정부가 내년 예산 약 728조 원 편성, AI 3강 진입 위한 10조 1000억 원 투입하며 AI 분야에 대한 강력한 의지를 표명했다. 특히 제조 경쟁력 강화를 위해 1조 1000억 원 규모의 예산이 투입되며, 이는 AI 팩토리 선도 프로젝트, 피지컬 AI 개발, 휴머노이드 개발, 온 디바이스 AI 개발 등을 포함한다. 이러한 정부의 정책 발표는 우리 산업, 특히 제조업의 경쟁력을 AI 기술을 통해 강화하고 관련 기반 기술 및 응용 분야에 집중하겠다는 미래 성장 전략의 일환으로 해석된다. 그러나 이러한 정책이 실질적인 성과로 이어지기 위해서는 몇 가지 풀어야 할 근본적인 문제점들이 존재한다.
가장 먼저 해결해야 할 과제는 ‘성공 사례’의 부재이다. 정부는 2030년까지 AI 팩토리 500개 이상 구축을 목표로 하고 있으나, 단순히 숫자 달성에 집착하기보다 규모와 제조업 종류에 따른 구체적인 참조 모델을 개발하고 이를 성공적으로 구현하는 것이 중요하다. 과거 제너럴 일렉트릭(GE)이 야심 차게 내세웠던 프레딕스(Predix) 플랫폼이 결국 실패로 돌아간 사례는 이를 잘 보여준다. GE는 대상 고객의 기대와 현장의 고민을 제대로 이해하지 못한 채 멋진 플랫폼 구축에만 집중하다 현장 적용에 실패했다. 따라서 정부의 AI 팩토리 구축 목표 역시 실제 현장의 요구를 반영한 모범 사례를 중심으로 집중적으로 추진해야 한다.
또한, 피지컬 AI 분야는 새로운 기회인 동시에 해결해야 할 복잡한 과제를 안고 있다. 피지컬 AI 학습에 필요한 데이터는 기존 AI 학습 데이터와는 근본적으로 다르다. 인과 관계 및 추론 메타데이터, 다양한 맥락과 비정형적 상황 데이터, 시공간적 일관성, 멀티모달 통합, 상호작용 및 에이전트 행동 데이터 등 새로운 특성을 갖춘 데이터 구성이 필수적이다. 이는 피지컬 AI 분야에서 마주하게 될 매우 어려운 도전이며, 엔비디아의 옴니버스(Omniverse)와 코스모스(Cosmos)와 같은 디지털 트윈 및 피지컬 AI 학습 플랫폼의 중요성이 부각되는 이유이다. 우리는 자체적으로 이러한 플랫폼을 개발할 것인지, 혹은 기존 선진 기술을 도입 활용할 것인지에 대한 신중한 의사 결정을 내려야 한다. 더불어, 국내에서 진행된 디지털 트윈 과제들의 결과물을 냉철하게 평가하고, 실패로부터 얻은 교훈을 명확히 파악해야 한다.
국내 산단이라는 산업 인프라를 활용하여, 각 산업단지의 특징에 기반한 AI 특화 모델을 명확히 정의하고 개발하는 노력이 필요하다. 복합적인 솔루션을 제공하는 팔란티어의 온톨로지 모델과 같은 접근 방식도 함께 검토해야 한다. 산업 AX는 제조업 경쟁력 강화와 더불어 특화된 중소기업 및 스타트업 생태계 구축의 기회가 될 수 있다. 이를 위해 기업과 AI 전문 기업 간의 라운드테이블을 마련하여 문제 공유와 협업 방안을 모색하고, 우수 사례를 적극적으로 공유하는 장을 만들어야 한다. 나아가, 산업 AX 모범 사례와 기술 솔루션, 데이터를 개방할 수 있는 산업 AI 허브와 같은 공간을 구축하여, 누구나 동종 업계의 AI 전환에 대한 정보를 자유롭게 접하고 활용할 수 있도록 지원해야 한다.
산업 AX는 아직 어느 나라도 본 궤도에 오르지 못한 영역이며, 각 국가의 제조 현장, 문화, 업무 방식이 다르기에 단일 모델이나 방법론이 모든 곳에 적용될 수는 없다. 팔란티어처럼 고객 현장에 직접 투입되어 문제 정의부터 효과 분석, 데이터 확보까지 협의하는 방식의 접근이 필요하다. 산업 AX는 멋진 AI 엔지니어가 개발실에만 머무는 것이 아니라, 현장 엔지니어 및 전문가와 함께 문제를 해결해 나가는 과정을 통해 성과가 도출된다. 두 문화 간의 간극과 소통 문제를 원활하게 돕는 것이 국가 과제 성공의 중요한 출발점이 될 수 있다.
이러한 산업 AX는 대한민국의 경쟁력 기반을 다시 세우는 핵심 과제이므로, 반드시 성공 사례를 만들어내고 끊임없는 피드백과 평가, 민첩한 개선이 이루어져야 한다. 정책적으로도 이러한 기민성을 살리는 것이 무엇보다 중요하며, 이를 통해 AI 기반 제조업 경쟁력 강화라는 목표를 달성할 수 있을 것이다.
About the Author
