AI 컴퓨팅의 다양화와 메모리 장벽으로 인해 반도체 경쟁의 중심이 미세화를 넘어 시스템 수준의 공동 최적화로 이동하고 있다. 이에 대응하기 위해 한국 반도체 소부장 생태계는 공통 의미 체계인 온톨로지와 인과추론을 도입하여 현장 데이터의 한계를 극복하고 제조 AX(AI 전환)의 기반을 다져야 한다. 또한 다목적 베이지안 최적화(MOBO)와 물리 정보 신경망(PINN) 기반의 자율 실험실을 구축하고, 고객사 인증을 설계 단계부터 통합하는 혁신이 필요하다. 궁극적으로는 단순한 기술 확보를 넘어 의사결정을 가속화하는 새로운 운영체계를 짜야 한다.   ■ 이 글은 지난 4월 17일 진행된 'SIMTOS 2026 뿌리산업 & 소부장 콘퍼런스'에서 발표된 내용을 정리한 것이다.   AI는 어떻게 반도체 산업의 게임 규칙을 바꾸고 있는가 지난 2년간 생성형 AI는 두 단계의 진화를 거쳐 왔다. 첫 번째 단계는 ‘지식 Al(knowledge Al)’의 시대로, GPT-4o, 클로드(Claude), 제미나이(Gemini) 같은 생성형 AI 모델과 같이 사전 학습과 후처리(post-training)를 통해 글을 잘 쓰는 모델이 주류였다. 두 번째 단계는 강화학습 기반의 ‘추론 Al(thinking Al)’의 시대다. 긴 사고연쇄(chain-of-thought), 에이전트 워크플로, 수리적 추론을 수행하는 모델들이 등장하면서, AI는 단순한 정보 생성기가 아니라 의사결정 보조 도구로 진화하고 있다. 이 변화는 반도체 하드웨어 수요 구조 자체를 흔든다. 한때 GPU 일변도였던 AI 가속기 시장은 이제 구글 TPU, 메타 MTIA, AWS Trainium(트레이니움), 마이크로소프트 Maia(마이아), 오픈AI(OpenAI) 자체 칩, 애플 자체 칩 등 ‘ASIC 다극화’ 국면에 들어섰다. 핵심은 이들 칩이 모두 첨단 노드(N2~N3급)와 HBM3e/HBM4 같은 고대역폭 메모리, 그리고 CoWoS 계열 첨단 패키징을 공통의 토대로 삼는다는 점이다. 다시 말해, AI 컴퓨팅의 다양화가 진행될수록 메모리, 패키징, 소부장 같은 한국이 상대적으로 강하거나 육성하려는 영역의 수요는 오히려 더 두꺼워지고 있다. 엔비디아가 그리는 ‘AI 팩토리’ 청사진도 이 흐름과 정확히 맞물린다.(그림 1) CPU(오케스트레이터), GPU(병렬 연산), DPU(데이터 이동 및 보안), 추론 ASIC(주문형 반도체), 그리고 미래에는 QPU(양자처리장치)까지 워크로드를 분해해 각 엔진에 최적 배분한 뒤 다시 하나의 플랫폼으로 묶는 구조다. 이 구조에서 가장 큰 병목은 ‘연산 그 자체’가 아니라, 엔진 사이를 흐르는 데이터의 대역폭과 지연시간이다. 결국 AI 시대의 반도체 경쟁력은 단일 노드의 미세화가 아니라, ‘시스템 수준에서 얼마나 잘 합치는가(co-optimization)’로 옮겨가고 있다.   그림 1. AI 워크로드는 분해되어 각 엔진에 배분된 뒤 통합 플랫폼으로 다시 결합된다. 메모리-인터커넥트-전력-냉각이 반도체 소부장의 새로운 경쟁축으로 자리매김하고 있다.   AI를 반도체 제조에 적용한다는 것의 진짜 의미 AX(AI 전환, Al transformation)는 단순히 ‘공정에 AI를 붙이는 일’이 아니다. AX의 본질은 산업 전반에 걸쳐 데이터와 의사결정 구조를 재편하는 작업이며, 반도체 소부장 영역은 그중에서도 가장 까다로운 사례로 볼 수 있다. 산업통상부와 주요 제조업계가 추진하는 ‘제조 AX 얼라이언스(M.AX)’가 한국 산업 특화 AI 모델, AI 반도체 집적 데이터센터(AIDC), 피지컬 AI, 디지털 트윈, 합성 데이터 증강 등을 묶어 다루는 이유도 여기에 있다. 무인화, 자동화, 예지보전, 다품종 소량생산을 동시에 달성해야 하기 때문이다.   LLM이 부딪히는 ‘보이지 않는 벽’ 그렇다면 왜 그토록 뛰어난 LLM이 막상 제조 현장에 들어가면 “그럴듯한 예측과 묘사” 수준에 머무는가? 핵심 원인은 네 가지다. 첫째, 산업 데이터의 대부분은 통제된 실험 데이터가 아니라 관측 데이터이며, 인과관계가 아닌 상관관계만을 학습한 모델은 ‘만약 X를 바꾸면 Y가 어떻게 변할까’라는 개입(intervention) 질문에 답하지 못한다. 둘째, 숨겨진 변수(confounder)와 운영 편향이 거짓된 상관을 만든다. 예를 들어 불량률이 높은 날 숙련자를 더 투입하다 보면, ‘숙련자가 늘면 불량이 늘어난다’는 엉뚱한 역상관이 데이터에 새겨진다. 셋째, 설비 교체나 원료 변경 혹은 계절 변화로 인해 분포가 끊임없이 이동(distribution shift)하므로, 상관관계 기반 모델은 학습한 분포를 벗어나는 순간 급격히 성능이 저하된다. 넷째, 제조의 목적함수는 수율만이 아니라 에너지, 안전, 비용, 납기를 동시에 만족시키는 다목적 최적화이며, 이는 본질적으로 인과적 이해를 요구한다.   벽을 넘어서기 위한 두 개의 다리: 온톨로지와 인과추론 온톨로지 : 기계가 현장을 이해하게 만드는 번역기 데이터-DX-AX-AI로 이어지는 모든 연결 부위가 제대로 연결되어 있지 않다면 아무리 큰 모델도 무용지물이다. 이 단절을 잇는 첫 번째 다리가 ‘온톨로지(ontology)’다.(그림 2) 온톨로지는 설비, 공정, 제품, 품질이라는 현장의 모든 대상을 기계가 이해하는 ‘공통 사전’이자 ‘공통 의미 체계’다. 의미가 부여된 측정치, 체계적인 식별자, MES(제어 시스템)와 ERP(전사 관리 시스템)의 시간축 통합, 그리고 작업 규정, 안전 규칙, 노하우와 같은 암묵지의 디지털화. 이 네 가지가 온톨로지의 출발점이다. 현실적인 접근은 ‘대형 완성형 온톨로지’가 아니라 ‘최소기능 온톨로지(minimum viable ontology)’의 3층 구조다. 공장별로 매핑(local mapping) 위에 산업별 확장(industry extension)을 얹고, 그 위에 산업 간 호환을 보장하는 공통 코어(core)를 두는 식이다. 반도체 소부장의 경우, 제품 온톨로지 아래로 소재(조성 및 물성), 부품(설계 및 공정), 장비(파라미터 및 유지보수)의 세 갈래가 뻗고, 각 도메인 사이를 지식 그래프로 연결한 뒤 ISO 23247(디지털 트윈), SEMI E10/E79(장비), MatML(소재), EMMO(유럽 멀티스케일 온톨로지) 같은 표준 인터페이스 계층 위에 AI 신소재 탐색·공정 최적화, 예측 정비, 공급망 추적 응용을 올리는 구조가 자연스럽다.   인과추론 : 전면 규명보다 국소 의사결정부터 두 번째 다리는 인과추론이다. 시스템 전체에 대한 인과 모델을 한 번에 짜는 것은 거의 불가능하다. 따라서 단계적 접근이 필요하다. 가까운 미래(phase 1)에는 국소 인과효과 추정(local causal effects)에 집중한다. 예컨대 ‘특정 온도 구간에서 압력 변경이 수율에 미치는 평균 처치효과(ATE)와 조건부 처치효과(CATE)’를 추정해 즉시 의사결정에 반영하는 식이다. 디지털 트윈과 제어 로그를 활용해 자연실험이나 A/B 테스트와 유사한 준-실험 설계(quasi-experimental design)도 가능하다. 이 단계의 목적은 ‘원인을 완벽히 규명하는 것’이 아니라, ‘외부 조건이 바뀌어도 덜 실패하는 강건한 운영 정책’을 설계하는 것이다. 더 먼 미래(phase 2)의 목표는 미국 에너지부의 ‘제네시스 미션(Genesis Mission)’이 그리는 그림과 닮아 있다. 로봇 실험실과 AI를 연동해 ‘개입 데이터’를 체계적으로 생성하고, 인과 모델과 정책 학습을 닫힌 순환구조(closed-Loop)로 가속하는 것이다. 한국 소부장 산업이 단번에 거기까지 갈 필요는 없다. 다만 그 방향성을 분명히 인지하고, 매 단계에서 인과적 사고를 선택지에 올려두어야 한다.   그림 2. 소부장 도메인은 지식 그래프와 표준 인터페이스(ISO 23247, SEMI E10/E79, MatML, EMMO)를 통해 통합되며, 그 위에 AI 신소재 탐색·공정 최적화·예측 정 비·공급망 추적 응용이 작동한다.   메모리 장벽이 만드는 새로운 반도체 소부장 혁신 압력 AI 반도체의 성능은 더 이상 연산 코어만으로 결정되지 않는다. 지난 20년간 하드웨어 FLOPS(초당 부동소수점 연산)는 9만 배 증가했지만, DRAM 대역폭과 인터커넥트 대역폭은 30배 성장에 그쳤다. 이른바 ‘메모리 장벽(memory wall)’이다. AI 칩에서 90~95%의 에너지가 메모리의 입출력과 로드·언로드에 소비되며, 연산 지연시간(latency)의 60~70%는 이 메모리 장벽에서 발생한다. 산술연산강도(arithmetic intensity)가 낮은 워크로드일수록 더 빨리 포화되기 때문에, AI 반도체의 진짜 경쟁은 ‘얼마나 많은 코어를 박느냐’가 아니라 ‘메모리에 얼마나 가까이 붙느냐’의 싸움이 되었다. 이 압력은 한국이 강한 메모리·패키징 영역으로 곧장 전이된다. 첫째, 어드밴스드 메모리 장치 자체의 혁신이 필요하다. 임의접근 지연시간 단축, MRAM/ReRAM/PCRAM 같은 비휘발성 소자, TSV 기반 3D 적층이 핵심이다. 둘째, 패키징 인터커넥트는 광 링크(photonics link), 칩렛 기반 모듈, 에너지 효율 극대화로 진화한다. 셋째, 아키텍처와 소프트웨어가 함께 최적화되는 DTCO(design-technology co-optimization), PIM(processing-in-memory), 스마트 스크래치패드, 메모리 소프트웨어, 데이터 레이아웃 프리패칭 등이 빠르게 부상한다. 현장의 본딩 기술 경쟁이 이를 단적으로 보여준다. SK하이닉스의 MR-MUF는 매스 리플로 몰디드 언더필 방식으로 열전도 성능을 극대화하며 현재 가장 검증된 주력 방식이다. 삼성전자는 NCF(비전도성 필름)+TCB(열압착) 조합으로 미세 피치에서의 정밀도와 고단 적층을 노리고 있다. 그리고 모두가 16단 이상 고적층을 위한 차세대 해법으로 ‘하이브리드 본딩(hybrid Bonding : 범프(bump) 자체를 없애고 구리 접점으로 직연결하는 방식)’을 향해 가고 있다. 결합 밀도, 정렬 정밀도, 장기 신뢰성 관점에서 수율을 어떻게 극복할 것인가가 향후 5년의 승부처다. 그러나 GPU-HBM 패키지(SiP)에서 일단 불량이 발생하면, 원인 규명에 들어가는 자원은 천문학적이다. AI 기반 검사·신호 모델링, 디지털 트윈을 활용한 가상 테스트, 그리고 연합 학습을 통한 현장 데이터 학습 전략이 ‘선택’이 아니라 ‘필수’가 되는 이유가 여기에 있다. 더 본질적으로, 첨단 패키징 소재에는 기계·열·전기·광학·계면 등 최소 다섯 가지 이상의 물성이 동시에 요구된다. 소재-소자-접합-양산 최적화는 더 이상 순차적 방식으로 풀리지 않는다. 동시 병렬-가속적 방식이 요구되고 있는 것이다.   소재 설계의 패러다임 전환 : Al-Driven Materials Discovery 전통적인 실험계획법(DOE)은 명확한 한계를 안고 있다. 선형적·순차적이며, 다중 스케일/차원/물리의 동시 최적화는 기본적으로 수학적으로 해결하기 쉽지 않다. ‘아직 모르는 것을 모른다(unknown unknowns)’가 가득한 N차원 공간에서 제한 요소들을 뭉뚱그려 가정하고 시간 스케일 차이를 무시한 결과, 시간과 자원은 낭비되고 초기 후보군 필터링 효율은 낮다. 결정적으로 고객사 인증 데이터와 추론을 반영하기 어려워, 인증 라운드가 곧 비용 증가와 시장 진입 지연으로 직결된다. 패러다임 전환의 방향은 분명하다. 과거의 ‘인간 직관 중심의 순방향 시뮬레이션’과 현재의 ‘대량 계산 데이터 기반 데이터 드리븐 AI’를 거쳐, 미래는 ‘자율 실험실(autonomous labs)’이다. AI 에이전트와 로봇이 능동적으로 가설을 수립·실행하고, 성공한 데이터뿐 아니라 실패한 네거티브 데이터까지 100% 무손실 자동 캡처하며, 다중 목적함수를 동시에 최적화한다. 단일 소재의 상용화에 10~20년이 걸리던 시간 축이, 이론적으로는 한 자릿수 배수로 압축될 수 있다.   MOBO와 PINN : 두 개의 핵심 엔진 이 패러다임을 떠받치는 두 엔진이 다목적 베이지안 최적화(MOBO : multi-objective bayesian optimization)와 물리 정보 신경망(PINN : physics-informed neural network)이다. MOBO는 다출력 가우시안 프로세스(MOGP) 같은 서로게이트 모델, qEHVI나 CEHVI 같은 획득함수, 그리고 베이지안 최적화 진화 알고리즘 강화학습 같은 탐색 패러다임을 조합해, 적은 실험 횟수로 파레토 프론트(Pareto front)를 효율적으로 탐색한다. PINN은 AI가 추상적으로 상상하는 공간을 물리법칙(나비에-스토크스 방정식, 픽의 법칙, 아레니우스 동역학 등)이 작동하는 현실 공간으로 ‘편집’해 준다. 전통적 머신러닝이 2nm 식각 프로파일을 학습하기 위해 500장 이상의 웨이퍼 데이터를 요구할 때, 손실 함수에 유체역학을 직접 박아 넣은 PINN은 데이터를 약 10배 줄이고 비물리적 환각(hallucination)을 차단한다. 10nm에서 학습한 물리 계층을 그대로 동결한 채 50장의 2nm 웨이퍼 데이터만으로 미세 조정해 만족할 만한 정확도에 도달하는 ‘전이 학습’도 가능해진다. 이 흐름이 가져오는 산업적 효과는 결코 추상적이지 않다. 시장 진입 시간(time-to-market) 30~40% 단축, R&D 시뮬레이션 예산 50~60% 절감, 동일 노드 성숙도에서 5~10%포인트의 수율 향상, 그리고 CHIPS Act 세액공제 같은 정책 지원의 적극적 활용 가능성 등은 모두 정량적으로 추적 가능한 효과다.   사례 : EUV 리소그래피용 금속산화물 포토레지스트 이 모든 논의가 너무 이론적으로 추상적 방향으로 치우치지 않도록, 한 가지 구체적 사례를 들어보자. 0.55 NA 아나모픽(anamorphic) 광학을 사용하는 차세대 EUV 리소그래피의 핵심 난제는 ‘RLS 트릴레마(resolution-LER-sensitivity trilemma)’다. 30nm 이하로 떨어지는 초점 심도(DoF)는 20nm 미만의 초박막 포토레지스트(PR, 광감응재)를 강요하고, 얇아진 막은 광자를 12% 적게 흡수하므로 광자 산탄 잡음(photon shot noise)이 지배적이 된다. 14nm 피치, 20mJ 도즈 조건에서 가장자리 부피에 도달하는 광자는 약 1130개 수준에 불과해 푸아송 잡음(Poisson noise)이 선예도(LER : line-edge roughness)을 1.36nm 이상으로 끌어올린다. 잡음을 잡으려 도즈를 높이면 처리량이 떨어지고, 후노광 베이크(PEB) 온도를 낮추면 반응이 불완전해진다. 단일 소재로는 풀리지 않는 ‘물리 한계 트릴레마’다. 기존의 화학증폭형 레지스트(CAR)는 EUV 흡수율이 낮고 PFAS 규제 리스크에 취약하다. 금속산화물 레지스트(MOR)는 EUV 흡수율이 5배 높고 PFAS 컴플라이언스를 통과하지만, 결함 밀도가 여전히 도전적이다. 이 문제를 푸는 접근이 PINN과 머신러닝 원자간 포텐셜(MLIP)의 결합이다. 약 300개의 DFT 구조(금속산화물 클러스터 + 유기물 리간드 분자)에 대한 능동 학습(active learning), 이완 에너지, HOMO-LUMO 갭 기준 스크리닝, 학습된 모델의 DFT 검증, 그리고 시간의존 밀도범함수론(TD-DFT)을 통한 들뜬 상태 계산을 결합하면, DFT-MD-KMC-연속체 역학·광학에 걸친 다중 스케일 다중 물리 문제를 ‘가상 팹 퍼널(Virtual Fab Funnel)’ 방식으로 처리할 수 있다.(그림 3) 10만 개의 생성형 후보군에서 시작해 빠른 물리 필터-중간 충실도 시뮬레이션-고충실도 TCAD를 거쳐 실제 합성 검증할 2~3종의 후보로 압축하는 이 접근은, 전통적 다구치 L27 DOE 대비 비용을 약 절반, 시간을 약 60% 줄이는 것으로 추정된다.   그림 3. 생성형 풀 → 물리 필터 → 중간 충실도 시뮬레이션 → 고충실도 TCAD → 실험 합성으로 이어지는 ‘가상 팹 퍼널’은 시간을 50%, 비용을 40% 줄이고 성공률 을 10~20배 끌어올린다.   진짜 병목은 Lab이 아니라 Lab-to-Fab 그러나 한 가지 냉정한 사실을 짚어야 한다. AI가 소재 발굴을 10배 가속해도, 실제 매출까지의 주기(time-to-revenue)는 50% 정도밖에 줄지 않는다. 진짜 병목은 ‘고객 승인 대기’ 구간이다. 기존 방식에서는 소재 발굴 12개월, 공정 최적화 6개월, 내부 인증 4개월, 고객 재인증 12개월의 총 34개월이 소요된다. AI를 도입해 발굴 단계를 12개월에서 1.2개월로 압축해도, 고객 승인 대기 10개월이 그대로 남아 총 16.2개월 수준에 머문다. 90%를 단축한 것 같지만 전체 리드타임은 절반밖에 줄지 않는 셈이다. 패러다임 전환이 한 번 더 필요하다. AI 기반 소재·공정 개발 가속화를 ‘내부용 도구’ 차원을 넘어 ‘고객 인터페이스’로 격상시켜야 한다. 사후 검증에 불과했던 고객사 인증을 아예 설계 단계부터 반영하고, 고객사의 인증 데이터를 가우시안 프로세스의 사전분포(prior)로 인코딩해 두는 식이다. 인증 관점은 사후 병목(afterthought)에서 ‘설계 단계 통합(by design)’으로, 고객 관계는 단순 공급자-구매자에서 ‘리스크 셰어링 파트너’로, 정보 흐름은 단절된 블랙박스에서 ‘투명한 대시보드’로, 인증 모드는 점진적·단절적 이벤트에서 ‘연속적 상태 모니터링’으로 옮겨가야 한다. 이것이 단순한 ‘AI 적용’이 아니라 ‘AI 기반 파운드리(Al-Driven Foundry)’ 전략의 본질이다.   자율 실험실이라는 종착점 이 흐름의 자연스러운 종착점이 자율 실험실(SDL : self-driving lab)이다. AI가 다음 실험을 제안하고, 로봇이 합성하며, 자동화된 측정 장비가 데이터를 수집해 다시 AI에 피드백하는 폐쇄 루프다. HBM packaging 소재를 예로 들면, 충전재 종류, 충전율, 입자 크기, 에폭시 수지 조성 등을 설계 공간으로 정의한 뒤, 분자 동역학(MD) 시뮬레이션과 소량 도포, 레오미터(rheometer)의 중간 충실도 유체역학 실험, 실제 패키징이나 열충격(TCT) 신뢰성 평가의 다중 충실도 실험을 GP-MOGP 서로게이트와 EHVI 획득함수로 묶어 운영한다. 액상 분배 로봇, 자동 경화 오븐, 레이저 플래시법(열전도), TMA/DMA(CTE), 열충격 챔버를 자동 측정으로 묶고 나면, 탐색 횟수는 약 1/20로, 실험 사이클은 2~3일에서 6시간 수준으로 줄어든다. OLED 발광 소재의 경우는 SMILES 표현을 GP에 직접 입력하는 타니모토(Tanimoto) 커널을 활용해 이산적인 분자 공간을 연속 파라미터 없이 탐색하고, 톰슨 샘플링으로 병렬 합성을 분산시키는 식이다.   AX 전환 프레임워크와 시뮬레이터 이상의 논의를 '무엇을 어떻게 할 것인가'의 단계론으로 정리하면 다섯 단계가 도출된다. 1단계 : DX 기반 구축(데이터 수집-표준화 온톨로지 설계 디지털 인프라) 2단계 : AI 파운데이션 모델 도입(LLM, GNN, 확산, 서로게이트 모델 선택과 사전학습) 3단계 : 도메인 특화 파인튜닝(소재 물성, 장비 공정, 부품 신뢰성 데이터 기반의 미세조정) 4단계 : 디지털 트윈과 서로게이트 모델(실시간 공정 시뮬레이션, 가상 실험, 예측적 품질 관리) 5단계 : 산업적 가치 창출(개발 주기 단축, 수율 개선, 비용 절감, 한계 극복) 이 다섯 단계는 소부장의 세 도메인에서 동시에 진행되어야 하며, 각 도메인은 자체 핵심 모델을 갖는다. 소재는 IBM의 Materials Foundation Model에 MACE와 베이지안 최적화를 결합한 형태, 부품은 비전 트랜스포머와 PINN, 디지털 트윈의 결합, 장비는 PINN과 트랜스포머, 강화학습 에이전트의 조합이 자연스럽다. 전공정의 8단계(산화 – 포토리소그래피 – 식각 – CVD – 이온주입 – CMP – PVD – 열처리)를 하나의 디지털 트윈으로 묶으면, 각 단계의 수율을 곱한 누적 수율(cascading yield)이 시각화된다. 여기에 소재 순도(3N~6N), 장비 노후화, 다운타임, 대기시간(0~24시간) 같은 외부 영향 요인을 ‘섭동 계층(perturbation layer)’으로 얹으면, 시나리오 엔진이 ‘소부장 교체 효과 추정’, ‘민감도 분석’, ‘병목 공정 식별’, ‘ROI 계산’ 같은 왓이프(what-lf) 분석을 즉시 수행한다. 개별 챔버 단위에서는 PECVD SiN 증착 공정 시뮬레이터처럼 챔버 온도, 압력, 전구체 유량, RF 파워를 슬라이더로 조절하면서 증착 속도 균일도·막 응력·표면 거칠기, 파티클 리스크, 건강도를 실시간 모니터링하는 것도 가능하다. 결국 이런 챔버 시뮬레이터는 ‘보기 좋은 그림’이 아니라 ‘의사결정 도구’로 활용될 수 있다.   맺음말 : 한국 반도체 소부장의 새로운 운영체계 AI 시대의 반도체 경쟁력은 단일 노드의 미세화에서 시스템 수준의 공동 최적화로 무게 중심이 옮겨갔다. 메모리 장벽이 만드는 혁신 압력, HBM4–HBM4E–하이브리드 본딩으로 이어지는 적층 경쟁, 첨단 패키징 소재의 다물리 동시 최적화, 그리고 EUV MOR 같은 차세대 소재 개발, 이 모든 영역에서 한국이 가진 자산은 결코 작지 않다. 그러나 그 자산이 ‘제조 AX’라는 새로운 운영체계 위에서 작동하지 않으면, 자산의 잠재력은 빠르게 평가절하된다. 앞에서 짚었듯이, 제조 AX의 본질은 ‘좋은 모델을 가져와서 데이터에 적용하는 일’이 아니다. 데이터–DX–AX–AI로 이어지는 단절된 조인트를 잇는 ‘온톨로지’라는 다리, 상관관계가 아닌 인과관계로 의사결정을 개선하는 ‘인과추론’이라는 다리, 그리고 사후 검증이 아닌 설계 단계 통합으로 격상되는 ‘고객 인증’이라는 다리를 동시에 놓는 작업이다. 이 세 다리 위에 MOBO, PINN, SDL이라는 도구가 얹히고, 그 위에서 비로소 한국 반도체 소부장은 ‘기술 경쟁’을 넘어 ‘운영체계 경쟁’의 무대에 오른다. 기술 확보 자체가 최종 목적이 되어서는 안된다. AI도, 디지털 트윈도, 자율 실험실도 결국은 ‘더 빨리, 더 정확하게, 더 적은 비용으로 의사결정하기 위한 수단’이다. 이 점을 분명히 하는 순간 ‘무엇부터 시작할 것인가’라는 질문에 대한 답은 의외로 단순해진다. 가장 작은 의사결정 단위에서 데이터를 잇고, 그 데이터에 의미를 부여하고, 의미가 부여된 데이터로 인과적 질문을 던지는 것부터 시작되어야 한다. 한국 반도체 소부장의 다음 10년은 그 작은 출발점에서 결정될 것이다.   ■ 권석준 성균관대학교 화학공학부 교수 및 공과대학 부학장     ■ 기사 내용은 PDF로도 제공됩니다.

인텔이 데스크톱 프로세서와 워크스테이션용 GPU 신제품을 선보이며 고성능 컴퓨팅 및 로컬 인공지능(AI) 시장 공략에 나섰다. 새 코어 울트라 200S 플러스 CPU는 효율 코어 확장과 최적화 기술을 통해 게이밍 및 전문 작업 성능을 끌어올렸다. 워크스테이션용 GPU인 아크 프로 B 시리즈는 대용량 비디오 메모리와 가상화 기술을 갖춰 합리적인 비용으로 강력한 대규모 언어 모델(LLM) 구동 환경을 제공한다. 인텔은 향상된 성능과 소프트웨어 기술을 바탕으로 커지고 있는 로컬 AI 추론 수요에 적극 대응할 계획이다. ■ 정수진 편집장     효율 코어 확장과 소프트웨어 최적화로 성능 극대화 데스크톱 프로세서인 인텔 코어 울트라 200S 플러스 라인업은 이전 세대와 동일한 아키텍처에 새로운 최적화 기술을 더해 사용자의 체감 성능을 끌어올리는 데에 주력했다. 인텔의 CPU 제품 중 처음으로 ‘플러스’라는 이름이 붙었는데, 이에 대해 인텔코리아의 주민규 전무는 “소비자가 쉽게 받아들일 수 있는 키워드를 쓰면 좋겠다는 피드백이 많았다”면서, 단순한 리프레시 모델 이상의 기능 향상을 담은 이름이라고 설명했다. 이번에 소개된 신제품 라인업은 인텔 코어 울트라 250K 플러스와 270K 플러스이다. 이전 세대 프로세서에 비해 효율 코어가 각각 네 개씩 추가되어 250K 플러스는 18개, 270K 플러스는 24개의 효율 코어를 탑재했다. 기본 클록과 코어 클록 역시 상승했지만 가장 눈에 띄는 변화는 다이 투 다이(die-to-die) 클록의 증가다. CPU 패키지 내 모듈 사이의 데이터 전송 속도를 결정하는 다이 투 다이 클록이 높아지면서 자연스럽게 시스템 전체의 성능 향상으로 이어졌다는 것이 인텔의 설명이다. 신제품에는 게이밍 최적화 기술인 ‘인텔 바이너리 옵티마이제이션 툴(IBOT)’이 적용됐다. 인텔의 컴파일러 노하우를 응용해서, CPU가 명령어를 최적의 방식으로 촘촘하게 실행하도록 돕고 단위 시간당 처리 효율을 높인다. 최적화를 위해 게임 소프트웨어를 다시 컴파일하거나 복잡한 모듈을 설치할 필요가 없는 것이 특징인데, 사용자는 바이오스 단계에서 간단한 버튼 조작만으로 이 기능을 자유롭게 켜고 끌 수 있다. 인텔은 코어 울트라 200S 플러스 시리즈가 이런 성능을 바탕으로 자사 CPU 중 최고 수준의 게이밍 퍼포먼스를 제공한다고 소개했다.   ▲ 기자간담회를 통해 코어 울트라 200S 플러스 시리즈의 성능을 시연했다.   가성비와 대용량 비디오 메모리 갖춘 워크스테이션용 GPU 인텔은 전문가와 기업 시장을 겨냥해 워크스테이션용 GPU인 인텔 아크 프로 B 시리즈의 신제품도 소개했다. 이번에 발표된 제품은 외장형 GPU인 아크 프로 B65와 B70이다. 이들 신제품은 차세대 아키텍처를 기반으로 다수의 그래픽 코어와 대용량 비디오 메모리를 탑재해 높은 퍼포먼스를 제공하는 것이 특징이다. 또한, 최신 동영상 인코딩 기술을 지원해 고사양 워크스테이션 환경에 최적화된 성능을 제공한다. 주민규 전무는 “소비자들에게 어필할 수 있는 스펙을 갖추고 있으면서, 1000달러 이하의 합리적인 가격대를 책정해서 가성비와 함께 진입 장벽을 낮췄다”고 밝혔다. 인텔은 새 아크 프로 B 시리즈가 특히 로컬 인공지능(AI) 추론 작업에서 강점을 발휘할 수 있을 것으로 기대하고 있다. 32GB의 비디오 메모리를 갖춘 덕분에 한 번에 수용할 수 있는 정보량인 콘텍스트의 크기가 경쟁사 동급 모델 대비 두 배가량 크다는 것이 인텔의 설명이다. 조민성 상무는 아크 프로 B 시리즈의 대규모 언어 모델(LLM) 구동 시연을 통해 “시스템 메모리에 의존하지 않고도 무거운 AI 모델을 독립적이고 매끄럽게 처리할 수 있는 능력을 갖추고 있다”고 전했다.   ▲ 인텔 아크 프로 B65 및 B70 GPU   고성능 메모리 제어 및 가상화 기술로 로컬 AI 시장 조준 클라우드와 데이터 센터에 머물던 AI 처리 수요가 점차 로컬 컴퓨터와 소형 폼팩터 환경으로 확장되고 있다. 인텔은 새 코어 울트라 200S 시리즈와 아크 프로 B 시리즈를 중심으로 전통적인 워크스테이션 시장보다 20배 이상 큰 규모로 평가받는 로컬 AI 추론 시장을 공략할 계획이다. 인텔 코어 울트라 200S 플러스 제품군은 포랭크(FourRank/4R) 및 쿠딤(CUDIMM) 기술을 탑재했다. AI 모델을 구동할 때는 메모리 용량이 클수록 유리한데, 포랭크와 쿠딤 기술은 성능 하락 없이 시스템 메모리 용량을 극대화할 수 있도록 돕는다. 주민규 전무는 “진일보한 메모리 제어 능력을 바탕으로 무거운 AI 추론 작업도 한층 쾌적하고 안정적으로 처리할 수 있다고 소개했다. 아크 프로 B65/B70은 합리적인 예산으로 최상급의 AI 성능을 확보할 수 있도록 함으로써 로컬 AI 추론 시장에 대응한다. 인텔은 하나의 GPU 카드를 여러 사용자가 나누어 사용할 수 있는 가상화 기술을 탑재해, 다수의 사용자가 동시에 질문을 던져도 지연 없이 빠르고 쾌적하게 응답을 도출해 낸다는 점을 강조했다. 인텔은 가벼운 AI 작업을 위한 내장형 모바일 GPU부터 고성능 로컬 기업 시장을 위한 아크 프로 B 시리즈, 그리고 2027년에 선보일 데이터 센터 및 클라우드용 GPU까지 전방위적인 AI 하드웨어 포트폴리오를 완성해 나간다는 계획이다.     ■ 기사 내용은 PDF로도 제공됩니다.

엔비디아가 컴퓨텍스 2026 기간 중 진행한 ‘엔비디아 GTC 타이베이’ 행사에서 개인용 AI 에이전트 시대를 겨냥한 새 프로세서 RTX 스파크(RTX Spark)를 공개했다. RTX 스파크는 단순한 도구를 넘어 사용자의 협업 파트너 역할을 수행하는 새로운 유형의 개인용 AI 컴퓨터를 지향한다는 것이 엔비디아의 설명이다. RTX 스파크 슈퍼칩은 강력한 하드웨어 성능과 고효율 설계를 결합했다. 6144개의 쿠다(CUDA) 코어와 FP4 정밀도를 지원하는 5세대 텐서 코어 기반의 엔비디아 블랙웰(Blackwell) RTX GPU를 탑재했다. 이 GPU는 엔비디아 NV링크-C2C(NVLink-C2C) 인터커넥트를 통해 고성능 20코어 엔비디아 그레이스(Grace) CPU와 연결된다. 미디어텍이 맞춤형 CPU 설계에 협력하여 전력 효율과 성능을 높였다. 또한, 로컬 기기에서 고성능 AI 에이전트를 안정적으로 구동할 수 있도록 최대 1페타플롭의 AI 컴퓨팅 성능과 128GB 통합 메모리를 제공한다. 이를 통해 사용자는 100만 토큰 컨텍스트를 사용해 1200억 파라미터의 대규모 언어 모델(LLM)을 실행할 수 있다.     그동안 오픈소스 AI 에이전트 프로젝트는 메인 PC에서 안전하고 비공개로 실행하기 어렵다는 한계가 있었다. 엔비디아는 마이크로소프트와 협력업체 시스템을 통해 이를 해결한다는 전략이다. 에이전트가 사용자의 완전한 통제 아래 실행되도록 보장하는 새로운 윈도우 보안 프리미티브와 엔비디아 오픈쉘(OpenShell) 런타임을 도입했다. 오픈쉘은 사용자가 에이전트의 권한을 직접 정의할 수 있게 하며, 개인정보 보호 정책에 따라 쿼리를 로컬 모델로 라우팅하거나 클라우드로 전송되는 데이터의 개인정보를 가려준다. 헤르메스(Hermes) 에이전트와 오픈클로(OpenClo) 등 주요 에이전트 개발사들이 이 보안 계층을 새로운 윈도우 앱에 도입하고 있다. 향후 윈도우 작업 표시줄 사용자 인터페이스(UI)에서 바로 접근할 수 있는 RTX 스파크 기반 윈도우 에이전트 경험으로 확장될 예정이다. RTX 스파크는 엔비디아의 AI 및 그래픽 기술 스택 전체를 지원한다. 엔비디아 옵틱스(OptiX)와 DLSS를 통해 90GB 규모의 초대형 3D 장면을 렌더링하고, 블랙웰 디코더로 12K 4:2:2 영상을 편집할 수 있다. 2세대 트랜스포머 모델을 탑재한 DLSS 4.5 레이 리컨스트럭션과 컴피UI(ComfyUI)에 적용될 4배 프레임 생성 지원 RTX 비디오 등 새로운 기능도 추가된다. 특히, 엔비디아는 어도비와 협력해 포토샵과 프리미어를 RTX 스파크에 최적화하도록 재설계했다. 프리미어는 통합 메모리와 블랙웰 GPU, 텐서RT(TensorRT)를 활용하는 새로운 영상 파이프라인을 탑재해 크리에이티브 워크플로 전반의 처리 속도를 최대 2배까지 향상시킨다. 어도비, 블랙매직 디자인, 블렌더 등 100개 이상의 소프트웨어 업체와 엑스박스, 크래프톤, 레메디 엔터테인먼트 등 주요 게임 개발사가 이 플랫폼을 도입하고 있다. 한편, 엔비디아는 RTX 스파크를 탑재한 노트북과 소형 데스크톱 PC가 올해 가을 에이수스, 델 테크놀로지스, HP, 레노버, 마이크로소프트 서피스, MSI 등 주요 제조사를 통해 출시될 예정이며, 에이서와 기가바이트의 모델도 순차적으로 선보인다고 전했다. RTX 스파크 노트북은 두께 14mm, 무게 3파운드(약 1.36kg) 수준의 슬림하고 가벼운 정밀 가공 알루미늄 보디로 제작된다. 14~16형 크기로 출시되며, 지싱크(G-SYNC) 기술을 탑재한 탠덤 OLED 디스플레이를 장착한다. 엔비디아의 젠슨 황 CEO는 “지난 40년 동안 사용자가 직접 앱을 실행하고 클릭했다면, 이제는 RTX 스파크와 마이크로소프트 윈도우를 통해 요청만 하면 PC가 작업을 수행한다”면서, “쿠다, RTX, AI 플랫폼을 하나의 슈퍼칩에 담아 로컬 에이전트와 프런티어 모델, 크리에이티브 워크플로를 노트북에서 구현하는 개인용 AI 컴퓨터가 탄생하는 것”이라고 강조했다.

HP 코리아는 국내 AI(인공지능) 기업 업스테이지와 AI 에이전트 분야 협력을 위한 전략적 업무협약(MOU)을 체결했다고 밝혔다. 이번 협약은 HP의 AI 디바이스를 통해 기업 맞춤형 AI 에이전트 도입을 확대하고, AI 시대의 미래 업무 환경 혁신과 글로벌 AI 생태계 구축을 가속화하기 위해 마련됐다. HP 코리아와 업스테이지는 HP의 고성능 컴퓨팅 인프라 및 폭넓은 디바이스 생태계와 업스테이지의 생성형 AI 기술력을 결합하는 방안을 논의했다. 양사는 다양한 규모의 기업이 HP 워크스테이션과 기업 맞춤형 AI 에이전트를 기반으로, AI 업무 환경을 보다 안정적으로 구축할 수 있도록 지원할 계획이다. 고객들이 초기 도입 비용과 운영 부담 없이 HP의 고성능 AI 워크스테이션 환경에서 업스테이지의 생성형 AI 설루션을 직접 체험하고 검증할 수 있는 AI 에이전트 패키지도 공동으로 추진한다. HP는 올해 ‘AI가 바꾸는 일의 미래’를 핵심 화두로 제시하며, 이러한 변화의 중심에 AI 워크스테이션과 에이전트형 AI가 있다고 보고 있다. HP는 고성능 컴퓨팅 인프라와 AI 워크스테이션 역량을 기반으로, 기업들이 더욱 안정적이고 효율적인 생성형 AI 환경을 구축할 수 있는 기반을 확대해 나갈 예정이다.     HP 코리아의 강용남 대표는 “AI는 이제 단순한 기능을 넘어, 일하는 방식 자체를 다시 정의하고 있다”면서, “HP는 AI 기업 업스테이지와의 협력을 통해 다양한 산업군에서 증가하고 있는 온프레미스 및 하이브리드 AI 수요에 대응하여 최적화된 AI 설루션과 레퍼런스를 확대하며, AI가 바꾸는 일의 미래를 기업 고객들이 실제 업무 환경에서 구현할 수 있도록 지원하겠다”고 말했다. 업스테이지의 김성훈 대표는 “업스테이지는 자체 개발한 대규모 언어 모델(LLM) 솔라(Solar) 및 문서 특화 AI 기술을 기반으로 금융, 공공, 제조 등 기업 환경에서 활용 가능한 AI 기술 고도화에 집중해왔다”면서, “HP와의 전략적 협력과 글로벌 네트워크를 통해 더 많은 기업 고객이 생성형 AI와 AI 에이전트 설루션을 보다 쉽게 도입하고 업무 생산성을 높일 수 있도록 지원하겠다”고 밝혔다.

어도비는 크리에이티브, 생산성 및 고객 경험을 구현하는 브랜드 가시성 설루션을 발표했다. 이번 설루션은 기업이 직면한 과제인 AI 기반 탐색 환경에서의 브랜드 가시성, 정확성, 신뢰성을 강화하는 데 초점을 맞추었다. 이와 함께 자사 채널에서 고객의 직접적인 참여를 더욱 심화할 수 있도록 지원한다. 최근 AI 기반 채팅 서비스와 브라우저가 소비자의 브랜드 탐색, 평가, 행동이 이뤄지는 주요 채널로 자리 잡으면서, AI 가시성은 경영진의 핵심 과제로 부상했다. 또한 브랜드 웹사이트와 같은 자사 채널에서 직접 상호작용할 때, 개인화에 대한 고객의 기대치도 그 어느 때보다 높아졌다. 자사 채널은 물론 AI 인터페이스 전반에 활용되는 모든 콘텐츠는 정확하고 브랜드 가이드라인에 부합하며, 규정을 준수하고, 승인된 것이어야 한다. 어도비의 데이터에 따르면 2026년 3월 기준 미국 소매 사이트로 유입되는 AI 트래픽은 전년 대비 269% 증가했다. 반면 기업의 AI 가시성 확보 수준는 여전히 상당한 간극을 보이고 있다. 어도비는 “AI 기반 탐색과 직접적인 고객 참여를 하나의 연결된 시스템으로 통합해 접근하는 브랜드만이 시간이 지날수록 경쟁 우위를 확보할 수 있을 것으로 전망됨에 따라, 이러한 과제를 시급히 해결해야 할 필요성도 더욱 커지고 있다”고 짚었다.     경험 플라이휠의 핵심이 되는 어도비의 브랜드 가시성 설루션은 감지, 생성, 도달, 학습의 네 가지 축을 기반으로 하는 지속적인 운영 모델로 작동한다. 브랜드는 AI 기반 탐색 환경에서 자사의 노출 현황을 감지하고, 브랜드 맥락에 기반한 콘텐츠와 경험을 생성하며, 공통된 기반에서 인간 och AI 시스템 모두에 도달하고, 모든 상호작용을 통해 학습해 성과를 개선한다. AI 에이전트와 인간의 협업을 기반으로 하는 경험 플라이휠은 매 사이클마다 더욱 강화되는 이점을 만든다. 어도비 익스피리언스 매니저(Adobe Experience Manager)는 모든 경험의 기반이 되는 브랜드 정합성, 권한, 거버넌스 및 콘텐츠 소스를 관리하는 새로운 레이어를 추가한다. 이를 통해 웹과 자사 채널 전반에서 경험을 구축하고 최적화하는 과정에서 팀과 AI 에이전트가 활용할 수 있는 작업 맥락을 제공한다. 또한 새로운 에이전틱 저작 기능을 통해 조직 전체로 접근성을 확대하고, 브랜드 가시성과 고객 참여를 담당하는 모든 직원이 AI 중심 경험 구축 툴을 활용할 수 있도록 지원한다. 경험 플라이휠을 구현하는 첫 번째 요소인 감지 단계에서는 어도비 LLM 옵티마이저(Adobe LLM Optimizer)와 어도비 커머스(Adobe Commerce)의 향상된 기능을 활용한다. 이를 통해 전통적인 검색과 LLM 기반 경험 전반에서 AI 시스템이 제품, 콘텐츠 및 브랜드 존재를 어떻게 해석하는지 평가함으로써, 기업이 AI 기반 탐색 환경 전반에서 자사의 노출 현황을 파악할 수 있도록 지원한다. 또한 AI 기반 쇼핑 여정 전반에서 제품 가시성 격차를 식별하는 데 도움을 준다. 생성 단계에서는 선도적인 콘텐츠 관리 시스템 어도비 익스피리언스 매니저 사이트(AEM Sites)가 인간과 AI 에이전트를 위한 경험 구축의 기반을 제공하며, 이러한 경험은 핵심 워크플로에 직접 통합된다. 새로운 맥락 관리 기능은 모든 경험이 브랜드 정합성에 기반하고, 정책에 따라 관리 및 통제되며, 공통된 권한과 콘텐츠 소스를 바탕으로 구축되도록 한다. 이를 통해 팀은 AI 기반의 경험을 대규모로 생성할 수 있다. 현재 제공되는 세 가지 에이전트 중 브랜드 익스피리언스 에이전트(Brand Experience Agent)는 기존 페이지를 업데이트하고, 신규 콘텐츠를 생성하며, 레거시 사이트를 AI 기반 탐색에 맞게 현대화해 콘텐츠 제작을 가속화한다. 콘텐츠 어드바이저 에이전트(Content Advisor Agent)는 승인된 콘텐츠를 즉시 제공하고 다양한 채널에 맞게 준비해, 콘텐츠 탐색에 소요되는 시간을 줄이고 영향력을 극대화할 수 있도록 지원한다. 브랜드 거버넌스 에이전트(Brand Governance Agent)는 브랜드 정책을 시행하고, 애셋 권리를 추적하며, 권한을 관리함으로써 고객과 AI 시스템을 위한 모든 콘텐츠가 브랜드 가이드라인에 맞고, 승인되며, 규정을 준수하도록 지원한다. 도달 단계에서는 어도비 커머스의 향상된 기능이 카탈로그 고도화와 제품 페이지 최적화를 통해 AI 기반 쇼핑 여정 전반에서 제품 가시성을 높인다. 또한 업데이트된 어도비 브랜드 컨시어지(Adobe Brand Concierge)는 실시간 제품 정보와 결제 기능을 고객과의 대화에 통합한 대화형 경험을 제공한다. 더불어 어도비 익스피리언스 매니저의 신규 기능인 LLM 앱(LLM Apps)은 브랜드가 LLM 인터페이스 내에서 직접 실행되는 브랜드 경험을 구축할 수 있도록 지원하며, 다양한 AI 접점 전반으로 브랜드 존재감을 확장한다. 마지막으로 학습 단계에서 기업은 다양한 AI 접점에서 자사 추천 점유율과 응답 정확도를 측정할 수 있다. 자사 채널에서는 직접적인 고객 참여 증가와 고객 생애 가치에 미치는 영향을 평가할 수 있다. 또한 인간의 수정과 편집자적 판단이 시스템 전반에 반영돼 조직의 축적된 지식을 형성하고, 각 사이클을 더욱 정교하게 만든다. 이를 통해 모든 경험의 기반이 되는 브랜드 정합성, 거버넌스, 콘텐츠 체계가 지속적으로 강화된다. 어도비의 로니 스타크(Loni Stark) 전략 및 제품 부문 부사장은 “수십 년 간 브랜드는 콘텐츠를 관리해 왔지만 이제는 AI가 자사의 제품과 서비스를 어떻게 이해하는지, 그리고 자사 에이전트가 행동하기 위해 필요한 조직 내 지식까지 정확히 반영할 수 있도록 맥락까지 관리해야 한다. 이러한 과제는 어도비의 새로운 설루션을 통해 해결할 수 있다”고 설명했다.

엔비디아는 RTX PC와 DGX 스파크(DGX Spark)에서 누스 리서치의 AI 에이전트인 헤르메스(Hermes)를 로컬 환경에서 지원한다고 전했다. 에이전틱 AI는 사용자의 업무 수행 방식을 변화시키고 있다. 오픈클로가 성공한 이후 커뮤니티는 새로운 오픈소스 에이전틱 프레임워크를 적극 수용하고 있다. 최근 공개된 헤르메스 에이전트는 출시 3개월 만에 깃허브 스타 14만 개를 돌파했다. 누스 리서치가 개발한 헤르메스는 신뢰성과 자체 개선 기능을 중점으로 설계했다. 이는 기존 에이전트에서 구현하기 어려웠던 특성이다. 헤르메스는 특정 공급업체나 모델에 종속되지 않는 설계를 기반으로 상시 가동되는 로컬 환경 사용에 최적화했다. 엔비디아는 RTX PC와 RTX PRO 워크스테이션, DGX 스파크가 헤르메스를 24시간 최대 성능으로 구동하기에 적합한 하드웨어라고 설명했다. 알리바바의 새로운 고성능 오픈 웨이트 LLM 시리즈인 큐웬 3.6은 헤르메스와 같은 로컬 에이전트 구동에 효과적이다. 큐웬 3.6의 27B와 35B 모델은 이전 세대의 1200억, 4000억 파라미터 모델보다 높은 성능을 제공한다. 이는 RTX와 DGX 스파크에서 가속화된 에이전틱 AI 구현을 돕는다.     헤르메스는 메시징 앱과 연동하고 로컬 파일 및 애플리케이션에 접근하며 24시간 상시 실행된다. 특히 네 가지 차별화된 기능이 핵심 경쟁력이다. 첫째는 자체 진화 기술이다. 헤르메스는 스스로 새로운 기술을 생성하고 개선한다. 복잡한 작업을 수행하거나 피드백을 받을 때마다 이를 기술 형태로 저장해 스스로 적응하고 성능을 향상한다. 둘째는 독립형 서브 에이전트다. 헤르메스는 서브 에이전트를 특정 하위 작업만 수행하는 단기 독립 작업자로 운영한다. 각 서브 에이전트에는 집중된 컨텍스트와 도구 세트가 제공돼 체계적인 작업 구조를 유지하고 혼란을 최소화한다. 이를 통해 더 작은 컨텍스트 윈도우로 헤르메스를 실행할 수 있어 로컬 모델 환경에 적합하다. 셋째는 설계 단계부터 고려한 안정성이다. 누스 리서치는 헤르메스에 포함된 모든 기술과 도구, 플러그인을 검증하고 스트레스 테스트를 했다. 그 결과 헤르메스는 300억 파라미터급 로컬 모델 환경에서도 안정적으로 작동한다. 넷째는 동일 모델 기준 더 뛰어난 성능이다. 여러 프레임워크에서 동일한 모델을 사용한 개발자 비교 테스트 결과, 헤르메스에서 일관되게 더 우수한 성능을 보이는 것으로 나타났다. 헤르메스는 단순한 래퍼가 아닌 능동형 오케스트레이션 계층으로, 작업 단위의 실행 대신 지속적인 온디바이스 에이전트 작동을 구현한다. 헤르메스 에이전트와 이를 구동하는 LLM은 모두 로컬에서 실행하도록 설계했다. 하드웨어 성능이 사용자 경험의 품질에 직접적인 영향을 준다. 엔비디아 GPU는 이러한 워크로드에 최적화하도록 설계했다. 큐웬 3.6 35B 모델은 약 20GB의 메모리만으로도 70GB 이상의 메모리가 필요한 1200억 파라미터 모델을 뛰어넘는 성능을 제공한다. 큐웬 3.6 27B는 새로운 고밀도 모델로 4000억 파라미터 모델급의 정확도를 제공하면서도 크기는 16분의 1 수준이다. 헤르메스가 구동되는 DGX 스파크는 상시 실행되는 에이전틱 컴퓨터가 될 수 있다. 요청 응답과 다단계 작업 계획, 자율 실행, 자체 개선 등을 지속해서 수행한다. 에이전틱 워크플로를 위해 설계된 효율적인 독립형 시스템인 DGX 스파크는 128GB 통합 메모리와 1페타플롭급 AI 성능을 갖춰 1200억 파라미터 규모의 전문가형 혼합(MoE) 모델을 상시 실행할 수 있다. 큐웬 3.6 35B 모델은 더 작은 공간에서 동등한 수준의 인텔리전스를 제공하며 빠른 실행 속도로 동시 워크로드를 처리하도록 돕는다. 헤르메스를 로컬로 실행하려면 헤르메스 깃허브 저장소에 접속해 로컬 모델이나 런타임을 연동하면 된다. 라마.cpp, LM 스튜디오, 올라마를 통해 큐웬 3.6과 함께 헤르메스를 실행할 수 있다. 한편 RTX PRO GPU는 큐웬 3.6 모델 실행 시 최대 3배 빠른 토큰 생성 속도를 제공한다. 구글의 젬마 4 모델은 NVFP4 체크포인트로 제공돼 엔비디아 블랙웰 GPU에서 더 빠른 성능을 발휘한다. 지난 4월 출시된 미스트랄 미디엄 버전 3.5도 업데이트를 통해 RTX PRO와 DGX 스파크 시스템에서 실행할 수 있다. 또한 엔비디아는 오픈소스 스택인 네모클로를 공개해 로컬 모델 지원을 강화했다. 네모클로는 WSL2를 지원해 마이크로소프트 플랫폼 개발자에게도 혜택을 제공한다.

국제사이버보안인증협회(CSC)와 사단법인 한국인터넷정보학회가 공동으로 운영하는 인공지능 사이버보안 연구회가 지난 5월 8일 제주도 서귀포시 휘닉스아일랜드에서 2026년도 춘계학술발표대회 특별세션을 개최했다. 이번 세션은 인공지능 기술의 급격한 발전에 따른 새로운 보안 위협을 분석하고 이에 대응하기 위한 최신 연구 성과를 공유하는 자리로 마련되었다. 사이버보안 연구의 구심점 역할 및 연구 범위 확대 사이버보안연구회는 지난 2015년 3월 사이버보안의 학술적 연구와 정보보호 및 응용공학 연구의 구심점 역할을 목표로 설립되었다. 이후 변화하는 기술 환경에 발맞춰 2026년 2월 인공지능 사이버보안 연구회로 명칭을 변경하고 인공지능 시스템의 안전성 확보를 위한 다각적인 연구를 이어오고 있다. 이번 특별세션에는 공병철, 이준화, 여동균, 윤현근, 임범석, 박지원, 남혁우, 공민지 등 8명의 연구자가 참여하여 인공지능과 보안이 결합된 핵심 논문을 발표했다. 인공지능 시스템의 보안 위협 분석과 대응 방법론 CSC협회 공병철 회장은 인공지능(AI) 시스템의 보안 위협 및 오류 해결에 대한 연구를 주제로 발표를 진행했다. 범용 인공지능(General-purpose AI)이 인간 전문가 수준의 역량을 갖추게 된 현시점에서 허위 정보 생성, 시스템 오작동, 데이터 오염, 프롬프트 주입 및 탈옥 등 잠재적 위험성을 경고했다. 특히 물리적 세계와 상호작용하는 과정에서 발생하는 한계와 불균형한 성능 문제를 해결하기 위한 기술적 방법론의 필요성을 역설했다. 이준화 이사는 인공지능(AI) 시스템의 개인정보 보호 위험관리에 대한 연구를 통해 4단계 위험관리 프레임워크를 제안했다. 의료, 금융, 교육, 공공 등 분야별 특성을 반영한 기준 개발과 함께 멀티모달 AI 시스템에서의 크로스모달 위험 관리, 자동화된 개인정보 감사 도구 개발의 중요성을 강조하며 국제 표준 개발의 필요성을 언급했다. 첨단 기술을 활용한 보안 프레임워크 및 실무 대안 제시 여동균 이사는 AI 기반 콘텐츠 인식형 모니터 보안 시스템을 통한 카메라 촬영 기반 개인정보 유출 방지 연구를 발표했다. 중요 시스템 관리자 화면에서 개인정보가 존재할 때만 보안 기능을 활성화하는 Fail-Secure 정책을 통해 사용자 편의성과 보안성을 동시에 확보하는 방안을 제시했다. 윤현근 이사는 블록체인 기반 DID를 활용한 AI 시스템 개인정보 보호 프레임워크 연구를 소개했다. DID, VC, 블록체인 기술을 결합한 5계층 모델을 통해 신원 인증부터 데이터 활용 이력 추적까지 통합 수행할 수 있는 구조를 설계하여 데이터 활용의 투명성을 높이는 대안을 내놓았다. 공급망 보안 및 인증 자동화 플랫폼 설계 임범석 이사는 AI 공급망 보안을 위한 CMMC 2.0과 NIST AI RMF 통제항목 매핑 및 정합성 분석 결과를 공유했다. 분석 결과 CMMC 2.0이 AI 특화 보안 요구사항에서는 일부 한계가 있음을 지적하며, 두 프레임워크를 상호 보완적으로 병행 적용하는 통합 보안체계 구축의 필요성을 제시했다. 박태균 수석연구원은 AI를 활용한 정보보안 인증 Evidence 자동 생성 및 Gap Analysis 플랫폼 설계 방법론을 발표했다. LLM과 API 연동을 통해 국내 ISMS-P 인증과 국제 표준 ISO 27001, ISO 27701 인증 준비 기간을 대폭 단축하고 인적 오류를 감소시킬 수 있는 실무적 해결책을 제시하여 주목을 받았다. 인공지능 사이버 보안 악몽 예방을 위한 연구 지속 공병철 회장은 이번 발표를 통해 인공지능이 개발한 응용프로그램과 시스템의 보안 취약성은 기업과 개인에게 치명적인 사이버 보안 악몽으로 다가올 수 있음을 경고했다. 연구회는 앞으로도 무분별한 오픈소스 AI 에이전트 활용에 따른 부작용을 예방하고, 정부 정책 방향과 기업의 시행착오를 줄일 수 있는 실질적인 대응 능력 전파에 집중할 계획이다.  

산업을 위한 AI와 버추얼 트윈 기술 (3)   이번 호에서는 AX 시대를 맞아 제조 기업이 축적한 방대한 도메인 지식과 3D 설계 데이터를 AI가 이해하고 실무에 즉시 활용할 수 있는 ‘자산’으로 전환하는 방안을 제시한다. 그리고, 다쏘시스템의 시맨틱 3D(Semantic 3D) 기술과 데이터 온톨로지(data ontology)를 활용해 중복 설계를 방지하고, 파편화된 정보를 비즈니스 맥락과 연결된 지식 개체로 지능화하는 기술적 원리를 살펴본다. ■ 이종혁 다쏘시스템코리아의 인더스트리 프로세스 컨설턴트로, 3DEXPERIENCE(구 NETVIBES) 테크 세일즈를 맡고 있다. 홈페이지 | www.3ds.com/ko   AX 시대, 제조 데이터의 새로운 정의 글로벌 제조 산업은 바야흐로 ‘디지털 전환(digital transformation)’의 단계를 넘어 ‘인공지능 전환(AI transformation : AX)’의 시대로 진입하고 있다. 생성형 AI와 대규모 언어 모델(LLM)이 비즈니스 프로세스 전반을 혁신하고 있는 현재, 엔지니어링 도메인에서의 핵심 과제는 명확하다. “어떻게 우리 기업이 지난 수십 년간 축적해 온 방대한 도메인 지식과 엔지니어링 노하우를 AI가 이해하고 실무에 즉시 활용할 수 있는 형태의 자산으로 바꿀 것인가?”이다. 대부분의 제조 기업은 수만, 수십만 장의 2D 도면과 3D 모델을 보유하고 있다. 그러나 역설적으로 엔지니어는 필요한 부품을 찾는 데 수많은 시간을 허비하거나, 이미 존재하는 설계를 중복으로 수행하는 ‘디지털 피로(digital fatigue)’에 시달리고 있다. 데이터가 존재함에도 불구하고 그 데이터가 가진 ‘의미(semantics)’와 ‘관계(relationship)’가 구조화되어 있지 않기 때문이다. 이러한 데이터의 파편화는 단순히 설계 효율을 떨어뜨리는 것에 그치지 않는다. 이는 부품 가짓수의 기하급수적 증가로 이어져 구매 단가 상승, 재고 관리 비용 증가, 그리고 급변하는 글로벌 공급망 리스크에 대한 대응력 약화라는 전사적 위기를 초래한다. 이번 호에서는 3D 모델링의 진화가 형상의 정밀함을 구현하는 단계를 넘어, 비즈니스 맥락과 지능이 결합된 ‘시맨틱 3D (semantic 3D)’로 나아가야 함을 제언한다. 다쏘시스템의 원파트(OnePart), 서플리멘탈 커넥터(Supplemental Connector), 그리고 데이터 사이언스 익스피리언스(Data Science Experiences : DSE)를 필두로 한 하이브리드 지능형 플랫폼이 어떻게 데이터 온톨로지를 통해 설계 자산을 지능화하고, 기업의 공급망 회복탄력성(resilience)을 극대화하는지 상세히 고찰해보고자 한다.   그림 1. The Transition to ‘Semantic 3D’ in the AX Era   하이브리드 아키텍처 : 데이터 주권과 클라우드 지능의 공존 국내 제조 기업이 클라우드 기반 AI 설루션 도입을 주저하는 가장 큰 이유는 ‘데이터 보안’과 ‘데이터 주권(data sovereignty)’에 대한 우려다. 핵심 설계 자산인 3D CAD 데이터는 기업의 기밀 중의 기밀로 간주되며, 이것이 외부 서버로 나가는 것에 대한 거부감은 기술적인 문제를 넘어 기업 생존의 문제로 인식된다. 하지만 클라우드가 제공하는 강력한 분산 연산 능력과 실시간 업데이트되는 AI 분석 엔진을 포기하는 것은 기술 경쟁력 측면에서 매우 위험한 선택이다. 이러한 딜레마를 해결하는 핵심 아키텍처가 바로 서플리멘탈 커넥터를 활용한 하이브리드 모델이다. 이 모델의 핵심은 데이터의 물리적 위치를 ‘통제된 온프레미스’와 ‘고성능 클라우드’로 이원화하는 데 있다. 이 아키텍처의 중심에는 ‘에지 에이전트(Edge Agent)’라는 전용 미들웨어가 존재한다. 에지 에이전트는 기업 내부의 로컬 파일 서버, CSV 기반의 레거시 데이터베이스, 그리고 솔리드웍스 PDM 프로페셔널(SOLIDWORKS PDM Professional)과 같은 엔터프라이즈 시스템과 직접 연동된다. 여기서 중요한 기술적 포인트는 에지 에이전트가 원본 CAD 파일(source file)을 클라우드로 전송하는 것이 아니라는 점이다. 대신, 설계에 포함된 메타데이터와 형상의 특징을 수치화한 ‘3D 서명(signature)’, 그리고 시각적 확인을 위한 가벼운 썸네일(thumbnail)과 CGR 데이터만을 추출하여 클라우드의 ‘시맨틱 그래프 인덱스(Semantic Graph Index : SGI)’로 전송한다. 이러한 하이브리드 접근법은 두 가지 결정적인 이점을 제공한다. 첫째, 데이터 주권은 기업이 완벽하게 통제한다. 원본 설계 데이터는 사내 보안망 내부에 머무르기 때문에 유출 우려가 없다. 둘째, 클라우드는 오직 ‘지능형 인덱스’와 ‘분석 엔진’의 역할만을 수행한다. 클라우드의 Data Science Experience(DSE)는 이 SGI에 축적된 정보를 바탕으로 전사적인 부품 사용 현황을 360도 뷰로 관찰하고, AI 기반의 의사결정 지원 기능을 제공한다. 이는 특히 카티아 V5(CATIA V5)와 같은 온프레미스 기반의 강력한 설계 환경을 유지하면서도, 최신 클라우드 기술의 혜택을 즉시 누릴 수 있는 현실적이고 안전한 가교 역할을 한다.   그림 2. Hybrid Architecture and Edge Agent   원파트와 AI 형상 지능 : 중복 설계의 늪에서 벗어나는 방법 엔지니어링 현장에서 가장 흔히 발생하는 보이지 않는 낭비는 이미 사내에 존재하는 부품을 찾지 못해 다시 설계하는 ‘중복 설계’다. 다쏘시스템의 연구 결과에 따르면, 시장 표준 부품(예 : 단순 브래킷이나 고정용 볼트 등) 하나를 불필요하게 신규 생성할 때 발생하는 전사적 비용은 부품당 약 1만 1000유로(한화 약 1600만 원)에 이른다. 이 비용에는 설계자의 시간뿐만 아니라 부품을 위한 테스트 및 시뮬레이션 비용, 금형 제작 등 제조 공정 셋업 비용, 신규 구매처 등록 및 관리 비용, 그리고 물류 및 창고 재고 유지 비용이 누적된 결과다. 원파트는 이러한 문제를 해결하기 위해 AI 기반의 ‘형상 유사도 검색(AI-Powered Component Signature)’ 기능을 제공한다. 이는 전통적인 키워드 기반 검색의 한계를 뛰어넘는다. AI는 3D 모델을 기하학적 특징(shape), 단면 형상(section), 구멍 배치 패턴(hole pattern), 그리고 외곽선(silhouette)이라는 네 가지 핵심 기준을 바탕으로 분석하여 부품별로 고유한 ‘디지털 지문’을 생성한다. 설계자가 새로운 프로젝트를 시작할 때, 백지 상태에서 모델링을 시작하는 대신 간단한 형상 아이디어를 스케치하여 업로드하면 AI가 수초 내에 사내 라이브러리 및 외부 공급업체 카탈로그에서 가장 유사한 부품을 찾아 제안한다. 또한 지능형 클러스터링(clustering) 엔진은 방대한 부품 데이터베이스를 기하학적 유사성에 따라 자동으로 군집화한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.