산업 AX(AI 전환)를 쉽게 설명하면 산업 자산에 ‘눈과 귀, 신경계와 두뇌ʼ를 부여하는 일이다. 센서와 하드웨어가 현실을 감지하는 눈과 귀라면, 데이터를 전달하는 체계는 신경계다. 공학은 그 신호가 무엇을 의미하는지 해석하는 지식이고, AI는 이를 토대로 앞으로 일어날 일을 예측하고 필요한 행동을 판단하는 두뇌에 해당한다. 그러나 산업계가 AI 모델의 성능 경쟁에 집중할수록 먼저 물어야 할 질문이 있다.

“과연 AI는 지금 현실을 얼마나 정확하게 보고 있는가?”

정부가 ‘대한민국 대도약 3대 메가프로젝트’의 핵심 축으로 피지컬 AI를 지정하면서, AI를 실제 현장 데이터와 연결하려는 움직임도 빨라지고 있다. 제조업과 모빌리티, 에너지, 플랜 트 등 다양한 영역에서 설비 데이터를 통합하고, AI 분석을 운영 의사결정으로 연결하려는 시도가 이어지고 있다.

하지만 기존 설비에 AI 모델을 적용한다고 곧바로 산업 AX가 완성되는 것은 아니다. 여러 AI 모델을 혼합해 기존 로그나 엑셀 데이터에 적용하는 것만으로도 충분하지 않다. 아무리 뛰어 난 두뇌라도 눈과 귀를 통해 들어오는 정보가 부정확하면 제대로 판단할 수 없다. 산업 AI 역시 마찬가지다. 해상도가 낮거나 중요한 특징이 평균값으로 사라진 데이터, 서로 시간 축이 맞지 않는 데이터를 입력하면 , 정교한 AI 모델도 현실을 온전히 이해하기 어렵다.

진짜 산업 AX의 출발점은 AI모델을 먼저 고르는 데 있지 않다. 현실의 물리 세계를 AI가 정확히 이해하고 판단할 수 있는 구조로 재구성하는 것, 다시 말해 ‘현실을 어떻게 정확하게 측정하고 연결할 것인가’를 먼저 고민하는 데 있다.

피지컬 AI는 휴머노이드의 전유물이 아니다

피지컬 AI라고 하면 흔히 주변 환경을 인식하고 사람의 지시에 따라 움직이는 휴머노이드 로봇을 떠올린다. 하지만 피지컬 AI를 휴머노이드와 로봇의 문제로만 바라보면 산업 AX의 상당 부분을 놓치게 된다. 산업 현장에서 피지컬 AI의 범위는 훨씬 넓다.

피지컬 AI의 기본 구조는 인지(Perception), 이해/추론(Reasoning), 행동(Action)으로 볼 수 있다. 여기서 행동은 반드시 로봇의 팔이나 바퀴가 움직이는 것을 의미하지 않는다.

설비 이상을 감지해 경보를 보내거나 정비 시점을 권고하고, 부품 교체 시점이나 운영 조건을 제안하는 것도 산업 현장에서는 하나의 행동이다. 운영자가 어떤 설비부터 살펴야 하는지 우선순위를 정하는 것 역시 마찬가지다.

따라서 전기/자율주행차의 배터리와 구동계, 철도의 신호/전력설비, 선박의 추진계와 발전기, 항공기와 방산 장비 같은 모빌리티 자산은 물론 반도체/첨단제조, 로보틱스, AI 데이터센터, 발전소와 플랜트까지 물리적 상태가 비용과 성능, 안전에 영향을 미치는 거의 모든 산업 자산이 적용 대상이 될 수 있다.

중요한 것은 단순한 상태 모니터링을 넘어서는 것이다. 현재 어떤 상태인지를 보여주는 데 그치지 않고, 왜 변화가 나타났는지, 문제가 어떻게 진행되고 있는지, 언제 개입해야 하는지까지 설명할 수 있어야 한다. 산업 AI의 질문은 ‘이상이 있는가’에서 ‘왜 발생했고 앞으로 무엇을 해야 하는가’로 바뀌어야 한다.

데이터가 많다고 현실을 제대로 보는 것은 아니다

산업 AI를 도입할 때 흔히 기존 설비 로그나 엑셀 자료를 대량으로 모은 뒤 여러 AI 모델에 적용하면 의미 있는 패턴이 나올 것이라고 기대한다. 그러나 데이터의 양이 많다는 것과 현실을 충분히 관측하고 있다는 것은 다른 문제다.

기존 데이터를 활용하는 것은 필요하다. 다만 그 데이터에는 기존 장비가 애초에 측정하기로 한 정보만 담겨 있다. 특히 기존 산업 데이터는 저주기 측정이나 평균화된 값 중심인 경우가 많아, 고장과 사고의 결정적 전조가 나타나는 짧은 순간의 정보가 소실될 수 있다. 예측하려

는 고장이나 열화를 판단하는 데 필요한 물리적 정보가 처음부터 측정되지 않았다면, 데이터의 양만 늘린다고 해결되지는 않는다.

대표적인 사례가 RMS와 RAW 데이터의 차이다. RMS는 복잡한 파형을 하나의 실횻값으로 나타내 설비의 대략적인 상태를 파악하는 데 유용하다. 그러나 압축 과정에서 위상이나 고주파 성분, 순간적인 과도응답 같은 세부 정보가 사라질 수 있다.

샘플링 속도도 중요하다. 충분하지 않은 속도로 신호를 측정하면, 실제 신호가 다른 주파수처럼 나타나는 앨리어싱(Aliasing)이 발생할 수 있다. 이런 데이터가 AI 학습에 사용되면 왜곡된 신호를 실제 특징으로 받아들일 가능성도 생긴다.

비전 AI 역시 표면의 균열이나 변형을 찾는 데는 효과적이지만, 장비 내부에서 진행되는 절연 열화나 아크, 고주파 진동, 임피던스 변화 같은 현상을 모두 설명할 수는 없다.

결국 산업 AI에서는 데이터를 얼마나 많이 갖고 있느냐보다 AI가 판단하는 데 필요한 현실이 데이터 안에 실제로 존재하는가가 중요하다. 데이터의 규모보다 먼저 데이터의 관측 범위와 해상도, 시간적 정합성을 따져야 한다.

AI 모델보다 먼저 ‘무엇을 볼 것인가’를 정해야

예측 AI를 구축하려면 먼저 예측 대상과 고장 유형을 정하고, 그 고장이 어떤 물리현상으로 나타나는지를 정의해야 한다. 그 다음 필요한 물리량을 도출하고 기존 데이터에서 무엇이 빠져 있는지 확인한 뒤 센서 종류와 설치 위치, 샘플링 속도, 채널 구성과 시간 동기화 조건 등을 설계해야 한다.

전류/전압, 진동/가속도, 온도, 습도, 압력/유량, 가스, 음향/초음파, 회전/위치, 하중/변형 등 자산에서 발생하는 다양한 원천 물리신호를 목적에 맞게 측정하고 같은 시간 축에서 비교할 수 있어야 현상의 원인과 전개 과정을 함께 살펴볼 수 있다.

기존 설비의 PLC/MES/SCADA 데이터나 비전 AI도 중요한 정보다. 다만 기존 시스템이 보지 못했던 짧은 순간의 변화나 장비 내부 현상까지 확인해야 한다면 별도의 계측이 필요하다. 특히 고장 전조가 발생하는 순간을 놓치지 않으려면 자산 단위의 트리거 기반 정밀 샘플링과 채널 간 시간 동기화가 중요하다.

결국 AI가 현실을 바라볼 수 있는 범위는 알고리즘만으로 결정되지 않는다. 무엇을 어디서 얼마나 정밀하게 측정하고, 서로 다른 데이터를 어떻게 연결했느냐가 AI가 이해할 수 있는 현실의 범위를 결정한다.

물리신호가 현장의 판단으로 이어져야

정밀하게 확보한 물리신호 역시 그 자체로 산업적 가치가 생기는 것은 아니다. 물리현상을 실제 자산의 상태와 제어/운영 맥락, 그리고 설계 의도와 연결해야 비로소 AI가 판단 가능한 정보가 된다.

예를 들어 자동차의 ECU나 산업설비의 PLC/SCADA/MES에서 확보한 운전 상태, 제어 명령, 알람, 고장 코드, 생산/정비 이력을 물리신호와 함께 살펴보면, 특정 변화가 어떤 조건에서 나타났는지를 보다 구체적으로 파악할 수 있다.

전동화 자산에서는 배터리의 전압/전류/온도뿐 아니라 필요에 따라 전기화학 임피던스 분광 법(EIS), 미분용량 분석(dQ/dV) 등의 데이터를 활용해 내부 열화의 변화를 분석할 수도 있다.

여기에 부품 제조사의 설계사양과 설계수명, 허용 임계치, 기술문서와 공학식을 함께 적용하면 물리현상과 제어 시스템, 설계 의도를 하나의 구조 안에서 해석할 수 있다. 이는 AI의 판단 결과를 현장 엔지니어가 검증하고 신뢰할 수 있게 만드는 기반이 된다.

메타피지컬인텔리전스는 이러한 구조를 ʼ피지컬 인텔리전스(Physical Intelligence)ʼ라고 정의한다. 물리신호를 정밀하게 계측하고, PLC/SCADA/MES 등 제어/운영 데이터와 공학적 기준을 결합한 뒤, 피지컬 AI가 학습하고 판단할 수 있는 하나의 구조로 재구성하는 것이다. 쉽게 말해 AI에게 현실을 최대한 온전하게 보여주기 위한 산업 데이터 인프라, 즉 ‘완전한 현실 데이터’를 만드는 과정이다. 그 위에서 AI 분석은 자산의 상태와 고장 가능성, 원인, 잔여수명과 정비 시점 등 실제 운영 판단으로 이어질 수 있다.

피지컬 인텔리전스 5계층 전환 구조

첫 단계에서는 전류/전압, 진동/가속도, 온도, 습도, 압력/유량, 가스, 음향/초음파, 회전/위치, 하중/변형 등 자산에서 발생하는 원천 물리신호를 목적에 맞는 해상도로 측정하고, 필요하면 트리거 기반으로 결정적 순간을 포착하며 여러 채널의 시간 축을 맞춘다. 이어 PLC/SCADA/MES 등에서 확보한 운전 상태와 제어 명령, 알람, 고장 코드, 생산/정비 이력을 함께 반영해 물리신호가 어떤 조건에서 나타났는지를 해석한다.

미래 모빌리티 산업을 주도하는 전동화 자산에서는 배터리와 ECU/BMS 정보에 전기화학 임피던스 분광법(EIS), 미분용량 분석(dQ/dV), 미분전압 분석(dV/dQ), 아크/부분방전/리 플 등 특화 데이터를 필요에 따라 결합할 수 있다. 이를 통해 단순한 상태값을 넘어 내부저항 변화나 열화 특성, 충/방전 과정에서 나타나는 변화를 보다 정밀하게 살펴볼 수 있다.

이렇게 확보한 물리량과 센서 정보, 운영 이력, 하드웨어 사양은 단순 이상 탐지를 넘어 고장과 사고의 원인을 분석하고 예측하는 단계로 이어진다. 여러 판단 로직과 예측 알고리즘을 적용해 일시적인 노이즈와 실제 이상을 구분하고, 왜 발생했는지, 어떻게 진행되고 있는지, 언제 개입해야 하는지를 단계적으로 도출하는 방식이다.

최종 단계에서는 분석 결과를 자산의 건강도와 잔여수명, 열화 원인, 위험확률, 점검/정비/교체 시점 같은 운영 정보로 전환한다. 생산/운영 조건을 조정하거나 현장 개입의 우선순위를 정하는 판단으로 연결될 때 비로소 데이터가 산업 현장의 ‘행동’으로 이어진다. 즉 예측 AI의 목적은 점수를 만드는 것이 아니라 실제 의사결정을 바꾸는 데 있다.

이 과정에는 센서 데이터뿐 아니라 부품 제조사의 설계사양과 설계수명, 허용 임계치, 기술 문서, 표준 절차와 각종 공학식도 함께 필요하다. 이러한 공학적 기준은 AI를 대신하는 것이 아니라, AI의 판단 근거를 현장 엔지니어가 검증하고 신뢰할 수 있도록 만드는 역할을 한다.

고장은 물리적인 흔적을 남긴다

산업은 달라도 자산의 열화와 고장은 대부분 물리적인 변화를 동반한다. 고장과 사고는 어느 날 갑자기 생겨나는 것이 아니라, 그 이전부터 물리적인 흔적을 남긴다. 문제는 기존 시스템 이 그 흔적을 볼 수 있었느냐다.

전기차에서는 배터리와 인버터, 구동모터의 상태 변화가 전압/전류/온도 등에 나타날 수 있다. 철도에서는 차량뿐 아니라 신호/전력설비의 상태를 살펴야 하고, 선박에서는 추진모터와 발전기, 배전반과 펌프 등이 주요 관리 대상이다.

반도체와 첨단제조에서는 비전 검사 결과와 생산 데이터에 전력/가스/압력/유량/온도/진동 신호 등을 결합해 제품 이상이 어느 공정과 조건에서 시작됐는지 추적할 수 있다. 발전소와 플랜트에서도 터빈이나 발전기, 변압기, 배관, 밸브와 같은 핵심 자산의 미세한 변화를 조기에 포착하면 대규모 고장이나 설비 정지에 앞서 대응할 가능성을 높일 수 있다.

겉으로는 고장이 갑자기 발생한 것처럼 보여도 실제로는 기존 시스템이 보지 못했던 시간이나 주파수 영역에서 작은 변화가 먼저 시작될 수 있다. 이를 얼마나 빨리 찾아내느냐가 예측 기술의 가치와 직결된다. 결국 피지컬 AI의 경쟁력은 더 큰 모델을 쓰는 것만이 아니라, 기존 시스템이 놓쳤던 현실의 변화를 얼마나 먼저 발견하느냐에서 갈릴 수 있다.

산업 AX의 성과는 손익과 안전으로 증명돼야

산업 현장의 유지보수는 오랫동안 정해진 주기에 맞춰 설비를 점검하고 부품을 교체하는 예 방정비를 중심으로 발전해 왔다. 돌발고장을 줄이는 데 효과적이지만 아직 사용할 수 있는

부품을 일찍 교체하거나 실제 상태와 관계없이 점검을 반복해야 하는 한계도 있다.

AI가 자산의 실제 상태와 위험도를 비교적 정확하게 판단할 수 있다면 정비의 기준을 ‘시간’에서 ‘상태’로 옮길 수 있다. 더 나아가 자산이 자신의 상태와 위험도에 따라 점검과 정비 의 우선순위를 스스로 제안하는 운영 구조로 전환할 수 있다.

필요한 설비에 필요한 시점에만 개입하면 불필요한 점검과 부품 교체, 설비 중단을 줄일 수 있다. 사람의 접근이 위험한 현장에서는 원격 상태 분석으로 안전성을 높이고, 육안으로 확인하기 어려운 내부 변화도 물리신호를 통해 보완할 수 있다.

다만 건강도 점수나 위험 경보를 보여주는 것만으로는 충분하지 않다. ‘이상 여부ʼ\’를 알려주는 데서 멈추지 않고 왜 열화가 발생했는지, 얼마나 더 사용할 수 있는지, 언제 점검하고 교체해야 하는지까지 실제 운영 판단으로 연결해야 한다.

산업 AX의 성패 역시 기술 자체보다 결과로 평가받아야 한다. 생산성과 가동률을 높였는지, 불필요한 유지보수 비용을 줄였는지, 인명 피해로 이어질 고장과 사고를 더 일찍 포착했는지가 중요하다. 이러한 전환이 현장 조건에 따라 유지보수 비용을 최대 45%까지 낮추는 수준의 경제적 효과로 이어질 수 있다면, 그때 산업 AX는 단순한 AI 도입을 넘어 경영 성과가 된다.

생성형 AI가 사람이 무엇을 말하고 만들 것인가를 바꿨다면, 피지컬 AI는 현실의 자산이 자신의 상태를 어떻게 이해하고 앞으로 무엇을 해야 할지를 판단하도록 만드는 기술이다.

이를 위해서는 거대한 AI 모델보다 먼저 현실을 정확히 계측하고, 서로 다른 신호를 올바르게 결합하며, 그 의미를 공학적으로 해석할 수 있는 기반이 필요하다. 팔란티어(Palantir)가 서로 분절되고 유실되던 방대한 데이터를 통합/구조화해 정보/국방 분야의 전략적 의사결정을 지원하는 데이터 인프라를 구축했듯, 산업 현장에도 물리신호와 제어/운영 데이터, 공학적 지식을 하나의 구조로 통합하는 인프라가 필요하다. 메타피지컬인텔리전스가 산업 AX 표 준화 데이터 통합 플랫폼 ‘MPI X’를 통해 지향하는 것도 바로 이 지점이다. AI가 현실을 제 대로 보지 못한다면 미래 역시 제대로 ‘예측’할 수 없다.

김지원 대표는 경희대학교 외국어학부를 졸업하고 전략 컨설팅펌 수석컨설턴트와 사모펀드 핵심운용인력으로 근무했다. 현재 메타피지컬인텔리전스 대표를 맡아 미래 모빌리티와 철도, 선박, 항공우주, 방산, 반도체·첨단제조 분야의 산업 자산 상태 진단·예측 기술을 개발하고 있다.

메타피지컬인텔리전스는 CES 2026 혁신상과 에디슨 어워즈 2026 금상 등을 통해 주목받았으며, 현재 글로벌 10조 매출 규모의 특수부품 제조사와 글로벌 자동차 OEM사, 한국철도공사를 비롯한 산업 현장에서 사업화 프로젝트와 실증을 이어가고 있다.

정리 /IT동아 김동진 기자 (kdj@itdonga.com)