FoxBrain·Genesis: Foxconn이 자체 LLM 위 에이전트로 생산계획 공수 25%를 줄인 방식

Foxconn은 공장 AI를 과제마다 따로 만들지 않았습니다. 자체 LLM인 FoxBrain을 제조용 Genesis로 키우고 그 위 에이전트를 하나의 운영 층으로 200여 개 사업장에 내보냅니다. 따라 하려면 모델보다 먼저 적용처마다 지표 하나(계획 작성 인시, 전환 엔지니어링 시간, 불량 원인 교정률)를 정하고 기준선부터 재야 합니다.

요약

Foxconn(Hon Hai)은 NVIDIA와 함께 생산 현장을 AI 공장(AI factory, 데이터로 스스로 배우며 결정하는 공장)으로 바꾸는 작업을 발표했고 NVIDIA 고객 사례에도 같은 수치가 실렸습니다. 출발점은 FoxBrain입니다. Llama, Gemma, NVIDIA Nemotron 같은 공개 모델에 사내 데이터를 더해 만든 Foxconn의 자체 LLM이며 비전, 음성, 언어 데이터로 학습했습니다. FoxBrain을 제조·도시·의료 데이터로 다시 학습하고 미세조정해 스마트 제조 플랫폼 Genesis와 도시 서비스 플랫폼 CityGPT를 만들었습니다. 이렇게 만든 에이전트를 NVIDIA Mission Control, Run:ai, NIM으로 200여 개 사업장에 배포합니다.

현장 결과는 회사가 직접 잰 숫자로 나왔습니다. AI 자동 생산계획(APS, Automated Production Scheduling)은 공장 일정 작성에 드는 인시를 25% 줄였습니다. 사출 성형에서 공정 조건값(setpoint)을 AI로 최적화하자 품목 전환(changeover, 금형이나 품목을 바꿀 때 조건을 다시 맞추는 일)의 엔지니어링 업무가 50% 줄었습니다. SMT(표면실장) 라인에서는 근본 원인 분석으로 주요 불량 원인 20여 건을 찾아 교정률 90% 이상을 냈습니다. 새 라인은 Omniverse와 Isaac으로 공장과 로봇을 먼저 시뮬레이션한 뒤 다른 나라 공장에 복제합니다. 학습 쪽에서는 1,200억 파라미터 모델 학습이 이전 H100 기반보다 2.48배 빨라져 1조 토큰을 12일에 처리했습니다. 아래에서는 모델 계층, 배포 운영 층, 네 가지 현장 적용을 개념별로 풀고 같은 방식을 국내 공장에 옮길 때 필요한 데이터, 지표, 일정을 덧붙였습니다.

핵심 메커니즘

FoxBrain → Genesis: 공용 LLM 하나를 제조 전용 모델로 키우는 계층

FoxBrain은 Foxconn의 모든 AI 서비스가 공유하는 기반 모델입니다. 공개 모델을 그대로 쓰면 공정 용어나 설비 이름을 잘 모르기 때문에 사내 데이터를 더해 계속 학습했습니다. 그 위에서 NeMo 프레임워크로 제조, 비전, 로보틱스 쪽 미세조정을 하고 제조 데이터를 더 넣어 Genesis를 만들었습니다. FoxBrain에는 산업 데이터와 이미지 이해를 합친 비전-언어 모델(VLM) 판도 있습니다. 공장 화면이나 검사 이미지를 읽어야 하는 작업이 많아서입니다. 이 구조의 장점은 새 과제를 시작할 때 모델을 처음부터 만들지 않고 Genesis 위에 에이전트만 얹는다는 점입니다. 사업 영역이 하나뿐이고 과제가 몇 개 없는 회사라면 이 정도 계층은 과합니다. 상용 모델에 검색만 붙여도 충분할 수 있습니다.

Mission Control·Run:ai·NIM: 200여 개 사업장으로 에이전트를 내보내는 운영 층

모델을 만드는 일과 수백 개 공장에서 매일 돌리는 일은 다릅니다. Foxconn은 학습 클러스터를 DGX SuperPOD로 묶고 Mission Control로 상태를 실시간으로 지켜보며 장애에 대응합니다. Run:ai는 여러 팀과 과제가 GPU를 나눠 쓰게 자원을 배분합니다. NIM 마이크로서비스는 에이전트를 표준 단위로 묶어 사업장에 내려보냅니다. 추론은 NVIDIA Dynamo로 지연을 줄여 Genesis와 CityGPT가 실시간 대화와 결정에 쓰이게 했습니다. AI 소프트웨어 사업을 맡은 Kathy Yang은 이 운영 층 덕분에 연산 규모가 커져도 IT 관리 부담이 같은 비율로 늘지 않는다고 설명합니다. 사업장이 몇 곳뿐이면 이런 운영 층보다 과제별 배포로 시작하는 편이 빠릅니다.

Automated Production Scheduling: 일정 초안을 에이전트가 쓰는 생산계획

공장 생산계획은 주문, 납기, 설비 능력, 자재 상태를 맞춰 라인별 일정을 짜는 일입니다. 담당자가 매일 여러 시스템을 오가며 표를 고치는 데 시간이 많이 듭니다. Foxconn은 이 일을 에이전트 워크플로로 바꿔 공장 일정 작성 인시를 25% 줄였습니다. 회사는 성과를 OEE(설비 종합 효율, 가동률·성능·품질을 곱한 제조 핵심 지표)로 본다고 밝혔습니다. 계획을 얼마나 자동으로 확정하는지와 사람이 어디서 검토하는지는 원문에서 밝히지 않았습니다.

Setpoint Optimization: 사출 성형 전환 때 조건값을 AI가 추천

사출 성형은 같은 설비에서 금형과 품목을 바꿔 가며 찍어 냅니다. 바꿀 때마다 엔지니어가 온도, 압력, 속도 같은 조건값을 다시 잡고 시험 사출을 반복합니다. Foxconn은 이 setpoint를 AI로 최적화해 전환 엔지니어링 업무를 50% 줄였습니다. 대량 생산에서 전환이 잦을수록 효과가 커지는 적용처입니다. 같은 맥락에서 CNC 360이라는 AI 시스템은 CNC 가공 기계 코드를 실시간으로 조정해 사이클 타임을 줄입니다. CNC 쪽 개선 폭은 공개하지 않았습니다.

SMT Root-Cause Analysis: 현장 서버에서 불량 원인을 좁히는 분석

SMT 라인은 기판에 부품을 붙이는 공정입니다. 인쇄, 마운트, 리플로 단계 어디서든 불량이 생기고 원인이 겹쳐 있어 찾기 어렵습니다. Foxconn은 공장 안에 둔 RTX PRO 6000 서버에서 근본 원인 분석 에이전트를 돌립니다. 실시간 판단이 필요한 라인 가까이에서 분석하려는 배치입니다. 그 결과 주요 불량 원인 20여 건을 찾았고 교정률(correction rate)이 90%를 넘었습니다. 회사는 현장 상호작용 데이터가 다시 학습에 쓰이는 되먹임 구조라고 설명합니다.

Factory-born Digital: 라인을 가상으로 먼저 돌려 보고 복제

Foxconn은 새 라인을 지을 때 Omniverse로 공장 배치를, Isaac으로 AMR(자율 이동 로봇)과 로봇 팔 움직임을 먼저 시뮬레이션합니다. 기술·자동화 로보틱스 그룹을 이끄는 Leo Guo는 이를 “factory-born digital” 흐름이라고 부릅니다. 디지털로 먼저 태어난 라인을 여러 나라 공장에 빠르게 복제할 수 있다는 설명입니다. 같은 제품 라인을 여러 지역에 반복해 세우는 회사에 맞는 방식입니다. 라인마다 설비 구성이 매번 다르면 시뮬레이션 모델을 만드는 비용이 효과를 넘을 수 있습니다.

통념과 다른 주장

발표에 나온 사례

적용처	상황	한 일	결과	연결
생산계획	주문·설비·자재를 맞춘 일정 작성에 인시가 많이 듦	에이전트 기반 APS	공장 일정 작성 인시 25% 감소	Automated Production Scheduling
사출 성형	전환 때마다 조건값을 다시 잡음	setpoint AI 최적화	전환 엔지니어링 업무 50% 감소	Setpoint Optimization
SMT 라인	원인이 겹친 불량을 찾기 어려움	현장 서버에서 근본 원인 분석	주요 원인 20여 건, 교정률 90% 이상	SMT Root-Cause Analysis
CNC 가공	기계 코드 효율이 사이클 타임을 좌우	CNC 360으로 코드 실시간 조정	사이클 타임 단축(수치 미공개)	Setpoint Optimization과 같은 계열
신규 라인	라인을 여러 나라에 반복해 세움	Omniverse·Isaac 사전 시뮬레이션	라인 빠른 복제	Factory-born Digital
신입 교육	새 직원 교육 부담	에이전트 기반 대화형 AI 코치	원문에서 밝히지 않음	Genesis 위 에이전트

기술 디테일: 같은 구조를 직접 만든다면

아래 데이터, 모델, 필드, 설정값은 실행 제안이며 Foxconn이 밝힌 구현이 아닙니다.

모델 계층을 정하려면 처음부터 자체 LLM을 학습하지 않아도 됩니다. Foxconn처럼 공개 모델에 사내 데이터를 더하는 길은 학습 데이터와 GPU를 감당할 수 있을 때 택합니다. 대부분은 상용 모델이나 공개 모델에 공정 용어집, 설비 매뉴얼, 과거 불량 보고서를 검색 근거로 붙이는 데서 시작합니다. 판단 기준은 용어 정확도입니다. 사내 용어 200개로 만든 질문 세트에서 정답률이 80%에 못 미치면 미세조정을 검토합니다.

APS 에이전트를 돌리려면 일정 계산은 LLM이 아니라 제약 기반 스케줄링 솔버(예: OR-Tools CP-SAT)에 맡기고 LLM은 입력 정리와 충돌 설명을 맡깁니다. 입력은 주문(품목, 수량, 납기), 설비별 능력과 가동 일정, 자재 입고 예정, 금형·지그 가용 상태입니다. 솔버 탐색 시간은 라인당 60초 안팎으로 묶고 그 안에서 찾은 가장 좋은 해를 씁니다. 결과는 아래처럼 구조화해 계획 담당이 예외만 고치게 합니다.

{
  "plant_id": "VN-03",
  "plan_date": "2026-11-04",
  "line_id": "SMT-L07",
  "jobs": [
    {"order_id": "SO-88213", "item": "PCB-A21", "qty": 4800, "start": "07:00", "end": "13:40", "due_ok": true},
    {"order_id": "SO-88240", "item": "PCB-B05", "qty": 2200, "start": "14:20", "end": "18:10", "due_ok": false}
  ],
  "conflicts": [{"type": "material_short", "item": "IC-7731", "hours_late": 6}],
  "explanation": "IC-7731 입고 지연으로 SO-88240 납기 6시간 초과",
  "planner_override": null,
  "solver_time_sec": 42
}

Setpoint 최적화를 돌리려면 전환 이력(금형, 수지, 조건값, 시험 사출 횟수, 첫 양품까지 걸린 시간)을 품목별로 모읍니다. 처음 보는 조합은 비슷한 금형의 과거 조건을 시작점으로 주고 베이지안 최적화로 다음 시험 조건을 추천합니다. 추천은 설비 허용 범위 안에서만 내고 엔지니어가 승인한 값만 설비에 넣습니다. 지표는 전환 1회당 엔지니어 투입 시간과 첫 양품까지 걸린 사출 횟수입니다.

SMT 근본 원인 분석을 돌리려면 AOI(자동 광학 검사)·SPI(솔더 페이스트 검사) 결과, 마운터와 리플로 설비 로그, 자재 로트를 기판 시리얼로 묶습니다. 불량 유형별로 트리 기반 모델이 원인 후보와 기여도를 내고 LLM은 과거 개선 보고서를 검색해 조치안을 붙입니다. 교정률은 “조치 뒤 4주 동안 같은 원인 불량이 기준선의 50% 아래로 떨어진 건수 ÷ 조치 건수”처럼 정의를 먼저 못 박아야 공장끼리 비교할 수 있습니다.

다른 사업장으로 옮기려면 에이전트를 모델 버전, 프롬프트, 도구 목록, 입력 스키마를 함께 묶은 배포 단위로 관리합니다. 새 공장에 내보내기 전에 그 공장의 지난 4주 데이터로 재생 시험(replay)을 돌립니다. APS라면 솔버 결과와 실제 실행 일정의 차이를, SMT 분석이라면 이미 원인이 밝혀진 불량 30건에서 상위 3개 후보 안에 정답이 든 비율을 봅니다. 기준(예: 70% 이상)을 넘은 공장에만 그림자 운영을 시작합니다.

막히는 경우	증상	대응
기판 시리얼과 설비 로그가 안 묶임	원인 후보가 엉뚱함	라인 MES에서 시리얼 기준 이력 테이블부터 정비
솔버 결과가 현장 사정과 다름	계획 담당이 매번 다시 짬	수정 사유를 코드로 받아 제약 조건에 추가
처음 보는 금형·수지 조합	추천 조건이 크게 빗나감	유사 금형 조건을 시작점으로, 시험 횟수 상한 설정
사업장마다 모델 버전이 다름	같은 질문에 다른 답	배포 단위에 모델 버전을 박고 운영 층에서 일괄 교체

현업 실행 디테일: 누가, 언제, 무엇을

역할	맡는 일
제조 본부장	시범 공장·라인 선정, 지표 승인, 확대 판정
생산계획 담당	기준선 계획 시간 기록, APS 초안 검토, 수정 사유 입력
공정 엔지니어(사출·SMT)	전환 이력과 불량 이력 정리, 추천 조건·조치안 승인
품질 담당	교정률 정의, 조치 뒤 4주 재발 추적
데이터·AI 팀	MES·설비 로그 연결, 모델 운영, 주간 리포트
IT 인프라	GPU 자원 배분, 배포 단위와 모델 버전 관리

준비물. 라인별 최근 12개월 생산계획과 실적, 전환 이력과 시험 사출 기록, SMT 검사 결과와 설비 로그, 불량 개선 보고서가 필요합니다. 기준선은 시작 전 4주치로 잡습니다.

현업에 물을 것.

1. 생산계획을 하루에 몇 번, 몇 시간 들여 다시 짜나요? 가장 자주 고치는 이유는 무엇인가요?
2. 사출 전환 한 번에 엔지니어가 몇 시간을 쓰고 첫 양품까지 몇 번 찍나요?
3. SMT 불량이 나면 어느 설비, 어느 자재 로트였는지 시리얼로 추적할 수 있나요?
4. 같은 라인을 다른 공장에 다시 세운 적이 있나요? 그때 가동 뒤에 고친 항목은 몇 건이었나요?

진행 판정 기준(예시). 실운영 4주 동안 세 조건을 채우면 다음 라인으로 넓힙니다. 계획 작성 인시가 기준선보다 15% 이상 줄고 전환 1회당 엔지니어 투입 시간이 20% 이상 줄며 불량률이 늘지 않아야 합니다. 하나라도 못 채우면 원인을 찾고 4주를 더 봅니다.

AX 적용 제언. 국내 전자·부품 제조사라면 Foxconn처럼 자체 LLM부터 만들기보다 측정이 쉬운 적용처 하나로 시작하는 편이 낫습니다. 계획 담당 인시가 바로 보이는 생산계획, 또는 전환이 잦은 사출 라인이 좋은 출발점입니다. 공장이 여러 곳이라면 두 번째 공장으로 넓히기 전에 배포 단위와 모델 버전 관리 규칙을 정해 둡니다. Foxconn이 200여 개 사업장으로 넓힌 힘은 개별 모델보다 이 운영 층에 있습니다. 해외에 같은 라인을 반복해 세우는 회사는 신규 라인 투자 심의에 시뮬레이션 검증을 넣고 가동 뒤 수정 건수를 그 효과 지표로 씁니다.

원문 사례

항목	내용
발표	Foxconn(Hon Hai) 보도자료, NVIDIA 고객 사례 페이지(2026.10.22 게시)
발언자	Kathy Yang(AI 소프트웨어 사업 책임자), Yung-Hui Li(Hon Hai 연구원 AI 연구센터장), Leo Guo(기술·자동화 로보틱스 그룹 General Manager)
모델	FoxBrain(Llama·Gemma·Nemotron 기반, 사내 데이터 추가, VLM 판 포함), Genesis(스마트 제조), CityGPT(도시 서비스)
인프라	DGX SuperPOD, DGX GB200, GB300 NVL72, RTX PRO 6000 서버, Mission Control, Run:ai, NIM, Dynamo, NeMo, Omniverse, Isaac
학습	1,200억 파라미터 모델 학습 2.48배 가속(H100 대비, 회사 측정), 1조 토큰 12일 처리
배포	200여 개 사업장에 에이전트 배포
현장 결과	생산계획 인시 25%↓, 사출 전환 엔지니어링 업무 50%↓, SMT 주요 불량 원인 20여 건·교정률 90% 이상, CNC 360 사이클 타임 단축
확장	가오슝 지역 허브, NVIDIA와 AI Token 생태계·Open Agent Framework 공동 개발, 자회사 VisionBay.ai의 AIaaS

핵심 개념

AI factory

데이터를 모아 모델을 학습하고 그 결과를 현장 결정에 다시 쓰는 생산 체계. Foxconn은 학습 클러스터와 공장 현장을 한 흐름으로 묶는 뜻으로 씁니다.

OEE

Overall Equipment Effectiveness. 가동률, 성능, 품질을 곱해 설비가 실제로 얼마나 잘 돌았는지 보는 제조 지표입니다.

SMT

Surface-Mount Technology. 인쇄회로기판 표면에 부품을 붙이는 공정으로 인쇄, 마운트, 리플로 단계를 거칩니다.

NIM

NVIDIA Inference Microservices. 모델과 추론 환경을 마이크로서비스 단위로 묶어 여러 곳에 같은 방식으로 배포하게 하는 패키지입니다.

VisionBay.ai

Foxconn 자회사이자 NVIDIA 클라우드 파트너. Foxconn의 연산 자원과 GPT 플랫폼을 제조, 전기차, 도시 분야에 서비스로 제공합니다.

Open Agent Framework

Foxconn과 NVIDIA가 함께 만드는 에이전트 개발 틀. 다른 기업도 Foxconn 플랫폼 위에서 자기 에이전트를 만들게 하려는 것입니다.

내 메모

TODO: 내 생각 추가

원문은 Foxconn(Hon Hai) 보도자료(press release 2129)입니다. 이 환경에서는 보도자료 페이지를 직접 열지 못해 같은 내용을 담은 NVIDIA 고객 사례 「Foxconn AI Factory」(2026.10.22)와 공상시보 왕더푸(旺得富) 보도(2026.10.27)로 사실을 확인했습니다. 요약, 핵심 메커니즘의 발표 내용, 통념과 다른 주장, 사례, 원문 사례 표는 회사 발표를 AX Review가 다시 정리했으며 수치와 효과는 회사 측정입니다. 기술·현업 실행 디테일, JSON 예시, 데이터·모델·지표 표, 일정과 판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 전체 내용은 원문 보도자료와 NVIDIA 사례 페이지에서 볼 수 있습니다.