마키나락스 “AI, 벤치마크 순위보다 현장성이 중요”

“저는 아직도 사실 잘 이해가 안 가는 부분이 있습니다. 왜 이렇게 프론티어 랩들은 벤치마크 지표에 집착할까? 벤치마크의 지표는 기업들의 AI 생산성과 사실 큰 연관이 없습니다.”

윤성호 마키나락스 대표는 지난 3일 서울 강남구에서 열린 ‘어텐션 2026’에서 이같이 말하며, 벤치마크 대신 현장 데이터를 근거로 한 완전 자율 공장 비전을 제시했다.

윤 대표는 전미경제연구소(NBER)의 조사 결과를 인용해 “지난 3년간 AI가 노동생산성에 영향을 주지 않았다고 답한 기업이 약 90%에 달한다”며 벤치마크 지표가 좋은 AI 모델들조차 기업의 현장 데이터와 업무 방식을 충분히 이해하지 못하고 있다는 문제를 지적했다.

윤 대표는 자사가 개발한 AI 운용체계(OS) ‘런웨이’를 설명하며 벤치마크 같은 수치가 아니라 현장의 경험을 중심으로 만들어졌다고 강조했다. 그는 “마키나락스는 검증된 AI가 현장의 시스템과 연결돼 실제 현장에서 돌아가는 AI를 만들어 왔다”며 그 예로 국내 최초로 군사 훈련에 런웨이가 도입된 사례를 강조했다.

이날 윤 대표는 완전 자율 공장에 대한 비전을 제시했다. 마키나락스는 완전 자율 공장으로 향하는 초기 프로젝트로 액추에이터 전문 기업 에너토크와 현재 80개 이상의 AI 전환 과제를 발굴했다고 밝혔다. 그는 향후 로드맵에 대해 “2028년 안으로 보이는 공장에서 연결된 공장으로, 연결된 공장에서 행동하는 자율 공장으로 나아가겠다”며 “공장에서 전장까지 가장 거칠고 예측 불가능한 환경에서 동작하는 AI를 만들겠다”고 마키나락스의 미션을 밝혔다.

아울러 국방 분야 엣지 OS 전략과 에너지 최적화 방안도 함께 소개됐다.

마키나락스, 국방 분야서 엣지 OS 중요성 강조

김민성 마키나락스 국방사업본부장은 국방 사업 관련 세션에서 국방 AI를 구축할 때 엣지 운영체계(OS)의 중요성에 대해 강조했다. 엣지 AI는 클라우드 서버를 거치지 않고 데이터를 수집해 학습하고, 학습 결과를 배포하며, 하나의 인프라에서 에이전트를 운영하고 확장시키는 역할을 기기 내부에서 수행한다.

먼저 김 본부장은 통신 제약이 큰 전쟁 현장에서 OS의 이중화가 중요하다고 말했다. 엣지 OS는 즉시 상황을 판단하고 데이터 수집과 제한적인 실행을 담당하며, 중앙 OS는 통합 학습과 중앙 판단을 맡는 방식이다. 데이터를 중앙 서버로 계속 전송해 처리하는 중앙 단독 구조는 통신 지연과 네트워크 단절, 전력 소모 등의 한계가 있기 때문이다.

국방 AI는 실시간으로 적보다 빠르게 판단해 임무를 수행해야 가치를 지닌다. 따라서 엣지 OS는 현장 데이터 수집뿐만 아니라 로컬 추론, 추적 유지, 경로 변경 등의 제한된 임무도 수행할 수 있어야 한다.

현재까지 마키나락스의 AI OS가 적용된 국방 과제로는 ▲국방지능데이터센터의 MLSecOps 구축 사례 ▲생성형 AI 적용 KJCCS 정보검색 및 운영기술 실증 사업 ▲국방 특화 K-AIP 기반의 지능형 GOP 작전지원체계 ▲해군 함정용 장비 운용 AI 참모가 소개됐다.

김 본부장은 향후 국방 사업 로드맵으로 다양한 작전 환경에 특화된 모델을 운용하기 위한 이동형 서버 PMDC(Portable Modular Data Center)를 제시했다. PMDC는 엣지 장비인 무인체계로부터 데이터를 전송받아 해당 데이터를 바탕으로 특화 모델을 업데이트한 뒤 각 무인체계에 다시 배포하는 역할을 한다. 그는 “이들 이동형 서버가 대규모 데이터센터와 연합학습을 통해 베이스 모델을 지속적으로 업데이트해야 AI 기반 차세대 지휘통제체계가 완성될 것”이라고 말했다.

에너지 최적화, 시뮬레이션에 강화학습 또는 모델예측제어 적용

임용섭 마키나락스 CAIO는 서로 다른 활용성을 가진 두 가지 모델을 결합해 만든 에너지 효율화 방안을 발표했다.

먼저 그는 에너지 효율 최적화가 어려운 이유로 두 가지 문제를 지적했다. 첫 번째는 공정의 복잡성이고, 두 번째는 산업 현장 공정의 높은 암묵지 의존도다. 암묵지는 글이나 말로 표현하기 어려운 무형의 지식을 뜻한다.

공정의 복잡성은 장비 내외부의 환경과 레시피, 운전 조건 등의 변화에서 비롯된다. 유지 보수 후에는 설비 설정값이나 데이터 패턴이 바뀌기도 한다.

암묵지 의존도가 높은 공정에서는 경험적 판단이 중요하게 작용한다. 작업자의 숙련도에 따라 품질 편차가 발생하고, 환경이나 조건이 달라졌을 때 즉각적이고 유연하게 대응하기도 어렵다.

이를 해결하기 위해 마키나락스는 현장 데이터로 설비 동작 특성을 학습하는 AI 시뮬레이션 모델 ‘다이나믹스 모델’을 만들었다. 다이나믹스 모델은 복잡한 조건·제어·상태 변화의 패턴을 인공신경망으로 학습해, 특정 조건에서 제어값을 바꿨을 때 설비 상태가 어떻게 달라질지 예측한다.

마키나락스는 이 다이나믹스 모델이 구현한 가상환경 위에서 강화학습(RL)과 모델예측제어(MPC)로 다양한 제어 방안을 탐색·평가해 최적 제어 방안을 도출한다. 현장 도메인 지식을 반영해 설계한 목적함수를 바탕으로, 목표를 달성하면서도 에너지 사용량을 최소화하는 제어 로직을 찾아내는 방식이다.

시뮬레이션 모델이 예측한 온도와 에너지 소모량은 목표값과 비교·평가된다. 이 과정에서 산출된 리워드값은 피드백 루프를 거쳐 최적 제어 모델의 학습에 다시 반영된다.

마지막으로 임 CAIO는 효율성을 개선하려면 병목 지점을 파악하는 것이 중요하다고 말했다. 그는 “어떤 정보를 이용해 어떤 결과를 내야 하는지는 명확한데, 잘 효율화되지 않는 부분들이 있다”며 “그런 부분들이 AI를 도입하기 가장 쉽고 시작하기 좋은 지점”이라고 설명했다.

글. 바이라인네트워크
<오민선 기자>omsoms94@byline.network