아이벡스, 산업용 피지컬 AI 양산 해법 제시…“PoC 넘어 현장 적용”

아이벡스는 제조 현장의 AI 실증을 실제 양산 적용으로 연결하는 기술 전략을 공개했다. 전략 범위는 센싱·인식·기구·제어·운영 통합이며, 현장 데이터를 활용해 AI 성능을 지속적으로 개선하는 구상을 밝혔다.

이 같은 문제의식 아래 아이벡스는 지난 11일 서울 웨스틴 서울 파르나스에서 첫 연례 AI 포럼인 '아이벡스 프론티어 2026(AIVEX FRONTIER 2026)'을 개최했다. 행사는 매경미디어가 공동 주관했으며, 회사 측 설명으로는 산업계·학계·투자업계 관계자 약 300명이 참석했다.

포럼 주제는 '엔터프라이즈 AI에서 피지컬 AI까지'였으며, 기업 AI 전환 전략과 산업 현장 적용 방안을 다뤘다. 발표에는 보스턴컨설팅그룹(BCG)·팔란티어·서울대·업스테이지·LG전자·베슬에이아이의 전문가들이 참여했다.

성민수 아이벡스 대표가 기조연설을 진행했다. 성 대표는 제조 현장 피지컬 AI가 PoC에서 실제 양산으로 전환되지 못하는 배경을 기술과 운영 체계의 분절에서 찾았다.

그는 광학·AI 모델·기구·제어를 서로 다른 업체가 담당하는 구조가 원인이라고 지목했다. 이 같은 구조에서는 문제가 발생할 경우 책임 소재가 불분명해지고, 책임 불분명에 따른 대응 지연이 뒤따른다고 설명했다.

성 대표는 양산 과정 사례로 카메라 보호장치로 인한 영상 품질 저하와 기구부 고장, 장비 간 통신 문제를 들었다. 그는 AI 모델의 성능이 우수하더라도 주변 설비·운영 체계에서 문제가 발생할 수 있고, 이런 주변 설비·운영 체계의 문제가 생산라인 전체에 영향을 미친다고 설명했다.

이에 아이벡스는 해결책으로 다섯 개 기술 층을 직접 개발하고 통합 운영하는 방식을 추진하고 있다고 밝혔다. 다섯 개 기술 층은 센싱(L1), 인식(L2), 기구(L3), 제어(L4), 학습·운영(L5)으로 구성된다.

발표에서는 현장 데이터 활용 AI 모델 개선 체계를 소개했다. 양산라인 적용 비전 파운데이션 모델을 바탕으로 단일 모델로 수천 개 품종을 검사하는 방식도 제시했다. 이 과정에서 학습 데이터 사용량은 기존 대비 36분의 1로 축소했다고 설명했다.

이어 검사 과정에서 수집한 데이터를 선별하고, AI 모델을 재학습한 뒤 생산라인에 재배포하는 구조를 설명했다. 이를 통해 양산라인에서 얻는 데이터를 다시 학습에 반영해 모델을 계속 고도화하는 '폐쇄형 루프(Closed-loop)' 운영 체계를 제시했다.

이 운영 체계는 현장 장비-학습 서버 연결을 기반으로 하며, 검사 대상·생산 환경 변화에도 모델을 지속 개선하는 방식으로 설계됐다고 밝혔다. 성 대표는 광학·모델·기구·제어·운영이 분리되면 PoC 성능의 양산 현장 구현이 곤란하다고 설명했다.

성 대표는 아이벡스의 다섯 개 기술 층을 직접 개발해 왔다고 밝혔다. 또 한 회사가 끝까지 책임지는 체계가 필요하다고 설명했다. 이는 기술 요소의 통합 개발과 단일 책임 체계를 통해 해당 운영 구조를 가능하게 하는 조건으로 제시됐다.

이어 기업 AI 관련 발표도 진행했다. 이 자리에서는 기술 도입 자체보다 실제 경영 성과 확보가 중요하다는 의견을 제기했고, 기업 AI 성과 격차를 언급했다. 아울러 업무 재설계와 운영 효율을 강조했다.

김지훈 BCG 대표 파트너는 기업별 AI 활용 수준 차이에 따른 성과 격차를 진단했다. 그는 BCG의 'AI 활용 지수 2026' 조사 결과를 근거로 기업들의 AI 활용 성숙도 차이가 실제 성과 차이로 이어지고 있다고 설명했다. 이번 조사는 전 세계 기업 고위 경영진 1330명을 대상으로 진행됐으며, AI 활용 성숙도 최고 단계인 '미래 준비형' 기업 비중은 7.5%로 나타났다. 또 AI 활용 확대와 성과 창출 기업 비중은 41%로 집계됐다.

김지훈은 기존 업무에 AI 도구를 추가하는 방식만으로는 충분한 투자수익률을 확보하기 어렵다고 지적했다. 이에 따라 그는 AI를 업무에 덧붙이는 방식이 아니라 업무 자체를 AI 중심으로 재설계할 필요가 있다고 밝혔다. 아울러 AI 중심 업무 절차 재설계가 필요하다고 설명했다.

김지훈은 AI 중심 조직 구조 재설계도 필요하다고 밝혔다. 또한 기업 고유 지식·의사결정 기준을 반영한 '엔터프라이즈 IQ(Enterprise IQ)' 구축이 필요하다고 제시했다. 그는 핵심이 AI의 자사 문법 기반 판단 가능 여부에 있다고 설명했다.

민세훈 팔란티어테크놀로지스 아시아태평양(APAC) 커머셜 부문 대표는 AI 투자 필요 조건으로 매출 증가·수익성 개선·비용 절감 등 경영 성과와의 연계를 제시했다. 그는 단순 업무 자동화의 한계를 지적하며 기업의 핵심 문제를 파악할 필요성을 강조했다.

민세훈은 AI 투자가 실질 성과로 이어지려면 해결하려는 문제를 재정의하는 데 큰 노력을 투입해야 한다는 취지로 설명했다. 또 문제 해결 방식을 결정하는 주체는 리더십이라고 밝히며, 이에 맞춰 의사결정 방식과 실행 방식의 변화가 필요하다고 설명했다.

그는 이를 뒷받침하는 기술로 기업 데이터·업무 로직·의사결정·실행을 연결하는 온톨로지(Ontology)를 제시했다. 온톨로지는 공급망관리에서 구축한 데이터·운영 체계를 품질관리 등 다른 업무에 재사용하는 방식으로 활용되며, 이를 통해 AI 적용 범위를 확대하는 데 목적이 있다고 설명했다.

이와 함께 기업 AI 확산에 따른 인프라 구축·운영 비용 문제도 논의 주제에 포함됐다. 안재만 베슬에이아이 대표는 데이터센터·GPU·전력·데이터 활용으로 구성된 AI 팩토리를 설명하며, 이것이 AI 모델 학습·추론 서비스를 제공하는 기업 AI의 생산 기반이라고 규정했다.

베슬에이아이는 국내 데이터센터를 기반으로 대규모 AI 학습·추론용 GPU 클라우드 서비스를 제공하는 네오클라우드(Neocloud) 기업이다. 안 대표는 AI 팩토리를 지능 생산 기반으로 규정했다.

안 대표는 기업별 AI 모델·에이전트 개발 수요가 늘고 있다며, 이에 따라 연산 자원의 확보가 중요하고 연산 자원을 효율적으로 운영하는 일도 중요하다고 강조했다.

이후 피지컬 AI 세션에서는 상용화 과제가 제시됐다. 이 세션에서는 실제 환경에서 발생하는 예외 상황과 학습 데이터 부족을 주요 과제로 꼽았다.

김건희 서울대 교수는 피지컬 AI 상용화의 주요 걸림돌로 학습 데이터 부족을 지목했다. 그는 자율주행차·산업용 로봇이 날씨·조명·작업 대상 위치 등 다양한 환경 변화에 대응해야 한다고 설명했다. 이어 모든 상황에 대응할 수 있는 데이터를 실제 현장에서 확보하기는 어렵다고 밝혔다.

김 교수는 피지컬 AI의 최대 병목으로 데이터 부족을 꼽았고, 데이터 수집을 확대해도 부족이 지속된다고 밝혔다. 김 교수는 이에 대한 해결 기술로 '월드 액션 모델(WAM)'을 소개했다.

WAM은 월드 모델과 비전·언어·행동 모델(VLA)을 결합한 구성이다. 월드 모델은 현실 세계의 변화를 예측하는 기능을 맡고, VLA는 로봇 행동을 생성하는 기능을 맡는다. 이 방식은 대규모 영상 기반으로 물리적 환경을 사전학습하는 구조이며, 이를 통해 기존 VLA 대비 더 적은 작업 데이터로 로봇을 학습시킬 수 있다고 설명됐다.

박지훈 아이벡스 AI로보틱스 그룹리더는 휴머노이드 시연 성능과 실제 제조 현장에서 요구되는 수준 사이에 격차가 있다고 지적했다. 그는 연구 단계의 고성능 AI 모델도 생산라인에 적용하려면 작업 성공률과 속도, 품질, 운영 비용을 충족해야 한다고 설명했다. 아이벡스는 이에 대한 방식으로 '혼합 제어'를 제시했으며, 이는 기존 로봇 티칭과 비전 기반 제어, 비전·언어·행동 모델(VLA)을 결합한 구성이다. 아이벡스는 부품을 집고 이동하는 과정에는 기존 제어 기술을 활용하고, 정밀 체결 작업에만 AI를 적용해 학습 데이터 확보에 드는 시간과 비용을 절감할 수 있다고 설명했다.

박 리더는 산업용 로봇의 목표가 사람 모사가 아니라 필요한 작업을 효율적이고 안정적으로 수행하는 데 있다고 밝혔다. 또 AI 적용 방침에 대해서는 기존 방식으로 해결하기 어려운 작업에 한정한다는 기준을 제시했다.

이어 아이벡스는 통합 제어 플랫폼 '아이봇(AIVot)'과 현장 데이터 수집 장치 'AMI'를 소개했다. '아이봇(AIVot)'은 로봇 제조사와 무관하게 장비를 연동할 수 있으며, 작업 경로를 시뮬레이션하고 장애물 회피와 비전 기반 제어를 지원한다. 'AMI'로 확보한 데이터는 산업용 VLA 모델 개발에 활용할 계획이라고 밝혔다.

이후에는 로봇의 형태와 설계 방향에 대한 논의가 진행됐다. UCLA 기계항공공학과 교수이자 로봇연구소 로멜라 소장인 데니스 홍은 인간용 환경에서는 사람과 유사한 형태가 유리할 수 있다고 설명했다. 다만 구조적 복잡성·에너지 효율·안정성·비용을 고려하면 인간 모습 모방이 필수는 아니라고 덧붙였으며, 로봇은 외형보다 작업 목적과 환경에 맞는 설계가 중요하다는 관점이 제시됐다.

노범준 LG전자 AI홈솔루션 사업개발담당 상무는 LG전자의 AI 활용 주거 공간·건물 운영 전략을 소개했다. 노범준은 LG전자가 AI 홈 허브 '씽큐 온(ThinQ ON)', 모듈러 주택 '스마트 코티지', 기업용 플랫폼 'LG 씽큐 프로(ThinQ Pro)'를 운영하고 있다고 설명했다. 이어 LG전자가 가전제품-공간 관리 서비스를 연계하는 방식을 제시했다.

이 가운데 씽큐 프로는 아파트·콘도 등 주거시설 가전을 통합 관리하고, 이상 징후 감지와 유지보수 업무를 지원한다고 설명했다. LG전자는 여기에 AI 에이전트 접목을 계획하고 있다. AI 에이전트 접목의 목적은 공간 운영 자동화 범위를 확대하는 데 있다.

노범준은 스마트홈에서 음성·GPT 탑재만으로는 체감 가치가 제한적이라고 밝혔다. 그는 고객 시간 환원·비용 절감에 집중하고 있다고 설명했다. 이번 포럼에서는 기업 AI 도입의 경영 성과·산업 현장 적용을 위한 기술적·운영적 과제가 제시됐다.

포럼에서는 향후 산업 AI 확산 조건으로 모델 성능 외 데이터 확보, 기존 설비 연계, 운영 비용 효율 관리가 중요하다는 점이 제시됐다. 아울러 아이벡스는 검사·로봇·MLOps 결합 폐쇄형 루프 운영 체계를 보유한 것으로 소개됐다. 다만 아이벡스는 양산 현장 기술 안정성·경제성 입증이 필요하며, 아이벡스 사업 확대의 관건도 양산 현장 안정성·경제성 입증이라는 점이 함께 제시됐다.

출처: 테크월드뉴스 · 김승기 기자
원문: https://www.epnc.co.kr/news/articleView.html?idxno=409683

참고자료

• https://www.epnc.co.kr/news/articleView.html?idxno=409683