해(How), PebbloSim이 이 데이터를 생성했다(Action)"는 인과관계가 함께 기록된다. PebbloSim의 운영 증거 패키지는 다음 세 가지가 결합된 형태다.

차별화 2 — 뉴로-심볼릭 하이브리드 월드 모델

PebbloSim은 물리 법칙을 무시하는 기존 생성형 AI의 한계를 극복하기 위해, 심볼릭(Symbolic) 시뮬레이션의 논리적 정합성과 뉴럴(Neural) 생성 모델의 시각적 표현력을 결합한 접근을 채택한다. 영상 생성 AI(Sora, Stable Diffusion)는 픽셀 간 확률적 상관관계만을 학습하므로, 차가 공중에 뜨거나 그림자 방향이 어긋나는 등 물리적 환각을 일으킨다. 반면 PebbloSim은 중력·마찰·광학 등 물리 법칙이 지배하는 월드 모델(World Model)을 먼저 구축하고, 그 뼈대 위에 생성 AI 기술로 피부를 입힌다.

차별화 3 — 자가 증식형 선순환 (Data Flywheel)

사용할수록 똑똑해지는 구조다. 데이터 생산이 AI 지능 강화로 이어지고, 강화된 지능이 더 정교한 데이터를 생산하는 자가 증식형 선순환은 경쟁사가 모방하기 어려운 기술적 해자(Moat)를 형성한다. 이 선순환은 세 메커니즘으로 작동한다.

첫째, 지능의 내재화(Internalizing Intelligence)다. PebbloSim이 생성한 고품질 합성 데이터(Curriculum Data)는 단순히 고객에게 납품되는 데 그치지 않고, 시스템의 두뇌 역할을 하는 핵심 AI 모델을 재학습시키는 데 사용된다. 이 자체 학습 루프(Self-Training Loop)를 통해 시스템은 시간이 지날수록 더 복잡한 물리 상황을 이해하고 더 정교한 시나리오를 설계할 수 있게 진화한다.

둘째, 진단과 생성의 상호 강화(Reinforcement Cycle)다. 시스템이 데이터 공백을 찾아내면 시뮬레이션이 이를 메우는 데이터를 생성하고, 이 데이터로 모델 성능이 향상되면 향상된 모델은 이전에는 보지 못한 더 미세한 결함을 찾아낸다. 이 무한 루프는 기업의 데이터 자산 가치를 기하급수적으로 증대시키는 데이터 플라이휠 효과를 만든다.

셋째, 자산 가치의 지속적 증대(Asset Appreciation)다. 일반적인 소프트웨어는 시간이 지날수록 구식이 되지만, PebbloSim 기반의 데이터 그린하우스는 데이터가 쌓일수록 진단과 생성 정확도가 높아지는 가치 증대형 자산(Appreciating Asset)이 된다. 이는 경쟁사가 단기간에 모방할 수 없는 독보적인 기술적 해자를 형성한다.

1.4규제 대응과 비즈니스 가치

PebbloSim의 운영 증거는 기업이 직면한 AI 규제와 신뢰성 문제를 해결하는 핵심 열쇠가 된다.

PebbloSim은 데이터 그린하우스라는 AI 데이터 운영체제(OS) 위에서 구동되는 핵심 응용 프로그램이다. 엔진(기반시설) + 시나리오(설계서) = 시뮬레이터 인스턴스(GenSim)라는 명확한 워크플로우로 정의된다.

2.14단계 워크플로우

PebbloSim의 워크플로우는 독립 시뮬레이터의 동작이 아니라, 데이터 운영체제 위에서 구동되는 애플리케이션의 실행 사이클이다. 데이터의 희소 영역을 물리 시뮬레이션 기반으로 보강하는 데이터 벌크업(Data Bulk-up)을 전담하되, 그 과정이 그린하우스의 관측·판단·행동·증명 루프와 완전히 동기화된다. 이 구조 덕분에 PebbloSim은 개별 도구 수준이 아니라 확장 가능한 플랫폼 인프라로 기능한다.

4단계는 트윈(Base Class) → 설계(Architect) → 생성(Action) → 검증(Director)으로 이뤄진다. 트윈 단계에서 물리 법칙이 보장된 디지털 트윈 환경을 마련하고, 설계 단계에서 추상적 명령을 구체적 시나리오 스크립트로 번역한다. 생성 단계에서 멀티모달 데이터를 능동 생산하고, 검증 단계에서 PebbloScope가 사람이 검토할 수 있는 시각화로 결과물을 제시한다. 이 사이클이 끊김 없이 반복되면서 GenSim 인스턴스가 자율 운영된다.

2.2핵심 모듈별 기능 정의

2.3그린하우스 연동 메커니즘

PebbloSim의 비즈니스 가치는 독립 실행이 아니라 그린하우스 생태계와의 유기적 연동에서 나온다. 진단에서 생성, 검증까지 이어지는 파이프라인이 자동화되면서, 기업은 데이터 품질 개선을 위해 별도의 수작업 파이프라인을 구축할 필요가 없다. 데이터 엔지니어의 반복 업무를 줄이고, 품질 개선의 비용과 시간을 구조적으로 단축한다.

자동차 도장 공정을 첫 검증 시나리오로 선택한 이유는 명확하다. 희귀 결함 데이터의 부재가 AI 모델 성능의 직접적 병목이 되는 대표 사례이기 때문이다. 미세 스크래치는 실제 공정에서 발생 빈도가 0.1% 미만이라 충분한 학습 데이터를 확보하기 어렵고, 현장 조명 조건에 따라 탐지 난이도가 급격히 변한다. 이 시나리오는 Sim-to-Real 전이 효과를 정량적으로 입증할 수 있어, 투자자와 고객 모두에게 PebbloSim의 ROI를 가장 직관적으로 보여주는 산업 레퍼런스다.

3.15단계 실행 흐름

PebbloSim과 같이 복잡하고 혁신적인 플랫폼은 빅뱅 방식이 아니라 점진적·반복적 접근으로 구축해야 한다. 페블러스는 1년간 총 4주기(주기당 3개월) PoC를 통해 PebbloSim을 순차 완성하는 전략을 택했다.

이 접근법의 핵심은 웨지 유스 케이스(Wedge Use Case) 전략이다. 가장 시급하고 효과가 명확한 자동차 공정(PoC 1)으로 즉각적인 ROI를 증명하고, 이를 발판으로 국방(PoC 2), 조선(PoC 3)으로 확장하며, 최종적으로 완전 자율화 플랫폼(PoC 4)을 완성한다. 각 단계는 데이터 그린하우스와의 연동 깊이를 심화시키며, AADS 2단계 정부 과제의 정량적 목표 달성에 직접 기여하도록 설계됐다 — '루프 연결(Closing the Loop) → 주권 확보(Sovereignty) → 데이터 심화(Depth) → 완전 자율(Autonomy)'로 이어지는 점진적 심화 전략이다.

이 4주기 전략은 동시에 리스크 관리 프레임워크이기도 하다. 각 PoC는 이전 단계의 산출물을 전제로 삼으므로, 초기 단계에서 발견된 기술적 불확실성이 후속 단계의 설계에 즉시 반영된다. 또한 매 주기 결과물이 AADS 2단계 정부 과제 기술 보고서에 직접 반영되므로, 기술 검증과 과제 수행이 단일 타임라인에서 동기화되는 효율적 구조다.

4.14주기 PoC 로드맵

5.1패러다임의 전환

우리는 데이터를 현실 세계에서 우연히 발견하고 '수집'하던 시대에서, 필요한 데이터를 의도적으로 설계하고 '재배(Cultivation)'하는 시대로의 전환을 선언한다. PebbloSim은 물리적 세계의 위험·비용·시간 제약을 넘어 AI-Ready 데이터를 무한히 공급하는 화수분 역할을 수행한다.

5.2비즈니스 임팩트

피지컬 AI 시대에 데이터의 '수집'만으로는 충분하지 않다. 데이터를 재배(Cultivation)하고, 그 과정의 모든 증거를 감사 가능한 형태로 축적하는 것이 시장 진입의 전제 조건이 된다. PebbloSim은 이 패러다임 전환의 중심에서, 데이터 그린하우스의 진단·판단·생성·검증 파이프라인을 완전히 자동화된 운영 체계로 완성한다.