트렌드에서 얻은 것 No. 29   “진짜 창작자는 결국 결과물을 세상에 내놓는다.” – 스티브 잡스 AI가 소프트웨어 개발의 문턱을 낮추고 있다는 말은 이제 낯설지 않다. 누구나 아이디어만 있으면 앱 하나쯤 만들 수 있을 것처럼 말하는 분위기도 강하다. 그러나 현장에서 체감하는 현실은 훨씬 복합적이다. 누군가는 “이제 비개발자도 충분히 만들 수 있다”고 말하고, 또 누군가는 “기업 시스템은 그렇게 단순하지 않다”고 말한다. 두 말 모두 맞다. 문제는 이 둘의 경계를 구분하지 않은 채 바이브 코딩(vibe coding)을 마치 모든 개발 문제를 한 번에 해결해줄 만능 해법처럼 받아들이는 데 있다. 필자가 최근 직접 경험한 바이브 코딩은 기대보다 흥미로웠고, 동시에 예상보다 훨씬 현실적이었다. 결론부터 말하면 바이브 코딩은 분명 강력하다. 다만 그 힘은 모든 영역에서 같은 방식으로 작동하지 않는다. 비개발자에게 바이브 코딩은 ‘개발의 대체재’라기보다 ‘제작의 첫 진입로’에 가깝고, 개발자에게는 생산성과 속도를 높여주는 가속 장치에 가깝다. 같은 용어를 쓰더라도 출발점도 다르고, 활용 방식도 다르며, 기대해야 할 결과도 다르다. 스티브 잡스는 “단순함은 복잡함보다 더 어렵다”고 말했다. 바이브 코딩이 바로 그렇다. 겉으로 보기에는 말 몇 줄로 프로그램을 만드는 간단한 방식처럼 보이지만, 실제로는 무엇을 만들고 싶은지 더 선명하게 설명해야 하고, 문제를 더 세밀하게 구조화해야 하며, 결과를 더 집요하게 검토해야 한다. 개발 문법의 부담은 다소 줄어들 수 있지만, 사고의 부담까지 사라지는 것은 아니다. 오히려 생각을 더 명료하게 만드는 훈련이 필요하다. 비개발자의 바이브 코딩은 결국 문제를 언어로 구조화하는 데서 시작된다. 무엇이 불편한지, 어떤 흐름이 필요한지, 어떤 화면이 있어야 하는지, 어떤 데이터를 어디서 가져와야 하는지, 결과를 어떤 방식으로 보여줘야 하는지를 AI에게 설명하고, 그 결과물을 계속 수정하고 다듬는 방식이다. 이때 중요한 것은 프로그래밍 문법을 얼마나 많이 아느냐보다 문제를 얼마나 또렷하게 정의할 수 있느냐다. 반면 개발자의 바이브 코딩은 결이 다르다. 개발자는 AI를 이용해 아키텍처 초안을 잡고, 반복 코드를 줄이고, 오류를 빠르게 디버깅하고, 리팩토링을 효율화하며, 배포 속도를 높인다. 비개발자가 바이브 코딩을 통해 ‘처음 만들어 보는 사람’이 된다면, 개발자는 ‘더 빠르고 더 많이 만드는 사람’이 된다. 이 차이를 구분하지 않으면 바이브 코딩에 대한 기대도 쉽게 과장되고, 반대로 불필요한 실망도 생긴다. 이번에 필자가 시도한 작업은 몇 가지 방향으로 나뉘어 전개되었다. 투자와 자산을 구조화해보는 도구, 여행과 탐험을 시각적으로 정리하는 도구, 그리고 개념을 더 직관적으로 연결해보는 실험 등이 그 예다. 접근 방식도 조금씩 달랐다. 어떤 것은 빠른 프로토타이핑 도구로 시험했고, 어떤 것은 웹 기반 구조를 상상했으며, 어떤 것은 생성형 AI를 결합해 해석 기능을 더해보았다. 중요한 것은 특정 기술 이름이 아니었다. 문제의 성격에 따라 도구 조합이 달라졌다는 점, 그리고 그 조합을 통해 ‘작동하는 형태’를 빠르게 확인할 수 있었다는 점이 핵심이었다. 그중에서도 가장 손에 잡히는 성과를 보여준 것은 투자 관리용 실험 도구였다. 한국 시장과 미국 시장에 동시에 투자하는 개인을 염두에 두고, 자산을 한 화면에서 함께 보고, 환율을 반영한 체감 손익을 계산하고, 단순 수익률이 아니라 수수료와 환차까지 고려한 실제 순수익에 가깝게 접근해보는 방식이었다. 여기에 종목의 가치, 품질, 위험도를 함께 보려는 시도와, 매매 기록을 정리하는 자동화 기능까지 더해보았다. 한마디로 말하면, 개인 투자자가 늘 엑셀과 계산기와 감으로 처리하던 일을 하나의 흐름 안에서 정리해보려는 실험이었다. 이런 시도는 바이브 코딩의 장점을 잘 보여준다. 현장의 불편을 가장 잘 아는 사람이 그 문제를 가장 먼저 작동하는 도구로 바꿔볼 수 있다는 점이다. 특히 개인 투자 영역에서는 불편이 명확하다. 원화 자산과 달러 자산이 분리돼 보이기 때문에 전체 자산 배분을 한눈에 파악하기 어렵고, 과거 환율이나 거래 수수료를 반영한 실제 수익 계산은 늘 번거롭다. 단일 지표만 보고 투자하면 가치 함정에 빠질 수 있고, 매매 기록을 체계적으로 남기지 않으면 판단의 맥락도 쉽게 흐려진다. 바이브 코딩은 바로 이런 불편을 작은 단위로 쪼개어 도구로 만들어보는 데 강점을 보인다.   ▲ 클릭하면 큰 이미지로 볼 수 있습니다.   피터 드러커의 말처럼 “측정할 수 있어야 관리할 수 있다.” 투자든 업무든 결국 비슷하다. 막연히 ‘잘하고 있다’고 느끼는 동안에는 개선도 어렵다. 숫자가 보여야 하고, 흐름이 보여야 하며, 내 행동의 결과가 구조적으로 드러나야 한다. 바이브 코딩은 이 지점에서 의외로 힘을 발휘한다. 정교한 상용 시스템 수준은 아니더라도, 내가 무엇을 보고 싶은지 정확히 정의할 수만 있다면 적어도 첫 번째 가시화 도구는 만들어볼 수 있다. 그 순간 막연한 감각은 데이터가 되고, 데이터는 다시 판단의 기준이 된다. 특히 인상적이었던 것은 ‘정답 제시’보다 ‘판단 보조’에 초점을 맞춘 설계였다. 단순히 싸 보이는 종목을 찾는 것이 아니라 가치와 퀄리티, 리스크를 함께 고려하는 구조를 상상하고, 이동평균선이나 거래량 변화 같은 기술적 신호를 함께 보는 식이다. AI는 여기서 결정을 대신 내려주는 존재가 아니라, 사람이 놓치기 쉬운 신호를 먼저 정리해주는 조수 역할을 맡는다. 이런 경험을 통해 느낀 것은, 바이브 코딩의 진짜 효용이 거창한 인공지능 자체에 있는 것이 아니라 사용자의 판단 포인트를 더 선명하게 드러내는 데 있다는 점이었다. 그러나 여기서 반드시 짚고 넘어가야 할 현실이 있다. 이런 경험이 곧바로 기업용 핵심 시스템 개발로 이어질 것이라고 생각해서는 안 된다. PLM, ERP, MES, APS 같은 글로벌 설루션 기반의 엔터프라이즈 환경은 개인 실험과는 전혀 다른 차원의 세계다. 데이터 모델은 정교하고, 권한 체계는 복잡하며, 인터페이스는 수많은 예외를 품고 있고, 변경 이력과 검증 절차, 보안과 운영 책임까지 촘촘하게 연결되어 있다. 자연어 몇 줄과 AI의 코드 제안만으로 안전하게 다룰 수 있는 구조가 아니다. 바로 이 지점에서 비개발자의 바이브 코딩과 개발자의 바이브 코딩은 다시 갈라진다. 비개발자는 문제를 빠르게 형태화하고 아이디어를 프로토타입으로 검증하는 데 강점을 가질 수 있다. 반면 개발자는 그 프로토타입을 기존 시스템 환경과 연결하고, 예외 처리와 안정성, 보안과 운영성을 검증하는 역할까지 감당할 수 있다. 따라서 바이브 코딩은 모든 사람을 동일한 수준의 개발자로 만들어주는 기술이라기보다, 각자의 위치에서 ‘만들어보는 속도’를 높여주는 기술에 가깝다. 이런 환경에서는 바이브 코딩이 할 수 있는 역할이 자연스럽게 제한된다. 핵심 업무 로직을 직접 대체하기보다는 화면 프로토타입, 보조 대시보드, 분석용 유틸리티, 개인용 자동화 도구, 테스트용 샌드박스, 보고용 시뮬레이터처럼 본체 주변의 영역에 더 적합하다. 다시 말해, 바이브 코딩은 글로벌 설루션의 중심부를 재구축하는 기술이라기보다, 그 주변부의 불편을 빠르게 줄여보는 실험 도구에 가깝다. 하지만 그렇다고 해서 그 의미를 과소평가할 필요는 없다. 오히려 반대다. 필자는 바로 그 제한성 때문에 바이브 코딩이 더 현실적이라고 본다. 실제 업무에서는 거대한 혁신보다 작지만 반복되는 불편이 훨씬 많다. 예를 들어 품질 이슈를 정리하는 간단한 대시보드, 협력사 대응용 정리 화면, 설계 변경 영향 체크리스트, 일정 가시화 도구, 개인용 원가 계산기, 회의록 자동 정리 보조 도구처럼 ‘정식 시스템으로 만들기엔 작지만 그대로 두기엔 계속 불편한 것들’이 현장에는 늘 존재한다. 바이브 코딩은 바로 그 틈새를 파고든다. 스티브 잡스의 말, “진짜 창작자는 결국 결과물을 세상에 내놓는다”는 문장은 이 맥락에서 유난히 실감난다. 바이브 코딩의 장점은 완벽한 시스템을 만들게 해준다는 데 있지 않다. 머릿속에만 있던 아이디어를 실제로 한번 작동해보게 만든다는 데 있다. 비개발자에게 이 경험은 특히 중요하다. 그전까지는 ‘좋은 아이디어’와 ‘실제로 작동하는 결과물’ 사이에 너무 큰 간극이 있었기 때문이다. 이제는 그 사이를 AI가 어느 정도 메워준다. 물론 완성도 높은 상용 시스템을 만들기 위해서는 여전히 전문 개발과 검증이 필요하다. 그러나 첫 번째 프로토타입을 만드는 데까지는 이전보다 훨씬 빠르게 갈 수 있다. 필자는 이 점에서 바이브 코딩의 현재 위치를 ‘개인의 실험실’에 가깝다고 본다. 지금의 바이브 코딩은 거대한 엔터프라이즈 시스템을 통째로 만드는 기술이라기보다, 순수한 개인 또는 소규모 팀이 자기 문제를 해결하기 위해 무언가를 직접 만들어보는 수준에서 가장 잘 작동한다. 그렇다고 그 수준이 가볍다는 뜻은 아니다. 바로 그 개인 실험의 축적이 조직의 디지털 감각을 바꾸고, 현장의 언어를 더 구조화하며, 나중에는 더 정교한 시스템 구축을 위한 문제 정의력으로 이어질 수 있기 때문이다. 특히 제조 기업의 실무자와 리더에게 이 흐름은 시사점이 크다. 설계, 생산, 품질, 구매, 자산 관리, 프로젝트 관리 영역에는 늘 현장만이 아는 불편이 있다. 외부 설루션은 그 불편을 모두 담아내지 못하고, 내부 IT는 모든 요청을 즉시 반영하기 어렵다. 이때 바이브 코딩은 완성형 설루션의 경쟁자가 아니라, 아이디어를 빠르게 시험해보는 사전 실험장 역할을 할 수 있다. 사용자는 먼저 문제를 언어로 정리하고, 필요한 데이터 흐름을 구조화하고, AI를 이용해 작은 도구를 만들어본다. 그렇게 만들어진 결과는 때로는 개인용 유틸리티에서 끝날 수도 있고, 때로는 정식 프로젝트의 출발점이 될 수도 있다. 중국 고전에서 유래한 말처럼 “천 리 길도 한 걸음부터다.” 바이브 코딩은 거창한 완성의 기술이 아니라, 작지만 구체적인 첫걸음을 가능하게 하는 방식이다. 비개발자는 그것을 통해 문제를 구조화하는 감각을 익히고, 개발자는 그것을 통해 더 빠르게 실험하고 구현한다. 그리고 기업은 그 사이에서 정식 시스템 이전의 가능성을 시험해볼 수 있다. 필자는 바이브 코딩을 지나치게 낙관적으로 보지도 않고, 반대로 일시적 유행으로만 보지도 않는다. 그것은 지금 당장 모든 것을 바꿔놓을 혁명은 아닐 수 있다. 그러나 적어도 한 가지는 분명하다. 이제 현장을 가장 잘 아는 사람이, 자신이 겪는 불편을 직접 작동하는 형태로 바꿔볼 수 있는 시대가 열리고 있다는 점이다. 그 가능성은 생각보다 크고 그 시작은 생각보다 작다. 그래서 지금 바이브 코딩은 거대한 답이라기보다 한 번 진지하게 시도해볼 만한 좋은 질문에 가깝다.   ■ 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.

유니티로 구현한 핵융합 디지털 트윈, V-KSTAR   핵융합 기술은 미래를 열어갈 수 있는 태양과 같은 에너지이지만 복잡한, 실험 데이터를 분석하고 이해하는 데 많은 시간이 소요된다. 트라이텍과 UNIST는 이러한 문제를 해결하기 위해 V-KSTAR 프로젝트를 추진했다. 이 프로젝트에서는 유니티의 디지털 트윈 기술을 활용해 직관적이고 효율적인 가상 핵융합 실험 플랫폼을 구현할 수 있었다. ■ 자료 제공 : 유니티 코리아   가상 핵융합 디지털 트윈 플랫폼 : V-KSTAR 프로젝트 V-KSTAR는 한국핵융합에너지연구원(KFE)의 공동 과제인 핵융합 R&D의 일환으로, 가상 핵융합 기술 개발을 위한 디지털 트윈 플랫폼 개발 프로젝트이다. 이 프로젝트는 3차원 CAD 모델 기반의 가상 핵융합 시뮬레이션을 연산하는 슈퍼컴퓨팅 기술을 활용하여 최적화된 가상 핵융합 모델 및 시뮬레이션 기술을 개발하고, 최적의 실험 결과를 도출하기 위한 가상 핵융합 시뮬레이션 통합 플랫폼 기술 개발을 목표로 한다. 핵융합 실험의 핵융합로인 토카막(Tokamak) 장치 내부에서 실시간으로 측정된 데이터의 가시화 모니터링, 시뮬레이션 데이터 분석 및 시각화, 데이터 추적 및 데이터 형상 관리 기능 등을 통해서 종합적인 파이프라인 관리 시스템을 구현하기 위한 가상 핵융합 기술 통합 플랫폼 개발 프로젝트이다. 핵융합 실험 과정에서 만들어지는 고온의 플라스마가 안정성을 가지고, 오래 유지되기 위해서는 자기력을 통해 플라스마의 모양과 위치를 고정시키는 것이 필요하다. V-KSTAR는 3차원 가상 핵융합 시뮬레이션의 반복 트레이닝을 통해 최적의 플라스마 형성 조건과 자기력 제어 기술을 확보하고, 실험을 통해서 플라스마 형상 및 장치 상태를 모니터링할 수 있는 통합 시스템 개발에 목적이 있다.   유니티의 시각화를 통한 핵융합 실험 장치의 개선 핵융합 실험 장치에서 실험 시 플라스마가 접촉하는 토카막 내부 타일은 플라스마로부터 열을 받아 온도가 상승하게 된다. 토카막 설비가 손상되는 것을 감지하고 정비해야 하는 문제에 대응하기 위해 각 타일의 온도를 색상과 수치로 표시하고 높은 수준으로 온도가 상승했을 경우에 경고 표시와 로그 기록을 남겨야 하는 필요성이 있었다.   그림 1. 토카막 내부 타일을 디지털 트윈으로 구현해낸 모습. 내부 타일의 온도를 실시간으로 색과 숫자로 확인할 수 있다.   핵융합 실험 장치에서 플라스마는 수억 도(℃)에 이르는 고온을 유지해야 하며, 이를 위해 고속 중성입자 빔을 플라스마에 조사하는 방법이 대표적으로 사용된다. 조사된 중성입자는 뜨거운 플라스마 내부에서 이온화되고, 플라스마와 충돌하며 에너지를 전달하고 전체 온도를 상승시킨다. 그러나 이온화된 후 충분한 에너지 전달을 하지 못한 일부 고속 이온은 플라스마 영역을 빠져나와 토카막 내벽에 충돌하게 되며, 이는 벽면 타일의 급격한 온도 상승과 손상으로 이어질 수 있다. 실제 실험에서는 이러한 손상을 막기 위해 장치 운전을 중단해야 하는 경우도 발생한다. 따라서 토카막 내부 타일의 온도를 실시간으로 색과 숫자로 표시하고, 온도가 일정 수준 이상 상승할 경우 경고를 발생시키며 로그를 기록하는 모니터링 체계가 필요하다. 나아가, 개발 팀은 물리적 트윈(physical twin)인 K-STAR 장치에서 고속 이온의 손실이 발생하는 위치를 실험 전 또는 실험 사이에 미리 파악하고, 내벽 손상을 최소화하기 위해 유니티 기반의 3차원 디지털 트윈인 ‘V-KSTAR’를 구축하였다. 이를 통해 입자 궤적을 추적하고 벽면과 고속 이온의 충돌을 시각화함으로써, 고속 입자 손실 메커니즘을 정밀하게 분석하고 장치 보호 및 실험의 안정성을 강화할 수 있게 되었다.   플라스마 발생 영역을 분석하기 위한 3차원 셰이더 구현 개발 팀은 유니티가 VR(가상현실), XR(확장현실)과 같은 여러 플랫폼과 호환성이 높고, 확장할 수 있는 통합 도구 제공이 잘 되어 있다는 점에 주목했다. 또한, C# 기반에서 프로젝트를 구성하기 때문에 개발 진입 장벽이 낮고 사례가 많아 개발에서 오는 리스크를 최소화할 수 있는 가능성이 많다는 점도 개발 프로젝트에 유니티를 선택하게 된 요인이 됐다. 유니티에서 플라스마는 흔히 도넛으로 알고 있는 토러스(torus, 원환면) 형태로 생성된다. 토러스를 수직으로 자른 단면의 경계를 기저로 하여 360도 회전을 통해 전체 플라스마 형상이 만들어진다. 토러스 내부는 구멍이 있고, 이 공간에 토카막 내벽이 위치하기 때문에 토러스가 내벽을 가리는 구조이다. 개발 팀은 투시가 가능하면서도 그 경계가 명확하게 시각화될 수 있도록 플라스마 셰이더를 구현했다. 또한 이중 노멀을 구현하여 카메라가 플라스마에 포함되어도 플라스마의 형상을 관찰할 수 있도록 하였다.   그림 2. 토러스 형태의 플라스마   핵융합 장치 시각화를 위해 선택한 유니티 플랫폼과 툴 개발 팀은 다양한 유니티 플러그인을 분석적 가시화에 활용했다. 예를 들어, CrossSection 플러그인을 활용하여 모델 내부 단면을 관찰할 수 있도록 하였으며, 토카막 장치를 360도로 회전시키며 원하는 각도에서 내벽과 외벽이 전체 장비와 어떻게 모양을 이루고 있는지를 한눈에 파악할 수 있는 기능을 구현했다.또한, 시간에 따른 부품별 온도 상태를 한 눈에 파악하기 위한 그래프를 그리는 데에도 Vectrosity와 같은 플러그인으로 원하는 기능을 쉽게 구현했다. 코드의 부분적인 교체와 유지 보수를 효율적으로 진행할 수 있도록 프로그램 모듈화를 진행할 때에도 유니티가 제공하는 Assembly Definition 기능을 활용해 손쉽게 프로그램을 체계적으로 모듈 단위로 분리할 수 있었다.   디지털 트윈 도입을 통한 핵융합 실험의 변화 V-KSTAR의 또 다른 기능은 실시간 데이터를 대용량으로 파일 포맷으로 기록하고 실제 실험이 끝나고 난 뒤 스트리밍 방식으로 실험 결과를 재현하는 것이다. 약 2~3분 단위의 실험은 샷넘버라는 고유 번호로 구분이 되고, 그 번호에 해당하는 플라스마 형상이 어떤 모양인지 확인하여 실험 설정의 최적값을 재사용할 수 있도록 돕는다. 설정 값과 그에 따른 실험 결과가 수많은 문서에 표와 숫자로 기록된 것을 연구자들이 읽고 이해해야 하는 일을 디지털 트윈이 빠르고 직관적인 방식으로 만들어 시간을 절약하는 효과가 있다. 실제 캠페인 현장에 가면 플라스마를 관찰할 수 있는 특수 카메라 영상이 흑백 모니터로 표시되고, 그 주변으로 수많은 센서 값에 대한 계기판이 벽면을 가득 채우고 있다. V-KSTAR는 한 눈에 파악하기 어려운 복잡한 수치 데이터를 가상 공간의 3D 모델에 다양한 색상으로 시각화하여, 마치 실제로 가까이서 관찰하는 것과 같은 직관적인 환경을 제공한다. 또한 플라스마 형상을 감지하는 센서 정보를 바탕으로 플라스마를 재구성하여, 특수 카메라의 제한된 시야에서는 관찰하기 어려웠던 전체적이고 동적인 모습을 제공하기 때문에 실험 결과에 대한 이해가 더욱 효율적이다. 따라서, V-KSTAR 프로젝트 도입을 통해 시뮬레이션 결과를 보다 빠른 시간에 분석하고, 연구자 간 시뮬레이션 결과를 공유하고 토론할 수 있는 가상 공간을 통해 연구의 진척도를 높일 수 있는 효과가 있다.   V-KSTAR 시각화 과정에서 유니티 활용의 효과 핵융합 실험의 특성 상 대규모의 그래픽 요소를 고성능을 유지하며 가시화하는 데는 일정한 한계가 있었다. 이로 인해 복잡한 데이터 시각화를 위해 일부 요소를 단순화해야 하는 경우가 발생했다. 하지만 유니티를 사용한 개발은 확실히 쉽고, 가볍고, 직관적인 면이 있다. 그래서 프로젝트 초기에 간단한 사용자 요구가 많을 때는 즉시 반영하여 해결하기에 적합했다. 개발 팀은 “핵융합 연구와 같은 전문 분야를 위한 유니티의 고성능 그래픽 설루션에 대한 자료와 사례가 더 풍부해지기를 기대한다”고 전했다.   V-KSTAR의 향후 기술 발전 방향 향후 프로젝트의 핵심 과제는 폭발적으로 증가하는 방대한 데이터를 기존의 렌더링 성능 수준에서 효과적으로 가시화하는 기술 개발이다. 이를 위해 컴퓨터의 그래픽 성능을 무제한에 가깝게 확장할 수 있는 하드웨어 또는 소프트웨어 측면의 방법을 발굴하여 프로젝트에 접목해야 할 것으로 보인다. 또한 개발 팀은 핵융합 실험을 위한 최적의 CAD 환경을 구현하기 위해, 설계–변환–시뮬레이션–피드백의 자동화된 워크플로를 실현할 수 있도록 V-KSTAR에 모델과 데이터의 자동 관리 시스템을 갖출 수 있도록 노력하고 있다. 개발 팀은 “향후에 진행되는 새로운 핵융합 실험 장치와 ITER 및 DEMO 장치에도 현재 개발되고 있는 플랫폼이 확장 적용될 것이며, AI를 접목하여 학습한 결과를 가시화하고 분석하는 연구가 장기적으로 진행될 것으로 예상된다”고 전했다. 또한, “AI를 도입한 V-KSTAR를 통해 핵융합 실험을 일부 대체할 수 있다면 실험 시간과 운영 비용을 절감하는데 보다 크게 기여할 것으로 기대된다. 유니티를 활용해 V-KSTAR를 원활하게 구현해냈기 때문에, 이 경험을 바탕으로 향후에도 유니티를 지속적으로 활용할 계획”이라고 덧붙였다.     ■ 기사 내용은 PDF로도 제공됩니다.

산업통상부는 10월 1일 AI 팩토리 M.AX 얼라이언스 전략 회의를 개최하고, 대한민국 제조업의 인공지능 전환(M.AX)을 통한 2030 제조 AI 최강국 도약을 위한 성과와 전략을 점검했다. 삼성전자, 현대자동차, LG엔솔, 삼성중공업 등 국내 대표 제조 기업들이 한자리에 모여 제조 혁신의 의지를 다졌다. 김정관 장관은 "AI 시대는 속도와의 전쟁이다. AI 팩토리는 빠르게 세계 1위를 도전할 수 있는 분야"라며, "정책과 자원을 집중해 순풍을 만들겠다"고 밝혔다.   AI 팩토리 선도사업, 2030년까지 500개로 대폭 확대 AI 팩토리 선도사업은 제조 공정에 AI를 접목해 생산성을 획기적으로 높이고 제조 비용과 탄소 배출 등을 감축하는 핵심 프로젝트이다. 이날 회의를 계기로 삼성전자, 현대자동차, LG전자, LG엔솔, SK에너지, HD현대중공업, 농심 등 업종 대표 기업들이 신규 참여를 확정했다. 이에 따라 현재 102개인 AI 팩토리 선도 사업은 2030년까지 500개 이상으로 확대될 계획이다. 주요 기업들은 AI 팩토리를 통해 혁신적인 성과를 목표로 했다. 삼성전자는 AI를 통해 HBM(고대역폭메모리반도체)의 품질을 개선한다. HBM은 ’28년까지 연평균 100% 이상 급성장이 기대될 정도로 각광받는 AI 반도체이다. 삼성전자는 현재 전반적으로 사람이 수행중인 HBM 불량 식별 공정에 AI를 도입할 계획이다. AI가 발열검사 영상, CT 이미지 등을 분석해 품질검사의 정확도를 99% 이상 높이고, 영상·이미지 등의 비파괴 검사를 통해 검사시간도 25% 이상 단축할 것으로 기대된다. HD현대중공업은 함정 MRO용(Maintain 유지보수, Repair 수리, Overhaul 정비) 로봇 개발을 추진한다. 보통 선체의 10% 면적에 따개비·해조류 등의 오염물질이 부착되면 연료소비가 최대 40%까지 증가한다. HD현대중공업은 숙련공에 의존하던 해양생물 제거, 재도장 등의 작업을 AI 로봇에 맡겨, MRO효율을 80% 이상 향상시키고 작업자 안전사고 등을 방지할 계획이다. 현대자동차는 셀방식 생산방식에 핵심이 되는 AI 다기능 로봇팔을 개발한다. 자동차산업은 소품종 대량생산의 컨베이어벨트 방식에서, 제품별로 공정을 다르게 적용해 유연생산이 가능한 셀기반 방식으로 전환되고 있다. 현대차는 힌지·도어 조립, 용접품질 검사 등 다양한 공정을 자율적으로 수행가능한 AI 로봇팔을 공정에 도입하여, 시장수요 변화에 신속히 대응하고 생산성을 30% 이상 높일 계획이다. 농심은 라면 제조설비에 AI 기반 자율정비 시스템을 도입한다. 원료공급, 제면, 포장 등의 라면 제조공정은 연속작동 설비가 많아 한 부분의 예기치 못한 고장으로 생산라인 전체가 중단될 수 있다. 이에 각 공정별로 다양한 이상 징후를 조기에 탐지하는 자율정비 시스템을 도입해 설비 효율성을 10% 이상 제고하고, 유지보수 비용은 10% 이상 절감할 계획이다. 현재까지 AI 팩토리 선도사업에 참여중인 업종별 주요기업 자동차 반도체 전자(가전 등) 철강 조선 현대차, LG이노텍, 한국타이어, 기아 삼성전자, 케이씨텍, 이수페타시스 LG전자, 쿠첸, LS전선 포스코, KG스틸, 대한제강 삼성중공업, HD현대삼호 항공·방산 식품·바이오 이차전지 석유화학·섬유 기계·건설 대한항공, KAI. 한화시스템 농심, 삼양식품, 한국콜마 LG에너지솔루션, 삼성SDI SK에너지, GS칼텍스, 코오롱 HD현대건설기계, 코넥 휴머노이드 로봇, 금년부터 제조 현장 실증 본격 투입 AI 팩토리 전략의 한 축으로, 제조 현장 휴머노이드 로봇 투입을 위한 실증 계획도 공개되었다. 금년에는 디스플레이, 조선, 물류 등 6개 현장에 휴머노이드가 투입된다. 분야 수요기업 공급기업 휴머노이드 주요 과업 디플 삼성디스플레이 레인보우로보틱스 레이저 장비내 렌즈교체, 검사 JIG 교체 작업 등 조선 HD현대미포 에이로봇 각종 상황과 이음 형태에 맞는 용접 작업 수행 　 삼성중공업 에이로봇 다양한 장애물, 협소 공간, 비평탄면 등 극복을 통해 자율 이동하며 용접·청소 등 가전 LG전자 로브로스 인간 수준 핸들링 작업 및 보행을 바탕으로 가전제품 공장 내 조립·운송 화학 SK에너지 홀리데이로보틱스 석유화학 제품 검사, 유압/가스 밸브 등 조작, 시료 제조, 검사 시료 운송 등 수행 유통 CJ대한통운 레인보우로보틱스 피킹·분류·검수·포장 등 복잡한 물류 작업 동작을 다양한 상품에 맞게 자율적으로 수행 산업부는 올해부터 2027년까지 100개 이상 휴머노이드 실증 사업을 통해 핵심 데이터와 기술을 확보하고, 2028년부터는 본격적인 양산 체계에 돌입할 계획이다. 선도사업 성과 가시화, 세계 최고 업종별 제조 AI 모델 개발 착수 현재까지 진행된 AI 팩토리 선도 사업에서는 이미 가시적인 성과가 도출되고 있다. GS칼텍스는 AI를 통해 정유 공정 데이터를 분석해 연료 비용을 20%가량 감축했으며, 온실가스 배출 저감 효과도 달성했다. HD현대미포는 AI 로봇을 투입해 용접 검사·조립 작업시간을 12.5% 단축했다. 반도체 기업인 대덕전자와 신한다이아몬드는 AI 도입으로 기존 육안 품질 검사 시간을 각각 90%, 30% 단축하는 성과를 보였다. 이러한 성과를 바탕으로 AI 팩토리 M.AX 얼라이언스는 세계 최고 수준을 목표로 하는 업종별 특화 제조 AI 모델 개발에 착수했다. 제조 AI에 특화된 전문가를 비롯해 뉴욕대 조경현 교수, 멜버른대 한소연 교수 등 초거대 AI 모델 전문가 23명이 공동으로 참여한다. 개발된 모델은 2028년 완료를 목표로 하며, 제조 현장 배포 시 기업들은 개발 비용 50%, 개발 시간 40%를 줄일 수 있을 것으로 기대했다. '다크 팩토리' 구현 위한 AI 팩토리 사업 확대 전략 산업부는 AI 팩토리 사업을 확대·개편해 내년부터 완전 자율형 AI 공장인 AI 팩토리(다크 팩토리) 건설에 필요한 기술 개발과 실증 사업을 추진한다. 제조 공정뿐 아니라 공장 설계, 시생산, 공급망 관리, 물류, A/S 등 제조 전 단계를 아우르는 AI 모델을 개발·확산할 계획이다. 특히 엔비디아 CEO 젠슨 황이 강조한 디지털 트윈을 활용한 '가상공장(Virtual Factory)' 구현을 전략의 한 축으로 삼았다. 가상공장을 통해 기업은 시스템 변경, 설비 고장, 공급망 변동 등 다양한 상황에서 공정 가동을 미리 테스트하고, 실제 공장과 연동해 모니터링, 예지 보전, 원격 제어 등에 활용할 수 있게 된다. 이러한 기술을 바탕으로 2030년까지 우리나라가 세계 최고의 AI 팩토리 수출국으로 발돋움하는 것을 목표로 관련 전략을 수립했다.

주요 디지털 트윈 소프트웨어   대용량 엔지니어링 데이터의 경량 시각화 솔루션, VIZZARDX  개발 및 자료 제공 : 소프트힐스, 02-499-9998, www.Softhills.net 소프트힐스의 목표는 3D 엔지니어링 데이터 인터페이스 및 경량화, 실시간 시각화, 이기종 CAD 모델의 통합, 다양한 플랫폼과의 연계를 PC, 웹, 모바일 기반으로 구현하는 것이다. 이를 위해 플랫폼 간의 데이터 인터페이스를 제공, 대용량 데이터 가시화를 위한 대표 형상 우선 처리 방식 적용, 3D 형상의 대표성을 기준으로 6단계로 원본 데이터 분류, 시야 범위, 모델과의 거리 등의 기준을 통해 최소 데이터로 3D 화면 처리 등 핵심 역량을 집약하여 가볍고 빠르면서 실제와 유사한 스마트 조선을 위한 디지털 트윈의 새로운 지향점을 제시할 계획이다. 1. 주요 특징  소프트힐스는 2025 플랜트 조선 컨퍼런스에서 ‘대용량 엔지니어링 데이터의 경량 시각화’ 솔루션을 중심으로 광대역 지형정보 기반 3D 모델 통합 및 경량 가시화 기술을 선보였다. 소프트힐스는 3D 엔지니어링 데이터(모델, 속성)의 경량화 및 시각화의 원천기술을 보유한 국내 유일의 3D 엔지니어링 데이터 서비스 전문기업이다. 대형 엔지니어링 데이터의 활용이 필요한 조선해양, 플랜트, 건설 산업 분야에 3D모델 경량화 및 가시화를 통한 리뷰, 공정 관리, 생산과 설계의 연계를 위한 솔루션을 공급하였다.  소프트힐스의 솔루션은 서버와 뷰어 계열로 나뉘는데 서버는 경량 변환 서버 VIZPub, 엔지니어링 데이터 관리 플랫폼 VIZOn, 간섭 체크 서버 VIZClash 등이 있고, 뷰어는 PC용 VIZZARD(비자드) / VIZZARDX(비자드엑스) / VIZDesign, 웹용 VIZWeb3D / VIZWide3D, 모바일용 VIZWing이 있다. 2. 주요 기능 소프트힐스의 솔루션은 서버와 뷰어 계열로 나뉘는데 서버는 경량 변환 서버 VIZPub, 엔지니어링 데이터 관리 플랫폼 VIZOn, 간섭 체크 서버 VIZClash 등이 있다. 뷰어는 PC용 VIZZARD / VIZZARDX / VIZDesign, 웹용 VIZWeb3D / VIZWide3D, 모바일용 VIZWing이 있다. 스마트 조선 분야에서 소프트힐스 솔루션은 다음과 같이 활용될 수 있다. • 경량 3D 모델의 설계, 생산, 시공, 운영, 유지보수 활용을 위한 기반 기술 구현  • 교통, 환경, 기상, 관광, 소방, 에너지 등 스마트 건설 분야에 필요한 각종 정보들을 3D 엔지니어링 데이터 기반으로 통합 관리 • 기업, 발주처, 협력사의 설계 및 생산 간 3D 기반 소통, 협업 환경 구축 3. 도입 효과 설계, 생산, 시공 스마트 조선 제조산업과 대형 프로젝트 산업의 생산, 시공 부문의 3D 기반 프로세스로의 전환 산업 O&M 스마트팩토리/야드 3D 가상화 모델 기반의 운영, 유지보수 체계 확립 도시환경관리 스마트시티 도시 내 교통, 환경, 기상, 관광, 소방, 에너지 등 각종 정보를 3D 엔지니어링 데이터 기반으로 통합 관리 3D 기반 비대면 협업환경 기업내부, 발주사, 협력사, 설계 및 생산 간 3D 기반 소통, 협업 환경 구축 디지털 트윈 서비스 개발, 확장 개방형 서비스 API을 통한 산업용 디지털 트윈 응용 서비스 개발 환경 제공   5. 주요 고객 사이트 HD한국조선해양, HD현대중공업, HD현대미포, HD현대미포조선, 현대삼호중공업, 대우조선해양, 한화에어로스페이스, SK하이닉스, 방사청, LS인렉트릭, 퍼시스 등 조선해양 플랜트, 건설 분야외 도시 환경, 우주항공, 방위산업, 일반 기계, 소비재 분야에 솔루션을 공급하여 10개국 250개 기업에 5,000개 이상의 라이선스와 11,000명 이상의 사용자를 보유하고 있다. 상세 내용은 <디지털 트윈 가이드>에서 확인할 수 있습니다. 상세 내용 보러가기

BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 컴퓨터 그래픽스 분야에서 유명한 프로세싱(processing) 도구를 파이썬(Python)으로 포팅한 p5를 알아보고, 이를 이용한 데이터셋 3D 가시화 방법을 확인해 본다. 또한 관련된 개발 프로세스를 이해하는 데 도움이 되는 간단한 예제를 설치, 코딩 및 실행하는 방법을 다룬다.   ■ 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. p5 데모   실행 가능한 소스 코드는 다음 링크에서 다운로드할 수 있다. 깃허브 : https://github.com/mac999/llm-media-art-demo   p5 소개 p5 Python은 JavaScript 라이브러리 p5.js와 컴퓨터 그래픽 미디어아트에서 자주 사용되는 processing.org에서 영감을 받아 창의적인 코딩을 위해 설계된 라이브러리이다. 2D 및 3D 모두에서 그래픽, 애니메이션 및 대화형 프로그램을 구축하기 위한 간단한 API를 제공한다. p5는 파이썬을 지원하므로 pandas, numpy, 딥러닝 관련 라이브러리를 함께 사용해 가시화하기 편리하다.   그림 2   기본적으로 `p5py`는 `setup()`과 `draw()` 함수를 중심으로 프로그램의 구조를 구성한다. `setup()` 함수는 초기 설정을 담당하며, `draw()` 함수는 프레임마다 반복 호출되어 애니메이션이나 실시간 그래픽 표현을 가능하게 한다. 이를 통해 반복적이거나 시간 기반의 시각적 표현이 용이하게 된다. 그래픽 요소의 생성 및 조작이 매우 직관적이다. 예를 들어, `circle()`, `rect()`, `line()` 등의 함수는 간단한 인자 전달만으로 기본 도형을 화면에 출력할 수 있게 하며, `fill()`, `stroke()`, `background()` 등은 색상과 스타일 설정을 손쉽게 조절할 수 있게 한다. 마우스와 키보드 입력을 처리하기 위한 이벤트 함수도 포함되어 있다. `mousePressed()`, `keyPressed()` 등은 사용자와의 인터랙션을 가능하게 하며, 이를 통해 인터랙티브 아트, 시각적 피드백, 교육용 시뮬레이션 등을 손쉽게 개발할 수 있다. 이미지, 사운드, 텍스트 등 다양한 멀티미디어 요소도 지원한다. 이미지 로딩 및 출력은 `loadImage()`와 `image()`로, 텍스트 출력은 `text()`로 구현되며 각각의 요소는 다양한 좌표 기반 조정이 가능하다. 또한, NumPy와 같은 파이썬 과학계산 생태계와도 호환이 가능하여, 복잡한 수학적 계산이나 데이터 시각화 작업에 활용할 수 있는 확장성이 있다. 전반적으로 p5py는 예술가, 디자이너, 교육자, 프로그래밍 입문자를 위한 시각 중심의 프로그래밍 도구로서, 단순한 문법과 풍부한 기능을 통해 창의적 프로토타이핑을 효율적으로 지원하는 라이브러리이다. 상세한 내용은 다음 링크를 참고한다. https://github.com/p5py/p5 https://p5.readthedocs.io/en/latest/install.html   p5 Python 설치 시작하려면 컴퓨터에 파이썬이 설치되어 있어야 한다. 다음 단계에 따라 필요한 라이브러리를 설정한다.   1단계 : 파이썬 설치 파이썬 3.11이 설치되어 있는지 확인한다. 없다면 python.org에서 다운로드한다.   2단계 : p5 설치 pip를 사용하여 p5를 설치한다. pip install p5   3단계 : pandas 설치 CSV 파일을 처리하려면 라이브러리를 설치한다. pip install pandas   4단계 : 설치 라이브러리 검사 터미널에서 다음의 명령을 입력해 제대로 설치되었는지 확인한다. python -c "import p5" python -c "import pandas"     ■ 자세한 기사 내용은 PDF로 제공됩니다.

NDX PRO 기반 EPC 솔루션, NDX PRO   개발 및 정보 : 이에이트, www.e8ight.co.kr   이에이트는 2012년에 설립되었으며 입자 기반 시뮬레이션 디지털 트윈 플랫폼 기술 보유 기업이다. 2014년 자체 기술만을 이용해 국내 최초로 입자 기반 시뮬레이션 NFLOW를 런칭하였고, 2019년 GS(Good Software) 1등급 인증을 받으며 본격적으로 제품을 상용화하였다. 또한, 2021년에는 시뮬레이션 기반 디지털 트윈 플랫폼 NDX PRO를 상용화하는데 성공하여 국내 유일의 자체 기술 디지털 트윈 플랫폼 기업으로 도약하였다.    주요 기능   NDX PRO는 이에이트가 자체개발한 데이터를 통합 처리하는 디지털 트윈 플랫폼이다. 본 플랫폼은 독자적인 경량화 기술 기반의 3D 가시화 뷰어를 통해 시뮬레이션 해석 결과뿐만 아니라 다양한 디지털 자산을 3D로 빠르게 가시화할 수 있다. NDX PRO는 고가용성과 안정성을 제공하며, Load Balancing과 Auto Scaling 기술로 컴퓨팅 자원을 자동 관리하여 무중단 서비스를 실현한다. 이 플랫폼은 On-Premise, Cloud, Hybrid-Cloud 등 다양한 인프라 환경에 적응 가능하며, 직관적인 웹 기반 UI를 통해 복잡한 데이터 모델을 쉽게 시각화하고 편집할 수 있는 편리성을 제공한다. 또한 소스코드 변경 없이 데이터를 모델링할 수 있는 노코드 도구를 제공하여 사용자가 직접 데이터를 관리할 수 있으며, 초기 도입 및 유지보수 비용에서 외산 솔루션 대비 경쟁력을 갖추고 있다. RDB 수준의 트랜잭션 성능을 갖춘 데이터 아키텍처를 통해 효율적인 데이터 통합이 가능하며, 다양한 요구에 맞춰 유연한 커스터마이징 플랜도 제공한다. NDX PRO는 스마트시티, 빌딩 에너지 관리, 지능형 교통 시스템, 재난 대응 등 다양한 산업 분야에서 활용되며, 정밀한 3D 공간 정보를 기반으로 한 디지털 트윈 구현을 지원한다. 주요 모듈로는 데이터를 수집하고 변환하는 NDX Connector, 데이터를 시각적으로 통합하는 NDX Visualization, 데이터를 중앙 집중적으로 관리하는 NDX Core가 있다.  결과적으로 NDX PRO는 데이터 통합과 디지털 트윈 구축의 요구를 충족하며, 효율적이고 안정적인 플랫폼으로 다양한 산업 분야에서 필수적인 도구로 자리 잡고 있다.     상세 내용은 <디지털 트윈 가이드>에서 확인할 수 있습니다. 상세 내용 보러가기  

시점 – 사물이나 현상을 바라보는 눈 (6)   지난 호에서는 변화와 흐름의 본질부터 응용에 이르기까지 구체적인 사례를 소개하였다. ‘변화와 흐름의 관찰’ 방법과 관찰된 결과를 어떻게 가시화 또는 시각화하는지 구체적인 사례를 함께 생각해 보았다. 동영상의 활용, 열전달 경로, 소리(음파), 유체의 시각화 사례를 살펴보았다. 이번 호에서는 ‘개별 관찰’, ‘집단 관찰’, ‘확률과 통계’에 관한 이야기를 시작하면서, 첫 번째로 ‘개별 관찰’에 관해서 소개하고자 한다. ‘개별 관찰’은 어떤 경우에 가능하며 효과적인지에 관해서 생각해 보고, 다음 호에 소개할 ‘집단 관찰’의 의미를 생각하는 발판으로 삼고자 한다.   ■ 연재순서 제1회 호기심 제2회 암중모색 제3회 관찰의 시점과 관점 제4회 정적 이미지와 동적 이미지 제5회 변화와 흐름의 관찰 제6회 개별 관찰 제7회 집단 관찰 제8회 확률과 통계 제9회 작용, 반작용, 상호작용 제10회 무엇을 볼 것인가? 제11회 무엇을 믿을 것인가? 제12회 가설, 모델, 이론의 설득력의 시대성   ■ 유우식 웨이퍼마스터스의 사장 겸 CTO이다. 동국대학교 전자공학과, 일본교토대학 대학원과 미국 브라운대학교를 거쳐 미국 내 다수의 반도체 재료 및 생산 설비 분야 기업에서 반도체를 포함한 전자재료, 공정, 물성, 소재 분석, 이미지 해석 및 프로그램 개발과 관련한 연구를 진행하고 있다. 경북대학교 인문학술원 객원연구원, 국민대학교 산림과학연구소 상임연구위원, 문화유산회복재단 학술위원, 국제문화재전략센터 전문위원이다. 홈페이지 | www.wafermasters.com   그림 1. 개별 관찰의 목적은 무엇이며 어디까지 가능할까?   개별 관찰 개별 관찰은 개인이나 사물의 따로 구별해서 관찰하고 기록하는 작업이다. 사회과학, 교육, 의료 등 맞춤형 서비스가 필요한 다양한 분야에서 활용된다. 공장에서도 제품 검사와 공정 관리에서 개별 관찰은 필수이다. 개별 관찰이 적용되는 분야와 사례를 몇 가지 들어보면 다음과 같다. 유아 교육 : 아동의 발달, 관심 및 학습 스타일 조사 건강 관리 : 환자가 겪고 있는 문제나 어려움의 확인 사회과학 : 그룹의 문화, 신념 및 관행의 이해 제품 검사 : 공장에서 생산된 제품의 품질 검사 공정 관리 : 생산 공정 각 단계에서의 기준 관리 개별 관찰은 자신의 감정에 기반하기보다는 객관적이고 설명적이어야 하며, 주관적인 가치 판단은 피해야 한다. 관찰 내용을 구체적으로 설명하고 정량화할 수 있어야 하며, 반복적인 관찰로 재현성을 확인해야 한다. 이처럼 개별 관찰은 목적부터가 개체 간의 차이를 인정하는 것부터 출발한다.(그림 1) 모든 개체는 물질(substance)로 이루어져 있다. 모든 물질은 그것을 구성하는 원소(element) 또는 원자(atom)의 집합체이다. 물질을 이루는 기본적인 성분을 나타내는 원소는 추상적인 의미이고, 물질을 이루는 가장 작은 입자라는 구체적인 개념이면서 양을 셀 수 있는 것은 원자이다. 원소는 화학적 방법으로는 더 간단한 순물질로 분리할 수 없는, 모든 물질을 구성하는 기본적 요소라고 정의된다. 원자핵 내의 양성자 수로 원자 번호를 정하여 사용하고 있다. 원자핵 내의 양성자의 수와 원자 번호는 같다. 양자의 수는 같지만, 중성자의 수가 다른 동위 원소도 원자 번호는 같다. 중성 원자는 양성자의 개수와 전자의 개수가 같다. 현재까지는 원자 번호 1번인 가장 가볍고 작은 기체인 수소(H, Hydrogen)부터 준금속(semi-metal) 고체인 오가네손(Og, Oganesson)까지 118종이 알려져 있다. 원자 번호와 이름은 정해놓았지만, 아직 발견되지 않은 원소도 두 종류가 있다. 미발견 원소는 119번 우누넨늄(Uue, Ununennium)과 120번 운비닐륨(Ubn, Unbinillium)이다.   아보가드로의 법칙 아보가드로의 법칙으로 유명한 아메데오 아보가드로(Amedeo Avogadro)는 이탈리아의 물리학자이자 화학자이다. 아보가드로 법칙은 ‘온도와 압력이 같다면 일정 부피 안에 들어 있는 입자 수는 기체의 종류와 무관하다’는 법칙이다. 실제로는 이상 기체에서만 성립한다. 아보가드로 수(Avogadro constant)는 입자 수를 물질량과 관계짓는 비례상수로 6.02214076×10²³mol−¹이다. 1기압, 0℃ 조건에서 22.4L의 이상 기체의 원자의 수에 해당한다.(그림 2) 고체와 액체의 경우에는 원자량에 해당하는 무게가 되면 해당 원자가 아보가드로 수만큼 있다는 의미가 되고, 밀도에 따라서 체적이 정해진다. 아보가드로 수는 1865년 오스트리아의 과학자 요한 요제프 로슈미트(Johann Josef Loschmidt)가 이상 기체 법칙을 이용해 1㎤ 내에 들어있는 입자 개수를 계산한 값을 사용해서 구한 것이다. 이런 역사적 배경 때문에 아보가드로 수를 독일어권에서는 ‘로슈미트 수(Loschmidt constant)’라고 부르기도 한다.  아보가드로 수 : 1 mole(22.4L)의 기체 입자 수, 6.02×1023 개 로슈미트 수 1㎤(1mL)의 기체 입자 수, 2.69×1019 개 1㎣(1μL)의 기체 입자 수, 2.69×1016 개 비록 눈에는 보이지도 않는 공기이지만 1㎣(1μL)에 2.69경(京, 1016)개, 1㎤(1mL)에 2690경 개, 1 mole(22.4L)에 6020해(垓, 1020)개의 입자가 움직이고 있다. 평소에는 써 본 적도 없는 수를 동원해야 겨우 표현할 수 있는 어마어마한 개수의 입자가 있는 셈이다. 이렇게 많은 입자를 하나씩 구별해서 ‘개별 관찰’이 가능할까? 가능하다고 하더라도 얼마나 쓸모가 있을까?   그림 2. 아보가드로의 가설과 아보가드로 수     ■ 자세한 기사 내용은 PDF로 제공됩니다.