국내 기업들이 AI 도입 실험 단계를 지나 본격적인 실행 단계에 접어들었다는 분석이 나왔다. 델 테크놀로지스는 인텔 및 IDC와 공동 발간한 보고서를 통해 아시아태평양 지역의 AI PC와 워크스테이션 도입 현황을 발표했다. 이번 조사는 2025년 10월 아태 지역 IT 및 비즈니스 의사결정자들을 대상으로 진행했다. 보고서에 따르면 국내 응답 기업의 69%는 PC를 구매할 때 AI 기능을 가장 중요하거나 필수적인 기준으로 꼽았다. 이는 아태 지역 평균인 56%를 웃도는 수치로 아태 지역에서 가장 높은 수준이다. 현재 국내 기업의 AI PC 실제 도입률은 37%로 아태 지역 평균인 48%보다 낮지만, 향후 도입 의지는 강력한 것으로 나타났다. 국내 기업들은 AI PC 도입이 늦어질 경우 발생할 부작용을 경계하고 있다. 응답자의 33%는 도입 지연으로 인해 핵심 인재가 경쟁사로 유출될 수 있다고 우려했다. 운영 비효율 증가와 비용 상승, 시장 주도권 상실에 대한 우려도 아태 지역 평균보다 높게 나타났다. AI PC 파트너를 선정할 때는 보안과 생태계 및 ISV 인증, 총 소유 비용 등을 주요 요소로 고려한다고 밝혔다.     AI PC는 IT 운영과 연구 개발, 고객 서비스 혁신에 기여할 것으로 기대를 받고 있다. 특히 국내 기업은 고객 서비스 분야에서 AI PC의 영향력을 아태 지역 평균보다 11.9%포인트 높은 32%로 예상했다. 이미 AI PC를 도입한 아태 지역 기업들은 일반 PC 사용 시보다 생산성이 30% 향상됐으며, 직원 1명당 하루 평균 2.17시간의 업무 시간을 줄이는 효과를 거둔 것으로 조사됐다. 한편, 워크스테이션은 고성능 AI 작업을 위한 핵심 인프라로 자리 잡고 있다. 아태 지역 응답자의 97%는 AI 및 머신러닝 모델 활용에 필요한 고성능 설루션으로 워크스테이션을 꼽았다. 국내 기업 응답자의 72%는 향후 5년간 워크스테이션 보유 대수가 늘어날 것으로 내다봤다. 현재 국내 기업 절반 이상은 데이터 준비와 모델 미세 조정 등 고난도 작업에 워크스테이션을 활용하고 있다. 델은 AI PC와 워크스테이션이 일상 업무부터 전문 워크로드까지 처리하는 ‘AI 컴퓨팅 연속체’의 중심축 역할을 한다고 진단했다. 한국 델 테크놀로지스의 김경진 총괄사장은 “AI PC와 워크스테이션은 엔터프라이즈 AI의 다음 단계를 열어가는 핵심 플랫폼”이라면서, “업무 현장에 밀착된 AI PC와 고성능 연산을 담당하는 워크스테이션의 상호 보완적인 결합을 통해 기업은 보안을 강화하는 동시에 실질적인 비즈니스 성과를 창출할 수 있을 것”이라고 말했다.

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.

BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 독일 뮌헨공과대학교(TUM) 연구팀이 개발하여 공개한 세계 최대 규모의 3D 건물 지도 데이터셋인 ‘글로벌 빌딩 아틀라스(Global Building Atlas)’ 프로젝트에 대해 설명한다. 특히, 인공지능과 위성 영상 분석 기술을 결합하여 전 세계에 존재하는 건물을 3차원 모델로 구현한 방법을 기술적 관점에서 나눔한다.   ■ 강태욱 건설환경 공학을 전공하였고 소프트웨어 공학을 융합하여 세상이 돌아가는 원리를 분석하거나 성찰하기를 좋아한다. 건설과 소프트웨어 공학의 조화로운 융합을 추구하고 있다. 팟캐스트 방송을 통해 이와 관련된 작은 메시지를 만들어 나가고 있다. 현재 한국건설기술연구원에서 BIM/ GIS/FM/BEMS/역설계 등과 관련해 연구를 하고 있으며, 연구위원으로 근무하고 있다. 페이스북 | www.facebook.com/laputa999 블로그 | http://daddynkidsmakers.blogspot.com 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | www.facebook.com/groups/digestpodcast   그림 1. Literally a Map Showing All the Buildings in the World(https://gizmodo.com/literally-a-map-showing-all-thebuildings-in-the-world-2000694696)   이 결과는 오픈소스로 공개되었으며, 기존에 가장 방대하다고 알려진 데이터셋이 포함하던 약 17억 개의 건물 수치를 크게 웃도는 규모로 개발되었다. 그동안 디지털 지도 데이터에서 소외되었던 아프리카, 남미, 아시아의 농촌 지역 건물들까지 정밀하게 포착해냈다는 점에서 기술적 진보를 보여준다.   개발 과정 지도의 기반이 된 데이터는 주로 2019년에 촬영된 플래닛스코프(PlanetScope) 위성 이미지를 활용하였으며, 연구팀은 이를 통해 각 건물의 2D 바닥 면적뿐만 아니라 높이 정보까지 정밀하게 추출했다. 이 지도가 제공하는 높이 데이터의 해상도는 3×3미터 수준으로, 기존의 글로벌 건물 높이 데이터셋들이 주로 90미터 해상도에 그쳤던 것과 비교하면 약 30배 이상 정밀도가 향상된 수치이다. 제공되는 데이터는 건물의 대략적인 형태와 높이를 단순화하여 표현하는 LoD1(Level of Detail 1) 수준의 3D 모델 형식을 따르고 있어, 전 지구적 규모의 방대한 데이터를 다루면서도 활용성을 확보했다.   그림 2. 3차원 건물 모델 데이터셋 자동화 결과물   이 연구는 기존 데이터셋이 가진 커버리지의 한계와 3D 정보의 부재를 해결하기 위해 진행되었으며, 전 세계 약 27억 5000만 개의 건물을 포함하는 방대한 규모의 데이터를 구축하였다. 이는 기존의 가장 포괄적인 데이터베이스보다 10억 개 이상 많은 수치로, 그동안 데이터상에서 누락되었던 전 세계 건물의 약 40% 이상을 메우는 성과이다. 연구팀은 이 데이터셋 구축을 위해 플래닛스코프 위성 이미지만을 사용하는 머신러닝 기반 파이프라인을 개발했다. 이 과정은 크게 건물 폴리곤 생성과 높이 추정의 두 단계로 나뉘며, 기존의 오픈소스 건물 데이터(오픈스트리트맵, 구글, 마이크로소프트 등)와 자체 생성한 데이터를 ‘품질 기반 융합 전략’을 통해 결합하여 데이터의 완성도를 극대화했다. 이를 통해 완성된 ‘GBAHeight’는 3×3미터의 공간 해상도를 제공하는데, 이는 기존 글로벌 제품들이 제공하던 90미터 해상도보다 약 30배 더 정밀한 수준이며 이를 통해 지역 및 전 지구 규모에서 신뢰할 수 있는 건물 부피 분석이 가능해졌다. 또한 연구팀은 건물 높이 정보를 포함한 ‘GBA-LoD1’ 모델을 생성하여 약 26억 8000만 건의 건물 인스턴스를 구현했으며, 이는 전체의 97%에 달하는 높은 완성도를 보인다.  높이 추정의 정확도를 나타내는 RMSE(평균제곱근오차)는 대륙별로 1.5미터에서 8.9미터 사이로 나타났으며, 특히 오세아니아와 유럽에서 높은 정확도를 보였다. 데이터 분석 결과 아시아가 건물 수와 총 부피 면에서 압도적인 비중을 차지하는 반면, 아프리카는 건물 수는 많으나 총 부피가 작아 소규모 또는 비공식 건물이 다수 분포함을 시사했다.     그림 3. 공개된 글로벌 빌딩 아틀라스 LoD1 웹 서비스(선릉역 및 뉴욕 근처의 생성된 3D 건물 모델)   AI 모델 개발 접근법 인공지능 모델 개발 및 활용 관점에서 본 글로벌 빌딩 아틀라스(GBA) 프로젝트는 3미터 해상도의 단일 시점(monocular) 위성 영상인 플래닛스코프 데이터를 입력으로 받아 전 지구적 규모의 3D 건물 모델을 생성하는 파이프라인을 구축했다는 점에서 기술적 의미가 있다. 전체 시스템은 크게 2D 건물 폴리곤 생성을 위한 의미론적 분할(semantic segmentation) 네트워크와 3D 높이 추정을 위한 단안 높이 추정(monocular height estimation) 네트워크로 이원화되어 설계되었다. 2D 건물 폴리곤 생성 모델의 경우, 연구팀은 UPerNet(Unified Perceptual Parsing Network) 아키텍처를 기반으로 하되 백본(backbone)으로 ConvNeXt-Tiny를 사용했다. 모델의 성능을 높이기 위해 ‘추출(extraction)’과 ‘정규화(regularization)’라는 두 단계의 네트워크를 직렬로 구성한 점이 특징이다. 첫 번째 네트워크가 위성 영상에서 1차적인 이진 마스크를 생성하면, 동일한 아키텍처를 가진 두 번째 정규화 네트워크가 이를 입력받아 노이즈를 제거하고 건물 경계를 다듬는다. 특히 정규화 네트워크 학습 시에는 깨끗한 폴리곤 마스크에 인위적인 노이즈를 주입한 것을 입력 데이터로 사용하여, 모델이 거친 마스크를 정제된 형태로 복원하는 일종의 디노이징(denoising) 기능을 수행하도록 훈련시켰다.   그림 4. GBA 딥러닝 모델 아키텍처     ■ 기사 상세 내용은 PDF로 제공됩니다.

아비바가 자사의 ‘아비바 유니파이드 엔지니어링(AVEVA Unified Engineering)’ 설루션에 엔지니어링 및 설계를 위한 인공지능(AI) 도구를 추가했다고 밝혔다. 이번에 공개된 최신 AI 도구에는 프로젝트 엔지니어링 작업을 분석하고 제품 활용 과정에서 축적되는 노하우를 체계적으로 저장하고 조직 전반에 공유할 수 있는 ‘산업용 AI 어시스턴트’가 포함된다. 이 어시스턴트는 엔지니어링 및 설계 툴에 직접 내장되어 팀의 프로젝트 수행을 지원하고 신규 인력의 온보딩 과정을 보다 원활하게 돕는다. 두 번째 도구는 ‘생성형 설계 AI 어시스턴트’다. 설계 요구사항과 사용자 지침을 기반으로 설계 제약 조건을 분석해 최적화된 레이아웃 옵션을 생성한다. 예를 들어 Pre-FEED/FEED 단계에서의 배관 라우팅 설계 등에 활용할 수 있으며, 이를 통해 생산성 향상과 시간 절감 효과를 제공한다. 세 번째 도구는 ‘예측 설계 AI 어시스턴트’로, 고객이 별도의 코딩 없이 자체 머신러닝 모델을 구축해 사내 고유의 맞춤형 설계 과제를 해결할 수 있도록 지원한다. 마지막 AI 기능은 지능형 포인트 클라우드 프레임워크로, 아비바 포인트 클라우드 매니저(AVEVA Point Cloud Manager)의 AI 분류 기능이 적용된 포인트 클라우드 데이터를 자동으로 읽고, 불러오고, 시각화한다.     이번에 공개된 AI 도구는 사용자가 즉시 도입해 활용할 수 있는 새로운 기술 역량의 초기 라인업으로, 업계 유일의 진정한 데이터 중심(Data-centric) 1D, 2D, 3D 다중 분야 설계 기능과 결합해 더욱 빠르고 효율적인 프로젝트 설계를 가능하게 한다. 엔지니어들은 이러한 AI 도구를 통해 자신의 전문 역량을 확장하고, 엔지니어링 및 설계 과제를 분석·해결·자동화할 수 있다. 이를 통해 설계 대안을 보다 빠르게 도출하고, 궁극적으로 더 우수한 설계를 완성할 수 있다. ‘아비바 유니파이드 엔지니어링’은 산업용 AI 활용을 위한 신뢰할 수 있는 데이터 기반을 제공하며, 다중 분야 통합 구조를 통해 프로젝트 팀이 강력하고 차별화된 방식으로 AI를 적용할 수 있도록 지원한다. 향후 아비바는 산업별 도메인 전문성과 데이터 중심 워크플로우를 바탕으로, 이번에 선보인 초기 AI 도구를 단일 분야 엔지니어링·설계 도구의 한계를 넘어서는 수준으로 지속 발전시켜 나갈 계획이다. 아비바의 롭 맥그리비(Rob McGreevy) 최고제품책임자(CPO)는 “새로운 AI 도구는 디지털 트윈 구축을 지원하고, 프로젝트 팀이 동일한 데이터를 기반으로 실시간 협업을 수행할 수 있도록 하며, 최소한의 오버헤드로 신속한 착수를 가능하게 하고, 글로벌 데이터 중심 엔지니어링을 가속한다”고 설명하며, “IT 부담을 줄이고 투명성을 높이며 인수인계 속도를 향상시키는 아비바 유니파이드 엔지니어링 및 새로운 AI 도구 일체는 프로젝트를 가속할 뿐 아니라 시간과 비용 절감 효과도 제공한다. 또한 조직의 암묵지와 제도적 지식을 축적하고, 노코드 도구를 통해 맞춤형 AI/ML 모듈을 구축할 수 있어 기업이 보다 스마트하고 빠르며 정확하게 업무를 수행하는 동시에 미래 경쟁력을 확보할 수 있도록 지원한다”고 말했다.

트렌드에서 얻은 것 No. 28   ▲ 클릭하면 큰 그림으로 볼 수 있습니다.   21세기 제조 산업은 기계적 자동화를 넘어 데이터와 인공지능(AI)이 설계, 생산, 운영의 전 과정을 주도하는 지능형 시대로 진입하고 있다. 2025년을 기점으로 인공지능은 생산성을 보조하는 도구의 단계에서 벗어나, 엔지니어링의 근간을 재정의하는 ‘AI 네이티브(AI-native)’ 환경의 핵심 인프라로 자리 잡았다. 과거의 제조 방식이 숙련공의 경험과 직관에 의존하는 결정론적(deterministic) 방식이었다면, 미래의 스마트 엔지니어링은 방대한 산업 데이터를 기반으로 최적의 의사결정을 자율 수행하는 확률론적(probabilistic) 방식으로 전환되고 있다. 이번호 칼럼에서는 글로벌 선도 기업의 실무 적용 사례를 통해 2026년 제조업이 나아가야 할 방향을 알아보고자 한다.   스마트 엔지니어링의 역사적 진화와 패러다임의 전환 스마트 엔지니어링의 역사는 물리적 모델을 디지털 공간으로 옮기려는 지속적인 노력의 산물이다. 1990년대 초반, 보잉은 777 기종의 개발 과정에서 CAD를 활용한 디지털 목업(DMU) 기술을 도입하며 설계 혁신을 시작했다. 이는 종이 도면 없이 항공기 전체를 3D 상에서 검증한 최초의 사례로 기록된다. 이후 2010년대에 들어서며 에어버스 A350의 사례와 같이 설계 리뷰 전 과정이 디지털화되었고, 2020년대에 이르러서는 복제를 넘어 물리적 대상과 실시간으로 데이터를 주고받는 디지털 트윈(digital twin) 기술이 성숙기에 접어들었다. 2025년부터 2026년 사이의 기술적 전향점은 이러한 디지털 트윈이 AI 네이티브 지능을 탑재하기 시작했다는 점이다. 이제 엔지니어링 업무의 30%를 차지하던 과거 데이터 검색 및 비부가가치 활동은 구체적인 사례가 공개되고 있지는 않지만, 시대의 흐름에 따라 서서히 생성형 AI와 검색 증강 생성(RAG) 기술로 대체되어 갈 것으로 보인다. 또한, 글로벌 기업의 끊임없는 연구로 인해 엔지니어는 반복적인 분석 대신 창의적인 문제 해결과 맥락적 의사결정에 집중하는 ‘코파일럿(co-pilot)’ 시대도 곧 맞이할 것으로 예상된다.     이러한 패러다임의 전환은 한국 제조업에도 시급한 과제다. 미국, 독일, 일본 등 주요 제조 강국과 비교할 때 한국의 제조업 부가가치율은 여전히 상대적으로 낮은 수준에 머물러 있으며, 대기업과 중소기업 간의 생산성 격차는 약 4배에 이른다. 고령화와 저출산으로 인한 노동력 감소, 근로시간 단축 등 제약 사항이 증가하는 상황에서 AI를 통한 제조 지능화는 선택이 아닌 생존을 위한 필수 전략으로 부상하고 있다.   제조 지능화를 위한 AI 핵심 활용 방안 및 기술 분석 제조 현장에서 AI를 실무에 적용하는 방식은 정보 추출부터 복잡한 공정 시뮬레이션 및 자율 제어에 이르기까지 넓은 영역을 포괄한다. 지능형 지식 검색 및 데이터 파이프라인 최적화는 엔지니어링 업무의 상당 부분은 과거의 기술 문서, 도면, 실험 데이터를 찾는 데 소요된다. 최근의 RAG(Retrieval Augmented Generation) 기술은 수십 년간 축적된 비정형 데이터(PDF, 엑셀, 문서)를 벡터 데이터베이스(vector DB)로 변환하여 자연어 질문에 답변하고 근거가 되는 출처를 명확히 제시함으로써 환각(hallucination) 문제를 해결하고 있다. 이는 글로벌 프로젝트에서 기술 문서의 실시간 번역과 용어 표준화를 지원하여 협업 효율을 극대화한다. 또한, 연구 프로세스 개선을 위해 데이터 파이프라인 중심의 자동화가 추진되고 있다. 기존의 실험 연구자가 수기로 기록하던 방식에서 벗어나 디지털화된 시료 분석과 제어 데이터를 클라우드 협업 환경에 통합함으로써, 연구 산출물의 재현성을 높이고 멘토링의 질을 개선하는 것이 핵심이다. 생성형 설계(generative design)와 제조 공법 인지는 엔지니어의 상상력을 정교한 설계안으로 구현하는 데 결정적인 역할을 한다. 설계자가 경량화, 강성 등 목표 조건과 재료, 제조 공법 등의 제약 조건을 입력하면 AI는 수백 가지의 대안을 생성한다. 특히 ‘제조 공법 인지(manufacturing-aware)’ 기능은 주조 공법 시 금형에서 제품이 빠져나올 수 있는 구배 각도를 자동 고려하거나 3축/5축 가공 시 공구가 접근할 수 없는 언더컷 형상을 배제하는 수준까지 진화했다. 일본의 니프코(Nifco)는 이를 활용해 전통적인 육각형 허니콤 구조를 넘어선 비정형 유기적 패턴을 설계함으로써 강성을 유지하면서도 재료 사용량을 획기적으로 절감하는 성과를 거두었다. 에이전틱 AI(agentic AI)와 자율적 프로세스 제어 부분을 살펴보면, 2026년의 주요 트렌드인 에이전틱 AI는 분석을 넘어 독립적으로 과업을 계획하고 실행하는 능력을 갖출 것이다. 기존의 AI가 ‘무엇이 잘못되었는가’를 알려주는 예측 도구였다면, 에이전틱 AI는 ‘어떻게 해결할 것인가’를 결정하고 실행한다.     인과관계 AI(causal AI)와 지식 조립 공장은 전통적인 머신러닝 모델은 데이터 간의 상관관계에 의존하기 때문에 ‘왜’라는 질문에 답하기 어렵고, 공정 환경이 변하면 모델이 붕괴되는 한계를 가진다. 이를 극복하기 위해 2026년에는 인과관계 AI가 제조업의 핵심 기술로 부상하고 있다. 인과관계 AI는 데이터 패턴 학습을 넘어 원인과 결과의 사슬을 규명한다. 예를 들어, 공장 내 배관의 결로 현상과 습도 데이터 사이에는 강한 상관관계가 존재하지만, 습도가 결로의 원인인지 혹은 그 반대인지를 명확히 정의하지 못하면 잘못된 설비 투자가 이루어질 수 있다. 인과관계 AI는 주다 펄(Judea Pearl)의 수학적 기초를 바탕으로 개입(intervention) 분석을 수행하여 ‘만약을 변경한다면은 어떻게 변할 것인가’라는 질문에 명확한 수치를 제공한다. 인하대학교 이창선 교수가 제시한 KAMG AI(Knowledge Assembly Factory) 개념은 AI가 스스로 모든 것을 만드는 것이 아니라, 인간 전문가가 설계한 ‘인과 지식 설계도(blueprint)’를 기반으로 AI가 지식을 조립하는 방식을 취한다. 이는 존재(entity), 속성(attribute), 관계(relation) 프레임워크를 통해 지식을 해부하고 표준화된 조립 공정을 거쳐 인과 예측 모델을 산출한다. 이 과정에서 엔지니어는 프로그래머가 아닌 시스템의 의미와 변수의 역할을 결정하는 ‘지식 설계자(architect)’로 거듭나게 된다. 데이터 거버넌스와 팔란티어 온톨로지(ontology) 전략의 핵심은, 제조 AI가 진정한 가치를 창출하기 위해서는 현장의 모든 데이터가 실시간으로 연결되는 ‘디지털 스레드(digital thread)’가 전제되어야 한다는 것이다. 팔란티어의 온톨로지 기술은 데이터 사일로(silo) 문제를 해결하고 기업의 전체 데이터 유니버스를 비즈니스 맥락으로 재구성하는 핵심 아키텍처를 제공한다. 온톨로지는 데이터를 분류하는 것을 넘어 업무, 조직, IT 시스템 간의 공통 언어를 제공한다. 팔란티어 파운드리는 기존 레거시 시스템(ERP, PLM, MES 등)의 데이터를 물리적으로 옮기지 않고 연결하며, 이를 객체(object)와 관계(link)로 모델링한다. 객체(entity) : 차량 모델, 부품, 공정, 설비, 고객 등 핵심 요소를 개체화한다. 속성(attribute) : 개체의 특징(온도, 압력, 재질, 작업 시간)을 정의한다. 관계(relationship) : ‘부품은 공정에서 사용된다’, ‘설계 변경은 생산에 영향을 준다’와 같은 업무적 연결을 구조화한다. 구축된 온톨로지 위에서 팔란티어의 AIP(Artificial Intelligence Platform)는 자연어 인터페이스를 통해 현장의 복잡한 상황을 분석하고 대응한다. 예를 들어, ‘5월 출하 지연 리스크를 요약해달라’는 명령에 대해 AI는 공급망, 재고, 생산 실적 데이터를 온톨로지 상에서 실시간으로 탐색하여 리스크의 원인을 파악하고, 대체 시나리오의 비용 효율을 시뮬레이션한 뒤 실행 승인을 요청한다. HD현대(전 현대중공업그룹)의 FOS(Future of Shipyard, 미래 첨단 조선소) 프로젝트는 2030년까지 세계 최초의 자율 운영 스마트 조선소를 구현하기 위해 팔란티어의 빅데이터 플랫폼인 ‘파운드리(Foundry)’를 도입하는 핵심적인 디지털 전환 사업이다. BMW는 팔란티어의 데이터 플랫폼인 파운드리를 도입하여 생산, 공급망 관리 및 품질 관리 시스템을 고도화하고 있다. 특히 팔란티어의 QMOS(Quality Management Operating System) 설루션을 통해 데이터 기반의 ‘제로 디펙트(zero defect, 무결점)’ 생산 환경을 구축하는 것이 핵심이다. 에어버스는 팔란티어의 파운드리 기술을 도입하여 항공기 제조 및 운항 데이터를 통합 관리하는 ‘스카이와이즈(Skywise)’ 플랫폼을 구축했다. 이를 통해 A350 인도 속도를 33% 향상시키고 운영 효율을 극대화하며, 데이터 기반의 의사결정 시스템을 혁신했다.   품질, 예지보전 및 에너지 최적화의 기술적 심화 AI가 제조 현장에 가져온 가장 직접적인 성과는 품질 비용 절감과 비가동 시간(downtime)의 최소화다. 현대트랜시스는 자체 개발한 AI 기반 품질 검사 시스템인 TADA(Transys Advanced Data Analytics) 스마트 설루션을 생산 현장에 적용하여, 기존 93% 수준이던 불량 검사 정확도를 99.9%까지 끌어올렸다. LG에너지솔루션은 AI 및 빅데이터 기술을 활용해 전 세계 생산 공장을 ‘지능형 스마트 팩토리’로 전환하고, 배터리 제조 품질과 생산 효율을 극대화하는 것을 AI 비전으로 삼고 있다. 특히, CDO 직속 AI 기술팀을 통해 공정 데이터를 분석하여 배터리 수명을 예측하고, 스마트 공장 기술을 적용하여 글로벌 생산 기지의 경쟁력을 강화하는 중책을 맡고 있다. 기존의 예지보전이 단일 센서의 임계치 모니터링에 의존했다면, 예지보전 2.0은 진동, 전류 파형, 소음, 온도를 동시에 분석하는 멀티모달(multi-modal) 방식을 취한다. AI는 고장 징후를 발견할 뿐만 아니라, ‘최근 3개월간의 패턴 분석 결과 내륜 손상이 의심되니 메뉴얼 45페이지의 베어링 교체 절차를 따르라’는 처방적 가이드를 생성형 AI를 통해 현장 작업자에게 즉시 전달한다. 포스코 광양제철소는 이를 연속 주조 설비에 적용하여 고장 예지 시스템을 성공적으로 구축했다. 탄소 배출 규제가 강화되는 가운데 AI는 에너지 사용량 예측과 최적화에 결정적인 역할을 한다. 슈나이더 일렉트릭은 예측 AI를 활용하여 산업 시설의 에너지 효율을 높이고 운영비를 절감하는 설루션을 제공하고 있으며, 한국그린데이터 등 국내 기업들도 AI 챗봇이 탑재된 운영 체제를 통해 제조업의 에너지 피크 관리와 전력 최적화를 지원하고 있다.   2026 글로벌 기술 트렌드 및 리더십의 우선순위 2026년은 AI가 ‘생산성 향상 도구’에서 ‘책임과 신뢰의 기반’으로 진화하는 해가 될 것이다. 딜로이트와 가트너 등의 보고서에 따르면 기업 리더들은 다음의 네 가지 영역에 집중해야 한다. 첫째, 에이전틱 리얼리티 체크(agentic reality check)이다. 챗봇 도입을 넘어 비즈니스 프로세스 자체를 재설계해야 한다. 보고서에 따르면 40%의 에이전틱 AI 프로젝트가 2027년까지 실패할 것으로 예상되는데, 이는 기술적 문제보다는 기존의 망가진 프로세스를 단순히 자동화하는 ‘자동화 함정’ 때문이라고 분석된다. 성공하는 기업은 엔드 투 엔드 프로세스 전체를 혁신하며 인간과 에이전트 팀을 오케스트레이션하는 모델을 채택하고 있다. 두 번째, 소버린 AI(sovereign AI)와 보안 거버넌스이다. 데이터 주권과 국가별 규제 대응이 중요해짐에 따라 소버린 AI 전략이 필수이다. 2026년에는 기업의 77%가 공급업체 선택 시 설루션의 원산지를 고려하며, 로컬 벤더를 중심으로 한 독립적인 AI 스택 구축이 확산될 것이다. 또한, 데이터 모델 오염(poisoning) 리스크에 대응하기 위한 예측적 OT 사이버 보안 체계 구축이 가속화될 전망이다. 세 번째, 피지컬 AI와 휴머노이드 로봇의 확산이다. 제조, 물류, 국방 분야를 중심으로 피지컬 AI의 도입이 급증하고 있다. 2026년에는 아시아-태평양 지역을 중심으로 피지컬 AI 채택률이 80%에 도달할 것으로 보이며, 이는 공장 내 정적인 자동화 설비를 대체하여 비정형 환경에서도 유연하게 대응하는 자율 운영 공장의 핵심 요소가 될 것이다. 네 번째, 지능형 컴플라이언스 및 표준화이다. 규제 당국 역시 AI를 활용하여 기업의 데이터를 실시간 모니터링하는 시대가 오고 있다. 이제 정기 감사에 대비하는 수준을 넘어, 시스템이 스스로 규정 위반 리스크를 예측하고 보고하는 ‘예측적 컴플라이언스’가 표준으로 자리 잡을 것이다.   실무자를 위한 실행 로드맵 스마트 엔지니어링을 위한 AI 활용은 더 이상 미래의 담론이 아닌 2026년 현재의 경영 핵심 과제다. 2026년은 지식 소유 자체가 무의미해지는 시점이며, AI가 생성한 결과물을 편집하고 맥락화하는 ‘아키텍트(architect)’ 능력이 엔지니어의 몸값을 결정짓게 될 것이다. 기업은 성공적인 AI 전환을 위해 다음의 3단계 로드맵을 고려해야 한다. 첫째, 지능형 설계 및 시뮬레이션 단계를 통해 아이디어를 가장 빠르게 현실화할 수 있는 데이터 환경을 구축해야 한다. 둘째, 스마트 생산 및 운영 단계를 통해 물리적 세계를 정밀하게 제어하고 최적화하는 디지털 스레드와 온톨로지 체계를 완성해야 한다. 셋째, 제품, 공장, 도시를 하나의 유기체로 연결하는 생태계 통합 단계로 나아가야 한다. AI는 도구가 아니라 설계–생산–운영 전반을 학습하고 최적화하는 ‘지능형 플라이휠(intelligent flywheel)’이다. 지금 이 순간에도 데이터는 쌓이고 있으며, 이를 인과관계로 해석하고 에이전틱 AI로 실행에 옮기는 기업만이 2026년 이후의 제조업 패러다임 변화에서 승리자가 될 수 있을 것이다.   ■ 류용효 디원의 상무이며 페이스북 그룹 ‘컨셉맵연구소’의 리더로 활동하고 있다. 현업의 관점으로 컨설팅, 디자인 싱킹으로 기업 프로세스를 정리하는데 도움을 주며, 1장의 빅 사이즈로 콘셉트 맵을 만드는데 관심이 많다. (블로그)     ■ 기사 내용은 PDF로도 제공됩니다.

HP Z북 울트라 G1a는 고성능 AI 작업과 3D 제작을 동시에 염두에 둔 14인치 모바일 워크스테이션이다. 이 글에서는 필자가 실제로 자주 사용하는 AI 리서처와 3D 제작 작업 시나리오를 바탕으로, 기존에 사용해 온 게이밍 노트북과 비교하면서 HP Z북 울트라 G1a의 장단점을 조명해보고자 한다.   HP Z북 울트라 G1a(ZBook Ultra G1a)는 프로세서 성능과 메모리 용량에 명확하게 집중한 구성을 취함으로써, 기존의 노트북 선택 방법과는 다른 노선을 제시한다. 일반적으로 노트북을 선택할 때 대부분의 사용자는 성능, 휴대성, 가격, 배터리 지속 시간, 확장성 등 여러 요소를 종합적으로 고려한다. 그러나 특정 작업 환경에서는 이러한 균형 중심의 접근이 오히려 비효율로 작용하기도 한다. 대용량 데이터 전처리, 로컬 AI 추론, 3D 콘텐츠 제작과 같이 CPU와 메모리 자원 의존도가 높은 워크로드에서는, 그래픽 성능이나 휴대성보다 연산 자원과 메모리 용량이 작업 효율을 결정짓는 핵심 요소가 되기 때문이다. HP Z북 울트라 G1a는 바로 이러한 관점에서 색다른 접근법을 채택한 기기라고 볼 수 있다. AMD의 라이젠 AI 맥스+ 프로 395(Ryzen AI Max+ PRO 395) 프로세서를 탑재해 128GB에 달하는 대용량 메모리를 제공하는 반면, 그래픽 카드는 외장 GPU가 아닌 내장 그래픽으로 구성된 14인치 노트북이다. 이처럼 극명하게 갈린 사양 구성은 과연 AI 개발과 3D 콘텐츠 제작이라는 두 가지 작업을 모두 감당할 수 있는 선택지일까?   제품 개요 워크스테이션은 일반적으로 크고 무거운 데스크톱 형태로, ‘들고 다니는 기기’와는 거리가 멀다는 인식이 강하다. 그러나 HP Z북 울트라 G1a는 이러한 고정관념을 벗어나, 14인치 폼팩터 안에 워크스테이션급 성능을 담아냈다. 앞서 언급했듯 이 제품은 AMD 라이젠 AI 맥스+ 프로 395 프로세서와 라데온 8060S(Radeon 8060S) 그래픽을 기반으로 설계되었으며, 최대 128GB LPDDR5x 메모리와 대용량 NVMe SSD를 탑재했다. 정량적인 하드웨어 스펙상 무게는 약 1.57~1.59kg으로, 여타 게이밍 노트북과 비교해도 크게 무겁지 않은 수준이다. 실제로 가방에 넣어 휴대했을 때도 다른 노트북에 비해 체감 무게가 과하게 느껴지지는 않았다. 기기 양쪽에는 USB-C 타입 포트 2개(충전 포트 포함)를 비롯해 HDMI, USB-A 타입 단자, 3.5mm 이어폰 단자가 배치되어 있어, 워크스테이션으로서 요구되는 기본적인 확장성도 충분히 갖추고 있다.   디자인 본격적인 사용기에 앞서 디자인을 살펴보자. 보기 좋은 떡이 먹기도 좋다는 말도 있듯이, 매일 사용하는 기기는 사용자의 마음에 들 정도로는 아름다워야 한다. HP Z북 울트라 G1a의 디자인은 간결하고 군더더기 없었다. 특히, 전반적인 제품의 마감 품질이 높다는 것이 느껴졌다. 처음 노트북이 닫힌 상태에서 보았을 때는 매끄럽고 둥근 디자인의 겉모습이 단정하다는 느낌이 들고, 화면을 열어 전원을 켰을 때에는 베젤이 얇고 깔끔하여 프로페셔널하다는 인상을 준다. 디자인에서 가장 좋았던 점은 키보드이다. 처음에는 짙은 회색의 평범한 플라스틱 소재로 느껴졌지만, 사용하다 보니 키보드의 키감이 좋을 뿐만 아니라 이물질이 잘 묻지 않는 코팅으로 되어 있어 사용 시 편리했다. 외부 작업 중 노트북을 열었을 때, 손때 묻은 키보드를 다른 사람에게 드러내는 것이 걱정인 사람이라면 이 노트북의 키보드 마감이 더욱 마음에 들 것이라 생각한다. 또한 카메라에는 오픈·클로즈 방식의 물리적 커버가 적용되어, 노트북 내장 웹캠을 사용하지 않을 때는 완전히 가릴 수 있다. 사소해 보일 수 있지만, 사용자를 고려한 세심한 설계라는 점에서 인상 깊은 부분이었다.   그림 1. 노트북 전면. 디자인이 깔끔하고 단정하여 외부 미팅에도 무난하게 사용할 수 있었다.   AI 및 데이터 전처리 워크로드 이제 AI 엔지니어의 관점에서 이 제품을 살펴보자. AI 제품 개발 과정에서 절실하게 체감하는 주요 요소 중 하나는 CPU 메모리의 여유이다. 모델 학습은 클라우드 GPU나 서버 자원을 활용하는 경우가 많아졌지만, 탐색적 데이터 분석, 실험을 위한 데이터 전처리는 대부분 로컬 환경에서 수행해야 하기 때문이다. 따라서 CPU 성능과 GPU 성능 둘 중 하나를 선택해야 한다면, 많은 사람들의 예상과 달리 GPU보다는 CPU를 선택하는 것이 합리적이다. CPU 메모리가 여유가 있다면 데이터셋을 실험 가능한 요건에 맞춰 수정 및 조정하는 것이 조금 더 편리해질 뿐만 아니라, 데이터셋 전처리와 동시에 다른 작업이 가능하기 때문이다. HP Z북 울트라 G1a의 128GB 메모리와 라이젠 AI 맥스+ 프로 395의 조합은 대용량 데이터 전처리와 모델 로딩 과정에서 매우 안정적인 모습을 보였다. 텍스트·이미지 데이터 전처리 작업에서 메모리 부족 현상은 거의 발생하지 않았으며, 기존에 사용하던 게이밍 노트북(32GB RAM, RTX 4060 기준) 대비 체감상 약 절반 수준의 시간으로 작업을 마칠 수 있었다. 이는 대규모 로컬 데이터셋을 다루는 리서처에게 매우 중요한 요소다. AI 허브나 대학·연구기관에서 제공하는 공공 데이터셋의 경우 단일 데이터셋만으로도 수백 GB를 훌쩍 넘기는 경우가 많고, 이를 포맷에 맞게 전처리하는 데 상당한 시간이 소요되기 때문이다. HP Z북 울트라 G1a는 메모리의 양이 크기 때문에, 작업 중간 중간에 메모리 부족으로 인해 컴퓨터가 멈추거나 작업 수행 완료를 위해 컴퓨터를 손 놓고 기다리는 일 없이 여유롭게 전처리를 수행할 수 있었다. 몇 가지 사례를 들어보면, 첫째 <그림 2>와 같이 데이터의 압축 해제, 복사와 같은 간단한 작업에서 매우 빠른 처리 속도를 보여주었다. 데이터 전처리 성능을 실험하기 위해 활용한 ‘음식 분류’ 데이터셋의 경우, 각 클래스마다 1천 개의 고화질 사진이 저장되어 있어 전체 용량이 1TB에 육박하는 매우 큰 데이터셋이다. 그러나 HP Z북 울트라 G1a에서는 30GB 용량의 데이터를 압축 해제하는 데 8분밖에 소요되지 않았고, 일관적으로 140MB/s 전후의 속도를 유지하였다. 이는 HP Z북 울트라 G1a의 메모리 대역폭 확대, 멀티채널 구성 안정성 증가가 큰 영향을 미쳤기 때문으로 생각할 수 있다. 일반적인 환경에서는 압축 해제 단계에서 CPU 처리 속도가 병목으로 작용하여, 저장장치가 충분한 성능을 갖추고 있음에도 불구하고 연속적인 읽기·쓰기 작업이 지연되는 현상이 발생하기도 한다.   그림 2. 대용량 데이터의 전처리에도 빠른 속도를 유지하였고, 프로그램 운용에 여유가 있었다.   반면, HP Z북 울트라 G1a에서는 향상된 프로세서 구조와 메모리 서브시스템을 통해 병목이 제거되었으며, 그 결과 압축 해제와 동시에 디스크 I/O가 지속적으로 최대 대역폭에 가깝게 활용될 수 있었다. 이로 인해 사용자 관점에서는 압축 해제뿐 아니라 파일 복사 속도까지 향상된 것처럼 느껴져 직접적으로 작업 효율 향상이 체감되었다. 기존의 게이밍 노트북이 동일한 작업을 수행하는데 평균 60MB/s의 속도로 약 12분 정도가 소요된 것을 고려하면, 이 작업이 전체 데이터셋에 적용될 때 얼마만큼의 작업 시간을 아낄 수 있을 지 기대해 볼 만하다. 둘째, 파이썬 코드를 활용한 데이터 전처리에서도 높은 성능 개선을 보여주었다. CSV 파일을 활용하여 3D 복셀 데이터를 만드는 작업을 수행하는 코드를 기준으로 실험해보았다. 이는 앞에서와 동일하게 CPU·메모리에 집중된 작업을 할 때의 효율을 검사하기 위한 실험으로, 동일한 SVC 파일을 대상으로 데이터의 시각화를 수행하였을 때를 비교한 것이다. 결과적으로, HP Z북 울트라 G1a는 평균적으로 75FPS(초당 프레임)를 유지하였고, 시각화된 데이터를 360도 회전시켜 확인하는 데에 큰 문제가 없었다. 반면, 기준이 된 다른 기기는 평균 42FPS를 유지하고, 시각화된 데이터를 360도로 회전시켜 확인하는 데 약간의 로딩이 필요했다. 특히, 시각화 결과물을 회전하는 과정에서 약간의 버벅임과 끊김이 발생하여 데이터를 세부적으로 확인할 때 약간의 어려움이 따랐다. 기준 기기 또한 일반적인 사무용 노트북을 기준으로 보았을 때보다는 훨씬 빠르고 원활한 데이터 전처리 성능을 보여주었으나, HP Z북 울트라 G1a는 전처리뿐 아니라 시각화 데이터 인터랙션에서도 안정적으로 동작함으로써 실시간에 가까운 시각화 환경을 제공했다는 점에서 차별화된 사용 경험을 제공하였다.   그림 3. 3D 복셀화에 소요된 시간과 프레임률을 tqdm으로 측정한 결과. 동일한 작업을 수행하는 데 HP Z북 울트라는 75FPS, 기준 기기(HX370 CPU, 32RAM)는 42FPS의 성능을 보여주었다.   로컬 AI 추론 로컬 AI 추론 작업에서도 HP Z북 울트라 G1a는 충분히 인상적인 성능을 보여주었다. 로컬 AI 세팅에는 올라마(Ollama)를 사용하였다. 올라마는 다양한 오픈소스 LLM을 간편히 사용할 수 있게 하는 프로그램으로 윈도우, 맥, 리눅스 등 다양한 환경을 지원하며 CLI 및 GUI 환경을 모두 지원하여 확장성이 좋다. 또한, 로컬에서 REST API 형태로 모델을 노출할 수 있어 파이썬(Python), 노드.js(Node.js), 자바(JAVA(Spring)), 랭체인(LangChain) 등과 연동이 용이하며, 프로토타입 서비스 제작 및 온디바이스 AI, 사내 전용 LLM 구축을 위해 다양하게 쓰인다. 필자는 윈도우에서 GUI 기반의 올라마 클라이언트를 설치하여 로컬 AI 추론을 수행하였으며, 엔비디아 그래픽 카드 드라이버(CUDA 포함)를 설치하지 않고 올라마를 구동하였다. 이 지점에서 HP Z북 울트라 G1a의 프로세서의 특장점이 드러난다. 바로 SoC(System on a Chip) 설계를 통해 프로세서 자체에서 CPU·GPU·NPU를 통합하여 활용한다는 것이다. 따라서 이 워크스테이션을 사용하는 사람은 일반적으로 말하는 CPU-Only와 같이 GPU 드라이버를 따로 설치하지 않더라도, AI 추론 및 훈련을 수행할 때 GPU·NPU를 사용하는 것과 같은 효과를 체감할 수 있다.   그림 4. 올라마의 공식 홈페이지. 윈도우, 맥, 리눅스 등 다양한 OS를 지원하며 오픈소스로 활용 가능한 LLM 모델의 가중치를 제공하여 로컬 추론을 가능하게 하는 프로그램이다.   올라마를 활용해 중·대형 언어 모델(gpt-oss:120B)과 소형 언어 모델(qwen3:8B)을 각각 다운로드한 뒤, 동일한 조건에서 추론 시간을 비교해 보았다. 결과는 예상 이상이었다. 중·대형 언어 모델의 추론에는 (약간의 쿨링 소음이 발생하였지만) 약 10초가 소요되었고, 소형 언어 모델 역시 약 13초 내외로 추론을 마쳤다. 비교 대상으로 사용한 다른 노트북에서는 중·대형 모델이 추론 도중 오류를 일으켰고, 소형 모델조차 358초가 걸렸던 점을 감안하면 상당한 차이다. ‘메모리 용량 차이가 얼마나 크겠어’라고 생각한 필자의 판단을 무색하게 만들 정도로, 128GB 메모리와 라이젠 AI 맥스+ 프로 395의 조합은 로컬 AI 추론 환경에서 분명한 강점으로 작용했다. 이러한 특성은 AI 개발자에게만 국한된 장점은 아니다. 성능이 검증된 오픈소스 언어 모델을 노트북에 직접 탑재해 휴대할 수 있다는 것은, 인터넷 연결이 원활하지 않은 환경에서도 개인화된 AI 비서를 여러 개 운용하며 작업을 이어갈 수 있음을 의미한다. 로컬 환경에서의 AI 활용 가능성을 실질적인 수준으로 끌어올렸다는 점에서, HP Z북 울트라 G1a의 방향성과 장점이 명확히 드러나는 지점이었다.   그림 5. qwen3:8b로 로컬 추론을 수행한 결과   그림 6. gpt-oss:120b로 로컬 추론을 수행한 결과   3D 작업 워크플로 다음은 3D 작업 워크플로로 넘어가 보자. 필자가 주로 사용하는 캐릭터 크리에이터(Character Creator), 지브러시(Zbrush) 등을 통하여 내장 그래픽만을 가지고 있음에도 ‘충분히 작업이 가능한가?’라는 요소를 살펴보고, 다음으로는 고화질을 요구하는 3D 게임을 실행시켜 성능을 테스트해 보았다. 먼저, 리얼루션(Reallusion)의 캐릭터 크리에이터 5 소프트웨어를 설치하여 작업 가능 여부를 확인해 보았다. 이 소프트웨어는 사실적 묘사를 담은 메타 휴먼을 만들기 위한 소프트웨어이다. 얼굴, 체형, 옷 및 장신구 같은 다양한 요소를 조합하는 자유도가 높고, 피부 결이나 머리카락 같은 요소까지 섬세하게 구현해야 하기 때문에 일반적인 게이밍 노트북에서도 원활한 작업이 어려운 소프트웨어 중 하나이다. 실제로, 필자가 보유한 게이밍 노트북 기기에서는 동일한 작업을 수행하며 컴퓨터가 다운되는 경우가 종종 있었고, 새로운 스킨으로 교체하거나 요소를 변형할 때 1 ~ 5분 정도의 로딩 타임을 요구했다.   그림 7. 캐릭터 크리에이터로 작업하는 모습   그러나, HP Z북 울트라 G1a에서는 로딩 시간이 1 ~ 3분 이하로 줄어드는 모습을 보여주었을 뿐만 아니라, 컴퓨터가 다운되는 경우도 발생하지 않아 상당히 쾌적하게 작업을 진행할 수 있었다. 물론 다루는 데이터의 크기 자체가 큰 만큼 약간의 로딩 시간은 피해갈 수 없었으나, 대부분 1분 이내의 로딩으로 작업이 완료되어 작업 완료를 기다리는 시간이 줄어들었다. 다음으로는 지브러시를 통해 추가 검증을 진행하였다. 지브러시의 경우 매끄러운 표면을 위해 의도적으로 폴리곤을 많이 나누면서 메모리 부하가 발생하는 경우가 많은데, <그림 8>과 같이 복잡한 인간형 모델링, 특히 상업적으로 판매 가능한 정도의 모델링을 테스트하였음에도 데이터의 로드 및 조형에 시간이 소요되지 않고 바로 진행할 수 있는 정도의 원활함을 보여주었다.   그림 8. 매끄러운 곡선으로 폴리곤의 수가 많아지더라도 원활히 처리하는 모습을 볼 수 있다.   마지막으로, 3D 게임을 통해 성능을 확인하였다. 대상이 된 게임은 ‘호그와트 레거시’로, 언리얼 엔진으로 만들어졌으며 비교적 실사화 스타일의 그래픽, 다양한 파티클 사용으로 고난도의 그래픽 컨트롤을 요구하는 게임이다. 게임에서는 플레이를 진행하며 기기의 사양을 자동으로 측정하여 적절한 그래픽 옵션을 정해주는데, 이 기기는 자동으로 중간 단계의 그래픽 옵션으로 세팅되는 것을 확인하였다.   그림 9. 기기 옵션을 자동으로 분석하여 적절한 수준의 그래픽 구현. 이 기기는 중간 옵션을 배정받았다.   물론 기존의 작업에 비해 3D 게임을 진행할 때는 기기의 쿨링팬 소음이 두드러지게 들리는 편이었다. 앞서 수행한 작업에서는 쿨링이 필요하지 않거나, 쿨링이 필요하더라도 비교적 짧고 조용하게 한 번의 ‘쏴아아’하는 소리가 들렸다면, 3D 게임을 실행 중일 때는 지속적인 쿨링 소음이 발생하였기 때문이다. 그러나, 여기에서도 HP Z북 울트라 G1a의 탁월한 점을 발견할 수 있었다. 그것은 바로 ‘소음이 발생하는 만큼 쿨링이 잘 되고 있다’는 점이다. 랩톱을 주로 사용하는 사용자는 공감하겠지만, 일부 랩톱의 경우 쿨링 소음이 큰데도 불구하고 쿨링이 제대로 되지 않아 기기 아래쪽의 키보드 부분이 상당히 뜨거워지는 경우가 잦다. 그러나 이 기기는 소음이 크더라도 쿨링이 확실히 진행되고 있었고, 피부에 장시간 접촉시킬 수 있을 정도의 발열만 있었다. 아울러, 게임 내의 실사화 그래픽은 모두 끊기는 부분 없이 자연스럽게 재생되었고, 게임 진행에 이상이 없이 원활히 진행되었다.   그림 10. 그림 내 실사화 시나리오 중 그래픽 재현성이 좋은 부분의 캡처. 왼쪽의 바다 물결 표현, 전면의 포그 표현 등이 끊기지 않고 자연스럽게 재생되었다.   맺음말 HP Z북 울트라 G1a는 AI 리서처와 3D 제작 작업을 병행하는 사용자에게 모바일 워크스테이션으로서 분명한 가치를 지닌 기기다. 이 제품의 구성은 모든 요소를 고르게 끌어올리기보다는, 프로세서와 메모리 성능에 명확하게 힘을 준 제품이다. 이에 사용 목적이 분명한 사용자에게 강점으로 작용한다. AI 전처리, 로컬 추론, 3D 제작 작업과 같이 CPU·메모리 의존도가 높은 워크로드에서는 이러한 설계 방향이 체감 성능으로 직결되기 때문이다. 그런 의미에서 HP Z북 울트라 G1a는 특히 다음과 같은 사용자에게 추천하고 싶다. 첫째, 대용량 데이터 전처리가 일상적인 AI 엔지니어, 둘째, 3D 콘텐츠 제작 과정에서 초안과 검증 단계의 결과물을 빠르게 만들어야 하는 사용자, 셋째, 이 모든 작업을 데스크톱이나 서버에 의존하지 않고 모바일 환경에서도 이어가야 하는 사용자다. HP Z북 울트라 G1a를 사용하는 사용자라면, 적어도 서버급 연산을 요구하는 극단적인 작업을 제외하고는 대부분의 실무 환경에서 성능으로 인한 제약을 체감할 일은 드물 것이다. 견적 상담 문의하기 >> https://www.hp.com/kr-ko/shop/hp-workstation-amd-app   ■ 박정은 AI 융합 분야 연구자이자 엔지니어로, 컴퓨터 비전, 게임 엔진, 머신러닝, 딥러닝 기반 실무를 수행하며 대용량 AI 데이터 전처리와 AI 실험 파이프라인을 설계·운용해왔다. 필적, 운동학, 감정 인식 중심의 AI 프로덕트 R&D를 수행하며, 모바일 워크스테이션 환경에서 CPU·GPU 자원을 밀도 있게 활용하는 실험 구조를 활용하였다. 산업 연계 교육 현장에서 연구와 실무를 연결하는 엔지니어이자 교육자로 활동하고 있다.     ■ 기사 내용은 PDF로도 제공됩니다.

인텔은 클라이언트 워크스테이션용 신제품인 ‘인텔 제온 600(Intel Xeon 600)’ 프로세서를 발표했다. 이번에 출시한 워크스테이션 프로세서는 코어 수를 최대 86코어로 늘리고 PCle 연결성, 더 빠른 메모리 속도 지원, 그리고 역대 최대 향상된 전력 효율을 포함해 전 세대 포트폴리오 대비 광범위하게 개선되었다. 새로운 인텔 제온 600 워크스테이션 프로세서는 데이터 사이언스·AI 개발, 엔지니어링 시뮬레이션·시각화, 미디어 및 엔터테인먼트 콘텐츠 제작 등 다양한 작업에 이점을 제공한다. 주요 이점에는 이전 세대 프로세서 대비 멀티 스레드(MT) 성능이 크게 향상되었으며, 더욱 강력해진 I/O 성능, 유무선 연결성 개선, 고급 AI 훈련 및 추론 워크로드 지원 확장 등을 포함한다. 인텔 3 공정 기술과 레드우드 코브+(Redwood Cove+) 코어 아키텍처에 기반한 인텔 제온 600 워크스테이션 프로세서는 제품 라인 전반에 걸쳐 코어 수를 늘렸다. 86코어 제온 698X와 이전 세대 64코어 W3595X를 비교시 기존 전력 소비 목표 대비 최대 61% 향상된 멀티 스레드 성능을 제공하는 등 성능이 크게 향상되었다.     워크스테이션용 인텔 제온 600 프로세서는 최대 86코어와 4.8GHz의 터보 주파수를 제공한다. 이를 통해 이전 세대 대비 싱글 스레드(ST) 성능은 최대 9%, 멀티 스레드(MT) 성능은 최대 61%까지 향상되었다. 그리고 인텔 AMX(Intel AMX)에 FP16 데이터 타입 지원이 추가되어 AI 학습 및 추론 성능이 개선되었다. 이전 세대 대비 AI 및 머신러닝(ML) 워크로드에서 최대 17% 더 빠른 속도를 제공한다. 제온 600은 최대 128개의 CPU PCIe 5.0 레인을 지원한다. 이를 통해 멀티 GPU, SSD, 네트워크 카드 등 복잡한 워크플로우에 필요한 플랫폼 확장성을 보장한다. 또한, 최대 8채널 DDR5 RDIMM(6400 MT/s)을 지원하여 이전 세대(4800 MT/s) 대비 대역폭을 높였다. 새롭게 추가된 DDR5 MRDIMM은 최대 8000 MT/s의 속도를 지원하여, 메모리 집약적인 워크로드의 성능을 향상시킨다. 이외에도 ECC 메모리와 RAS 기술을 지속적으로 지원하여 기업의 핵심 데이터 무결성을 유지하고 시스템 신뢰성을 보장하며, 업계 최고 수준의 프로세서 튜닝(오버클러킹) 기능을 통해 고성능 컴퓨팅 역량을 극대화한다. 내장 인텔 와이파이 6E 지원 및 외장 인텔 와이파이 7 지원을 통해 최상급의 네트워크 환경을 제공하며, 하드웨어 수준에서 강화된 보안 기능(멀티 키 메모리 암호화)과 펌웨어 버전 관리, 인텔 원클릭 복구(Intel One-Click Recovery)를 포함한 광범위한 인텔 vPro 기술 등을 통해 기업 환경에서 더욱 신속하고 용이한 시스템 배포 및 관리가 가능하도록 한 것도 특징이다. 인텔은 워크스테이션용 인텔 제온 600 프로세서가 2026년 3월 말부터 OEM 및 SI 파트너사를 통해 공급되며, 주요 소매점에서도 박스형 정품 프로세서 형태로 공급된다고 밝혔다. 인텔의 헥터 게바레즈(Hector Guevarez) 클라이언트 컴퓨팅 그룹(CCG) 워크스테이션 부문 디렉터는 “다양한 산업 분야에서 고성능 컴퓨팅에 대한 수요가 날로 증가하고 있는 상황에서, 인텔 제온 600 워크스테이션 프로세서를 통해 전문가들의 일상 업무에 필요한 플랫폼을 제공할 수 있다”면서, “높은 성능 효율, 확장된 AI 컴퓨팅 기능, 다양한 인텔 vPro 기술, 강력한 플랫폼 연결성을 갖춘 이 플랫폼은 하이엔드 워크스테이션만이 제공할 수 있는 성능과 역량이 필요한 전문가에게 최적의 선택”이라고 밝혔다.

앤시스코리아가 1월 22일 엔지니어링 시뮬레이션 기반 AI 적용 전략을 공유하기 위해 마련한 ‘산업 맞춤형 시뮬레이션 AI 설루션 세미나’를 진행했다고 밝혔다. 이번 세미나는 ‘설계부터 운영까지, AI가 바꾸는 엔지니어링’을 주제로 AI 도입 이후 엔지니어링 시뮬레이션의 역할과 범위가 어떻게 재정의되고 있는지 살펴보고, 제품 개발 전 주기에서 변화하는 시뮬레이션 프로세스와 산업 현장의 주요 트렌드를 실제 사례를 바탕으로 공유하기 위해 마련됐다. 행사 현장에는 다양한 산업군의 엔지니어 및 실무 담당자 약 190명이 참석했다. 세미나는 앤시스의 패드메쉬 맨들로이(Padmesh Mandloi) 고객지원 부문 아시아 부사장이 ‘AI로 혁신하는 엔지니어링 시뮬레이션’을 주제로 개회사를 전하며 시작됐다. 이어 산업 현장에서 요구되는 시뮬레이션 기반의 AI 적용 방안을 주제로 총 6개의 발표 세션이 진행됐다.     첫 발표에서는 앤시스코리아 강태신 전무가 ‘앤시스가 만드는 디지털 제조 생태계’를 주제로, 디지털 전환 시대 제조 산업이 직면한 핵심 과제와 함께 제품 설계부터 제조 공정까지 전 과정을 아우르는 엔드 투 엔드 시뮬레이션 플랫폼 기반의 접근 방식을 소개했다. 또한 시뮬레이션 기반 전략을 통해 기업이 개발 속도와 품질 경쟁력을 동시에 강화할 수 있는 방향성을 제시했다. 이어서 앤시스코리아 이민욱 프로는 앤시스 옵티스랭(Ansys optiSLang)의 MOP(Meta-model of Optimal Prognosis) 및 FMOP(Field MOP)를 활용한 설계 이해, 모델 보정, 최적화, 강건성 평가 워크플로를 공유했다. 이 세션에서는 설계 프로세스 효율을 높이기 위한 방법론과 함께 최신 시뮬레이션 기반 AI 워크플로 관점에서의 적용 가능성을 함께 다뤘다. 앤시스코리아 김태진 프로는 파이앤시스(PyAnsys) 기반의 데이터 마이닝 자동화 방법론과 앤시스 옵티스랭을 활용한 메타 모델 구축 자동화 프로세스를 소개하며 AI 구현을 위한 학습 데이터 생성 및 전처리, 라벨링 과정에서 시뮬레이션이 수행할 수 있는 역할을 구체적으로 설명했다. 이를 통해 대규모 데이터 확보가 필요한 산업 환경에서의 적용 전략을 제시했다. 이후 세션에서는 온스트림 임영택 대표가 시뮬레이션을 통한 가상 학습 데이터 생성과 실제 데이터 융합 기반의 물리 기반 AI 모델 구축 방안을 발표했다. 특히 제조 현장에서 데이터 확보와 활용 과정에서 발생할 수 있는 현실적인 과제와 함께, 시뮬레이션과 AI의 결합이 실무에 제공할 수 있는 적용 가능성을 강조했다. 앤시스코리아 양경모 프로는 ‘AI 기반 예측 설계의 첫걸음: 차수 축소 모델(ROM)과 하이브리드 애널리틱스(Hybrid Analytics)로 완성하는 준 실시간 디지털 트윈’을 주제로, 예측 모델과 디지털 트윈 구현을 위한 핵심 요소와 적용 시나리오를 소개했다. 엔지니어링 설계·검증 환경에서 빠른 의사결정을 지원하는 전략적 접근을 다뤘다. 마지막으로 앤시스코리아 이정원 매니저는 앤시스 심AI(Ansys SimAI)를 활용한 4D 플로 MRI(4D Flow MRI) 데이터 기반 머신러닝 혈류역학 예측 모델 구축 사례를 발표하며 의료 영상 데이터와 시뮬레이션 기반 분석을 결합한 적용 사례를 공유했다. 이 세션에서는 데이터 기반 예측 모델 구축 과정과 함께, 의료 분야에서의 확장 가능성에 대한 논의가 이어졌다. 앤시스 패드메쉬 맨들로이 부사장은 “이번 세미나는 시뮬레이션과 AI의 결합이 산업 현장에 어떤 방식으로 적용되고 엔지니어링 조직이 무엇을 준비해야 하는지에 대해 실질적인 방향성을 공유한 자리였다”면서, “앤시스코리아는 앞으로도 고객이 설계부터 운영까지 전 주기 혁신을 가속화할 수 있도록 기술과 생태계 지원을 지속적으로 확대해 나가겠다”고 말했다