UrbanGPT 2.0은 Studio Tim Fu가 개발한 Urban-GPT Alpha의 발전 버전입니다. Urban-GPT Alpha는 처음으로 텍스트 명령을 3D 도시 레이아웃 생성과 연결한 실험적 프로토타입이었습니다. 건축가와 도시계획가 커뮤니티에서 즉각적인 반응을 얻었고, 이를 바탕으로 STF Labs는 본격적인 베타 버전인 UrbanGPT 2.0을 개발했습니다.

2.0 버전에서는 Alpha의 개념 검증을 넘어 실제 설계 워크플로우에 통합 가능한 수준의 안정성과 정밀도를 확보했습니다. Rhino/Grasshopper 환경과의 직접 연동으로 설계자는 기존 도구를 버리지 않고도 AI 생성 결과물을 즉시 편집하고 수정할 수 있습니다.

UrbanGPT 2.0의 강점은 서로 다른 세 가지 기술 레이어의 유기적인 통합에 있습니다. 각 레이어는 독립적으로 강력하지만, 통합될 때 비로소 도시설계 AI의 완전한 가치를 발휘합니다.

2.1 GPT-4o — 공간의 언어를 이해하는 두뇌

설계자가 입력하는 자연어 명령은 도시계획 용어와 건축 규제, 공간 관계가 뒤섞인 복잡한 텍스트입니다. GPT-4o는 "역세권 500m 반경에 복합 용도 개발, 저층부 상업 2,000㎡, 주거 200세대"와 같은 명령을 공간적 제약 조건과 프로그램 배분으로 파싱합니다.

2.2 실시간 디퓨전 모델 — 도시를 그리는 엔진

이미지 생성 AI에서 검증된 디퓨전 모델의 원리를 3D 공간 생성에 적용했습니다. 노이즈에서 출발해 의미 있는 공간 구조를 역산해내는 이 접근법은 동일한 조건에서도 다양한 설계 대안을 생성할 수 있다는 점에서 기존 파라메트릭 설계와 근본적으로 다릅니다.

설계자가 원하는 결과에 가까워질수록 프롬프트를 정제하고, AI는 실시간으로 반응합니다. 이 과정은 설계자와 AI 사이의 대화형 설계(Conversational Design)를 가능하게 합니다.

2.3 Rhino/Grasshopper — 정밀도를 더하는 손

AI가 생성한 레이아웃은 Grasshopper 스크립트로 직접 전달됩니다. 건축가는 AI 결과물을 파라메트릭 모델로 받아 즉시 수정하고, 구조 해석이나 일조 시뮬레이션 플러그인과 연결할 수 있습니다.

3.1 텍스트 → 3D 도시 레이아웃 실시간 생성

UrbanGPT 2.0의 가장 직관적인 기능입니다. 설계자가 텍스트로 요구사항을 입력하면 초 단위로 3D 도시 매스가 생성됩니다. 종전에는 숙련된 CAD 설계자가 수 시간에서 수 일이 걸리던 초기 매스스터디(Mass Study) 단계가 수십 초로 단축됩니다.

3.2 GFA(용적률) 자동 최적화

GFA(Gross Floor Area) 최적화는 도시설계에서 가장 복잡한 작업 중 하나입니다. 용적률 한도, 건폐율 제한, 일조권, 도로 사선 제한 등 수십 가지 규제를 동시에 만족하면서 개발 가능 면적을 극대화해야 합니다.

UrbanGPT 2.0은 이 과정을 자동화합니다. 규제 파라미터를 입력하면 AI가 허용 범위 안에서 GFA를 최대화하는 최적 매스를 제안하고, 변경할 때마다 실시간으로 면적 현황을 업데이트합니다.

3.3 프로그램 & 면적 자동 추적

설계가 변경될 때마다 주거, 상업, 업무, 공용 공간의 면적이 자동으로 추적되고 업데이트됩니다. 기존에는 설계 수정 후 면적표를 다시 수작업으로 계산해야 했습니다.

• 실시간 면적 대시보드: 설계 변경과 동시에 용도별 면적 현황이 업데이트됩니다.
• 프로그램 비율 시각화: 주거/상업/업무 등의 구성 비율을 차트로 즉시 확인합니다.
• 규제 준수 체크: 용도지역별 허용 용도와 면적 한도를 자동으로 검증합니다.

STF Labs가 제시한 UrbanGPT의 다음 단계는 현재의 3D 레이아웃 생성 기능을 넘어, 실제 도시 데이터와의 완전한 통합입니다. 이 로드맵이 실현될 때 도시설계 AI는 단순한 형태 생성 도구에서 공간 의사결정 시스템으로 진화합니다.

텍스트에서 도시를 만드는 것은 인상적이지만, AI가 생성한 공간이 실제로 사람이 살 수 있는 도시가 되려면 모델이 학습하는 데이터의 품질이 결정적입니다. 현재 AI 도시설계 모델들이 직면한 핵심 과제들을 살펴봅니다.

5.1 학습 데이터의 지역적 편향

대부분의 도시설계 AI 모델은 공개된 서구권 도시 데이터로 학습됩니다. 고밀도 한국 도시, 골목길 구조, 필지 분할 방식 등은 학습 데이터에 충분히 반영되지 않습니다. 이는 AI가 생성한 레이아웃이 특정 문화권의 도시 구조에는 맞지 않는 "공간적 할루시네이션"을 만들 수 있음을 의미합니다.

5.2 3D 공간 데이터의 품질 불균형

GIS 데이터는 2D 지적 정보 중심으로 존재하고, 건물 높이나 3D 형태 데이터는 도시마다 품질 편차가 큽니다. AI가 정확한 3D 도시 레이아웃을 생성하려면 일관된 품질의 3D 공간 데이터가 필요하지만, 이는 현재 전 세계 대부분의 도시에서 확보되지 않았습니다.

5.3 합성 데이터의 현실성 (Sim-to-Real Gap)

환경 시뮬레이션 데이터가 실제 현실과 다를 때 발생하는 Sim-to-Real Gap은 도시설계에서 특히 치명적입니다. 시뮬레이션에서 일조 조건이 좋다고 나왔지만 실제로는 인근 건물의 그림자가 예측과 다르게 형성되거나, 바람길 분석이 현실 기후와 맞지 않는 경우가 발생할 수 있습니다. 이는 단순한 소프트웨어 오류가 아니라 수천 세대가 거주하는 건물의 설계 결정에 직접적인 영향을 미칩니다.

UrbanGPT 2.0이 직면한 데이터 품질 과제들은 페블러스 제품군이 해결을 제안할 수 있는 영역과 정확히 겹칩니다. 각 제품이 AI 도시설계의 어느 단계에서 어떤 역할을 할 수 있는지 구체적으로 살펴봅니다.