정부가 내년 예산을 약 728조 원 규모로 편성하며, 이 중 AI 3강 진입을 위한 예산을 올해보다 3배 늘린 10조 1000억 원으로 책정한 것은 AI 분야에 대한 강력한 의지를 방증한다. 특히 제조 경쟁력 강화를 위해 1조 1000억 원 규모의 예산을 투입하며 AI 팩토리 선도 프로젝트, 피지컬 AI 개발, 휴머노이드 개발, 온 디바이스 AI 개발 등을 포함한 구체적인 정책 방향을 제시했다. 이는 AI 기술을 통해 산업, 특히 제조 분야의 경쟁력을 강화하고 관련 기반 기술 및 응용 분야에 집중하겠다는 정부의 미래 성장 전략을 명확히 보여준다. 그러나 이러한 정책이 실효성을 거두기 위해서는 해결해야 할 근본적인 문제점들이 존재하며, 이를 위한 정책 설계에 대한 깊이 있는 고민이 필요하다.
가장 시급하게 해결해야 할 과제 중 하나는 AI 팩토리 구축 계획에 대한 접근 방식이다. 2030년까지 500개 이상의 AI 팩토리 구축이라는 양적 목표에만 집중하기보다는, 다양한 규모와 제조업 종류에 따른 참조 모델을 개발하고 성공 사례를 집중적으로 만들어내는 것이 중요하다. 과거 제너럴 일렉트릭(GE)이 야심 차게 내세웠던 산업 인터넷 플랫폼 ‘프레딕스(Predix)’가 대상 고객의 기대와 고민을 제대로 이해하지 못하고 현장 적용에 실패했던 사례를 잊어서는 안 된다. 단순한 플랫폼 구축을 넘어, 실제 현장의 문제를 해결하는 데 초점을 맞춰야 성공을 담보할 수 있다.
피지컬 AI 분야 역시 새로운 기회인 동시에 상당한 위험 요소를 안고 있다. 피지컬 AI 학습에 필요한 데이터는 기존 AI 학습 데이터와는 근본적으로 다른 특성을 요구한다. 여기에는 인과 관계 및 추론 메타데이터, 다양한 맥락과 비정형적 상황 데이터, 시공간적 일관성 및 멀티모달 통합, 상호작용 및 에이전트 행동 데이터 등 새로운 차원의 데이터 구성이 필수적이다. 이는 피지컬 AI 분야가 직면한 매우 어려운 도전 과제이다. 엔비디아의 옴니버스와 코스모스와 같은 디지털 트윈 및 피지컬 AI 학습 플랫폼의 중요성이 부각되는 상황에서, 국내 자체 플랫폼 구축 역량을 냉철하게 평가하고 필요하다면 수준 높은 기술 도입 활용에 대한 의사 결정도 신중하게 내려야 한다. 기존 디지털 트윈 과제들의 경쟁력을 되짚어보고, 실패로부터 교훈을 얻는 것이 중요하다.
또한, 대한민국이 보유한 산단이라는 산업 인프라를 활용하여 AI 기반 고도화 과업을 명확히 정의하고, 이에 맞는 특화 모델 개발에 힘써야 한다. 팔란티어의 온톨로지 모델과 같은 복합적 솔루션 검토 역시 필요하다. 산업 AX는 제조업 경쟁력 강화뿐만 아니라, 이 분야에 특화된 중소기업 및 스타트업 생태계를 구축할 수 있는 기회이기도 하다. 이를 위해 기업과 AI 전문기업 간의 라운드테이블을 활성화하여 문제 공유와 협업 방안을 모색하고, 우수 사례를 공유하는 체계를 마련해야 한다. 정부는 산업 AX 모범 사례와 기술 솔루션, 데이터를 개방하는 산업 AI 허브를 구축하여 정보가 자유롭게 흐를 수 있도록 지원해야 한다.
과거 정책에서 성공을 거둔 프로그램들을 계승하는 것도 필요하지만, 산업 AX는 어느 국가도 아직 본 궤도에 오르지 못한 영역이며 각국의 제조 현장과 문화, 업무 방식이 다르므로 단일 모델이나 방법론으로는 모든 문제를 해결할 수 없다. 팔란티어가 현장에 투입되어 고객과 함께 문제를 정의하고 해결책을 모색하듯, 산업 AX 역시 현장의 엔지니어나 전문가와 함께 문제를 풀어가는 과제를 통해 성과가 도출되어야 한다. 이 과정에서 발생하는 문화적 간극과 소통 문제를 원활하게 지원하는 것이 국가 과제 성공의 중요한 출발점이 될 것이다.
다른 AI 과제들이 국가적으로 중요한 의미를 가지는 만큼, 산업 AX 역시 대한민국의 경쟁력 기반을 다시 세우는 핵심 과제로서 반드시 성공 사례를 만들어내고, 끊임없는 피드백과 평가, 그리고 민첩한 개선이 이루어져야 한다. 정책적으로도 이러한 기민성을 살려 나가는 것이 무엇보다 중요하다.
About the Author
