피지컬AI 마지막 단추는 딱 보면 아는 사람만의 노하우, 암묵지다" (김준하 GIST 교수)
영상 보기
클릭 전까지는 가벼운 미리보기만 먼저 불러옵니다.
🖼️ 인포그래픽
🖼️ 4컷 인포그래픽
💡 한 줄 결론
피지컬 AI의 마지막 단추는 숙련자만이 아는 암묵지를 학습해 현장의 맥락에 맞는 판단과 행동으로 연결하는 데 있다.
📌 핵심 요점
- 암묵지는 매뉴얼에 담기지 않는 상황 판단이다. 숙련자가 소리·촉감으로 이상을 알아차리고 조치하는 경험은 설비 로그만으로 충분히 포착하기 어렵다. 피지컬 AI에는 개별 지식과 함께 그 지식들이 연결되는 조건을 학습시키는 과정이 필요하다.
- 데이터 수집은 숙련자의 판단에서 출발해야 한다. 프레스 공장 사례에서는 윤활유의 온도, 숙련자의 촉감 판단, 조정 행동의 관계를 관찰한다. 핵심은 데이터를 많이 쌓는 것보다 어떤 신호가 어떤 행동으로 이어지는지 찾는 데 있다.
- 행동 능력과 행동 제한을 함께 설계해야 한다. 현장별 허용 범위, 고위험 동작의 사람 승인, 비상 정지와 중단 기준이 필요하다. 사고 책임과 책임 추적 역시 기술 도입과 함께 풀어야 할 과제다.
- 숙련자는 데이터 제공자이자 AI 훈련·통제의 주체다. 경험을 자산으로 인정하고 동의와 보상을 설계해야 한다. 중소기업에는 현장을 이해하는 AI 책임자를 지정하고 숙련자가 AI를 가르칠 수 있도록 재교육하는 방안이 제안된다.
- 제조 데이터의 경쟁력은 활용 목적과 공통 맥락에 달려 있다. 수집 전에 사용 목적을 정하고 온톨로지로 관계를 설계해야 부처와 기업의 데이터를 연결할 수 있다. 김준하 교수는 제조 암묵지 확보와 K온톨로지 구축을 한국의 기회로 제시한다.
🧩 배경과 문제 정의
- 피지컬 AI가 제조 현장에서 행동하려면 기계의 구조와 매뉴얼뿐 아니라 숙련자가 상황에 따라 판단하고 조치하는 경험까지 학습해야 한다.
- 암묵지는 소리나 촉감으로 이상을 알아차리는 능력처럼 말과 문서로 충분히 설명하기 어려운 지식이다. 기존 설비 데이터만 모아서는 숙련자가 판단에 활용하는 맥락을 확보하기 어렵다.
- 숙련자의 경험을 AI로 전환하려면 데이터 수집과 함께 행동 권한, 사고 책임, 지식 제공자의 동의와 보상, 부처 간 데이터 연결 체계를 설계해야 한다.
🕒 시간순 섹션별 상세정리
1. 매뉴얼로 설명되지 않는 숙련자의 판단이 암묵지다
- 생성형 AI가 지식을 만들고 에이전틱 AI가 업무를 실행한다면, 피지컬 AI는 현실에서 행동한다. 숙련자의 경험을 AI의 지능으로 전환하고 이를 로봇과 기계의 행동에 연결하는 고리로 암묵지 AI가 필요하다 [01:13]
- 마이클 폴라니의 “말할 수 있는 것보다 더 많은 것을 알고 있다”는 관점은 암묵지의 출발점이다. 문서와 매뉴얼로 설명되는 명시지와 달리, 숙련공·명장 등이 가진 판단과 조치는 상황의 맥락 속에서 연결된다 [02:49]
2. 무인 굴착기의 미세한 조작과 구간별 학습
- 무인 굴착기가 깊이 판 뒤 흙이 떨어지지 않도록 한 번 흔들거나, 바위를 만나 멈춘 뒤 옆으로 피하는 행동은 암묵지의 사례다. 김준하 교수는 이런 숙련 판단을 근거로 AI가 인간을 완전히 대체할 수 있다고 보지는 않는다 [04:45]
- 모든 상황을 빠짐없이 훈련하면 비용이 커진다. 곡선의 주요 지점만 학습하고 그 사이를 잇는 맥락에 따라 행동하게 하는 방식처럼, 암묵지도 핵심 상황과 연결 관계를 훈련하는 접근이 가능해지고 있다 [05:39]
3. 현실의 판단을 잇는 맥락이 피지컬 AI의 효율을 좌우한다
- AI가 컴퓨터 안의 작업을 넘어 현실로 나오면서 인간의 숙련 판단과 직접 경쟁하게 된다. 매뉴얼에 따른 답과 인간의 상황 판단 사이에 빠진 연결 고리를 학습시키는 일이 피지컬 AI의 효율과 관련된다 [07:20]
- 암묵지 학습의 핵심은 A와 B라는 개별 지식뿐 아니라 둘이 어떻게 연결되는지를 이해시키는 데 있다. 숙련자가 가진 “이런 경우에는 이렇게 된다”는 판단 기준을 찾아야 한다 [08:16]
4. AI가 행동하게 하는 권한과 멈추게 하는 권한을 함께 설계한다
- 무엇을 해야 하는지뿐 아니라 언제 더 진행하면 안 되는지를 판단하는 능력도 암묵지다. 법률 매뉴얼만으로 해결되지 않는 상황에 판례와 인간의 합의가 필요하듯, AI의 행동을 중단시키는 판단에도 인간의 맥락 이해가 필요하다 [09:48]
- 암묵지를 활용하는 AI에는 행동의 허용과 금지를 정하는 권한 설계 기술이 필요하다. 향후 3~5년 동안 보험, 사고 책임, 책임 추적이 주요 사회적 쟁점이 될 것으로 전망하며, 이를 인간의 합의로 만들어야 할 영역으로 본다 [10:39]
5. 반복 자동화에서 상황 판단으로 넘어가는 제조 현장
- 스마트 팩토리는 같은 동작의 반복을 자동화하는 데 초점이 있다. 피지컬 AI는 설비와 공정, 작업 조건이 달라도 상황을 판단해 행동해야 한다는 차이가 있다 [12:43]
- 김준하 교수는 평지에서 이루어지는 단순노동의 상당 부분을 피지컬 AI가 맡을 것으로 전망한다. 반면 손과 머리를 함께 써야 하는 작업은 여전히 어렵고, 요리에서도 레시피를 따르는 능력과 셰프의 암묵지는 구별된다 [14:10]
6. 중소기업의 데이터 수집은 숙련자의 판단에서 시작해야 한다
- 숙련공과 명장이 퇴직하면서 현장을 떠나면 경험을 데이터로 남길 기회도 사라진다. 작업을 충분히 이해하지 못한 사람이 수집부터 시작하면 AI 활용에 필요하지 않은 데이터까지 쌓일 수 있다 [14:57]
- 엑셀과 설비 로그는 이미 모이고 있지만, 소리나 촉감으로 상태를 알아차리는 숙련자의 판단은 그 안에 충분히 담기지 않는다. 기존 데이터의 점들을 어떻게 연결하는지 아는 사람의 머릿속에서 수집을 시작해야 한다 [15:33]
7. 프레스 공장의 촉감을 온도와 행동 데이터로 연결한다
- 프레스 작업에서는 윤활유가 온도에 따라 달라져 같은 압력을 가해도 작동 양상이 달라진다. 숙련자는 아침에 윤활유가 들어가는 부분을 만져 상태를 판단하며, 이 촉감과 조정 행동의 관계가 수집 대상이 된다 [16:18]
- 바디캠을 통한 추적은 받아들여지지 않아, 숙련자를 하루 한 번씩 60일 동안 모니터링하고 있다. 반복 관찰 속에서 판단과 행동을 연결하는 순간을 찾아내는 일은 새로운 직업이 될 가능성이 있다 [16:51]
8. 고위험 행동의 승인 절차와 현장별 지침이 필요하다
- 피지컬 AI 사고의 책임은 개발사·사용자·판매자 중 누구에게 있는지 단순히 나누기 어렵다. 고위험 동작은 반드시 사람에게 확인받도록 하고, 에이전트의 명령과 행동 지침 안에 안전장치를 넣어야 한다 [18:12]
- 반도체 공장과 프레스 공장은 위험과 작업 조건이 다르므로 동일한 원칙만 적용할 수 없다. 현장에 맞는 지침을 만드는 역할이 필요하며, 법률 지식과 현장 경험을 가진 사람의 협업이 중요하다 [19:28]
9. 중소기업의 첫 준비는 활용 가능한 데이터와 AI 책임자다
- 현장을 이해하는 사람을 AI 전환 책임자로 두고, 생산성 향상에 따른 인센티브를 제공하는 방안을 제안한다. 이 책임자가 현장 지침을 설계하고 예상되는 사고를 예방하는 역할을 맡는다 [20:58]
- 중소기업이 우선 준비할 것은 AI가 사용할 수 있는 데이터의 수집과 AI 책임자 지정이다. 이후 협회나 관련 조직이 권한 설계 등 다음 단계를 지원하는 구조로 이어갈 수 있다고 본다 [21:23]
10. 비상 정지와 행동 제한도 학습·설계의 대상이다
- AI의 행동 범위가 어디까지 확장될지 충분히 알지 못하는 상황에서는 긴급할 때 피지컬 AI를 정지시키는 장치가 필요하다. 책임질 수 없는 행동은 멈추게 해야 하며, 에이전트가 금지 지시를 반복해서 어기는 경험은 제한 자체도 훈련해야 함을 보여준다 [21:52]
- 김준하 교수는 모델이 기대 이상의 결과를 내도록 학습되는 성향을 지시 범위 초과와 환각의 배경으로 보여준다. 피지컬 AI에는 현장 조건에 맞춰 어디까지 행동할 수 있는지 권한을 구체적으로 정해야 한다 [22:39]
11. 숙련자의 경험을 동의와 보상이 따르는 자산으로 인정한다
- 숙련자의 데이터를 퇴직 전에 확보해야 할 정보로만 보지 않고, 그 사람이 축적한 가치와 자산으로 인정필요가 있다. 김준하 교수는 암묵지 AI가 숙련자의 판단과 기록을 자산화하고 퇴직 후에도 가치를 인정하는 계기가 되기를 기대한다 [23:27]
- 숙련자가 쌓은 데이터를 동의나 보상 없이 사용하지 못하도록 하는 방향을 전망한다. 매뉴얼을 전달하는 것과 달리, 숙련자는 AI를 반복 훈련하고 위험한 행동의 경계와 중단 시점을 가르칠 수 있다 [24:18]
12. 제조 데이터 공동자산에는 권리 보호와 거버넌스가 필요하다
- 산업부의 제조 데이터 라이브러리 사업과 과기부의 피지컬 AI 얼라이언스는 데이터를 공동자산으로 모으려는 시도다. 핵심은 원천 데이터의 축적에 더해 부처별로 모인 데이터를 연결하는 체계를 만드는 데 있다 [25:23]
- 참여 기업의 영업비밀, 숙련공, 지식재산권을 보호하는 사회적 합의가 없으면 데이터가 모이기 어렵다. 공동자산 구축에는 이런 보호와 연결을 담당할 거버넌스가 필요하다 [25:47]
13. 부처별 데이터를 연결하려면 공통의 맥락이 필요하다
- 부처들이 개별 사업을 추진하더라도 데이터를 연결할 리더십과 공통 체계가 부족하다는 문제가 제기된다. 김준하 교수는 모든 세부 표준을 고정하기보다 AI가 이해할 수 있는 공통 맥락과 범주를 마련하는 접근을 제안한다 [26:14]
- 과기부의 연구개발, 중기부의 중소기업 지원, 산업부의 산업 경쟁력 강화는 목적이 다르지만 데이터의 맥락을 연결할 수 있다. 처음부터 온톨로지를 기반으로 설계하는 것이 중요하다 [27:11]
14. 지원금을 지급하기 전에 데이터의 사용 목적부터 설계한다
- 데이터 설계는 수집 전에 해야 한다. 새로운 기술 개발에 쓸 데이터와 다른 기업으로 확산할 데이터는 목적에 맞게 설계하고, 국가가 연구비와 지원금을 지급할 때 이를 요구하는 방안을 제안한다 [27:39]
- “어디에 쓸 것인가”라는 목적에 온톨로지가 포함돼야 AI가 활용할 맥락을 확보할 수 있다. 용도별 관계를 정리하면 지식 그래프로 연결되며, 활용 설계 없이 모은 데이터는 불필요한 데이터가 될 수 있다 [28:11]
15. 미국·중국의 데이터 연결 방식과 한국의 추격 가능성
- 미국은 기업 중심으로 온톨로지를 구축해 팔란티어 같은 기업이 성장했고, 중국은 국가 중심으로 추진했다는 비교다. 알리바바가 플랫폼을 스타트업에 무료로 제공하고, 이를 연결한 사업에 투자하는 방식도 중국의 발전 속도를 높인 사례로 드러난다 [28:44]
- 김준하 교수는 중국이 지원 단계에서 제공받을 데이터를 미리 설계한 점을 빠른 발전의 이유로 본다. 제조업 비중으로 중국 31%, 미국 15%, 한국 3%를 제시하며, 중국의 제조업 확대가 AI와 연결되는 상황을 경쟁 압력으로 평가한다 [29:09]
16. 초기 데이터 설계와 제조 암묵지 선점 경쟁
- 데이터센터는 데이터를 모으는 곳이 아니라 빠르게 처리하는 곳이다. AI의 초기 데이터 설정이 이후 격차를 크게 만드는 만큼, 암묵지 연구에 필요한 자산을 지금부터 모아 다른 나라와 차별화해야 한다. [30:19]
- 미국·중국·일본도 암묵지 데이터가 아직 부족하다는 판단에서 한국의 승부처가 열린다. 다만 일본은 이 분야에 점차 관심을 보이고 있다. [30:34]
17. 암묵지 AI의 맥락 이해와 K온톨로지 구축
- AI 경쟁의 승부처는 데이터이며, 특히 암묵지 데이터 확보가 중요하다. [31:02]
- 이제 시작되는 암묵지 AI의 핵심은 맥락 이해이고, 이를 위한 기반이 온톨로지다. K온톨로지 프로젝트를 지금이라도 시작해야 한다. [31:16]
🧾 결론
- 피지컬 AI의 현장 적응에는 숙련자의 판단 기준과 상황 간 연결 관계를 학습시키는 일이 중요하다.
- 도입 준비에는 활용 가능한 데이터, 현장을 이해하는 책임자, 행동 권한과 중단 기준이 함께 포함돼야 한다.
- 암묵지의 축적과 공유를 지속하려면 숙련자의 동의·보상과 기업의 영업비밀·지식재산권 보호가 필요하다.
- 한국의 제조 암묵지 선점 가능성은 발표자의 전망이며, 실제 경쟁력으로 이어지려면 데이터 확보와 연결 체계 구축이 뒤따라야 한다.
📈 투자·시사 포인트
- 현장 데이터의 활용 능력: 제조 AI 기업을 살필 때 숙련자의 판단을 어떻게 수집하고 작업 조건·행동과 연결하는지 확인필요가 있다.
- 안전 제어와 권한 설계: 사람 승인, 행동 제한, 비상 정지, 책임 추적은 현장 도입을 위한 핵심 과제로 제시된다. 관련 역량의 실제 구현 수준이 평가 대상이다.
- 온톨로지와 데이터 연결: 공정·기업·부처 사이의 맥락을 연결하는 기술과 현장 협업 역량에 주목할 수 있다. 자료만으로 특정 기업의 수익성이나 투자 성과를 판단할 수는 없다.
- 숙련 인력의 가치 재평가: 숙련자가 AI 훈련과 통제를 맡는 구조는 재교육·계속 고용·보상 체계에 영향을 줄 수 있다. 생산성 향상과 인센티브를 연결하는 설계가 중요해진다.
⚠️ 불확실하거나 확인이 필요한 부분
- 암묵지를 AI가 어디까지 학습할 수 있는지, 감각과 맥락의 어떤 부분이 남는지는 미해결 문제다. 제시된 사례에는 정확도·생산성·비용을 비교할 정량 결과가 없다.
- 맥락 중심 학습의 처리 속도 개선 가능성과 암묵지의 양자적 방식 연관성은 발표자의 견해다. 특히 양자적 연관성은 확립된 기술 성과로 해석하면 안 된다.
- 보험·사고 책임이 향후 3~5년의 쟁점이 된다는 설명과 숙련자 데이터의 동의·보상 방향은 전망이다. 구체적인 법적 의무나 책임 배분이 확정됐다는 근거는 제시되지 않았다.
- 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
- 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
- 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.
✅ 액션 아이템
- 적용할 공정과 AI가 수행할 작업을 먼저 정하고, 필요한 데이터의 사용 목적과 관계를 수집 전에 설계한다.
- 숙련자와 함께 이상을 감지하는 신호, 판단 조건, 조정 행동, 중단 시점을 정리하고 관련 센서·설비 데이터와 연결한다.
- 관찰·기록·AI 훈련에 대한 숙련자의 동의와 보상 조건, 기업의 영업비밀 보호 범위를 정한다.
- 현장을 이해하는 AI 전환 책임자를 지정하고, 고위험 동작의 승인 절차와 행동 제한·비상 정지 기준을 마련한다.
❓ 열린 질문
- 숙련자의 감각과 판단 중 센서·관찰 데이터로 재현할 수 있는 범위는 어디까지이며, 학습 성공은 어떻게 검증할 것인가?
- 핵심 상황 사이의 맥락을 학습한 AI가 경험하지 못한 조건에서도 안전하게 행동하는지 어떻게 확인할 것인가?
- 숙련자의 경험에 대한 보상과 기업 간 데이터 공유를 양립시키는 권리·거버넌스 구조는 무엇인가?
