[핫윈도] 데이터·온톨로지·인과추론으로 다시 짜는 한국 반도체 생태계의 운영체계
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.
작성일 : 2026-06-04
