AI 동영상 생성기는 모든 프레임을 그럴듯하게 만들면서도 전체 흐름에서는 기본적인 물리를 깨뜨릴 수 있습니다. 유리잔이 깨지지 않고 튀어 오르거나, 도미노는 넘어졌는데 꽃병은 그대로 서 있는 식입니다. 베이징대, ByteDance Seed, MIT 등의 연구진이 낸 사전 공개 논문 PhysLoop은 언어 모델의 지식과 최종 영상 사이에 물리 시뮬레이터를 넣어 이를 고치려 합니다. 제품이 아닌 연구용 시스템이지만, 더 믿을 만한 AI 영상으로 가는 실용적인 길 하나를 보여 줍니다.
방법은 단계별로 진행됩니다. 기본적으로 OpenAI의 GPT-6 Astra가 맡는 코딩 에이전트가 요청을 작업 명세로 바꾸고, 낙하 높이나 바닥 재질 같은 가정을 기록하고, 3D 에셋을 모아 Unreal Engine 5.7에서 장면을 만듭니다. 시뮬레이터가 사건을 실행하고 검증기가 명세와 대조한 뒤에야 기본값으로 Seedance 2.5인 동영상 모델이 외관을 다듬으며, 완성된 영상은 다시 확인됩니다. 같은 과정으로 이미 생성된 영상에서 잘못된 구간만 다시 만들어 고칠 수도 있습니다. 연구팀은 2.5K개의 서로 다른 물리 사건에서 만든 영상 100K개를 담은 PhysLoop-100K와 시험 세트 두 개를 공개합니다.
결과는 수정 작업에서 가장 분명합니다. PhysLoop-Repair에서 전체 시스템의 성공률은 86.00%로 Seedance 2.5 단독의 19.33%를 크게 앞섰고, 단독 생성기는 모두 20% 아래였습니다. 생성 작업에서는 성공률 85%로 73%보다 높았고, 사람 평가에서 물리적 그럴듯함은 4.06 대 3.80으로 높았지만 시각적 사실감은 3.72 대 4.29로 낮았습니다. 외부 벤치마크 Physics-IQ Verified에서는 52.06으로 48.07을 앞섰고, 에이전트를 Claude Opus 5로 바꾸자 다른 시험에서는 성공률이 낮았는데도 최고 점수 53.75가 나왔습니다. 저자들은 생성 작업 10건의 비용을 영상 요금 42.99달러에 모델 토큰 비용을 더한 것으로 추산했고, 영상 한 편에 약 7~12분이 걸립니다.
이 접 근은 알려진 약점을 비켜 갑니다. 범용 평가기와 동영상 모델은 물리를 잘 판단하지 못하지만, 시뮬레이터는 판단할 필요 없이 계산만 하면 됩니다. 그래서 동영상 모델의 프롬프트를 계속 손보는 것보다는, 지금 코딩 도구에서 흔해진 검증기 중심의 에이전트 설계에 더 가깝습니다.
한계는 큽니다. arXiv에 올라온 사전 공개 논문으로 동료 심사를 거치지 않았습니다. 재귀적 자기 개선이라는 표현은 목표일 뿐이며, 논문의 한계 절도 완전한 학습 루프를 만들려면 약점 발견과 데이터 선별을 아직 연결해야 한다고 말합니다. 결과는 시뮬레이터가 다루는 범위와 가정한 재질에 좌우되고, 쌍대 비교 승률은 저자 한 명이 눈가림 없이 매긴 것이며, 자동 품질 지표는 PhysLoop을 단독 생성기보다 약간 낮게 평가합니다.