피지컬 AI의 성능을
국가임무의 증거로

[해석·작업 정의] 피지컬 AI(Physical AI)는 신체를 가진 시스템이 실제 환경을 관측하고 행동의 결과를 다시 관측하면서 임무를 수행·학습하는 지능이다. 풀스택(Full Stack)은 그 지능의 모델뿐 아니라 신체·데이터·상태 추정·예측·계획·제어·컴퓨팅·검증·운영을 연결한 분석 범위다. 최신 서베이는 물리 상호작용의 폐루프를 중심으로 모델·학습·제어·컴퓨팅·평가를 다루지만, 여기서 쓰는 9계층 분류 자체가 공인 표준은 아니다. 문헌의 분류를 연구기획에 맞게 재구성했다. [R1]↗

동일한 로봇이 언어를 이해하고 미래 영상을 생성해도, 부품을 잘못 집거나 접촉력을 제어하지 못하면 임무를 달성하지 못한다. 따라서 “무엇을 예측하는가”와 “어떤 물리 결과를 만들 수 있는가”를 나누어 정의해야 한다. 모델이 교체되어도 관측·행동의 의미와 검증 조건이 유지되는가가 풀스택의 실질적인 경계다.

[해석] 문제는 자연어 지시를 행동 벡터로 바꾸는 데서 끝나지 않는다. 실제 상태를 모두 알 수 없고, 마찰·질량·신체 특성이 달라지며, 센서와 계산은 지연된다. 그 조건에서 목표 상태를 만들고 안전·시간·에너지 제약을 유지해야 한다. 물체가 가려졌을 때 잡힌 상태를 추정하고, 들어 올린 뒤 미끄러짐을 확인해 힘을 바꾸는 과정이 대표적이다.

평가 단위도 명시해야 한다. 하나의 pick-and-place 성공, 여러 하위과제의 완료, 교대 시간 동안의 운용은 서로 다른 주장이다. 연구기획서에는 목표물·허용 오차·제한 시간·허용 개입·중단 조건·재시도 비용을 포함하는 임무 명세를 먼저 둔다. “사람 수준”이라는 표현도 동일 장비·대상·품질·시간 조건의 사람 기준선 없이 수치 목표로 바꿀 수 없다.

부분관측 의사결정 과정(Partially Observable Markov Decision Process, POMDP)을 출발점으로 다음과 같이 형식화할 수 있다. 아래는 특정 논문의 재현 수식이 아닌 문제 설명을 위한 일반화다.

s_t는 물체·로봇·접촉의 실제 상태, o_t는 센서 관측, a_t는 행동, e는 신체·환경 조건, g는 임무 목표다. 믿음 상태(belief state) b_t는 관측·행동 이력으로 추정한 상태 분포다. 상태와 신체 기술이 충분하고 전이·관측의 확률 표현이 유효하다는 가정 아래 쓰는 모델이며, 실제 접촉의 비정상성까지 자동 해결하지 않는다.

개별 성능이 전체 성공으로 이어지지 않는 이유. 상태 추정의 좌표 오차는 계획의 목표점을 바꾸고, 계획 지연은 오래된 관측에 따른 행동을 만들며, 제어 실패는 이후 데이터를 바꾼다. 단계별 성공 확률을 곱하는 단순 근사는 각 단계의 조건부 실패가 정의될 때만 유용하다. 실제 오류는 상관되므로 독립을 가정해 시스템 신뢰도를 계산해서는 안 된다. 같은 장면에서 목표 지시만 바꿨을 때 행동이 충분히 달라지지 않는 grounding gap 연구는 명목 성공률만의 한계를 보여준다. [R12]↗

[해석] 표현(representation)은 모델이 쓰는 정보 형식이고, 상태(state)는 임무 판단에 필요한 세계·신체의 변수다. 좋은 표현은 단순히 압축률이 높은 표현이 아니라, 접촉 안정성·목표 달성·위험 판단에 필요한 변수를 유지한다. 예측(prediction)은 가능한 결과를 추정하고, 계획(planning)은 목표와 제약 아래 행동을 선택한다. 예측 영상의 선명도는 계획의 물리적 타당도와 다른 지표다.

정책(policy)은 상태·목표에서 행동을 고르는 규칙이며, 제어(control)는 피드백을 이용해 그 행동을 실제 신체에서 구현한다. 하나의 신경망이 두 역할을 함께 학습할 수 있지만 측정 책임은 분리하는 편이 낫다. 일반화(generalization)는 고정된 모델이 새로운 조건에서 수행하는 능력이고, 적응(adaptation)은 새 데이터나 상호작용으로 바뀌는 과정이다. zero-shot 결과에는 현장별 학습 데이터가 없었는지, 추가 보정·프롬프트·시연이 있었는지도 기록한다.

9계층은 선형 개발 순서가 아니다. 아래 도식의 실행 순환과 데이터 개선 순환은 서로 다른 시간척도를 가진다. 안전·검증은 모든 계층을 가로지른다. 이는 문헌을 연결한 개념 구조이며 통합 실험을 수행한 결과가 아니다.

여기서 시간 요구는 임의의 공통 Hz 목표로 지정하지 않았다. 고수준 계획은 로봇의 작업 변화 속도에, 접촉 피드백은 신체·구동기·안정성 조건에 맞춰야 한다. TouchWorld도 nominal chunk와 residual 갱신을 나누지만 특정 센서·신체·스케줄에 의존한다. 논문의 “고주파”를 모든 장비의 보편적 제어 주기로 옮기지 않는다. [R7]↗

[제안·시간 계약] 종단 지연을 센싱·전송·추론·명령 적용으로 나누고, 실제 장비에서 동시 실행의 critical path를 측정한다. 순차 실행의 근사에서는 다음 조건을 쓸 수 있다.

D_task는 임무·접촉 상태별 허용 반응 기한이다. 병렬 처리와 chunk 실행에서는 단순 합 대신 관측의 나이(age), queue, 최악 지연, 실제 적용된 행동의 시점을 측정한다. 평균 추론 속도와 물리적으로 유효한 반응 시간은 다른 측정값이다.

[문헌 종합] 2025년 초의 Cosmos는 세계모델 개발 플랫폼을, GR00T N1은 다중 데이터와 이중 시스템 VLA를 제시했다. π_0.5는 이질적 데이터 공동학습을 낯선 가정의 조작 과제로 연결했다. “큰 모델 하나”라는 공통 형태보다 학습 데이터와 출력 역할의 차이가 중요하다. [R2]↗ [R3]↗ [R4]↗

같은 해 RTC는 행동 chunk의 생성·실행을 겹쳐 지연 문제를 다뤘고, Gemini Robotics 1.5는 추론·기종 간 동작 전이를 결합했다. Veo 기반 정책 평가는 세계모델을 데이터 생성기뿐 아니라 정책 시험 환경으로 사용했다. 이들은 하나의 방법이 이전 방법을 대체하는 계보라기보다, 일반화·추론·시간·평가라는 서로 다른 병목에 대한 보완 접근이다. [R5]↗ [R6]↗ [R10]↗

2026년에는 접촉의 예측·반응 분리(TouchWorld), 임무 기반 경험 생산(Robot Data Factory), 실행 프로그램의 개선(HarnessPAI), 지시가 행동을 지배하는지의 검증(grounding gap), 기하 정합성(DepthWorld), 에너지 측정(ActTune)이 두드러진다. 10월의 ARTISAN과 시스템 서베이는 생성물·개별 모델을 실제 사용 가능한 구성요소로 검증하는 문제를 보강한다. 이 선택 문헌들에서 연결의 품질이 독립적인 연구 대상으로 부상했다는 해석은 가능하지만, 전체 분야의 연구 비중 변화까지 정량적으로 입증한 것은 아니다. [R7]↗ [R8]↗ [R9]↗ [R11]↗ [R12]↗ [R13]↗ [R14]↗ [R1]↗

[해석] 웹 영상은 다양한 상황을 보여주지만 힘·마찰·구동 명령과 실패 원인을 충분히 기록하지 않는다. 반대로 로봇 시연은 행동과 결과가 가깝지만 수집 장치·시간·사람 비용이 든다. 공동학습과 합성 데이터는 이 간극을 줄이는 방법이지만, 현장의 접촉·신체 차이를 없애는 증거는 아니다. π0.5와 GR00T N1은 이질적 데이터의 활용 가능성을 보여주는 근거로 읽어야 한다. [R4]↗ [R3]↗

현장 다양성은 외관 변화에 그치지 않는다. 투명 부품은 관측을, 마찰 변화는 접촉을, 다른 손은 행동 공간을, 불안정한 네트워크는 관측 시점을 바꾼다. 한 축에서 성능을 보존해도 여러 축이 동시에 바뀌면 실패할 수 있다. 데이터 설계에는 성공 행동뿐 아니라 중단·개입·재시도와 당시 상태를 포함해야 한다.

Robot Data Factory는 원시 기록량보다 임무와 물리적 결과가 연결된 경험의 생산·검증을 강조한다. 구현된 운영 코어와 향후 데이터·코드 공개, 통제된 학습 개선 검증은 구분되어 있다. 따라서 데이터 팩토리를 구축했다는 사실을 곧바로 일반 로봇 능력 향상으로 치환해서는 안 된다. [R8]↗

[해석] 계층 내부의 난제는 센서 잡음, 부분관측, 다중 미래, 접촉 제어, 모델 계산량 등이다. 계층 간 난제는 다른 시간·좌표·행동 의미·불확실성을 가진 모듈이 상대의 가정을 깨뜨리는 것이다. 예를 들어 비전 모델의 높은 물체 검출률은 잘못된 카메라 외부 파라미터 때문에 삽입 실패로 이어질 수 있고, 정확한 계획도 명령 적용 시점이 늦으면 무효가 된다.

DepthWorld는 RGB 영상만으로는 다중 시점의 일관된 3차원 세계가 확보되지 않는다는 문제에 깊이 감독을 결합한다. 그 기여를 평가할 때는 기하 정확도와 downstream 접촉 성과를 별도 측정해야 한다. [R13]↗ RTC는 계산과 실행을 겹치지만 새로운 접촉 사건을 얼마나 빨리 반영하는지까지 장비에서 확인해야 한다. [R5]↗

또 하나의 난제는 동일 근거를 학습과 검증이 공유하는 데서 발생한다. 같은 세계모델이 행동 후보를 만들고 그 행동을 채점하면 오류가 상쇄되거나 서로 강화될 수 있다. 독립 센서·실물 hold-out·다른 평가기로 검증 경로를 분리할 필요가 있다. 이는 특정 논문이 이미 해결한 결과가 아닌 시스템 연구 과제다.

[제안] 유용한 연구 질문은 “더 일반적인 모델을 만들 수 있는가”보다 좁아야 한다. 어느 실패를 어떤 정보로 줄이고, 같은 예산의 대안과 비교해 무엇이 유지되어야 하는지 명시해야 한다. 아래 질문들은 논문들의 한계에서 도출했으며 아직 검증된 결론이 아니다.

8.1 데이터와 모델: 서로 다른 지식을 같은 행동에 연결

[논문 보고] GR00T N1은 시각·언어 해석과 diffusion 기반 행동을 결합하며, π0.5는 로봇 데이터·의미 하위과제·웹 지식을 공동학습한다. Gemini Robotics 1.5는 추론과 기종 간 전이를 연구한다. 이 접근에는 다양한 데이터, 행동 공간 정렬, 상당한 학습 자원이 필요하다. 공개 모델 이용과 자체 기반모델 사전학습은 비용·권리·재현성에서 다른 사업이다. [R3]↗ [R4]↗ [R6]↗

8.2 월드모델: 시각적 미래와 물리적으로 쓸 수 있는 미래 구분

Cosmos는 맞춤형 세계모델 개발 플랫폼의 경로를, DepthWorld는 다중 시점 기하 감독의 경로를 제시한다. [R2]↗ [R13]↗ Veo 정책 평가는 생성 시뮬레이션과 실물 결과를 비교했다. 그러나 보고된 짧은 rollout과 접촉 오류를 고려하면 장기 현장 안전을 영상 평가만으로 판정할 수 없다. [R10]↗ 물리 시스템에 쓰려면 후보 행동의 결과뿐 아니라 예측이 유효한 물성·관측 범위를 반환해야 한다는 것이 본 글의 제안이다.

8.3 접촉과 시간: 큰 추론을 빠른 반사와 분리

TouchWorld는 의미 하위과제·촉각 하위목표·명목 행동·촉각 residual을 나눈다. [R7]↗ RTC는 이미 실행이 확정된 행동을 보존하며 다음 chunk를 생성한다. [R5]↗ 두 방법은 서로 다른 문제를 해결한다. 전자는 빠른 접촉 수정, 후자는 생성 지연과 chunk 경계의 연결이다. 이를 결합할 때 residual이 이미 확정된 행동의 안전 가정을 깨지 않는지 새로 검증해야 한다.

8.4 실행과 개선: 검증 가능한 인터페이스 만들기

HarnessPAI는 실행 중 프로그램 수준 구조를 고정하고 시행 사이에 개선한다. 저수준 센서 피드백까지 개루프라는 뜻은 아니다. 코드가 수행할 atomic skill이 실제로 존재해야 하므로, 능숙하지 못한 그립 동작을 프로그램만으로 만들어낼 수는 없다. [R9]↗ 데이터 팩토리의 경험 기록을 이 개선에 연결할 수 있지만, 본 글이 선정한 구성요소들을 모두 결합한 시스템은 검증하지 않았다. [R8]↗

[제안 구조] 임무 명세 → 상태 추정 → 후보 행동/예측 → 계약 검사 → 실행·촉각 보정 → 결과 검사 → 데이터 기록 순서의 혼합 구조를 시험한다. 상태 패킷에는 관측 시각·좌표계·기종·신뢰도·접촉 상태를, 행동 패킷에는 목표물·단위·행동 기간·한계·완료 조건을, 결과 패킷에는 성공·중단·개입·실패 원인과 모델 버전을 넣는다. 고속 실행과 비실시간 학습은 버전 경계를 두고 연결한다.

이 식은 제안 구조의 개념적 최적화다. H는 예측 구간, C_task는 목표 오차·미완료 비용, C_risk는 위험, C_resource는 계산·시간·에너지 비용이다. λ·μ는 교환비다. 안전의 필수 한계는 가중 비용만으로 처리하지 않고 별도 제약으로 둔다. 위험을 정확히 측정할 모델, 실행 가능한 해, 검증된 중단 경로가 있어야 하며, 이 수식 자체가 안전 증명은 아니다.

[해석] 제조·물류·가정·과학 실험은 서로 다른 목적함수와 위험을 가진다. L1·L3·L6·L9는 물리 실행의 기본이며, 데이터·학습 기반 시스템에서는 L2가 재현성의 기반이다. 대형 월드모델·범용 VLA·다중 로봇 협업은 모든 응용에 필수는 아니다. 정해진 위치의 단순 공정에는 전용 제어가 더 경제적일 수 있다.

임무 성공은 물체를 옮겼는지뿐 아니라 올바른 대상·품질·시간·허용 위험으로 끝났는지로 정의한다. 자율 과학 실험실에서 로봇이 피펫을 움직여도 시료가 오염되면 과학적 성공이 아니다. 국가임무와 연결할 때도 비슷한 로봇 영상을 근거로 삼기보다 수혜자에게 필요한 결과와 검증 책임을 먼저 정의해야 한다.

[해석] 가장 큰 공백은 환경·신체·과제·통신이 동시에 바뀌는 조건과, 여러 업데이트를 거치며 오래 운용하는 조건이다. 단일 축 일반화 결과만으로 복합 변화 대응을 추정할 수 없다. 안전 정지 후 사람이 원상복구해 주는 시험과 스스로 상태를 파악해 재개하는 운용도 다르다.

대리 평가(surrogate evaluation)는 시험 비용을 낮추지만 틀린 정책을 승인할 수 있다. Veo의 실물 비교는 가능성을 보여주되 짧은 horizon과 접촉·생성 아티팩트의 한계가 있다. [R10]↗ PhysAI-Bench는 의사결정 문맥을 구조화하지만 실기체에서 행동이 만들어내는 연속적인 결과를 그대로 검증한 것은 아니다. [R15]↗ 시뮬레이션·오프라인 평가에서 통과했다는 사실만으로 실물 배포를 승인할 수 없다.

업데이트 회귀는 새 기술을 추가하는 속도와 검증 비용을 직접 연결한다. 정책, 세계모델, 센서 교정 중 하나가 바뀌어도 다른 계층의 기존 검증이 유효한지 다시 판단해야 한다. “계속 학습”은 무제한 현장 온라인 변경과 동의어가 아니다. 고정 버전 시험·통제된 갱신·rollback이 지속 학습의 일부가 되어야 한다.

[해석] 지속적인 연구 필요는 새로운 명칭보다 반복되는 물리적 병목에서 나온다. 촉각의 예측·반응 결합, 검증된 경험 생산, 실행 프로그램, 기하 정합성은 이번 문헌에서 확인한 흐름이다. 반면 아래의 통합 계약·능동 검증·업데이트 승인 구조는 그 흐름에서 도출한 신규 제안이며 이미 확립된 방법으로 서술하지 않는다.

[제안] 전망의 기준일은 2026년 10월 18일이다. 아래에서는 사용자의 연구기획 범위인 2028–2032년 안에서 단기 2028–2029년, 중기 2030–2031년, 장기 2032년을 정의한다. 일반적인 장기 기술 예측이나 공식 정책의 전체 기간을 재정의한 것이 아니다. 각 단계의 진입은 달력만이 아니라 전 단계의 검증 결과에 달려 있다.

모델 성능 향상은 통합 후보를 제공하고, 시스템 통합은 오류를 드러내며, 실물 검증은 그 조합의 유효 범위를 정한다. 운영 확산은 검증된 범위를 새로운 현장으로 넓히는 일이다. 하나의 단계도 다음 단계를 자동 승인하지 않는다. 각 단계에서 부적합한 가설을 중단·수정할 수 있도록 개발 평가와 독립 평가를 분리한다.

범용성을 사업의 처음부터 모든 현장·기종을 다루는 것으로 설정하면 검증 조건이 사라진다. 초기 임무를 좁게 정의하되 데이터·상태·행동·평가 계약을 재사용 가능하게 설계하고, 다음 현장을 추가하는 한계 비용을 줄이는 것이 더 검증 가능한 방향이다.

13.1 정책 체계와 관계

[정책 명시] 과학기술정보통신부가 2026년 9월 30일 공개한 「K-문샷 전략 로드맵(안)」은 제13회 과학기술관계장관회의 제4호 안건으로, 의결주문과 전략 로드맵을 담고 있다. 파일명에 “(안)”이 남아 있는 공식 공개 문서라는 점과, 이를 개별 사업 공고·확정 예산으로 취급할 수 없다는 점을 구분한다. 문서의 인쇄 p.3은 MEGA·SEED와 K-문샷의 연계를 설명하고, pp.47–52는 피지컬 AI 미션을 구체화한다. 제공된 발췌 PDF의 해당 쪽과 공식 ODT 본문을 대조했다. [P1]↗

공식적으로 확인된 관계는 국가적 과학 난제 해결을 위한 K-문샷과 관련 산업·기술 정책의 연계다. 이것이 모든 국정과제·전략·출연연 사업에 단일한 예산상 상하 관계가 있다는 뜻은 아니다. 본 글의 “국가임무 → 필요 역량 → 공백 → 연계 연구사업”은 분석·기획을 위한 연결 방식이며 별도 행정 체계를 만들어 주장하지 않는다.

5월 27일 공식 발표는 K-문샷의 출범·PD 운영을 확인하는 배경이고, 8월 25일 휴머노이드 발표는 로드맵 수립을 위한 의견수렴 단계였다. 9월 30일 자료와 날짜·문서 성격을 구분한다. [P2]↗ [P3]↗ 10월 18일까지의 공식 사이트 검색에서는 이번 로드맵을 대체하는 후속본을 확인하지 못했다. 이는 개정이 없다는 전수 확인이 아니며, 실제 사업 제안 전 공고·후속 지침을 다시 확인해야 한다.

13.2 국가가 요구하는 변화

[정책 명시·요약] 피지컬 AI 미션은 사람과 협력하는 행동·조작 능력, 풀스택 경쟁력과 산업 생태계, 현장 학습과 활용 확산을 연결한다. 인쇄 p.48은 2029년에 모델·물리적 세계 예측·데이터의 기반과 제한된 작업 적용을, 2032년에 긴 작업·시뮬레이션 순환·빠른 제어 통합과 국민 체감 성과의 확대를 제시한다. 이 글은 정책의 “인간 수준”이나 “국민 체감”을 이미 달성한 상태로 서술하지 않는다. [P1]↗

[해석] 수혜자는 기술 개발자만이 아니라 현장 작업자·사용자·서비스 운영자다. 모델과 데이터셋은 수단이고, 작업 품질·부담·안전·활용 비용의 개선은 확인해야 할 변화다. 정책의 정성적 목표를 제안서에서 수치화하려면 어떤 작업·사람 기준선·위험 노출·성공 정의를 사용할지 먼저 합의해야 한다. 본 글에서는 미확인 정책 목표값·예산을 새로 만들지 않는다.

13.3 풀스택과의 대응

정책의 모델·월드모델·데이터 요구는 L2–L5·L7과 직접 연결된다. 실행 가능한 통합으로 바꾸려면 L1·L6의 신체·제어와 L8·L9의 연산·검증도 필요하다는 것이 기술적 해석이다. “월드모델”이라는 이름만 같다고 정책 요구 충족을 주장할 수 없다. 미래 영상의 시각 품질, 행동 조건부 기하·접촉 예측, 실물 임무의 유효성은 각각 증거를 요구한다.

13.4 기술적 공백: 구성요소의 존재와 임무 충족 구분

현재 연구로 일부 충족: 다중 데이터 기반 행동 학습, 일부 신체 전이, 비동기 실행, 촉각 기반 실물 조작, 생성 시뮬레이션의 정책 비교 등은 구현 가능성을 뒷받침한다. 추가 연구 필요: 이를 동일한 상태·행동 계약으로 통합하고 복합 변화·장기 복구·갱신 회귀를 시험하는 일이다. 근거 부족: 선정 문헌만으로 국내 전반의 인간 수준 성능, 전 현장의 경제성, 무인 장기 운용과 포괄적 안전 보장을 판단하기 어렵다.

성공한 기술을 도입하는 것과 국가가 책임질 공통 기반을 확보하는 것도 다르다. 국내 데이터 접근·수정·감사·이전 가능성, 모델 교체권, 장비 adapter와 검증 도구의 재사용성을 산출물로 정의해야 한다. 이것이 “국산”이라는 표기보다 실질적인 자립 역량을 측정하는 방법이라는 것이 본 글의 해석이다.

13.5 출연연의 역할: 공통 기반·통합·독립 검증

[제안] ETRI는 정보통신·AI·연산·네트워크 기술을 연결하는 공통 인터페이스, 다중모달 상태·행동 모듈, 엣지 실행, 데이터와 평가 도구를 맡는 역할을 검토할 수 있다. 이는 기관에 이미 배정된 공식 임무라고 확인한 내용이 아니라 역할 설계안이다. 모든 로봇 하드웨어·현장 운영·인증을 단독 수행하는 구상은 피한다.

대학은 접촉 표현·학습·계획의 새 가설과 분석, 기업은 장비·제품·현장 프로세스·운영비, 타 출연연은 신체·물성·제조·시험 기반을 책임지는 협력을 설계할 수 있다. 수요기관은 실제 임무와 수용 기준을 정의해야 한다. 개발 조직의 성과 평가와 독립 검증의 승인 권한을 나누고, 사업 시작 시 데이터 권리·공유 범위·위험 중단 책임을 합의한다.

13.6 연계 연구사업: 여섯 사업의 공통 계약

[제안·2028–2032] 논리적 연구목표를 “낯선 현장·기종에서도 작업 의도와 접촉 제약을 유지하며 실패를 복구하고, 갱신 후에도 기존 능력을 보존하는 피지컬 AI 통합 기반”으로 설정한다. 아래 여섯 사업은 예산 확정·기관 배정·정부 공고가 아닌 연계 포트폴리오 설계다.

의존 관계는 P1을 완성한 뒤 P2를 시작하는 일방향 일정이 아니다. P2–P4의 실패가 P1 데이터 요구를 바꾸고, P6가 모든 사업의 검증 기준을 처음부터 제한한다. P5는 실제 실행을 측정하면서 P2–P4의 계산·반응 요구를 조정한다. 2028–2029년에는 계약과 기준선, 2030–2031년에는 전이·복구·통합, 2032년에는 장기 운용·갱신 보존의 증거에 무게를 둔다.

13.7 성과 입증: 보유 기술에서 수혜 현장의 변화로

[제안] 기술 지표는 정책 기여의 필요조건이며 충분조건이 아니다. 과제 시작 전에 사람이 수행하는 현행 공정·기존 자동화·도입 시스템의 baseline을 같은 품질·위험·시간 조건에서 측정한다. 임무 난도·물체·계절·operator를 층화하고, 가능하면 동일 현장 paired 비교나 순차 도입 비교를 사용한다. 성능 변화와 현장 프로세스 변경의 효과를 분리해 기술 기여를 추정한다.

이 비용식은 제안 지표다. 분자는 평가 기간의 운용·실패 개입·유지보수·갱신 및 검증 비용이며, 자본·데이터·학습 비용의 배분 규칙도 보고해야 한다. 분모는 정해진 품질·안전 조건의 완료 건수다. 완료가 0이면 비용을 0으로 표기하지 않고 계산 불가 또는 발산으로 다룬다. 목표값은 이 기준선을 측정한 뒤 수요기관과 설정하며 정책의 확정 수치로 표현하지 않는다.

국가임무 기여는 “모델을 만들었다”에서 “이 조건의 현장이 이렇게 달라졌다”로 이어지는 증거 경로로 입증한다. 정부에 제안할 때는 기술적 불확실성, 중단 기준, 다음 단계에 필요한 증거를 함께 제시하는 편이 설득력이 있다.