🏭 피지컬 AI에 1조 4천억, 연구실이 아니라 '공장'에 투자하는 이유 [비즈니스.AI]

이달의 뉴스레터에는

정부가 경남 제조 현장에 주목하는 이유
크라우드웍스, 경남 창원에 '피지컬 AI 허브' 거점 구축
제조 현장 데이터를 로봇 학습데이터로 만드는 조건
KT, 흩어진 교재 데이터를 하나의 구조로 연결한 방법
CAIO Summit·국가로봇테스트필드 세미나 현장
AI 개발 속도와 함께 갖춰야 할 안전장치

AI 투자가 제조 현장으로 향하고 있습니다. 정부는 제조업이 밀집한 경남·전북을 대상으로 피지컬 AI 연구개발 사업을 추진하고 있는데요. 2030년까지 총 1조 4,131억 원이 투입될 예정입니다.

그런데 AI 기술을 개발하는 데 왜 특정 지역의 제조 현장이 필요할까요?

이번 뉴스레터에서는 경남이 피지컬 AI의 주요 거점으로 주목받는 이유와, 제조 현장의 데이터를 AI 학습 자산으로 바꾸는 방법을 살펴봅니다.

인공지능 트렌드

피지컬 AI는 왜 경남 제조 현장으로 향할까? 🏭

이번 경남 피지컬 AI 사업에는 2026년부터 2030년까지 총 6,763억 원이 투입됩니다. 핵심은 제조 현장에서 사람과 AI가 협업하는 기술을 개발하고, 실제 공정에서 검증하는 일인데요.

로봇이 부품을 정확히 조립하려면 위치 정보만으로는 부족합니다. 어떤 힘과 각도로 움직였는지, 부품이 제대로 맞물렸는지까지 알아야 하죠. 이런 데이터는 장비와 사람이 실제로 움직이는 제조 현장에서 얻을 수 있습니다.

2025 전국 산업단지 현황지도(경남 지역), 자료: 한국산업단지공단, 2024년 12월 말 기준

경남에는 조선·방산·기계 등 다양한 제조산업이 밀집해 있습니다. 서로 다른 산업의 데이터를 한 지역에서 확보하고, AI가 다양한 환경에서 제대로 작동하는지 검증하기에도 유리하죠.

정부가 제조 현장을 중심으로 사업을 추진하는 이유도 여기에 있습니다. 현장에서 데이터를 모아 AI를 학습시키고, 실제 공정에서 검증해 개선하는 선순환 구조를 만들 수 있기 때문입니다.

정부가 6,763억 원을 투자하는 경남 피지컬 AI 사업,
제조 현장에는 어떤 변화가 생길까요?

블로그에서 자세히 보기

크라우드웍스 NEWS

크라우드웍스, 경남 창원에 지사 설립 🚩

앞서 살펴봤듯, 피지컬 AI 데이터는 실제 제조 현장에서 만들어집니다. 현장에서 어떤 데이터를 수집하고 어떻게 활용할지 설계하려면, 제조기업이 겪는 문제와 작업 환경을 가까이에서 확인해야 하죠. 크라우드웍스가 경남 창원에 지사를 세운 이유입니다.

크라우드웍스는 창원 지사를 중심으로 제조기업의 AI 도입 수요를 발굴하고, 지자체·산학연과 협력해 나갑니다. 2027년부터는 조선·방산·기계·항공 분야의 공정 데이터와 숙련 작업자의 노하우를 AI 학습데이터로 전환할 예정인데요. 이후 울산·전북 등 제조산업이 밀집한 지역으로 피지컬 AI 허브를 넓혀 갈 계획입니다.

경남 지사 소식 보러가기

피지컬 AI

데이터는 있는데, 로봇은 왜 배울 수 없을까? 🤖

공장에 작업 영상과 센서 기록이 충분히 쌓여 있다면, 바로 피지컬 AI 학습을 시작할 수 있을까요?

크라우드웍스 이준호 부사장은 현장 데이터를 AI가 학습할 수 있는 형태로 구조화하는 과정이 필요하다고 짚었는데요. 카메라 영상, 로봇의 움직임, 힘을 측정한 센서 값이 각각 저장돼 있는 것만으로는 AI가 작업 과정을 이해하기 어렵기 때문입니다.

로봇이 물체를 집는 장면을 떠올려 보면 쉽습니다. 물체의 위치, 로봇의 움직임, 집기에 성공했는지 실패했는지가 하나의 시간 축으로 연결돼야 합니다. 이렇게 상황과 행동, 결과를 하나의 작업 단위인 ‘에피소드’로 구성해야 AI가 작업 과정을 배울 수 있습니다.

산업 현장에서 발생하는 피지컬 AI 데이터의 역설 (생성형 이미지)

현장 전문가의 판단도 필요합니다. 용접 결과의 합격 여부나 잘못된 동작을 판단하는 숙련자의 암묵지를 구체적인 작업·검수 기준으로 전환해야 하기 때문입니다.

피지컬 AI 데이터는 현장에서 어떻게 구축할까요?
이준호 부사장의 인사이트를 블로그에서 확인해 보세요.

현장 인사이트 확인하기

프로젝트 사례

KT, 흩어진 데이터를 하나의 구조로 연결한 방법 📚

현장의 데이터를 AI가 학습할 수 있는 구조로 바꾸는 일은 제조업만의 이야기가 아닙니다. 크라우드웍스가 참여한 KT 교재·논술 학습데이터 구축 프로젝트도 비슷한 과제에서 출발했습니다.

교재의 문제와 정답, 해설은 서로 다른 파일이나 페이지에 나뉘어 있었습니다. 이미지와 표가 어느 문항에 속하는지도 구분해야 했죠. 논술 자료에는 학생의 손글씨 답안과 교사의 첨삭이 겹쳐 있어서 내용을 추출하는 것만으로는 각각의 의미를 연결하기 어려웠습니다.

문항별 데이터 스키마 구조 예시 (생성형 이미지)

크라우드웍스는 원천데이터의 특성과 AI 활용 목적에 맞춰, 데이터를 어떻게 구성하고 연결할지 정하는 ‘스키마’를 설계했습니다. 문제·정답·해설과 이미지·표를 문항별로 연결하고, 학생 답안의 어느 부분에 어떤 첨삭이 달렸는지도 구조에 반영했죠. 사람의 판단이 필요한 영역은 도메인 전문가가 검수했습니다.

그 결과 1차 사업에서 교재 194권과 논술 데이터 12,785개를 구축했고, 프로젝트는 2차 사업으로 이어졌습니다. 핵심은 서로 떨어져 있던 정보를 AI가 관계와 맥락을 학습할 수 있는 구조로 만들었다는 점입니다.

더 자세한 프로젝트 내용이 궁금하시다면?

프로젝트 사례 자세히 보기

현장 스케치

기업 AI 데이터, 구축 이후가 더 중요한 이유 🔎

AI가 활용할 수 있는 형태로 데이터를 만들었다면, 다음 과제는 운영입니다. 지난 9월 18일 CAIO Summit에서 크라우드웍스 이준호 부사장은 '기업 AX 사례와 데이터 전략'을 주제로 데이터 구축 이후의 운영 방안을 소개했습니다.

아무리 성능이 좋은 AI라도 오래되거나 잘못된 문서를 참고하면 부정확한 답을 할 수 있습니다. 문서가 바뀌면 최신 정보를 반영하고, 문제가 생기면 어느 단계에서 오류가 났는지 확인할 수 있어야 하죠.

발표에서는 크라우드웍스의 솔루션 ‘Alpy Data Portal’로 바뀐 문서만 다시 처리하고, 처리 이력과 버전까지 추적하는 방법 등을 소개했는데요. 특히 데이터를 구축한 뒤에도 최신성과 품질을 유지하는 운영 체계가 기업 AX에 함께 필요하다는 점을 강조했습니다.

피지컬 AI, 왜 현장마다 수집 방법이 다를까? 🤖

9월 29일, ‘2026 국가로봇테스트필드 기술교류 세미나’에서 크라우드웍스 최호민 피지컬 AI 리드가 현장 데이터 구축 경험을 공유했습니다.

발표에서는 피지컬 AI 데이터의 특성과 수집 방식, 데이터 플랫폼부터 실제 산업 현장의 구축 사례까지 다뤘는데요. 구형 크레인의 제어 신호와 영상을 결합한 조선 AX, 카메라·데이터 글러브·위치 트래커를 활용한 제조 작업, 물리 모델의 학습 방식에 맞춰 구축한 월드모델 데이터 등 다양한 사례를 소개했습니다.

사례마다 데이터의 형태와 수집 방식은 달랐지만 공통점이 있었습니다. 모델이 데이터를 어떻게 활용하는지에 따라 데이터의 구조와 수집 방식도 달라져야 한다는 점입니다.

우리 현장에는 어떤 피지컬 AI 데이터가 필요할까요?

피지컬 AI 데이터 리포트 확인하기

AI 뉴스클리핑