#태성에스엔이 #CAE #컨퍼런스 구조/유동/열 해석부터 AI 연계까지 | TSTS 2026 기술 컨퍼런스 안내      이 내용이 제대로 보이지 않으면 행사 상세 페이지에서 확인하시기 바랍니다. 엔지니어링 경쟁력은 더 이상 기술의 보유 여부가 아니라 얼마나 빠르고 효과적으로 활용하는가에 의해 결정됩니다. 특히 AI와 시뮬레이션의 결합은 제품 개발 속도와 의사결정 방식 전반에 의미 있는 변화를 만들어오고 있습니다. TSTS 2026에서는 다양한 산업의 실제 적용 사례를 통해 엔지니어링 혁신이 어떻게 개발 기간 단축, 비용 절감, 경쟁력 강화로 이어지는지를 확인하실 수 있습니다. - 개발 리드타임 단축 및 비용 절감 사례 - 데이터 기반 설계 의사결정 고도화 전략 - 기업 경쟁력 강화를 위한 기술 활용 방향 이번 행사를 통해 귀사의 엔지니어링 전략을 점검하고, 실질적인 성과로 이어질 수 있는 방향을 확인하시기 바랍니다. 출장공문 다운로드 ■ AGENDA 기조연설 : 10:00 ~ 11:20 르웨스트홀 A 10:00 – 10:30  |  #Ai 반도체 Agentic AI 인공지능을 위한 HBM-HBF 메모리 구조의 혁신 Physical AI 시대로의 진입에 따라 AI의 성능은 이제 GPU가 아닌 '메모리 대역폭과 용량'에 의해 결정됩니다. 본 강연에서는 초거대 AI 데이터 센터의 핵심 전략이 될 HBM-HBF 최적화 구조를 제안합니다. 차세대 기술인 HBDF와 3차원 통합 구조를 통해 미래 AI 서비스를 위한 메모리 기술 혁신의 방향성을 확인하시기 바랍니다. 김정호 교수  KAIST 10:30 – 11:00  |  #방산/구조해석 고밀도 AESA 레이더 시스템을 위한 구조해석 기반 수냉식 냉각판 설계와 검증: 내압 성능 예측부터 헬륨 기밀시험을 통한 프로토타입 검증까지 근접방어무기체계(CIWS)의 핵심인 AESA 레이더는 고밀도 발열 소자를 포함한 TRM의 안정적 냉각이 운용 신뢰성을 좌우합니다. 본 발표에서는 복잡한 냉각 유로를 내장한 수냉식 냉각판의 설계 단계에서 구조해석을 통해 내압 성능과 최대 변위를 사전 검증한 과정을 소개합니다. 제작 공정 안정화를 거쳐 완성된 프로토타입에 대한 헬륨 기체 내압시험 결과를 통해 설계 기준 충족 여부를 확인하시기 바랍니다. 신동준 수석연구원  LIG D&A 11:00 – 11:20  |  #Ai+Ansys From Physics to AI: The Evolution of Simulation with Ansys and Tae Sung S&E AI의 기능 확대에 따라, 공학 시뮬레이션 분야에서도 '정확한 물리 해석'을 유지하면서 '속도와 자동화'를 극대화할 수 있는 도구로서의 개발이 활발히 진행되고 있습니다. 본 세션에서는 Ansys의 AI의 기술개발 현황과 함께 이의 올바른 적용을 위한 태성에스엔이의 서비스를 설명합니다. 윤진환 본부장  태성에스엔이 Lunch Break 11:30 - 12:50 산업군 트랙 : 12:50 ~ 17:00 르웨스트홀 4F 각 세션장 전기/전자/ 반도체 자동차/ 모빌리티 항공우주/ 방산 에너지/중공업/ 플랜트 헬스케어  Agenda 한 눈에 보기 ■ 사전등록 안내 기간 : 2026.04.01.~05.08. 한정된 좌석으로 인하여 조기 마감 될 수 있습니다. 혜택 1 사전등록 후 현장참여 선착순 300분께 태성에스엔이의 키링을 제공합니다.   혜택 2 사전등록 후 현장참여 선착순 500분께 점심식사를 제공합니다.   ＊ 행사 종료 후 진행되는 설문조사에 참여해 주세요. 소중한 의견을 주신 분들께 깜짝 기념품을 드립니다. 사전신청 바로가기 Sponsor Platinum Gold Silver

아마존웹서비스(AWS)는 과학자들이 신약을 더 빠르고 체계적으로 설계하고 검증할 수 있도록 돕는 인공지능(AI) 기반 애플리케이션인 ‘아마존 바이오 디스커버리(Amazon Bio Discovery)’를 출시했다. 아마존 바이오 디스커버리는 방대한 생물학 데이터를 학습한 전문 AI 모델인 생물학 파운데이션 모델 카탈로그에 과학자들이 직접 접근할 수 있도록 지원한다. 이들 모델은 신약 후보 물질을 생성하고 평가하며, 신약 발굴 초기 단계에서 항체 치료제 연구를 앞당기는 역할을 한다. 과학자들은 아마존 바이오 디스커버리의 AI 에이전트를 통해 일상적인 언어로 연구 목표에 맞는 모델을 선택하고 입력 변수를 최적화할 수 있다. 기존 실험 데이터를 활용해 모델을 추가로 학습시켜 예측의 정확도를 높이는 것도 가능하다. 선정된 후보 물질은 실제 실험실로 보내져 합성하고 테스트하는 과정을 거치며, 그 결과는 다시 애플리케이션으로 전달된다. AWS는 이러한 방식을 통해 실험실과 연계한 지속적인 반복 실험 구조를 구현했다.     그동안 신약 발굴 분야에 AI를 도입하는 데는 어려움이 많았다. 생성형 AI의 발전으로 머신러닝 모델이 늘어났지만, 이를 다루려면 코딩 능력과 복잡한 인프라 관리 기술이 필요했기 때문이다. 수십 개의 모델 성능을 직접 비교하는 것도 쉽지 않았고, 이를 지원할 전산 생물학자도 부족한 실정이었다. 물리적 실험을 위해 데이터를 주고받는 과정 역시 여러 시스템에 흩어져 있어 관리가 까다로웠다. 아마존 바이오 디스커버리는 AI 모델과 분석 패키지를 비교 평가하는 벤치마크 라이브러리와 실험 설계를 돕는 AI 에이전트, 통합 실험실 파트너 네트워크를 제공해 이런 문제를 해결하고자 했다. 이를 통해 얻은 피드백은 다음 설계 단계를 개선하는 밑거름이 된다. 이 서비스는 제약사와 바이오테크, 학계 연구기관이 필요로 하는 데이터 보호와 보안 환경을 갖추고 있다. 데이터는 완전히 격리되어 보호되며, 고객은 모든 지식재산과 데이터에 대한 소유권을 가진다. 아마존 바이오 디스커버리는 아페리스와 볼츠 등 파트너사의 오픈소스 및 상업용 모델을 포함해 폭넓은 생물학 특화 AI 모델 카탈로그를 제공한다. 앞으로 바이오허브와 프로플루언트의 모델도 추가될 예정이다. 과학자들은 코딩 대신 자연어를 사용해 단계별 실험 과정을 구성할 수 있으며, 제조 용이성이나 온도 안정성 같은 항체 후보 물질의 특성을 평가하는 데이터셋을 활용해 최적의 모델을 고를 수 있다. 실제로 메모리얼 슬론 케터링 암센터(MSK)는 아마존 바이오 디스커버리의 AI 에이전트를 활용해 약 30만 개의 새로운 항체 분자를 설계했다. 이 가운데 유망한 후보 물질을 테스트하는 데까지 걸린 시간은 몇 주에 불과했다. 기존 방식으로 1년 가까이 걸리던 작업을 대폭 단축한 것이다. 현재 MSK를 비롯해 바이엘, 브로드 인스티튜트, 프레드허치 암센터 등이 이 서비스를 초기 도입해 활용하고 있다. AWS의 라지브 초프라 헬스케어 AI 및 생명과학 부문 부사장은 “AI 에이전트는 컴퓨터 전문 지식이 없는 연구자들도 고도화된 과학 역량을 활용할 수 있게 한다”면서, “첨단 AI와 보안 인프라의 결합은 이전에는 불가능했던 방식으로 항체 발굴을 가속화할 것”이라고 설명했다.

다쏘시스템은 프랑스의 천연 화장품 기업인 그룹 로쉐와 협력해 화장품 연구 개발 역량을 강화한다고 밝혔다. 양사는 과학 기반의 버추얼 트윈 기술을 활용해 화장품 성분을 분석하고 제품 개발 효율을 높이는 데 집중할 계획이다. 1959년 설립된 그룹 로쉐(Groupe Rocher)는 이브 로쉐, 사봉, 아르본 등 다수의 브랜드를 운영하며 자연 유래 원료 기반의 뷰티 제품을 개발해 왔다. 이 회사의 과학 전문가들은 식물 성분의 작용 기전을 분석하고 독자적인 활성 성분을 활용한 포뮬레이션을 연구하고 있다. 일반적으로 화장품의 적절한 배합 비율인 포뮬레이션을 완성하기까지는 평균 30회 정도의 실험이 필요하다. 그룹 로쉐는 다쏘시스템의 생성형 인공지능(AI)과 화학 모델링, 시뮬레이션 기술을 도입해 이 과정을 최적화할 방침이다. 다쏘시스템은 3D익스피리언스 플랫폼 기반의 ‘서비스형 버추얼 트윈’을 통해 그룹 로쉐의 활성 성분과 피부를 모델링한다. 버추얼 트윈을 활용하면 성분 사이의 상호작용을 분석하고 피부 침투 여부를 미리 테스트할 수 있다. 개발 초기 단계부터 과학적 정확도를 높여 효능을 예측하고 강화하는 방식이다. 다쏘시스템은 이를 통해 실험 횟수를 20% 줄이고 제품 출시 기간을 단축할 수 있다고 설명했다.     그룹 로쉐의 베로니크 슈바르츠 부아슈 최고과학책임자는 “다쏘시스템의 기술을 통해 활성 성분의 효능을 정밀하게 예측하고 자연 친화적인 제품을 더 신속하게 개발할 수 있을 것으로 기대한다”고 말했다. 다쏘시스템의 앨리사 프리스너 산업, 마케팅 및 지속가능성 수석부사장은 “과학 기반의 인공지능 버추얼 트윈은 클라우드 환경에서 포뮬레이션을 시뮬레이션하고 최적화하도록 지원한다”면서, “그룹 로쉐가 식물 과학에 기반한 혁신 체계를 구축해 제품 경쟁력을 확보하도록 돕겠다”고 전했다. 양사의 협력은 극한 환경에서 적응하는 식물인 ‘아이스 플랜트’ 연구부터 시작한다. 아이스 플랜트는 그룹 로쉐의 안티에이징 라인인 ‘이브 로쉐 리프트 프로 콜라겐’ 개발에 영감을 준 성분이다. 양사는 향후 다양한 활성 성분으로 기술 적용 범위를 넓혀갈 예정이다.

산업 특화 AI와 클라우드 플랫폼 통해제조·건설 경쟁력 강화 지원   오토데스크코리아는 플랫폼과 AI를 결합한 ‘디자인 & 메이크(Design & Make)’ 전략을 통해 설계·시공·제조 전 과정의 데이터 단절을 해소하고, 현장 중심의 실질적인 성과 창출에 주력했다. 특히 BIM, 클라우드, 시뮬레이션, 생성형 AI를 기반으로 고객 사례를 확대하며 AX 실행 단계로의 전환을 가속화했다. 올해 오토데스크는 산업 특화 AI와 클라우드 플랫폼을 통해 국내 제조·건설 기업의 경쟁력 강화를 꾸준히 지원할 계획이다. ■ 최경화 국장     지난해 국내 제조/건축 시장에 대해 평가한다면? 지난해 국내 제조 및 건축 시장은 투자 위축, 원자재 비용 부담 등 복합적인 외부 환경 속에서 전반적으로 보수적인 기조를 유지한 한 해였다. 특히 건설 시장은 기존 자산의 효율적 운영과 비용 관리에 초점이 맞춰졌고, 제조 산업 역시 대규모 설비 투자보다는 생산성 개선과 공정 최적화 중심의 전략이 두드러졌다. 다만 이러한 환경 속에서도 대형 건설사를 중심으로 디지털 전환을 통해 사업 경쟁력을 강화하려는 움직임이 가시화되었다. 단순한 툴 도입을 넘어 데이터 기반의 의사결정 체계를 구축하려는 시도가 늘어난 한 해였다고 평가한다.   지난해 오토데스크의 주요 화두와 이로 인해 기대하는 변화는? 지난해 오토데스크의 핵심 화두는 ‘플랫폼’과 ‘AI’였다. 오토데스크는 개별 소프트웨어 공급을 넘어 설계부터 시공, 제조, 운영에 이르는 전 과정을 데이터로 연결하는 ‘디자인 & 메이크’ 플랫폼 기업으로 도약하기 위해 전략을 강화하고 있다. 산업 현장에서는 그동안 데이터가 단절되어 비효율이 발생하곤 했다. 하지만 오토데스크의 플랫폼 전략과 AI 기술이 결합되면서, 고객들은 단순 반복 작업에서 벗어나 창의적인 문제 해결에 집중할 수 있게 되었다. 특히 데이터와 자동화를 통해 단절된 워크플로를 연결함으로써 생산성을 획기적으로 높이는 변화가 현장에서 실제로 일어나고 있다.   지난해 주요한 비즈니스 성과 및 고객 성공사례를 소개한다면? 지난해 오토데스크는 단순 라이선스 공급을 넘어, 고객사가 명확한 비즈니스 목표를 달성할 수 있도록 돕는 ‘컨설팅 파트너’의 역할을 강화했다. 기술은 수단일 뿐이며 고객이 해결하고자 하는 품질, 안전, 원가 등의 문제를 정의하고 이를 해결하는 설루션을 함께 설계하는 데 집중했다. 대표적인 성공 사례로 GS건설과의 협업을 꼽을 수 있다. GS건설은 오토데스크 컨스트럭션 클라우드(ACC)를 도입하여 현장 검측 프로세스를 디지털화했다. 이를 통해 기존에 수작업으로 진행되던 검측 업무 준비 시간을 73% 단축했고, 태블릿과 웹을 통해 최신 BIM 모델을 실시간으로 확인하면서 연간 약 20만 장의 종이 문서를 절감하는 성과도 거두었다. 무엇보다 단순한 문서 관리를 넘어, 현장의 모든 데이터가 플랫폼에 축적되어 향후 자산으로 활용될 수 있는 기반을 마련했다는 점에서 디지털 전환의 모범 사례라고 할 수 있다. 또 다른 사례로는 행림종합건축사사무소가 있다. 행림종합건축사사무소는 오토데스크 포마(Autodesk Forma)의 생성형 AI 기능을 실무에 적극 도입하여 초기 설계 단계의 효율을 극대화했다. 지형, 일조, 소음, 바람 등 복잡한 환경 변수를 자동으로 분석하고, 수십 가지의 설계 대안을 생성·비교함으로써 최적의 결과물을 신속하게 도출해냈다. 이를 통해 초기 설계 검토 시간을 대폭 줄이고 정확도를 높였을 뿐만 아니라, 관련 데이터를 향후 프로젝트에서 활용 가능한 디지털 자산으로 축적한다는 점에서 AI 기반 설계 혁신의 좋은 사례라 할 수 있다.   최근 인수한 회사 및 이로 인한 변화, 전망에 대해 소개한다면? 오토데스크는 디자인 & 메이크 플랫폼의 완성을 위해 핵심 기술을 보유한 기업을 전략적으로 인수해왔다. 이는 각 분야별 전문성을 플랫폼에 통합하여 고객에게 끊김 없는 워크플로 환경을 제공하기 위한 것이다. 먼저 오토데스크 포마(Autodesk Forma)는 2020년 인수한 스페이스메이커(Spacemaker)를 기반으로 발전한 AI 네이티브 플랫폼으로, 설계 초기 단계에서 환경 분석과 대안 검토를 자동화해 보다 나은 의사결정을 지원한다. 최근에는 오토데스크 컨스트럭션 클라우드와의 통합을 통해 기획–설계–시공–운영을 하나의 연속된 흐름으로 연결하는 기반을 마련했다. 또한, 2021년 물 인프라 데이터 분석 및 시뮬레이션 전문 설루션 이노바이즈(Innovyze) 인수를 통해 상하수도 및 배수 시스템의 설계부터 운영까지 아우르는 디지털 트윈 설루션을 확보했다. 기후 변화로 인한 물 관리 중요성이 커지는 가운데, 이노바이즈의 시뮬레이션 기술은 지속 가능한 도시 인프라 구축에 핵심적인 역할을 하고 있다. 2023년 인수한 플렉스심(FlexSim)은 공장 및 물류 센터 시뮬레이션 설루션이다. 이를 통해 오토데스크는 공장 설계뿐만 아니라, 실제 공장 운영 시의 물류 흐름과 병목 현상을 디지털 환경에서 미리 검증할 수 있게 되었다. 제조 프로세스의 최적화를 지원하여 스마트 공장 구현을 가속화할 수 있는 기반을 마련했다.   엔지니어링 소프트웨어 분야에서 AI 대응을 위한 전략은? 오토데스크의 AI 전략은 보여주기 식이 아닌, 현장에서 바로 활용 가능한 실용성에 초점을 두고 있다. 데이터와 자동화를 통해 설계–제작–운영 전 과정의 단절된 워크플로를 연결하고 생산성을 높일 수 있는 고도화된 AI 기능을 제공한다. 오토데스크 AI(Autodesk AI)는 반복 작업 자동화, 축적된 데이터 기반 인사이트 제공, 기존 작업 성능 개선이라는 세 가지 축을 중심으로 발전하고 있다. 이러한 접근은 설계 정확도 향상, 일정 단축, 리스크 예측 등으로 이어지며, 실제 프로젝트 성과로 연결되고 있다. 다만 AI를 효과적으로 활용하기 위해서는 BIM과 같은 디지털 기반 데이터 축적이 선행돼야 한다. 오토데스크는 고객이 이러한 기반을 단계적으로 구축할 수 있도록 기술 컨설팅과 플랫폼을 함께 제공하고 있다.   올해 제조/건축 시장에 대한 전망은? 올해는 AI 전환(AX)이 본격 확산되는 해가 될 것이다. 지난해 오토데스크가 발표한 2025 디자인 & 메이크 글로벌 보고서에 따르면, 조사 대상 기업의 약 61%가 AX를 통해 상당히 의미 있는 생산성 향상을 경험했으며, 디지털 성숙도가 높은 기업일수록 AI 투자를 통해 의미 있는 생산성 향상과 ROI를 거두고 있다고 답했다. 올해는 많은 기업이 AI에 대한 관심을 넘어, 실제 업무 프로세스에 AI를 어떻게 적용할지 구체적으로 실행하는 단계로 진입할 것으로 전망한다. 특히 제조 분야에서는 스마트 공장 고도화와 함께 설계-제조 데이터의 통합이 가속화될 것이며, 건설 분야에서도 BIM 의무화 흐름과 맞물려 데이터 기반의 협업이 필수 생존 전략으로 자리 잡을 것이다.   올해 주목하는 시장 흐름이나 기술 이슈가 있다면? 최근 많은 기업이 AX를 얘기하지만, 이를 성공적으로 추진하는 데 있어 가장 경계해야 할 것은 ‘고립된 AI(siloed AI)’다. 전사적인 데이터 통합 없이 부서별로 파편화된 AI를 도입하면 오히려 데이터의 단절을 초래하여 큰 효과를 보기 어렵다. 따라서 올해의 핵심 이슈는 ‘데이터의 연결(connected data)’이 될 것이다. 설계, 시공, 운영 등 각 단계에서 생성되는 데이터가 하나의 클라우드 플랫폼에 축적되고, 이것이 산업 특화 AI와 연결될 때 비로소 진정한 AX가 실현될 수 있다. 오토데스크는 고객이 파편화된 데이터를 클라우드 상에서 통합 관리할 수 있도록 지원하는 데 주력할 것이다.   올해 신제품 출시나 기술 포트폴리오 확장 계획은? 올해는 AI 기반의 혁신적인 기능들이 제품 전반에 대거 탑재된다. 대표적으로 오토데스크 어시스턴트(Autodesk Assistant)는 자연어 대화를 통해 사용자가 필요한 정보를 찾거나 작업을 자동화할 수 있도록 지원한다. 또한 뉴럴 캐드(Neural CAD)와 같은 차세대 기술을 통해 복잡한 설계 형상을 AI가 이해하고 생성을 지원하는 기능도 선보일 예정이다. 한국 시장을 위한 특별한 라인업 확장도 있다. 국내 사용자들의 다양한 니즈를 반영하여 오토캐드 포트폴리오를 전문 툴셋을 포함한 오토캐드 플러스, 오토캐드, 오토캐드 LT, 오토캐드 웹 등으로 세분화하여 선택의 폭을 넓혔다. 이를 통해 고객은 프로젝트 규모와 예산에 맞춰 최적의 설루션을 선택할 수 있게 되었다.   올해 국내 비즈니스 계획은? 올해 오토데스크코리아는 고객 및 파트너와의 동반 성장을 최우선 목표로 삼고 있다. 첫째, SMB(중소·중견기업) 지원 강화이다. 공공 BIM 확산에 발맞춰 중소기업이 비용 부담 없이 BIM을 도입할 수 있도록 교육 프로그램과 공동 구매 프로모션 등을 관련 협회와 준비하고 있다. 둘째, 오토캐드 시장 확대이다. 확장된 오토캐드 라인업을 바탕으로 2D 도면부터 3D 설계, 현장 협업까지 아우르는 유연한 작업 환경을 제공하여 국내 설계 생산성을 높이는 데 기여할 것이다. 셋째, 미래 인재 양성이다. 정부 산하 기관 및 민간 교육 기관과 협력해 관련 교육 과정을 개설하고 있으며, 교육기관에 오토데스크 소프트웨어를 무상으로 제공하고 있다. ‘숙련된 인재를 확보하고 유지하는 것’이 디지털 전환의 핵심이라고 보고 있는 만큼, 이 부분에 중장기 투자를 이어갈 계획이다.   이외에 전하고 싶은 이야기가 있다면? 오토데스크의 미션은 ‘더 나은 세상을 함께 설계하고 제작하는 것(Design and Make a Better World Together)’이다. 기술은 그 자체로 목적이 아니라, 우리가 사는 세상을 더 안전하고, 편리하고, 지속 가능하게 만들기 위한 도구이다. 한국은 글로벌 시장에서도 혁신을 가장 빠르게 수용하고 실험하는 ‘혁신의 아이콘’이다. 오토데스크코리아는 한국의 기업들이 글로벌 경쟁력을 갖추고 성공적인 디지털 전환을 이룰 수 있도록, 가장 신뢰할 수 있는 파트너로서 늘 함께 할 것이다.     ■ '2025 국내 엔지니어링 소프트웨어 시장조사'에서 더 많은 내용이 제공됩니다.

전주기 AX 통합 플랫폼 ‘OCTOPUS’로 산업 AI 혁신 앞당긴다   AI는 이제 로봇의 몸을 빌려 물리적 제조 현장에서 움직이기 시작했다. 글로벌 제조업은 산업현장이 자동화되는 인더스트리 4.0을 넘어 인간과 기술이 공존하는 인더스트리 5.0 시대로 진입하고 있다. 특히 올해 글로벌 빅테크 기업들이 앞다퉈 제시한 ‘피지컬 AI’는 AI가 물리적 세계를 직접 제어하는 시대의 도래를 알렸다. 제조업 디지털화의 중심도 변하고 있다. 과거 스마트 팩토리가 ‘연결’과 ‘자동화’를 중심으로 했다면, 현재의 자율제조는 ‘지능화’와 ‘자율 판단’으로 무게중심이 이동하고 있다. 유비씨(UVC, www.uvc.co.kr)는 전주기 AX(AI Transformation) 통합 플랫폼 ‘OCTOPUS’(옥토퍼스)를 통해 이러한 변화를 이끌고 있다.   유비씨 조규종 대표 8개 개별 솔루션을 하나로 통합한 전주기 AX 플랫폼 ‘OCTOPUS’ 유비씨는 2010년 설립 당시 기계와 로봇 간 데이터 통신 기술에 집중했다. 이후 3D 렌더링 엔진 기술을 결합하며 스마트 팩토리와 디지털트윈 솔루션으로 사업영역을 확장했다. 최근에는 이러한 역량에 AI 기술을 융합하며 제조 현장의 디지털 전환(DX)을 넘어 AI 전환(AX)까지 아우르는 전주기 통합 솔루션 OCTOPUS를 완성했다. OCTOPUS는 엣지(Edge), 데이터 허브(Data Hub), 트윈(Twin), 시뮬레이터(Simulator), AI 허브(AI Hub), 에이전틱 AI(Agentic AI), 피지컬 AI(Physical AI), 로봇 허브(Robot Hub) 등 8개 솔루션으로 구성된다. 8개의 개별 솔루션을 하나의 전주기 AX 플랫폼에 통합한 OCTOPUS는 이름 그대로 문어의 특징을 닮았다. 글월 문(文)자를 쓰는 문어는 예부터 ‘바다의 선비’로 불리던 똑똑한 생명체다. 문어의 지능적 두뇌는 스스로 학습하는 AI를, ▲ 유비씨 조규종 대표 예리한 눈은 정밀 모니터링을, 독립적으로 움직이는 8개의 팔은 분산지능을, 민감한 피부는 이상 감지를 상징한다. OCTOPUS는 8개 솔루션이 유기적으로 연결되어 데이터 수집-통합-시각화-검증–학습–예측–제어의 전 과정을 수행한다. 나아가 이를 다시 생산 계획에 반영하는 완벽한 순환 구조를 구현했다. 작동 방식은 다음과 같다. 현장의 엣지가 이기종 설비에서 데이터를 수집하면, 데이터 허브가 이를 AI가 학습할 수 있는 형태로 정제한다. 트윈은 실시간 3D로 현장을 시각화하고, 시뮬레이터는 반복 실험을 통해 최적의 조건을 탐색한다. AI 허브는 공정을 학습하고, 학습된 데이터를 바탕으로 에이전틱 AI가 24시간 자율 의사결정을 수행한다. 피지컬 AI는 로봇과 설비를 정밀 제어하고, 로봇 허브가 다수의 로봇을 통합 관제한다. 기존의 제조 IT·시뮬레이션·AI 솔루션은 전문 인력이 아니면 접근 자체가 어려울 정도로 진입 장벽이 높았다. OCTOPUS는 이 문제를 플랫폼 설계 단계부터 완전히 다르게 접근했다. 데이터 수집, 시뮬레이션, AI 분석, 디지털 트윈, 로봇 제어 등 각기 다른 카테고리로 분리되어 있던 기능들을 하나의 흐름과 하나의 화면, 하나의 언어로 통합한 것이다. 특히 LLM 기반 자연어 인터페이스를 적용해 “생산 라인을 한 대 더 늘리면 어떻게 될까?”, “이 공정에서 병목이 생기는 이유가 뭐지?” 등의 질문만으로 시뮬레이션과 AI 분석, 가상 검증 결과를 제시한다. AI 예측을 실제 설비제어까지 연결하는 M.AX 시대 많은 AI 솔루션이 데이터를 분석하고 예측 결과를 보여주는데 그친다. 그러나 진정한 제조 A I전환, 즉 ‘M.AX(Manufacturing AX)’를 실현하려면 AI의 판단이 실제 설비나 로봇의 동작으로 직접 이어져야 한다. 문제는 현장에서 AI가 내린 결정을 설비 제어에 바로 적용하는 것을 극도로 꺼린다는 점이다. 안전 문제, 예상치 못한 오작동에 대한 우려, 그리고 책임 소재에 대한 불안감 때문이다. 유비씨는 디지털 트윈과 피지컬 AI를 결합한 독자적인 아키텍처로 문제 해결에 나섰다. 가상 환경에서 AI 모델을 충분히 학습시키고, 수천 번의 시뮬레이션을 통해 안전성과 효과를 검증한 후에만 실제 현장에 적용하도록 설계한 것이다. 이를 통해 환경 변화와 예외 상황에도 흔들리지 않는 안정적이고 신뢰할 수 있는 자율 운영을 실현해 나간다. 유비씨 조규종 대표는 “AI가 브레인이라면 DT는 AI의 명령을 실질적으로 수행하는 중추 신경계다. 유비씨는 디지털 트윈 기반의 피지컬 AI 기업을 향해 나아가고 있다”고 설명한다. 이어 “제조업에서 AI 기반 디지털 트윈이 지금 가장 큰 가치를 만드는 분야는 제조·생산·물류 현장의 ‘협업’을 지능화하는 영역이다. 로봇이 혼자 똑똑해지는 것보다 더 어려운 건 로봇이 제조 설비와 함께 상황을 이해하고, 여러 로봇이 스스로 역할을 나누며, 필요하면 작업자와도 안전하게 함께 일하도록 만드는 일이다”라고 덧붙였다. 유비씨가 정의하는 피지컬 AI는 인지-계획-실행으로 이어지는 구조를 기반으로 한다. 물리적 환경과 설비 상태를 실시간으로 인지하고, 운영 목표와 제약 조건을 반영해 행동을 계획한 뒤, 이를 실제 로봇과 설비의 동작으로 실행하는 전 과정을 설계하고 있다. 이 과정에서 디지털 트윈은 피지컬 AI가 학습할 수 있는 합성 데이터(Synthetic Data)를 제공하는 핵심 환경 역할을 담당한다. 나아가 OCTOPUS 피지컬 AI 솔루션을 중심으로 자율제조 영역에서 사업을 확장하는 모습이다. 조 대표는 “국내 탑티어 로봇 제조사 두 곳과 협업을 통해 실제 제조 현장 적용이 가능한 피지컬 AI 기술의 실증과 고도화를 진행하고 있다”면서, “이를 통해 제조 AX 분야의 선도 기업으로 입지를 공고히 해 나갈 것”이라고 밝혔다.   ■ 캐드앤그래픽스 최경화 국장 kwchoi@cadgraphics.co.kr

캐드앤그래픽스 CNG TV는 ‘AI 에이전트 대전환, 전문성 설계부터 코딩 혁명까지’를 주제로 인공지능팩토리 김태영 대표와 소이랩(SOY.LAB) 최돈현 대표를 초청, 방송을 진행했다. 이번 방송에서는 CNG TV 전문위원인 한국건설기술연구원 강태욱 연구위원의 사회로 최근 뜨거운 이슈가 되고 있는 AI 에이전트 트렌드에 대해 살펴보았다. 자세한 내용은 다시보기 페이지에서 확인할 수 있다.   CNG TV 발표자 - 김태영 대표(인공지능팩토리), 최돈현 대표(SOY.LAB)   AI 에이전트 대전환 시대, 전문가의 설계와 코딩 혁명이 가져올 미래 단순한 도구 활용을 넘어 AI 에이전트(AIA)가 업무의 주축이 되는 대격변의 시대가 도래했다. 기술의 단순 재현(Representation)을 넘어 전문가가 직접 시스템을 설계(Design)하고 지휘(Orchestration)하는 생존 전략이 필요한 시점이다. 인공지능팩토리 김태영 대표와 SOY.LAB 최돈현 대표는 이번 방송을 통해 AI 에이전트의 최신 흐름과 실무 적용 방안을 심도 있게 다루었다. AI 에이전트의 진화: 툴 콜링에서 자율적 임무 수행까지 AI 기술은 LLM(대규모 언어 모델)에서 시작하여 RAG(검색 증강 생성), 멀티턴 대화, 그리고 도구를 직접 호출하는 '툴 콜링(Tool Calling)' 단계로 빠르게 진화했다. 과거에는 개발자만이 API를 통해 도구를 연결할 수 있었으나, MCP(Model Context Protocol)의 등장으로 일반 엔지니어도 다양한 외부 기능을 에이전트에 연결할 수 있는 길이 열렸다. 특히 최근 주목받는 '오픈클로(OpenClaw)' 시스템은 하트비트(Heartbeat) 기능을 통해 에이전트를 주기적으로 깨워 스스로 업무를 수행하게 한다. 이는 사용자가 일일이 명령을 내리는 리액티브(Reactive) 방식을 넘어, AI가 스스로 판단하고 실행하는 프로액티브(Proactive) 방식으로의 전환을 의미한다. 김태영 대표는 실제 실험을 통해 에이전트의 자율적 업무 가능성을 확인했다고 밝혔다. 바이브 코딩과 코딩 에이전트가 만드는 생산성 혁명 '바이브 코딩(Vibe Coding)'의 등장은 개발 생태계에 큰 충격을 주었다. 커서(Cursor)나 클로드 코드(Claude Code)와 같은 에이전트는 파일 시스템에 접근하여 스스로 코드를 수정하고 실행하며, 사용자의 의도(Vibe)만으로 결과물을 만들어낸다. 이러한 에이전트는 단순히 코드 작성에 그치지 않고 문서 작성, PPT 제작, 웹페이지 구축 등 다양한 스킬(Skill)을 장착하여 범용적인 업무 비서로 진화하고 있다. 하지만 에이전트가 공유기 설정을 변경하거나 시스템 보안을 위협할 수 있는 수준까지 발전함에 따라, 격리된 환경(샌드박스)에서의 운영과 시스템적 보안 설계가 필수가 되었다. 시댄스 2.0과 비주얼 생성 AI의 격변 영상 및 이미지 생성 분야에서도 거대한 변화가 일어나고 있다. 바이트댄스(Bytedance)의 '시덴스(Seedance) 2.0'은 실사에 가까운 고품질 영상 생성 능력을 보여주며 기존의 글로벌 모델들을 위협하고 있다. 이미지 한 장으로 비행기 탈출 장면과 같은 역동적인 영상을 생성하거나, 짧은 명령만으로 고수준의 광고 영상을 제작하는 것이 가능해졌다. 또한 '컴피 클라우드(Comfy Cloud)'의 등장은 고가의 그래픽 카드 없이도 저렴한 비용으로 전문가급 워크플로우를 구축할 수 있게 했다. 이는 개인이 GPU 자원을 클라우드에서 활용하며 복잡한 노드 기반의 생성 프로세스를 운영할 수 있게 됨으로써, 1인 창작자의 기술적 진입 장벽을 혁신적으로 낮추었다. 전문가의 역할 변화와 미래 지향적 관점 AI가 숙련가의 영역을 대체함에 따라, 인간 전문가의 역할은 '어떻게 만드느냐'보다 '무엇을 설계하느냐'로 이동하고 있다. 최돈현 대표는 인문학적 소양과 예술적 통찰력을 바탕으로 한 전문성이 결여된 AI 결과물은 시장에서 오래 살아남기 어렵다고 강조했다. 앞으로의 산업 구조에서는 큰 기업에 소속된 인재보다, AI 에이전트를 지휘하여 가치를 창출하는 '1인 기업가'의 비중이 높아질 것으로 예측된다. 따라서 기술에 매몰되기보다 본연의 도메인 지식을 강화하고, AI를 효율적으로 지휘하는 설계 능력을 갖추는 것이 생존의 핵심이다.

산업을 위한 AI와 버추얼 트윈 기술 (2)   이번 호에서는 다쏘시스템의 LBM 기반 CFD 설루션인 파워플로(PowerFLOW)를 활용하여, 하중 및 회전에 의해 변형되는 트레드 타이어를 반영한 정밀 유동 예측 워크플로를 제시한다. 드라이브에어(DrivAer) 모델 적용을 통해 접지면과 사이드월 돌출부 형상 변화가 차량 항력 및 후류 구조에 미치는 영향을 분석하고, 실제 주행 조건을 고려한 차세대 공력 최적화 설계 프로세스의 방향성을 제안한다.   ■ 고석원 다쏘시스템의 유동해석 컨설턴트로, 국내 완성차 업체의 공력 및 공력소음 분야 CFD 프로젝트 수행 및 기술 지원을 담당하고 있다. 홈페이지 | www.3ds.com/ko   EV(전기자동차) 시대에 접어들면서 공력 성능은 단순한 항력 계수(Cd : Drag Coefficient) 저감의 문제가 아니라, 에너지 효율과 주행거리 경쟁력을 결정하는 핵심 설계 변수로 자리잡았다. 특히 고속 주행 영역에서는 타이어 주변에서 형성되는 복잡한 와류 구조가 전체 항력에 상당한 영향을 미친다. 그러나 현재까지 많은 외부 유동해석은 계산 효율과 모델 단순화를 이유로 강체 타이어 형상을 가정해왔다. 실제 주행 조건에서는 차량 하중과 회전에 의해 타이어 접지면이 평탄화되고, 트레드 패턴이 국부적으로 변형된다. 이러한 기하학적 변화는 경계층 발달과 박리 위치, 그리고 후류 구조에 직접적인 영향을 미친다. 그럼에도 불구하고 설계 단계에서 이러한 변형 효과는 충분히 반영되지 못하는 경우가 많다. 이 간극은 단순한 수치 오차를 넘어, 설계 의사 결정의 신뢰성 문제로 이어질 수 있다. 기존의 전산유체역학(CFD : Computational Fluid Dynamics) 접근에서는 회전 조건을 MRF(Moving Reference Frame) 혹은 LRF(Local Reference Frame) 기법을 구현하고, 접지부는 이상적인 평면 조건으로 단순화한다. 이 방식은 빠른 비교 분석에는 적합하지만, 접지부 인근의 비대칭 유동 구조와 시간에 따라 변화하는 와류 변동을 충분히 재현하기 어렵다. 특히 하중에 의해 형성되는 접지부 형상 변화는 타이어 하부 압력 분포를 바꾸고, 이는 차체 하부 유동과 상호작용하며 항력 특성에 영향을 미친다. 고속 주행 시에는 원심력에 의한 외경 변화까지 더해져 형상 변형이 복합적으로 발생한다. 따라서 현실 기반 공력 예측을 위해서는 타이어 변형을 포함한 해석 전략이 요구된다.   파워플로 기반 정밀 유동 예측 방법론 이번 호에서는 LBM(Lattice Boltzmann Method) 기반 CFD 설루션인 파워플로를 활용하여 하중 및 회전 변형을 반영한 해석 환경을 구축하였다. 차량 모델은 <그림 1>과 같이, 오픈소스 표준 차체 형상인 드라이브에어 모델을 적용하였다. 타이어 형상은 단순 강체 모델과 실제 하중 조건을 반영한 변형 트레드 타이어 모델을 사용하였다. 변형 형상은 파워플로의 전처리 모듈인 파워델타(PowerDELTA)를 통해 구현되었으며, <그림 2>와 같이 정적 하중에 의해 형성되는 접지면(contact patch)과 사이드월 돌출부(bulge)를 기하학적으로 재현하였다. 수치해석 방법에는 회전하는 타이어에 IBM(Immersed Boundary Method)을 적용하여 타이어 인근에서 시간에 따라 변화하는 유동 구조와 후류 거동을 정밀하게 분석하였다.   그림 1. 드라이브에어 차량 형상   그림 2. 접촉면과 돌출부의 형상(왼쪽 : 접촉면, 오른쪽 : 돌출부)   해석 케이스 구성 해석 케이스는 변형 타이어의 적용 유무와 <그림 3>에 나타낸 바와 같이, 타이어 변형 효과를 체계적으로 비교하기 위해 다음 세 가지 인자를 독립적으로 변화시켰다. 사이드월 돌출부(bulge, B) 횡방향 삽입각(slip angle, α) 접지면 폭(contact patch width, W)   그림 3. 변형 타이어 인자 변화 조건   각 변수 변화에 따른 항력 특성 및 후류 구조 변화를 비교함으로써, 설계 관점에서 지배적인 인자를 도출하고자 하였다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술   해운 산업의 탈탄소화가 가속화되는 가운데, 블루핀(Bluefins)은 고래 지느러미에서 영감을 받은 파력 변환 추진 시스템인 웨이브드라이브(WaveDrive)를 통해 연료비와 온실가스 배출을 20% 절감하는 설루션을 개발했다. 이 시스템은 케이던스의 피델리티 CFD(Fidelity CFD) 소프트웨어를 활용해 실제 해상 조건에서의 운동을 정밀하게 모델링하고 최적화 성능을 검증했다. 특히 오버셋 메시 기법과 피델리티 파인 마린(Fidelity Fine Marine)의 고급 기능을 통해 복잡한 유동 해석과 시스템 동역학 분석을 성공적으로 수행하며, 지속 가능한 해운 기술의 가능성을 제시하고 있다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   해운 산업의 탈탄소화 해운 산업은 전 세계 무역의 약 90%를 운송할 만큼 글로벌 경제에서 필수적인 역할을 한다. 대형 선박은 하루에 20~70톤의 연료를 소비하며, 이는 연간 약 1500만 유로의 연료 비용으로 이어진다. 이러한 연료 소비는 선박 한 척당 연간 최대 75,000톤의 이산화탄소 환산량(CO₂)을 배출하는 결과를 초래한다. 또한 전 세계 해운 산업은 질소산화물(NOx)과 황산화물(SOx)을 포함해 전체 온실가스(GHG) 배출량의 약 3%를 차지하고 있다. 따라서 해운을 탈탄소화하고 운송을 더욱 지속 가능하게 만들기 위해서는 관련 시스템과 기술을 도입하는 것이 매우 중요하다. 블루핀은 고래의 지느러미에서 영감을 받은 파력(파도 에너지) 변환 기술을 개발하여 온실가스 배출과 연료 운영 비용을 20% 절감하는 것을 목표로 하고 있다.   블루핀과 고래 지느러미에서 영감을 받은 추진 시스템   그림 1   블루핀은 선박의 구조, 안전성 및 기타 특정 요구사항이나 제약 조건을 고려하여 각 선박 유형에 맞춤형 무배출 보조 추진 설루션을 개발한다. 이러한 추진 시스템은 프랑스의 대표적인 해양 연구기관인 Ifremer(프랑스해양개발연구소)와의 협력을 통해 개발되고 있다. 고래에서 영감을 받은 추진 시스템인 웨이브드라이브는 선미에 장착되는 하이드로포일(hydrofoil)로 구성되며, 선박의 종동요(pitching) 운동을 추력으로 변환한다. 이 기술은 신조 선박뿐만 아니라 기존 선박의 개조(refit) 작업 시에도 통합 적용이 가능하다.   피델리티 CFD를 활용한 블루핀 추진 시스템 모델링 블루핀은 피델리티 CFD 소프트웨어를 활용하여 다양한 운항 조건 및 실제 해상 파랑 조건에서 웨이브드라이브 추진 시스템을 설계하고 최적화한다. 이 소프트웨어의 고급 기능을 통해 플랩(flap)의 세부 분석, 시스템 동역학 분석, 그리고 하이드로포일 하중 예측이 가능하며, 이를 통해 추진 성능을 최적화한다. 이러한 시뮬레이션은 다양한 해상 조건에서 시스템의 운동을 센서 기반으로 제어하기 위한 첫 단계에 해당한다. 다음은 사용된 방법론 및 설정 개요이다.   메시 설정 기계 시스템은 다섯 개의 개별 구성 요소로 분해되었으며, 각 구성 요소의 반쪽(body half)은 피델리티 CFD 2025.1 버전에서 개별적으로 메시(mesh) 처리되었다. 선체(hull)는 피델리티 CFD의 C-Wizard 기능을 통해 자동으로 메시가 생성되었으며, 그 결과 880만 개의 셀(cell)을 갖는 고해상도 메시가 구축되었다. 부가 구조물(appendages)은 각각 개별적으로 메시 처리되어 오버셋 메시(overset mesh)로 활용되었다.   그림 2   피델리티는 오버셋 메시(overset mesh) 기법을 활용하여 겹쳐진 격자(overlapping grids)를 사용하고, 격자 간 데이터 보간(interpolation)을 수행함으로써 복잡한 유동을 정밀하게 시뮬레이션하고 각 구성 요소의 큰 운동을 정확하게 제어한다. 오버셋 메시의 초기 셀 크기(initial cell size : ICS)는 배경 격자의 초기 셀 크기 대비 여섯 번째 세분화(refinement) 레벨로 설정되었다. 한편, 배경 박스(background box) 세분화는 초기 셀 크기보다 한 단계 더 거칠게(coarser) 적용되었다. 이 설정에서는 오버셋 인터페이스(overset interfaces) 구간에 3~4개의 초기 셀 크기를 배치하여 정확한 보간과 서로 다른 메시 구성 요소 간의 원활한 통합을 보장했다. 전체적으로 선체(hull)의 총 메시 크기는 약 1060만 개의 셀로 구성되었다.   그림 3   피델리티 파인 마린 설정 CFD 시뮬레이션은 피델리티 파인 마린에서 수행되었으며, 정상 상태(steady-state) 초기화로 시작한 후 벽 함수(wall functions)를 적용한 k-ω SST 난류 모델을 사용했다. 경계 조건과 수치 설정은 모범 사례(best practices)에 맞게 일관되게 적용되었다. 고체 영역의 경계 조건은 ‘wall-function’으로 설정되었으며, 갑판(deck)에는 ‘slip’ 조건이 적용되었다. 덕트 프로펠러(ducted propeller)는 액추에이터 디스크(actuator disk) 모델을 사용하여 구현되었다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.