Industrial Embodied AI: TARSBOT이 밝힌 Aptiv 공장 로봇 투입, 8개 공정군·33개 작업에 연말 100대
로봇 회사 TARSBOT은 자사 A-Series 산업용 로봇의 첫 물량이 Aptiv 공장의 실제 생산 라인에서 돌고 있다고 밝혔습니다. 대상은 8개 공정군 33개 작업이고, 연말까지 100대, 장기적으로 1,000대 규모가 목표입니다. 생산성·품질 수치는 발표에 없습니다.
TARSBOT 발표에 따르면 자동차 부품사 Aptiv는 범용 로봇 한 기종을 조립·검사·생산 관리 등 33개 작업에 함께 넣고 있으며 연말까지 100대를 배치할 계획입니다. 이를 따라 하려는 제조사는 대수보다 작업별 성공률과 사람 개입 빈도를 먼저 재고 현장 데이터의 권리를 계약으로 정해 두어야 합니다.
요약
이 노트는 로봇 회사 TARSBOT(중국 이름 它石智航)이 11월 16일 PR Newswire로 낸 보도자료를 바탕으로 합니다. 주장의 주체는 TARSBOT이고 Aptiv 측 발언은 보도자료에 없습니다. TARSBOT에 따르면 두 회사는 상하이에서 열린 제9회 중국국제수입박람회(CIIE)에서 embodied AI(몸을 가진 AI, 물리 세계에서 보고 판단하고 움직이는 AI) 협력을 넓히는 협약을 맺었습니다. 중국 자동차 매체 Gasgoo는 Aptiv 위챗 공지를 인용해 서명일을 11월 6일로 전했고 같은 자리에서 Aptiv가 Shanghai Electric과도 따로 협약을 맺었다고 보도했습니다. TARSBOT은 자사 A-Series 산업용 로봇의 첫 물량이 이미 Aptiv 스마트 공장의 생산 라인에서 가동 중이라고 밝혔습니다. 첫 단계는 상하이 자딩구 정부의 지원을 받아 Aptiv 생산 거점 한 곳에서 진행합니다.
발표된 범위는 8개 제조 공정군과 33개 작업입니다. 원문이 이름을 밝힌 작업은 유연 조립, 협동 검사, 생산 관리입니다. Aptiv는 연말까지 A-Series 100대 배치를 마칠 계획이고 양사는 장기적으로 1,000대 규모의 산업용 로봇 fleet(한 회사가 함께 운영하는 로봇 무리)을 목표로 합니다. TARSBOT은 이를 중국 최초의 산업용 embodied AI 로봇 fleet이라고 표현했습니다. 역할도 나뉩니다. Aptiv는 고성능 컴퓨팅 플랫폼과 지능형 배전 솔루션을 로봇에 넣고 TARSBOT은 로봇과 범용 기반 모델 AWE(AI World Engine)를 맡습니다. 공장에서 얻은 경험은 AWE 개선에 쓰입니다. 보도자료에는 생산성, 품질, 투자액 수치가 없습니다. 아래에서는 발표의 네 가지 구조를 정리하고 같은 방식을 실제로 돌릴 때 필요한 기술·현업 디테일을 덧붙입니다.
핵심 메커니즘
한 기종, 여러 공정: 8개 공정군 33개 작업에 같은 로봇을 쓴다
기존 산업용 로봇은 공정 하나에 맞춰 프로그래밍하고 지그(작업물을 고정하는 틀)를 따로 만듭니다. TARSBOT 발표는 이와 다른 방식을 내세웁니다. 같은 A-Series 기종을 조립, 검사, 생산 관리처럼 성격이 다른 작업에 함께 넣습니다. 입력은 작업별 요구 조건이고 처리는 범용 모델이 작업에 맞게 동작을 고르는 단계이며 출력은 라인에서 실제로 끝낸 작업입니다. 이런 방식은 품종이 자주 바뀌고 작업이 잘게 나뉜 라인에서 효과를 보기 쉽습니다. 한 작업을 대량으로 반복하는 고속 라인에는 전용 설비가 여전히 유리합니다. 원문은 33개 작업의 이름을 모두 밝히지 않았습니다.
공급자이자 사용자: Aptiv가 로봇 부품을 대고 그 로봇을 직접 쓴다
Aptiv는 이 협력에서 두 역할을 함께 맡습니다. 자동차용으로 만들던 고성능 컴퓨팅 플랫폼과 배전 솔루션을 TARSBOT 로봇의 인지, 판단, 동작 제어 기반으로 공급합니다. 그리고 그 로봇을 자기 공장 라인에 들여 씁니다. Gasgoo 보도에 따르면 공장 운영에서 나온 데이터는 로봇 제품 개발과 모델 개선에 다시 쓰입니다. 부품을 만든 회사가 자기 라인에서 그 부품의 실제 부하와 고장 양상을 먼저 보게 되는 구조입니다. Gasgoo 보도에서 Aptiv 중국·아시아태평양 총괄 Yang Xiaoming은 차량과 로봇이 “share technological roots and supply chains”라고 말했습니다. 같은 박람회에서 맺은 Shanghai Electric 협약에서도 Aptiv는 컴퓨팅 플랫폼과 전력 관리 제품을 그 회사 로봇에 넣기로 했습니다.
현장 경험으로 모델을 키운다: 라인 운영과 AWE 개선을 잇는다
AWE는 TARSBOT이 만든 embodied AI용 범용 기반 모델입니다. 보도자료는 실제 공장에서 얻은 통찰이 AWE의 반복 개발을 뒷받침한다고 밝혔습니다. 작동 순서는 이렇습니다. 로봇이 라인에서 작업하며 실패와 예외, 사람이 개입한 순간이 기록으로 쌓입니다. 이 기록이 모델 학습과 조정에 들어가고 개선된 모델이 다시 더 많은 작업에 배치됩니다. 로봇 대수가 늘수록 모델이 겪는 예외도 많아집니다. 원문은 데이터를 어떤 형식으로 모으는지, 누가 소유하는지는 밝히지 않았습니다.
단계적 확대: 거점 한 곳에서 적응한 뒤 1,000대로 넓힌다
첫 단계의 일은 대수를 늘리는 것보다 로봇을 실제 공정 요구와 제조 기준에 맞추는 것입니다. TARSBOT은 이번 협약으로 협력이 더 구조화되고 규모가 큰 단계에 들어섰다고 설명했습니다. 다음 단계에서는 더 많은 제조 현장에 로봇을 연결하고 다른 공장이 참고할 수 있는 검증된 모델을 만드는 것이 목표입니다. 1,000대는 목표 규모이고 달성 시점은 공개되지 않았습니다.
저자가 든 사례
Aptiv 스마트 공장: A-Series 첫 물량 라인 투입
| 구분 | 내용 |
|---|---|
| 상황 | 제조사들이 자동화와 공급망 효율을 더 요구받는 환경(보도자료의 설명) |
| 한 일 | TARSBOT A-Series 첫 물량을 Aptiv 스마트 공장 라인에 투입. 8개 공정군 33개 작업 대상. Aptiv 컴퓨팅·배전 제품을 로봇에 탑재 |
| 결과 | TARSBOT 발표 기준 실제 라인에서 가동 중. 2026년 말 100대 배치 완료 목표, 장기 1,000대 목표. 생산성·품질 수치는 원문에서 밝히지 않음 |
| 연결 | 한 기종 여러 공정, 공급자이자 사용자, 단계적 확대 |
기술 디테일: 로봇 fleet을 실제로 돌린다면
아래 필드명, 설정값, 기준은 같은 방식을 실제로 돌릴 때 필요한 것을 새로 쓴 가상 예시입니다.
33개 작업을 다루려면 작업마다 작업 카드를 만듭니다. 한 기종을 여러 공정에 넣으면 작업마다 성공 조건이 다릅니다. 작업 카드에는 작업 ID, 공정군, 목표 사이클 타임, 허용 오차, 실패 시 대체 절차(사람 호출, 라인 정지, 재시도 횟수)를 적습니다. 모델이 바뀌어도 이 카드는 그대로 두고 판정 기준으로 씁니다.
{
"task_id": "insp-connector-07",
"process_group": "협동 검사",
"cycle_time_target_s": 18,
"tolerance": {"pin_offset_mm": 0.3},
"fallback": {"retry_max": 2, "then": "call_operator"},
"success_signal": "vision_pass_and_mes_ok"
}
AWE 같은 모델을 현장 데이터로 개선하려면 에피소드 로그 형식을 먼저 맞춥니다. 작업 한 번을 에피소드 하나로 보고 카메라 영상, 관절 상태, 그리퍼 힘, 성공 여부, 사람 개입 시각과 이유를 같은 시각 기준으로 남깁니다. 실패는 인지 오류, 파지 실패, 배치 오차, 공정 변경(부품·지그가 바뀜)으로 나눠 태그를 답니다. 이 분류가 있어야 모델 문제인지 공정 문제인지 가를 수 있습니다.
지표는 대수보다 작업 단위로 봅니다. 작업별 성공률, 사람 개입 사이 평균 가동 시간(MTBI), 사람 대비 사이클 타임, 해당 공정의 첫 검사 합격률(FPY)을 주 단위로 냅니다. 같은 작업을 같은 조건에서 하루 이상 반복해 편차를 먼저 재고 모델을 바꾼 뒤 차이가 그 편차의 두 배를 넘을 때만 개선으로 봅니다.
모델 업데이트는 한 셀에서 먼저 적용합니다. 새 모델은 셀 하나에 1~3일 먼저 올려 이전 모델의 같은 기간 지표와 비교합니다. 업데이트마다 모델 버전, 적용 셀, 시작 시각을 로그에 함께 남깁니다. 성공률이 떨어지면 이전 모델로 바로 되돌릴 수 있게 버전을 고정해 둡니다. 컴퓨팅은 로봇에 탑재한 장치에서 동작 제어를 처리하고 학습과 로그 분석만 공장 서버나 클라우드로 보냅니다.
| 막히는 경우 | 증상 | 대응 |
|---|---|---|
| 공정이 바뀜 | 부품 변경 뒤 성공률 급락 | 작업 카드에 부품 버전을 넣고 변경 시 재검증 |
| 사람 개입이 잦음 | MTBI가 짧아 작업자가 로봇 옆을 못 떠남 | 개입 상위 3개 원인부터 해결, 그전엔 확대 보류 |
| 안전 구역 충돌 | 협동 작업 중 정지가 잦음 | ISO 10218, ISO/TS 15066(협동로봇 안전 기준)에 맞춰 속도·힘 한계와 구역 재설정 |
| 로그 누락 | 실패 이유를 알 수 없음 | 개입 버튼에 이유 코드 선택을 붙임 |
현업 실행 디테일: 누가, 언제, 무엇을
아래 역할, 일정, 기준은 발표 내용을 참고해 새로 짠 가상 예시입니다.
| 역할 | 맡는 일 |
|---|---|
| 공장장 | 파일럿 셀과 확대 여부 최종 결정 |
| 생산기술(PE) | 후보 작업 선정, 작업 카드 작성, 사이클 타임 측정 |
| 품질 | 협동 검사 작업의 합격 기준과 FPY 비교 |
| 안전(EHS) | 위험성 평가, 협동 구역과 비상 정지 절차 |
| IT·OT | 로봇 로그와 MES(제조 실행 시스템) 연동, 데이터 보관 |
| 로봇 회사 현장 엔지니어 | 설치, 모델 업데이트, 실패 원인 분석 |
| 인사·현장 리더 | 작업자 재배치와 교육, 노사 협의 |
준비물. 후보 작업 목록과 현재 사이클 타임·불량률 기준선, 라인 레이아웃, 안전 평가 양식, 로봇 회사와 맺을 데이터 이용 조항 초안이 필요합니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~3주 | 후보 작업을 실패 비용과 반복 빈도로 평가해 2~3개 선정 | 작업 카드, 기준선 |
| 4~6주 | 위험성 평가, 셀 설치, 사람과 병행하는 섀도 운영 시작 | 안전 승인, 초기 로그 |
| 7~9주 | 에피소드 로그 수집, 실패 분류, 모델 업데이트 한 번 적용 | 주간 지표 보고 |
| 10~12주 | 확대·보류 판정 | 판정 보고서, 다음 작업 목록 |
현장에 물을 것.
- 이 작업이 실패하면 몇 분 안에 누가 알아채고 무엇을 하나요?
- 지난 1년 동안 이 작업의 부품이나 지그가 몇 번 바뀌었나요?
- 지금 작업자는 이 작업에서 무엇을 눈으로 판단하나요?
- 로봇이 맡으면 작업자는 어떤 일로 옮기나요?
- 로봇이 남긴 영상과 로그를 회사 밖으로 보내도 되나요?
진행 판정 기준(예시). 작업별 성공률 95% 이상, 사이클 타임이 사람의 1.2배 이내, MTBI 4시간 이상, 해당 공정 FPY 하락 없음을 모두 넘으면 같은 셀의 작업을 늘립니다. 하나라도 못 넘으면 원인을 고칠 때까지 대수를 늘리지 않습니다.
AX 적용 제언. 국내 자동차 부품·전자 제조사라면 대수 목표부터 정하지 말고 검사나 공정 간 이송처럼 실패 비용이 낮은 작업 2~3개에서 시작하는 편이 낫습니다. 로봇 회사와 계약할 때는 현장 데이터의 소유와 사용 범위, 그 데이터로 개선된 모델을 우리 공장이 어떻게 받는지를 먼저 정합니다. Aptiv처럼 로봇에 들어갈 부품을 만드는 회사라면 자기 공장을 시험장으로 삼아 로봇 공급망에 들어가는 길도 검토할 만합니다. 경영진 보고는 대수가 아니라 작업별 성공률과 개입 빈도로 합니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 원문 | TARSBOT 보도자료 「TARSBOT and Aptiv Deepen Strategic Collaboration on Embodied AI」, PR Newswire, 상하이, 2026.11.16 |
| 주장 주체 | TARSBOT(보도자료 발신). Aptiv 경영진 발언은 원문에 없음 |
| 서명 | 제9회 중국국제수입박람회(CIIE). Gasgoo는 Aptiv 위챗을 인용해 11월 6일로 보도 |
| 로봇 | TARSBOT A-Series 산업용 embodied AI 로봇. 기반 모델 AWE(AI World Engine) |
| 범위 | 8개 제조 공정군, 33개 작업(유연 조립, 협동 검사, 생산 관리 등) |
| 현황 | 첫 물량이 Aptiv 스마트 공장 생산 라인에서 가동 중. 첫 단계는 Aptiv 생산 거점 한 곳 |
| 목표 | 2026년 말까지 100대 배치 완료, 장기 1,000대 fleet. 2026년 양산 계획 |
| Aptiv 역할 | 고성능 컴퓨팅 플랫폼, 지능형 배전 솔루션 공급. 엔지니어링·품질 기준 제공 |
| 지원 | 상하이 자딩구 정부 |
| 성과 수치 | 원문에서 밝히지 않음 |
핵심 개념
- Embodied AI
- 카메라와 센서로 주변을 보고 판단해 팔이나 바퀴로 직접 움직이는 AI입니다. 화면 안에서만 일하는 AI와 구분할 때 씁니다.
- Robot fleet
- 한 회사가 같은 소프트웨어와 관리 체계로 함께 운영하는 여러 대의 로봇입니다.
- Foundation model
- 특정 작업 하나가 아니라 여러 작업에 쓰도록 넓게 학습한 기반 모델입니다. AWE가 TARSBOT의 기반 모델입니다.
- CIIE
- 상하이에서 매년 열리는 중국국제수입박람회로, 외국 기업과 중국 기업의 협약 발표가 많이 나옵니다.
- MTBI
- Mean Time Between Interventions. 사람이 로봇에 개입한 뒤 다음 개입까지 평균 가동 시간입니다.
내 메모
TODO: 내 생각 추가
원문은 TARSBOT이 PR Newswire로 배포한 보도자료 「TARSBOT and Aptiv Deepen Strategic Collaboration on Embodied AI」(2026.11.16)입니다. PR Newswire 원문 페이지는 이번 작업에서 직접 열리지 않아, 같은 보도자료를 그대로 실은 TechNode Global, Thailand Business News 게재본으로 내용을 확인했습니다. 서명일, Shanghai Electric 협약, Yang Xiaoming 발언은 Gasgoo 보도(2026.11.6, 11.10)에서 가져왔습니다. 요약과 사례는 보도자료와 보도에 나온 사실을 AX Partners가 다시 정리했고 수치는 모두 TARSBOT이 밝힌 목표·현황입니다. 기술·현업 디테일, 표, 인포그래픽은 새로 작성한 내용입니다. 전체는 원문 링크에서 볼 수 있습니다.