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.

오라클이 기업의 업무 방식을 재정의하는 퓨전 에이전틱 애플리케이션(Fusion Agentic Applications)을 발표했다. 이 애플리케이션은 성과 지향적이며 추론에 기반해 선제적으로 작동하는 AI 에이전트 팀이 서로 협업하는 새로운 엔터프라이즈 소프트웨어 제품군이다. 오라클 퓨전 클라우드 애플리케이션에 내장된 이 서비스는 기업 내부의 데이터와 워크플로, 승인 체계 등에 안전하게 접근해 비즈니스 프로세스 안에서 직접 의사결정을 내리고 실행한다. 기존의 AI 어시스턴트와 달리 트랜잭션 시스템에서 기본으로 제공되어 기업 규모의 실시간 작업이 가능하다는 점을 특징으로 내세운다. 오라클은 퓨전 에이전틱 애플리케이션이 단순한 기록 시스템을 넘어 설정된 비즈니스 목표를 달성하기 위해 직접 판단하고 행동하는 단계로 발전했다고 설명했다. 오라클의 스티브 미란다 부사장은 “기존의 업무 방식은 프로세스 관리에 너무 많은 시간이 소모되어 오늘날의 비즈니스 속도에 부합하지 않는다”면서,  “이번 애플리케이션은 기업이 더 빠르게 성과를 창출하고 전략적 활동에 집중하도록 도울 것”이라고 밝혔다.     이 애플리케이션은 구체적인 역할과 전문성을 가진 AI 에이전트 그룹으로 구성된다. 에이전트들은 목표 달성을 위해 어떤 업무를 언제 수행해야 하는지 스스로 판단하며 기존 보안 프레임워크 내에서 자율적으로 움직인다. 사람은 결과가 크게 달라질 수 있는 예외 사항이나 중요한 의사결정 단계에만 관여하게 된다. 이를 통해 기업은 업무 진행 과정에서 사용자가 상황을 반복해서 설명할 필요 없이 지속적인 맥락을 유지하며 업무를 추진할 수 있다. 현재 오라클은 재무, 인사(HR), 공급망, 고객 경험 분야에서 활용 가능한 22개의 신규 에이전틱 애플리케이션을 제공하고 있다. 워크포스 오퍼레이션즈(Workforce Operations) 에이전틱 애플리케이션은 인사 관리자가 데이터 수집 시간을 줄이고 급여 관련 문제를 예방하도록 돕는다. 공급망 분야에서는 디자인 투 소스 워크스페이스(Design-to-Source Workspace) 에이전틱 애플리케이션을 통해 제품 비용과 규제 준수 위험을 낮출 수 있다. 영업 팀을 위한 크로스셀 프로그램 워크스페이스(Cross-Sell Program Workspace) 에이전틱 애플리케이션은 성장 기회를 선제적으로 파악해 고객 유치 비용을 절감하며, 재무 팀용 콜렉터스 워크스페이스(Collectors Workspace) 에이전틱 애플리케이션은 대금 회수를 가속화해 현금 흐름을 개선한다. 이러한 서비스는 오라클 클라우드 인프라스트럭처(OCI)에서 거대 언어 모델(LLM)을 기반으로 구동된다. 오라클은 기업이 직접 AI 자동화 시스템을 구축할 수 있도록 오라클 AI 에이전트 스튜디오(Oracle AI Agent Studio)도 함께 지원한다. 기업은 에이전틱 애플리케이션 빌더(Agentic Applications Builder)를 활용해 복잡한 개발 과정 없이도 오라클이나 파트너사의 에이전트를 연결해 사용할 수 있다. 오라클은 가시성과 투자 대비 효과 측정, 안전 제어 기능을 통해 에이전트가 대규모 환경에서도 안전하게 가치를 창출할 수 있다고 덧붙였다.

마이크로소프트가 ‘AI 투어 서울’을 개최하고 대한민국의 인공지능(AI) 프론티어 구축을 위한 성공 프레임워크와 지원 방안을 발표했다. 이번 행사에서 마이크로소프트는 한국 기업들이 단순한 실험 단계를 넘어 실질적인 비즈니스 가치를 창출하는 ‘프론티어 전환’을 가속화할 수 있도록 전방위적으로 돕겠다고 밝혔다. 마이크로소프트에 따르면 현재 전 세계 코파일럿 도입 현황은 가파른 성장세를 보이고 있다. 포춘 500대 기업의 90% 이상이 코파일럿을 채택했으며 유료 이용자 수는 지난해보다 160% 이상, 일일 활성 사용자 수는 10배 늘어났다. 3만 5000명 이상의 대규모 인원이 도입한 기업 수도 3배 증가했다. 마이크로소프트는 지능형 에이전트 기능이 강화된 ‘마이크로소프트 365 웨이브 3(Wave 3 of Microsoft 365 Copilot)’를 통해 개인화된 업무 경험을 제공하고, 여러 단계의 업무를 계획하고 실행하는 ‘코파일럿 코워크(Copilot Cowork)’ 기능을 프론티어 프로그램 사용자에게 우선 공급하고 있다. 오는 5월 1일부터는 새로운 통합 엔터프라이즈 플랜인 ‘마이크로소프트 365 E7(프론티어 스위트)’을 출시한다. 이 플랜은 기존 E5 플랜에 코파일럿과 에이전트 365를 결합한 제품으로 엔트라, 디펜더, 인튠, 퍼뷰 등 마이크로소프트의 주요 보안 설루션이 포함되어 더 안전한 환경에서 AI를 활용할 수 있게 한다.     이번 행사의 기조연설에서 공개된 ‘프론티어 성공 프레임워크’는 임직원 경험 강화, 고객 참여 혁신, 비즈니스 프로세스 재설계, 혁신 가속화라는 4대 핵심 성과를 동시에 도출하는 것을 목적으로 한다. 마이크로소프트의 스콧 거스리 클라우드 및 AI 수석 부사장은 “프론티어 전환은 초기 도입 단계를 넘어 비즈니스 운영 방식을 근본적으로 바꾸는 핵심 동력이 될 것”이라면서, 한국 기업들이 AI 혁신을 주도하는 신뢰받는 기업으로 성장할 수 있도록 지원하겠다고 강조했다. 마이크로소프트는 국내 여러 기업이 자사의 AI 설루션을 통해 성과를 내고 있다고 소개했다. KT는 마이크로소프트 365 코파일럿을 도입해 직원들이 업무에 맞는 맞춤형 AI 에이전트를 직접 설계할 수 있는 생태계를 구축했다. 현대백화점그룹은 애저 오픈AI 기반의 쇼핑 큐레이션 서비스인 ‘헤이디’를 통해 고객 만족도 4.51점을 기록했으며 사용 건수도 출시 초기보다 9배 늘어난 월 8만 건을 돌파했다. 연세대학교의료원은 의료진이 직접 80여 개의 특화 앱을 개발하는 환경을 만들었다. 오는 4월 도입하는 ‘라운딩 코파일럿’을 쓰면 의사 1인당 하루 최대 1.8시간의 진료 시간을 추가로 확보할 수 있을 것으로 보고 있다. 로봇 기술 기업 리얼월드는 애저의 데이터 저장 및 관리 인프라를 활용해 피지컬 AI 기술을 고도화하고 있으며, 현대오토에버는 깃허브 코파일럿을 도입해 개발 속도를 높였다. 한국마이크로소프트 조원우 대표는 “AI 전환은 이제 도입 여부의 문제가 아니라 실질적인 비즈니스 성과로 어떻게 연결하느냐가 중요하다”면서, “이번 행사가 새로운 가치를 발굴하고 운영 효율을 높이는 실행 중심의 로드맵이 되길 바란다”고 전했다.

오라클이 프로그래밍 언어이자 개발 플랫폼인 자바(Java)의 최신 버전인 자바 26(JDK 26)을 출시했다. 이번 버전은 개발자 생산성을 높이고 언어를 간소화하며, 애플리케이션에 AI 및 암호화 기능을 쉽게 통합할 수 있도록 지원하는 10개의 주요 기술 개선 제안(JEP)을 포함한다. 자바 26은 AI 추론이 통합된 애플리케이션 개발을 돕기 위해 패턴 매칭과 스위치 구문의 데이터 유형 제한을 완화했다. 또한 가비지 컬렉터(G1 GC)의 동기화 과정을 줄여 메모리 효율을 높였으며, 하드웨어 추가 없이도 더 빠른 구동과 많은 사용자 지원이 가능하도록 성능을 업데이트했다. ‘프로젝트 레이든’의 성과인 객체 캐싱 기능은 자바 가상 머신의 시작 및 워밍업 시간을 단축해 사용자 경험을 개선한다. 보안과 네트워크 성능도 강화되었다. 파이널 필드의 의도치 않은 수정을 방지하는 무결성 원칙을 강화해 시스템 안정성을 높였으며, HTTP/3 프로토콜을 공식 지원해 마이크로서비스 간의 데이터 검색 속도를 높이고 지연 시간을 줄였다. 특히 벡터 API의 개선을 통해 데이터 분석과 AI 추론 워크로드에서 스칼라 연산보다 뛰어난 성능을 낼 수 있도록 지원한다.     오라클은 자바 26의 출시와 함께 ‘자바 인증 포트폴리오(JVP)’를 새롭게 선보였다. JVP는 오라클이 엄선하고 검증한 도구, 프레임워크, 라이브러리 모음으로, 소프트웨어 공급망의 위험을 줄이고 엔터프라이즈급 지원을 제공한다. 여기에는 자바 기반 UI 프레임워크인 자바FX와 마이크로서비스용 프레임워크인 헬리돈에 대한 상용 지원이 포함된다. 헬리돈은 가상 스레드를 활용해 확장성이 뛰어난 마이크로서비스를 구축할 수 있는 오픈 소스 프레임워크다. 오라클은 헬리돈의 릴리스 주기를 자바 로드맵과 일치시켜 최신 기술을 즉각 지원할 방침이며, 이를 오픈JDK 프로젝트로 제안할 계획이다. 또한 비주얼 스튜디오 코드용 자바 플랫폼 확장 기능도 JVP를 통해 지원하여 개발 환경의 편의성을 높였다. 오라클의 조지 사브 자바 플랫폼 부문 수석 부사장은 “자바 26은 기업이 AI와 암호화 기술을 활용해 비즈니스 성장을 가속화할 수 있도록 지원하려는 오라클의 의지를 담고 있다”면서, “새로운 JVP를 통해 개발자들은 검증된 도구를 활용하여 프로젝트를 더욱 효율화할 수 있을 것”이라고 전했다.

한국오라클이 2월 3일 연례 콘퍼런스인 ‘오라클 AI 서밋(Oracle AI Summit) 2026’을 열고, 데이터와 AI의 결합을 통한 기업의 생존 및 성장 전략을 제시했다. 오라클은 AI 벡터 검색 기능이 통합된 데이터베이스 새 버전을 선보이면서, 복잡한 데이터를 의미론적으로 분석하고 검색 증강 생성(RAG) 기술을 효율적으로 구현하는 방안을 설명했다. 또한 스스로 계획하고 행동하는 에이전틱 AI(agentic AI)와 데이터베이스 관리를 돕는 AI 어시스턴트의 도입을 강조했다. 오라클은 자사의 융합형 아키텍처를 앞세워 기업의 현대적인 AI 기반 비즈니스 환경을 지원할 예정이다. ■ 정수진 편집장     AI의 핵심은 데이터, 데이터와 AI의 통합은 필연 오라클은 기업이 AI를 활용해 성과를 얻기 위해 가장 핵심이면서 중요한 요소로 ‘데이터’를 내세운다. AI가 기업 데이터 관리의 패러다임을 재편하는 필수 요소가 되면서, 오라클은 ‘AI와 데이터가 초기 설계 단계부터 함께 구축’되어야 한다고 강조했다. 오라클은 기업이 특정 부서의 업무를 향상시키는 데에는 AI를 잘 활용하고 있지만, 이를 전사 업무 프로세스의 향상으로 확장하는 데에는 어려움을 겪고 있는 것으로 보고 있다. 오라클의 티르탄카르 라히리(Tirthankar Lahiri) 미션 크리티컬 데이터 및 AI 엔진 부문 수석 부사장은 그 핵심 원인에 대해 조직 내 데이터가 분산(silo)되어 있기 때문이라고 짚으면서, “융합형 데이터 플랫폼을 통해 데이터 접근성을 통합해야 실질적인 AI 비즈니스 성과를 낼 수 있다”고 전했다. AI를 활용해 기업 비즈니스와 관련된 질문에 대해 답을 얻으려면, 질문과 관련해서 적절한 기업 내부의 데이터를 AI에 제공해야 한다. AI는 제공받은 비즈니스 데이터와 자체 지식, 그리고 공개된 외부 데이터를 결합하여 보다 정확한 결과를 생성할 수 있다. 오라클이 데이터의 중요성을 강조하는 이유가 여기에 있다. 한편으로, 복잡성을 줄이고 AI 기능의 신뢰도를 높이는 것도 중요하다. 분산된 기술이나 개별 제품을 단순히 이어 붙이는 방식은 복잡성과 비용을 키울 수밖에 없다. 오라클은 데이터가 위치한 곳에 AI를 직접 내재화하여 통합 설계하면, 시스템 운영이 단순해지고 기업이 신뢰할 수 있는 빠르고 일관된 AI 혁신이 가능해진다고 보고 있다.   AI를 위한 통합 아키텍처로 차세대 혁신 지원 AI를 위한 오라클의 데이터 전략은 ‘데이터 혁신을 위한 AI(AI for Data)’로 요약할 수 있다. 이 전략은 단순히 AI 기술을 덧붙이는 것이 아니라, AI를 데이터 플랫폼의 가장 핵심적인 부분에 내재화해서, 기업이 AI 리더로 도약하고 새로운 환경에서 번영할 수 있도록 돕는 데 초점을 맞춘다. 오라클 데이터 전략의 주된 방향은 ▲AI, 데이터, 애플리케이션 개발, 그리고 개방형 표준의 통합 구축 ▲개방형 표준에 기반한 융합형 아키텍처로 모든 데이터 유형과 워크로드를 일관된 플랫폼에서 결합하고 탐색할 수 있도록 지원 ▲데이터 사일로 현상을 해결하기 위해, 데이터, AI 모델, 실행 과정을 하나로 아우르는 단일 프레임워크 제공 ▲자체 LLM뿐 아니라 xAI, 구글, 메타, 코히어, 오픈AI 등의 AI 모델을 오라클 인프라 내에 자동으로 임베디드하고 유연하게 수용 ▲기업의 내부 프라이빗 데이터가 보호받을 수 있도록 거버넌스, 프라이버시, 보안을 최우선으로 고려하는 것이다. 오라클은 이런 전략이 집약된 차세대 AI 네이티브 데이터베이스인 ‘오라클 AI 데이터베이스 26ai’를 통해, 기업들이 경쟁사보다 한발 앞서 비즈니스 인사이트를 얻고 생산성 혁신을 달성할 수 있도록 돕는다는 계획이다.   AI 네이티브를 강조한 오라클 데이터베이스 26ai 오라클 AI 데이터베이스 26ai의 핵심 기능은 다음과 같다. 통합 AI 벡터 검색 : 문서, 이미지, 동영상, 관계형 데이터 등 다양한 형태의 데이터를 의미와 맥락을 나타내는 ‘AI 벡터(vector)’로 변환해서 처리한다. 이를 통해 일치하는 값을 찾는 것을 넘어, 의미적 유사성을 기반으로 밀리초(ms) 단위의 고속 검색을 제공한다. 단일 SQL문을 통한 RAG 파이프라인 통합 : AI 벡터 검색으로 찾은 기업 내부 데이터를 LLM과 결합하여 정확하고 맥락에 맞는 답변을 도출하는 RAG(검색 증강 생성) 기능을 지원한다. 또한, 복잡한 RAG 전체 파이프라인을 단일 SQL 구문이나 데이터베이스 API를 통해 간편하게 실행할 수 있다. 데이터베이스 내 에이전틱 AI(agentic AI) 직접 통합 : AI 에이전트를 데이터베이스 내부에 직접 통합 및 설계해서 기업이 쉽고 안전하게 구축, 배포, 관리할 수 있도록 지원한다. 기업의 내부 프라이빗 데이터는 물론 웹 검색 등 외부 공개 데이터까지 결합해서 수준 높은 답변을 제공할 수 있다. AI를 위한 데이터 주석 기능 : AI가 데이터의 의미를 잘못 유추하지 않도록, 사용자가 테이블이나 컬럼의 의미와 용도를 LLM에게 명시적으로 설명해 줄 수 있는 주석(annotations) 기능을 제공한다. 이는 LLM이 더 우수한 결과물을 생성하도록 돕는다. 모든 데이터 유형의 통합 검색 : AI 벡터 검색 기능은 전통적인 관계형 데이터뿐만 아니라 텍스트, 공간, JSON, XML 데이터 등 모든 종류의 데이터 검색과 매끄럽게 결합되어 통합적인 데이터 탐색 환경을 제공한다.   데이터 중심 AI로 엔터프라이즈 혁신 돕는다 오라클은 개방형 생태계를 기반으로 하는 ‘기업용 맞춤형 AI’를 제공하면서, 기업 내부 데이터의 거버넌스, 프라이버시, 보안을 요구하는 엔터프라이즈 환경에 최적화된 AI 접근 방식을 내세운다. 한국오라클의 김성하 사장은 “오라클은 ‘데이터베이스 기업’이라는 기존의 인식에서 벗어나 ‘데이터 중심의 AI 플랫폼 기업’으로서 입지를 굳히고, 엔터프라이즈 클라우드 시장 점유율을 높이고자 한다”면서, 국내 시장 전략을 소개했다. 한국오라클은 OCI(오라클 클라우드 인프라스트럭처)의 성능과 안정성, 비용 효율에 대한 고객의 신뢰를 바탕으로, 기업의 핵심적인 기간계 업무를 클라우드로 전환하는 데 집중하고 있다. 오라클에 따르면, POC를 넘어 실질적인 클라우드 소비가 전년 대비 2025년 두 배 이상 증가했으며, 비 오라클 데이터베이스 워크로드의 클라우드 전환도 확대하고 있다. 오라클은 국내 2곳의 퍼블릭 클라우드 리전(데이터센터)을 안정적으로 운영하면서 지속적인 성장 발판을 마련했다고 보고 있다. 또한 고객이 자체 데이터센터 내에서 오라클 클라우드를 사용할 수 있도록 지원하는 전용 리전(Dedicated Region Cloud@ Customer)를 국내 세 곳의 고객사에 구축·운영하는 등 고객 맞춤형 인프라 전략을 전개 중이다. 김성하 사장은 “올 상반기 국내 AWS 데이터센터에 오라클의 고성능 데이터베이스 머신인 엑사데이터(Exadata)를 배치할 예정이다. 이는 핵심 데이터베이스를 안전하게 운용하고자 하는 금융권 및 대형 엔터프라이즈 고객의 멀티 클라우드 도입 수요를 흡수하기 위한 전략”이라고 소개했다. 이와 함께, 오라클은 국내 AI 시장을 선도할 유망 스타트업이 OCI를 기반으로 성장할 수 있도록 협력 및 지원을 이어갈 예정이다. 이런 노력을 통해 국내 AI 혁신 고객 사례를 늘려가겠다는 것이 오라클의 계획이다.       ■ 기사 내용은 PDF로도 제공됩니다.

지멘스는 HD현대의 중간 지주회사인 HD한국조선해양이 통합 플랫폼 구축을 위한 우선 협력사로 지멘스를 선정했다고 밝혔다. 이 플랫폼은 조선 전 공정을 단일 데이터 흐름으로 관리함으로써, 전 세계 HD현대 조선소 전반의 일관성 확보를 지원할 예정이다. 이번 통합 플랫폼은 HD현대가 2030년 완공을 목표로 추진 중인 미래 지향적 조선소 구축 프로젝트 ‘미래 첨단 조선소(Future of Shipyard)’의 핵심 기반이 될 예정이다. 이 프로젝트는 선박 설계와 생산 공정 전반에 걸쳐 존재해 온 데이터 단절 문제를 해결하고, 보다 체계적이고 디지털 기반의 조선 환경을 구축하기 위한 HD현대의 지속적인 노력의 일환이다. HD현대는 통합 플랫폼을 통해 엔지니어링과 제조 부문 간 협업을 강화하고, 점차 복잡해지는 조선 프로젝트를 안정적으로 수행할 수 있는 기반을 마련하고자 한다.   ▲ HD현대중공업 울산 조선소(출처 : HD현대)   지멘스 엑셀러레이터(Siemens Xcelerator) 개방형 디지털 비즈니스 플랫폼을 기반으로 한 HD현대의 ‘선박 설계-생산 일관화 통합 플랫폼’ 프로젝트는 설계부터 생산에 이르는 핵심 데이터를 일관되게 연결하는 디지털 스레드를 구현할 예정이다. 지멘스는 “설계와 생산이 통합된 데이터 백본을 통해 실시간으로 연결되며, 공정 간 데이터 단절로 인해 발생하던 비효율과 오류를 줄일 수 있을 것”으로 기대하고 있다. 통합 디지털 환경에서는 표준화된 데이터 흐름과 시스템 상호운용성을 바탕으로 CAD, PLM, 디지털 제조, 자동화, 시뮬레이션 등 주요 영역이 연결된다. 이를 통해 계획, 건조, 확장, 개조 등 주요 조선소 작업을 실제 현장 적용에 앞서 가상 환경에서 검토할 수 있게 된다. 또한 HD현대는 모델 기반 엔지니어링 기법의 적용 범위를 확대하고, 조직 및 기능 부서 간 협업 효율성을 강화할 계획이다. 특히 블록 조립, 용접 정보, 배관, 전기 데이터 등을 통합 3D 모델로 관리함으로써 설계 정확도를 높이고, 생산 계획을 최적화하며, 현장 작업의 표준화를 추진할 예정이다. 통합 디지털 플랫폼의 적용 범위는 상선과 특수선을 포함한 다양한 선종으로 확대될 것으로 예상된다. 주요 적용 분야로는 장비 및 부품 데이터의 체계적 관리, 디지털 모델 기반 성능 분석, 수명주기 중심의 유지보수 엔지니어링, 해외 조선 프로젝트를 위한 기술 지원 프레임워크 등이 포함된다. 아울러 HD현대는 선박과 조선소 현장을 디지털로 구현한 산업 메타버스(Industrial Metaverse) 기반 환경을 구축하고 있다. 이는 지멘스의 디지털 트윈 기술로 구축된 가상 학습 환경에서 합성 데이터와 산업 인텔리전스 기반 강화 학습을 적용해, 복잡한 생산 환경에서도 활용 가능한 ‘피지컬 AI’ 기술 구현을 지원한다. 양사는 2026년부터 단계적 구축에 착수해 2028년부터 실제 운항 중인 선박에 적용하는 것을 목표로 하고 있다. HD현대의 이태진 디지털혁신실 전무는 “지멘스 엑셀러레이터의 도입은 HD한국조선해양의 디지털 조선 전략을 한 단계 도약시키는 중요한 이정표“라며, “설계부터 생산까지 일관성을 보장하는 통합 디지털 플랫폼을 구축함으로써 장기간 지속돼 온 데이터 단절 문제를 극복하고, 보다 체계적이고 협업 중심의 조선 환경을 조성하고자 한다. 이를 통해 전 세계 조선소 전반의 운영 효율, 품질, 경쟁력을 강화하는 동시에 복잡도가 높은 프로젝트 수행 역량을 제고할 것”이라고 말했다. 지멘스 디지털 인더스트리 소프트웨어의 토니 헤멀건 사장 겸 CEO는 “2022년부터 지멘스는 HD현대와 협력해 조선업의 미래와 차세대 디지털 설계, 생산 플랫폼 개발에 주력해 왔다“며, “지멘스 엑셀러레이터와 지멘스의 포괄적 디지털 트윈 기술은 설계, 엔지니어링, 생산 전반을 아우르는 통합 디지털 스레드를 지원하는 데 최적화돼 있다. 지멘스는 HD현대가 지속 가능한 성장과 운영 우수성을 지원하는 확장 가능하고 개방적인 미래 대응형 제조 혁신 플랫폼을 구축할 수 있도록 지원하게 돼 기쁘다”라고 말했다.

실시간 시각화 및 계산으로 크레인 판매 증가에 기여   팔핑거(PALFINGER)는 유니티 엔진을 활용해 인터랙티브 크레인 시각화 및 비교 도구인 팔쇼(PALSHOW)를 개발해 영업 및 마케팅을 위한 3D 협업, 실시간 시뮬레이션 및 시각화 등에 활용하고 있다. 유니티의 기술은 크레인의 구성과 성능을 시각화하고 비교하는 방식을 재정의함으로써, 팔핑거가 더 나은 의사결정을 할 수 있도록 지원한다. ■ 자료 제공 : 유니티 코리아     팔핑거는 혁신적인 크레인 및 리프팅 설루션을 전문으로 하는 기술 및 기계 공학 분야의 기업이다. 1만 2350명 이상의 직원, 30개 제조 시설, 그리고 전 세계적인 판매 및 서비스 네트워크를 보유한 팔핑거는 건설 및 운송부터 해상 및 해양 분야에 이르기까지 다양한 산업 전반에서 효율과 안전성을 높이는 첨단 장비를 제공한다. 팔핑거는 로더 크레인 분야의 글로벌 기업이자 목재 및 재활용 크레인, 후크리프트, 트럭 장착형 지게차, 접근 플랫폼 분야의 주요 제조업체이다. 유럽에서는 철도 시스템 및 교량 검사 장비 분야에서도 첨단 기술을 제공하고 있으며, 팔핑거 마린은 해상 부문의 갑판 장비 및 취급 설루션 분야에서 활약하고 있다. 팔핑거는 디지털 전환 여정을 지속하면서 실시간 3D 시뮬레이션, 클라우드 컴퓨팅, 자동화 같은 첨단 기술을 활용해 고객 경험을 높이고 가치 사슬 전반에 걸쳐 운영을 효율화하고 있다.   ▲ 작동 중인 크레인(출처 : 팔핑거)   팔쇼의 가치 : 한눈에 보는 영향 유니티에 기반해 팔핑거가 개발한 팔쇼 애플리케이션은 크레인 동작의 시각화, 비교 및 전달 방식을 변화시켜 접근성, 효율 및 사용자 경험 측면에서 측정 가능한 성과를 제공한다. 매월 600명 이상의 활성 유저를 보유하고 있으며, 여기에는 전 세계 영업팀, 유통업체 및 운영자가 포함된다. 1만 2300개 이상의 크레인 모델과 변형 모델을 시뮬레이션 및 비교에 활용 가능 CI/CD(지속적 통합 및 지속적 배포)를 통해 3주마다 새로운 버전을 출시 700여 개의 자동화된 테스트와 90%의 코드 커버리지(code coverage) 모든 최신 웹 브라우저를 통해 실시간 크레인 데이터에 즉시 접근 가능 분 단위가 아닌 초 단위로 크레인 구성과 리프팅 용량을 확인할 수 있어 시간을 절감 기술적 전문 지식 없이도 유저가 크레인의 작업 반경, 안정성 및 변형을 시각화할 수 있는 매끄럽고 직관적인 인터페이스 문서화, 규정 준수 및 고객 커뮤니케이션을 위한 간편한 내보내기 옵션(SVG 또는 PDF) 데이터 기반의 신속한 대화로 고객 참여도와 판매 자신감을 강화   ▲ 크레인 비교 및 적재 용량 분석(출처 : 팔핑거)   복잡한 크레인 데이터를 단순하고 시각적이며 접근 가능하게 만들기 팔핑거의 영업 및 유통 팀은 고객에게 크레인의 복잡한 기계 구조와 리프팅 동작을 보다 간편하게 보여줄 방법이 필요했다. 이전에는 팔쇼의 기능이 대형 데스크톱 애플리케이션 내에 포함되어 복잡한 설치, 로컬 데이터베이스 동기화, 잦은 업데이트가 필요했으며, 이는 단순히 크레인 움직임을 시각화하기만 원하는 유저에게 장벽을 조성했다. 이러한 과제를 극복하기 위해 팔핑거는 팔쇼를 웹 기반의 직관적이고 즉시 접근 가능한 설루션으로 개발했다. 팔쇼의 목표는 최신 브라우저에서 실행되는 실시간 상호작용 경험을 제공하여, 고객과 영업 팀이 소프트웨어 설치나 기술적 전문성 없이도 크레인 구성을 신속하고 자신 있게 탐색할 수 있도록 하는 것이었다.   ▲ 리프팅 용량 분석(출처 : 팔핑거)   팔쇼의 확장 가능한 웹 기반 유니티 기술 스택 내부 팔핑거는 유니티의 실시간 3D 엔진을 활용해 크레인 동작을 정확성, 속도, 시각적 선명도로 시뮬레이션하는 팔쇼를 구축했다. 팔쇼의 모든 기능은 웹 브라우저 내에서 직접 접근 가능하다. 이 애플리케이션은 크레인을 도식화된 측면도로 표시하여 유저가 작업 반경, 적재 용량, 안정성, 위치 조정 및 변형을 실시간으로 동적으로 탐색할 수 있도록 한다. 팔핑거의 내부 계산 프레임워크를 유니티와 통합함으로써, 개발 팀은 정밀한 물리 기반 계산과 직관적인 시각화를 결합할 수 있었다. 이를 통해 복잡한 기계 데이터를 빠르고 상호작용적이며 이해하기 쉬운 경험으로 전환했다.   ▲ 유니티 에디터에서 실행 중인 팔쇼 애플리케이션   유니티 웹GL(Unity WebGL)은 이 경험을 온라인으로 구현하는 핵심 역할을 수행하며, 로컬 설치나 대용량 다운로드 없이도 부드러운 성능을 제공한다. 새로운 기능과 개선 사항은 자동화된 CI/CD 파이프라인을 통해 지속적으로 배포되므로, 유저들은 항상 최신 버전으로 작업하게 된다. 이는 기존의 데스크톱 기반 접근 방식과는 크게 달라진 점이다. 앵귤러와 애저(Azure) 클라우드의 배포 및 플랫폼 통합 지원을 통해 팔쇼는 팔핑거의 팔데스크(PALDESK) 생태계에 원활하게 연결되며, 구성–가격–견적(configure–price–quote) 및 작업 플래너(job planner)와 같은 애플리케이션과 함께 작동한다. 팔핑거의 헤수스 곤살레스 로드리게스(Jesús González Rodríguez) 수석 소프트웨어 엔지니어는 “현재는 웹GL로만 내보내지만, 유니티의 멀티 플랫폼 기능과 내장 테스트 도구는 정말 훌륭하다. 파이프라인에서 종단 간 테스트를 실행하면 품질 보증이 쉬워진다”고 전했다.   ▲ 유니티 에디터에서 실행 중인 팔쇼 애플리케이션   팔쇼에 사용된 유니티 기술 브라우저 기반 렌더링 및 배포를 위한 유니티 웹GL 빌드 파이프라인 크레인 움직임, 도달률 및 구성 요소 형상을 시각화하기 위한 선 및 메시 렌더러 유니티 테스트 프레임워크 + 약 700개의 자동화된 테스트로 CI/CD를 지원하며 약 90%의 코드 커버리지를 달성 애저 데브옵스(Azure DevOps)용 유니티 도구로 지속적인 통합 및 배포를 지원 유니티용 누겟(NuGet)으로 효율적인 패키지 및 종속성 관리 팔핑거가 2D 도면을 3D로 변환하는 방식을 탐구하는 프로그램 기반 메시 생성 웹 환경에서 정확한 물리 시뮬레이션을 위한 실시간 백엔드 계산 통합   ▲ 팔쇼에서 크레인 검색(출처 : 팔핑거)   ▲ 팔쇼 애저 데브옵스 빌드 파이프라인을 유니티 자동화 작업으로 구현   유니티의 유연성 덕분에 팔핑거는 요구사항이 변화함에 따라 설루션을 신속하게 반복하고 확장할 수 있었다. 이 엔진은 신속한 프로토타이핑을 지원하여, 제품이 성장함에 따라 소프트웨어 팀이 CAD 기반 워크플로, 3D 메시 압출 및 새로운 시각화 모드를 실험할 수 있도록 한다. 또한 중요한 것은, 팔핑거가 인재를 유치하고 육성하는 데 유니티가 도움을 준다는 점이다. 팔쇼는 특히 게임, UI(사용자 인터페이스) 또는 닷넷(.NET) 배경의 개발자가 접근하기 쉬운 도구 덕분에 아이디어가 신속하게 작동하는 기능으로 전환되는 플랫폼이 되었다. 팔핑거는 정기적으로 학생 및 인턴과 협력하여 새로운 개념 증명(PoC) 및 프로토타입을 탐구함으로써 숙련된 유니티 인재 풀을 강화하고 있다. 로드리게스 수석 엔지니어는 “유니티로 작업해 보면 이 엔진이 얼마나 유연한지 알 수 있다. 게임을 구동하는 동일한 환경으로 복잡한 산업용 애플리케이션도 손쉽고 효율적으로 구동할 수 있다. 닷넷에 대한 지식과 비디오 게임 및 UI 상호작용에 대한 열정을 우리 제품에 결합할 수 있었다”고 말했다.   ▲ 애플리케이션 코드 커버리지 요약(출처 : 팔핑거)   ▲ 팔쇼의 크레인 구성(출처 : 팔핑거)   더 빠른 의사 결정과 더 확신 있는 고객 대화 촉진 팔쇼는 팔핑거의 영업 생태계 전반에서 필수 도구로 빠르게 자리 잡았으며, 내부 팀, 유통업체 및 운영자가 크레인 구성을 실시간으로 검증할 수 있도록 지원한다. 데스크톱 설치나 대규모 데이터베이스 동기화를 거칠 필요 없이, 사용자는 브라우저를 열어 다양한 크레인 모델이 하중 하에서 어떻게 작동하는지 즉시 확인할 수 있다. 이를 통해 준비 시간이 몇 분에서 몇 초로 단축된다. 이 애플리케이션은 직관적인 작업 흐름을 지원해 전문적인 기술 지식이 필요하지 않게 됐다. 사용자는 단순히 크레인을 선택하고 도면에 목표 위치를 설정하면 즉시 적재 용량, 도달률 및 안정성에 대한 피드백을 받는다. 복잡한 기계적 계산이 깔끔한 시각적 경험으로 전환되어, 수십만 유로에 달하는 크레인이 현장에 도착하기 훨씬 전에 그 성능을 고객이 이해할 수 있도록 돕는다. 팔핑거의 기술 소프트웨어 애플리케이션 부문 책임자인 크리스티안 페르슐(Christian Perschl)은 “복잡한 프로그램을 설치하는 데 더 이상 관리자 권한이 필요하지 않다”고 설명했다. 이 웹 도구는 여러 플랫폼에서 실행되며 테슬라 인포테인먼트 시스템에서도 작동한다. 작업 플래너 환경 내에서 팔쇼는 한 걸음 더 나아간다. 유저는 환경 조건을 시뮬레이션하고, 안정성을 확인하며, 장애물을 그려 리프트 작업 중 발생할 수 있는 잠재적 충돌을 예측할 수 있다. 이러한 통찰력은 위험을 줄이고, 계획을 간소화하며, 규정 준수를 보장하는 데 도움이 된다. 특히 작업 전 시뮬레이션이 의무화된 지역 및 도시에서 더욱 그러하다. PDF 또는 SVG로 내보내기 옵션은 최소한의 노력으로 문서화, 리포트 및 고객 승인을 지원한다. 팔쇼는 실시간 3D 시각화와 지속적 배포, 확장 가능한 브라우저 기반 아키텍처를 결합하여 팔핑거의 디지털 영업 경험을 강화했다. 이를 통해 의사소통을 가속화하고 의사 결정의 확신을 높였으며, 복잡성이 걸림돌이 되었던 부분에 명확성을 제공함으로써 팀의 업무 수행을 지원한다. 페르슐은 “동적 리프팅 용량 다이어그램이 포함된 이 프로그램은 글로벌 영업 팀이 고객과의 회의에서 활용할 수 있도록 지원한다. 또한 차량 관리자가 크레인 운전자를 교육하여 당사의 우수한 제품을 최대한 활용할 수 있도록 하는 데에도 활용될 수 있다”고 설명했다.   ▲ 팔쇼 PK 880 TEC 크레인 구성(출처 : 팔핑거)   팔핑거의 확장되는 디지털 세계에서 다음은 무엇인가 팔핑거의 소프트웨어 개발 팀은 공간 계획, 크레인 위치 지정 및 현장 시나리오 검증을 더욱 향상시키기 위해 구글 맵스 통합 및 탑뷰 상호작용 기능을 계획하며 팔쇼 경험을 지속적으로 발전시키고 있다. 차세대 팔쇼는 기술 간 복잡성을 줄이고 작업 흐름의 유연성을 개선함으로써, 리프트 전 계획 수립과 고객 논의 과정에서 더욱 명확한 방향성을 제시할 것이다. 기능적 진화를 넘어, 팔핑거는 더 깊은 차원의 3D 미래를 목표로 삼고 있다. 이 여정에서 유니티는 핵심 역할을 수행한다. 팀은 2D 그래픽을 가벼운 3D 메시로 변환하는 것부터 더 몰입감 있는 디지털 표현을 위한 CAD 기반 지오메트리 실험에 이르기까지 새로운 시각화 접근법을 탐구한다. 이러한 노력은 팔핑거가 시각화를 단순한 부가 기능이 아닌 중장비의 구성, 이해, 판매 및 운영 방식의 핵심 요소로 만들겠다는 야망을 반영한다. 팔핑거의 소프트웨어 개발자이면서 유니티 전문가인 토마시 오니시크(Tomasz Oniśk)는 “팔핑거에서는 3D를 전략적 주제로 간주한다. 유니티는 복잡한 데이터를 시각화하고 팀과 고객에게 생생하게 전달하는 새로운 방법을 탐구하는 데 도움을 준다”고 전했다.   ▲ 팔쇼 PK 880 TEC 리프팅 분석(출처 : 팔핑거)   ▲ 팔쇼 PK 880 TEC 크레인 제어 장치(출처 : 팔핑거)   팔핑거의 미래 전략에 명시된 바와 같이, 이 회사는 혁신, 디지털화 및 실시간 데이터 경험을 통해 리프팅 설루션의 미래를 선도해 나가고 있다. 이를 통해 고객에게 작업의 안전성, 속도 및 예측 가능성을 높이는 도구를 제공함으로써 고객 역량을 강화하고 있다. 팔쇼는 그 방향을 향한 초기 이정표이며, 그 진화는 더 광범위한 변혁을 예고한다. 고급 시뮬레이션이 전문적인 작업 흐름이 아닌 일상적인 역량이 되는 변혁이다. 유니티를 기반으로 팔핑거는 단순한 애플리케이션을 넘어, 차세대 지능형 리프팅을 위해 설계된 확장 가능한 디지털 생태계를 창조하고 있다.     ■ 기사 내용은 PDF로도 제공됩니다.

엔비디아는 CES 2026에서 지멘스와 전략적 파트너십 확대를 통해 실제 산업 현장에서의 AI 적용을 가속화한다고 발표했다. 양사는 산업용 AI와 피지컬 AI 설루션을 공동 개발해 더 빠른 혁신, 끊임없는 최적화, 그리고 더 탄력적이고 지속가능한 제조를 실현할 계획이다. 개발 지원을 위해 엔비디아는 AI 인프라, 시뮬레이션 라이브러리, 모델, 프레임워크, 블루프린트를 제공하고, 지멘스는 수백 명의 산업용 AI 전문가와 하드웨어, 소프트웨어를 투입할 예정이다. 양사는 2026년 독일 에를랑겐에 위치한 지멘스 전자 공장을 첫 번째 모델로 삼아, 전 세계 최초로 완전한 AI 기반 적응형 제조 현장을 구축하는 것을 목표로 하고 있다. 소프트웨어 정의 자동화, 산업 운영 소프트웨어로 구동되는 'AI 브레인(AI Brain)'과 엔비디아 옴니버스(Omniverse) 라이브러리, 엔비디아 AI 인프라를 결합해 공장은 디지털 트윈을 지속적으로 분석한다. 또한, 개선 사항을 가상으로 테스트하며, 검증된 인사이트를 현장의 운영 변경으로 전환할 수 있다. 이를 통해 설계부터 배포까지 더 빠르고 신뢰할 수 있는 의사 결정을 내릴 수 있어 생산성을 높이는 동시에 시운전 시간과 위험을 줄일 수 있다. 양사는 이러한 역량을 주요 산업 분야로 확대할 계획이며, HD현대, 폭스콘, 키온 그룹, 펩시코 등 여러 고객사가 현재 일부 기능을 평가 중이다.     지멘스는 파트너십 확장을 통해 전체 시뮬레이션 포트폴리오에 걸쳐 GPU 가속화를 완료할 계획이다. 또한, 엔비디아 쿠다-X(CUDA-X) 라이브러리와 AI 물리 모델에 대한 지원을 확대해 고객이 더 크고 정확한 시뮬레이션을 더 빠르게 실행할 수 있도록 할 계획이다. 이를 기반으로 양사는 엔비디아 피직스네모(PhysicsNeMo)와 오픈 모델을 활용해 실시간 엔지니어링 설계와 자율 최적화를 제공하는 자율 디지털 트윈을 구현함으로써, 생성형 시뮬레이션으로 나아가게 될 것이다. 엔비디아와 지멘스는 산업용 AI 운영 논리를 반도체와 AI 팩토리에 적용하려는 계획을 갖고 있다. 반도체 설계부터 시작해 지멘스는 검증, 레이아웃, 공정 최적화에 중점을 두고 엔비디아 쿠다-X 라이브러리, 피직스네모, GPU 가속을 EDA 포트폴리오 전반에 통합한다. 이를 통해 지멘스는 주요 워크플로에서 2~10배의 속도 향상을 목표로 하고 있다. 이 파트너십은 또한 레이아웃 가이드, 디버그 지원, 회로 최적화 등 AI 지원 기능을 추가해 엄격한 제조 가능성 요구 사항을 충족하면서 엔지니어링 생산성을 높일 예정이다. 양사는 설계, 검증, 제조 가능성, 디지털 트윈 접근법을 위한 AI 네이티브 엔진을 발전시켜, 설계 주기를 단축하고 수율을 개선하며 더 신뢰할 수 있는 결과를 제공할 계획이다. 또한, 엔비디아와 지멘스는 차세대 AI 팩토리를 위한 반복 가능한 블루프린트를 공동 개발할 예정이다. 이 블루프린트는 차세대 고밀도 컴퓨팅의 전력, 냉각, 자동화 요구 사항을 균형 있게 조정하는 동시에 기술이 속도와 효율 모두에 최적화되도록 보장한다. 이를 통해 계획과 설계부터 배포와 운영에 이르는 전체 라이프사이클의 최적화를 지원한다. 이번 협력은 엔비디아의 AI 플랫폼 로드맵, AI 인프라 전문성, 파트너 생태계, 엔비디아 옴니버스 라이브러리 기반 시뮬레이션의 가속화된 성능과 지멘스의 전력 인프라, 전기화, 그리드 통합, 자동화, 디지털 트윈 분야의 강점을 결합한다. 양사는 전 세계 산업 규모 AI 인프라의 배포 가속화, 에너지 효율성 향상, 복원력 강화를 목표로 한다. 엔비디아와 지멘스는 각자의 시스템에 기술을 먼저 적용함으로써, 상호 운영과 포트폴리오 가속화를 목표로 한다. 엔비디아는 지멘스의 설루션을 평가해 자체 운영과 제품 포트폴리오를 간소화하고 최적화할 계획이다. 지멘스는 자체 워크로드를 평가하고 엔비디아와 협력해 이를 가속화하고 AI를 지멘스의 고객 포트폴리오에 통합할 예정이다. 서로 가속화하고 자체 시스템을 개선함으로써 지멘스와 엔비디아는 고객을 위한 가치와 확장성의 구체적인 실증 사례를 창출하고 있다. 지멘스 AG의 롤랜드 부시(Roland Busch) 회장 겸 CEO는 “우리는 함께 산업용 AI 운영 체제를 구축하고 있다. 이는 물리적 세계의 설계, 구축, 운영 방식을 재정의해 AI를 확장하고 현실 세계에 실질적인 영향을 창출하기 위한 것이다. 엔비디아의 가속 컴퓨팅과 AI 플랫폼 리더십과 지멘스의 선도적인 하드웨어, 소프트웨어, 산업용 AI 그리고 데이터를 결합함으로써, 고객이 가장 포괄적인 디지털 트윈으로 제품을 더 빠르게 개발하고, 실시간으로 생산을 조정하며, 칩부터 AI 팩토리까지 기술을 가속화할 수 있도록 지원할 것”이라고 말했다. 엔비디아의 젠슨 황(Jensen Huang) 창립자 겸 CEO는 “생성형 AI와 가속 컴퓨팅이 새로운 산업 혁명을 촉발하며 디지털 트윈을 수동적 시뮬레이션에서 물리적 세계의 능동적 인텔리전스로 변모시켰다. 지멘스와의 파트너십은 세계 최고의 산업용 소프트웨어와 엔비디아의 풀스택 AI 플랫폼을 융합해 아이디어와 현실 사이의 간극을 좁힌다. 이를 통해 산업계는 소프트웨어에서 복잡한 시스템을 시뮬레이션한 후 물리적 세계에서 이를 원활하게 자동화하고 운영할 수 있게 된다”고 말했다.

엔비디아가 미국 라스베이거스에서 열린 CES 2026에서 피지컬 AI(physical AI)를 위한 새로운 오픈 모델, 프레임워크, AI 인프라를 발표하고, 글로벌 파트너들과 협력해 다양한 산업용 로봇을 공개했다고 밝혔다. 새롭게 공개된 엔비디아 기술은 로봇 개발 전반의 워크플로를 가속화해, 다양한 작업을 빠르게 학습할 수 있는 전문가형 범용(generalist-specialist) 로봇을 포함한 차세대 로보틱스의 확산을 촉진한다. 엔비디아는 LG전자를 비롯해 보스턴 다이내믹스, 캐터필러, 프랑카 로보틱스, 휴머노이드, 뉴라 로보틱스 등의 기업이 자사의 로보틱스 스택을 활용한 새로운 AI 기반 로봇을 공개한다고 전했다. 고비용, 단일 작업 중심의 프로그래밍이 까다로운 기계를 추론 가능한 ‘전문가형 범용’ 로봇으로 전환하려면, 파운데이션 모델 구축을 위한 대규모의 자본과 전문 지식이 필요하다. 엔비디아는 개발자가 자원 집약적인 사전 훈련을 생략하고, 차세대 AI 로봇과 자율형 머신 개발에 집중할 수 있도록 지원하는 오픈 모델을 구축하고 있다.  여기에는 ▲물리 기반 합성 데이터 생성과 시뮬레이션 환경에서의 로봇 정책 평가를 지원하는 맞춤형 오픈 월드 모델인 ‘엔비디아 코스모스 트랜스퍼 2.5(Cosmos Transfer 2.5)’와 ‘엔비디아 코스모스 프리딕트 2.5(Cosmos Predict 2.5)’ ▲지능형 머신이 인간처럼 현실 세계를 인식하고, 이해하며 행동할 수 있도록 지원하는 오픈 추론 비전 언어 모델(VLM)인 ‘엔비디아 코스모스 리즌 2(Cosmos Reason 2)’ ▲향상된 추론과 컨텍스트 이해를 지원하며, 전신 제어를 가능하게 하는 휴머노이드 로봇에 특화된 오픈 추론 VLA 모델인 ‘엔비디아 아이작 GR00T N1.6(Isaac GR00T N1.6)’ 등이 포함된다.     한편, 엔비디아는 복잡한 로봇 시뮬레이션 파이프라인을 단순화하고, 연구에서 실제 사용 사례로 전환을 가속하는 새로운 오픈소스 프레임워크를 깃허브(GitHub)에 공개했다. ‘엔비디아 아이작 랩-아레나(Isaac Lab-Arena)’는 대규모 로봇 정책 평가와 벤치마킹을 위한 협업 시스템을 제공하는 오픈소스 프레임워크로, 라이트휠(Lightwheel)과의 협업을 통해 평가와 작업 레이어를 설계했다. 아이작 랩-아레나는 리베로, 로보카사 등 업계 주요 벤치마크와 연동돼 테스트를 표준화하고, 물리적 하드웨어 배포 이전에 로봇 역량의 안정성과 신뢰성을 확보한다. 엔비디아 OSMO는 로보틱스 개발을 단일 제어 센터로 통합하는 클라우드 네이티브 오케스트레이션 프레임워크다. OSMO를 통해 개발자는 합성 데이터 생성, 모델 훈련, 소프트웨어 인 더 루프(software-in-the-loop) 테스트 등의 워크플로를 정의하고 실행할 수 있다. 이를 통해 워크스테이션부터 혼합 클라우드 인스턴스에 이르는 다양한 컴퓨팅 환경에서 개발 주기를 단축할 수 있다. OSMO는 현재 헥사곤 로보틱스과 같은 로봇 개발사에서 사용되고 있으며, 마이크로소프트 애저 로보틱스 액셀러레이터 툴체인에 통합됐다. 엔비디아 젯슨 토르(Jetson Thor)는 추론 기능을 갖춘 휴머노이드 로봇에 요구되는 대규모 컴퓨팅 성능을 충족한다. 이번 CES에서 휴머노이드 개발사들은 젯슨 토르가 통합된 최신 로봇을 선보인다. 뉴라 로보틱스는 포르쉐가 디자인한 Gen 3 휴머노이드와 함께 정교한 제어에 최적화된 소형 휴머노이드를 공개했다. 리치테크 로보틱스는 복잡한 산업 환경에서의 고난도 조작과 내비게이션을 지원하는 모바일 휴머노이드 덱스(Dex)를 선보였다. 애지봇은 산업과 소비자 시장을 위한 휴머노이드와 아이작 심(Isaac Sim)과 통합된 로봇 시뮬레이션 플랫폼 지니 심 3.0(Genie Sim 3.0)을 공개했다. LG전자는 다양한 실내 집안일을 수행하도록 설계된 신규 홈 로봇을 발표했다. 보스턴 다이내믹스, 휴머노이드, 리얼월드는 기존 휴머노이드에 젯슨 토르를 통합해 내비게이션과 조작 역량을 강화했다. 엔비디아 젯슨 T4000(Jetson T4000) 모듈은 엔비디아 젯슨 오린(Jetson Orin) 고객을 위한 비용 효율적이면서도 고성능 업그레이드 경로를 제공하며, 자율형 머신과 범용 로보틱스를 위해 엔비디아 블랙웰(Blackwell) 아키텍처를 도입했다. 이 모듈은 1000개 단위 구매 기준 1999달러에 제공되며, 이전 세대 대비 4배의 성능을 제공한다. 또한 1,200 FP4 TFLOPS의 연산 성능과 64GB 메모리를 70와트 내에서 구성 가능해 에너지 제약 환경의 자율 시스템에 적합하다. 1월 말 출시 예정인 엔비디아 IGX 토르(IGX Thor)는 엔터프라이즈 소프트웨어 지원과 기능 안전을 갖춘 고성능 AI 컴퓨팅을 제공해 로보틱스를 산업 에지로 확장한다. 아처는 IGX 토르를 활용해 항공 분야에 AI를 도입하고, 항공기 안전, 공역 통합, 자율 시스템 핵심 역량을 고도화하고 있다. 또한 캐터필러는 건설, 광산 현장의 장비와 작업 환경에 첨단 AI와 자율성을 도입하기 위해 엔비디아와의 협력을 확대하고 있다. 엔비디아의 젠슨 황 CEO는 “로보틱스 분야에도 ‘챗GPT(Chat GPT) 시대’가 도래했다. 현실 세계를 이해하고, 추론하며, 행동을 계획하는 피지컬 AI 모델의 도약은 완전히 새로운 애플리케이션을 가능하게 한다. 엔비디아의 젯슨 로보틱스 프로세서, 쿠다, 옴니버스, 오픈 피지컬 AI 모델로 구성된 풀스택은 글로벌 파트너 생태계가 AI 기반 로보틱스를 통해 산업을 혁신할 수 있도록 지원한다”고 말했다.

‘뽑기 운’은 이제 그만! 리콜 비용의 늪 대당 500~2000 달러의 리콜 비용   그림 1. 뽑기 운(제미나이로 생성한 이미지)   자동차를 구매할 때 ‘뽑기 운’이라는 말을 들어 보았는지? 이는 곧 제품의 불확실성을 의미하며, 설계 단계에서 예측하지 못한 잠재적인 결함은 막대한 리콜 비용으로 돌아온다. 2020년 이후 현재까지 평균 자동차 리콜 비용은 대당 500~2000 달러 정도 든다고 한다. 2025년 F사는 1.5L 연료 분사기 균열로 70만대에 대해 대당 800달러 규모로 총 5억 7000만 달러(한화 약 7600억원)의 리콜을 진행했다. 2023년 한 해 동안 미국 3대 자동차 기업이 리콜 보증 비용으로 지출한 금액은 총 100억 달러이다. 리콜은 이제 일회성 이벤트가 아니라 기업의 재무 건전성과 브랜드 가치를 지속적으로 위협하는 상시적인 리스크로 대두되었다.   측정해야 관리하고, 관리해야 개선한다 지각하는 이유? – 나는 행운의 사나이   그림 2. 지각하는 이유(제미나이로 생성한 이미지)   즐겨 듣는 경제 라디오 프로그램의 한 진행자는 뛰어난 통찰력과 비유의 고수로 어려운 경제 이슈를 쉽게 설명하는 데 일가견이 있었다. 하지만 이분에게도 단점이란 것이 있으니 바로 지각이었다. 생방송으로 진행되는 라디오 방송에서 숨을 헐떡이며 오프닝 멘트를 읽거나, 다른 대체 진행자가 긴장하며 오프닝 멘트를 읽는 등 담당 피디나 작가가 곤란에 처하는 일이 가끔 발생했다. 본인에게 들은 지각하는 이유는 시간을 굉장히 효율적으로 사용해서 1분 1초를 허투루 쓰지 않아, 출근 시간에 발생할 수 있는 모든 상황을 최단 시간에 맞춰두고 계산을 한다는 것이다. 그러다 보니 간혹 중간에 발생할 수 있는 예외 상황이 그를 지각으로 이끄는 것이다. 이러한 예외 상황을 공학적인 용어로는 불확실성(uncertainty)이라고 한다. 온도나 습도와 같은 환경 요인, 고무와 같이 온도나 시간에 영향을 받는 재료 물성 값, 제작 공법에 따라 비틀림, 굽힘, 수축, 팽창 현상으로 발생한 제작 공차 등은 설계자가 도저히 미리 예상할 수 없는 불확실성이다.   불확실성을 고려한 설계 1 – FOS   그림 3. 불확실성을 고려한 설계 – FOS(제미나이로 생성한 이미지)   FOS(Factor of Safety : 안전계수)는 구조물이 최대 하중을 견딜 수 있는 기준으로, 경험에 기반해 강성을 필요 이상으로 높이는 방식이다. 안전을 중시하는 선박, 발전, 토목 구조 등에서는 이러한 안전계수의 개념을 많이 활용하고 있다. 안전계수가 중요한 지표이며 앞으로도 그러한 역할을 해낼 테지만, 그저 ‘경험에 따라 이 정도 했을 때 괜찮았어’가 지금까지 이어져오고 있는 것이다. 당연한 얘기지만, 안전계수가 올라갈수록 비용은 증가하여 제품의 가격 경쟁력은 떨어진다. 안전계수가 유용한 기법이긴 하나 데이터로 좀 더 정교하게 필요한 만큼만 안전한 설계를 찾기 위한 다른 대안은 없을까?   불확실성을 고려한 설계 2 – 다구치 강건설계   그림 4. 불확실성을 고려한 설계 – 다구치 강건설계   6시그마 디자인(DFSS : Design for Six Sigma)이 유행이던 시절이 있었다. 1920년대 이후 전파된 다구치 강건설계는 품질 향상을 위해 S/N 비(Signal to Noise Ratio)를 활용하여 노이즈(불확실성)에 둔감한 설계를 탐색하는 기법으로 다구치 박사가 개발하였다. 목적함수의 강건성 확보에는 유용하나, 현재의 설계가 얼마나 강건한지 객관적인 지표로 정량화하여 제시하진 않는다. 다구치 강건설계를 통해 나온 설루션이 6시그마(100만 개 중 3~4개의 불량)를 만족하는지 확신할 수 있을까?   불확실성을 고려한 설계 3 – 신뢰성 기반 최적설계 신뢰성 기반 최적설계(RBDO : Reliability-Based Design Optimization)는 최적설계와 신뢰성 해석이 결합된 형태이다. 신뢰성 해석(reliability analysis)은 시스템 입력(노이즈 인자)의 불확실성으로 인해 출력의 불확실성, 특히 신뢰성을 예측하는 기법이다. 신뢰성이란 성능지수가 요구조건을 만족할 확률을 의미하며, 반대 개념은 불량률이다.   그림 5. DO와 RBDO   불확실성을 고려하지 않는 전통적인 최적설계를 RBDO와 구분하기 위해 결정론적 최적설계(DO : Deterministic Optimization)이라고 부른다. <그림 5>는 개념적으로 DO와 RBDO의 차이를 보여준다. 방 구석에 구슬을 굴리면 구슬이 벽에 붙은 상태로 멈추는데, 구슬의 중심이 설계변수 값이고 구슬이 접한 벽을 구속조건 경계라고 볼 수 있다. DO는 구슬이 거의 점과 같아 구슬의 중심이 벽에 거의 붙은 상태이나, RBDO는 구슬의 크기가 커서 구슬의 중심이 벽과는 여유를 두고 떨어져 있게 된다. 벽에 닿는 것이 위험하다면 DO보다 RBDO가 더 안전한 상태가 되는 것이다. RBDO는 구슬의 크기를 감이나 경험이 아닌 데이터로 결정하자는 개념이다.   데이터로 불확실성을 극복하자 예측 모델 기반의 RBDO 프레임워크, AIRBOOM RBDO는 무엇이고 왜 필요할까? RBDO는 목적함수를 좀 양보하더라도 안전한 설루션을 탐색하는 것이 목표이다. 신뢰성이라는 개념을 최적설계에 접목하여 안전한 설계를 정량적으로 확보할 수 있는 길을 열었다. 하지만 현업에 적용하기 위해서 두 가지 큰 걸림돌이 있는데, 하나는 시스템의 불확실성을 정의할 만큼 충분한 데이터가 부족하다는 것이고, 또 하나는 RBDO 수행에 필요한 시뮬레이션 데이터가 너무 많이 필요하다는 것이다. 앞서 언급한 바와 같이 AX(인공지능 전환) 시대로 접어들면서 소프트웨어와 하드웨어 기술의 성장으로 시뮬레이션은 가속화되고 있고, 데이터의 가치가 올라감에 따라 불확실성을 정의할만한 데이터도 늘어나면서 서서히 RBDO의 시대가 도래하고 있다.   그림 6. AIRBOOM의 개념도(제미나이로 생성한 이미지)   실용적인 RBDO 프로세스를 좀 더 쉽게 사용할 수 있는 AIRBOOM (AI-powered Reliability-Based Optimization Operating Manager) 모듈을 소개한다. AIRBOOM은 피도텍에서 개발한 RBDO 대중화를 위한 모듈로, 다음과 같은 네 가지 특징을 갖는다. 자율 학습된 예측 모델 기반의 RBDO 프로세스 AIRBOOM에서는 최소한의 데이터로 정교한 메타모델을 구축하는 가성비 높은 방식을 찾는 피도텍의 자율 메타모델링(Autonomous Metamodeling) 모듈을 활용한다. 이 모듈은 조금씩 데이터를 추가하면서 메타모델을 학습하기 때문에, 성능지수의 비선형성을 표현할 만큼의 데이터만을 필요로 한다. 또한 피도텍의 예측 모델링 AI인 BruceMentor의 도움을 받아, 확보된 데이터에 가장 적합한 메타모델의 기법을 채택한다. 이러한 기법으로 예측 모델은 자율적인 학습으로 정교하게 진화한다.   신뢰성 해석 정보를 활용한 멀티 스테이지 최적화 RBDO 설루션을 탐색할 때 빈번하게 발생하는 문제는, 구속조건의 만족 범위가 너무 좁아 설루션이 목표 신뢰성을 만족하지 못하는 경우이다. 마치 코끼리를 냉장고에 넣는 것과 같다. AIRBOOM에서는 목표 신뢰성을 만족할 수 없는 상태라면 차선책을 제시한다. AIRBOOM에서는 RBDO 과정을 내부적으로 몇 개의 스테이지(stage)로 나누어 처리하는데, 각 스테이지에서 신뢰성 해석 결과의 이력에 따라 최적설계 문제를 조정하면서 최선의 설루션을 탐색한다.   멀티 피델리티 개념의 효율 개선 엔지니어는 즉각적인 반응을 원한다. 아무리 메타모델을 사용하더라도 설계변수나 성능지수의 개수가 많아지면 계산 시간은 기하급수적으로 커지기 때문에, 근본적으로 RBDO에서 필요로 하는 전체 데이터 개수를 줄여야 한다. AIRBOOM은 설루션과는 다소 거리가 있으나 설루션에 도달했을 경우를 파악하여, 효율성과 정확성의 관점에서 적절한 알고리즘을 멀티 피델리티(multifidelity) 개념처럼 채택할 수 있다.   인사이트 제공 엔지니어는 보수적이라서 달랑 설루션만 제공해 주는 툴은 신뢰하지 않는데, 그 이유는 크게 두 가지가 있다. 첫째, 제공된 설루션의 근거를 신뢰한다. 엔지니어들이 생성형 AI가 제공하는 근거 없는 수치는 환각(hallucination) 때문에 믿지 않는 것과 같은 이치다. 둘째, 하나의 설루션이 아닌 선택 가능한 다양한 후보군을 함께 원한다. 설루션을 기본으로 다양한 변종(variation)을 만들 수 있는 힌트를 주어야 한다. AIRBOOM은 데이터 스토리텔링(data storytelling) 방식의 보고서를 제공한다. 데이터 스토리텔링이란 데이터로 상대방을 설득하기 위해 고안된 의사 전달 수단으로, 데이터의 가치를 극대화하기 위해 메시지가 포함된 시각화(visuals) 정보와 이를 논리적으로 설명하는 내러티브(narratives)의 조합으로 구성된다. 그리고 인사이트를 담은 보고서(RBDO 결과의 직관적인 요약, 설루션의 도출 근거, 더 안전한 설계를 위한 정보 등)를 제공할 수 있다.   RBOD 프로세스 사례 자동차 현가 장치 사례로 AIRBOOM을 활용한 RBDO 프로세스를 설명한다. 타이어나 부시(bush)같은 고무 재료의 산포로 핸들링 관련 성능지수가 갖는 산포를 예측하고, 성능지수의 신뢰성을 높일 수 있도록 부시 강성을 최적화는 문제이다.(‘재료 물성의 불확실성을 고려한 현가장치 시스템의 신뢰성 기반 최적설계(한국자동차공학회 2025 추계 학술대회)’ 참고) 목적함수는 핸들링 특성 중 Yaw Rate Overshoot를 최소화하는 것이고, 구속조건은 핸들링 특성에 해당되는 성능지수 7개를 선정하였다. 설계변수는 18개 부시 강성이고, 랜덤 파라미터는 설계변수인 부시 강성 전체와 타이어 파라미터 4개 파라미터를 선정하였다.   그림 7. 초기 설계에서의 RA 결과 요약 보고서   <그림 7>은 RBDO를 수행하기 전의 RA 결과 요약을 보여 준다. ‘산포’ 열에서 성능지수의 산포와 확률 정보를 보여주고, 차별화된 요소로 ‘Key 파라미터’ 열에서 성능지수 산포의 주요 원인이 어떤 랜덤 파라미터인지 파악할 수 있다. 첫 번째 행의 FRT_LateralForceSteer의 산포에는 FRT_Abush_Y가 가장 중요한 역할을 담당한 것으로 분석되었다. 마지막 열은 현재 설계의 신뢰성 결과를 보여주며, RBDO 수행 전 FRT_LateralForceSteer의 신뢰성은 요구 조건(0.3)보다 작을 확률이 80.0%에 불과했다.   그림 8. RBDO 결과 요약   <그림 8>은 RBDO 결과를 보여준다. 목적함수의 경우 INIT(초기값) 대비해서 DO(불확실성을 고려하지 않은 최적설계)가 67%로 가장 많이 개선되었고, RBDO는 구속조건의 요구 조건 만족 확률을 높이기 위해 26% 개선되는데 그쳤다. 파이 차트에서는 구속조건의 개선 여부를 확인할 수 있고, 불만족한 구속조건과 목적함수 간에 상충 관계가 존재할 수 있음이 예상된다. 설계변수의 경우, 대부분의 설계변수는 DO와 RBDO에서 유사하나 일부 설계변수(LCA outer X, Toe link X)가 DO에서는 설계변수의 하한값 경계로 변경된 반면 RBDO에서는 INIT에서 별다른 변화를 보이지 않았다.   그림 9. 신뢰성 개선 이유   <그림 9>는 6번 구속조건의 신뢰성 개선 이유를 설명한다. 신뢰성이 67%에서 91%로 개선된 이유는 산포의 평균이 약 0.057(평균값이 0.678 > 0.621로 감소) 이동하였기 때문이고, 가장 기여한 설계변수는 RR_Trailing_arm_Y이다. 이 사례로 RBDO 인사이트를 좀더 쉽게 이해할 수 있다. 성능지수 신뢰성을 개선하는 부시 강성의 변경 방향을 알 수 있었고, 불확실성 고려 여부에 따른 최적해 차이를 파악할 수 있었다. RBDO에서 목표 신뢰성을 만족시키기 위해 어떤 설계변수가 기여하였는지 및 추가 개선 가이드와 그에 따른 부작용을 예측할 수 있었다. RBDO는 단순히 ‘최적’의 설계를 찾는 것을 넘어, 불확실한 현실에서도 ‘무결점’에 가까운 안전하고 신뢰할 수 있는 설계를 데이터 기반으로 가능하게 하는 미래 설계의 핵심 기술이다.   ■ 이 글은 2025년 11월 7일 진행된 ‘CAE 컨퍼런스 2025’에서 발표된 내용을 정리한 것이다.   ■ 최병열 피도텍에서 AI 기반 Data-driven Design SW 개발 총괄을 맡고 있다. 한양대에서 공학박사 학위를 받았고, 20여 년간 100여건의 최적 설계 프로젝트를 주도하며 컨설팅 경험을 쌓았다.     ■ 기사 내용은 PDF로도 제공됩니다.