YuanYe Steel Large Model: 중국 난징강철이 철강 대형모델과 에이전트 25개로 연 1,500만 달러를 아낀 방식
중국 난징강철(NISCO)이 화웨이와 만든 철강 대형모델 위에 업무 에이전트 25개와 AI 모델 300여 개를 돌려 압연력 적중률을 88%에서 98%로 올리고 연 1,500만 달러 이상을 아꼈다는 화웨이 보도자료입니다. AI와 야금 메커니즘 모델을 함께 쓰는 구조, 네 장면의 성과, 따라 할 때의 필드와 8주 일정을 정리했습니다.
NISCO는 데이터 모델 하나에 기대지 않고, AI 모델과 철강의 물리·화학 법칙을 담은 메커니즘 모델을 함께 돌려 고로·압연·검사·환경 네 곳에서 숫자로 성과를 냈습니다. 옮기려면 설비 연결과 데이터 층을 먼저 깔고, 장면마다 "적중"의 정의와 사람의 승인 지점을 정해야 합니다.
요약
이 글은 화웨이가 제공해 Automation World에 2026년 10월 26일 실린 보도자료입니다. 중국 난징강철(Nanjing Iron & Steel, NISCO)은 화웨이와 생태계 파트너와 함께 철강 특화 대형모델 YuanYe Steel Large Model을 만들어 여러 공정에 적용했습니다. 구조는 dual-drive(두 갈래 구동)입니다. 데이터에서 패턴을 찾는 AI 모델 여러 개와 야금 메커니즘 모델(철강 공정의 물리·화학 법칙을 수식으로 담은 모델)을 한데 묶습니다. 모델이 읽는 데이터는 26개 업무 영역에 걸친 OT(Operational Technology, 설비·제어 계층) 데이터 수백만 점입니다. 결과는 지능형 운영 센터의 디지털 트윈(현장을 실시간으로 비춘 가상 모델)에 나타납니다. 2026년 10월까지 업무 에이전트 25개가 가동에 들어갔습니다.
보도자료가 밝힌 회사 전체 성과는 핵심 설비 100% 연결·디지털 제어, 신제품 개발 기간 50% 단축, 연 1,500만 달러 이상 비용 절감입니다. 장면별로 보면 고로는 노 안의 온도와 이상을 2시간 앞서 90% 이상 정확도로 예측합니다. 압연은 압연력 예측 적중률을 88%에서 98%로 올렸습니다. 금속 조직 검사는 시료 하나에 10분 걸리던 일을 3~5분으로 줄였고, 가스·배기가스 황 관리 에이전트는 천연가스 혼소를 절반 가까이 줄였습니다. 보도자료가 강조하는 축은 두 가지입니다. 물리 법칙과 데이터 모델을 함께 쓴 점, 그리고 단일 공정에서 멈추지 않고 생산·운영·관리를 한 데이터 층으로 이은 점입니다. 아래에서는 이 구조를 다섯 개념으로 풀고 우리 공장에 옮길 때 필요한 필드, 역할, 일정을 덧붙입니다.
핵심 메커니즘
Dual-drive: AI 모델과 메커니즘 모델을 함께 돌리기
YuanYe의 뼈대는 두 종류의 모델을 함께 쓰는 구조입니다. 보도자료는 이를 뇌에 빗댑니다. Right brain(오른쪽 뇌)은 데이터에서 확률적으로 패턴을 찾는 AI 모델이고, Left brain(왼쪽 뇌)은 과학 법칙에 따라 정밀하게 계산하는 메커니즘 모델입니다. 보도자료는 이 구조를 dual-drive, multi-model cluster라고 부르고, 철강에서 처음으로 swarm intelligence(여러 모델이 함께 움직이는 군집 지능)를 쓴 모델이라고 소개합니다. 이 구조는 물리식이 이미 잘 정립된 공정에서 힘을 냅니다. 고로의 열 수지, 압연의 변형 저항처럼 수십 년 쌓인 식이 있으면 AI는 그 식이 놓치는 차이만 맞추면 됩니다. 반대로 물리식이 없는 영역(예: 고객 주문 패턴)에서는 메커니즘 모델의 몫이 거의 없습니다.
작은 예시(가상): 압연 설정 모델이 물리식으로 압연력 2,000톤을 계산했는데 같은 강종에서 실측이 늘 3% 높게 나왔다면, AI는 그 3%의 패턴(온도, 롤 마모, 이전 패스 결과)을 학습해 보정합니다.
OT 데이터 층과 디지털 트윈: 에이전트보다 먼저 깐 바닥
모델과 에이전트는 설비가 연결되어 있어야 일합니다. NISCO는 핵심 설비를 100% 연결하고 디지털로 제어한다고 밝혔습니다. 26개 업무 영역의 센서 데이터 수백만 점을 모아 지능형 운영 센터의 5차원 디지털 트윈에 실시간으로 비춥니다. 보도자료는 이 트윈이 공간, 조직, 설비의 경계를 넘어 생산과 운영을 한꺼번에 관리하게 해 준다고 설명합니다. 에이전트가 고로와 압연을 넘나들며 판단하려면 두 공정의 데이터가 같은 시간축과 같은 이름으로 한곳에 있어야 합니다. 설비 연결이 절반에 머문 공장이라면 에이전트보다 이 층을 먼저 채워야 합니다.
Scenario Agent: 공정마다 입력, 처리, 출력을 따로 설계
25개 업무 에이전트는 공정마다 다른 문제를 풉니다. 보도자료가 자세히 설명한 네 장면은 입력과 처리 방식이 모두 다릅니다. 고로는 노 안 센서와 메커니즘 분석을 넣어 동적 시뮬레이션과 노온 예측을 돌립니다. 압연은 전문가 경험을 담은 압연력 예측 모델을 밀리초 단위로 응답하게 했습니다. 금속 조직 검사는 시료를 갈고 다듬어 촬영하는 과정을 로봇으로 자동화하고 등급 판정을 AI에 맡겼습니다. S-Link Intelligent Agent(가스·배기가스 황 관리 에이전트)는 공정 변수 602개에 이미지·지식 데이터를 더해 쓰고, 메커니즘 역산과 시계열 예측, 최적화 알고리즘을 조합합니다. 공통점은 장면마다 “몇 시간 앞을, 어느 정확도로” 맞히는지를 숫자로 정해 두었다는 점입니다.
현장이 만드는 AI: 로코드 앱 1,000개 이상
회사가 공식으로 운영하는 업무 에이전트는 25개지만, 현장 직원이 직접 만든 로코드(low-code, 코드를 거의 쓰지 않는 개발 방식) 에이전트와 경량 앱은 1,000개가 넘습니다. 공장 곳곳에 배치한 AI 모델도 300개 이상입니다. 보도자료는 이를 inclusive AI(누구나 쓰고 만드는 AI)로 부릅니다. 데이터 층과 대형모델을 공용 기반으로 두면, 작은 문제는 현장이 스스로 풀고 큰 문제만 중앙이 맡는 구조가 됩니다. 기반 없이 현장 앱부터 늘리면 각자 다른 데이터를 읽어 숫자가 서로 어긋나기 쉽습니다.
단일 지점에서 통합으로: AI-native 3계층
화웨이 철강·비철 사업부의 수석 산업 솔루션 전문가 Cheng Yongfu는 산업 AI의 가치가 단일 지점 활용을 넘어 생산·운영·관리 전체로 이어질 때 나온다고 말합니다. NISCO의 다음 계획도 같은 방향입니다. 화웨이와 함께 스마트 제철소 전용 데이터센터를 만들고, AI-native OS, AI-native 공장, AI-native 기업으로 이어지는 3계층 구조를 YuanYe로 돌린다는 계획입니다. 3계층의 세부 구성은 보도자료에 나오지 않습니다. 실무에서 읽을 점은 순서입니다. NISCO는 장면별 성과를 먼저 숫자로 확인한 뒤 통합 단계로 넘어갔습니다.
통념과 다른 주장
흔히 이렇게 봅니다제조 AI의 목적은 사람을 줄이는 자동화다.
NISCO는 이렇게 봅니다목표는 사람을 대체하는 것이 아니라 데이터 더미에서 꺼내 더 가치 있는 일에 쓰게 하는 것이다.
근거NISCO 디지털·지능화 통합개발부 총괄이자 AI 연구원장인 Li Jinyan은 "Digital and intelligent transformation is inherently human-centric."이라고 말합니다. 실제로 고로 운영자는 사후 대응에서 사전 제어로, 금속 조직 검사원은 반복 판정에서 이상 분석과 결정으로 일이 바뀌었습니다.
흔히 이렇게 봅니다AI 앱은 중앙 IT·데이터 팀이 만들어 현장에 배포한다.
NISCO는 이렇게 봅니다공용 기반 위에서 현장 직원이 직접 만들게 해야 확산된다.
근거공식 업무 에이전트는 25개인데 현장 직원이 독자적으로 만든 로코드 에이전트·경량 앱은 1,000개를 넘습니다.
저자가 든 사례
고로: 노 안을 2시간 앞서 보기
| 항목 | 내용 |
|---|---|
| 상황 | 고로 내부는 직접 볼 수 없어 문제가 생긴 뒤에 대응하는 일이 많았습니다. |
| 한 일 | 노 안 센서 데이터와 야금 메커니즘 분석을 합쳐 실시간 동적 시뮬레이션을 돌리고, 노온 예측·건강 진단 모델을 만들었습니다. |
| 결과 | 노온과 이상을 최대 2시간 앞서 90% 이상 정확도로 예측합니다. 우등 쇳물 수율이 10% 넘게 올랐고 단위 에너지 소비도 줄었습니다(에너지 수치는 원문에서 밝히지 않음). |
| 연결 | Dual-drive와 OT 데이터 층이 함께 쓰인 장면입니다. |
압연: 압연력 적중률 88%에서 98%로
| 항목 | 내용 |
|---|---|
| 상황 | 압연 조건은 순간마다 바뀌고 설정이 어긋나면 두께가 흔들립니다. |
| 한 일 | 전문가 경험을 모델에 담아 밀리초 단위로 응답하는 압연력 예측 모델을 만들었습니다. |
| 결과 | 적중률이 88%에서 98%로 올랐고 두께 공차 ±0.2mm를 지킵니다. 전체 수율이 0.5% 올랐고 연 250만 톤 이상의 후판을 생산합니다. 제품은 경기장, 송유관, 크루즈선, LNG 탱크에 쓰입니다. |
| 연결 | Scenario Agent가 물리식과 경험을 함께 담은 사례입니다. |
금속 조직 검사: 시료당 10분에서 3~5분으로
| 항목 | 내용 |
|---|---|
| 상황 | 완성 강재의 금속 조직 검사는 사람이 시료를 갈고 다듬어 현미경으로 보고 등급을 매겼습니다. |
| 한 일 | 연삭·연마·이미지 촬영을 로봇으로 자동화하고 등급 판정을 AI에 맡겼습니다. |
| 결과 | 판정 정확도 95% 이상, 시료당 시간 10분에서 3~5분. 보도자료는 검사 효율이 두 배가 됐다고 쓰고, 전체 검사 효율 80% 향상이라는 표현도 씁니다. 검사원은 이상 분석과 결정에 집중합니다. |
| 연결 | 통념과 다른 주장(사람을 더 가치 있는 일로)의 사례입니다. |
S-Link 에이전트: 황 위험을 1시간 앞서 막기
| 항목 | 내용 |
|---|---|
| 상황 | 가스 연소에서 나오는 황이 배출 기준을 넘지 않게 관리해야 합니다. 이전 운영 방식의 세부는 원문에서 밝히지 않았습니다. |
| 한 일 | 공정 변수 602개와 이미지·지식 데이터로 메커니즘 역산과 시계열 예측을 돌리고, 가스 배합 최적화와 게임이론 기반 배출 배분을 더했습니다. 발생원 예측, 공정 최적화, 배출단 준수를 하나의 루프로 묶었습니다. |
| 결과 | 황 위험을 1시간 앞서 95% 이상 정확도로 경보합니다. 최적 배합을 초 단위로 내고, 천연가스 혼소를 50% 가까이, 배출 관련 정지를 25% 넘게 줄였습니다. 연 9만 달러 이상의 경제 효과를 냈습니다. |
| 연결 | Scenario Agent와 dual-drive(역산은 메커니즘, 예측은 데이터)가 한 루프로 묶인 사례입니다. |
기술 디테일: 우리 공장에서 돌리려면
Dual-drive를 돌리려면 AI에게 물리식의 오차만 맡깁니다. 메커니즘 모델이 기본값을 내고 머신러닝 모델은 실측과 기본값의 차이(잔차)만 학습해 더하는 방식이 가장 단순합니다. 압연력이라면 입력은 강종, 슬래브 온도, 패스별 압하량, 롤 직경, 압연 속도, 앞 패스 실측 압연력입니다. 밀리초 응답이 필요하므로 대형 언어모델이 아니라 그래디언트 부스팅이나 작은 신경망을 제어기 가까이(엣지)에 둡니다. 입력이 학습 범위를 벗어나면(새 강종, 처음 보는 두께) 보정값을 버리고 물리식 값만 씁니다. 이렇게 하면 AI가 틀려도 기존 수준 아래로 떨어지지 않습니다.
적중률은 먼저 정의하고 잽니다. “88%에서 98%“를 우리 공장에서 재현하려면 적중의 기준부터 정합니다. 예를 들어 예측 압연력이 실측의 ±5% 안에 들면 적중으로 셉니다(가상 기준). 평가는 시간 순서로 나눠 합니다. 앞 9개월로 학습하고 뒤 3개월로 시험해야 미래 데이터가 학습에 섞이지 않습니다. 고로 2시간 예측이나 황 1시간 경보처럼 앞을 내다보는 모델은 정확도 하나로 보지 않습니다. 경보가 맞은 비율(정밀도)과 실제 사건 중 잡은 비율(재현율)을 따로 세고, 경보 뒤 조치에 걸리는 시간보다 리드타임이 긴지 확인합니다.
에이전트가 내는 경보는 필드를 고정합니다. 예측 모델이 숫자를 내고, 규칙이 안전 범위를 확인하고, 에이전트가 근거와 함께 사람에게 전달하는 구조로 나눕니다. 아래 필드명과 값은 S-Link 같은 황 경보를 가정한 가상 예시입니다.
{
"alert_id": "SLINK-20261028-0731",
"scenario": "flue_gas_sulfur",
"horizon_min": 60,
"predicted_value": {"so2_mg_m3": 182, "limit": 200},
"risk_prob": 0.83,
"top_drivers": ["coke_oven_gas_H2S", "blend_ratio_BFG", "desulfurizer_pH"],
"in_training_range": true,
"recommendation": {"action": "adjust_gas_blend", "natural_gas_cofire_pct": 6},
"requires_approval": true,
"approved_by": null,
"model_version": "slink-ts-2026.10"
}금속 조직 판정은 confidence로 사람에게 넘깁니다. 이미지 분류 모델이 등급과 confidence를 함께 내게 하고, confidence가 기준(예: 0.9) 아래인 시료는 검사원에게 보냅니다. 기준 이상이라도 매주 5% 정도를 무작위로 뽑아 사람이 다시 판정해 모델이 조용히 틀어지는지 봅니다(수치는 가상 예시).
로코드 앱이 늘면 등록부를 둡니다. 현장 앱이 수백 개로 늘면 누가 무엇을 읽고 쓰는지 알 수 없게 됩니다. 앱마다 담당자, 읽는 데이터, 쓰기 권한 유무, 사용 모델 버전, 마지막 사용일을 등록하게 합니다. 기본 권한은 읽기 전용으로 두고, 설비 설정값을 바꾸는 쓰기는 중앙 검토를 거친 앱에만 엽니다.
실패하는 경우를 미리 정합니다. 센서가 드리프트하면 예측이 한쪽으로 쏠립니다. 같은 경보가 같은 이유로 3회 이상 반려되면 센서 점검으로 돌립니다. 원료가 바뀌거나 설비를 정비한 직후에는 잔차 패턴이 달라지므로, 최근 2주 적중률이 기준선 아래로 내려가면 재학습을 겁니다.
현업 실행 디테일: 누가, 언제, 무엇을
| 역할 | 담당 | 하는 일 |
|---|---|---|
| 스폰서 | 생산본부장 또는 공장장 | 대상 장면 선정, 권고를 설정값에 반영할 범위 승인 |
| 공정 전문가 | 압연·제선 엔지니어 2명 | 적중 기준 정의, 물리식 제공, 권고 승인·반려 |
| 데이터·자동화 | OT·데이터 엔지니어 1~2명 | 태그 정리, historian 연동, 엣지 배포 |
| 품질 | 검사 담당 1명 | 금속 조직 장면이라면 등급 라벨, 재판정 표본 관리 |
| 현장 챔피언 | 교대조별 1명 | 로코드 앱 아이디어 수집, 동료 교육 |
시작 전에 모을 것. 장면 하나의 태그 목록과 최근 6~12개월 데이터, 현재 쓰는 물리식·설정 모델 문서, 지금의 적중률과 수율 기준선, 과거 이상·불량 기록입니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | 장면 1개 선정, 적중 기준과 기준선 측정 | 적중 정의서, 기준선 수치 |
| 3~4주 | 과거 데이터로 메커니즘+잔차 모델을 오프라인 재현 | 시간 분할 평가표 |
| 5~6주 | 섀도 운영: 모델 권고와 실제 설정을 나란히 기록 | 적중률 비교, 반려 사유 목록 |
| 7~8주 | 권고 운영: 엔지니어 승인 뒤 반영, 판정 회의 | 판정 보고서, 다음 장면 후보 |
엔지니어에게 물을 것.
- 지금 설정 모델이 가장 자주 빗나가는 강종·조건은 무엇이고, 그때 사람이 어떻게 보정하나요?
- “맞혔다”고 볼 오차 범위는 얼마인가요?
- 경보가 몇 분 앞서 와야 조치할 수 있나요?
- 모델 권고를 절대 그대로 반영하면 안 되는 상황은 무엇인가요?
진행 판정 기준(예시). 섀도 운영에서 세 조건을 채우면 권고 운영으로 넘어갑니다. 적중률이 기준선보다 5%p 이상 오르고, 엔지니어 승인률이 70% 이상이며, 안전 한계를 넘는 권고가 0건이어야 합니다. 기준은 섀도 운영 전에 정해 둡니다.
AX 적용 제언. 철강, 화학, 시멘트, 정유처럼 물리식이 이미 있는 공정 산업이라면 대형모델부터 사지 말고 물리식이 있고 결과를 바로 잴 수 있는 장면 하나에서 시작하는 편이 좋습니다. 압연 설정, 열처리 온도, 품질 검사 판정이 후보입니다. 첫 예산은 설비 연결과 데이터 층에 두고, 성과는 적중률·수율·에너지처럼 돈으로 바꿀 수 있는 지표로 잽니다. 현장 로코드는 데이터 층이 선 다음에 엽니다. 스폰서는 IT가 아니라 생산 조직에 두어야 권고가 설정값까지 이어집니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 출처 | Automation World, 2026.10.26. 화웨이 제공 보도자료(개인 저자 없음) |
| 회사 | Nanjing Iron & Steel Co., Ltd.(NISCO), 화웨이·생태계 파트너와 공동 개발 |
| 모델 | YuanYe Steel Large Model: dual-drive, multi-model cluster, swarm intelligence |
| 데이터 | 26개 업무 영역 OT 데이터 수백만 점, 핵심 설비 100% 연결, 5차원 디지털 트윈 |
| 규모 | 업무 에이전트 25개(2026.10), AI 모델 300개 이상, 현장 로코드 에이전트·앱 1,000개 이상 |
| 회사 성과 | 연 1,500만 달러 이상 비용 절감, 신제품 개발 기간 50% 단축 |
| 고로 | 2시간 전 예측, 정확도 90% 이상, 우등 쇳물 수율 10% 이상 향상 |
| 압연 | 적중률 88%→98%, 두께 공차 ±0.2mm, 두께 편차 1.9%, 수율 0.5% 향상, 연 250만 톤 이상 |
| 금속 조직 | 정확도 95% 이상, 시료당 10분→3~5분 |
| S-Link | 공정 변수 602개, 1시간 전 경보 정확도 95% 이상, 천연가스 혼소 약 50% 감소, 배출 관련 정지 25% 이상 감소, 연 9만 달러 이상 |
| 발언 | Li Jinyan(NISCO 디지털·지능화 통합개발부 총괄, AI 연구원장), Cheng Yongfu(화웨이 철강·비철 사업부 수석 산업 솔루션 전문가) |
| 다음 계획 | 스마트 제철소 전용 데이터센터, AI-native 3계층(OS·공장·기업) |
핵심 개념
- 압연력
- 롤이 강판을 눌러 얇게 펼 때 드는 힘. 미리 맞게 예측해야 롤 간격을 정확히 잡아 두께가 고르게 나옵니다.
- 우등 쇳물
- 성분과 온도가 기준에 맞는 최상급 쇳물. 비율이 오르면 다음 공정의 보정 작업이 줄어듭니다.
- 금속 조직 검사
- 강재 단면을 갈고 다듬어 현미경으로 결정 구조를 보고 등급을 매기는 품질 검사입니다.
- 천연가스 혼소
- 제철소 부생가스와 함께 천연가스를 섞어 태우는 것. 비율을 줄일수록 구매 연료비가 줄어듭니다.
- 잔차 학습
- 물리식이 낸 값과 실측의 차이만 머신러닝으로 배우는 방식. 물리식의 안정성과 데이터의 정밀함을 함께 얻습니다.
- OT
- Operational Technology. 설비를 직접 움직이고 재는 제어·센서 계층으로, 사무 IT와 구분해 부릅니다.
내 메모
TODO: 내 생각 추가
원문: 「NISCO and Huawei Scale Industrial AI for Predictive Maintenance, Quality Control, and Energy Efficiency」(Automation World, 2026.10.26). 화웨이가 제공한 보도자료이며 개인 저자는 없습니다. 성과 수치는 NISCO·화웨이가 밝힌 것으로, 제3자가 검증한 값이 아닙니다. 요약·메커니즘·통념과 다른 주장·사례·원문 사례 표는 보도자료 내용을 AX Review가 다시 정리했습니다. 기술·현업 디테일, JSON 예시, 일정·판정 기준, 인포그래픽은 실제로 돌릴 때 필요한 것을 새로 작성했으며 그 안의 필드명과 숫자는 가상 예시입니다. 원문 전체는 Automation World에서 볼 수 있습니다.