techblog

더 많은 로봇을 설치하는 것과 더 똑똑한 공장을 만드는 것은 다르다. 2026년 9월, 국제로봇연맹(IFR)은 전 세계 공장에서 가동 중인 산업용 로봇이 2025년 기준 500만 대에 도달했다고 발표했습니다. 한 해 새로 설치된 로봇은 60만 대를 넘었습니다. 이제 제조업의 질문은 ‘로봇을 도입할 것인가’에서 ‘이미 도입한 로봇과 설비를 어떻게 더 지능적으로 운영할 것인가’로 이동하고 있습니다. 한국 정부도 2030년까지 민관이 20조 원을 공동 투자해 제조 AI를 확산하고 100조 원 이상의 경제적 가치를 창출한다는 제조 AI 2030 전략을 제시했습니다. 글로벌 제조업과 국내 정책이 동시에 향하는 곳은 개별 장비의 자동화를 넘어, 공장 전체의 데이터·판단·실행을 연결하는 제조 AX입니다. 2025년 말 기준 전 세계 산업용 로봇 가동 대수와 2025년 신규 설치 규모. 수치 출처: 국제로봇연맹(IFR). ‘가동 대수’와 ‘연간 설치 대수’는 서

출처: mashable.com Anthropic's CEO wants the industry to slow down | Mashable 다리오 아모데이의 ‘책임 있는 혁신’, 그리고 산업 현장에서 본 답 최근 인공지능의 발전 속도와 안전성을 둘러싼 논쟁이 다시 뜨거워지고 있습니다. 앤트로픽 CEO 다리오 아모데이는 AI가 인류의 삶을 획기적으로 개선할 수 있는 기술이라고 믿으면서도, 현재와 같은 속도로 개발이 계속되면 인간이 AI를 이해하고 통제하기 전에 심각한 위험이 발생할 수 있다고 경고했습니다. 그가 말한 것은 개발의 전면 중단이 아닙니다. 이미 드러난 위험을 분석하고, 안전성을 검증할 시간을 벌기 위해 프론티어의 속도를 조절하자는 제안에 가깝습니다. 샘 올트먼, 일론 머스크, 데미스 허사비스 역시 이 문제의식에 공감하는 입장을 밝혔습니다. 미스릴의 관점도 같은 지점에서 출발합니다. 다만 우리가 매일 마주하는 질문은 실험실의 벤치마크가 아닙

공장 RFP에 AI·ML·LLM·RAG·에이전트가 한 문장에 들어가는 이유 그리고 그 한 장이 실제로 가리키는 층 첨부: 각 층은 대체재가 아니라 바로 아래 층을 전제로 능력과 책임을 한 단계 올리는 구조다. 출처: Towards AI. 계층은 피라미드가 아니라 누적이다. 맨 위 에이전트만 사려고 하면, 아래 층이 비어 있는 채로 움직이게 된다. 보드룸과 발주 문서에서 단어가 먼저 섞인다. “생성형 AI로 불량을 잡겠다.” “LLM을 도입하겠다.” “에이전틱하게 돌리겠다.” 같은 문장 안에 서로 다른 층이 들어 있다. 첨부한 그림이 그 혼선을 한 장으로 접어 준다. AI 위에 ML이 있고, ML 위에 DL이, 그 위에 GenAI·LLM·RAG가 쌓이며, 맨 위가 Agentic AI다. 각 층은 대체재가 아니라 바로 아래 층을 전제로 능력과 책임을 한 단계 올리는 구조다. 공장의 질문은 모델 이름이 아니다. 이 작업은 어느 층까지 필요한가. 그 층이

출처: scmp.com Chinese start-up Unitree sees humanoid robots in wide commercial use this decade | South China Morning Post 유니트리 휴머노이드. 몸값이 공개 시장에 오른 상징. 출처: SCMP 피지컬 AI가 공장 바닥에 닿으려면, 로봇 VLA와는 다른 운영체제가 필요하다. 주당 150.80위안. 중국 유니트리 로보틱스가 상하이 스타마켓에 찍은 공모가다. 8월 19일 첫날 주가는 600% 넘게 치솟았다. 휴머노이드와 로봇개의 ‘몸’에 공개 시장이 값을 매긴 순간이다. 그로부터 채 한 달도 되지 않은 7월 30일, 구글 딥마인드는 그 몸을 움직일 ‘머리’를 세 개로 나눠 공개했다. Gemini Robotics 2, 임바디드 추론 모델 ER 2, 로봇 본체에서 돌아가는 On-Device 2. 몸이 값이 되고 머리가 숫자가 되는 사이, 공장의 질문은 바뀌고 있다.

안녕하세요, 미스릴입니다. 제조 현장에서 AI를 도입하려는 움직임이 빠르게 늘고 있습니다. 설비 이상을 미리 감지하고, 불량을 자동으로 판별하며, 작업자의 안전을 실시간으로 모니터링하는 프로젝트도 곳곳에서 진행되고 있죠. 그런데 많은 프로젝트가 비슷한 지점에서 멈춥니다. PoC에서는 높은 정확도와 흥미로운 결과를 보여주지만, 실제 생산라인에 적용하려는 순간 새로운 질문이 쏟아집니다. “이 결과를 현장 작업자가 믿고 사용할 수 있는가?” “설비 조건이 바뀌어도 계속 작동하는가?” “오탐과 미탐이 발생했을 때 누가 판단하고 대응하는가?” “운영과 유지보수 비용을 감당할 수 있는가?” 제조 AI의 성패는 모델의 성능만으로 결정되지 않습니다. 현장에서 반복적으로 사용할 수 있는 운영 구조와 책임 체계까지 설계되어야 비로소 하나의 시스템이 됩니다. 이번 글에서는 제조 AI 프로젝트가 PoC 이후 확장되지 못하는 이유와, 실질적인 운영 단계로 넘어가기 위해