작성 2026-10-26. 공장에 AI를 들이는 방식으로 자주 비교되는 "디지털 트윈"과 우리가 만드는 "AFB 시험장"이 기술적으로 어떻게 다른지, 그리고 이 방향과 가까운 외부 사례 셋(NVIDIA Mega, Applied Compute, Trajectory)과 투자 흐름을 한 장에 정리했다. 외부 사실은 링크한 공개 출처만 썼고, 우리 해석은 HYPOTHESIS로 표시했다.
1. 디지털 트윈(보는 거울) vs AFB 시험장(AI가 행동하고 채점받는 곳)
한 줄로: 디지털 트윈은 공장을 비추는 화면이고, 시험장은 AI가 공장에서 해 보고 점수를 받는 장소다. 같은 3D·시뮬레이션 기술을 써도 설계 목표가 다르다.
| 항목 | 디지털 트윈 (보는 거울) | AFB 시험장 (AI가 행동·채점받는 곳) |
|---|---|---|
| 데이터 방향 | 현장 → 화면. 센서 값을 받아 현재 상태를 비춘다(주로 한 방향) | 양방향. AI의 행동이 들어가고, 그 결과 상태가 다시 AI에게 돌아온다 |
| 시간 | 실시간 동기화. 현실 시계를 따라간다 | 시뮬레이션 시계. 스텝 단위로 진행하고, 빨리 감기·일시정지가 된다 |
| 리셋 | 없다. 현실과 함께 흘러간다 | 매 시도를 같은 초기 상태에서 다시 시작한다. 그래서 결과를 재현하고 비교할 수 있다 |
| 입력 방식 | 사람이 대시보드를 보고 판단한다 | AI가 정해진 형식의 행동으로 개입한다(PLC 코드 작성, 설정값 변경, 명령) |
| 판정 | 없다. 관찰·예측이 목적이다 | 코드 채점기가 성공 조건, 인터록·보호 위반, 비용을 자동으로 점수화한다 |
| 변형 | 공장 한 곳의 현재 구성 하나 | 같은 공장에서 고장·부하·순서를 바꾼 변형 과제를 많이 뽑는다 |
| 적대적 상대 | 없다 | 반례와 공격(exploit) 에이전트가 채점기의 허점과 지름길을 찾는다(보상 해킹 방지) |
| 충실도 | 형상·시각 충실도(3D, 실시간 화면)가 중요하다 | 판정에 필요한 만큼의 논리·물리 충실도. 실제 운전 기록으로 보정하고, 순위 예측력이 확인되기 전에는 "시뮬레이터"라고 부르지 않는다 |
HYPOTHESIS 트윈을 이미 가진 공장에서는 트윈이 시험장의 재료(형상·태그·구성)가 될 수 있다. 빠진 것은 리셋, 행동 인터페이스, 채점기, 적대적 검증이다.
2. NVIDIA Mega Omniverse Blueprint
출처: NVIDIA 블로그, 2025-01-06(CES)
- 무엇: 공장·창고의 디지털 트윈 안에서 로봇 군(이동 로봇, 로봇 팔, 휴머노이드)을 대규모로 시뮬레이션하는 참조 아키텍처(Omniverse Blueprint).
- 하는 일: 실제 현장에 넣기 전에 트윈 안에서 로봇 군과 물리 AI를 만들고, 검증하고, 조정한다. 월드 시뮬레이터가 로봇 활동과 센서 데이터를 조율하고, 여러 기계의 센서 출력을 한꺼번에 시뮬레이션해 "무한한 시나리오"에서 시험한다고 설명한다.
- 루프: 시뮬레이션 속 로봇이 인지 → 추론 → 계획 → 행동하고, Mega가 트윈 안 모든 자산의 상태와 위치를 추적한다.
- 구성 요소: Isaac, Omniverse, Omniverse Cloud Sensor RTX API(센서 시뮬레이션), Isaac ROS 기반 software-in-the-loop, 영상 분석 AI 에이전트.
- 첫 도입: KION Group(창고 자동화)이 Accenture와 함께 적용. KION은 CAD 파일·영상·라이다·이미지·AI 생성 데이터로 창고 트윈을 만든다.
- 우리에게 주는 의미
HYPOTHESIS: Mega는 트윈을 "보는 거울"에서 "배포 전 시험장"으로 옮긴 대표 사례다. 다만 대상이 로봇 동작·물류이고, PLC 제어 로직의 인터록 위반을 채점하는 부분은 비어 있다.
3. Applied Compute: 기업은 모델이 아니라 학습 루프를 소유한다
출처: Applied Compute 정리(datafooding)
- 회사: 2026년 4월 누적 투자 1억 6,000만 달러, post-money 13억 달러를 발표했다. 범용 모델이 아니라 기업별 "model factory"와 agent workforce를 만든다.
- 핵심 주장: "Specific Intelligence"는 weights와 runtime context에 있다. 실제로 일하는 시스템은 다섯 요소의 결합으로 볼 수 있다.
- Weights: 오픈 가중치 모델을 특정 업무에 post-train
- Context: 문서·SaaS·과거 작업·agent trace를 기억하고 검색
- Harness: 파일시스템, 도구, 상태, 권한, 타임아웃, 리셋이 있는 작업 환경
- Evals: 좋은 결과를 기계가 판별하는 기준(테스트, 루브릭, 사람 선호, 사업 성과)
- Production feedback: 실제 사용 기록이 다음 학습으로 돌아간다
- 사업 형태: 플랫폼(AC2) + 전용 추론 + 현장 배치 엔지니어(FDE)가 고객 업무를 task·environment·grader로 번역 + 학습·서빙 관리. 순수 SaaS보다 현장 배치형 post-training에 가깝다.
- 증거 경계: 공개된 고객 사례(메뉴 오류 30% 감소 등)는 회사·고객 발표 범위다. "배포 후 저절로 계속 좋아지는 agent"는 아직 로드맵이다.
- 반론: 구성 요소는 파인튜닝, RAG, 컨텍스트 엔지니어링, 오케스트레이션, eval 인프라의 결합이다. 보상이 틀리면 틀린 행동을 더 빨리 배운다. 고객별 환경·채점기 제작 비용이 규모를 막을 수 있다.
- 우리에게 주는 의미
HYPOTHESIS: 소프트웨어 하네스는 리셋과 반복이 공짜다. 공장은 현실에서 반복 시도를 할 수 없다. 그래서 공장에는 1절의 "공장별 시험장"이 하네스 역할을 해야 한다.
4. Trajectory: The Platform for Continual Learning
출처: trajectory.ai
- 무엇: AI 제품이 실제 사용에서 계속 배우게 하는 플랫폼. 사용자의 수정·재시도·수락 같은 행동을 피드백으로 쓴다. 이런 행동이 벤치마크보다 실제 과제 성공을 더 정확히 반영한다는 입장이다. 개선 대상은 모델, 프롬프트, 하네스.
- 네 단계: Instrument(가벼운 SDK로 trace·수정·재요청·편집을 수집) → Understand(어디서 성공하고 실패하는지, 왜인지) → Steer(무엇을 최적화할지 고객이 정함) → Learn(사용 데이터로 계속 학습하고 개선을 배포).
- 안전 장치: "모든 모델 업데이트는 프로덕션에 닿기 전에 고객의 eval suite와 승인 절차를 거친다." 학습에 쓸 데이터는 고객이 고르고, 학습 실행은 감사 가능하다고 밝힌다.
- 자금: $15M 시드.
공장에 옮기면 HYPOTHESIS
| Trajectory (소프트웨어) | 공장 버전 |
|---|---|
| SDK로 사용 기록을 모은다 | 공장에는 SDK를 붙일 제품이 없다 → PLC 로그·알람·작업지시·카메라를 모으는 수집 장치를 설치한다 |
| 사용자의 수정·재시도 = 피드백 | 작업자가 개입한 순간(수동 전환, 설정값 되돌림, 알람 확인)이 수정 신호다 |
| 실제 사용에서 계속 학습 | 현실에서 반복 시도는 위험하다 → 기록으로 보정한 시험장에서 학습한다 |
| 업데이트마다 고객 eval·승인 | 제어 로직을 바꾸기 전에 시험장에서 인터록·보호 위반을 재는 변경 전 안전 게이트를 통과시킨다 |
5. 디지털 트윈 투자 동향
- 세계 디지털 트윈 스타트업 투자 (New Market Pitch, 2026-09-22 갱신): 2025-09~2026-09 공개 투자액은 7억 400만 달러로 전년(5억 4,270만 달러)보다 29.7% 늘었지만 거래 수는 44건에서 31건으로 29.5% 줄었다. 중간 라운드는 500만 달러에서 929만 달러로 올랐다. 5,000만 달러 넘는 4건(Buildots 1억 3,000만, Dexory 1억, NavVis 8,500만, Neara 약 6,300만)이 전체의 53.7%다. 이를 빼면 투자액은 5.6% 줄었다. 저자들의 정리는 "넓은 붐이 아니라, 검증된 회사에 큰 라운드가 몰리는 시장"이다. 흐름으로는 물리 AI(트윈을 AI의 학습·시험·운영에 쓰는 쪽)와 전력망·인프라를 꼽는다.
- 물리 AI 시뮬레이션 (TechCrunch, 2026-04-16): Antioch(뉴욕, 2025-05 창업)는 로봇 개발자용 시뮬레이션으로 sim-to-real 격차를 줄이려 한다. 하드웨어의 가상 복제본과 시뮬레이션 센서로 엣지 케이스 시험, 강화학습, 학습 데이터 생성을 한다. 850만 달러 시드(기업가치 6,000만 달러)를 받았고 스스로를 "물리 AI의 Cursor"로 비유한다.
- 한국 스마트공장 (뉴스핌, 2026-09-27, 중소벤처기업부 제출 자료): 2014~2025년 누적 예산 2조 5,156억 원, 구축 기업 2만 5,632개사. 공장을 가진 중소·중견 제조기업의 13.5%가 도입했다. 그러나 70.1%가 기초 단계(바코드·RFID로 생산정보 디지털화)이고, 시스템이 원인·해법을 판단해 공정을 실시간 제어하는 단계는 525개사, 2.0%(중소기업만 보면 1.5%)다.
HYPOTHESIS 돈은 "보는 트윈"보다 "AI가 시험받는 트윈"으로 옮겨 가고 있다. 한국은 2.5조 원을 들여 기록 장치는 깔았지만 실시간 제어는 2%에 그친다. 그 사이의 빈칸이 기록 → 시험장 → 변경 전 게이트로 이어지는 길이다.