Simulation-First Development: GM이 배터리 설계 30만 개를 먼저 계산해 차량 개발을 2년으로 줄이는 방식

GM은 설계를 먼저 계산으로 걸러 내고 실물은 나중에 만드는 방식으로 개발 기간을 절반 이하로 줄이려 합니다. 배터리 팩은 구상에서 정식 승인까지 한 달이 걸렸습니다. 우리 R&D에 옮기려면 설계 변수를 표로 정의하고, 계산 결과로 실물 시험 대상을 고르는 게이트와 데이터가 다 모이기 전에 결정하는 규칙을 먼저 정해야 합니다.

요약

Fortune의 Nick Lichtenberg는 2026년 10월 21일, GM이 GM Forward 행사에서 공개한 개발 방식을 전했습니다. GM은 실물 배터리 셀을 하나도 만들기 전에 30만 개가 넘는 배터리 설계를 시뮬레이션했습니다. 계산에는 CPU 3억 시간이 들었고, GM은 이를 컴퓨터 한 대가 3만 4천 년 동안 돌린 양이라고 설명합니다. 그 결과 배터리 팩은 첫 구상에서 정식 프로그램 승인까지 한 달 만에 갔습니다. 선택한 화학은 LMR(lithium manganese-rich, 망간을 많이 쓰는 리튬 배터리)입니다. GM은 LMR이 같은 비용대의 LFP(리튬인산철)보다 에너지 밀도가 33% 높고, 니켈 비중은 지금의 고니켈 셀(약 85%)보다 낮은 30~40%라고 밝혔습니다. 셀은 LG에너지솔루션과 함께 Ultium Cells 공장에서 만들고, 양산은 2028년이 목표입니다.

기존 4~5년 걸리던 차량 개발을 약 2년으로, 배터리 팩은 구상에서 승인까지 1개월

GM은 이 사례를 차량 개발 전체를 4~5년에서 약 2년으로 줄일 수 있다는 근거로 내세웠습니다. 같은 사고방식이 여러 곳에 퍼져 있습니다. 자율주행 소프트웨어는 하루 30억 마일 넘게 가상으로 달리고(실주행은 한 달 약 100만 마일), 공장 팀은 디지털 모델에서 조립을 미리 연습합니다. 공장 AI 플랫폼 PlantBrAIn은 배터리 팩 조립을 30% 빠르게 했습니다. 엔지니어링 조직은 매주 각 업무를 가장 늦추는 요소(tall pole)를 점검합니다. 2025년 영입된 최고제품책임자 Sterling Anderson은 이를 확률적이고 대량의 데이터가 필요한 방법에 기반한 제품 개발의 세 번째 단계라고 부릅니다. 아래에서는 이 방식을 다섯 가지 메커니즘으로 풀고, 우리 R&D에서 돌리는 방법을 덧붙입니다.

실물 셀을 만들기 전에 설계 후보를 가상으로 먼저 걸러 내고, 실물은 그 뒤에 만듭니다

핵심 메커니즘

Simulation-First Screening: 실물보다 계산이 먼저 후보를 거른다

무엇인가. 설계 후보를 실물로 만들기 전에 시뮬레이션으로 대량 평가해, 실물 시험으로 갈 후보를 미리 좁히는 방식입니다. 작동 방식은 입력 → 처리 → 출력으로 볼 수 있습니다. 입력은 셀 화학·구조 같은 설계 변수의 조합이고, 처리는 대규모 계산(GM은 CPU 3억 시간)이며, 출력은 실물로 만들어 볼 가치가 있는 소수의 설계와 그에 대한 결정입니다. 시제품 한 번에 수개월이 걸리는 영역에서 후보 수를 늘리고 기간을 줄일 때 씁니다. 시뮬레이션 모델이 현실을 충분히 닮지 않은 영역이라면 실물 검증을 대신하지 못합니다. GM도 실제 셀은 나중이라고 말하며, Warren(미시간)의 9억 달러 규모 배터리 셀 시설이 올해 안에 완전 가동해 하루 수천 개 셀로 늘려 갈 계획이라고 밝혔습니다. 원문은 30만 개 후보를 어떤 기준으로 좁혔는지는 밝히지 않았습니다.

작은 예시(가상): 전자부품 회사가 방열판 형상 2만 개를 열 해석으로 먼저 돌리고, 상위 20개만 시제품으로 깎는다면 같은 구조입니다.

Deciding with 60~70% Data: 데이터가 다 모이기 전에 정한다

배터리·지속가능성 부사장 Kurt Kelty는 업계 대부분이 LMR을 승산이 낮은 베팅으로 보지만, GM은 데이터가 60~70% 정도 모인 상태에서 결정했다고 말했습니다. LMR은 그동안 수명이 짧고 사용하면서 전압이 떨어지는 문제가 있었고, GM은 이 문제를 풀었다고 봅니다. Kelty는 이 기술을 두고 『We’re not licensing this from China』라고 말했습니다. 시뮬레이션이 후보를 넓게 훑어 두면, 남은 불확실성이 어디에 있는지가 좁혀지므로 완전한 데이터를 기다리지 않고 결정할 수 있다는 논리로 읽힙니다. 원문은 어떤 데이터가 비어 있었고 남은 위험을 어떻게 평가했는지는 밝히지 않았습니다.

Kurt Kelty는 데이터가 60~70% 정도일 때 LMR로 정했다고 밝혔습니다

Self-Play Simulation: 자기 자신과 겨루며 주행을 배운다

GM의 자율주행 소프트웨어는 주로 self-play(자기 자신의 여러 버전이 상대 역할을 맡는 학습)로 훈련합니다. 고속도로 합류 상황이라면 소프트웨어의 한 버전이 합류하는 차를, 다른 버전들이 주변 차들을 맡습니다. 입력은 수백 대의 GM 데이터 수집 차량과 동의한 고객 차량에서 온 실주행 데이터, 처리는 하루 30억 마일이 넘는 가상 주행, 출력은 개선된 소프트웨어입니다. GM은 개선 사항이 하루 안에 도로에 반영될 수 있다고 말합니다. 이 방법의 상당 부분은 2024년 흡수한 로보택시 자회사 Cruise에서 왔고, 자율주행 부사장 Rashed Haq는 차세대 Super Cruise에 그 방법론을 많이 남겼다고 밝혔습니다. 현재 Super Cruise 고객은 핸즈프리로 12억 마일 넘게 달렸고, 고속도로 자율주행은 Escalade IQ에 이어 가솔린 대형 SUV와 소형 픽업으로 넓어집니다.

실주행 데이터를 바탕으로 시뮬레이션에서 자기 자신과 겨루며 배우고, 개선은 하루 안에 도로로 갑니다

Tall Pole Review: 매주 가장 늦추는 하나를 지운다

엔지니어링 AI를 이끄는 28년 차 GM 직원 Jason Fischer는 매주 업무마다 무엇이 일을 가장 늦추는지 점검하는 tall pole(일정표에서 가장 길게 솟은 막대, 곧 핵심 병목) 리뷰를 운영합니다. 그는 콘 코스에서 미끄러져 나가는 가상 차량을 시뮬레이션 안에서 조정해 보이며, 실차로 하면 수개월 걸릴 일이라고 말했습니다. 병목을 매주 드러내고, 그 병목을 시뮬레이션처럼 빠른 수단으로 지우는 순서입니다. 작은 팀도 같은 방향입니다. Anderson이 요청한 뒤 4명 팀이 약 30일 만에 Lyriq에 음성 프로토타입을 올렸고, 이 OnStar AI 어시스턴트는 2027년형 Cadillac Lyriq에 무선 업데이트로 들어갑니다. Fischer는 GM이 중국만큼 빠르게 움직일 수 있다고 확신한다고 말했습니다.

주간 tall pole 점검이 병목을 드러내고, 시뮬레이션과 작은 팀이 그 병목을 빠르게 지웁니다

Digital Factory Rehearsal: 공장도 먼저 가상으로 돌린다

공장 팀은 디지털 모델에서 조립을 미리 연습하고, PlantBrAIn은 배터리 팩 조립을 30% 빠르게 했습니다. 원문은 PlantBrAIn의 내부 작동 방식과 30%의 비교 기준을 밝히지 않았습니다. 4세대 EV 플랫폼(Gen 4)은 생산 라인에서 차량이 스스로 배선을 점검합니다. 이 플랫폼은 kWh당 주행거리가 약 20% 늘고, 공기역학이 25% 좋아지고, 무게가 15% 가벼워지며, 팩은 약 20% 작아지고, 구동부 부품은 40% 줄어듭니다. 2028년 Cadillac Escalade IQ에서 처음 나오는 중앙 컴퓨터는 처리 성능이 지금의 40배이고 배선은 30% 적습니다. 설계·주행·조립 모두에서 실물 이전에 가상 검증을 넣는다는 점이 공통입니다.

공장 AI와 4세대 EV 플랫폼에서 GM이 밝힌 개선 폭(벤더 발표)

통념과 다른 주장

흔히 이렇게 봅니다자동차 같은 하드웨어 개발은 실물 시제품을 만들고 부수며 검증해야 하므로 4~5년이 걸리는 것이 정상이다.

GM은 이렇게 봅니다후보를 계산으로 먼저 걸러 내면 실물 단계는 확인 작업이 되고, 차량 개발을 약 2년으로 줄일 수 있다.

근거배터리 설계 30만 개 이상을 실물 없이 평가해 팩 구상에서 승인까지 한 달에 갔고, 주행 소프트웨어는 하루 30억 마일 넘게 가상으로 달립니다(실주행은 한 달 약 100만 마일).

흔히 이렇게 봅니다업계가 어렵다고 보는 기술에 큰 투자를 걸려면 데이터가 충분히 쌓일 때까지 기다려야 한다.

GM은 이렇게 봅니다데이터가 60~70%인 시점에 결정하고, 남은 부분은 개발하면서 확인한다.

근거Kelty는 업계가 장거리 베팅으로 보는 LMR을 그 수준의 데이터로 골랐고, 수명과 전압 저하 문제를 풀었다고 봅니다.

기술 디테일: 우리 R&D에서 시뮬레이션 우선으로 돌리려면

Simulation-First Screening을 돌리려면 먼저 설계 공간을 표로 만듭니다. 실제로 돌릴 때 필요한 것은 설계 변수마다 이름·단위·범위·제약을 적은 표입니다. 후보 하나는 design_id, params(변수 값 묶음), sim_version(해석 모델 버전), scores(목표 지표별 값), uncertainty(지표별 신뢰 구간), constraint_ok(제약 충족 여부)를 가진 레코드로 저장합니다. 해석 모델 버전을 기록하지 않으면 나중에 실물 결과와 어긋날 때 원인을 찾지 못합니다.

계산량을 줄이려면 대리 모델을 앞에 둡니다. GM 규모(CPU 3억 시간)는 대부분의 기업이 감당하기 어렵습니다. 실제로는 전체 후보 중 일부(예: 5~10%)만 물리 시뮬레이션으로 돌리고, 그 결과로 학습한 surrogate model(대리 모델, 빠른 근사 예측 모델)로 나머지를 1차로 거릅니다. 대리 모델의 불확실성이 큰 후보는 다시 물리 시뮬레이션으로 보냅니다. 클라우드 컴퓨트는 후보당 CPU 시간을 미리 재고 예산을 정해 둡니다.

가상 예시: 우리 R&D에서 후보를 계산으로 거른 뒤 실물로 넘기는 3단계

Deciding with 60~70% Data를 문서로 남기려면 결정 메모 필드를 정합니다. 실제로 돌릴 때 필요한 것은 known(시뮬레이션·실험으로 확인한 것), unknown(아직 모르는 것), data_coverage(필요한 데이터 대비 확보 비율, 담당자가 추정), kill_signal(이 결과가 나오면 접는다), check_date(확인 일정)입니다. 비율 자체보다 무엇을 모르는지 목록이 있느냐가 게이트 판단의 근거가 됩니다.

Self-Play 방식을 우리 영역에 옮기려면 시나리오 라이브러리부터 만듭니다. 실주행 대신 실제 현장 로그(설비 이상, 주문 급증 같은 사건)를 시나리오로 저장하고, 상대 역할(경쟁 차량, 수요 변동)을 같은 모델의 다른 버전이나 규칙으로 둡니다. 실데이터 대비 가상 실행 비율과, 가상에서 찾은 실패가 실제로도 나왔는지(재현율)를 매주 기록합니다. 가상에서만 통과하는 개선은 실데이터로 다시 확인하기 전까지 배포하지 않습니다.

Digital Factory Rehearsal을 시작하려면 라인 데이터가 필요합니다. 공정별 사이클 타임, 작업자 동선, 대기 시간, 불량 발생 위치를 공정 ID와 함께 모읍니다. 가상 라인에서 바꾼 배치를 실제 라인의 1개 셀에만 먼저 적용하고, 사이클 타임 변화를 같은 기간의 기존 셀과 비교합니다.

현업 실행 디테일: 누가, 언제, 무엇을

역할	담당	하는 일
R&D 리더	설계 과제 오너	결정할 질문 정의, 게이트 승인, 확대 판정
시뮬레이션 엔지니어	해석팀 1~2명	설계 변수 표, 해석 실행, 상위 후보 선정
데이터·IT	플랫폼팀 1명	컴퓨트 확보, 결과 저장소, 대시보드
공장·품질	시험·생산기술 1명	상위 후보 실물 시험, 시뮬레이션과 대조

준비물. 결정할 설계 질문 하나, 기존 해석 모델과 그 검증 기록, 과거 시제품 시험 결과(시뮬레이션과 대조할 기준), 컴퓨트 예산, 매주 30분 tall pole 리뷰 시간.

가상 예시: 설계 문제 하나로 4주 동안 돌리는 시뮬레이션 우선 파일럿

기간	할 일	산출물
1주	질문 정의, 설계 변수 표, 컴퓨트 확보	변수 표, 결정 메모 초안
2주	후보 대량 계산, 대리 모델 1차 거르기	후보 레코드 저장소
3주	상위 후보 실물 시험	시험 결과, 순위 대조표
4주	시뮬레이션과 실물 대조, 결정	게이트 결정, 다음 과제 제안

확인 질문. 지금 이 과제를 가장 늦추는 하나는 무엇인가? 그 병목은 계산으로 앞당길 수 있는가? 시뮬레이션 상위 후보가 실물에서도 상위인가? 결정에 필요한 데이터 중 무엇이 비어 있고, 언제 채우는가? 4명 이하 팀으로 30일 안에 보여 줄 수 있는 결과물은 무엇인가?

진행 판정 기준(예시). 시뮬레이션 상위 후보가 실물 시험에서도 상위권이고, 구상에서 결정까지 기간이 기존보다 짧으며, 결정 메모에 모르는 것과 확인 일정이 적혀 있으면 다음 설계 과제로 넓힙니다. 순위가 어긋나면 해석 모델 보정부터 다시 합니다.

가상 예시: 4주 파일럿 뒤 다음 과제로 넓힐지 판단하는 기준

AX 적용 제언. 이 방식이 먼저 맞는 곳은 시제품 한 번에 수주~수개월이 걸리고 해석 모델이 이미 있는 영역입니다. 배터리·소재 배합, 열·구조 설계, 공정 레이아웃, 물류센터 배치가 대표적입니다. 순서는 설계 질문 하나 선정 → 변수 표와 결정 메모 → 대량 계산과 대리 모델 → 상위 후보 실물 확인 → 주간 tall pole 리뷰를 조직 리듬으로 고정하는 흐름이 무난합니다. 경영진이 바꿔야 할 관행은 데이터가 다 모일 때까지 결정을 미루는 습관입니다. 모르는 것을 문서로 적고 결정하는 규칙을 승인 절차에 넣어야 GM이 말한 한 달 승인 같은 속도가 납니다.

원문 사례

항목	내용
발표처	Fortune(2026.10.21), Nick Lichtenberg. GM Forward 행사 내용
배터리 시뮬레이션	설계 30만 개 이상, CPU 3억 시간(컴퓨터 1대 3만 4천 년), 팩 구상→승인 1개월
화학	LMR, LFP 대비 에너지 밀도 33% 높음(비슷한 비용), 니켈 30~40%(고니켈 셀 약 85%)
생산	LG에너지솔루션과 Ultium Cells(Spring Hill, 테네시), 2028년 양산. Warren 9억 달러 셀 시설
개발 기간	차량 개발 4~5년 → 약 2년(목표)
결정	데이터 약 60~70% 상태에서 LMR 결정(Kurt Kelty)
자율주행	가상 주행 하루 30억 마일 이상, 실주행 월 약 100만 마일, self-play 학습, 개선 하루 안에 도로 반영, Super Cruise 핸즈프리 12억 마일
공장	PlantBrAIn으로 배터리 팩 조립 30% 빠름, 디지털 모델에서 조립 연습
Gen 4 플랫폼	kWh당 주행거리 약 20%↑, 공기역학 25%↑, 무게 15%↓, 팩 약 20% 작음, 구동부 부품 40%↓
중앙 컴퓨터	처리 성능 40배, 배선 30%↓, 2028년 Escalade IQ부터
조직	주간 tall pole 리뷰, 4명 팀이 약 30일에 음성 프로토타입
투자	올해 미국 R&D·제조에 160억 달러 이상, 지난해 EV 관련 비용 약 76억 달러

핵심 개념

LMR: 망간 비중을 높이고 니켈을 줄인 리튬 배터리 화학. 수명과 전압 저하가 오랜 과제였다.
LFP: 리튬인산철 배터리. 싸고 안정적이지만 에너지 밀도가 낮다.
CPU hour: CPU 코어 하나를 한 시간 쓴 계산량. 시뮬레이션 규모를 재는 단위.
Super Cruise: GM의 핸즈프리 주행 보조 시스템.
PlantBrAIn: GM의 공장 AI 플랫폼. 배터리 팩 조립 속도를 높였다.
OTA(over-the-air): 차를 정비소에 가져가지 않고 무선으로 소프트웨어를 바꾸는 업데이트.
surrogate model: 무거운 시뮬레이션 결과를 학습해 빠르게 근사하는 예측 모델.

내 메모

TODO: 내 생각 추가

원문: Nick Lichtenberg, “GM simulated 300,000 EV battery designs—using 34,000 years of computer time—before building a single cell. Now comes the physical part”(Fortune, 2026.10.21). 요약·메커니즘·통념과 다른 주장·원문 사례 표는 기사에 실린 GM 발표와 인물 발언을 AX Review가 다시 정리했고, 수치는 GM 발표 기준입니다. 기술·현업 실행 디테일, 가상 예시, 인포그래픽과 표는 새로 작성했습니다. 전체 내용은 원문에서 볼 수 있습니다.