연구자는 PPO 기반 딥 RL 에이전트로 바이오 콘크리트 표면 점검, 미세 균열 실란트 도포, 구조 데이터 보고까지 학습시켰거든요

탄소를 흡수하는 인프라 유지보수에 쓰인 소프트로봇 AI가 시뮬레이션에선 94% 정확도를 냈지만, 현실 배치에선 치명적으로 실패했어요.

연구자는 PPO 기반 딥 RL 에이전트로 바이오 콘크리트 표면 점검, 미세 균열 실란트 도포, 구조 데이터 보고까지 학습시켰거든요. 하지만 실제 테스트베드에선 약한 구조 지점에 압력을 가하고 핵심 보수 구역을 오판했어요.

문제는 블랙박스였어요. 왜 실패했는지 설명이 안 되니 수정도 어려웠고, 결국 상관관계만 학습한 기존 RL 한계를 확인한 셈이에요. 이후 수개월간 인과추론, 구조적 인과모형, 뉴로심볼릭 하이브리드를 결합해 설명가능 인과 RL로 전환했어요.

탄소 네거티브 인프라처럼 실패 비용이 큰 영역에선 “잘 맞춘다”보다 “왜 그렇게 판단했는지”가 안전성과 신뢰의 기준이 된다는 점이 핵심이에요.