Physical AI가 만드는 제조 현장의 새로운 임팩트

AI의 역량은 빠르게 성장하고 있지만 기업과 공장 단위의 성과는 아직 충분히 나타나지 않고 있습니다. 임용섭 마키나락스(MakinaRocks) 최고AI책임자(CAIO)는 8년 넘게 제조 현장에 AI를 공급해 온 경험을 바탕으로, 산업 현장의 AI 도입이 어려운 이유와 이를 풀어 온 프로젝트 사례를 공유했습니다.

국가AI연구거점(NAIRL)과 KAIST 김재철AI대학원은 9월 22일 서울AI허브에서 임용섭 CAIO를 연사로 초청해 석학초청세미나를 공동 개최했습니다. 이번 세미나는 ‘Physical AI가 만드는 제조 현장의 새로운 임팩트’를 주제로 진행됐으며, 현장 약 150명, 온라인 150명 등 총 300여 명이 참여했습니다.

임 CAIO는 AI가 사람 기준 10시간 분량의 작업을 수행할 만큼 발전했음에도 기업 현장의 도입 시도 대다수는 성과 없이 정체되어 있다고 짚었습니다. 범용 언어모델은 현장 문제의 80% 수준까지 빠르게 도달하지만, 실제 운영에 필요한 90~98%의 정확도에 이르려면 공정 환경과 제약 조건, 축적된 노하우를 반영하는 별도의 작업이 필요하다는 설명입니다. 아무리 똑똑한 사람이라도 공장에 처음 가면 바로 일할 수 없듯이, AI 역시 현장 지식 없이는 가치를 만들기 어렵다는 것입니다.

강연은 특화된 지능, 디지털 트윈, 자율제어, AI 운영체계의 네 가지 축으로 전개됐습니다. 특화된 지능의 첫 사례는 자동차 조립 공정의 산업용 로봇 고장 예측이었습니다. 오토인코더와 생성 모델로 정상 패턴을 학습해 이상 정도를 정량화하고 주간 분석 리포트를 자동 생성하는 방식으로, 현재 1,400대 이상의 로봇에 확대 적용되고 있습니다. 로봇이 늘면서 리포트 검토 자체가 병목이 되자, 알람 정보와 과거 조치 이력, 매뉴얼을 결합한 LLM 기반 에이전트로 정비 출동 준비를 돕는 단계까지 발전시켰습니다.

설계 도면을 다루는 사례도 눈길을 끌었습니다. 도면에서 핵심 요소를 추출해 표준 양식으로 구조화하고 유사 도면 검색과 견적 산정을 자동화해, 3~4주가 걸리던 RFQ 대응을 2~3일로 단축했습니다.

디지털 트윈 영역에서는 실제 설비를 마음대로 조작해 볼 수 없는 제조 현장의 특성상 데이터 기반 시뮬레이터가 최적화의 출발점이 된다는 점이 강조됐습니다. 전기차 공조 시스템에서는 디지털 트윈과 강화학습으로 도출한 제어 정책을 차량용 칩에 탑재하고 실차 테스트까지 마쳐 에너지 소모를 10% 줄였습니다. 철강 열처리 설비에서는 목표 온도 달성률을 9% 높이고 연료 소모를 3~4% 절감했으며, 폐기물 소각로에서는 운전 모드별 강화학습 에이전트로 스팀 생산량을 4% 늘렸습니다.

임 CAIO는 제어가 시스템에 반영되기까지의 지연 패턴을 모델이 스스로 학습하도록 한 기법도 소개했습니다. 품질·에너지·안정성의 비중을 수치로 정의하기 어려운 보상 설계 문제는 현장 작업자의 선호 데이터로 풀어 가고 있다고 덧붙였습니다.

자율제어 영역에서는 조립 라인의 에러 발생부터 원인 파악, 담당자 알림, 조치까지를 사내 시스템과 연결해 자동화하는 에이전트와, 3D 카메라로 대상을 인식해 용접 경로를 스스로 계획하고 품질 검사까지 수행하는 로봇이 소개됐습니다.

마지막으로 그는 이러한 AI를 기업 단위에서 운영하려면 이기종 데이터 통합, 모델 운영과 재학습 체계, GPU 자원 배분, 그리고 에이전트 시대에 더욱 중요해진 거버넌스와 보안을 담당하는 AI 운영체계가 필요하다고 강조하며, 마키나락스가 이를 제품화한 ‘런웨이(Runway)’를 소개했습니다.

국가AI연구거점은 앞으로도 세계 각지의 선도적인 AI 연구자, 창업가, 산업계 리더와의 지속적인 교류를 통해 국내 연구자들이 첨단 AI 기술을 바탕으로 과학적 발견과 산업적 혁신을 함께 이끌어 갈 수 있는 생태계를 조성해 나갈 계획입니다.