최근 글로벌 엔지니어링 및 AI 커뮤니티에서 MIT 연구진이 발표한 GenCAD가 가장 뜨거운 감자로 떠올랐습니다. 기존 생성형 AI 모델들이 대개 메쉬나 포인트 클라우드 같은 정적인 3D 형상만 출력해 왔다면, GenCAD는 이미지 입력을 바탕으로 파라메트릭 CAD 명령어 이력 전체를 생성해낸다는 점이 핵심입니다. 이는 단순한 시각적 복제를 넘어, 실제 제조 현장에서 수정과 정밀도가 요구되는 엔지니어링 자산으로 활용될 수 있는 가능성을 열어주었다는 점에서 주목을 받았습니다. 특히 경계 표현법인 B-rep 구조의 복잡성을 해결하기 위해 명령어 시퀀스에 집중했다는 기술적 접근 방식은 CAD 데이터의 본질적인 한계를 극복하려는 시도로서 큰 화제를 모았습니다.
하지만 기술적 기대와 실제 성능 사이에는 여전히 간극이 존재합니다. MIT 연구진이 제시한 아키텍처는 자기회귀 트랜스포머, 대비 학습, 잠재 확산 모델 등 네 가지 핵심 요소를 결합한 정교한 시스템으로 설명되지만, 실제 개발자들이 직접 모델을 돌려본 후기는 다소 회의적입니다. 일부 사용자는 훈련 데이터가 아닌 일반적인 이미지에서는 거의 사용 가능한 결과를 얻지 못했다고 밝혔으며, 공식 홈페이지의 예시 이미지와 실제 성능 사이에 괴리가 있다는 지적도 제기되었습니다. 훈련 데이터조차 60% 정도의 신뢰도만 보인다는 연구진의 언급은 이 기술이 아직 초기 단계임을 방증하며, 단순한 시각적 유사성만으로는 실제 CAD 작업의 핵심인 치수 설정이나 제약 조건 부여를 완벽하게 대체하기 어렵다는 현실적인 평가를 낳았습니다.
이러한 반응은 CAD 작업의 본질을 이해하는 전문가들의 관점에서 더욱 명확해집니다. CAD 설계에서 가장 시간을 많이 차지하는 부분은 형상을 그리는 것보다 각 특징의 치수, 간격, 공차를 결정하고 나중에 쉽게 수정할 수 있도록 제약 조건을 설정하는 과정입니다. GenCAD가 이미지에서 3D 솔리드 모델은 생성할 수 있을지언정, 이러한 미세한 엔지니어링 변수를 자동으로 파악하고 적용하는 능력까지는 입증되지 않았습니다. 오히려 기존에 오픈소스로 널리 쓰이는 OpenSCAD 같은 도구를 통해 사용자가 직접 프롬프트를 구성해 모델을 만드는 방식이 현재로서는 더 안정적이고 유용하다는 의견도 커뮤니티 내에서 힘을 얻고 있습니다.
지금 주목해야 할 점은 GenCAD가 가진 잠재력과 현재의 한계가 공존하는 이 시기가 어떻게 흘러갈지입니다. 이미지 기반의 파라메트릭 명령어 생성이라는 방향성은 분명히 CAD 산업의 미래를 바꿀 수 있는 중요한 전환점이 될 수 있습니다. 하지만 단순한 형상 복제를 넘어 실제 설계 변수를 이해하고 제약 조건을 자동으로 부여하는 단계로 발전하려면, 아직 해결해야 할 기술적 과제가 많습니다. 향후 이 모델이 단순한 프로토타입을 넘어 실제 설계 워크플로우에 통합되기 위해서는 치수 인식 능력과 제약 조건 자동화 성능이 어떻게 개선될지, 그리고 실제 산업 현장에서의 신뢰도가 얼마나 높아질지가 관건이 될 것입니다.
작성자 소개
