Industrial AI at GTC Berlin: 유럽 제조사들이 설계 해석·가상 공장·현장 검사를 AI로 바꾼 사례 모음

유럽 제조사들은 실물을 만들기 전에 가상에서 먼저 시험하고 공장에서는 영상을 읽는 에이전트로 검사를 돕게 하고 있습니다. 옮겨 오려면 한 공정을 골라 판정 기준과 실측 비교 방법부터 정해야 합니다.

요약

NVIDIA 블로그의 James McKenna는 2026년 10월 21일, GTC Berlin 기조연설에 맞춰 유럽 제조사들이 NVIDIA 소프트웨어를 어디에 쓰는지 한 편으로 묶었습니다(벤더 블로그). 도구는 크게 넷입니다. CUDA-X 라이브러리(GPU 가속 계산 모음)와 Omniverse 라이브러리(3D 시뮬레이션·디지털 트윈 개발 도구), 공개 모델 Cosmos(영상·물리 세계 이해 모델)와 Nemotron(언어 모델)입니다. 사례는 세 구간에 걸쳐 있습니다. 설계 단계에서는 Mercedes-Benz, imec, Infineon, Dassault Systèmes 고객사가 해석을 GPU로 돌립니다. 공장을 짓기 전에는 Audi, Volkswagen 작센, Schaeffler가 가상 공장과 로봇을 시험합니다. 공장이 돌아갈 때는 Siemens와 Mercedes-Benz가 에이전트로 원인 분석과 검사를 맡깁니다.

글이 밝힌 숫자는 많지 않습니다. Siemens는 FOX(Factory Operations Blueprint, 공장 운영 에이전트 설계도)로 만든 에이전트를 Intelligence Center X에 붙이고 있습니다. 이로써 비용을 20% 아낄 것으로 추정합니다. Erlangen 전자공장에서는 합성 결함 이미지로 검사 보정 시간을 40% 줄였습니다. 해석 쪽에서는 imec 모델 기준 S-Litho가 최대 40배, Infineon의 Sentaurus Device 3D 항복 시뮬레이션이 12배 빨라졌습니다. 효과가 나는 이유는 사례마다 같습니다. 실물 시제품, 실제 라인, 실물 결함이 있어야 하던 확인을 가상 환경과 생성 데이터로 옮겨 기다리는 시간을 줄였습니다. 아래에서는 다섯 가지 작동 방식을 풀고 사례를 다시 짠 뒤, 우리 공장에서 첫 파일럿을 돌릴 때 정할 설정과 일정을 덧붙입니다.

핵심 메커니즘

GPU Solver와 Physics AI: 해석 한 건을 빠르게, 반복 탐색은 AI로

설계 해석을 줄이는 방법은 두 겹입니다. 첫째는 기존 해석 소프트웨어를 GPU에서 돌리는 것입니다. NVIDIA는 GTC Berlin에서 cuDSS(구조 응력·유체·전자기장·반도체 소자 계산에 쓰는 GPU 연립방정식 풀이 라이브러리)를 정식 출시했습니다. Mercedes-Benz는 Siemens Simcenter STAR-CCM+를 GPU에서 돌려 차량 설계안의 공기역학을 더 빨리 비교합니다. 둘째는 솔버 결과로 학습한 AI 모델(서로게이트)이 수천 개 조건을 즉시 예측하게 하는 것입니다. Autodesk는 PhysicsNeMo(물리 AI 학습 프레임워크)와 Warp(GPU 시뮬레이션용 Python 프레임워크)를 차량 설계 도구 NavPack에 넣었습니다. Saab와 UniversalAGI는 며칠 걸리던 파도 조건·진행 방향 수천 가지 평가를 실시간으로 바꿨습니다. 설계안 몇 개를 정밀하게 볼 때는 첫째 방법이, 수백 개 후보를 걸러야 할 때는 둘째 방법이 맞습니다. 최종 확인은 여전히 정밀 해석이 맡습니다.

Virtual Factory: 설비를 사기 전에 OpenUSD 장면에서 라인을 시험

디지털 트윈은 공장과 설비를 3D 장면으로 만들고 그 안에서 공정을 돌려 보는 방법입니다. 작동 순서는 이렇습니다. CAD와 레이아웃, 엔지니어링 데이터를 OpenUSD(3D 장면을 여러 도구가 함께 쓰는 공개 형식) 장면으로 모읍니다. 그 위에서 Isaac Sim(로봇 시뮬레이터)으로 로봇 동작을, 물류·사람 동선이나 전력·냉각 구성을 돌립니다. 결과로 설비 발주, 로봇 프로그램, 배치를 확정합니다. Audi는 아직 없는 배터리 생산 설비를 트윈에서 시험했습니다. Schneider Electric과 AVEVA는 Nscale을 위해 AI 데이터센터의 전력·냉각·장비 구성을 비교하는 트윈을 만들고 있습니다. 새 라인이나 증설처럼 실물 변경 비용이 큰 결정 앞에서 효과가 큽니다. 이미 안정된 라인의 작은 조정이라면 현장 시험이 더 빠를 수 있습니다.

FOX: 관리자 에이전트가 전문 에이전트를 부르는 공장 운영 구조

FOX는 공장에 상시로 떠 있는 관리자 에이전트와 전문 에이전트를 만드는 설계도입니다. GitHub에서 얼리 액세스로 공개됐습니다. 전문 에이전트는 시각 검사, 원인 분석, 보고서 작성, 설비 군 관리를 나눠 맡습니다. 관리자 에이전트는 운영을 실시간으로 지켜보다가 문제가 생기면 시각 판정 결과와 설비 로그를 맞대어 원인을 좁히고 대응을 조율합니다. 모델은 Cosmos와 Nemotron을 쓰고 지식은 CAD, PLM(제품 수명 주기 관리), 시뮬레이션 소프트웨어, IT·OT(현장 제어) 시스템에서 가져옵니다. 글이 강조하는 점은 공장마다 모델을 다시 학습시키지 않아도 된다는 것입니다. Cosmos의 in-context learning(프롬프트에 예시와 문서를 넣어 적응시키는 방식)으로 예시와 문서만 주면 됩니다. Siemens가 이 구조를 Intelligence Center X에 넣고 있습니다. 데이터가 여러 시스템에 흩어져 있고 원인 조사가 반복되는 공장에 맞습니다.

Synthetic Defect Data: 드문 불량을 생성해 검사를 미리 맞추기

검사 모델은 불량 사진이 많아야 맞출 수 있습니다. 그런데 잘 돌아가는 라인일수록 불량은 드뭅니다. Siemens의 Process Preparation X 에이전트는 Cosmos Data Factory(학습 데이터 생성 도구와 스킬 모음)로 회로기판 검사용 결함 이미지를 만듭니다. 흐름은 실물 결함 몇 장과 결함 유형 정의를 넣고 유형별 이미지를 생성하고 그 이미지로 검사 공정을 보정하는 순서입니다. Siemens는 Erlangen 전자공장에서 이 방법으로 검사 보정 시간을 40% 줄였습니다. 신제품 투입처럼 실물 불량이 아직 없을 때 특히 쓸모가 있습니다. 생성 이미지만으로 합격 판정을 내리지 않고 실물 시험셋으로 따로 확인하는 단계를 남겨 둡니다.

Video Agents for Inspection: 영상을 읽고 조립 이탈을 찾는 에이전트

검사 에이전트는 공정 카메라 영상을 보고 기준과 다른 지점을 찾습니다. Mercedes-Benz는 Cosmos 3와 Metropolis VSS(Video Search and Summarization, 긴 영상에서 사건을 찾고 요약하는 설계도)를 씁니다. 이 둘로 차량 검사와 앞유리 조립 확인 에이전트를 만들고 있습니다. 작동 순서는 영상 입력, 장면 이해와 기준 비교, 이탈 구간 추출, 사람 확인입니다. 규칙 기반 비전 검사가 놓치기 쉬운 “순서가 틀렸다”, “자리를 덜 잡았다” 같은 동작·맥락형 이탈에 맞습니다. 치수처럼 숫자로 재는 항목은 기존 계측기가 더 정확합니다.

통념과 다른 주장

저자가 든 사례

Mercedes-Benz: 설계 해석과 조립 검사 두 곳에 쓰기

• 상황: 차량 설계안을 비교하려면 공력 해석을 여러 번 돌려야 합니다. 공장에서는 차량 검사와 앞유리 조립을 일관되게 확인해야 합니다.
• 한 일: 설계 쪽은 Simcenter STAR-CCM+를 GPU에서 돌립니다. 공장 쪽은 Cosmos 3와 Metropolis VSS로 검사·조립 확인 에이전트를 만들고 있습니다.
• 결과: 해석이 빨라져 설계안 비교가 쉬워지고 에이전트가 이탈을 감지해 품질을 고르게 유지합니다. 수치는 원문에서 밝히지 않음.
• 연결: GPU Solver, Video Agents for Inspection.

Audi: 설비가 생기기 전에 배터리 라인을 돌려 보기

• 상황: 배터리 생산 개념을 시험하고 싶지만 설비가 아직 없습니다.
• 한 일: Omniverse 라이브러리로 배터리 생산 디지털 트윈을 만들었습니다. Dassault Systèmes, Agile Robots와 함께 DELMIA 가상 트윈에서 이동형 휴머노이드 로봇과 물류 공정도 시험합니다.
• 결과: 설비를 들이기 전에 생산 개념을 확인합니다. 수치는 원문에서 밝히지 않음.
• 연결: Virtual Factory.

Siemens: 원인 분석 에이전트와 합성 결함 데이터

• 상황: 공장 문제의 원인을 찾고 대응을 조율하려면 여러 시스템을 오가야 합니다. 회로기판 검사는 보정에 시간이 걸립니다.
• 한 일: FOX로 만든 에이전트를 Intelligence Center X에 붙이고 있습니다. Process Preparation X 에이전트는 Cosmos Data Factory로 결함 이미지를 생성합니다.
• 결과: 비용 20% 절감을 추정합니다(산정 근거는 원문에서 밝히지 않음). Erlangen 전자공장의 검사 보정 시간은 40% 줄었습니다.
• 연결: FOX, Synthetic Defect Data.

Volkswagen 작센과 Schaeffler: 로봇을 실물 전에 준비하기

• 상황: 로봇을 현장에 놓기 전에 조립 흐름과 로봇 관절 부품의 동작을 확인해야 합니다.
• 한 일: Wandelbots는 Volkswagen 작센의 Transparent Factory에서 NOVA와 Isaac Sim으로 조립 흐름을 디지털로 검증합니다. Schaeffler는 휴머노이드 액추에이터(관절 구동부)의 트윈을 만들어 로봇 파트너가 Isaac 시뮬레이션에서 부품 동작을 평가하게 합니다.
• 결과: 로봇 애플리케이션을 실물 배치 전에 준비하고 부품의 실물 시험을 줄입니다. 감소 폭은 원문에서 밝히지 않음.
• 연결: Virtual Factory.

기술 디테일: 첫 프로토타입을 만들 때 정할 것

검사 에이전트를 돌리려면(Video Agents 연결) 영상을 통째로 넣지 말고 공정 단계 단위 클립으로 잘라 호출합니다. 앞유리 조립이라면 프라이머 도포, 우레탄 비드, 유리 안착, 압착 대기처럼 단계마다 1030초 클립이 한 호출입니다. 모델 출력은 아래처럼 고정된 JSON으로 받습니다. temperature는 0으로 두고 같은 클립을 3회 판정해 다수결을 냅니다. 세 번 판정이 갈리면 confidence를 낮추고 사람 확인 대기열로 보냅니다. 판정 기준은 기존 품질 체크리스트 문장을 그대로 넣고 이탈 유형마다 정상·불량 예시 클립을 510개씩 프롬프트에 붙입니다. 이것이 FOX가 말하는 예시 기반 적응을 실제로 구현하는 방법입니다. 유리 반사, 작업자 팔에 가려진 장면, 카메라 각도 변경이 대표 실패 원인입니다. 가려진 장면은 “판정 불가”를 따로 받아 불량으로 세지 않습니다.

{
  "station_id": "WS-03",
  "vin": "WDD1234567",
  "step": "glass_seating",
  "expected": "유리 네 모서리가 기준선 안에 안착",
  "observed": "왼쪽 아래 모서리 들뜸",
  "deviation_type": "seating_gap | sequence | missing_part | none | unreadable",
  "confidence": 0.82,
  "votes": [ "seating_gap", "seating_gap", "none" ],
  "clip_ref": "s3://line2/ws03/2026-11-04T09:12:31.mp4#t=14,26",
  "checked_by": null
}

합성 결함 데이터를 쓰려면(Synthetic Defect Data 연결) 실물 불량 이미지를 먼저 학습용과 시험용으로 나누고 시험용에는 생성 이미지를 절대 섞지 않습니다. 생성은 결함 유형별로 하고 유형마다 몇 장을 만들었는지 기록합니다. 판정 지표는 전체 정확도가 아니라 결함 유형별 recall(실제 불량 중 잡아낸 비율)입니다. 생성 이미지를 넣은 뒤 어느 유형이라도 실물 시험셋의 recall이 떨어지면 그 유형의 생성 비율을 줄입니다.

해석 서로게이트를 쓰려면(Physics AI 연결) 정밀 솔버로 설계안 200~500개를 먼저 계산해 학습 데이터를 만듭니다. 서로게이트로 수천 개 후보를 걸러 상위 10개를 고르고 그 10개를 다시 정밀 해석합니다. 두 결과의 차이가 미리 정한 허용 범위(예: 항력 계수 2%)를 넘으면 그 영역의 학습 데이터를 보강합니다. 학습 범위를 벗어난 형상은 서로게이트 결과를 쓰지 않고 정밀 해석으로 돌립니다.

가상 공장 트윈을 쓰려면(Virtual Factory 연결) 장면을 만든 뒤 바로 의사결정에 쓰지 않습니다. 먼저 이미 돌아가는 비슷한 라인 하나를 같은 방식으로 모델링해 실측과 대조합니다. 공정별 사이클 타임과 시간당 생산량이 실측의 ±5% 안에 들어오면 새 라인 결정에 씁니다. 장면에는 설비 형상뿐 아니라 설비별 사이클 타임, 고장 간격, 작업자 수, 버퍼 크기를 속성으로 넣어야 결과가 숫자로 나옵니다.

원인 분석 에이전트를 붙이려면(FOX 연결) 관리자 에이전트에게 줄 도구를 읽기 전용부터 엽니다. 첫 단계 도구는 설비 로그 조회, 검사 판정 조회, 작업 표준서 검색, 보고서 초안 작성 네 가지면 충분합니다. 설비 파라미터 변경이나 라인 정지처럼 현장에 영향을 주는 도구는 섀도 운영이 끝날 때까지 주지 않습니다. 에이전트가 원인을 제시할 때는 근거로 쓴 로그 구간과 판정 ID를 함께 내게 해, 사람이 같은 근거를 다시 열어 볼 수 있게 합니다. 호출마다 입력, 쓴 도구, 출력, 모델 버전을 기록합니다. 근거 없이 원인을 단정하는 답은 “근거 부족”으로 돌려보내는 규칙을 프롬프트와 후처리 양쪽에 둡니다.

현업 실행 디테일: 누가, 언제, 무엇을

역할	담당	하는 일
스폰서	공장장 또는 품질 총괄	대상 공정 승인, 판정 회의 주재
품질 엔지니어	대상 공정 담당 1~2명	체크리스트 문장화, 예시 클립 라벨, 판정 결과 확인
생산기술	1명	카메라 위치, 공정 단계 구분, 라인 영향 검토
IT·OT	1~2명	카메라·MES 연동, 영상 저장, 보안 구역 확인
해석·설계	CAE 담당 1명	해석 서로게이트 후보 과제 선정(2차 과제)

시작 전에 모을 것. 대상 공정의 품질 체크리스트, 최근 6개월 불량 기록과 유형별 건수, 공정 영상 샘플(정상·불량), 카메라 배치도, 공정 단계별 표준 작업 시간입니다.

기간	할 일	산출물
1~2주	공정 한 곳 선정, 카메라·영상 확보, 이탈 유형 정의	이탈 유형 목록, 영상 샘플
3~4주	체크리스트를 판정 기준으로 바꾸고 예시 클립 라벨	프롬프트·JSON 필드 정의서
5~6주	섀도 운영: 에이전트 판정과 사람 검사를 나란히 기록	유형별 일치율·놓친 건수
7~8주	판정 회의, 확대 공정과 합성 데이터 필요 유형 결정	판정 보고서

첫 주에 확인할 데이터 준비도. 카메라가 대상 동작을 가리지 않고 찍는지, 영상이 최소 30일 보관되는지, 차대번호나 작업 번호로 영상과 MES 기록을 이을 수 있는지 세 가지를 봅니다. 하나라도 안 되면 파일럿 공정을 바꾸거나 첫 2주를 연동 작업에 씁니다.

품질 엔지니어에게 물을 것.

1. 지금 사람이 눈으로 확인하는 항목 중 가장 자주 놓치는 것은 무엇인가요?
2. 그 항목은 카메라로 보이나요? 가려지는 순간은 언제인가요?
3. 불량으로 볼지 애매한 경우는 누가 어떤 기준으로 결정하나요?
4. 에이전트가 놓쳐도 되는 것과 절대 놓치면 안 되는 것은 무엇인가요?

진행 판정 기준(예시). 섀도 운영에서 세 조건을 모두 채우면 다음 공정으로 넓힙니다. 사람 검사와의 판정 일치율 90% 이상, 사람이 잡은 불량 중 에이전트가 놓친 건수 0건, 판정 불가 비율 10% 이하입니다. 기준은 섀도 운영 전에 정합니다.

AX 적용 제언. 한국 완성차·부품사·배터리 회사라면 순서를 이렇게 권합니다. 먼저 체크리스트가 이미 있고 사람이 눈으로 보는 조립 공정 한 곳에 검사 에이전트를 붙입니다. 효과를 재기 쉽고 기존 비전 장비를 바꾸지 않아도 됩니다. 섀도 운영에서 불량 예시가 모자라는 유형이 나오면 그때 합성 결함 데이터를 붙입니다. 신규 라인이나 증설 투자 심의가 잡혀 있으면 같은 해에 기존 라인 하나로 트윈 정확도를 검증해 두고 투자 심의 자료에 트윈 결과를 넣습니다. 해석 서로게이트는 R&D 조직이 따로 진행하되, 설계 변경이 잦은 부품 하나로 시작합니다. 스폰서는 IT가 아니라 공장장이나 품질 총괄에 두고 성과 지표는 놓친 불량, 검사 시간, 투자 결정까지 걸린 기간으로 잡습니다.

원문 사례

항목	내용
발표	NVIDIA 블로그, James McKenna, 2026.10.21(GTC Berlin 기조연설일). 벤더 블로그
쓰인 도구	CUDA-X, Omniverse 라이브러리, OpenUSD, Isaac Sim, Cosmos(Cosmos 3, Data Factory), Nemotron, Metropolis VSS, FOX, cuDSS, PhysicsNeMo, Warp
공장 운영	Siemens Intelligence Center X(FOX 에이전트, 비용 20% 절감 추정), Siemens Erlangen(검사 보정 시간 40% 단축), Mercedes-Benz(차량 검사·앞유리 조립 확인 에이전트)
설계·해석	Mercedes-Benz(STAR-CCM+ 공력), Autodesk NavPack, imec(S-Litho 최대 40배), Infineon(Sentaurus Device 12배), Leonardo·Neural Concept(항공기), Dassault Systèmes(차량 도어), Saab·UniversalAGI(파도 조건 며칠→실시간), PhysicsX·GB1(요트), Mistral(계획)
가상 공장·로봇	Audi(배터리 생산 트윈, Dassault Systèmes·Agile Robots), Volkswagen 작센(Wandelbots NOVA), Schaeffler(액추에이터 트윈), Falkor(KONGSBERG, 설비 공간 지능 에이전트), Schneider Electric·AVEVA(Nscale AI 팩토리 트윈)
공개 상태	cuDSS 정식 출시, FOX GitHub 얼리 액세스. 나머지는 도입·개발 진행 중

핵심 개념

CUDA-X

NVIDIA GPU에서 계산을 빠르게 하는 라이브러리 묶음. 해석 솔버가 이 위에서 돕니다.

Omniverse

3D 장면을 만들고 물리 시뮬레이션을 돌리는 NVIDIA 개발 도구 모음. 디지털 트윈의 바탕입니다.

Cosmos

영상과 물리 세계를 이해·생성하는 NVIDIA 공개 모델 계열. 검사 판정과 데이터 생성에 쓰입니다.

Nemotron

NVIDIA 공개 언어 모델 계열. FOX 에이전트와 Dassault Systèmes 가상 도우미에 쓰입니다.

Intelligence Center X

Siemens의 에이전트 기반 기업 시스템. 원인 분석과 공장 운영 조율을 맡습니다.

Wandelbots NOVA

산업용 로봇 프로그램을 만들고 검증하는 Wandelbots의 플랫폼.

액추에이터

로봇 관절을 움직이는 구동 부품. 모터, 감속기, 센서가 한 묶음입니다.

내 메모

TODO: 내 생각 추가

원문: James McKenna, “Europe’s Industrial Leaders Reinvent Engineering and Manufacturing With NVIDIA”(NVIDIA 블로그, 2026.10.21). 벤더 블로그로, 효과와 수치는 NVIDIA와 고객사가 밝힌 내용이며 측정 기준선과 기간은 글에 없습니다. 요약·메커니즘·통념과 다른 주장·사례·원문 사례 표는 글의 내용을 AX Review가 다시 정리했습니다. cuDSS, PhysicsNeMo, Warp, OpenUSD의 짧은 풀이는 NVIDIA 공개 자료의 일반 설명을 따랐습니다. 기술·현업 실행 디테일, JSON 예시, 설정값, 일정, 판정 기준과 모든 인포그래픽은 원문에 없는 내용으로 새로 작성한 가상 예시입니다. 전체 내용은 원문에서 볼 수 있습니다.