물리적 타당성 보상을 학습한 영상 모델은 시뮬레이터와 같지 않다

커뮤니티 반응은 과장된 '이해' 주장을 경계하는 쪽으로 기울었다. 많은 참여자가 보상 기반 학습이 출력의 타당성을 향상시킬 수는 있으나 내부적으로 물리 엔진을 대체하지는 못한다고 지적했다. 토론에서는 엄격한 실험 설계와 초기 조건 민감도 검증이 필요한 점에 대한 공감이 반복적으로 드러났다.

• 통제된 실험 설계를 통해 모델이 입력 변화에 대해 물리적으로 일관된 반응을 보이는지를 검증해야 한다. 동일한 씬을 고정하고 초기 조건 하나만 단계적으로 변화시키며 각 조건에서 생성된 결과를 비교하면 입력 민감도를 계량적으로 평가할 수 있다. 이러한 절차은 학습 목표가 출력의 타당성을 높인 사실을 보여줄 수는 있으나 그 결과를 내부 물리 엔진의 존재 증거로 곧바로 해석해서는 안 된다는 점까지 함께 고려해야 한다.

Simulator

— 시뮬레이터는 물리 법칙과 수치적 통합을 통해 시간에 따른 상태 변화를 직접 계산하는 시스템이다. 입력으로 초기 상태와 물리 파라미터를 받아 질량, 마찰, 충돌 처리 같은 요소를 수치적 integrator로 통합하여 정확한 궤적을 산출한다. 본문에서는 학습 대상 모델과 달리 시뮬레이터가 명시적 물리 파라미터와 수치적 적분기를 포함하지 않는다는 점이 핵심 구분점으로 제시됐다.

Reward Shaping

— 보상 설계는 모델 학습에서 원하는 동작을 유도하기 위해 손실 함수나 보상 신호를 구성하는 방법이다. 입력 샘플과 정답으로부터 계산된 보상이 정책 또는 생성 확률을 갱신하는 신호로 작동하며 동작의 물리적 타당성, 과제 완료도 등 복수 목표를 가중합해 반영할 수 있다. 본문에서는 LingBot-Video가 물리적 타당성과 과제완료를 보상 요소로 포함하여 출력 분포를 편향시키는 사례로 언급됐다.

Numerical Integrator

— 수치 적분기는 물리 시뮬레이션에서 미분방정식을 시간적으로 해석하기 위해 사용되는 알고리즘이다. 시간 스텝마다 힘과 가속도를 적분해 위치와 속도를 갱신하며 안정성과 정확도는 적분 방식과 스텝 크기에 따라 달라진다. 본문은 LingBot-Video 학습에는 이러한 명시적 수치 적분기가 포함되어 있지 않음을 근거로 학습된 규칙과 시뮬레이터의 차이를 지적했다.