Spot to Atlas: GlobalFoundries가 점검 로봇 2대로 팹 설비 점검 9만 건을 돌리고 휴머노이드 시험으로 넘어가는 순서
GlobalFoundries는 싱가포르 팹에서 4족 로봇 Spot 2대로 4월 이후 설비 점검 9만 건 넘게 수행했고 임무 성공률 99%를 보고했습니다. 2027년 초에는 자동차 업계 밖 첫 고객으로 휴머노이드 Atlas를 현장 시험합니다. 이동 점검 로봇을 들이는 판단 기준과 8주 파일럿 계획을 붙였습니다.
GlobalFoundries(GF)는 넓은 팹의 모든 설비에 센서를 다는 대신 점검 로봇이 정해진 경로를 돌며 계기판과 열화상을 읽게 했고 싱가포르에서 Spot 2대로 점검 9만 건 넘게 처리했습니다. 휴머노이드 Atlas는 작업 후보를 고르고 현장 준비도를 따지는 단계부터 시작합니다. 따라 하려면 점검 지점 목록, 판독 실패 처리 규칙, 정비 시스템 연동을 먼저 갖춰야 합니다.
요약
반도체 위탁생산 기업 GF와 Hyundai Motor Group 산하 로봇 회사 Boston Dynamics가 2026년 11월 17일 협력 확대를 발표했습니다. 하나는 4족 보행 점검 로봇 Spot의 확대입니다. GF는 버몬트 벌링턴 공장에서 4년 넘게 Spot을 써 왔고 올해 4월부터 싱가포르 팹의 sub-fab(클린룸 아래층에서 펌프·배관·전력 설비가 모인 구역)에 Spot 2대를 돌렸습니다. 이제 뉴욕 몰타, 독일 드레스덴을 포함한 4개 사이트로 넓힙니다. 다른 하나는 휴머노이드 Atlas입니다. GF는 Boston Dynamics의 early adopter 프로그램(초기 도입 고객과 함께 쓰임새를 찾는 프로그램)에 들어간 첫 반도체 기업이자 자동차 업계 밖 첫 고객으로, 2027년 초부터 자사 공장에서 Atlas를 시험합니다.
숫자는 싱가포르에서 나왔습니다. Spot 2대가 4월 이후 약 900km를 걸으며 점검 9만 건 넘게 수행했고 회사는 임무 성공률 99%를 보고했습니다. 최신 하드웨어와 소프트웨어로 바꾸면서 정기 점검 875건을 2주 만에 로봇에 옮겨 맡겼고 그 수를 두 배 넘게 늘리는 로드맵을 세웠습니다. GF 최고제조책임자 Pradip Singh은 Spot 덕분에 “shift from reactive to predictive maintenance”를 이뤘다고 말했습니다. 고장 난 뒤 고치던 방식에서 데이터로 고장을 미리 잡는 방식으로 옮겼다는 뜻입니다. 2022년 사례 연구에 따르면 이 선택의 출발점은 비용 판단이었습니다. 수명이 길고 변화가 느린 설비가 넓은 시설에 흩어져 있으니 설비마다 센서를 다는 것보다 로봇이 주기적으로 돌며 읽는 편이 경제적이라고 봤습니다. 아래에서는 이 판단을 네 가지 장치로 나눠 보고 실제로 돌릴 때 필요한 판독 규칙과 일정을 덧붙입니다.
핵심 메커니즘
Mobile Inspection: 고정 센서 대신 로봇이 점검 지점을 돈다
무엇인가: 설비마다 센서를 붙이는 대신 로봇 한 대가 정해진 경로의 점검 지점을 차례로 들러 데이터를 모으는 방식입니다. 어떻게 작동하나: 로봇이 지점마다 멈춰 계기판 사진과 열화상을 찍고 결과를 지점 ID와 시각을 붙여 쌓습니다. 점검 지점을 늘릴 때는 배선 공사 대신 경로를 고칩니다. 언제 맞나: 2022년 사례 연구에서 GF 공장자동화 담당 Samantha Garrison은 장비 수명이 길고 바뀌는 속도가 느리다고 설명했습니다. 이런 설비는 초 단위 데이터가 필요 없고 주기 점검으로 충분합니다. 반대로 초 단위로 변하는 공정 변수나 안전 인터록처럼 즉시 끊어야 하는 신호는 고정 센서가 맡아야 합니다. 원문의 예: 벌링턴 200mm 공장의 펌프, 모터, 압축가스 설비입니다.
Vision-based Reading: 비전 모델이 계기판과 열화상을 읽는다
무엇인가: 로봇이 찍은 이미지를 컴퓨터 비전 모델이 수치로 바꾸고 이상 여부를 표시하는 단계입니다. 어떻게 작동하나: Boston Dynamics 파트너 Levatas가 계기판과 모터를 기준으로 비전 모델을 만들어, Spot이 무엇을 보고 있는지 알아보고 값을 읽게 했습니다. 설비가 너무 뜨겁거나 값이 나쁜 방향으로 흐르면 담당자에게 알립니다. 언제 맞나: 디지털 출력이 없는 아날로그 계기판이 많은 오래된 설비에서 효과가 큽니다. 원문의 예: 사례 연구는 자율 임무 설정이 약 반나절 걸렸다고 적었습니다. 이번 발표는 Spot의 고급 육안 점검 기능으로 점검 범위를 넓히겠다고 밝혔습니다.
Mission Redeployment: 점검 875건을 2주 만에 옮긴다
무엇인가: 사람이 돌던 정기 점검 항목을 로봇 임무로 바꿔 넘기는 작업입니다. 어떻게 작동하나: 점검 항목마다 위치, 찍을 대상, 판독 방식, 주기를 정해 로봇 임무에 넣습니다. GF는 최신 하드웨어와 소프트웨어로 875건을 2주 만에 옮겼다고 밝혔습니다. 언제 맞나: 같은 점검을 같은 주기로 반복하고 결과가 숫자 하나나 정상/이상으로 끝나는 항목이 먼저입니다. 손으로 밸브를 돌리거나 시료를 채취해야 하는 항목은 4족 로봇의 몫이 아닙니다. 원문의 예: 회사는 이 875건을 두 배 넘게 늘리는 것을 바로 다음 로드맵으로 잡았습니다.
Early Adopter Workshop: 휴머노이드는 작업 고르기부터 한다
무엇인가: Boston Dynamics가 Atlas 초기 고객과 함께 여는 시험·역량 개발 워크숍입니다. 어떻게 작동하나: 휴머노이드가 맡을 만한 use case(쓰임새)를 평가하고 고객 현장의 준비도와 연동 요구사항을 따진 뒤, 특정 작업 실행을 현장에서 시험하고 학습시킵니다. GF는 이 워크숍을 전사 AI 업스킬링 프로그램과 함께 돌립니다. 언제 맞나: 사람 손이 닿게 만들어진 설비와 공간에서 바퀴나 4족 로봇이 못 하는 작업을 찾을 때입니다. 원문의 예: 보도에 따르면 두 회사는 Atlas가 맡을 작업과 투입 대수를 공개하지 않았습니다.
통념과 다른 주장
흔히 이렇게 봅니다예지 정비를 하려면 설비마다 IoT 센서를 달아 데이터를 실시간으로 받아야 한다.
GF는 이렇게 봅니다수명이 길고 변화가 느린 설비가 넓게 흩어져 있다면 로봇이 주기적으로 돌며 읽는 편이 경제적입니다.
근거2022년 사례 연구에서 GF는 모든 설비 센서화가 비경제적이라고 판단했고 싱가포르에서는 로봇 2대로 4월 이후 점검 9만 건 넘게 처리했습니다.
흔히 이렇게 봅니다휴머노이드는 사서 바로 생산 라인에 넣는 장비다.
GF는 이렇게 봅니다먼저 맡길 작업을 고르고 현장 준비도와 연동 조건을 따진 뒤 특정 작업부터 학습시킵니다.
근거Atlas 프로그램은 use case 평가, 준비도와 연동 진단, 초기 시험과 학습을 목표로 하는 워크숍으로 시작하고 직원 AI 교육과 묶여 있습니다.
저자가 든 사례
벌링턴: 센서 대신 Spot을 고른 첫 판단
| 구분 | 내용 |
|---|---|
| 상황 | 200mm 반도체를 만드는 넓은 공장. 장비 수명이 길고 변화가 느려 설비마다 센서를 다는 것은 비경제적이라고 판단 |
| 한 일 | Spot과 Levatas 비전 모델로 펌프, 모터, 압축가스 설비의 열 상태와 아날로그 계기판을 자동 판독. 자율 임무 설정에 약 반나절 |
| 결과 | 계획 정비와 정지 시간을 예측하는 모델의 재료가 될 데이터 축적. 정량 효과는 사례 연구에서 밝히지 않음 |
| 연결 | Mobile Inspection, Vision-based Reading |
싱가포르: 2대로 9만 건, 그리고 4개 사이트 확대
| 구분 | 내용 |
|---|---|
| 상황 | sub-fab 설비 점검. 몰타, 벌링턴, 드레스덴, 싱가포르로 Spot 확대 계획 |
| 한 일 | 4월부터 Spot 2대 운영. 최신 하드웨어와 소프트웨어로 정기 점검 875건을 2주 만에 이관 |
| 결과 | 약 900km 이동, 점검 9만 건 이상, 임무 성공률 99%. 이관 점검 수를 두 배 넘게 늘리는 로드맵 |
| 연결 | Mission Redeployment, Early Adopter Workshop의 전 단계 |
기술 디테일: 이동 점검 데이터를 정비로 잇는다면
아래 필드명, 기준값, 처리 규칙은 실제로 돌릴 때 필요한 것을 새로 쓴 가상 예시입니다. 원문 수치는 그렇다고 밝혔습니다.
Mobile Inspection을 돌리려면 점검 지점 목록부터 데이터로 만듭니다. 로봇 경로는 이 목록의 순서일 뿐입니다. 지점마다 ID, 설비 ID(정비 시스템과 같은 코드), 찍을 대상, 판독 방식, 정상 범위, 주기를 둡니다. 정상 범위는 제조사 사양이 아니라 그 설비의 최근 4~8주 실측 분포로 잡아야 오경보가 줄어듭니다.
{
"point_id": "SG-F7-SUB-PMP-0412",
"asset_id": "PMP-0412",
"kind": "thermal",
"target": "모터 하우징",
"reading": {"method": "roi_max_temp", "unit": "C"},
"baseline": {"window_days": 28, "p50": 54.0, "p95": 61.5},
"alert": {"abs_over_baseline_C": 10, "rising_runs": 3},
"cadence": "daily",
"fallback": {"retake": 1, "then": "human_review"}
}
Vision-based Reading의 출력은 값과 신뢰도를 함께 냅니다. 아날로그 계기판은 계기판 영역 검출, 눈금 양 끝 인식, 바늘 각도 계산 순으로 값을 만들고 열화상은 지정한 영역의 최고 온도를 씁니다. 판독 결과는 value, unit, confidence, image_ref, captured_at를 한 줄로 남겨야 나중에 사람이 사진으로 되짚을 수 있습니다. 같은 지점을 두 번 찍어 값 차이를 보면 판독 편차를 잴 수 있고 계기판 최소 눈금의 절반을 넘으면 모델이나 촬영 위치를 다시 봅니다. 반사, 김 서림, 배관에 가린 시야가 흔한 실패입니다. 신뢰도가 낮으면 한 번 다시 찍고 그래도 안 되면 사람 검토 대기열로 보냅니다. 판독 모델은 GF처럼 로봇 파트너의 비전 모델을 먼저 쓰고 그 모델이 못 읽는 계기판 유형만 지점당 사진 50~100장을 라벨링해 추가 학습하는 순서가 빠릅니다. 범용 멀티모달 LLM은 판독값의 1차 출처로 쓰지 말고 사람 검토 대기열에서 사진 설명을 붙이는 보조로 둡니다.
임무 성공률과 판독 성공률은 따로 셉니다. GF가 밝힌 99%는 임무 성공률입니다. 로봇이 경로를 끝까지 돌았는지와 각 지점을 제대로 읽었는지는 다른 지표라서 파일럿에서는 임무 완료율, 지점별 판독 성공률, 사람 검토로 넘어간 비율, 오경보 비율을 각각 기록합니다.
Mission Redeployment는 정비 시스템 연동까지 해야 끝납니다. 임계를 넘은 판독은 CMMS(설비 정비 관리 시스템)에 작업 지시 초안으로 들어가고 정비 담당이 승인하면 실제 지시가 됩니다. 자동 발행부터 시작하지 않는 이유는 초기 오경보가 정비팀의 신뢰를 먼저 깎기 때문입니다. 875건처럼 많은 항목을 빨리 옮기려면 항목을 판독 방식별(계기판, 열화상, 표시등, 누유 육안)로 묶어 같은 템플릿으로 한꺼번에 등록합니다.
현업 실행 디테일: 누가, 언제, 무엇을
| 역할 | 맡는 일 |
|---|---|
| 시설 정비 팀장(스폰서) | 이관할 점검 항목 승인, 경보 기준 최종 결정, 확대 여부 판정 |
| 정비 엔지니어 2명 | 점검 지점 목록 작성, 정상 범위 설정, 사람 검토 대기열 처리 |
| 로봇 운영자 1명 | 경로 설정, 충전·도킹 관리, 임무 실패 원인 기록 |
| 비전·데이터 엔지니어 1명 | 판독 모델 조정, 판독 결과 저장, CMMS 연동 |
| EHS 담당 | 로봇 동선의 안전 구역, 클린룸·화학물질 구역 출입 규칙 확인 |
시작 전 준비물은 사람이 돌던 점검표 원본(지점, 주기, 기록 양식), 설비 ID 체계, 최근 1년의 고장 이력, 로봇이 다닐 구역의 도면과 출입 제한 구역 목록입니다. 첫 주에 정비 엔지니어에게 물을 질문은 다섯 가지입니다. 어떤 점검을 매번 같은 방법으로 하는가, 결과가 숫자나 정상/이상으로 끝나는가, 사람이 손을 써야 하는 단계가 있는가, 지난 1년 고장 중 미리 볼 수 있었던 것은 무엇인가, 경보를 받으면 누가 몇 시간 안에 움직이는가.
8주 파일럿(가상 예시) 1~2주에 점검표에서 반복·판독형 항목 50~100개를 고르고 지점 목록을 만듭니다. 3~4주에 경로와 판독 모델을 맞추고 5~6주에 사람 점검과 로봇 점검을 같은 지점에서 병행해 값을 대조합니다. 7~8주에 판정합니다. 진행 기준 예시는 임무 완료율 95% 이상, 지점별 판독 성공률 90% 이상, 사람 점검 값과의 차이가 최소 눈금 이내, 오경보가 주당 지점 100개당 2건 이하입니다. 하나라도 못 미치면 확대하지 않고 해당 지점 유형만 다시 손봅니다.
휴머노이드 워크숍을 준비한다면 후보 작업마다 반복 빈도, 사람 손 크기의 조작이 필요한지, 실패했을 때 위험, 지금 사람이 쓰는 시간을 1~5점으로 매겨 상위 3개만 들고 갑니다. 4족 로봇이나 고정 자동화로 풀리는 작업은 이 목록에서 뺍니다.
적용 제언. 국내 반도체·디스플레이·화학 공장의 유틸리티 구역은 GF의 sub-fab과 조건이 비슷합니다. 오래된 아날로그 계기판이 많고 설비 수명이 길고 사람이 정해진 순찰을 돕니다. 첫 대상은 고장 이력이 있는 펌프·모터 계열의 열화상 점검과 계기판 판독으로 잡고 성과는 로봇 대수가 아니라 이관한 점검 항목 수와 사람 순찰 시간 감소로 보고합니다. 이미 중앙 관제 체계를 만들고 있다면 로봇 판독값을 그 데이터 계층에 같은 설비 ID로 넣는 것이 첫 연동 과제입니다. GF가 싱가포르에서 연 통합 관제센터는 별도 노트에 정리했습니다. 휴머노이드는 점검 로봇으로 데이터와 운영 경험이 쌓인 뒤 작업 고르기부터 시작하는 순서가 GF의 길입니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 발표 | GlobalFoundries·Boston Dynamics 보도자료, 2026.11.17 (매사추세츠 월섬) |
| Spot 확대 사이트 | 뉴욕 몰타, 버몬트 벌링턴, 독일 드레스덴, 싱가포르 |
| 벌링턴 | Spot 운영 4년 이상. 2022년 사례 연구 공개 |
| 싱가포르 실적 | 4월 이후 Spot 2대, 약 900km, sub-fab 점검 9만 건 이상, 임무 성공률 99% |
| 점검 이관 | 최신 하드웨어·소프트웨어로 정기 점검 875건을 2주 만에 이관, 두 배 이상 확대 로드맵 |
| Atlas | 2027년 초 GF 현장 시험. 자동차 업계 밖 첫 고객, early adopter 프로그램의 첫 반도체 기업 |
| 워크숍 목표 | use case 평가, 고객 준비도와 연동 요구 진단, 특정 작업 초기 시험과 학습. GF 전사 AI 업스킬링과 병행 |
| 발언자 | Pradip Singh(GF 최고제조책임자), Zack Jackowski(Boston Dynamics 최고제품기술책임자) |
| 밝히지 않은 것 | Atlas가 맡을 작업, 투입 대수, 투자 규모, 정지 시간 감소 수치 |
핵심 개념
- sub-fab
- 클린룸 아래층 구역. 진공 펌프, 배기, 가스·전력 설비가 모여 있어 점검 지점이 많습니다.
- predictive maintenance
- 설비 상태 데이터로 고장 전에 정비 시점을 잡는 방식. 고장 난 뒤 고치는 reactive maintenance와 대비됩니다.
- mission success rate
- 로봇이 계획한 점검 임무를 끝까지 마친 비율. 지점별 판독 정확도와는 다른 지표입니다.
- early adopter program
- 제품이 개발 중일 때 초기 고객과 현장 쓰임새를 함께 찾는 프로그램. Atlas는 자동차 공장에서 먼저 시작했습니다.
- CMMS
- Computerized Maintenance Management System. 설비 대장, 정비 이력, 작업 지시를 관리하는 시스템입니다.
- physical AI
- 로봇처럼 물리 세계에서 보고 움직이는 AI. Singh은 이를 전 세계 운영에 투입하는 단계로 이번 발표를 설명했습니다.
내 메모
TODO: 내 생각 추가
원문은 GlobalFoundries·Boston Dynamics 보도자료 「Boston Dynamics and GlobalFoundries Expand Robotics Collaboration」(2026.11.17)입니다. 편집 데스크 후보였던 AIM Media House 기사 「Atlas Heads to a Chip Fab」(Amit Raja Naik)는 열람 승인이 막혀 직접 읽지 못했고 같은 사건의 1차 자료인 이 보도자료를 기준으로 썼습니다. Interesting Engineering(Neetika Walter, 2026.11.17)과 The Korea Times(이경민, 2026.11.18) 보도로 수치를 대조했고 벌링턴의 판단 근거, 판독 대상, Levatas의 역할, Samantha Garrison의 설명은 Boston Dynamics의 2022년 GlobalFoundries 사례 연구에서 가져왔습니다(직함은 사례 연구 당시 기준). 요약, 핵심 메커니즘의 원문 예, 통념과 다른 주장, 사례, 원문 사례 표는 회사 발표와 사례 연구를 AX Review가 다시 정리했습니다. 기술·현업 실행 디테일, JSON 예시, 처리 규칙, 일정과 판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명, 설비 이름, 숫자는 가상 예시입니다. 전문은 원문 페이지에서 볼 수 있습니다.