디지털 트윈과 AI가 시뮬레이션과 현실의 간극을 메우다   제조 시설은 지속적인 문제에 직면해 있다. 정비 일정은 일반적으로 실제 마모와 관계없이 3개월마다 부품을 점검하고 6개월마다 구성 요소를 교체하는 등 엄격한 일정을 따른다. 그 결과 불필요한 점검과 교체로 인한 비효율적인 시간 낭비가 발생하고, 반대로 정비 일정 전에 부품이 고장 나는 일도 생긴다. 센트랄수펠렉-파리 사클레대학교(CentraleSupélec–Université Paris-Saclay)의 지궈 젠(Zhiguo Zeng) 교수와 그의 연구팀은 디지털 트윈 기술과 딥러닝을 결합한 혁신적인 접근 방식을 통해 이 문제를 해결하고 있다. 그들의 목표는 모든 중요 부품에 센서를 배치할 필요 없이 시스템 수준의 모니터링 데이터만으로 로봇 시스템의 구성요소 수준의 고장을 감지하는 것이다. 젠 교수는 “유지보수는 공장에서 매우 큰 문제”라면서, “기계에 유지보수가 필요한 시기를 미리 안다면 주문이 적은 시기에 수리 일정을 잡을 수 있어 생산성 손실을 최소화할 수 있다”고 말했다. 그는 신뢰성 공학과 수명 예측 분야에서 풍부한 경험을 갖고 있지만, 디지털 트윈 기술은 그의 이전 연구와는 결이 다른 새로운 영역이었다. 센트랄수펠렉의 안 바로스(Anne Barros) 교수와 페드로 로드리게스-아예르베(Pedro Rodriguez-Ayerbe) 교수가 주도하는 학제 간 프로젝트인 ‘미래의 산업(Industry of the future)’에 참여하면서, 그는 디지털 트윈이 어떻게 강력한 시뮬레이션 도구를 물리적 시스템에 실시간으로 직접 연결할 수 있는지 깨달았다. 젠 교수는 “디지털 트윈은 결함 진단에 매우 유용하다. 이를 실제 기계의 데이터에 연결하여 그 데이터로 모델을 개선할 수 있다”고 설명했다.  제조업, 자동차, 항공우주 및 기타 분야로 활용 영역이 확대되면서, 디지털 트윈은 인더스트리 4.0에서 유망한 기술 중 하나로 자리잡고 있다. 물리적 객체나 시스템의 가상 복제본인 디지털 트윈(digital twin)을 생성함으로써, 조직은 운영 현황과 유지보수 필요성을 명확하게 파악할 수 있다. 또한 디지털 트윈은 예측 유지 관리 시스템 개발의 어려운 측면 중 하나인 고장 데이터의 부족에 대한 해결책을 제시한다. 젠 교수는 “현실에서는 고장이 자주 발생하는 걸 보기는 어렵다. 그래서 이제는 시뮬레이션을 통해 고장 데이터를 만들어낸다”고 설명했다.   가상과 물리의 가교 역할 디지털 트윈 프로젝트는 물리적 시스템과 가상 시스템 간의 다양한 수준의 통합을 통해 구현 옵션을 제공한다. 젠 교수의 연구팀은 세 가지 서로 다른 수준의 디지털 표현으로 작업했다. 기본 수준에서 디지털 모델은 기존 시뮬레이션처럼 작동하며, 물리적 시스템과 데이터를 교환하지 않는 정적 모델로 오프라인에서 실행된다. 그다음 단계는 디지털 섀도로, 가상 모델이 물리적 시스템의 데이터를 받아 그 행동을 미러링하지만 제어하지는 않는다. 가장 발전된 구현은 데이터와 정보의 양방향 흐름을 갖춘 진정한 디지털 트윈이다. 여기서 모델은 관찰을 바탕으로 스스로 업데이트하고 물리적 시스템을 제어하는 실시간 결정을 내린다. 연구팀은 테스트용으로 ArmPi FPV 교육용 로봇을 선택했다. 이 로봇은 5개의 관절과 하나의 엔드이펙터로 구성되며, 6개의 서보 모터로 제어된다. 결함 진단의 기초가 될 만큼 정확한 디지털 트윈을 만드는 것은 어려운 일이었다. 또한 기존 모니터링 접근 방식의 한계를 해결해야 했다. 젠 교수는 “대부분의 산업 사례에서 베어링을 진단하려면 베어링 수준의 센서가 필요하며, 이는 쉽지 않은 일이다. 내부에 베어링이 있는 큰 기계를 상상해보면 센서를 설치하기 위해서는 기계를 분해해야 하는데 때로는 공간이 충분하지 않을 때도 있다”고 말했다.   그림 1. ArmPi FPV 교육용 로봇(출처 : 센트랄수펠렉)   그들의 접근 방식은 시스템 수준 데이터(로봇 엔드 이펙터의 이동 궤적)를 사용하여 구성 요소 수준의 오류(개별 모터 문제)를 진단하는 것이었다. 또한 디지털 트윈을 사용하여 관찰할 수 있는 것과 감지해야 할 것 사이의 격차를 해소하고자 했다. 연구팀은 시뮬링크(Simulink)와 심스케이프 멀티바디(Simscape Multibody)를 사용하여 디지털 트윈을 구축했으며, 구성요소와 시스템 수준 동작을 모두 나타내는 계층적 모델을 만들었다. 젠 교수는 “모든 것은 시뮬레이션 모델을 설계하는 것으로 시작한다. 동적 시스템과 그 제어기를 모델링하고 싶다면 시뮬링크는 매우 강력하다”고 말했다. 연구팀은 시뮬링크를 사용해 모터 제어기를 PID 제어기로 모델링하면서 실험적으로 조정한 게인 값을 활용했다. 또한, 시뮬링크의 시각화 기능을 적극적으로 활용해 시뮬레이션 데이터와 실제 로봇의 센서 데이터를 연동할 수 있는 인터페이스를 구축하고, 실시간 모니터링 환경을 구성하였다. ROS 툴박스(ROS Toolbox)는 로봇 하드웨어와의 연결에서 유용한 역할을 했다. 젠 교수는 “로봇 운영 체제(Robot Operating System : ROS)를 사용하려면 일반적으로 ROS와 파이썬(Python) 환경을 별도로 구성하고 모든 연결을 직접 처리해야 한다”면서, “ROS 툴박스를 사용하면 이런 설정이 자동으로 관리되기 때문에 많은 노력을 아낄 수 있다”고 설명했다. 연구팀은 AI 모델 학습을 위한 데이터 준비 과정에서는 두 가지 접근 방식을 시도하였다. 먼저, 로봇에 입력되는 모터 명령과 그에 따른 그리퍼(gripper)의 움직임 패턴과 같은 원시 계측값을 기반으로 데이터를 수집하였다. 이후에는 디지털 트윈을 활용한 방식을 도입하였다. 시뮬레이션을 통해 로봇이 명령에 따라 어떻게 움직여야 하는지를 예측하고, 이 결과를 실제 움직임과 비교함으로써 예상과 실제 간의 차이를 도출하였다. 이러한 차이는 미세한 고장을 감지하는 데 유용한 지표로 작용하였다.   그림 2. 심스케이프 멀티바디의 로봇 팔에 대한 시뮬링크 모델(출처 : 센트랄수펠렉)   연구팀은 딥 러닝 툴박스(Deep Learning Toolbox)를 사용하여 장단기 메모리(Long Short-Term Memory : LSTM) 신경망을 훈련하여 특정 실패를 나타내는 패턴을 식별했다. 모델 아키텍처에는 각각 100개의 숨겨진 단위가 있는 두 개의 LSTM 계층, 그 사이의 드롭아웃 계층 및 완전히 연결된 분류 계층이 포함된다. 연구팀은 매트랩 앱 디자이너(MATLAB App Designer)를 사용하여 각 모터의 위치, 전압 및 온도를 포함한 실시간 데이터를 수집하는 그래픽 사용자 인터페이스를 설계했다. 이 인터페이스를 통해 로봇의 상태를 모니터링하고 오류 진단 모델의 예측을 검증할 수 있었다. 이러한 통합 도구들이 원활하게 함께 작동하면서, 연구팀은 소프트웨어 호환성 문제와 씨름하기보다는 효율적으로 기술적 과제 해결에 집중할 수 있었다.   현실 격차에 도전하다 연구팀은 실제 로봇에서 훈련된 모델을 테스트했을 때 연구원들이 ‘현실 격차’라고 부르는 시뮬레이션과 현실 세계 간의 불일치에 직면했다. 결함 진단 모델은 시뮬레이션에서 98%의 정확도를 달성하여 모터 고장의 위치와 유형을 모두 정확하게 식별했지만, 실제 로봇에서 테스트했을 때 성능은 약 60%로 떨어졌다. 젠 교수는 “시뮬레이션이 현실과 일치하지 않는 이유를 분석하고 있다”고 말하며, “실제 세계를 시뮬레이션 상에서 표현할 때 고려하지 못한 요소들이 있다”고 설명했다. 젠 교수와 그의 연구팀은 통신 신뢰성 문제, 시뮬레이션에서 고려되지 않은 모터 노이즈, 제어 명령과 모니터링 활동 간의 동기화 문제 등 성능 격차에 기여하는 여러 요인을 확인했다.   그림 3. 정상 상태 오류에서 로봇 팔의 애니메이션 및 관련 혼동 매트릭스(출처 : 센트랄수펠렉)   이러한 과제는 디지털 트윈 애플리케이션의 광범위한 문제를 반영한다. 현실은 가장 정교한 시뮬레이션보다 더 복잡하다. 연구팀은 낙담하기보다는 실제 노이즈 패턴을 시뮬레이션 하는 모듈을 디지털 트윈에 추가하고 전이 학습에 도메인 적응 기술을 적용하는 등 이러한 격차를 해소하기 위한 방법을 개발했다. 젠 교수는 “디지털 트윈 모델을 개발할 때 보정 테스트를 하긴 하지만, 이 역시 통제된 환경에서 이루어진다”고 말했다. 이어서 “하지만 산업 현장에 모델을 실제로 적용하면 훨씬 더 많은 노이즈가 포함된 데이터를 접하게 된다. 이처럼 현실의 노이즈를 알고리즘 관점에서 어떻게 보정할 것인가는 매우 도전적인 연구 주제”라고 설명했다. 이러한 수정을 통해 연구팀은 실제 세계 정확도를 약 85%까지 개선했다. 이는 실용적 구현을 향한 중요한 진전이다.   소규모 실험실에서 스마트 공장으로 연구팀의 작업은 단일 로봇을 넘어서 확장되고 있다. 이들은 다수의 로봇이 협업하며 생산 라인을 구성하는 소규모 스마트 공장 환경을 구축하고 있으며, 이를 통해 고장 진단 알고리즘을 보다 실제에 가까운 조건에서 실험하고자 한다. 젠 교수는 “우리는 미니 스마트 공장을 구축하려고 한다”면서, “생산 설비와 유사한 환경을 만들어 로봇에 알고리즘을 적용해, 실제 생산 스케줄링에 통합될 수 있는지를 실험하고 있다”고 설명했다. 이러한 접근 방식은 교육적 효과도 크다. 센트랄수펠렉의 공학과 학생들은 수업과 프로젝트를 통해 디지털 트윈, 로보틱스, 머신러닝 기술을 실습 기반으로 학습하고 있다. 젠 교수는 “학생들이 처음부터 가상 공간에서 모델을 직접 설계하고 이를 점차 실제 로봇과 연결해가는 과정을 보면, 그들이 이 과정을 진심으로 즐기고 있다는 걸 알 수 있다”고 전했다. 이 연구는 제조업뿐 아니라 물류, 스마트 창고 등 다양한 산업 분야로의 확장이 가능하다. 예를 들어 스마트 창고에서는 로봇이 정해진 경로를 따라 이동하지만, 장애물이 나타나면 이를 인식하고 경로를 유동적으로 조정해야 한다.   그림 4. 여러 로봇이 소규모 스마트 공장 환경의 생산 라인에서 협력하여 작동한다.(출처 : 센트랄수펠렉)   젠 교수는 “스마트 창고에서 로봇은 사전 정의된 규칙을 따르지만, 패키지가 떨어지고 경로가 막히는 등 경로를 리디렉션하고 다시 프로그래밍해야 하는 경우가 있을 수 있다. 이런 경우 로봇을 조정하기 위해 각 로봇의 실시간 위치를 알아야 하기 때문에 디지털 트윈 시스템이 필요하다”고 설명했다. 연구팀은 구성요소가 고장 날 때 로봇의 움직임을 조정하는 것과 같은 내결함성 제어를 포함한 추가 응용 프로그램을 모색하고 있다. 또한 연구자들은 에너지 소비만 고려하는 것이 아니라, 궤적 최적화 모델에서 각 모터의 성능 저하 수준과 잔여 유효 수명도 고려하는 건전성 인식 제어를 개발하고 있다. 그들의 코드, 모델, 데이터 세트를 깃허브 저장소(GitHub repository)를 통해 자유롭게 공개하고 있으며, 다른 연구자들이 이를 바탕으로 연구를 확장해 나가기를 기대하고 있다. 목표는 개선의 출처가 어디든 간에, 보다 나은 고장 진단 시스템을 구축하는 것이다. 젠 교수는 “누군가 우리보다 더 나은 결과를 만들어낸다면 정말 기쁠 것”이라고 전했다. 중국 제조업 현장에서 일하던 부모님의 영향을 받아 공학자의 길을 걷게 된 젠 교수에게 이번 연구는 단순한 학문적 탐구를 넘어선 개인적인 사명이기도 하다. 젠 교수는 “어릴 때 제조업에서 일하는 것이 얼마나 힘든 일인지 직접 보며 자랐다”면서, “내가 그렸던 비전은 그런 육체 노동을 로봇이 대체하게 해 사람들이 보다 나은 삶을 살 수 있도록 하는 것이었다”고 전했다.   ■ 이웅재 매스웍스코리아의 이사로 응용 엔지니어팀을 이끌고 있으며, 인공지능·테크니컬 컴퓨팅과 신호처리·통신 분야를 중심으로 고객의 기술적 성공을 지원하는 데 주력하고 있다. LG이노텍과 LIG넥스원에서 연구개발을 수행하며 신호처리와 통신 분야의 전문성을 쌓아왔다.     ■ 기사 PDF는 추후 제공됩니다.

워크스테이션은 콤팩트한 외형 속에 데스크톱급 성능을 담아낸 전문가용 시스템이다. 단순한 소형 PC와 달리, 3D·영상·AI·엔지니어링 등 고성능이 필요한 크리에이터와 전문 작업자를 위해 설계된 것이 특징이다. 이번 리뷰에서는 실제 소프트웨어 워크플로와 AI·LLM 테스트까지 다양한 관점에서 심층 평가를 진행했다.   ▲ HP Z2 미니 G1a   하드웨어 및 설치 환경 HP Z2 미니 G1a(HP Z2 Mini G1a)의 가장 큰 강점 중 하나는 강력한 하드웨어 스펙이다. AMD 라이젠 AI 맥스+ 프로 395(AMD Ryzen AI Max+ PRO 395) 프로세서(16코어 32스레드, 3.00GHz), 최대 128GB LPDDR5X 메모리, 8TB NVMe SSD, 그리고 16GB VRAM을 탑재한 라데온 8060S(Radeon 8060S) 통합 그래픽 등, 동급 소형 워크스테이션에서는 보기 힘든 구성을 갖췄다. 특히 메모리는 최대 128GB까지 확장 가능하며, 이 중 최대 96GB를 그래픽 자원에 독점 할당할 수 있다. 듀얼 NVMe 및 RAID 지원으로 대용량 데이터 처리와 안정성을 확보했으며, 50TOPS에 달하는 NPU 성능 덕분에 AI 추론 등 최신 워크로드도 소화할 수 있다. 테스트는 윈도우 11 프로 기반, 64GB RAM과 16GB 라데온 8060S, 듀얼 NVMe SSD가 장착된 구성으로 진행됐다.   ▲ HP Z2 미니 G1a의 하드웨어 스펙   전문 소프트웨어 워크플로 직접 HP Z2 미니 G1a를 사용해 본 첫 인상은 “미니 사이즈에서 이 정도 성능이라니?”였다. 크기는 작지만, 성능은 결코 작지 않았다. 시네마 4D(Cinema 4D)로 복잡한 3D 신을 제작하고, 지브러시(ZBrush)에서 대형 폴리곤 모델링과 서브툴 멀티 작업을 해 보니 작업 흐름이 부드럽고, 장시간 동작에도 다운이나 랙 없이 꾸준한 성능으로 작업할 수 있었다. 시네벤치(Cinebench), 시네마 4D, 지브러시, 애프터 이펙트(After Effects), AI 생성형 이미지·영상, LLM 실행 등 전 영역에서 성능 저하를 체가하기 어려웠다. 시네마 4D에서는 수십만~수백만 폴리곤에 달하는 대형 3D 신 파일을 불러오고, 뷰포트 내 실시간 조작이나 배치 렌더링, 애니메이션 키프레임 작업에서 CPU 기반 멀티스레드 성능이 큰 장점을 발휘했다. 시네벤치 2024 멀티코어 점수는 1832점으로, 애플의 M1 울트라보다 높은 수치를 달성해 전문 사용자에게 매력적인 대안이 될 것으로 보인다.   ▲ 시네마 4D에서 테스트   애프터 이펙트 환경에서는 GPU 가속 지원이 부족한 점에도 불구하고, 강력한 CPU 성능 덕분에 고해상도(4K) 다중 레이어 영상 합성, 이펙트, 복수 트랙 편집에서도 랙이나 끊김 없이 작업을 이어갈 수 있었다. 시네마 4D, 지브러시, 콤피UI(ComfyUI) 등과의 멀티태스킹 환경에서도 리소스 병목 없이 쾌적하게 여러 프로그램을 병행 실행하는 것이 가능했다.   ▲ 애프터 이펙트에서 테스트   아이언캐드 대형 어셈블리 테스트 엔지니어링 현장에서 요구되는 대형 어셈블리 작업을 검증하기 위해 동료와 함께 아이언캐드(IronCAD)로 2만여 개(2만 1800개)에 달하는 파트가 포함된 820MB 대용량 CAD 파일을 로딩해 테스트를 진행했다. 이 워크플로는 최근 산업·기계 설계 현장에서 자주 마주치는 극한 환경을 그대로 반영한 조건이었다. 테스트 결과, HP Z2 마니 G1a의 평균 FPS는 약 19로 측정됐다. 이는 노트북용 RTX2060 GPU가 내는 실제 CAD 작업 성능과 동등한 수준에 해당한다. 고용량 모델의 빠른 불러오기, 실시간 3D 뷰 조작, 개별 파트 속성 편집 작업에서 큰 병목이나 지연 없이 효율적인 사용 경험을 확인했다. 대형 파일임에도 불구하고 시스템 자원 부족이나 다운 없이 멀티태스킹 환경에서도 안정적으로 작업이 이어지는 점이 인상적이었다.   ▲ 아이언캐드에서 테스트   AI 및 LLM 활용 AI 작업이나 LLM 실행에서도 강점이 명확했다. 콤피UI에서 Wan2.2, Video-wan2_2_14B_t2v 같은 고사양 텍스트-비디오 생성 모델도 무리 없이 돌릴 수 있었고, LM 스튜디오(LM Studio)와 올라마(Ollama) 기반의 대형 LLM 역시 빠른 추론 속도를 보여줬다. NPU(50TOPS)의 연산 가속과 64GB RAM의 넉넉함 덕분에, AI 모델 로컬 실행/추론에서 항상 안정적인 환경이 보장된다는 느낌이다. 오픈소스 AI 이미지 생성이나 텍스트-비디오 워크플로도 CPU-메모리 조합만으로 병목 없이 부드럽게 동작했다. 쿠다(CUDA)를 지원하지 않는 환경의 한계로 일부 오픈소스 AI 툴은 실행에 제약이 있었으나, CPU와 NPU 조합만으로도 로컬 기반 AI 이미지 생성 및 텍스트-비디오 워크플로에서 동급 대비 빠르고 매끄러운 결과를 보였다.    ▲ 콤피UI에서 테스트   LLM 분야에서는 LM 스튜디오와 올라마를 이용해 7B~33B 규모의 다양한 대형 언어 모델을 구동했다. 64GB RAM과 50TOPS NPU의 지원 덕분에 GPT-3.5, 라마 2(Llama 2) 등 대용량 파라미터 기반의 모델도 실제 업무에서 실시간 질문-응답, 코드 자동완성, 문서 요약 등에 무리 없이 활용 가능했다.   ▲ LLM 테스트   통합 메모리 아키텍처 효과 Z2 미니 G1a의 최고 강점은 UMA(통합 메모리 아키텍처)에 있다. 이 기술은 시스템 메모리(RAM)의 상당 부분을 GPU 연산에 직접 할당해, 기존 분리형 GPU VRAM 성능의 한계를 극복한다. 실제로 탑재된 메모리(64GB~128GB 중 구매 옵션에 따라 선택)를 GPU에 최대 96GB까지 독점적으로 할당할 수 있으며, 복잡한 3D·그래픽 집약적 프로젝트 처리와 생성형 AI·LLM 등의 작업에서 병목 없이 고효율 워크플로를 경험할 수 있었다.   실사용·테스트를 위한 리뷰 환경 제품 리뷰 당시 64GB RAM 탑재 모델을 기준으로, 기본 설정에서는 16~32GB를 GPU에 할당해 일반 CAD·3D·AI 작업을 진행했다. 또한 고해상도 3D 렌더나 생성형 AI 영상 작업에서는 BIOS/소프트웨어에서 48~50GB까지 VRAM 할당을 수동 조정해 본 결과, 대형 프로젝트 파일에서 뷰포트 프레임 저하나 메모리 부족 경고 없이 안정적인 작업 환경을 제공했다. 반대로 GPU에 할당하는 메모리를 늘리면 고용량 데이터 병목이 해결되고, 3D 뷰포트 FPS나 AI 추론 속도 및 이미지 품질·정확도가 확실히 향상되는 것이 일관되게 확인되었다. 실제 기업 환경에서는 128GB 모델을 쓰면 최대 96GB까지 VRAM 할당이 가능하므로 GPU 메모리 병목이 무의미해지고, 기존 미니PC와는 비교할 수 없는 확장성과 작업 안전성을 확보할 수 있다.   아쉬운 점 첫째, 테스트용으로 받았던 장비에서는 HDMI 단자의 부재로 미니 DP로 모니터를 연결해야 했는데, 이는 테스트했던 데모 제품의 기본 옵션에 해당한다. 하지만 HP Z2 미니 G1a는 기업용/구매 시 고객 요구에 따라 HDMI 포트를 포함한 맞춤형 Flex I/O 슬롯 옵션 구성이 가능하다고 한다. 실제로 HP 공식 문서 및 판매 페이지에 따르면, 썬더볼트4(Thunderbolt4), USB-C, 미니 DP 외에도 HDMI를 Flex IO 슬롯에 추가할 수 있으므로, 다수의 모니터·TV·AV 장비로 연결해 사용하는 환경에서도 문제없이 세팅할 수 있다. 둘째, GPU가 AMD 라데온 기반이기 때문에 엔비디아 CUDA를 필요로 하는 GPU 가속 작업(예 : Redshift GPU 렌더러, 딥러닝 프레임워크)은 아예 테스트 자체가 불가능하다. AI, 3D, 영상 워크플로에서 CUDA 생태계를 사용하는 환경에서는 제품 선택 전 미리 확인이 필요하다. 셋째, 고부하 작업 시 팬 소음이 다소 발생할 수 있으므로 조용한 사무실 환경이라면 쿼이엇 모드 설정이 필요하다.   결론 및 추천 HP Z2 미니 G1a 워크스테이션은 한정된 공간에서 고성능이 필요한 크리에이티브 및 AI 전문가, 엔지니어, 디지털 아티스트에게 탁월한 선택지가 될 수 있다. 실제로 써보면, 공간 제약이 있는 환경에서도 3D 모델링, 영상 편집, 생성형 AI, LLM 추론 등 고사양 멀티태스킹을 안정적으로 병행할 수 있었고, 기업용 보안, ISV 인증, 최신 네트워크까지 갖췄다. 다양한 작업을 동시에 손쉽게 처리할 수 있다는 점에서 미니 데스크톱 중에서도 실전 현장에 ‘매우 쓸 만한’ 최상위 선택지라고 생각이 든다. 비록 CUDA 미지원 및 HDMI 포트 부재라는 한계가 있지만, CPU·메모리 중심의 워크플로에선 동급 최고 수준의 안정성과 성능을 보여준다. 최신 AI 및 LLM, 3D·영상·컴포지팅 등 멀티태스킹이 잦은 전문 분야라면 이 제품이 오랜 기간 든든한 실전 파트너가 될 것이다. 견적 상담 문의하기 >> https://www.hp.com/kr-ko/shop/hp-workstation-amd-app   ■ 배현수 부장 마루인터내셔널(맥슨 한국총판) 기술지원팀, AI 크리에이터, 모션그래픽 디자이너     ■ 기사 내용은 PDF로도 제공됩니다.

디지털 지식전문가 조형식의 지식마당   빠르게, 그리고 깊게 지난 2년간 필자는 정신없이 AI 지식을 흡수하고 수많은 설루션을 직접 사용했다. 신기함과 불편함이 뒤섞인 체험 끝에, 직감적으로 2025년이 인공지능 기술의 이정표가 될 것이라 확신하게 됐다.   거시 흐름, 지능형 자동화와 에이전트의 부상 인공지능(AI) 기술의 발전은 2024년을 기점으로 단순히 새로운 기술의 도입을 넘어, 산업과 사회 전반의 혁신을 촉발하는 핵심 동력으로 자리 잡았다. 여러 분석가는 2024년이 AI 도입의 해였다면, 2025년은 AI가 기존 산업의 경계를 허물고 운영 방식을 근본적으로 재정의하는 ‘혁신의 해’가 될 것으로 전망하고 있다. 이러한 변화의 물결 속에서 기업들은 막연한 기대감을 넘어, AI 기술을 통해 실질적인 비즈니스 가치(ROI)를 창출하는 데 집중하고 있다. 특히, 반복적이고 명확한 규칙 기반의 작업을 AI로 자동화함으로써 즉각적인 효율성 증대와 함께 투자 성과를 확보하는 전략이 부상하고 있다. 이러한 맥락에서 ‘지능형 자동화(intelligent automation)’는 단순 반복 작업을 넘어 복잡한 워크플로를 자율적으로 처리하고 의사결정까지 내리는 단계로 진화하고 있다. 이는 ‘AI 에이전트’의 형태로 구현되며, 응용 AI의 차세대 진화로 주목받고 있다.  이러한 거시적 흐름 속에서 AI 기술의 3대 핵심 분야인 언어 모델, 이미지 및 영상 모델, 음성 모델의 최신 기술적 동향과 시장 변화를 심층적으로 분석하고, 나아가 이들 간의 융합 현상인 ‘멀티모달 AI’의 부상을 조망함으로써 비즈니스 리더와 기술 전문가에게 전략적 통찰을 만들어 봤다. 첫 번째, 대규모 언어 모델(LLM)의 혁신은 대부분 ‘트랜스포머(transformer)’ 아키텍처에 기반을 두고 있다. GPT-4, LLaMA 2, Falcon 등 현재 시장을 선도하는 모델은 이 아키텍처를 활용하여 방대한 데이터 세트에서 인간 언어의 패턴과 구조를 학습한다. 트랜스포머는 언어 모델의 근간을 이루며, 그 영향력은 비단 텍스트에만 머무르지 않고, 오픈AI(OpenAI)의 최신 비디오 생성 모델인 소라(Sora)의 ‘디퓨전 트랜스포머’ 아키텍처에도 확장 적용되고 있다. 최근 LLM 훈련 방법론은 단순히 모델의 규모를 키우는 것을 넘어, 효율과 특화된 성능을 확보하는 방향으로 진화하고 있다. LLM 시장은 ‘규모’를 추구하는 초대형 모델(LLM)과 ‘효율’을 추구하는 소형 언어 모델(SLM)이 공존하는 양면적 발전 양상을 보인다. GPT-4o나 제미나이(Gemini)와 같은 초대형 모델은 뛰어난 범용성과 성능으로 시장을 선도하는 한편, 특정 산업이나 용도에 맞게 최적화된 SLM은 적은 비용과 빠른 속도를 무기로 틈새시장을 공략하고 있다. 이러한 이원화된 전략은 기업이 적용 업무의 성격에 따라 두 모델을 전략적으로 선택하거나 조합하는 하이브리드 접근법을 채택하도록 유도하고 있다. 두 번째, 최근 이미지 및 영상 생성 모델의 핵심 기술은 ‘디퓨전 모델(diffusion model)’이다. 이 모델은 기존의 생성적 적대 신경망(GAN)이 가진 ‘모드 붕괴(mode collapse)’ 문제를 해결하며 고품질의 다양하고 사실적인 이미지 생성을 가능하게 했다. 디퓨전 모델은 이미지에 점진적으로 노이즈를 추가한 뒤, 이 노이즈를 단계적으로 제거하며 깨끗한 이미지를 복원하는 방식을 사용한다. 이 기술은 스테이블 디퓨전(Stable Diffusion), 달리(DALL-E)와 같은 대표적인 서비스에 활용되고 있다. 대규모 언어 모델과 마찬가지로, 이미지 및 영상 모델 역시 규모의 확장과 효율의 최적화라는 상반된 흐름을 동시에 경험하고 있다. 디퓨전 모델은 모델의 규모가 클수록 더 좋은 성능을 보이지만, 그만큼 막대한 연산 자원과 느린 처리 속도라는 문제에 직면한다. 이러한 한계를 극복하기 위해 모델 경량화와 처리 속도를 높이는 기술적 접근이 중요하게 다루어지고 있다. 이는 AI 기술의 상용화와 대중화를 위한 필수 단계이다. 영상 생성 기술은 미디어 및 엔터테인먼트 산업의 콘텐츠 창작 패러다임을 근본적으로 변화시키고 있다. 텍스트 입력만으로 원하는 비디오를 만들 수 있는 능력은 브레인스토밍을 가속화하고, 마케팅 자료, 게임 비주얼, 와이어프레임 및 프로토타입 제작 시간을 획기적으로 단축시켜 기업의 시장 대응력을 높인다. 특히, 전자상거래 기업은 AI 생성 이미지를 사용하여 다양한 제품 쇼케이스와 맞춤형 마케팅 자료를 대규모로 제작할 수 있다. 세 번째, 음성 모델은 크게 음성 신호를 텍스트로 변환하는 ‘음성 인식(ASR : Automatic Speech Recognition)’과 텍스트를 음성으로 변환하는 ‘음성 합성(TTS : Text-to-Speech)’ 기술로 구분된다. 딥러닝 기술의 발전은 이 두 분야에 혁명적인 변화를 가져왔다. 음성 인식(ASR) : 딥러닝 기반의 엔드 투 엔드 모델은 음향 모델링과 언어 모델링 과정을 통합하여 ASR의 정확도를 비약적으로 향상시켰다. 최신 시스템은 배경 소음을 제거하고 자연어 처리(NLP) 기술을 활용하2025/10여 문맥을 이해함으로써 최대 99%에 가까운 정확도를 달성하고 있다. 이는 단순히 음성을 텍스트로 바꾸는 것을 넘어, 사용자의 의도를 정확히 이해하고 적절하게 대응하는 대화형 AI 시스템의 핵심 기반이 된다. 음성 합성(TTS) : 딥러닝 기반 모델은 기계적인 느낌을 벗어나 사람처럼 자연스럽고 운율이 담긴 목소리를 생성하는 데 큰 발전을 이루었다. 이는 텍스트 분석, 운율 모델링, 그리고 실제 음성 파형을 생성하는 ‘보코더(vocoder)’ 과정을 통해 이루어진다. 현대 음성 합성 기술의 발전 방향은 단순히 자연스러움을 넘어, 인간-기계 상호작용을 더욱 몰입감 있고 개인화된 경험으로 이끄는 데 있다. 감정 표현 TTS : 이는 기계에 감정을 부여하여 인간 언어와 더욱 유사한 음성을 생성하는 것을 목표로 한다. 기쁨, 슬픔, 분노 등 다양한 감정을 표현하는 음성 합성은 사용자 경험을 더욱 풍부하게 만든다. 개인화된 음성 합성(Personalized TTS) : 이 기술은 약 1시간 분량의 데이터만으로 개인의 목소리를 복제하여 맞춤형 TTS를 만드는 연구 단계에 있다. 이는 부모의 목소리로 동화책을 읽어주는 등 감성적이고 따뜻한 응용 분야에 적용될 가능성을 열어준다.   감성으로 완성되는 기술 올해는 유난히 더운 것인지 아니면, 우리가 에어컨 환경에 너무 노출되어서 더위에 대한 저항력이 없어진 것인지는 모르지만 너무 더워서 정신적 활동이 힘들었다. 그 와중에 개인 자료를 정리하던 중에 개인적으로는 필자의 입사 이력서 사진을 우연히 찾아봤으나, 손상이 많이 되어서 인공지능으로 복원해 보기로 했다.     그림 1. 옛날 사진을 스마트폰으로 촬영한 이미지와 구글 인공지능으로 생성한 이미지   우선 스마트폰으로 이 사진을 찍은 다음 구글의 제미나이로 복원하고 다양한 모습으로 재현해 봤다. 그리고 동영상도 만들어 봤다. 아주 작고 희미한 흑백 사진이라고 우리의 머리속에 있는 이미지와 유사할 때까지 계속 보강된 이미지를 만들 수 있다. 그래서 최근에는 ‘포즈의 정리(Theorem of Pose)’라는 책을 구입해서 인공지능 생성 이미지 프롬프트를 본격적으로 연구해 보기로 했다.     그림 2. 구글 제미나이로 생성된 이미지   돌이켜보면 생각보다 빠른 속도다. 기술은 때로 불안과 경외를 동시에 불러온다. 그러나 확실한 것은, 인공지능이 우리의 감성을 자극하기 시작했다는 사실이다. 오래된 사진이 되살아나고, 목소리가 감정을 띠며, 텍스트가 움직이는 영상으로 변한다. 도입의 해를 지나 혁신의 해로 들어서는 지금, 우리는 효율을 넘어 의미를 설계해야 한다. AI는 결국, 우리 일과 삶의 이야기를 더 풍부하게 엮어내는 도구다. 기술이 감성을 만나 경험을 재편할 때, 진짜 혁신은 비로소 현실이 된다. 기업의 입장에서 2024년이 ‘도입의 해’였다면 2025년은 운영 방식 자체를 재정의하는 ‘혁신의 해’다. 기업은 막연한 기대가 아니라 ROI로 말하기 시작했고, 반복적·규칙 기반 업무를 AI로 자동화하여 즉각적인 효율과 투자 성과를 확보하는 전략이 주류로 부상했다. 그 중심에는 언어, 시각(이미지·영상), 음성이라는 세 가지 축과 이들을 촘촘히 엮어내는 멀티모달 AI가 있다.   ■ 조형식 항공 유체해석(CFD) 엔지니어로 출발하여 프로젝트 관리자 및 컨설턴트를 걸쳐서 디지털 지식 전문가로 활동하고 있다. 현재 디지털지식연구소 대표와 인더스트리 4.0, MES 강의, 캐드앤그래픽스 CNG 지식교육 방송 사회자 및 컬럼니스트로 활동하고 있다. 보잉, 삼성항공우주연구소, 한국항공(KAI), 지멘스에서 근무했다. 저서로는 ‘PLM 지식’, ‘서비스공학’, ‘스마트 엔지니어링’, ‘MES’, ‘인더스트리 4.0’ 등이 있다.     ■ 기사 내용은 PDF로도 제공됩니다.

미라콤 솔루션 페어   미라콤아이앤씨가 9월 25일 '미라콤 솔루션 페어 2025(MSF 2025)'를 개최하고, 핵심 주제인 '제조 AX(인공지능 전환)'를 중심으로 제조 특화 AI 솔루션인 'Nexphere AI(넥스피어 AI)'와 구체적인 AX 로드맵을 공개했다. 미라콤아이앤씨가 매년 하반기에 주최하는 이 전문 행사는 서울 드래곤시티 호텔에서 열렸다. 제조 AX를 이끌 최신 기술 트렌드 총망라 이번 MSF 2025에서는 제조 혁신을 이끌 최신 인사이트가 대거 공개된다. 행사의 첫 순서인 키노트 세션에서는 삼성SDS 김긍환 그룹장이 연사로 나서 'AI Agent 시대, 제조업의 새로운 가능성'이라는 주제로 발표했다. 김 그룹장은 사람의 개입 없이 AI 시스템이 스스로 작업을 수행하는 'Agentic AI'와 데이터 간 관계와 맥락을 부여해 AI의 정교한 추론을 돕는 '데이터 온톨로지' 등 최신 기술 트렌드를 언급하며 AI 시대에 국내 제조 기업들이 나아가야 할 방향을 제시할 예정이다. 제조 현장에서는 이 기술들을 활용해 고도화된 설비 파라미터 설정과 불량 원인 분석 등의 작업을 수행할 수 있을 것으로 전망된다. Agentic AI를 IT 리소스와 연결하면 제조 현장에 자율 지능형 AI 도입이 가능해진다. Nexphere AI로 실현하는 제조 AX 로드맵 키노트 이후에는 △Track1(Connect) △Track2(Activate) △Track3(Realize) 3개 트랙에서 총 12개의 세션이 이어진다. 특히, 미라콤아이앤씨 이송완 랩장은 Track1 'Connect'에서 'AX로 여는 자율제조의 미래: SDF 완성을 위한 플랫폼 핵심전략'을 주제로 발표한다. 이 랩장은 미라콤아이앤씨의 제조 AI인 Nexphere AI와 자체 플랫폼인 'Nexphere Platform'을 중심으로 구체적인 제조 AX 실현 로드맵을 제시한다. Nexphere Platform 위에서 제공되는 핵심 솔루션은 'Nexphere Analytics'와 'Nexphere Chat'이다. Nexphere Analytics는 데이터 전처리와 머신러닝, 딥러닝 기반의 예측 및 분석을 통해 제조 현장에서 활용할 수 있는 인사이트를 제공한다. Nexphere Chat은 제조 데이터를 실시간으로 조회하거나 기업의 문서와 자료를 지식화하여 자연어로 질의응답을 할 수 있도록 만든 협업 솔루션이다. 미라콤아이앤씨는 Nexphere Platform 내 학습 및 운영을 통해 AI Agent를 확보하고, 궁극적으로 이를 제조 특화 Agentic AI로 발전시키겠다는 로드맵을 가지고 있다. 행사 현장에는 Nexphere AI를 비롯해 6개의 제조 혁신 솔루션 데모가 마련되어 있어 관람객들이 직접 체험해볼 수 있다. 미라콤아이앤씨 강석립 대표이사는 "2025년은 제조 AX가 본격적으로 시작되는 원년"이라며 "올해 MSF 2025에서 제조 AX의 구체적인 전략과 방향성을 확인하길 바란다"고 말했다. 상세 내용은 홈페이지에서 확인 가능하다.

건설 융복합 혁신 기술을 한자리에 선보인 ‘넥스트콘 2025(NextCon 2025)’ 전시회가 7월 30일부터 8월 2일까지 코엑스 B홀에서 진행됐다. ‘코리아 빌드 위크’의 일부로 마련된 넥스트콘 2025는 ‘MOMENTUM : New Wave - 디지털 가속화, 새로운 건설 시대로의 전환’을 주제로 나흘간 진행됐는데, 건설 산업의 디지털 전환을 위한 고민과 돌파구를 엿볼 수 있는 기회가 되었다. ■ 정수진 편집장   ▲ 코엑스에서 진행된 넥스트콘 2025 전시회   모든 산업 분야에서 디지털 전환(DX)이 중요한 화두로 떠오르는 가운데, 건설산업에서도 디지털 전환의 필요성을 절감하고 있다. 건설 산업은 다른 산업에 비해 디지털화 수준이 낮다는 지적이 나오고 있으며, 낮은 노동 생산성과 고령화 및  젊은 인력의 유입 감소에 따른 인력 부족도 문제가 되고 있다. 문제 해결을 위해 정부에서는 디지털화 및 스마트 건설의 활성화를 촉진하기 위한 정책을 마련하고 있으며, 업계에서도 시공–설계–유지관리에 이르는 전반의 과정에서 디지털 전환을 실현하기 위한 기술의 활용에 더 많은 관심을 보이고 있다. 이번 넥스트콘 2025 전시회에서는 스마트 건설&OSC(OffSite Construction), 건설 자동화&로보틱스, 스마트 홈&빌딩, 탄소중립&건설 신공법·신기술, 스마트 안전 등 분야의 다양한 기술이 소개됐다. 또한 ▲건설 자동화 및 로보틱스 관련 정책을 설명하고 현장 적용 사례 및 기술을 소개한 ‘건설자동화&로보틱스 콘퍼런스’ ▲최신 콘테크(contech) 트렌드 및 중대재해처벌법 대응 방안을 소개한 ‘C-Insight Con(건설산업 인사이트 콘퍼런스)’, ▲ 스마트 건설·건축 및 스마트 빌딩 분야의 기술 비전을 공유하고, 빌딩 자동화 및 통합 관리 설루션 기술과 현장 적용 사례를 소개한 ‘스마트+빌딩 콘퍼런스’ 등이 함께 진행되었다.   스마트 건설 & OSC BIM(건설 정보 모델링)은 건설 산업 디지털 전환의 핵심 요소로 여겨지고 있다. 설계 BIM은 모델링, IFC 파일 활용, 도면 자동 생성, 공간 데이터 구축을 통해 효율을 높이고, 시공 BIM은 사전 설계 검토, 물량 산출, 공정 시뮬레이션, 시각 자료 생성에 기여한다. 유지관리 BIM은 3D 스캔 및 데이터 통합을 통해 시설물의 실시간 통합 관리 환경을 조성하며, 리모델링 BIM은 3D 스캔을 통한 현황 파악 및 안전 관리에 활용된다. 공장에서 구조물이나 부재 등을 생산하고 이를 시공 현장에서 조립·설치하는 방식을 뜻하는 OSC는 건축 분야에서 기술 개발이 활발히 진행 중이며, 향후 더욱 확산되어 스마트 건설의 중요한 축을 이룰 것으로 전망된다.   ▲ 메이사는 드론, 360도 카메라, CCTV, 모바일 GPS 데이터를 통해 원격 현장관리를 실시간으로 할 수 있는 클라우드 플랫폼을 선보였다.   ▲ 비전스페이스는 로보틱스/AI/디지털 트윈 기반으로 산업용 로봇의 설계·운영·최적화를 지원하는 자동화 설루션을 소개했다.   건설 자동화 & 로보틱스 드론 기술은 건설 현장의 데이터를 수집하고 가상화하는 리얼리티 캡처의 주요 도구이다. 드론은 수백에서 수천 장의 사진을 찍어 사진 측량학 기술을 통해 3차원 모델을 재구성하며, 이를 통해 현장 측량, 토공 물량 산출, 시간 경과에 따른 물량 변화 추적, 시뮬레이션 및 현장 검사에 활용된다. 드론 기술은 자율 비행이 진전되고 GPS 외에 비전 인식 기술이 업그레이드고 있다, 또한, 사람의 개입 없이 데이터를 수집하고 전송하는 드론 스테이션/독 연동 기술이 발전하면서 현장의 번거로움을 해소하고 있다. 드론 외에도 건설 공정을 자동화하고, 원격 시공에도 활용될 수 있는 다양한 로보틱스 기술에 대한 연구 개발도 활발히 진행 중이다. 공간 데이터와 LLM(대형 언어 모델), 비전 데이터, 딥러닝 기술을 접목한 AI 서비스가 속속 등장하면서 현장 활용이 시도되고 있는 상황이다. 이런 서비스는 3D BIM 도면, 측량 데이터, CCTV 영상 등 다양한 데이터를 취합·비교해 공정 진행 상황 확인 및 보고서 작성 등 자동화된 분석을 가능하게 한다.   ▲ 마션케이는 비정형 건축물의 시공에 활용할 수 있는 건설용 3D 프린터 기술을 선보였다.   ▲ 딥인사이트는 BIM 설계뿐 아니라 다양한 분야에서 활용 가능한 3D 스캐너 및 스마트 비전 설루션을 소개했다.   스마트홈 & 빌딩 및 탄소중립 건설 프로세스뿐 아니라 스마트 기술을 건물 자체에 적용하면 에너지 효율, 거주 편의성, 안전성 등을 높이는 방향으로 디지털 전환을 실현할 수 있을 것으로 여겨지고 있다. 한편, 탄소중립은 건설 산업의 지속가능성을 위해 중요한 과제이며, 디지털 기술은 자원 효율의 증대와 폐기물 감소를 통해 이에 기여할 수 있을 것으로 보인다.   스마트 안전 건설 현장의 안전 관리 또한 디지털 전환의 중요한 부분으로 꼽힌다. BIM은 현장 정보를 반영한 안전 계획 수립 및 시각화 정보를 제공하여 작업자의 안전을 높이고, 드론은 시설물 점검, 이슈 탐지 및 안전 관리에 활용된다. 최근에는 스마트 안전 교육 과정 개발도 추진 중에 있다.   ■ 기사 내용은 PDF로도 제공됩니다.

인텔은 LG이노텍이 자사의 기술을 활용해 인공지능(AI) 기반의 자동화 시스템을 구축하고 있다고 소개했다. 소재·부품 전문 기업인 LG이노텍은 휴대폰, 자동차 디스플레이, 스마트 기기 등에 들어가는 수십만 개의 초소형 부품을 완벽한 정확도와 무결점으로 복제하는 것을 목표로 삼고 있으며, 혁신 기술을 통해 이러한 목표를 달성하고자 한다.  LG이노텍의 구미 공장에서는 인텔 코어(Intel Core) 프로세서, 인텔 제온(Intel Xeon) 프로세서 및 인텔 아크(Intel Arc) 내장형 그래픽처리장치(GPU)가 조화를 이루며 작동한다. 이들 기술은 오픈비노(OpenVINO) 소프트웨어 툴킷으로 통합된다. LG이노텍은 생산 라인의 특정 단말기에서 규칙 기반 검사 및 딥러닝 기반 시스템을 사용해 제품 품질을 높여왔다. 여기서 나아가, LG이노텍은 제조 공정 전반에 걸쳐 AI를 광범위하게 적용하여 성능 저하 없이 완전 자동화된 시스템을 구축하고자 했다. 인텔은 지난 2024년 인텔 코어 및 제온 프로세서와 아크 외장형 GPU를 기반으로 하는 AI 기반 검사 시스템에 대한 구축 지원을 위해 LG이노텍과 논의를 시작했다. 핵심은 생산 공정에서 발생하는 데이터가 인텔 코어 CPU를 탑재한 PC로 스트리밍되며, 내장 GPU는 결함 데이터를 분석하는 데 비용 효율을 제공하는 것이다. 고해상도 이미지에서 다중 알고리즘을 실행하는 등 부하가 큰 워크로드는 인텔 아크 외장 GPU가 처리하게끔 했다. 시간이 지남에 따라 축적된 데이터셋은 인텔 제온 기반의 사전 학습 서버로 전송된다.      양사는 향후 협업을 통해 인텔 가우디 AI 가속기가 탑재된 서버를 활용한 사전 학습 워크로드 관리를 검토하고 있다. 이처럼 CPU를 기반으로 내장 및 외장 GPU로 가속화된 인텔 기반 기술 조합을 활용하여 AI 검사 시스템 구축 비용을 절감할 수 있었다는 것이 인텔의 설명이다. 인텔은 “아크 기반 외장 GPU를 도입하면서, 동급 성능의 타사 하드웨어 대비 성능에 비해 높은 비용 효율성을 달성했다. 이러한 비용 절감 효과는 규모의 경제를 더욱 극대화할 수 있는 기반이 되고 있다”고 전했다.  LG이노텍은 2024년 모바일 카메라 모듈 생산 라인에 인텔의 AI 비전 검사 설루션을 처음 적용했으며, 올해는 FC-BGA(flip-chip ball grid array)를 생산하는 구미4공장 등 국내 주요 생산 거점과 해외 생산라인에 단계적으로 확대 적용할 계획이다.  시스템 도입 당시에는 기존 딥러닝 환경이 특정 외장 그래픽 카드를 기반으로 구축되어 있어, 처음에는 통합 GPU 도입에 대한 우려가 있었다. 특히, 신규 GPU에 맞춰 기존 코드를 재작성하고 다시 매핑하는 것이 매우 어려울 것이라는 걱정이 있었만, 오픈비노(OpenVINO) 소프트웨어 툴킷을 활용해 우려를 해소할 수 있었다. 2018년 오픈비노 출시 이후, 인텔은 전 세계 개발자가 AI 기반 개발을 가속화할 수 있도록 지원해왔다. 오픈비노는 개발자가 한 번의 코드 작성으로 다양한 환경에 AI 모델을 배포할 수 있도록 돕는 오픈소스 AI 툴킷이다. LG 이노텍의 엔지니어들은 대량 생산 과정에서 공정이 변경되거나 원자재가 바뀔 때, 딥러닝 모델을 재학습하기 위해 AI 기반 워크로드에 최적화된 AI 가속기가 탑재된 인텔 제온 CPU 활용도 고려하고 있다. 제온 CPU는 병렬 연산 속도를 높이고, 인텔 AMX(Intel Advanced Matrix Extensions)라는 특수 내장 가속기를 지원해 제온 CPU에서 딥러닝 학습 및 추론 성능을 향상시킨다. 인텔은 제온 CPU와 별도 서드파티 GPU를 함께 사용하는 기존 방식에 비해 AI 기반 파인튜닝(Fine Tuning) 작업을 CPU로 처리함으로써 시스템 비용을 줄일 수 있을 것으로 기대하고 있다.

PLM 전략 경영 컨설팅 및 리서치 기업인 심데이터(CIMdata)는 ‘심데이터 시뮬레이션 및 해석(S&A) 시장 분석 보고서’를 발표한다고 밝혔다. ‘심데이터 2025 PLM 시장 분석 보고서 시리즈’의 일부로 수행된 S&A 시장 분석을 확장한 이 보고서는 전 세계 S&A 시장을 다양한 차원에서 상세히 설명한다. 또한 심데이터의 S&A 시장 세분화에 대한 업데이트, S&A 산업의 동향에 대한 논의, 상위 S&A 설루션 공급업체에 대한 최신 정보를 포함한다. 심데이터 보고서에 따르면, 2024년 전 세계 시뮬레이션 및 해석 시장 매출은 2023년의 100억 달러(약 13조 9000억 원)에서 8.8% 증가한 109억 달러(약 15조 1510억 원) 규모로 나타났다.  심데이터는 PLM 시장 전체가 강력한 성장을 지속할 것으로 보았는데, 이 중 S&A 부문은 2025년에 10.7% 성장하여 매출 규모가 120억 달러(약 16조 6800억 원)를 약간 넘을 것으로 전망했다.     또한, 이번 보고서에서는 2024년 업계를 근본적으로 재편한 세 가지 핵심 동향으로 ▲EDA(전자 설계 자동화)와 S&A의 통합 ▲인공지능(AI)/머신러닝(ML) 통합의 부상 ▲ 디지털 트윈의 성숙 등을 꼽았다. 전자 및 반도체 시스템은 더 이상 특정 산업 영역이나 응용 분야에 국한되지 않고, 모든 신제품 및 프로세스 개발의 중심 부분이 되고 있다. 이러한 핵심적인 산업 수요에 따라, EDA 설루션 공급업체들은 ‘실리콘에서 시스템까지’ 아우르는 소프트웨어 스택 비전을 실현하기 위해 빠르게 움직이고 있다. 물리 기반 시뮬레이션 기술은 이들 제품의 핵심적인 부분으로 자리 잡고 있다. AI와 머신러닝 기능은 오랫동안 시뮬레이션 워크플로에 내장되어 주로 배경적인 역할을 수행해 왔다. 그러나 GPU 컴퓨팅 발전과 생성형 AI가 불러일으킨 큰 관심에 힘입어, 신생 스타트업과 기존 설루션 공급업체 모두 시뮬레이션 워크플로를 재창조하고 있다. 여기에는 과거의 시뮬레이션 및 테스트 데이터를 사용한 모델 개발(핵심 머신러닝), 훈련 시간 및 데이터 요구사항을 줄이기 위한 물리 정보 AI 훈련 방법 사용, 기하학적 딥러닝을 기본 구성 요소로 활용하는 것 등이 포함된다. 많은 기업이 ‘파운데이션 모델’을 개발하려 시도하고 있으며, 이를 통해 완전히 훈련된 모델을 사용한 추론으로 시뮬레이션의 패러다임을 전환하고 있다. 디지털 트윈 기술은 개념적 아이디어에서 여러 산업에 걸친 실질적인 구현 단계로 발전했다. 시뮬레이션 및 해석은 디지털 트윈의 기본 요소로서, 예측 통찰력에 필요한 물리 기반 모델링을 제공한다. 기업은 예측 유지보수 및 가상 시운전과 같은 응용 분야에 디지털 트윈을 활용하여 제품 운영과 설계 간의 폐순환(closed-loop) 시스템을 구축하고 있다.

제조 산업 공정 최적화 솔루션 기업인 인이지(INEEJI) 는 설명가능 인공지능(Explainable AI, XAI)과 AI 예측 기술력을 바탕으로 제조업 및 다양한 산업의 생산성과 효율성을 향상시켜 공정 수율을 개선하는 데 중점을 두고 있다. 주요 기술로는 세계 최고 수준의 설명가능 인공지능 기술력과 예측 정확도를 집약한 AI 예측 솔루션 INFINITE OPTIMAL SERIES(인피니트 옵티멀 시리즈)와 원자재, 환율, 날씨, 소비자 행동 등 주요 경제 지표를 바탕으로 비즈니스 전반에 활용 가능한 클라우드 기반 AI 예측 서비스인 Cloud AI EEJI(이:지)가 있다.   인이지(INEEJI)는 2019년 설립되어, 세계적 수준의 AI 예측 솔루션을 통해 제조 산업 공정의 최적화를 실현하는 기업이다. 별도의 하드웨어 설치 없이 소프트웨어만으로 적용 가능한 AI 예측·제어 가이던스 솔루션을 제공하며 제조업의 디지털 전환과 공정 효율화에 앞장서고 있다.  (1) INFINITE OPTIMAL SERIES 인이지의 대표 AI 예측 솔루션인 INFINITE OPTIMAL SERIES(인피니트 옵티멀 시리즈)는 공정의 문제를 정확하게 예측하고, 작업자가 쉽게 이해할 수 있도록 가이던스를 제공하여 공정을 최적의 상태로 운영할 수 있도록 지원한다. 주요 고객사는 철강, 시멘트, 화학, 정유 등 다양한 제조 산업에 걸쳐 있으며, 주요 핵심 공정에 적용되어 제조 공정의 품질 개선, 생산성 향상, 에너지 절감을 돕고 있다. 일본을 포함한 글로벌 시장에서 성공적인 프로젝트 사례를 확보하며 입지를 다지고 있다. INFINITE OPTIMAL SERIES는 제조 공정 데이터를 기반으로 품질과 생산성을 개선하고 에너지를 절감할 수 있는 AI 예측 기반 공정최적화 솔루션이다. 이 솔루션은 시계열 데이터 분석과 설명가능 AI 기술을 활용하여 예측 결과와 근거를 명확히 전달하며 철강, 시멘트, 화학 등 다양한 제조 산업에서 생산성과 품질 개선 효과를 실현하고 있다.  세계적인 인공지능 학술대회인 ICML, AAAI, KDD등을 통해 기술력을 인정받으며, 최근에는 AI 모델이 어떤 원리로 작동하는지, 어떤 변수가 현재의 의사 결정에 중요한 영향을 미치는지 그 기여도를 선별하고 예측 정확도를 산출하는 딥러닝 설명 과정 입력 기여도 측정 기술(NeurIPS 2022)로 세계 최고 수준의 기술력으로 인정받았다. (2) Cloud AI EEJI Cloud AI EEJI[이:지]는 기업이 보유한 데이터 기반 인사이트 도출 및 주요 지표 예측을 통한 폭넓은 활용을 지원하며, 다양한 경제적·환경적 요인을 통합적으로 분석하는 강점을 갖추고 있다. 인이지의 기술력은 산업별 맞춤형 AI 솔루션 설계, 데이터 수집, 모델 개발, 현장 적용 및 통합 운영까지 아우르는 end-to-end 서비스로 제공되며, 고객의 디지털 전환과 공정 혁신을 효과적으로 지원한다. EEJI는 경제 지표, 수요 예측, 원자재 가격 분석 등 비즈니스 데이터에 가장 적합한 최적의 예측 모델을 제공한다. EEJI는 API를 통해 손쉽게 연동되며, 고객사가 데이터 활용도를 극대화할 수 있도록 지원한다. 두 솔루션 모두 사용자의 비즈니스와 제조 공정의 효율성을 극대화하는 데 중점을 두고 설계되었다. 관련 트렌드 및 전망 (1) 산업 AI 기술 및 지속가능성 글로벌 기술 패권 시대에 제조업이 국가 경쟁력의 중심으로 떠오르고 있으며, 미국은 제조 기술의 약점인 생산성을 첨단 기술로 극복하고 첨단 제조업으로의 전환을 준비하고 있다. AI는 제조업에서 생산성 향상, 에너지 효율 증대, 인력 운용 최적화, 제품 품질 개선 등 주요 과제를 해결하는 핵심 기술로 부상하고 있다. 산업 AI 기술은 제조업에서 실시간 데이터 분석을 통해 공정을 최적화하고 설비의 유지보수를 사전에 예측하는 방향으로 발전하고 있다. 특히 석유화학, 시멘트, 제철 등 대규모 공정을 보유한 산업에서는 에너지 효율 향상과 운영 비용 절감을 위한 AI 활용이 필수적이다. 기업들은 산업별 맞춤형 모델과 거버넌스 전략을 통해 AI를 도입하고 있으며, 기존 AI/ML 기법과의 조합을 통해 한계점을 보완하고 있다. 또한, AI 기술을 활용해 에너지 절감과 탄소 배출 저감을 실현하는 솔루션은 제조업계에서 중요한 과제로 자리 잡고 있으며, 관련 기술 수요는 꾸준히 증가하고 있다. (2) 설명가능 AI의 중요성 설명가능 AI(Explainable AI)는 AI의 의사결정 과정을 명확히 드러내 신뢰를 구축하는 핵심 기술로, 제조업 등 산업 분야에서 중요성이 높아지고 있다. 주요 정부와 규제 기관은 책임감 있는 AI 활용을 위해 투명성과 신뢰성을 강화하는 정책을 추진하고 있으며, 이를 통해 사용자와 이해관계자가 쉽게 이해하고 모니터링할 수 있는 솔루션에 대한 수요가 증가하고 있다. 인이지는 설명가능 AI 기술을 활용해 산업 현장에서 AI 의사결정 과정을 투명하게 제시하며, 신뢰와 책임감을 강화하고 있다. 이로써 윤리적이고 책임감 있는 AI 활용을 지원하며, 산업계의 지속가능한 디지털 전환에 기여하고 있다. 비즈니스 전개 방향 인이지는 ‘인간(人)을 이(利)롭게 하는 인공지능(知)’이라는 기업 비전 아래 철강, 시멘트, 정유, 화학, 발전, 유리 제조 등 주요 제조 공정에서 AI 예측 가이던스의 실효성을 입증하며 국내 레퍼런스를 확대하는 동시에 산업 현장에서 제조 품질을 향상시키고 기업 성장 촉진에 매진하고 있다. 2025년 코스닥 상장을 목표로 하고 있지만, 궁극적인 목표는 Siemens와 같은 세계적인 기술 기업으로 도약하는 것이다. 최근 인이지는 국내 제조 기업들과의 협력 경험을 바탕으로 일본 시장 진출 1년 만에 주요 제조사들과 실증 프로젝트를 성공적으로 진행하며 글로벌 확장을 가속화하고 있다. 일본의 지요다 강철 공업과의 AI 공정 실증 실험을 시작으로, 제강, 시멘트, 생활가전 제조사 네 곳에 AI 예측 솔루션을 도입하고 운영을 확정했다. 일본을 시작으로 독일, 대만 등 글로벌 제조 강국으로 시장을 확대해 나가며 글로벌 시장에서 AI 예측 기술의 혁신성과 실효성을 입증하며 세계적인 AI 예측 전문 기업으로 자리매김하고자 한다.

전력 계측 및 AI 기반 모터 진단 솔루션 전문기업, 엔텍시스템   산업 현장에서 고장이나 생산이 중단될 수 있는 상황을 미리 예측해, 장비 가동 중지 등의 사태를 막는 예지보전의 중요성이 높아지고 있다. AI 기반 산업 진단 기술 전문기업 엔텍시스템(www.nteksys.com)은 전력 계측과 모터 진단 분야에서 20년 이상 축적된 기술력으로 산업 설비의 안전성과 효율성을 높이는 데 앞장서고 있다.   엔텍시스템 김영식 부사장   산업 현장의 숨은 위험 신호, AI가 먼저 알아챈다 2002년 설립된 엔텍시스템은 전력 계측 및 AI 기반 모터 진단 솔루션을 전문으로 제공하는 기술 기업이다. 전기 신호 분석과 머신러닝 기술을 융합해 설비의 이상을 조기에 탐지하고, 운영 최적화를 유도하는 ‘AI 예지정비’ 분야에서 독자적 위치를 구축해왔다. 주요 제품으로는 ▲멀티채널 미터(GEMS 3500 시리즈) ▲AI 모터 진단 시스템(GEMS 5500 시리즈) ▲전기실 온라인 진단 시스템(EMS) 등이 있다. 이 중 멀티채널 미터는 수배전반의 인입 및 분기 회로를 동시에 고정밀 측정하여 에너지 효율과 전력 품질 감시에 활용되고, AI 모터 진단 솔루션은 전기 신호를 분석해 이상 징후를 조기에 탐지하고 머신러닝 기반 예지보전으로 설비 안정성 및 운영 효율을 향상시킨다. 또 전기실 온라인 진단 시스템은 실시간 전력 감시와 변압기 진단을 가능케 하여 원격 모니터링과 이상 감지에 강점을 보이고 있다. 삼성전자·LG전자·포스코 등 100여 개 이상의 기업과 150여 개 공장에 솔루션을 공급해 온 엔텍시스템은  2024년에는 미국 메릴랜드 법인을 설립하며 본격적인 글로벌 시장 공략에도 나섰다. 이와 함께 CE, UL, FCC 등 국제 인증을 확보하여 글로벌 경쟁력을 강화하고 있다. 산업AI EXPO에서 혁신적인 AI 진단시스템과 산업현장 적용 사례 소개 이 회사는 9월 3일부터 5일까지 코엑스 마곡에서 열리는 2025 산업AI EXPO에 참가해 대표 제품인 ‘SV500’ 모터 진단 시스템과 클라우드 기반 SaaS 서비스를 선보이며, 산업계의 스마트 유지보수 전환을 본격화할 계획이다. 엔텍시스템이 산업AI EXPO 2025 참가를 결정한 배경에는 “AI 기술의 실효성과 방향성을 업계에 선도적으로 제시하고자 하는 의지”가 있다. “국내 산업 AI 생태계 확산을 위한 첫 이정표로서, AI 기술의 방향성과 산업 현장 적용 사례를 업계에 선도적으로 알릴 수 있는 중요한 기회라고 판단해 산업AI EXPO에 참가하게 되었다”는 엔텍시스템 관계자는 “이번 전시를 통해 이미 여러 산업 현장에서 적용 사례를 갖춘 솔루션인 SV500의 기술 신뢰성과 실제 효과를 널리 알리고 싶다”고 전했다. 엔텍시스템이 주력으로 전시할 SV500은 24비트 해상도와 8kHz 샘플링의 전류·전압 실시간 파형 분석을 기반으로 인버터와 모터 전기 신호를 정밀 분석한다. 또 디지털 트윈 기술을 활용한 이상 탐지와 토크·고조파 분석, 웹기반 대시보드 시각화로 현장 상태를 실시간 확인할 수 있다. 이와 함께 이 회사의 전시부스에서는 클라우드 기반 실시간 모터 진단 SaaS 서비스도 선보일 예정이다. 이 서비스는 모터 이상 탐지 및 진단, 시공간 제약 없이 진단 현황 확인, 원격 실시간 모니터링 기능을 제공하여 현장 유지보수 업무의 효율성을 극대화한다. “산업AI EXPO는 산업계와 AI 기술이 실질적으로 만나는 통합 플랫폼으로서 의미가 크다”는 김영식 부사장은 “제조, 에너지, 인프라 분야에서 디지털 전환이 가속되는 가운데, 기업 간 AI 적용 경험과 니즈를 공유하고 협력할 수 있는 소통의 장이 될 것”이라고 덧붙였다. 특히 엔텍시스템은 이번 EXPO 참가를 통해 ‘스마트 유지보수의 새로운 기준’을 제시하며, 다양한 산업 고객 및 파트너와 실질적인 비즈니스 협업을 확대하는 계기로 삼을 계획이다. 이를 위해 전시 기간 내 SV500 실물 데모를 운영하여 방문객들이 센서 설치와 웹 대시보드를 직접 체험하도록 할 예정이다. 맞춤형 AI 유지보수 솔루션으로 산업계 표준 제시 엔텍시스템의 향후 목표는 명확하다. 산업 현장에서 발생할 수 있는 다양한 모터 고장 패턴을 AI가 정확히 예측할 수 있도록 머신러닝 및 딥러닝 알고리즘을 고도화하고, 고객 맞춤형 유지보수 기능을 강화해 신뢰도 높은 예지보전 시스템을 완성하겠다는 것이다. 특히 사용자 맞춤 알람 임계값 설정 기능, 모바일 최적화 UI·UX 개선, 클라우드 기반 플랫폼 강화 등을 통해 산업 전반에 AI 유지보수 솔루션을 표준화해 나갈 계획이다. 더불어, 일본, 베트남, 중동 등지로의 해외 진출도 확대하며 글로벌 SaaS 플랫폼 기업으로의 도약을 준비 중이다.