Wistron InfoComm Physical AI Manufacturing: AI 서버 공장의 손상·불량·전력을 운영 AI로 줄인 사례

Wistron InfoComm (USA)은 텍사스의 AI 서버 공장에서 설비 데이터, 작업자 동작, 엔지니어 지식을 디지털 트윈 하나에 모으고 조립 순서를 카메라로 검증해 손상률을 96% 줄였다고 보고했습니다. 이 구조를 옮기려면 표준작업서를 기계가 읽는 단계 데이터로 바꾸고 시험동 센서와 시뮬레이션 결과를 한곳에 쌓는 일부터 해야 합니다.

요약

Wistron InfoComm (USA) Corporation은 대만 전자 위탁생산 기업 Wistron의 미국 법인이고 이 사례는 2026 Gartner Eye on Innovation Awards 첨단 제조 부문에 제출·소개됐습니다. 회사는 AI 서버 주문이 급증하는 가운데 미국 현지 생산을 늘려야 했지만 숙련 인력이 모자랐고 현장 상황을 실시간으로 보고 지식을 나눌 수단도 부족했습니다. 서버 단가가 높아 사소한 품질 문제도 큰 손실이 됩니다. 회사는 Physical AI(설비·사람·물체 같은 물리 세계를 인식하고 다루는 AI)를 중심에 둔 자율 제조 모델로 대응했습니다. 생산 설비, 작업자 동작, 엔지니어링 지식을 계속 학습하는 운영 지능으로 묶고 그 위에 closed-loop digital twin(현장 데이터를 받고 결과를 다시 현장에 돌려보내는 디지털 트윈), 컴퓨터 비전과 VLM(영상을 읽고 언어로 답하는 모델), AI 에이전트, AR 기반 E-SOP(전자 표준작업서), PhysicsNeMo surrogate model(물리 시뮬레이션을 빠르게 흉내 내는 대리 모델)을 얹었습니다.

설비·사람·지식을 한 트윈에 모으고, 그 위에 용도별 AI를 얹은 구조

회사가 보고한 실적은 네 가지입니다. 행동 인식과 공정 순서 검증으로 손상률이 96% 줄었고 디지털·몰입형 교육으로 교육 효율이 30% 올랐습니다. PCBA(부품을 실장한 인쇄회로기판 조립품) 불량률은 37% 줄었습니다. 고성능 시험시설은 자원 관리를 한곳으로 모으고 랙·CDU(냉각수 분배 장치)·XDU(확장 분배 장치)를 동적으로 제어해 전력 소비를 20% 줄였습니다. 사례집에는 네 수치의 기준 시점과 분모가 없어 지표별로 따로 읽어야 합니다. 공개 자료를 보면 배경이 더 보입니다. Wistron은 2026년 7월 텍사스 포트워스에 NVIDIA GB300 서버를 양산하는 첫 미국 공장을 열었고 회사 발표에 따르면 이 공장의 설계와 생산 흐름을 디지털 트윈으로 최적화했습니다. 아래에서는 성과를 만든 구현 메커니즘 다섯 가지를 풀고 한국 제조사가 같은 과제를 시작할 때 필요한 데이터와 역할, 일정을 붙였습니다.

기업 보고 실적. 지표마다 기준·기간이 달라 서로 더하거나 비교하지 않습니다

핵심 메커니즘

Closed-loop Digital Twin: 문제를 되짚고 고친 안을 현장에 돌려보내는 트윈

공장·라인·시험동을 가상으로 복제해 두고 현장 데이터로 계속 갱신하며 가상에서 고른 대안을 다시 현장에 적용하는 순환 구조입니다. 사례집은 이 트윈이 세 가지 일을 했다고 적습니다. issue tracing(문제의 원인 추적), scenario reconstruction(문제가 난 순간의 상황 재구성), Sim-to-Real feedback(시뮬레이션 결과를 현장에 적용하고 현장 결과로 시뮬레이션을 보정하는 되먹임)입니다. 입력은 설비 로그와 센서값, 작업 영상, 검사 결과입니다. 문제가 생기면 그 시각의 상태를 트윈에서 다시 띄워 원인 후보를 좁히고 대안 설정이나 절차를 가상에서 먼저 시험한 뒤 현장에 반영합니다.

공개 자료를 보면 트윈은 건설 단계부터 쓰였습니다. 2026년 6월 보도에 따르면 Wistron은 OpenUSD(3D 장면을 기술하는 공개 형식)로 공장 자산을 만들어 배치와 장비를 시뮬레이션했고 운영 단계에서는 AIF-DT라는 시스템이 전력·열 흐름·장비 상태를 실시간으로 분석합니다. 원인이 여러 설비와 사람에 걸치거나 같은 라인을 여러 곳에 복제할 때 효과가 크고 공정이 거의 바뀌지 않는 단일 설비라면 설비 로그 분석으로 충분합니다. 가상 예시를 들면, 랙 이송 중 커넥터가 손상됐을 때 그 시각의 컨베이어 속도와 작업자 위치를 트윈에서 되살려 어느 구간에서 충격이 났는지 좁힐 수 있습니다.

현장에서 가상으로, 가상에서 다시 현장으로 도는 순환

Action Recognition과 Process-sequence Verification: 정한 순서대로 작업했는지 카메라가 확인

카메라 영상에서 작업자의 동작(집기, 꽂기, 체결, 점검)을 알아보고 E-SOP가 정한 순서와 맞는지 판정하는 방식입니다. 입력은 공정 카메라 영상과 그 공정의 표준 단계 목록입니다. 비전 모델이 영상을 동작 단위로 잘라 이름을 붙이고 순서가 바뀌었는지, 빠진 단계나 반복된 단계가 있는지 표준과 대조합니다. 비전 모델만으로 애매한 장면은 VLM이 해당 영상 구간을 읽고 무엇이 어긋났는지 문장으로 설명합니다. 출력은 작업 중 경고와 공정 이력 기록 두 가지입니다. 경고는 다음 동작 전에 사고를 막고 기록은 나중에 불량을 추적할 때 쓰입니다.

사례집은 이 방식으로 손상률이 96% 줄었다고 보고합니다. 어떤 비전 모델을 썼는지는 사례집에 없고 회사 발표에는 공장에 NVIDIA Metropolis(영상 분석 라이브러리)와 Cosmos 모델을 들였다는 정도만 나옵니다. 비싼 부품을 사람이 손으로 다루는 조립·이송 공정에 맞는 방식입니다. 로봇 셀처럼 사람이 들어가지 않는 공정은 설비 로그로 순서를 확인하는 편이 낫습니다.

가상 예시. 서버 랙 조립 한 공정에서 순서 위반을 잡는 모습

AI Agents 진단: 이상이 나면 근거를 모아 원인 후보를 내는 에이전트

사례집은 AI 에이전트가 진단을 빠르게 했다고 적습니다. 검사 불량이나 설비 경보가 뜨면 에이전트가 MES(제조 실행 시스템) 이력, 설비 로그, 트윈 재구성 화면, 과거 조치 기록을 도구로 조회해 원인 후보와 근거, 확인 순서를 엔지니어에게 냅니다. 엔지니어가 승인한 조치와 결과가 다시 지식으로 쌓여, 같은 유형의 문제는 다음에 더 빨리 풀립니다. 사례집이 엔지니어링 지식을 운영 지능으로 바꾼다고 한 부분입니다.

PCBA 불량률 37% 감소는 사례집에 수단이 따로 적혀 있지 않습니다. 공개 자료에는 관련 정보가 하나 있습니다. NVIDIA 고객 사례(벤더 발표)에 따르면 Wistron은 SMT(표면 실장) 라인 검사 모델의 학습 데이터 부족을 Cosmos로 만든 합성 데이터로 보완했고 불량 검출 정확도가 5~20% 올랐습니다. 두 수치는 지표가 다르므로 37%의 원인을 이것으로 단정하지 않습니다.

에이전트는 근거를 모아 후보를 내고, 조치는 엔지니어가 승인

AR 기반 E-SOP: 표준작업서를 작업 위치에 띄워 교육과 검증에 함께 쓰기

종이나 PDF 작업표준을 단계별 디지털 데이터로 바꾸고 AR로 작업 위치에 겹쳐 보여 주는 방식입니다. 엔지니어가 단계, 사진, 주의점, 체결값과 검사 기준을 입력하면 E-SOP가 됩니다. 작업자는 화면이나 AR 기기로 현재 단계를 보고 완료를 확인하며 다음 단계로 넘어갑니다. 사례집은 이를 global training(여러 나라 공장에서 같은 교육 콘텐츠 쓰기)으로 표현하고 디지털·몰입형 교육으로 교육 효율이 30% 올랐다고 보고합니다.

이 메커니즘은 앞의 순서 검증과 맞물립니다. 같은 E-SOP가 신규 인력에게는 교육 콘텐츠이고 카메라에게는 정답지라서, 교육과 품질 검증이 한 기준을 씁니다. 신규 인력이 많고 제품 세대가 빨리 바뀌는 공장일수록 효과가 큽니다.

같은 E-SOP 하나가 교육 콘텐츠이자 순서 검증의 정답지

PhysicsNeMo Surrogate Model과 동적 에너지 제어: 시험동 열을 몇 초 만에 예측해 전력 배분

AI 서버는 출하 전에 고부하 장시간 시험(burn-in, run-in)을 거칩니다. 이 시험동은 전력과 열이 몰리는 곳입니다. CFD(전산 유체 역학) 시뮬레이션은 오래 걸리고 설정이 바뀌면 다시 돌려야 해 운영 중 제어에 쓰기 어렵습니다. surrogate model은 CFD 결과로 학습한 신경망이 같은 질문에 몇 초 만에 답하게 만든 모델입니다. 랙별 부하와 배치, CDU 유량과 공급 온도, 실시간 센서값을 넣으면 온도 분포를 예측하고 핫스팟을 미리 찾습니다. 제어 쪽은 그 예측을 보고 랙·CDU·XDU에 전력과 냉각을 나눠 주고 시험 일정을 조정합니다. 사례집은 자원 관리를 한곳에 모으고 이렇게 동적으로 제어해 고성능 시험시설의 전력 소비를 20% 줄였다고 보고합니다.

2024년 NVIDIA 기술 블로그(벤더 발표)에 따르면 Wistron은 run-in 시험실의 기류 시뮬레이션을 15시간에서 3.6초로 줄였고 30분 뒤 코어 온도를 예측했으며 에너지 절감 여지를 최대 10%로 봤습니다(잠재치). 사례집의 20%와 벤더 자료의 10%는 범위와 시점, 지표가 달라 서로 비교하지 않습니다.

빠른 예측이 있어야 운영 중 설정을 자주 바꿀 수 있음

통념과 다른 주장

흔히 이렇게 봅니다디지털 트윈은 공장을 짓기 전에 배치를 검토하고 화면에 보여 주는 설계·시각화 도구다.

이 사례는 이렇게 씁니다트윈을 운영 중에 계속 돌립니다. 문제가 나면 트윈에서 상황을 되짚고 고친 안을 현장에 적용하고 현장 결과로 트윈을 다시 맞춥니다.

근거사례집이 이슈 추적·상황 재구성·Sim-to-Real을 명시하고 공개 자료는 같은 트윈 계열을 건설 단계 배치 검증과 운영 단계 에너지·열 제어(AIF-DT)에 모두 썼다고 전합니다.

설계용 모형이 아니라 운영 중에 계속 도는 순환 장치로 씀

사례 재구성

텍사스 AI 서버 공장의 Physical AI 제조

상황: AI 서버 수요가 급증하는데 미국 현지 생산과 숙련 인력 부족이 겹쳤습니다. 서버 단가가 높아 작은 결함도 큰 손실이었고 기존 공정에는 실시간 가시성과 지식 공유 수단이 부족했습니다.
한 일: 설비·작업 동작·엔지니어링 지식을 계속 학습하는 운영 지능으로 묶은 Physical AI 자율 제조 모델을 세웠습니다. closed-loop 디지털 트윈 위에 비전·VLM(SOP 검증), AI 에이전트(진단), AR E-SOP(교육), PhysicsNeMo surrogate(에너지 최적화)를 얹었습니다.
결과: 손상률 96% 감소, 교육 효율 30% 증가, PCBA 불량률 37% 감소, 고성능 시험시설 전력 20% 감소(모두 기업 보고 실적). 기간과 기준선은 사례집에서 밝히지 않았습니다. 경영진은 이 프로그램이 ‘a scalable physical AI manufacturing framework’를 만들었다고 평했습니다.
연결: 손상률은 Action Recognition과 Process-sequence Verification, 교육 효율은 AR E-SOP, 전력은 PhysicsNeMo surrogate와 동적 제어의 사례입니다. 다섯 메커니즘 모두 closed-loop 트윈이라는 공통 데이터 바닥 위에서 돕니다.

Gartner 2026 Eye on Innovation Awards 첨단 제조 부문에 제출·소개된 사례

기술 디테일: 우리 공장에 이 구조를 옮기려면

공정 순서 검증을 돌리려면 E-SOP부터 기계가 읽는 단계 목록으로 바꿉니다 (Action Recognition과 AR E-SOP에 연결). 단계마다 순번, 동작 이름, 담당 카메라, 허용 시간, 선행 단계를 필드로 둡니다. 동작 이름은 비전 모델의 라벨 이름과 똑같이 맞춥니다. 아래는 가상 예시입니다.

{
  "sop_id": "RACK-ASSY-07", "rev": "C", "station": "L2-S05",
  "steps": [
    {"seq": 1, "action": "esd_strap_check", "camera": "cam-03", "max_sec": 20, "requires": []},
    {"seq": 2, "action": "tray_pick", "camera": "cam-03", "max_sec": 30, "requires": [1]},
    {"seq": 3, "action": "connector_inspect", "camera": "cam-04", "max_sec": 25, "requires": [2]},
    {"seq": 4, "action": "slot_insert", "camera": "cam-04", "max_sec": 40, "requires": [3]}
  ]
}

판정 결과는 {"serial": "...", "station": "L2-S05", "violation": "skip|order|repeat|timeout", "step": 3, "confidence": 0.91, "clip_uri": "...", "ts": "2026-10-28T09:14:03.120Z"}처럼 남깁니다. 서버 serial과 밀리초 단위 시각이 있어야 나중에 트윈에서 그 순간을 재구성할 수 있습니다. 라벨링은 공정 하나에 동작별 영상 구간 200~500개로 시작합니다. 가림과 조명 변화가 가장 흔한 실패 원인이라 핵심 공정에는 카메라를 두 각도로 둡니다. 얼굴은 저장 전에 흐리게 처리합니다. 경고가 다음 동작보다 먼저 떠야 하므로 추론은 라인 옆 엣지 GPU에서 돌리고 영상 입력부터 경고까지 1초 안쪽을 목표로 잡습니다(가상 기준).

경고 기준은 confidence 구간으로 나눕니다 (Action Recognition과 VLM에 연결). 가상 예시로, 0.85 이상이면 바로 경고합니다. 0.6~0.85는 VLM 2차 판정으로 넘기고 0.6 미만은 기록만 남깁니다. VLM에는 10~20초 영상 구간과 해당 E-SOP 단계 설명을 함께 넣고 {"verdict": "violation|ok|unclear", "missing_step": 3, "reason": "..."} 형식으로만 답하게 합니다. temperature는 0으로 두고 같은 구간을 3회 호출해 결과가 모두 같을 때만 채택합니다. 엇갈리면 사람 검토 대기열로 보냅니다.

진단 에이전트는 읽기 전용 도구 네 개로 시작합니다 (AI Agents 진단에 연결). query_mes(serial), get_inspection_images(serial), get_twin_snapshot(station, ts), search_past_actions(defect_code) 정도면 첫 버전이 됩니다. 출력은 원인 후보 최대 3개, 각 후보의 근거 링크, 확인 순서로 고정합니다. 설비 설정을 바꾸는 도구는 주지 않고 조치는 엔지니어가 승인합니다. 배포 전에는 이미 원인이 밝혀진 과거 불량 50건을 다시 넣어 에이전트가 정답 원인을 후보 3개 안에 넣는 비율을 잽니다.

Surrogate model은 CFD 결과를 학습 데이터로 씁니다 (PhysicsNeMo와 동적 제어에 연결). 입력 변수는 랙별 전력(kW), CDU 유량과 공급 온도, 외기 온도, 랙 배치입니다. 출력은 지점별 온도와 핫스팟 여부입니다. 가상 예시로, 대표 운전 조건 100~300개를 CFD로 돌려 학습하고 일부 CFD 결과와 실측 센서값으로 따로 검증합니다. 허용 오차는 공장이 정합니다(예: ±1.5°C). 입력이 학습 범위를 벗어나면 예측을 쓰지 않고 CFD로 돌아갑니다. 제어는 처음 4주 동안 권고만 내고 운영자가 따른 경우와 따르지 않은 경우의 전력을 비교한 뒤 자동 모드로 바꿉니다. 코어 온도 상한 같은 안전 한계는 모델 밖의 고정 규칙으로 둡니다.

현업 실행 디테일: 누가, 언제, 무엇을

역할	담당	12주 동안 하는 일
스폰서	공장장 또는 제조 담당 임원	대상 공정·시험동 선정, 지표 기준선 승인
생산기술	공정 엔지니어 2명	E-SOP 디지털화, 동작 라벨 정의
품질	품질 엔지니어 1명	손상·불량 정의와 원인 코드 정리, 판정 검토
설비·유틸리티	설비 엔지니어 1명	시험동 센서 점검, 냉각·전력 제어 범위 결정
IT·OT	데이터·비전 엔지니어 2명	카메라·네트워크 설치, MES 연동, 모델 학습
교육	교육 담당 1명	AR 교육 콘텐츠 제작, 신규 인력 숙련 시간 측정
HR·법무	담당자 각 1명	작업 영상 촬영 동의, 보관 기간, 노사 협의

준비물은 최근 6~12개월의 손상·불량 기록과 원인 코드, 대상 공정의 현행 작업표준, 시험동 전력·냉각 계측 데이터(15분 간격 이상), 카메라 위치를 표시한 라인 도면, 신규 인력 교육 기간 기록입니다.

가상 예시. 품질 트랙과 에너지 트랙을 나란히 돌리고 12주차에 함께 판정

일정(가상 예시)은 두 트랙을 나란히 돌립니다. 1~2주에 대상 공정과 지표 기준선을 정하고 3~6주에 E-SOP를 디지털화하고 영상을 라벨링합니다. 7~8주에는 경고 없이 판정만 기록하는 그림자 모드로 돌리고 9~10주에 현장 경고를 켭니다. 시험동은 1~4주에 계측 데이터를 쌓고 5~6주에 CFD와 surrogate 학습, 7~10주에 권고 모드로 운영합니다. 11~12주에 두 트랙을 함께 판정합니다.

킥오프에서는 다섯 가지를 묻습니다. 지난 1년 손상 비용이 가장 큰 공정과 그중 작업 순서 문제의 비중, 그 공정 작업표준의 최종 개정일과 현장 준수 여부, 시험동 전력을 랙 단위로 재는지, 냉각 설정을 바꿀 권한자, 작업 영상 촬영에 노사가 합의한 범위입니다.

진행 판정 기준(가상 예시)은 다음과 같습니다. 그림자 모드에서 오경보율 10% 이하, 사람이 확인한 위반 가운데 놓친 비율 5% 이하면 경고를 켭니다. 12주차에 대상 공정의 손상 건수가 기준선보다 줄고 작업자 설문에서 경고가 작업을 방해한다는 응답이 30% 미만이면 다른 공정으로 넓힙니다. 시험동은 권고를 따른 날의 전력이 따르지 않은 날보다 낮고 온도 상한 위반이 0건이면 자동 모드로 넘어갑니다.

한국 제조 대기업이 이 사례를 옮긴다면 공장 전체 트윈부터 만들지 않는 편이 좋습니다. 단가가 높고 손으로 다루는 공정 하나(서버·전장 모듈·배터리 팩 조립 등)에서 E-SOP 디지털화부터 하면, 같은 데이터로 교육과 순서 검증 두 지표를 함께 움직입니다. 유틸리티 계측 데이터가 이미 있는 시험동 에너지는 별도 트랙으로 두면 성과가 가장 빨리 납니다. serial과 시각으로 이벤트를 묶는 규칙을 처음부터 정해 두면 트윈 범위를 넓혀도 데이터를 다시 만들 필요가 없습니다.

원문 사례

항목	내용	출처
회사·현장	Wistron InfoComm (USA) Corporation, 미국 텍사스	사례집
분류	2026 Gartner Eye on Innovation Awards 첨단 제조 부문 제출·소개 사례(수상 여부 확인 못 함)	사례집
문제	AI 서버 수요 급증, 현지화 요건, 숙련 인력 부족, 실시간 가시성·지식 공유 부족, 고가 제품의 품질 손실	사례집
기술	AI 에이전트, 자동화, 디지털 트윈·시뮬레이션, AR·VR, 컴퓨터 비전, IoT, VLM, PhysicsNeMo	사례집
성과(기업 보고 실적)	손상률 96% 감소, 교육 효율 30% 증가, PCBA 불량률 37% 감소, 고성능 시험시설 전력 20% 감소	사례집
텍사스 공장	포트워스, 약 324,000제곱피트, 7억 달러, NVIDIA GB300 양산·Vera Rubin 예정, 2026년 7월 개소 발표	Wistron 보도자료(2026.7.21)
고용	500개 일자리 창출, 연말까지 1,000개 목표(NVIDIA 설명)	Manufacturing Dive(2026.7.24)
트윈 적용	OpenUSD 자산으로 배치·장비 시뮬레이션, 운영 단계 AIF-DT가 전력·열·장비 상태 실시간 분석	iConnect007(2026.6.10)
시험실 시뮬레이션	기류 시뮬레이션 15시간 → 3.6초, 30분 뒤 코어 온도 예측, 에너지 절감 최대 10%(잠재치)	NVIDIA 기술 블로그(2024.6.2, 벤더)
검사 모델	Cosmos 합성 데이터로 SMT 검사 모델 보완, 불량 검출 정확도 5~20% 향상	NVIDIA 고객 사례(2026.7.21, 벤더)

사례집은 현장을 텍사스로만 적고 있습니다. 공개 자료로 확인한 텍사스의 Wistron 공장은 포트워스 공장이지만 사례집의 현장과 같은 곳인지는 확인하지 못했습니다.

핵심 개념

PCBA: Printed Circuit Board Assembly. 부품을 실장해 납땜까지 마친 회로기판.
CDU: Cooling Distribution Unit. 랙에 냉각수를 나눠 보내는 장치. 수랭식 AI 서버 시험에 쓰입니다.
XDU: Expansion Distribution Unit. 사례집이 CDU와 함께 동적 제어 대상으로 든 확장 분배 장치.
burn-in / run-in: 출하 전 서버를 고부하로 오래 돌려 초기 고장을 걸러 내는 시험.
Cosmos: NVIDIA의 물리 세계용 생성 모델 계열. 검사 모델 학습용 합성 영상을 만드는 데 쓰였습니다.
MES: Manufacturing Execution System. 제품 serial별 공정 이력과 작업 지시를 관리하는 시스템.

내 메모

TODO: 내 생각 추가

근거: 사용자가 제공한 Gartner 2026 Eye on Innovation Awards Greater China 사례 자료(Wistron InfoComm (USA) Corporation, ‘Physical AI Manufacturing’, 첨단 제조 부문)와 확인한 공개 자료입니다. 공개 자료: Wistron 보도자료 재게재, Automation.com(2026.7), Manufacturing Dive(2026.7.24), iConnect007, Omniverse DSX 도입(2026.6.10), NVIDIA 기술 블로그(2024.6.2, 벤더), NVIDIA 고객 사례(2026.7.21, 벤더). 요약·메커니즘·사례 재구성·원문 사례 표는 이 자료의 사실을 AX Review가 다시 정리했고 벤더 자료의 수치는 벤더 발표로 표시했습니다. 기술·현업 디테일, JSON 예시, 판정 기준, 일정, 인포그래픽과 표는 새로 작성했습니다.