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

심센터 HEEDS 더 깊게 살펴 보기 (4)   이번 호에서는 심센터 HEEDS(Simcenter HEEDS)의 핵심 최적화 엔진인 SHERPA의 성능을 비약적으로 가속화시키는 AI 시뮬레이션 프레딕터(AI Simulation Predictor) 기술에 대해 자세히 살펴본다. 지난 호에서 다룬 SHERPA의 지능형 탐색 방식에 AI의 예측 통찰력을 결합하여, 어떻게 해석 시간의 병목을 해결하고 검색 효율을 극대화하는지 조명할 예정이다. 이를 통해 고비용 해석 모델에서도 실질적인 리드타임을 단축하고 더 우수한 설계안을 도출해 내는 원리를 알아보고자 한다.   ■ 연재순서 제1회 심센터 HEEDS 커넥트와 MBSE 방법론 제2회 심센터 X MDO의 새로운 HEEDS 제3회 심센터 HEEDS SHERPA의 최적 검색 원리 제4회 최적 검색 가속화를 위한 AI 프레딕터 제5회 심센터 HEEDS 2604 업데이트 제6회 모두를 위한 제너럴 포털과 맞춤 설정 제7회 특별한 워크플로 구성 및 자동화 제8회 다양한 매개변수를 위한 태깅 모드 제9회 복잡한 설정을 한번에, 오토메이션 스크립트 제10회 파이썬 스케줄러와 HEEDS 연동 제11회 심센터 HEEDS 2610 업데이트 제12회 데이터 분석을 위한 HEEDSPy API   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 HEEDS를 비롯하여 통합 설루션을 활용한 프로세스 자동화와 데이터 분석, 최적화에 대한 설루션을 담당하고 있다. 근사최적화 기법 연구를 전공하고 다양한 산업군에서 15년간 유한요소해석과 최적화 분야의 기술지원과 컨설팅을 수행하였다. 홈페이지 | www.sw.siemens.com/ko-KR 링크드인 | www.linkedin.com/in/jonghaklee-odumokgol   최적화의 병목, 해석 시간과 비용의 문제 고충실도(High-Fidelity) 해석의 딜레마 현대 엔지니어링 설계의 정점은 전산유체역학(CFD)이나 비선형 구조해석과 같은 고성능 계산 과정을 필수로 한다. 이러한 고충실도 해석은 제품 성능을 가상 공간에서 정밀하게 모사할 수 있게 해 주지만, 치명적인 약점이 있다. 복잡한 모델의 경우 1회 해석에 수 시간에서 수 일이 소요되기도 하며, 수백 번의 반복 계산이 필요한 최적화 과정에서 이는 극복하기 어려운 시간적 병목(bottleneck)이 된다.   MDAO 과정에서 직면하는 실제 문제들 연재의 배경이 되는 다분야 설계 분석 및 최적화(MDAO : Multidisciplinary Design Analysis and Optimization) 환경에서는 다음과 같은 네 가지 핵심 문제에 직면한다. 시뮬레이션 시간 & 계산 비용 : 장기간의 CAE 실행은 컴퓨터 자원의 점유와 라이선스 비용 부담을 가중시킨다. 신뢰성 : 시간 제약으로 인해 충분한 설계안을 검토하지 못하면 결과의 신뢰성이 떨어진다. 지식의 재사용 : 이전 프로젝트의 방대한 시뮬레이션 데이터를 현재 최적화에 제대로 자산화하지 못하는 한계가 있다. 시프트 레프트(shift left) : 제품 개발 초기 단계에서 오류를 발견하지 못하면 이후 단계에서 대규모 수정 비용이 발생한다.   기존 대안 : 전통적 최적화 프로세스와 근사 모델의 한계 해석 시간을 줄이기 위해 전통적인 설계 공간 탐색(design space exploration) 과정에서는 반응표면법(RSM)이나 크리깅(kriging)과 같은 근사 모델(surrogate model)이 널리 사용되어 왔다. 하지만 이러한 전통적인 방식은 프로세스 측면에서의 번거로움과 기술적 모델 구축 측면에서의 한계를 동시에 안고 있다.   그림 1   첫째, 전문가 중심의 복잡한 다단계 프로세스로 인한 고충(pain points)이 크다. 목적 정의부터 모델 단순화, 알고리즘 선택 및 튜닝, 탐색 수행, 결과 해석으로 이어지는 과정은 매우 정교한 전문 지식을 요구하며 다음과 같은 문제를 일으킨다. 모델 단순화의 오류 가능성 : 변수 선별이나 응답면 모델을 수동으로 생성하는 과정은 오류가 개입되기 매우 쉽다.(too error-prone) 알고리즘 선택 및 튜닝의 고비용 구조 : 적절한 검색 알고리즘을 결정하기 위해 수많은 반복 시도가 필요하며, 파플레이션 크기나 변이율 등 세부 매개변수 설정에 고도의 전문성이 요구되어 시간과 비용이 많이 든다.(too costly & too difficult) 제한적인 혁신 : 이러한 난이도 탓에 최적화 기술이 일부 전문가에 의해 매우 한정적인 문제에만 적용되어, 결과적으로 설계 혁신의 폭이 좁아지는 결과를 초래한다. 둘째, 기술적으로 구축된 근사 모델 자체가 가진 결정적인 한계가 존재한다. 초기 데이터 확보의 높은 비용 : 신뢰할 수 있는 모델을 구축하기 위해서는 설계 공간 전체에 걸쳐 상당수의 초기 샘플 해석이 선행되어야 하며, 고성능 CAE 환경에서는 이 초기 샘플링 과정 자체가 막대한 병목이 된다. 정적 구조의 경직성 : 한 번 구축된 모델은 최적화가 진행되는 동안 설계 공간의 특성 변화나 새로운 유망 영역의 발견을 실시간으로 반영하여 스스로 업데이트되지 않는다. 전역적 경향성과 국부적 정밀도의 딜레마 : 전체적인 경향성은 파악하지만 최적해 주변의 미세한 비선형적 거동을 포착하는 데 한계가 있어, 최종 설계안이 실제 해석 결과와 괴리를 보이는 경우가 빈번하다.   그림 2   반면, 심센터 HEEDS는 이러한 복잡한 중간 단계를 ‘Automated Search’ 하나로 통합하여 엔지니어가 본연의 설계 업무인 목적 정의와 결과 분석에만 집중할 수 있는 환경을 제공한다. 이번 호에서 다룰 AI 프레딕터(AI Predictor)는 이 혁신적인 자동 탐색 과정을 한 단계 더 가속하여 기술적 한계를 극복하고 진정한 설계 디스커버리(discovery)를 실현하는 핵심 기술이다.   기술 혁신 : Boosting SHERPA의 정의와 전략적 가치 AI 시뮬레이션 프레딕터란 무엇인가? 심센터 HEEDS의 AI 시뮬레이션 프레딕터는 최적화 검색 과정을 가속시키는 퍼포먼스 부스터(Performance Booster)이다. 단순히 정해진 데이터를 학습하는 것을 넘어, SHERPA 검색 프레임워크 상단에서 작동하는 AI 오버레이(AI Overlay) 기술을 통해 실시간으로 데이터를 학습(on-the-fly)하여 해석이 필요한 위치(DOE)를 지능적으로 선별한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   최근 인공지능 분야의 주요 화두는 단연 ‘공간 지능(spatial intelligence)’의 구현이다. 단순 2D 이미지나 단일 3D 객체(object) 생성에 머물렀던 기존의 기술적 한계를 넘어, 물리적 환경의 기하학적 구조와 상호작용을 포괄적으로 이해하는 거대 월드 모델(LWM : Large World Models)이 새로운 대안으로 부상하고 있다. 특히, 페이페이 리(Fei-Fei Li) 교수가 이끄는 월드랩스(World Labs)의 ‘마블(Marble)’ 출시는 이러한 패러다임 전환을 알리는 핵심 마일스톤이다. 이번 호에서는 최근 오토데스크와 월드랩스의 대규모 전략적 파트너십을 중심으로, 마블의 기술적 아키텍처와 통합 파이프라인, 그리고 이에 대응하는 오픈소스 3D 생성 모델의 발전 동향을 기술적 관점에서 분석하고자 한다.   ■ 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. 월드랩스가 개발한 오토데스크의 마블 서비스   그림 2. 월드랩스가 개발한 오토데스크의 마블 서비스   오토데스크 마블의 기술적 배경 마블은 오토데스크가 직접 개발한 제품이 아니다. 이 모델은 ‘AI의 대모’라 불리는 페이페이 리 교수가 설립한 AI 스타트업 월드랩스가 개발한 핵심 생성형 3D 월드 모델이다. 오토데스크는 2026년 2월 월드랩스에 대규모 전략적 투자를 단행하며, 자사 소프트웨어와의 통합 파트너십을 발표했다.   그림 3. 페이페이 리 교수의 월드랩 연구실 멤버들(출처 : techfundingnews)   마블의 구체적인 첫 코드 작성일이 공식적으로 공개되지는 않았으나, 회사의 설립과 주요 제품 마일스톤을 통해 개발 타임라인을 추론할 수 있다. 초기 R&D 및 시작(2024년 1월) : 페이페이 리 교수를 비롯한 최고 수준의 AI 연구진이 3D 환경 생성과 실시간 시뮬레이션을 목표로 2024년 1월에 월드랩스를 공동 창립했다. 마블의 근간이 되는 ‘공간 지능’ 연구와 코어 모델 개발은 이때 본격적으로 시작되었을 것으로 분석된다.을 거쳐, 마블의 첫 번째 제한적 베타 버전이 공개되었다. 프로토타입 및 베타(2025년 9월) : 약 1년 8개월의 딥테크 연구 기간 정식 출시(2025년 11월 12일) : 텍스트, 이미지, 비디오 등을 입력받아 상호작용 가능한 3D 환경을 즉석에서 구축하는 마블 프론티어 모델이 일반 대중에게 정식 론칭되었다.   마블의 핵심 기술 스택 마블은 단순히 2D 이미지를 이어 붙이는 비디오 생성 AI가 아니라, 물리적 공간의 3차원 구조를 완벽히 이해하는 거대 월드 모델(LWM) 아키텍처를 채택하고 있다. 3D 표현 포맷(3D Gaussian Splatting) : 시점이 변하면 형태가 무너지는 기존 생성 모델의 한계를 극복하고, 변형 없이 영구적으로 보존되는 3D 환경을 생성한다. 결과물은 3D 가우시안 스플랫이나 메시(mesh) 형태로 다운로드하여 언리얼, 유니티 등 다른 게임 엔진으로 내보낼 수 있다. 실시간 프레임 모델(RTFM : Real-Time Frame Model) : 2025년 10월에 도입된 핵심 렌더링 기술이다. 단일 GPU 환경에서도 실시간으로 월드를 생성하고 상호작용할 수 있도록, 기존 프레임들을 일종의    ‘공간 메모리’로 활용해 높은 디테일을 유지한다. 웹 렌더링 엔진(SparkJS.dev) : 별도의 무거운 클라이언트 없이 웹 브라우저 환경에서 매끄러운 3D 렌더링을 구현하기 위해 Three.js를 기반으로 한 독자 렌더러 ‘SparkJS.dev’를 사용한다. 이는 가우시안 스플랫과 전통적인 WebGL 애셋(glTF 모델 등)을 자연스럽게 혼합한다. 공간 편집 도구(Chisel) : 사용자가 직접 상자나 평면 같은 단순한 원시 도형(primitive)으로 3D 뼈대를 잡으면, AI가 맥락을 파악해 시각적 디테일과 텍스처를 입히는 하이브리드 3D 편집을 지원한다.   오토데스크 생태계와의 결합 전략 기존 스테이블 디퓨전 기반 3D 생성이 단일 객체를 깎아내는 데 집중했다면, 마블은 단일 이미지나 텍스트에서 거대한 3D 가상 세계 전체를 생성한다. 이를 오토데스크의 생태계와 결합하는 것이 이번 협업의 핵심이다. 백본 모델(backbone models) : 단순 2D 픽셀 패턴 모방을 넘어 3D 공간의 기하학(geometry), 재질, 빛의 반사, 물리 법칙을 추론하는 거대 세계 모델(LWM)을 백본으로 사용한다. 월드랩스의 핵심 개발진(NeRF 창시자 등)의 배경을 고려할 때, NeRF 및 차세대 뉴럴 렌더링 기술이 결합되어 시점 변화에 완벽히 대응하는 일관된 3D 신(scene)을 연산한다. 학습 데이터 종류(training data) : 일반적인 2D 이미지 쌍을 넘어 3D 레이아웃, 공간 깊이(depth) 데이터, 카메라 트래킹(pose)이 포함된 다중 시점 영상, 그리고 오토데스크가 강점을 가진 기하학적/물리적 CAD 시뮬레이션 데이터 등 복합적인 고차원 데이터로 학습된다. 오토데스크와의 통합 파이프라인(integration workflow) 편집 가능한 3D 신 : 비디오 영상(예 : 오픈AI 소라)이 아닌, 구조화되고 상호작용 가능한 3D 환경 자체를 출력한다. 라스트 마일 편집(last-mile editing) 생태계 : 마블이 프롬프트로 전체 공간의 초안을 생성하면, 이를 오토데스크의 마야, 3ds 맥스, 레빗 같은 전통적인 소프트웨어로 넘긴다. 이후 아티스트나 엔지니어가 직접 폴리곤 토폴로지, 리깅, 정밀한 재질 수정을 거쳐 최종 결과물을 완성한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   최근 인공지능 분야의 주요 화두는 단연 ‘공간 지능(spatial intelligence)’의 구현이다. 단순 2D 이미지나 단일 3D 객체(object) 생성에 머물렀던 기존의 기술적 한계를 넘어, 물리적 환경의 기하학적 구조와 상호작용을 포괄적으로 이해하는 거대 월드 모델(LWM : Large World Models)이 새로운 대안으로 부상하고 있다. 특히, 페이페이 리(Fei-Fei Li) 교수가 이끄는 월드랩스(World Labs)의 ‘마블(Marble)’ 출시는 이러한 패러다임 전환을 알리는 핵심 마일스톤이다. 이번 호에서는 최근 오토데스크와 월드랩스의 대규모 전략적 파트너십을 중심으로, 마블의 기술적 아키텍처와 통합 파이프라인, 그리고 이에 대응하는 오픈소스 3D 생성 모델의 발전 동향을 기술적 관점에서 분석하고자 한다.   ■ 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. 월드랩스가 개발한 오토데스크의 마블 서비스   그림 2. 월드랩스가 개발한 오토데스크의 마블 서비스   오토데스크 마블의 기술적 배경 마블은 오토데스크가 직접 개발한 제품이 아니다. 이 모델은 ‘AI의 대모’라 불리는 페이페이 리 교수가 설립한 AI 스타트업 월드랩스가 개발한 핵심 생성형 3D 월드 모델이다. 오토데스크는 2026년 2월 월드랩스에 대규모 전략적 투자를 단행하며, 자사 소프트웨어와의 통합 파트너십을 발표했다.   그림 3. 페이페이 리 교수의 월드랩 연구실 멤버들(출처 : techfundingnews)   마블의 구체적인 첫 코드 작성일이 공식적으로 공개되지는 않았으나, 회사의 설립과 주요 제품 마일스톤을 통해 개발 타임라인을 추론할 수 있다. 초기 R&D 및 시작(2024년 1월) : 페이페이 리 교수를 비롯한 최고 수준의 AI 연구진이 3D 환경 생성과 실시간 시뮬레이션을 목표로 2024년 1월에 월드랩스를 공동 창립했다. 마블의 근간이 되는 ‘공간 지능’ 연구와 코어 모델 개발은 이때 본격적으로 시작되었을 것으로 분석된다.을 거쳐, 마블의 첫 번째 제한적 베타 버전이 공개되었다. 프로토타입 및 베타(2025년 9월) : 약 1년 8개월의 딥테크 연구 기간 정식 출시(2025년 11월 12일) : 텍스트, 이미지, 비디오 등을 입력받아 상호작용 가능한 3D 환경을 즉석에서 구축하는 마블 프론티어 모델이 일반 대중에게 정식 론칭되었다.   마블의 핵심 기술 스택 마블은 단순히 2D 이미지를 이어 붙이는 비디오 생성 AI가 아니라, 물리적 공간의 3차원 구조를 완벽히 이해하는 거대 월드 모델(LWM) 아키텍처를 채택하고 있다. 3D 표현 포맷(3D Gaussian Splatting) : 시점이 변하면 형태가 무너지는 기존 생성 모델의 한계를 극복하고, 변형 없이 영구적으로 보존되는 3D 환경을 생성한다. 결과물은 3D 가우시안 스플랫이나 메시(mesh) 형태로 다운로드하여 언리얼, 유니티 등 다른 게임 엔진으로 내보낼 수 있다. 실시간 프레임 모델(RTFM : Real-Time Frame Model) : 2025년 10월에 도입된 핵심 렌더링 기술이다. 단일 GPU 환경에서도 실시간으로 월드를 생성하고 상호작용할 수 있도록, 기존 프레임들을 일종의    ‘공간 메모리’로 활용해 높은 디테일을 유지한다. 웹 렌더링 엔진(SparkJS.dev) : 별도의 무거운 클라이언트 없이 웹 브라우저 환경에서 매끄러운 3D 렌더링을 구현하기 위해 Three.js를 기반으로 한 독자 렌더러 ‘SparkJS.dev’를 사용한다. 이는 가우시안 스플랫과 전통적인 WebGL 애셋(glTF 모델 등)을 자연스럽게 혼합한다. 공간 편집 도구(Chisel) : 사용자가 직접 상자나 평면 같은 단순한 원시 도형(primitive)으로 3D 뼈대를 잡으면, AI가 맥락을 파악해 시각적 디테일과 텍스처를 입히는 하이브리드 3D 편집을 지원한다.   오토데스크 생태계와의 결합 전략 기존 스테이블 디퓨전 기반 3D 생성이 단일 객체를 깎아내는 데 집중했다면, 마블은 단일 이미지나 텍스트에서 거대한 3D 가상 세계 전체를 생성한다. 이를 오토데스크의 생태계와 결합하는 것이 이번 협업의 핵심이다. 백본 모델(backbone models) : 단순 2D 픽셀 패턴 모방을 넘어 3D 공간의 기하학(geometry), 재질, 빛의 반사, 물리 법칙을 추론하는 거대 세계 모델(LWM)을 백본으로 사용한다. 월드랩스의 핵심 개발진(NeRF 창시자 등)의 배경을 고려할 때, NeRF 및 차세대 뉴럴 렌더링 기술이 결합되어 시점 변화에 완벽히 대응하는 일관된 3D 신(scene)을 연산한다. 학습 데이터 종류(training data) : 일반적인 2D 이미지 쌍을 넘어 3D 레이아웃, 공간 깊이(depth) 데이터, 카메라 트래킹(pose)이 포함된 다중 시점 영상, 그리고 오토데스크가 강점을 가진 기하학적/물리적 CAD 시뮬레이션 데이터 등 복합적인 고차원 데이터로 학습된다. 오토데스크와의 통합 파이프라인(integration workflow) 편집 가능한 3D 신 : 비디오 영상(예 : 오픈AI 소라)이 아닌, 구조화되고 상호작용 가능한 3D 환경 자체를 출력한다. 라스트 마일 편집(last-mile editing) 생태계 : 마블이 프롬프트로 전체 공간의 초안을 생성하면, 이를 오토데스크의 마야, 3ds 맥스, 레빗 같은 전통적인 소프트웨어로 넘긴다. 이후 아티스트나 엔지니어가 직접 폴리곤 토폴로지, 리깅, 정밀한 재질 수정을 거쳐 최종 결과물을 완성한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

실시간 3D 기술로 산업 전반의 디지털 혁신 주도   2025년은 혁신으로 가득한 한 해였다. 유니티의 파트너들은 다양한 산업 분야에서 획기적인 성과를 이뤄냈다. 자동차 산업에서 차량 내 경험을 혁신하는 것부터 의료 및 제조 분야의 새로운 영역을 개척하기까지, 고객들은 유니티를 활용하여 대담한 아이디어를 현실로 만들어 냈다. ■ 자료 제공 : 유니티 코리아   자동차 산업의 거침없는 혁신   자동차 산업은 2025년에 디지털 혁신을 가속화했으며, 유니티의 고객들이 이러한 추세를 주도했다. 실시간 3D 기술은 더 이상 미래지향적인 개념이 아니라 최신 차량 디자인, 엔지니어링 및 차량 내부 경험의 핵심 요소이다. 자동차 산업의 리더들은 유니티를 활용하여 더 효율적인 워크플로를 구축하고 고객에게 더욱 몰입도 높은 경험을 제공했다. 대표적인 성공 사례로 BMW 그룹에서는 유니티 애셋 매니저(Unity Asset Manager)를 사용하여 복잡한 3D 애셋을 성공적으로 관리하며 디지털 성장을 추진했다. 글로벌 제조업체에게 방대한 디지털 애셋 라이브러리를 관리하는 것은 큰 부담이 된다. BMW는 이 프로세스를 간소화하면서 일관성을 유지하고 개발 사이클을 가속화했다. 이렇게 하면 더 빠르게 반복 작업을 수행하고 더 신속하게 탁월한 품질로 시장을 혁신할 수 있다.   ▲ 출처 : 도요타 자동차   ▲ 출처 : BMW 그룹   마찬가지로 도요타와 렉서스는 차세대 HMI(인간–기계 인터페이스) 개발의 경계를 넓혔다. 이들은 유니티를 통해 직관적이면서도 풍부한 시각적 정보를 기반으로 운전자와 탑승자 모두를 만족시킬 수 있는 차량 내부 시스템을 디자인했다. 또한 메르세데스 벤츠는 차량 내부 경험의 완성도를 높이는 데 계속해서 집중하며, 몰입도 높고 반응성이 뛰어난 인터페이스를 개발하여 주행 경험의 품질을 한층 더 끌어올리고 있다.   의료 및 생명과학 분야의 혁신적인 발전 의료 산업은 환자의 치료 결과를 개선하고, 의학적 교육을 강화하며, 복잡한 생물학적 데이터를 시각화하는 데 기술을 활용하면서 발전을 지속해 왔다. 유니티의 실시간 3D 기능은 이러한 발전의 핵심으로, 수술 시뮬레이터부터 인터랙티브 환자 교육 플랫폼까지 모든 것을 구축할 수 있는 툴을 제공한다.   ▲ 출처 : 메드트로닉   2025년, 필립스는 의료 현장에서 일상 생활까지 이어지는 의료 혁신을 계속해서 선도했다. 이들의 성공 사례는 몰입형 기술이 임상 절차와 가정 내 환자 치료를 모두 지원하여 의료 접근성과 효과를 높일 수 있음을 보여 준다. 또한 메드트로닉(Medtronic)은 유니티를 사용하여 로봇 수술용 디지털 트윈을 구축했다. 이러한 가상 복제본을 활용하면 정밀도 높은 데이터 기록, 플레이백 및 시각화를 통해 외과의들이 기술을 개선하고 시술 성공률을 높일 수 있다.   ▲ 출처 : 랜덤42   랜덤42(Random42)는 의료 시각화 분야에서 큰 도약을 이루며 새로운 가능성을 보여 주었다. 이들은 유니티를 활용하여 복잡한 생물학적 프로세스를 정확하게 시각화함으로써 과학 및 의학 관련 정보를 전달하는 방식을 혁신하고 있다. 연구자, 의사 및 환자들은 이러한 발전을 통해 질병의 메커니즘과 새로운 치료법의 가능성을 더 손쉽게 이해할 수 있다.   더 스마트하고 빠르고 효과적인 제조 방식 효율, 안전성, 혁신은 제조업의 핵심 요소이다. 유니티 고객들은 실시간 3D가 이 세 가지 목표를 모두 달성하는 데 얼마나 효과적인지를 보여 주었다. 직원 교육부터 공장 현장 시뮬레이션까지, 유니티는 제조업체가 생산의 미래를 구축해 나가도록 지원하고 있다.   ▲ 출처 : SEW 유로드라이브 & 리얼버추얼.아이오   SEW 유로드라이브(SEW-EURODRIVE)는 유니티를 모비킷 맞춤형 심인터페이스(MOVIKIT Custom SimInterface) 및 리얼버추얼.아이오(realvirtual.io)에 통합하여, 엔지니어가 위험 부담 없는 디지털 트윈 환경에서 자동화 로직을 테스트하고 개선할 수 있도록 함으로써 가상 시운전에 혁신을 가져왔다. 이러한 접근 방식 덕분에 시운전 시간을 70% 단축하여 ROI를 더 빠르게 달성하고 현장 물류 오류를 최소화할 수 있게 되었다.   ▲ 출처 : 지멘스 & 에듀케이션XR   인력 교육 분야에서도 진전이 있었다. 지멘스는 몰입형 XR(확장현실) 교육 모듈을 통해 전기 분야 인력의 교육 방식을 혁신하여, 안전하고 확장 가능하며 효과적인 학습 경험을 제공한다. 비슷하게 브리지스톤 아메리카(Bridgestone Americas)는 자체 개발 VR 애플리케이션으로 엔지니어링 운영을 혁신하여, 팀이 공유 가상 공간에서 협업하고 문제를 해결할 수 있게 함으로써 실물 프로토타입과 출장의 필요성을 줄였다.   리테일 및 고객 참여에서의 혁신 리테일 산업 환경은 그 어느 때보다 경쟁이 치열하며, 고객 참여가 성공의 열쇠라고 할 수 있다. 많은 리테일 브랜드가 유니티를 통해 독특하고 개인화된 인터랙티브 경험을 구축하여 고객의 관심을 사로잡고 성과를 창출하고자 했다.   ▲ 출처 : 콜러   콜러(Kohler)는 고객 참여를 확대하기 위해 인상적인 3D 콘텐츠를 제공하기 시작했다. 제품 카탈로그를 인터랙티브 3D 애셋으로 변환하여 제공하기 때문에, 고객은 집에서도 편안하게 제품을 상세히 살펴보고 더 확실한 구매 결정을 내릴 수 있다.   ▲ 출처 : 렌 키친스   렌 키친스(Wren Kitchens)는 유니티를 통해 디자인 및 시각화 프로세스를 개선하여, 고객에게 향후 주방의 명확한 모습을 보여 주는 동시에 자체 운영 워크플로를 최적화했다. 이는 몰입형 경험이 고객 만족도와 비즈니스 효율을 동시에 높일 수 있는 방법을 보여 주는 사례이다.   미래의 몰입형 월드 구축 유니티는 산업의 경계를 넘어 스마트 시티 및 상호 연결된 가상 월드를 포함한 차세대 디지털 경험의 기반을 제공하고 있다. 이처럼 야심찬 프로젝트에는 방대한 데이터 세트를 처리하고 실시간 성능을 제공할 수 있는 플랫폼이 필요하며, 유니티 고객은 이러한 과제를 성공적으로 해결했다. 동적 스마트 디지털 트윈 구축 분야에서는 큰 폭의 진전이 있었다. 스마트 디지털 트윈 프로젝트에서는 실제 데이터를 활용하여 몰입형 시뮬레이션을 구축함으로써, 계획 담당자가 교통 체계를 모델링하고 환경 영향을 분석하며 더욱 긴밀하게 연결된 시설을 설계할 수 있도록 지원한다. 아크GIS(ArcGIS)와 유니티의 협업에 따른 결과로, 코퍼스 크리스티 항구와 디 액셀러레이션 에이전시(The Acceleration Agency)는 실제 데이터와 창의적인 비전을 결합하여 지리적으로 정확하면서도 풍부한 디지털 트윈을 구축할 수 있었다.   ​​​​​​​ ▲ 출처 : 루비   루비(ROUVY)는 유니티를 통해 실제 동영상, 3D 데이터, 라이브 센서 입력을 초현실적인 증강현실(AR) 루트로 블렌딩하여 실내 사이클링에 혁신을 가져왔다. 루비 루트 크리에이터(ROUVY Route Creator)와 같은 기능을 통해 사용자는 자신이 직접 촬영한 동영상과 GPS 데이터를 ‘실제로 주행할 수 있는’ AR 라이딩 경험으로 변환할 수 있으며, 그 결과 매주 20TB에 달하는 새로운 콘텐츠가 추가된다. 톰톰(TomTom)은 맵 디자인 및 시각화 워크플로에 주력하며, 유니티를 활용하여 가상 월드에 자동차 내비게이션 소프트웨어를 결합한 시뮬레이션 환경을 구축한다.   ▲ 출처: 구글 맵스   구글 맵스(Google Maps)는 안드로이드 XR용 몰입형 뷰로 내비게이션을 재정의하여 사용자가 도시, 랜드마크, 장소를 세밀한 3D 디테일로 둘러볼 수 있는 방법을 제공했다. 유니티 기반의 이 애플리케이션은 2D 맵에서 몰입도 넘치는 경험으로 매끄럽게 전환되며, 여행 계획과 탐험에 있어 높은 완성도를 제공한다.     ■ 기사 내용은 PDF로도 제공됩니다.

로크웰 오토메이션은 지난 3월 4일~6일 열린 ‘오토메이션 월드 2026’에 참가해 산업 운영의 미래 비전과 자율 제조 전환 전략을 소개했다. 하드웨어 중심에서 소프트웨어 및 서비스 중심 기업으로 탈바꿈하고, 자동화를 넘어 AI와 데이터 중심의 자율 운영 단계로 진화하겠다는 비전을 밝힌 로크웰 오토메이션은 글로벌 파트너들과 함께 자율형 스마트 공장 생태계를 구축할 계획이다. ■ 정수진 편집장     AI 기반의 자율 제조 운영으로 산업 패러다임 전환 로크웰 오토메이션 코리아의 인더스트리 및 OEM 영업 본부장인 김낙현 상무는 “제조 산업이 하드웨어 중심 자동화에서 AI와 소프트웨어 기반의 자율 운영 단계로 진입하는 변곡점을 맞이했다”고 짚었다. 로크웰 오토메이션은 이러한 변화가 제조업의 복합적인 위기와 기술 진화가 맞물린 결과라고 보고 있다. 김 상무는 현재 제조업계가 에너지 비용 상승, 숙련 인력 부족, 공급망 리스크 등 거대한 위기에 직면했다고 진단하면서, “제조 기업은 전방위 압박 속에서도 지속 가능한 생산 능력을 키워야 하는 과제를 안고 있다”고 전했다. 기술 발전도 가속화되고 있다. AI와 로보틱스 등 생산 기술이 빠르게 발전하면서 적용 분야 또한 넓어지는 추세다. 김낙현 상무는 이에 따라 기존의 공장 운영 방식을 새롭게 재조명해야 한다면서, “하드웨어 통제 위주의 제조 환경이 AI와 데이터 기반으로 스스로 학습하고 최적화하는 자율 운영 체계로 넘어갈 것”이라고 전망했다. 로크웰 오토메이션 코리아의 이용하 대표는 “산업 현장의 AI는 더 이상 자동화를 보완하는 부가 기술이 아니다. 데이터 단절을 극복하고 공장 운영 전반의 의사결정 구조를 바꾸는 핵심 인프라로 자리 잡았다”면서, 제조 기업들이 자연스럽게 통합 데이터 기반의 자율 운영 단계로 전환해 나가고 있다고 밝혔다.     산업 생애주기 전반에 걸친 AI 통합 추진 로크웰 오토메이션 코리아의 마켓 액세스 영업 본부장인 이원석 상무는 산업용 AI의 특수성을 강조했다. 실시간 제어와 운영기술(OT) 데이터, 안전성이 중요한 산업 현장에서는 단순 분석형 AI보다 설계–운영–유지보수 전반에 내재된 특화 AI가 필요하다는 설명이다. 로크웰 오토메이션은 제품의 전체 생애주기에 AI를 결합하는 엔드 투 엔드 전략을 추진하고 있다. ▲설계 단계에서는 자연어 질의로 프로그램 코드를 자동 생성하고, 디지털 트윈 설루션으로 가상 공간에서 물리적 장비의 시뮬레이션을 수행한다. ▲운영 단계에서는 제어기 내부에 AI 모듈을 탑재해 장비가 머신러닝으로 제어 값을 조정하고 이상을 예측한다. 여기에 AMR(자율이동로봇) 설루션을 융합해 공장의 자율 최적화를 구현한다. ▲유지보수 단계에서는 설비의 에지(edge) 단에 AI를 적용해 실시간 모니터링을 진행하고, 유지보수 시스템과 연동해 선제적인 작업 지시를 내려 다운타임을 방지한다. 이원석 상무는 “수명주기 전반을 아우르는 파트너십을 바탕으로 모든 제품군에 AI 기술을 내재화해 시작부터 끝까지 책임지는 역량이 로크웰 오토메이션의 산업용 AI가 가진 차별점”이라고 강조했다.     중소기업을 위한 자율 공장 로드맵과 구축 전략 제시 로크웰 오토메이션은 디지털화 및 데이터 인프라가 상대적으로 부족한 중소·중견 기업을 위한 단계별 전략도 소개했다. 핵심은 중소·중견 기업이 자율형 스마트 공장으로 원활하게 나아갈 수 있도록 맞춤형 컨설팅과 기술의 자연스러운 내재화를 결합해 제공하는 것이다. 김낙현 상무는 “한국의 많은 중소·중견 기업이 아직 데이터 수집조차 제대로 되지 않는 기초적인 스마트 공장 단계에 머물러 있다”면서, “이를 해결하기 위해 로크웰 오토메이션은 전담 컨설팅 조직을 통해 고객의 상황을 분석하고, 자율형 공장으로 가기 위한 구체적인 AI 접목 플랜과 단계별 설루션 활용을 지원하고 있다”고 밝혔다. 로크웰 오토메이션 코리아의 라이프사이클 서비스 사업본부장인 최태능 상무는 “오랜 기간 공장 자동화를 수행해 온 전문성을 바탕으로, 기존 제조업 현장에서 친숙하게 사용되는 제어기(PLC)나 휴먼 머신 인터페이스(HMI) 등 기존 자동화 설루션에 AI 기능을 탑재하여 내재화하는 작업을 진행하고 있다”고 밝혔다. 또한, “기업들이 거부감 없이 AI를 도입하고 기존 시스템에 자연스럽게 스며들도록 유도하는 것이 핵심 방향”이라고 전했다.     ■ 기사 내용은 PDF로도 제공됩니다.

디지털 지식전문가 조형식의 지식마당   과거 십수 년간 전 세계 기업들을 관통한 화두는 ‘디지털 전환(digital transformation : DX)’이었다. 아날로그 데이터를 디지털화하고, 클라우드와 모바일 환경을 구축하며 비즈니스의 민첩성을 확보하는 것이 생존의 필수 조건이었다. 하지만 이제 시대의 흐름은 단순한 디지털화를 넘어 ‘AI 전환(AI transformation : AX)’이라는 새로운 국면으로 접어들고 있다.   그림 1. 디지털 전환의 진화   기술의 도입을 넘어 조직의 재설계로 많은 이가 디지털 전환을 IT 인프라의 현대화나 소프트웨어 도입 정도로 오해하곤 한다. 그러나 디지털 전환의 진정한 가치는 기술 그 자체가 아니라, 기술을 중심에 두고 ‘조직을 재설계하는 것’에 있었다. 기존의 파편화된 업무 프로세스를 통합하고, 데이터가 흐르는 구조를 만들어 의사결정의 근거를 마련하는 과정이 바로 DX의 핵심이었다. 하지만 데이터가 쌓이는 것만으로는 충분하지 않다. 방대한 데이터 속에서 의미를 추출하고, 이를 실시간 비즈니스 액션으로 연결해야 하는 과제가 남았다. 여기서 AI 전환의 필요성이 대두된다. 특히 디지털 스레드(digital thread)는 의미 없는 데이터를 연결하여 맥락(context)를 주고 스토리텔링(storytelling)을 만들어서 인간의 감성을 움직인다. 예를 들어서 대부분의 사람들이 매일 스마트폰으로 엄청난 양으로 사진을 찍지만, 대부분을 관리하지 않는다. 그리고 이 사진은 필요할 때 찾지 못해서 사용하지 못하고 있다. 이것은 현대 사회의 일면이다. 자료를 엄청나게 생성하지만 사용하기는 쉽지 않다는 것이다. 기업의 데이터도 마찬가지이다. 또한 이것은 디지털 트윈(digital twin : DT)의 형태로 인간의 현실 세계(real world), 증강현실/가상현실 (AR/VR) 그리고 메타버스(metaverse)의 영역까지 연결할 수 있다. 이것은 미래 기업의 존재 방식이 어떤 형태든 가질 수 있다는 것이다.   AI 전환 : 조직을 하나의 지능으로 만드는 과정 AI 전환은 단순히 업무에 챗봇을 도입하거나 분석 도구를 활용하는 수준을 의미하지 않는다. AX의 진정한 지향점은 ‘조직을 하나의 지능으로 만드는 것’이다.   그림 2. 인지 디지털 전환의 형태   기존의 조직이 각 부서의 매뉴얼과 개인의 경험에 의존해 움직였다면, AI 전환을 이룬 기업은 조직 전체가 유기적으로 연결된 하나의 거대한 지능체처럼 작동한다. 마케팅의 데이터가 생산으로 흐르고 고객의 피드백이 실시간으로 제품 설계에 반영되는 구조, 즉 데이터와 알고리즘이 조직의 혈관 역할을 하며 판단과 실행을 주도하는 상태를 의미한다. 그리고 이런 조직은 현실 세계와 연동되는 디지털 트윈의 형태가 될 수도 있고, 가상의 형태가 될 수 있다.   효율적 집단에서 지능 시스템으로의 진화 AI 전환을 통해 기업은 단순한 ‘효율적 집단’에서 ‘지능적 시스템’으로 진화한다. 이러한 진화는 세 가지 차원에서 기업의 존재 방식을 재정의한다. 첫 번째 – 더 빠른 학습 : 시장의 변화와 고객의 패턴을 실시간으로 흡수하여 조직의 지식 자산으로 축적한다. 인공지능의 최대의 장점은 일반적인 학습이다. 두 번째 – 더 정확한 판단 : 인간의 편향이나 정보의 누락 없이, 방대한 데이터를 기반으로 최적의 의사결정을 내린다. 인간은 물론 인공지능도 편향을 가지고 있다. 세 번째 – 더 창의적인 행동 : 반복적이고 소모적인 판단 업무에서 벗어난 인적 자원이 더 높은 차원의 전략과 창의적 비즈니스 모델 창출에 집중한다. 아직도 인공지능은 창의적 생각을 하기는 부족하지만, 인간은 인공지능의 도움을 받아 더 효과적으로 창의성을 발휘할 수 있다. 제조업 분야에서는 피지컬 AI(physical AI)와 자율 제조 시스템(autonomous manufacturing system)의 연결이 될 것이다. 그러나 우리의 기대처럼 될 것 같지는 않다. 부분적으로 실현될 가능성이 높다. 현실적으로 아직도 해결해야 할 과제가 너무 많이 있다. 미래에 대해서 누구나 이야기할 수 있다. 왜냐면 미래는 증명할 필요가 없이 그럴듯하고 듣기 좋은 이야기가 항상 인기 있기 때문이다.   리스크 : AI 전환은 동시에 ‘위험 전환’ AI 전환은 강력한 기회인 동시에, 전례 없는 리스크를 동반한다. 주요 리스크는 데이터 프라이버시, 알고리즘 편향성, 설명 불가능성, 규제 리스크(예 : EU AI Act)이다. 특히 중요한 것은 ‘AI는 정확할 수는 있지만, 항상 공정한 것은 아니’라는 것이다. 따라서 기업은 반드시 설명 가능한 인공지능(explainable AI : XAI)와 윤리적 AI 가이드라인 지속적 감사 체계를 구축해야 한다.   그림 3. AI 시대의 단계   맺음말 : 지능의 확장이 가져올 미래 디지털 전환은 이제 AI 전환으로 진화하고 있다. 우리가 반드시 기억해야 할 점은, 디지털 전환의 궁극적인 목표가 단순한 자동화나 비용 절감을 통한 효율화가 아니라는 사실이다. 그 본질은 ‘인간 조직의 지능을 확장하는 것’이다. AI 전환은 바로 이 지점에서 시작된다. 기업은 이제 기술을 도구로 사용하는 단계를 지나 스스로 더 빠르게 학습하고, 더 정확하게 판단하며, 더 창의적으로 행동하는 ‘지능적 시스템(intelligent system)’으로 거듭나야 한다. 결국 디지털 전환이 ‘조직을 재설계하는 것’이었다면, AI 전환은 그 설계를 바탕으로 ‘조직을 하나의 살아있는 지능으로 만드는 것’이다. 이 거대한 흐름 속에서 AI를 조직의 일부로 내재화하는 기업만이 미래 경쟁력을 선점하게 될 것이다. 우리는 이것은 인지적 디지털 전환(cognitive digital transformation) 이라고 부를 지도 모른다.   ■ 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.

  15　THEME. 지속 가능한 성장을 위한 플랜트·조선 산업의 디지털/AI 전환 글로벌 플랜트·조선 프로젝트의 새로운 경쟁력을 위한 실행 중심 DX 전략 플랜트 DX/AX를 통한 산업 혁신 : 지속 가능하면서 효율적인 추진 전략 DX·AI 시대의 플랜트 토목 설계 자동화 디지털 건설 블록을 통한 EPC 산업의 AI/ML 기반 디지털 전환 전략 AI 스마트 선박 및 스마트 해운의 사이버 안전 대응 전략 플랜트·조선 산업을 위한 대용량 3D 시각화 설루션 적용 사례 AI 기반 엔지니어링을 위한 CAD 데이터 품질 인프라 구축   INFOWORLD   Focus 40　SIMTOS 2026, “AI 자율제조로 나아가는 글로벌 제조 혁신을 한 눈에” 42　로크웰 오토메이션의 자율 제조 비전… “산업 전주기에 AI 내재화”   People&Company 44　아비바 스티브 르완 부사장, 에릭 첸 부사장　AI로 연결된 스마트 제조의 미래… 파트너 생태계로 혁신 가치 극대화   Case Study 46　 언리얼 엔진으로 새롭게 정의한 ‘케이팝 데몬 헌터스’　프리비즈와 레이아웃 혁신해 애니메이션 공정 효율 향상 50　2025년을 빛낸 유니티 고객 성공 사례　실시간 3D 기술로 산업 전반의 디지털 혁신 주도   New Products 53　통합 워크플로 및 생성형 AI 기능으로 엔지니어링 혁신 가속　앤시스 2026 R1 56　투사현실로 현장 레이아웃을 구현하는 스마트 건설 설루션　XR Projector Gen3   Column 59　트렌드에서 얻은 것 No. 29 / 류용효　나의 바이브 코딩 도전기 62　디지털 지식전문가 조형식의 지식마당 / 조형식　디지털 전환을 넘어 AI 전환으로 : 기업의 존재 방식을 재정의하는 시대   On Air 64　캐드앤그래픽스 CNG TV 지식방송 지상중계　가상 엔지니어링 기반 스마트 건설 장비 개발 프로세스 66　캐드앤그래픽스 CNG TV 지식방송 지상중계　 AI 시대, 인간의 전략적 진화… ‘슈퍼휴먼’으로 거듭나는 법 67　캐드앤그래픽스 CNG TV 지식방송 지상중계　피지컬 AI가 이끄는 제조 패러다임의 변화 : 대한민국 제조업의 미래   68　New Books   Directory 107　국내 주요 CAD/CAM/CAE/PDM 소프트웨어 공급업체 디렉토리   CADPIA   AEC 69　BIM 칼럼니스트 강태욱의 이슈 & 토크 / 강태욱　월드랩과 오토데스크의 협업, 그리고 공간 AI 모델 패러다임 전환 72　새로워진 캐디안 2026 살펴보기 (5) / 최영석　스마트 옵셋 외 76　데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2026 (13) / 최하얀　분산 근무 시대의 새로운 CAD 라이선스 전략   Analysis 79　심센터 HEEDS 더 깊게 살펴 보기 (4) / 이종학　최적 검색 가속화를 위한 AI 프레딕터 84　제품 개발 혁신을 돕는 크레오 파라메트릭 12.0 (9) / 김주현　크레오 플로 어낼리시스를 통한 유동해석 90　앤시스 워크벤치를 활용한 해석 성공 사례 / 박장순　웨이브가이드의 열 & 열 변형 해석 96　산업을 위한 AI와 버추얼 트윈 기술 (2) / 고석원　차량 공력 성능 예측 고도화를 위한 CFD 전략 99　성공적인 유동 해석을 위한 케이던스의 CFD 기술 / 나인플러스IT　선박 운영 비용을 줄이는 파력 추진 시스템의 개발 102　가상 제품 개발을 위한 MBSE 및 SysML의 이해와 핵심 전략 (6) / 오재응　SysML의 블록 정의 및 사용     2026-4-aifrom 캐드앤그래픽스     캐드앤그래픽스 당월호 책자 구입하기   캐드앤그래픽스 당월호 PDF 구입하기