배경훈 과학기술정보통신부 장관 겸 부총리는 경남 창원의 신성델타테크 플라스틱 사출·조립 공정을 방문해 현장에서 수집된 제조데이터를 기반으로 구축된 디지털트윈 공정을 확인했다. 과기정통부 제공

배경훈 과학기술정보통신부 장관 겸 부총리는 지난 6일 경남 창원의 신성델타테크를 방문해 현장에서 서울대학교 김현진 교수, 알씨케이 박수진 대표, 신성델타테크 이동한 대표, 화승R&A 박귀영 전무이사, GMB코리아 박영식 부사장, 삼송 송동환 생산부문장 등과 간담회를 열었다. 과기정통부 제공

배경훈 과학기술정보통신부 장관 겸 부총리는 경남지역 피지컬 AI 추진 현장을 찾아 데이터 획득 성과를 기반으로 제조업에 맞는 인공지능(AI) 모델을 개발하겠다고 밝혔다.

8일 과기정통부에 따르면 배 부총리는 지난 6일 경남 창원 소재 신성델타테크를 방문해 피지컬 AI 사전검증 사업의 성과를 점검하고 현장 간담회를 통해 피지컬 AI 기반 지역 제조 경쟁력 강화 방안을 논의했다. 창원 성산구에 본사를 둔 신성델타테크는 창원공장, 마산공장 등을 뒀으며 가전·자동차부품·로봇·물류 등의 사업을 영위한다.

피지컬 AI란 AI가 소프트웨어를 넘어 하드웨어을 갖고 현실 세계와 직접 상호작용하는 기술을 의미한다. 로봇, 자율주행차, 스마트 물류, 정밀 의료 기술 등을 포괄한다.

과기정통부의 이번 방문은 피지컬 AI 기반 정밀 제어 기술의 적용 가능성을 확인하고 향후 추진될 ‘경남 AX’ 대형 연구개발(R&D) 사업과의 연계 방향에 대해 기업과 연구진의 현장 의견을 청취하기 위해 마련됐다.

배 부총리는 “경남은 기계·부품·장비 등 정밀 제조 역량이 집적된 최적의 환경을 갖춘 곳이다. 경남의 산업 경쟁력에 피지컬 AI를 결합해 지역 제조 ‘5극 3 특’ 전략의 핵심 거점으로 확실히 자리매김시키겠다”며 “피지컬 AI는 대한민국 제조 경쟁력의 미래를 좌우할 핵심 과제다. 현재 단계에서는 실제 제조 현장에서 생성되는 데이터를 체계적으로 구축하는 것이 무엇보다 중요하다”라고 말했다.

배 부총리는 이어 “이러한 데이터를 토대로 향후 피지컬 AI 파운데이션 모델이 개발되면 이를 오픈소스 방식으로 확산해 많은 기업이 쉽게 활용할 수 있는 생태계를 만들어 나가겠다”면서 “정부는 단기 성과에 그치지 않고 대한민국 미래를 책임진다는 소명감을 가지고 피지컬 AI 정책을 지속적으로 추진해 나가겠다”고 강조했다.

과기정통부가 올해 착수하는 ‘경남 AX’ 사업은 기존의 단순 공정 자동화를 넘어 현장의 물리적 특성과 숙련자의 노하우를 AI 모델에 반영하는 것이 핵심이다. 이를 위해 AI가 로봇과 설비를 직접 제어하는 ‘PINN 기반 LAM’ 기술 개발에 중점을 둔다.

PINN(Physics-Informed Neural Network)이란 제조 공정에서 발생하는 다양한 물리법칙이 내재화된 AI 모델을 뜻한다. LAM(Large Action Model)이란 생성형 AI가 기반으로 했던 거대언어모델(LLM)을 넘어 실제 행위(Action)를 수행하는 미래형 AI를 말한다.

이는 기존의 ‘분석·판단 중심 AI’에서 나아가 ‘현장을 가장 잘 아는 AI는 물론 공정을 실제로 움직이는 AI’로의 전환을 의미한다는 게 과기정통부 설명이다.

경남대가 주관하는 피지컬 AI 사전검증 사업은 국비 197억 원을 투입해 지난해 8월부터 12월까지 수행됐다. 서울대, 경남 산단 제조기업 8개사(신성델타테크, 화승 R&A, CTR, 코렌스, KG모빌리티, GMB코리아, 신성델타테크, 삼현)가 참여했다.

이번 검증을 통해 주요 참여기업에서 공정 품질 예측과 생산 효율 개선 등 가시적인 성과가 확인됐다는 게 과기정통부 설명이다. 신성델타테크의 플라스틱 사출·조립 공정에 사출성형 공정 데이터(49종)와 작업자 행동·원자재 상태·불량 형상 등 액션 데이터(62종)를 연계한 AI 학습용 데이터셋을 구축하고 디지털 트윈 모델을 통해 공정 품질을 사전에 예측·보정한 결과, 불량률 감소(약 15%) 및 설비 가동률 향상(약 20%) 가능성을 확인했다.

화승 R&A는 고무 압출 공정에서 발생하는 소재 변형을 사전에 예측함으로써, 설비종합효율을 5% 이상 개선했다. CTR은 알루미늄 가공 공정에서 발생하는 기계 떨림(채터링) 현상을 예측해 불량률을 줄이고 가공 사이클 타임을 17% 이상 단축하는 성과를 거뒀다.