AI는 회로기판을 설계할 수 있을까

오픈AI(OpenAI)의 GPT-6 아스트라(Astra)가 키캐드(KiCad)에서 회로기판을 다루는 시연을 공개하면서, AI가 설계한 회로를 어떻게 평가할지가 쟁점으로 떠올랐다. 전자회로 평가 도구 이이벤치(EEBench)는 화면에서 부품과 배선을 움직이는 모습보다, 전압과 부품 오차, 가격까지 고려한 설계 결과가 중요하다고 주장한다. 이들이 공개한 13개 과제의 성적과 실제 보드를 만들어 본 개발자들의 경험을 함께 보면, AI가 이미 맡을 수 있는 작업과 아직 사람의 검증이 필요한 작업이 구분된다.

핵심 요약

  • 이이벤치는 AI의 전자회로 능력을 CAD 화면 조작이 아니라 회로를 만들고 시뮬레이션해 요구 조건을 충족하는지로 평가한다.
  • 전원 차단 후 20밀리초 동안 프로세서를 살리는 과제는 축전기를 추가하는 발상보다 실제 용량 변화와 복구 시간을 계산하는 능력을 묻는다.
  • 13개 과제에서 클로드 오푸스 5가 61.6%로 선두였지만, 이 점수는 완성된 제품의 기판 배치와 제조 능력까지 평가한 결과는 아니다.
  • 이이벤치는 실패한 전압 측정값과 비용 정보를 AI 학습에 다시 쓸 수 있다고 보며, 평가 도구를 강화학습 환경으로 확장하고 있다.
  • 토론에서는 작동하는 보드를 만든 경험이 나오는 한편, 자동 배치의 한계와 결과를 사람이 확인해야 한다는 의견도 제기됐다.

키캐드 시연이 던진 질문

오픈AI는 GPT-6 아스트라 출시 글의 앞부분에 모델이 키캐드에서 회로기판을 다루는 장면을 실었다. 전자회로가 주요 AI 모델의 시연에 등장한 것은 이이벤치 팀에도 반가운 일이었다. 다만 화면 속에서 부품을 놓고 선을 잇는 과정만으로는, 만들어진 회로가 요구 조건을 만족하는지 알 수 없다. 이이벤치가 던지는 질문은 AI가 회로를 그릴 수 있느냐보다 그 회로를 어떻게 검증하느냐다.

이이벤치 팀은 현재 모델들이 일반 설계 도구에서 보여 주는 결과보다 전자공학 지식은 더 많이 갖고 있다고 본다. 모델은 교과서와 데이터시트(부품 제조사가 제공하는 사양 문서), 응용 자료와 코드를 학습했지만, 그래픽 CAD를 조작할 때는 화면 좌표와 메뉴, 프로그램 상태를 따라가는 데 많은 노력을 들인다는 설명이다. 전자회로 지식을 시험하려는 과제에 화면 조작 능력이 끼어드는 셈이다. 그래서 이이벤치는 회로 설계 자체와 도구 사용의 어려움을 분리하려 했다.

선을 긋는 대신 회로를 코드로 적는다

이이벤치는 아토파일(atopile)을 이용해 회로를 선언형 코드(원하는 구성과 조건을 코드로 기술하는 방식)로 표현한다. AI 에이전트는 화면에서 부품을 끌어다 놓는 대신 부품, 연결, 전기적 제약을 직접 바꾼다. 같은 프로젝트 안에서 설계를 빌드하고 시뮬레이션을 돌린 뒤 실패한 조건을 확인할 수도 있다. 팀은 이 방식이 그래픽 화면에 선을 그리게 하는 것보다 효과적이었다고 설명한다.

공개된 코드 예시에는 입력 전원, 전압을 유지해야 하는 구간, 축전기의 용량과 허용오차, 정격 전압, 온도 특성, 크기 조건이 함께 적혀 있다. 중요한 것은 축전기 기호를 어디에 그렸느냐가 아니라 어떤 부품을 어떤 전원 구간에 연결했고 그 부품에 무엇을 요구했느냐다. 이런 표현은 결과를 다시 만들고 검사하기에도 적합하다. 이이벤치는 이를 통해 ‘컴퓨터를 얼마나 잘 다루는가’보다 ‘전자회로를 얼마나 잘 설계하는가’에 평가를 집중한다.

전원이 끊긴 뒤의 20밀리초

공개 과제 중 하나는 가정용 전력계에서 가져왔다. 5V 전원이 사라져도 프로세서가 누적 측정값을 저장할 수 있도록 20밀리초 동안 전력을 유지해야 한다. 그동안 보호 대상 전원의 전압은 프로세서의 브라운아웃(전압이 낮아져 정상 동작이 어려워지는 상태) 기준인 3.0V보다 높아야 한다. 모델 대부분은 축전기를 추가해야 한다는 기본 방향까지는 쉽게 찾는다고 이이벤치는 설명한다.

어려움은 실제 축전기가 표시 용량 그대로 작동하지 않는다는 데 있다. 세라믹 축전기는 전압이 걸린 상태에서 유효 용량이 크게 줄 수 있고, 제조 허용오차도 있다. 용량을 무작정 늘리면 가격과 면적이 늘며 전원이 돌아왔을 때 다시 충전되는 속도도 느려진다. 명목상 수치로는 통과한 설계가 실제 납품된 부품에서는 실패할 수 있다는 뜻이다.

이이벤치는 시뮬레이션에서 입력 전원을 끊었다가 되돌려 이 차이를 확인한다. 정전 중 전압의 전 구간, 사용 전압에서의 유효 용량, 전원 복구 뒤의 반응을 측정한다. 동시에 부품 크기와 유전체 특성, 정격 전압, 가격 제한도 검사한다. 축전기를 넣었다는 사실이 아니라 정해진 조건을 견디는 설계인지를 점수로 매기는 방식이다.

필터 공식 다음에는 부품 목록이 있다

전력계보다 어려운 아날로그 과제에서는 연산증폭기를 중심으로 다중 귀환 저역통과 필터(낮은 주파수는 통과시키고 높은 주파수는 줄이는 회로)를 구성해야 한다. AI는 목표 응답을 내는 저항·축전기 비율을 계산하고, 이득과 차단 주파수, Q값(필터 응답의 날카로움을 나타내는 값)을 제한 범위에 맞춰야 한다. 부품마다 허용오차가 가장 불리하게 겹치는 조건에서도 그 범위를 지켜야 통과한다. 이이벤치는 조건별로 SPICE(전자회로 동작을 계산하는 시뮬레이션 도구) 입력을 다시 만들고 교류·시간에 따른 응답을 측정한다.

공식에 맞는 이상적인 부품값을 찾는 것만으로 과제가 끝나지 않는다. 이이벤치는 제조사 데이터시트에서 추출한 사양을 시뮬레이션 모델에 반영한다. AI는 실제로 존재하고 주문할 수 있으며 제품 가격에도 맞는 부품 조합을 골라야 한다. 팀은 전기적 성능, 비용, 공급 가능성 사이의 선택이 교과서 문제보다 실제 하드웨어 설계에 가깝다고 본다.

전압을 재고, 작동한 뒤에 비용을 따진다

채점 과정은 제출된 설계를 빌드하는 단계부터 시작한다. 이이벤치는 회로 연결 구조와 부품명세서(BOM·사용 부품과 수량을 정리한 목록)를 구성한 뒤 SPICE 시뮬레이션과 설계 검사를 실행한다. 각 요구 조건은 측정값과 허용 범위로 바뀐다. 전력계에서는 정전과 복구 중 전압을 재고, 다른 과제에서는 이득과 임곗값, 리플(전압에 남는 주기적 변동), 순간 응답 등을 살핀다.

기술 점수에는 기준 부품명세서와 비교한 비용 효율도 반영된다. 다만 회로가 작동해야 비용 절감이 점수에 도움이 된다. 싼 부품을 골랐더라도 전압 한계를 어기면 설계의 기본 목적을 달성하지 못한 것이다. 이이벤치는 이런 평가를 코딩 에이전트에 컴파일러와 테스트를 주는 일에 비유한다. 차이는 테스트가 코드의 출력 대신 전압과 부품 동작을 측정한다는 점이다.

13개 과제에서 나온 성적

이이벤치 V1은 시뮬레이션으로 아날로그·디지털 설계를 평가한다. 9월 1일 결과에서 앤트로픽(Anthropic)의 클로드(Claude) 오푸스(Opus) 5는 13개 과제에 걸쳐 61.6%를 기록했다. 엑스AI(xAI)의 그록(Grok) 4.6은 57.1%로 2위였고, 클로드 페이블(Fable) 5.1은 56.4%로 뒤를 이었다. 이이벤치 팀은 몇 달 전만 해도 이 정도 성적을 예상하지 못했다고 밝혔다.

엑스AI가 그록 4.6 모델 카드의 ‘엔지니어링 가속’ 항목에 이이벤치를 실은 점도 팀은 주목했다. 엑스AI가 공개한 별도 실행에서는 높은 추론 강도를 적용한 그록 4.6이 60.0%를 기록했다. 엑스AI는 그록 4.6에 양질의 엔지니어링 데이터와 CAD 등을 포함한 분야별 강화학습(RL)을 적용했다고 설명한다. 이이벤치는 그 결과가 전자회로 설계 능력을 별도 평가 대상으로 보는 흐름과 맞닿아 있다고 해석한다.

이이벤치가 당시 시험한 오픈AI 모델 가운데 GPT-5.5는 42.3%, GPT-5.6 솔(Sol)은 39.4%였다. 글을 쓸 시점에는 시연의 주인공인 GPT-6 아스트라 결과가 아직 없었다. 따라서 키캐드 시연과 이이벤치 성적을 직접 나란히 놓을 수는 없었다. 이이벤치 팀은 아스트라가 화면에서 회로를 다루는 데 이어, 구체적인 설계 조건을 얼마나 충족하는지 확인하고 싶다고 했다.

실패한 측정값을 다음 학습으로

회로를 자동으로 채점할 수 있으면 같은 검사 결과를 AI의 학습 신호로도 쓸 수 있다. 이이벤치는 어떤 전압이 한계를 벗어났는지, 어느 부품 오차 조건에서 실패했는지, 작동은 하지만 지나치게 비싼 설계인지 구분한다. ‘회로도가 그럴듯하다’는 평가보다 다음 설계에서 무엇을 고쳐야 할지 구체적인 정보를 주는 셈이다. 팀은 공개 벤치마크 외에도 AI 개발사와 더 큰 평가 묶음 및 시뮬레이션 기반 학습 환경을 다루기 시작했다고 밝혔다.

이이벤치 V1의 범위는 설계 요구 조건을 해석하고, 회로를 만들고, 시뮬레이션으로 검증하는 과정까지다. 기판에 부품을 실제로 배치하고 배선을 설계하는 일, 제조한 제품에 전원을 넣어 시험하는 일은 아직 평가하지 않는다. 팀은 이런 단계를 나중에 추가하고 싶다고 설명한다. 이이벤치는 아토파일 개발팀이 만들고 비용을 부담하며, 공개 벤치마크 점수를 판매하지 않는다고 밝혔다.

“일부는 가능하다”의 정확한 범위

이이벤치의 답은 유용한 회로 문제 중 일부는 AI가 이미 설계할 수 있다는 것이다. 동시에 현재 점수는 풀지 못한 과제가 상당하다는 사실도 보여 준다. 이이벤치는 오픈AI의 기판 시연과 엑스AI의 모델 카드 등장을 AI 개발사들이 전자회로 설계를 중요한 능력으로 다루기 시작했다는 징후로 읽는다. 하지만 시뮬레이션을 통과한 회로와 제조·조립·시험까지 마친 제품은 다른 단계다.

팀은 일론 머스크가 추가 학습을 거친 그록 4.7을 몇 주 안에 내놓겠다고 말한 점도 언급했다. 출시와 일정은 당시 확정되지 않았으며, 이이벤치는 모델이 나오면 평가하고 과제도 더 어렵게 만들겠다는 입장이다. 결론 역시 모든 회로기판을 AI에 맡길 수 있다는 선언은 아니다. 팀은 일부 기판 설계는 가능해졌다고 보면서도, 심장박동기 설계를 맡긴 뒤 검증 없이 사용하지는 않겠다고 선을 그었다.

커뮤니티 의견

한 사용자는 15년 넘게 PCB를 설계한 경험을 바탕으로, AI가 만든 LED 귀걸이 기판을 실제로 완성했다고 했다. 충전식 코인셀과 프로세서, 동작 센서, LED 45개가 들어간 설계에서 배터리 홀더의 관통 구멍이 빠지고 중앙 접점이 너무 작았지만, 부품 변경과 납땜으로 해결했다는 설명이다. 그는 AI 사용에 6일이 걸렸고, 그 뒤로 미완성 설계와 수정이 필요한 옛 기판을 다시 살펴보고 있다고 했다.

다른 사용자는 클로드 오푸스 4.8에 EEPROM의 흑백 이미지를 VGA 화면으로 출력하는 회로와 논리 소자 코드를 맡겼다. 기판 배선은 직접 하고 제작을 의뢰했으며, 받은 뒤 발견한 오류 하나를 선으로 보수하자 작동했다고 전했다. 이 사례에서는 AI가 회로와 코드를 만들고 사람이 배선과 실물 수정을 맡았다. 앞선 귀걸이 사례와 함께, 작동하는 결과가 나와도 제작 뒤의 확인 작업은 남는다는 점을 보여 준다.

또 다른 사용자는 키캐드 연동 도구와 코덱스(Codex)로 연성 기판을 만들었고, 두 기판 제작업체의 설계 규칙 검사를 통과했다고 했다. 다만 아직 주문하거나 프로그램을 올리지는 않았다고 밝혔다. 설계 규칙 검사는 제작 가능성을 살피는 단계이지, 완성품이 의도대로 동작한다는 시험은 아니라는 차이가 이 경험에 담겨 있다.

반대로 시판 AI 기판·회로도 자동 배치 도구들을 시험했지만 가장 기초적인 작업에서도 모두 실패했다는 의견이 나왔다. 그 사용자는 최신 모델의 임베디드 C 코드와 어셈블리 코드 작성·디버깅 능력은 크게 좋아졌다고 평가했다. 이에 대한 답글에서는 회로도 작성, 기판 배치 검토, 계측기 조작에 강점을 보이는 모델도 있지만 자동 배치를 뒷받침할 도구는 여전히 만들기 어렵다는 의견이 이어졌다.

전력계 과제를 두고는 전원이 끊길 때 축전기를 추가한다는 생각 자체는 전자부품을 아는 취미 개발자에게도 뻔하다는 비판이 나왔다. 이 지적은 과제의 출발점과 실제 채점 대상이 다르다는 점을 드러낸다. 이이벤치가 시험하는 것은 축전기라는 답을 떠올리는 순간보다, 전압에 따른 용량 변화와 허용오차까지 넣어 20밀리초 조건을 만족시키는 과정이다.

한 사용자는 카메라로 실물을 살피는 기능이 AI 에이전트의 작업에 추가될 가능성에 주목했다. 기판을 제작한 뒤 시험용 장치에 연결해 결과를 다시 모델에 보여 주는 방식도 가능할지 물었다. 토론의 관심이 시뮬레이션 안의 검증에서 실제 물체를 관찰하고 수정하는 과정으로 옮겨간 대목이다.

경험이 더 쌓여야 한다는 의견도 있었다. 한 사용자는 모델이 교과서식 전자회로에는 능숙하지만, 필터가 정말 필요한지 또는 임피던스를 높이지 않고 공진을 어떻게 억제할지 같은 판단에는 약했다고 했다. 다른 사용자는 모델이 오래된 교과서의 부품을 자주 고른다고 덧붙였다. 별도로 부품명세서와 연결 목록을 AI에 넣어 핀, 극성, 부품 사양을 다시 확인하게 하자는 실용적인 제안도 나왔다.

순위표 자체를 따져 보는 사용자도 있었다. 한 사용자는 모델·과제별 실행 횟수가 명확하지 않으면 점수의 변동성을 판단하기 어렵다고 지적했다. 이후 다른 사용자는 GPT-6 아스트라가 69.3%로 1위에 올랐고 제미나이(Gemini) 플래시(Flash) 3.8이 55.4%를 기록했다는 새 결과를 댓글로 전했다. 이는 본문 작성 시점에 아스트라 결과가 없다고 한 이이벤치 글보다 뒤에 나온 토론 정보다.

살펴볼 점

AI 회로 설계의 진전은 기판을 그리는 시연보다, 요구 조건을 측정하고 실패 원인을 다시 설계에 반영할 수 있게 된 데 있다. 이이벤치는 부품 오차와 가격을 포함한 검증 과정을 수치로 만들었고, 토론 참여자들은 실제 제작에서 AI의 오류를 찾아 고친 경험을 보탰다. 앞으로는 벤치마크 점수뿐 아니라 여러 번 시도해도 안정적으로 통과하는지, 자동 배치와 제작 후 시험까지 검증 범위를 넓힐 수 있는지를 봐야 한다.


원본: Can AI design circuit boards yet?

토론: Hacker News