LG AI연구원·ETRI가 말한 자율 공장의 조건: 생각하는 공장과 행동하는 로봇

• LG AI연구원이 말한 제조 AI의 목표는 꽤 선명함. '생각하는 공장'이 계획을 세우고, '행동하는 로봇'이 현장에서 바로 실행하는 구조임

  • 김승환 LG AI연구원 엑스퍼트AI그룹장은 ETRI 창립 50주년 포럼에서 이걸 자율 공장의 핵심 그림으로 제시함
  • 에이전틱 인공지능(AI)이 최적 행동 계획을 세우고, 로봇 파운데이션 모델이 별도 코딩 없이 실시간으로 작업을 완수하는 방식임

• 다만 현재 제조 현장의 AI 활용은 아직 멋진 말에 비해 꽤 소박한 단계라는 진단이 나옴

  • 현장에는 데이터가 넘치지만, 실제 AI 활용은 장애 리포트 작성이나 문서 요약 같은 도구 수준에 머물러 있음
  • 설비를 다루는 운영기술(OT) 데이터와 관리·업무 시스템의 정보기술(IT) 데이터가 서로 끊겨 있는 것도 큰 병목으로 지적됨
  • 숙련공의 경험에 기대어 수동으로 의사결정하는 구조도 여전히 강함

• 김 그룹장이 꼽은 첫 번째 과제는 신뢰도와 투명성임

  • 사람이 AI에 공장 운영을 맡기려면, AI가 왜 그런 결론을 냈는지 설명할 수 있어야 함
  • 제조 현장에서는 결과가 틀리면 단순 오답이 아니라 불량, 라인 중단, 안전 문제로 이어질 수 있음

• 두 번째 과제는 배치 이후에도 계속 배우는 자가 학습임

  • 공장은 고정된 실험실이 아니라 온도, 설비 상태, 소재, 작업 조건이 계속 바뀌는 물리 환경임
  • 모델이 처음 배포된 성능에 멈춰 있으면 시간이 지날수록 현장과 어긋날 수 있음
  • 그래서 운영 중에도 성능이 진화하는 구조가 필요하다는 얘기임

• 세 번째는 실시간 지능임. 여기서부터 제조 AI가 진짜 어려워짐

  • 품질 이상이 발생했을 때 뒤늦게 리포트만 쓰는 게 아니라, 앞 단계 공정의 파라미터를 자동으로 역추적해야 함
  • 그리고 원인을 찾는 데서 끝나지 않고 즉시 조정까지 이어져야 현장 적용 가치가 생김

• LG AI연구원은 독자 AI 모델 '엑사원'도 언급하면서, 제조 데이터의 전략적 가치 문제를 같이 꺼냄

  • 글로벌 빅테크가 한국 시장에 적극적인 이유를 데이터와 테스트베드 가치에서 찾음
  • 제조 현장의 노하우와 데이터가 외부로 넘어가면, 단순 모델 도입 문제가 아니라 산업 경쟁력 자체가 흔들릴 수 있다는 주장임

• ETRI 쪽 메시지는 기술 개발만큼 안전·윤리·통제 체계가 중요하다는 쪽에 가까움

  • 포럼에서는 피지컬 AI가 이끄는 산업 전환, AI 로봇 확산에 따른 윤리·안전 이슈가 함께 다뤄짐
  • 유원필 ETRI AI창의연구소장은 안전, 권리, 통제를 최우선 가치로 삼는 'ETRI AI 로봇 강령' 제정을 제안함
  • AI 로봇 지능 수준을 레벨1~5로 표현하는 표준화 방안도 제시됨

• 박세웅 ETRI 원장은 AI가 물리 환경에서 작동할수록 오작동과 오판단의 위험이 커진다고 봄

  • 텍스트 생성 AI가 틀리면 수정하면 되지만, 로봇이 틀리면 사람과 설비가 영향을 받을 수 있음
  • 그래서 산·학·연·관이 함께 안전 체계와 시장 선점 전략을 만들어야 한다는 메시지로 이어짐

• 한국 개발자 입장에서 이 뉴스가 흥미로운 이유는 제조 AI가 단순 모델 경쟁이 아니라 시스템 통합 싸움이라는 점임

  • 데이터 파이프라인, 실시간 추론, 설명 가능성, 로봇 제어, 거버넌스가 한꺼번에 엮임
  • AI 서비스 개발 경험만으로는 부족하고, OT 도메인 지식과 현장 운영 제약을 같이 이해해야 함
  • 앞으로 제조 AI 프로젝트는 '모델 성능'보다 '현장 데이터 연결과 책임 있는 자동화'가 성패를 가를 가능성이 큼

---

기술 맥락

• 에이전틱 AI가 제조업에서 어려운 이유는 액션의 비용이 크기 때문이에요. 챗봇이 이상한 답을 하면 다시 물어보면 되지만, 공정 파라미터를 잘못 바꾸면 불량이 쌓이거나 라인이 멈출 수 있거든요. 그래서 계획 능력만큼 설명 가능성과 통제 장치가 중요해요.

• OT와 IT 데이터 연결이 계속 언급되는 건, 자율 최적화가 원인과 결과를 이어야 가능하기 때문이에요. 품질 문제가 났을 때 생산 설비의 온도, 압력, 속도 같은 값과 주문, 재고, 검사 결과가 따로 있으면 AI가 전체 흐름을 보기 어려워요.

• 로봇 파운데이션 모델이 흥미로운 지점은 작업마다 코드를 새로 짜는 방식을 줄이려는 데 있어요. 공장 환경은 예외 상황이 많아서 하드코딩만으로 버티기 힘들고, 모델이 상황을 해석해 행동을 조합해야 자동화 범위가 넓어져요.

• ETRI가 로봇 강령과 지능 레벨 표준화를 말한 것도 같은 맥락이에요. 물리 세계에서 움직이는 AI는 성능 지표만으로 배포 여부를 판단하기 어렵고, 어느 수준의 자율성을 허용할지 사회적·산업적 기준이 필요해요.