관련기사 : https://www.dt.co.kr/article/12083904
-----------------------------------------------------------------------------------------------------------------------------------------------------------
디따 유튜브 구독하기 https://www.youtube.com/channel/UCxdgnFyzm3WcalaBn2Ya6hg
네이버TV https://tv.naver.com/ditta
데일리모션 https://www.dailymotion.com/dtwithcom
디지털타임스 홈페이지 http://www.dt.co.kr/
디지털타임스 페이스북 https://www.facebook.com/Digitaltimesnews
☏ 제보하기 photo@dt.co.kr
-----------------------------------------------------------------------------------------------------------------------------------------------------------
#디지털타임스 #미래포럼 #피지컬 #ai #포럼 #은행회관 @ditta
-----------------------------------------------------------------------------------------------------------------------------------------------------------
디따 유튜브 구독하기 https://www.youtube.com/channel/UCxdgnFyzm3WcalaBn2Ya6hg
네이버TV https://tv.naver.com/ditta
데일리모션 https://www.dailymotion.com/dtwithcom
디지털타임스 홈페이지 http://www.dt.co.kr/
디지털타임스 페이스북 https://www.facebook.com/Digitaltimesnews
☏ 제보하기 photo@dt.co.kr
-----------------------------------------------------------------------------------------------------------------------------------------------------------
#디지털타임스 #미래포럼 #피지컬 #ai #포럼 #은행회관 @ditta
카테고리
🗞
뉴스트랜스크립트
00:00:00저는 이런 생각을 했습니다. 이 세 분의 발표를 보면서
00:00:06AI가 있는 곳에 데이터가 있다. 데이터가 있는 곳에 AI가 있다.
00:00:12이 둘 중에 무엇이 맞을까? 무엇이 더 효과적일까?
00:00:17이런 생각을 한번 해봤는데요.
00:00:20우리 LG연존의 전해적 연구원이 현장과 실시로
00:00:27이걸 어떻게 소비자한테 전달할까? 이 생각을 많이 하셨기 때문에
00:00:32둘 중에 어떤 게 더 효과적이라고 생각을 하십니까?
00:00:38네. 제가 보기에는 이거는 굉장히 어려운, 단순하게 보면 명확한
00:00:45처음에는 데이터가 있어야 시작을 하고 기술을 개발하지만
00:00:49더 많은 데이터가 있어야지 또다시 더 깊은 연구를 할 수 있기 때문에
00:00:53계속해서 반복되는 치킨 에그 게임이 될 것 같습니다.
00:00:58니아에서 굉장히 좋은 데이터를 잘 만들어주셔서 AI에서 큰 발전이 있었고
00:01:02앞으로도 피지컬 AI에 이런 데이터를 더 잘 활용할 수 있는
00:01:06그렇게 되는 구조가 만들어져야 좀 더 많이 피지컬 AI에
00:01:10한국이 리딩할 수 있을 거라고 생각합니다.
00:01:13그러면 두 개가 다 필요하다. 그 말씀이시죠?
00:01:15네. 맞습니다. 네.
00:01:19교수님 의견 들어보도록 하겠습니다.
00:01:25저는 기공학과다 보니까 데이터가 있으면 다 된다는 말에 거부감이 좀 있었고요.
00:01:31사실은. 그런데 또 학생들하고 얘기하다 보면 데이터가 많으면 또 해결이 되는 것 같더라고요.
00:01:36그래서 저는 일단은 데이터가 중요하지만 우리가 데이터의 관계성들을 잘 정립하면
00:01:41그 데이터의 양을 줄일 수 있지 않을까. 저는 제일 걱정이
00:01:45이게 피지컬 AI로 가면서 쓰는 데이터의 어떤 양이 예측을 아무도 못하고 있습니다.
00:01:51지금 우리가 생각하듯이 아까도 말씀드렸듯이 지금 하는 거에 몇 배?
00:01:56아니면 몇 십 배가 될 수도 있고요.
00:01:58그래서 그걸 해결하기 위해서는 또 AI 기술로 잘 데이터를 가름맛 해주는 것도 필요하다고 보고요.
00:02:05저는 그렇게 생각했습니다.
00:02:05네. 지금 교수님께서요. 굉장히 중요한 얘기를 한 구절을 하셨는데요.
00:02:12데이터의 관계성 이야기를 하셨습니다.
00:02:15이것을 전문용어로 온톨로지라고들 흔히 이야기하죠.
00:02:20온토. 이게 이제 그리스어에서 나온 존재로지, 론. 그래서 존재론 이렇게들 이야기하는데요.
00:02:28이 데이터의 관계성, 온톨로지. 이거의 관계는 조금 있다가 또 우리가 얘기를 나눠보도록 하겠습니다.
00:02:38그러나 오늘 또 토론의 중요한 한 부분이기 때문에 혹시 이 부분에 관심이 있으시면 지금 구글링 하셔도 됩니다. 온톨로지에 대해서.
00:02:47그리고 나도 이런 질문을 좀 해봐야 되겠다라고 질문 준비를 해주셔도 좋고요.
00:02:52우리 한국지능정보사회진흥원의 김형철 원장님. 사실상 정부를 대표해서 나오신 겁니다. 그렇죠?
00:03:04아까 저한테 행사 시작되기 전에
00:03:10장관님 오늘 살살 좀 해주십시오. 이렇게 말씀하시더라고요.
00:03:18그 말씀을 하시면 어떡해요.
00:03:21근데 뭐 사실 제가 저도 일천하기 때문에. 왜냐하면 매일매일이 배움의 길 아닙니까?
00:03:29그런데 이 AI 시대에 들어와서는 더 그런 것 같습니다. 매일매일이 배움의 길을.
00:03:34그래서 매일매일 배우고 있는 사람이라 제가 뭐 살살 질문을 드리겠습니다마는
00:03:39그러나 때때로 이 자리에 계신 많은 분들이
00:03:42우리 정부는 왜 저걸 저렇게 하지? 이런 좀 뭔가 애정어린 비판의 목소리도 있을 수 있을 것 같아요.
00:03:52대한민국 정부는 AI가 있는 곳에 데이터가 있다고 생각하고 일을 하고 계십니까?
00:03:58아니면 데이터가 있는 곳에 AI가 있다고 생각하고 계십니까?
00:04:01제가 드리는 말씀이 정부를 대신해서 드린다기보다는
00:04:06아까 발표자 입장에서 말씀을 드리겠습니다.
00:04:11우리가 룰베이스 AI를 해올 때부터 한번 짚어보면
00:04:17사실 지금 온톨러지가 룰베이스의 로직에서 같이 타고 와서 온톨러지가 됐는데
00:04:25그 온톨러지는 또 데이터를 감싸면서 더 올바른 방향으로 나가고 있거든요.
00:04:29그 데이터가 먼저냐 아니냐에 대한 태생의 얘기를 하기에는
00:04:35너무나 이미 세상은 복잡해졌다.
00:04:38단 데이터가 적합하게 있지 않고서는
00:04:43이제는 하기는 어려운 기술의 방향으로 가고 있다고 저는 생각을 하고 있고
00:04:49지금 정부에서는 그 두 가지 방향을 함께 경조하고 있습니다.
00:04:55있는 데이터를 가지고 최대한으로 AI의 성능을 낼 수 있는 방향과
00:05:00그리고 예상되는 데이터를 미리 셋업하고 표준을 만들고
00:05:06규격을 만들고 준비해 나가는 방향을 투트랙으로 함께하고 있다.
00:05:11그렇게 말씀드릴 수 있겠습니다.
00:05:13네. 투트랙으로 함께하고 있다.
00:05:14너무나 정말 다행스러운 답변을 저는 해주셨다.
00:05:18이렇게 생각하는데요.
00:05:19오늘 발표 자료의 19페이지에 보면
00:05:22맨 마지막 결론에 이렇게 발표를 하셨습니다.
00:05:27피지컬 AI를 위한 데이터는 공장에만 있지 않습니다.
00:05:32국가 데이터가 AI와 현실 세계를 연결할 때
00:05:36피지컬 AI의 가능성은 더 넓어집니다.
00:05:41이게 어떻게 보면 대한민국이 어떻게 피지컬 AI를 바라보고 있고
00:05:46데이터 수집을 어떻게 하는지에 대한 결론이다라고 볼 수가 있는데요.
00:05:52그런데 이제 문제가 여기서 발생합니다.
00:05:54국가 데이터가 AI와 현실 세계를 연결할 때
00:06:00그러니까 국가에서 쓰는 데이터들은 한 곳으로 모으는 게 별로 어렵지 않죠.
00:06:06그러나 피지컬 AI는 제조 현장을 돌아다녀야 되고
00:06:11물류를 해야 되고 가정에서 돌아다녀야 되는데
00:06:17아까 LG연구원의 발표에 의하면
00:06:20제조, 물류, 가사 이렇게 순서를 집으셨어요.
00:06:25그런데 첫째, 제조 데이터를 모은다.
00:06:30그랬을 때 각 중소기업들이나 각 기업들이 갖고 있는 이 데이터가
00:06:34사실은 그 회사의 노하우거든요.
00:06:38노하우니까 이 노하우인 데이터를 그 누구도 내놓으려고 하지 않습니다.
00:06:45여기에 이제 바로 병목이 걸리는 거죠.
00:06:48이 문제를 어떻게 해결하고 계신지요?
00:06:53아까 제 발표 중에도 짧게 말씀을 드렸습니다만
00:06:58정말 제조 현장에 있는 데이터는 매우 중요한 영업비밀이고
00:07:03자산이고
00:07:05그런데 그걸 그냥 영업비밀하면 내가 감춰야 될 일이라고 생각이 될 수 있지만
00:07:11더 깊게 보면 수율, 우리 회사의 수율이 얼마인가가 다 드러나는 게 제조 데이터입니다.
00:07:18그렇죠.
00:07:19매출, 다 드러나죠.
00:07:21그런 것들이 있는데 그러면 다른 관점의 전제를 한번 생각해 볼 필요가 있어요.
00:07:28그걸 다 인정하자는 거죠.
00:07:30다 인정하고 그러면 제조용 우리가 훌륭한 피지컬의 모델을 만들겠다 했을 때
00:07:36이 모델은 그럼 어떤 데이터를 가지고 만들 것이냐라는 건데
00:07:40그러면 그 제조사용 모델만 만든다고 했을 때는
00:07:44그 모델은 지금 생각하는 우리 모델의 여러 가지 LLM 기준으로 봤을 때
00:07:51GPT가 처음 나왔을 때보다도 못한 모델이 될 가능성이 매우 큽니다.
00:07:56데이터의 상태나 그런 것들이.
00:07:57그런데 유사한 같은 업종의 다른 데이터를 많이 모아서 한다고 했을 때는
00:08:02더 나을 수 있는데 그럼 이걸 어떻게 할 거냐.
00:08:07그래서 제가 데이터 스페이스라고 하는 것을 데이터는 각자가 가지고 있는 곳에서 하고
00:08:12각자 독립적으로 학습한 것을 모아서 모델을 모아서
00:08:17페드레이트를 러닝하는 방식으로 이 문제를 돌파할 수 있을 거다.
00:08:21그리고 그거를 지금 의료 분야에서는 저희 원이 사업을 해서
00:08:25의료 분야에서는 금년에 착수를 했습니다.
00:08:29그래서 연말 정도의 성과를 보면서 그럼 이걸 전부 어떻게 확산할 거냐라는
00:08:35가능성 타진을 지금 하고 있는 단계라고 말씀드릴 수 있겠습니다.
00:08:39다행. 정말 참 박수를 한번 주셔야 될 것 같습니다.
00:08:44왜냐하면 페드레이트 러닝 이게 핵심입니다.
00:08:51연합학습.
00:08:53그러니까 각자 가지고 있는 데이터의 모델을 모아서 학습을 시킨다.
00:08:59좋습니다. 정부가 이런 방향으로 가는 거 저는 맞다고 생각합니다.
00:09:03그런데 한 가지 질문이 또 있습니다.
00:09:10그런데 아직도 정부는 데이터를 다 한 곳에 모으기를 더 원하는 것처럼 보입니다.
00:09:17바깥에서 봤을 때는.
00:09:19그리고 각 부처마다 과기부는 과기부 산자부는 산자부 복지부는 복지부 행안부는 행안부
00:09:27각 부처마다 자기네 관할은 자기네가 데이터를 모아야 된다고 주장하고 있습니다.
00:09:33그래서 심지어 중소기업 하시는 분들은 저한테 어떤 컴플레인을 하냐면
00:09:39똑같은 데이터를 산자부, 중기부, 과기부 세 곳에서 다 달라고 그러는데
00:09:47어디다 줘야 됩니까? 장관님?
00:09:50이렇게 질문들을 많이 하시거든요.
00:09:55해결책 없으세요?
00:09:58그거는 가르기가 참 어려운 문제일 거라고 생각이 됩니다.
00:10:05그런데 데이터는 부처 입장에서 모아야 한다는 주장.
00:10:10그 해계모니를 털고 놓을 어떤 통일장이 있으면 좋겠는데 쉽지 않아 보입니다.
00:10:16그거를 하셔야 됩니다.
00:10:18쉽지 않아 보이는데 그런데 그거를 위해서 저는 그 앞에 더 할 수 있는 유효한 방법이 있다고 생각하는 게 있는데
00:10:26데이터 각자 해도 데이터의 규격, 표준 이런 인터폴리티를 정리를 해서
00:10:33그거에 따르게만 하면 데이터가 설묻사 중복이 되더라도 걔들은 다 쓸 수가 있습니다.
00:10:39문제는 중복돼서 만들었는데 함께 쓸 수 없다는 게 그게 낭비라는
00:10:45그러니까 그걸 정부가 해야 되는 겁니다.
00:10:48저는 아까 우리 카이스트의 김정 교수님도 표준 이야기를 하셨어요.
00:10:53특히 힘, 힘은 이게 표준을 잡기가 되게 힘들다. 데이터의 표준을 잡기가.
00:10:59예를 들어서 로봇이 와서 여기에 물이 들어있는데 이 물을 집어야 하는데
00:11:07이거를 얼마만큼의 힘을 줘서 들어야 하는지에 대한 이 연습시키는 거가 너무 어려운 것처럼
00:11:16저는 그 표준을 만드는 일을 사실은 정부가 거기에 예산을 투입할 필요도 있고요.
00:11:24그리고 그 표준을 만드는 일에 미국이라든가 아니면 유럽이라든가
00:11:31이러한 나라들과 서로 교류하면서 표준을 누가 잡느냐 이거에 따라서 산업의 형태가 바뀌어버리니까요.
00:11:41저는 그거를 제가 국민의 한 사람으로서 공개적으로 요청드립니다.
00:11:48데이터의 표준을 만드는 일에 좀 앞장서 주셨으면 좋겠습니다.
00:11:52여러분 어떻게 생각하십니까?
00:11:55동의합니다. 동의하고 그 표준을 만드는 일을 제가 저희 원이 진행하고 있는 사업을
00:12:02드러내서 말씀드리기가 참 자리가 곤란할 것 같아서 그런 말씀을 좀 아끼고 있는데
00:12:08그래서 피지컬 AI를 위한 데이터 라이브러리라는 사업을
00:12:13금년에 예산을 만들어서 내년에 시작을 합니다.
00:12:15거기에 데이터 규격, 데이터 표준, 상호 호환성 이런 부분에 집중을 해서
00:12:22해나가겠다는 게 과기정통부에서 끌고 나가고 있고 내년 재산 확보가 돼 있는 상태입니다.
00:12:29그러면 그 데이터 표준은 김 교수님 어떻게 만들어야 되는 겁니까?
00:12:35일단 표준은 여러 경쟁적으로 지금 하고 있고 중국이 앞서 있는 상태고요.
00:12:44일단 돈을 많이 투자해서 여러 가지 시도를 해본다면 우리 안에 베스트 솔루션을 만들어서
00:12:50그걸로 다 한 가지로 통일을 해야 되는 게 중요한 것 같은데
00:12:53이 촉각은 두십 가지가 돌아다니고 있겠습니까?
00:12:56촉각은 어떻게 해요?
00:12:57촉각 센서는 너무 여러 회사에서 각각 지금 교육이 나오고 있어서
00:13:02우리나라에서라도 하나의 교육을 만들고 그걸 강의까지 외치면 좋을 것 같은데
00:13:05지금은 중국이 독주를 하고 있는 상태인데 워킹그룹 수준입니다.
00:13:10아직은 그래서 좀 아직 시간이 있다고 생각하고요.
00:13:12좀 관심을 가져주는 게 저는 좋다고 생각을 하고 있습니다.
00:13:14저는 관심 가져서 그 정도는 안 되고요.
00:13:19이거 해야 되는데요.
00:13:20지금 김 교수님 말씀처럼 중국이 앞서가고 있거든요.
00:13:24그런데 전 세계 지구본을 보시면 제조 데이터를 가장 많이 가지고 있는 나라
00:13:33중국입니까? 한국입니까? 독일입니까? 교수님?
00:13:39다은스러운데요.
00:13:42중국 아닐까요?
00:13:43그런데 사실 한국은 왜 이런 얘기를 들으냐면
00:13:47한국의 어떤 우리의 장점이자 강점은
00:13:49교육받은 학습 능력이 뛰어난 사람들에 대한 포즌이 굉장히 높은 나라고요.
00:13:57그러니까 피지컬 AI에서 표준도 중요하지만
00:13:59이분들의 데이터를 어떻게든 디지털화 시키는 게 제일 중요하다고 봅니다.
00:14:03사실은 그런데 이분들이 다 50대, 60대 은퇴할 나이고
00:14:06현장 가면 다 은퇴할 나이고 이분들이 우리나라를 이끄시는 분이고
00:14:11이분의 노하우로 우리가 데이터 표준도 하나의 일이 되겠지만
00:14:16그게 아마 우리가 데이터를 쌓는 데 가장 중요한 일이라고 생각을 하고 있습니다.
00:14:19그리고 기계라든지 이런 건 비싸고 좋은 기계 사오면
00:14:23맞춰서 데이터를 뽑아내기 마련이에요.
00:14:25그런데 바람과 기계가 연결을 시켜야 되고
00:14:27아마 이거는 중국도 잘 안 돼 있는 것 같고요.
00:14:30독일은 제조업이 그다지 쇠퇴해서 옛날 모델인 것 같아서
00:14:34좀 괜찮은 것 같습니다.
00:14:35그래서 제가 아는 범위 내에서는 데이터의 양이 많은 것은 중국이고
00:14:41쓸만한 데이터를 가지고 있는 나라가 한국하고 독일인데
00:14:46독일은 지금 교수님이 말씀하셨던 것처럼
00:14:52스마트 팩토리 레벨 4까지 쓸 수 있는 데이터는 독일에 더 많고
00:14:58이것을 AI화할 수 있는 데이터, 조금 더 높은 퀄리티의 데이터가 있는 곳이
00:15:07한국으로 추정되는데 그러나 한국은 아직까지 이 데이터의 정량화가 안 되어 있다.
00:15:14저는 이렇게 생각이 됩니다.
00:15:17그래서 이거를 지금 대한민국 정부가 해야 될 일이 아닌가.
00:15:23김 교수님 의견 주시죠.
00:15:24저도 동감하고요. 그 데이터가 사람한테 있습니다.
00:15:29한국이 잘한다는 이유는 사람이 굉장히 잘하고 있고요.
00:15:33우리가 그렇지 않으면 이분들을 은퇴하고 나면 우리도 똑같이
00:15:36그냥 기계만 있고 사람의 데이터는 없는 상태가 될 겁니다.
00:15:40그래서 그게 저는 되게 촉박하고
00:15:43또 다른 나라, 중국은 또 데이터는 많지만
00:15:48사람에 대해서 신경을 쓰는 나라는 우리보다는 덜하기 때문에
00:15:52이런 것에 저희 기회가 있다고 생각합니다.
00:15:54네. 이것을 이제 한마디로 안목지라고 우리가 표현을 하지 않습니까?
00:15:59그러니까 안목지의 데이터
00:16:03그러니까 좀 더 전문용어로 얘기하면
00:16:07도메인 널리지를 많이 아는 사람
00:16:09이 사람의 데이터를 이제 어떻게 정량화해서
00:16:14이거를 AI가 이해할 수 있도록 하느냐
00:16:16이게 피지컬 AI의 핵심축이죠.
00:16:22LG에서는 어떻게 이 안목지 데이터를 가지고 훈련시킵니까?
00:16:27이거 훈련이 돼야 물건을 파실 거 아닙니까?
00:16:32네. 맞습니다.
00:16:34지금 아까 말씀 주셨는데 중국의 데이터가 많이 있습니다.
00:16:38물론 이제 아까 제조 데이터하고 로봇 데이터는 좀 다르긴 한 것 같습니다.
00:16:42하지만 로봇이 데이터를 모을 때도 전문가가 했었던 그분들의 데이터를 모으는 것이 굉장히 중요해서
00:16:51저희는 사업장에 있으신 그 전문가의 확인을 받고 데이터를 모으려고 하고 있습니다.
00:16:57중국 같은 경우는 제가 알기로도 아르바이트를 오시는 분들이 굉장히 많아서
00:17:01데이터를 주기적으로 잘 체계화는 돼 있지만 그 노하우는 아니라고 보여지고요.
00:17:06예를 들면 저희가 물건을 옮기고 이제 로봇이 거는 경우도
00:17:11저희는 아 잘 걸었어 라고 생각했는데
00:17:14그분들이 딱 보시기에는 저건 불량이야 그렇게 말씀을 하시더라고요.
00:17:18그런 것들을 잘 녹여서 데이터화하는 것이 필요하고
00:17:21그게 현재 현장에 계신 분들을 통해서 같이 협업을 해야지만 가능하기 때문에
00:17:25그런 관점에서는 한국이 그런 데이터를 빨리 잘 모을 수 있지 않을까라고 생각합니다.
00:17:29LG는 데이터를 많이 가지고 있습니까?
00:17:32데이터 팩토리를 만들어서 그 부분들을 다 좀 더 디지털화하고자 노력을 하고 있습니다.
00:17:38언제부터 준비하셨습니까?
00:17:40올해 저희가 처음 시작은 했고 그게 중국의 데이터를 사오는 것도 고민했었지만
00:17:45자체적으로 저희 로봇에 맞는 데이터를 저희 전문가가 같이 참여한 데이터가 필요하기 때문에
00:17:51그런 관점에서 데이터 팩토리를 직접 하면서 저희 데이터를 만들어가고 있습니다.
00:17:54제가 중기부 장관을 하면서 2019년도에 세계에서 최초로 민관 제조 데이터를 모아보자.
00:18:07그래서 캠프라는 걸 만들었습니다.
00:18:09Korea AI Manufacturing Platform.
00:18:12그런데 이게 2020년부터 예산이 투입이 됐었죠.
00:18:16그리고 정권이 바뀌고 나서 예산이 반으로 깎여가지고
00:18:21이게 원래 의도한 대로 잘 못 깠습니다.
00:18:26그런데 이게 카이스트에 있어요.
00:18:28카이스트에 있어가지고 그 제조 데이터가 한 앱이 한 10개 정도 만들어져서
00:18:37거기서 중소기업들이 다운로드를 받아가지고
00:18:40예를 들면 이런 겁니다.
00:18:43이 벽에 페인트칠을 하는데 페인트칠을 몇 번을 해야 표준 이상의 실력이 나올 수 있냐.
00:18:52이런 데이터들이에요.
00:18:53그러니까 기본적인 것들이죠.
00:18:56그런 것들이 지금 정부에서 갖고 있는 게 유일한 게 캠프라는 거거든요.
00:19:01제조와 관련된 것.
00:19:03그런데 카이스트가 사실은 그 일에 조금 더 매진해 줬으면 했던 게
00:19:09저의 희망사항이긴 했습니다마는
00:19:13지금 현재 이걸 업그레이드한다.
00:19:16이렇게 내년도에 그렇게 지금 가구는 있긴 합니다마는
00:19:21그러나 이 데이터가 제조 데이터는 그런 식으로
00:19:25중소기업의 사장님들이 내 데이터 내놓으면 우리 회사 망해.
00:19:30이거지 않습니까?
00:19:32그런데 병원, 예를 들면 보건의료 데이터 이런 것들은요.
00:19:37학병원, 대한민국만큼 병원 데이터가 잘 돼 있는 곳이 없죠.
00:19:43왜냐하면 국민건강 진단을 이렇게 열심히 하는 나라가 없으니까요.
00:19:48그래서 제가 실리콘밸리에 지난 8월에 갔을 때도
00:19:51상당수 사람들이 저한테 와서
00:19:54한국이 가지고 있는 병원 데이터를 어떻게 교환할 수 없냐.
00:19:58이런 질문들을 상당히 많이 했는데
00:19:59문제는 개인정보보호법입니다.
00:20:03그래서 그 병원이 갖고 있는 데이터가 다 개인정보이기 때문에
00:20:07이걸 어디 한 곳으로 모을 수 없거든요.
00:20:10그래서 제가 처음에 질문 드렸던 그 질문이 다시 나오는데요.
00:20:15데이터가 있는 곳에 AI가 있다.
00:20:17그러니까 예를 들면 어떤 병원에서 데이터를 많이 갖고 있으면
00:20:21정부에서 거기를 지원을 해서
00:20:23그 데이터를 활용한 것을 거기서 만들고
00:20:27그거를 아까 말씀하셨던 페더레이션 러닝
00:20:32그런 방식으로 좀 가져가는
00:20:35좀 더 정부가 이런 방면에 있어서는
00:20:38열린 마음을 가지는 게 어떨까?
00:20:41그게 제 질문입니다.
00:20:44그래서 금년에 시작했습니다.
00:20:51좀 더 구체적으로 말씀드리면
00:20:54우리나라의 모든 의료기관
00:20:573차 의료기관 물론 포함이고
00:21:012차, 3차 의료기관이
00:21:02두 그룹으로 나눠서
00:21:04두 컨소시움이 경쟁을 했습니다.
00:21:06그래서 한 곳이 공모해서 선정이 돼서 추진을 하고 있고
00:21:15그 곳이 어딘가요? 공개해도 되나요?
00:21:18네. 자료가 나왔으니까요.
00:21:20저기 서울대병원 컨소시움하고
00:21:23카카오 헬스 컨소시움이 경쟁을 해서
00:21:27카카오 헬스 컨소시움이 선정이 돼서 출발을 했습니다.
00:21:31그리고 저희가 거기에는 대형병원이 한 30개 정도가 들어있고
00:21:39거기에 데이터들이 각각 가지고 있는데
00:21:41그 데이터를 같이 공유하는 게 아닙니다.
00:21:44각자의 데이터를 가지고 있고
00:21:46거기에 모델을 학습을 해서
00:21:48그거를 페더레이트 러닝으로
00:21:50이제는 이걸 가지고 서비스를 하려는 사업자들이 함께 있고
00:21:54그거를 또 참여의사가 있는 곳에서는
00:21:57서비스 사업자를 받아들여서 서비스를 할 수 있도록 하고
00:22:01그걸 페이백하고 하는 그런 구조를 하고 있고
00:22:04과기정통부에서는 그러면 나머지 약 30개 병원이 있는 진
00:22:11탈락한 컨소시움에게는 병원에게는 기회가 없느냐
00:22:15내년부터 점차 흡수하면서 확장해 나가려고 하는
00:22:19그런 논의를 하고 있습니다.
00:22:21그래서 요지는 우리나라에 있는 그 고급 데이터를
00:22:27잘 활용할 수 있으되
00:22:29그거를 신뢰하는 공간에서 안정적으로
00:22:34페더레이트 러닝으로 하는 것을
00:22:35지금 시범적으로 크게 시작을 해서 해보고 있고
00:22:39이게 성공이 되는
00:22:40지금 가능성을 타지하는 걸로 볼 수도 있는데
00:22:44얘가 워킹한다.
00:22:46그러면 이게 제조 분야 다른 데나
00:22:49그런데 적용을 안 할 이유가 없는 거거든요.
00:22:51각자 우리 데이터 나가면 우리는 죽는다라고 생각하는 모든 곳에 할 수 있는
00:22:57모델이 된다. 그걸 저희가 지금 과기정통부에서는 데이터 스페이스 사업이라는
00:23:02걸로 진행을 하고 있습니다.
00:23:03김정 교수님은 기계공학을 전공하셨습니다.
00:23:06기계공학부에 계시니까
00:23:08지금 하신 우리 원장님 말씀에 좀 더 보태실 얘기가 있을 것 같아요.
00:23:14이왕 하는 거 이것도 하는 게 어떠냐 이런 아이디어
00:23:18공교롭게 제가 로보틱스고 생체역학도 일부분에 있습니다.
00:23:24저희 병원이랑 연구하고요.
00:23:25웨어러블 로봇의 비슷한 얘기들, 근골격계 데이터들 이용해서
00:23:29저희가 마침 의과 교수님들과 병원들하고
00:23:32근골격계 데이터가 많이 있거든요.
00:23:35이걸 이용해서 로봇 트레이너한테 쓸 수 있는 방법
00:23:37웨어러블 로봇이라든지
00:23:38그런 것들을 좀 저희들이 찾고 있는데
00:23:41아마 그런 CT 데이터 말고 근골격계 데이터들이 있다면
00:23:48로보틱스나 웨어러블 로봇은 되게 큰 도움이 될 것 같습니다.
00:23:51또 표준도 마찬가지일 것 같아요.
00:23:53지금은 포커싱이 주로 메디칼 이미징 데이터일 것 같은데
00:23:57그거 말고 근골격계 데이터들이 있다면
00:23:59근존도라든지 모션 데이터라든지
00:24:02그러면 가뜩이나 부족한 로봇 데이터를
00:24:06좀 뻥튀게 할 수 있는 그런 찬스가 될 것 같아요.
00:24:08감사합니다.
00:24:10근골격계 데이터를 좀 그런 식으로 한번 해볼 필요가 있겠다에 대한
00:24:14답변 하실 게 있으세요?
00:24:16제가 그 데이터가 있는지 자체를 잘 알고 있지는 못하지만
00:24:20그 컨소시움에 교수님을 연결을 해서 있는지 확인하고
00:24:26그러면 교수님도 그 연구에 어떤 형태로 조인해서
00:24:32이게 확산할 수 있는지
00:24:33그거는 확산하는 것도 정부가 프로모션을 해야 되는 일이기 때문에
00:24:36그런 방안들을 함께 논의를 해볼 수 있지 않을까 싶습니다.
00:24:39역시 휴머노이드에 못지않게 웨어러블 로봇도 굉장히 우주 나라가 셉니다.
00:24:43도움이 될 것 같습니다.
00:24:45역시 디지털 타임즈가 우주의 배꼽입니다.
00:24:49디지털 타임즈에 나오시면 모든 게 해결되는 것 같습니다.
00:24:54LG에서는 지금 이런 문제와 관련해서 건의하실 건 없으셨나요?
00:24:59그동안 해보신 어떤 경험을 통해서?
00:25:03지금 아까 앞서 말씀드린 것처럼 국책과제를 수행하고 있습니다.
00:25:07굉장히 많은 데이터를 저희도 모을 거고
00:25:09다른 국책과제에서도 데이터를 모은다고 알고 있습니다.
00:25:13사실 이런 데이터들을 아까 다른 부처 말씀 주셨는데
00:25:18잘 담아놓을 공간이 원활하지 않습니다.
00:25:21저희도 국책이 끝나고 났을 때 이 데이터를 어떻게 잘 유지할 수 있을 건가
00:25:25역시 비용이 들기 때문에 가장 효율적으로 할 수 있는 방법이 필요하고요.
00:25:29이게 우리나라의 사업에 도움이 되어야 될 거기 때문에
00:25:32또 우리나라에서 그걸 잘 활용해서 더 나은 AI를 만들 수 있도록 지원을 해야 되기 때문에
00:25:38데이터도 모이고 모델도 학습을 같이 할 수 있는 그런 구조가 만들어져야 될 것 같습니다.
00:25:42그런 부분들을 많이 신경 써주시면 굉장히 더 발전에 도움이 될 것 같습니다.
00:25:47그럼 데이터도 모이고 모델도 학습을 하는 그런 구조를 만들려면
00:25:53어떻게 해야 된다? 솔루션도 한꺼번에 얘기를 해주시죠.
00:25:59이거는 국가에서 지금 GPU를 잘 나눠서 배분하고 공간도 잘 만드시는 것처럼
00:26:05또한 어느 공간에서 지금도 거의 모든 데이터들은 다
00:26:10우리나라에 있는 인프라보다는 외국에 있는 인프라를 많이 쓴다고 알고 있습니다.
00:26:14그거를 자체적으로 잘 가지고 있어야 될 것 같고
00:26:17저희 대기업뿐만 아니라 중소기업들도 갔을 때 데이터를 확인하고 바로 학습할 수 있는
00:26:23그런 전체적인 플랫폼이 잘 만들어져야 된다고 생각을 합니다.
00:26:27이런 부분이 아마 많이 애써주실 것 같고
00:26:29저희보다 더 잘 알고 있을 것 같아서
00:26:31그런 확대 공유하는 게 또 필요할 것 같다고 생각합니다.
00:26:34맞습니다. 그 정부가 플랫폼을 만들어줘야 됩니다.
00:26:38오늘 원장님 제가 너무 세게...
00:26:40아니요. 제가 차마 드리지 못하는 것을 질문으로 주셔서 너무 감사합니다.
00:26:48과기정통부에서 그런 피지컬 AI용 데이터 팩토리 플랫폼 사업을 예산을 확보했고
00:26:56내년에 시작을 합니다.
00:26:58그래서 데이터를 모으는 것도 있고 데이터를 만드는 것도 있고
00:27:04그리고 표준을 만드는 일 이런 것들을 포트폴리오를 짜서 준비를 하고 있고
00:27:10아까 데이터 스페이스라는 것은 금년에 출발을 했고
00:27:13내년에 그런 것들을 지금 말씀하신 것을 진행을 하게 돼서
00:27:18역시 그것도 함께 곧 연말 연초 되면 기사로 나오고 할 거니까
00:27:26그때쯤 되면 저기하고 어떻게 또 연결을 해놓으면
00:27:30말씀하신 것들이 해결될 수 있겠구나라고 이렇게 관심 있게 봐주시면 좋을 것 같습니다.
00:27:35네. 지금까지 나온 얘기를 정리하면 데이터를 모으고
00:27:41이걸 학습하는 데 표준을 만들고
00:27:46그다음에 표준을 만드는 것의 연합학습이냐
00:27:51그다음에 등등등등의 얘기가 거기까지 진전이 됐습니다.
00:27:56그리고서 그다음에 데이터를 모은 다음에
00:28:00피지컬 AI로 작동할 수 있도록 로봇을 훈련시키는 플랫폼이 필요하다
00:28:06이렇게 말씀을 드렸더니
00:28:08지금 피지컬 AI용 팩토리 플랫폼 예산이 태워져서 내년부터 돌아갈 거다
00:28:16이게 지금 답변입니다. 여기까지. 좋습니다.
00:28:20이 다음 단계.
00:28:22자 다 됐어요. 데이터도 모으고
00:28:24이제 다 됐다고 가정을 합니다.
00:28:27표준도 만들어지고요.
00:28:29또 디지털 트윈이나 시뮬레이션을 통해서 연습도 막 다 했어요. 로봇이
00:28:35그런데 여기에 이제 하나가 더 필요한 거죠.
00:28:41바로 그거를 젠슨 황은 AI 팩토리라고 이야기를 하는데요.
00:28:46이 AI 팩토리라 함은 기존에 우리가 쓰고 있는 AI 데이터 센터를 이야기하는 건 아니고요.
00:28:54그런 단순한 이메일을 저장하고 서비스를 해주는 그거를 AI 팩토리라고 하는 거 아니고요.
00:29:02또 제가 중기부 장관으로 있었을 때 스마트 팩토리를 했는데
00:29:06이 스마트 팩토리를 업그레이드 시키면 AI 팩토리가 되겠구나 하는 이 차원도 아니고요.
00:29:12AI 팩토리라 함은 AI 데이터 센터와 AI 전용 슈퍼컴이 함께 돌아가서
00:29:20거기서 이제 토큰을 생산을 해서 OS 기능을 만들어줘야 되는 거죠.
00:29:28그러니까 오퍼레이션 시스템을 만들어줘서 공장을 돌려주는
00:29:32그러니까 피지컬 AI의 여러 AI 에이전트가 붙지 않습니까?
00:29:38그리고 이 피지컬 AI의 여러 로봇이 돌아다니는데
00:29:42이 로봇이 물건을 만들려면 협업을 해야 됩니다. 사람들처럼
00:29:48협업하고 그 협업의 오다를 내리는 이 OS 시스템
00:29:53오퍼레이션 시스템을 만들어주는 그야말로 머리
00:29:57이 공장의 인공지능이 필요하다. 요게 AI 팩토리의 개념입니다.
00:30:03젠슨 황이 주장하는. 그런데 LG는 모르겠습니다.
00:30:09처음부터 이걸 생각하고 했는지는 모르겠지만
00:30:11제가 아는 범위 내에서는 LG는 LG X사원을 돌리고 있습니다.
00:30:17그런데 이 LG X사원의 그 어떤 능력이 어디까지 와 있는지는 잘 모르겠어요.
00:30:25어디까지 와 있는지는 잘 모르겠는데
00:30:28대한민국이 지금 LLM, 독파모 모델을 과기부가 하고 있지 않습니까?
00:30:33독자적 파운데이션 모델. 이거 이제 12월 달이면 1등 선수가 나오죠? 맞습니까?
00:30:40그건 잘 모르십니까?
00:30:41그 LLM 모델을 지금 독파모 경쟁을 붙였어요.
00:30:46그런데 모르겠어요. 저는 개인적으로 그런 생각을 해요.
00:30:49독파모도 중요하지만 이 LLM 모델이 차라리 아직 미국도 하지 못한
00:30:57피지컬 AI의 LLM 모델로 처음부터 시작을 했으면
00:31:01우리 이거 굉장히 많이 여기까지 왔을 수 있었을 텐데
00:31:05그러니까 LG X사원도 피지컬 AI를 대상으로 처음에 한 것 같지는 않아요.
00:31:14연구원님 제 말이 맞습니까?
00:31:16현실을 좀 얘기해 주시죠.
00:31:18네 맞습니다. 이게 순서가 LLM, VLM, VLA라는 순서로 가고
00:31:24월드모델까지 가는 그런 행보로 가 있습니다.
00:31:27그런데 LLM은 그게 어떻게 가야 될지가 보이기 때문에
00:31:31이거에 국산화 할 수 있는 소버린 관점에서 먼저 시작을 했다고 봐야 될 것 같고요.
00:31:37이게 VLM 나가서 VLA까지 나가는 모양으로 갈 것 같습니다.
00:31:41독파모가 끝나면 그 다음에 피지컬 AI로 시작하지 않을까라고 기대하고 있습니다.
00:31:46그런데 저는 아예 LG X사원도 처음부터 피지컬 AI로 접근을 시작했으면
00:31:52지금쯤 미국보다 앞설 수 있지 않았을까?
00:31:55왜? 미국에는 대한민국만큼 제조 데이터가 없습니다.
00:31:58그렇기 때문에 이거를 노리고 지금 나타난 내가 어디냐?
00:32:07저는 프랑스다. 미스트랄이다.
00:32:11미스트랄은 미국의 LLM하고의 차별성이 뭐냐?
00:32:17제가 이렇게 질문했더니 우리는 온프레미스
00:32:21그러니까 그 공장에서만 돌아가는 데이터에 포커싱을 하고 있다.
00:32:26그래서 삼성전자가 여기에 30절을 투자한 것이 아니냐?
00:32:30저는 이렇게 해석을 합니다.
00:32:33그래서 대한민국 정부가 이제 한 단계 레벨 업해서
00:32:38다음 단계의 피지컬 AI를 세계 최고의 피지컬 AI 국가로 만들기 위해서 필요한 것.
00:32:46이게 바로 AI 팩토리를 만드는 것이다.
00:32:51김 교수님 의견도 듣고 싶습니다.
00:32:55저도 이제 그거를 단편적으로 영화에서
00:32:58에이지 오브 울트로니까 보시면은
00:32:59이제 로봇 한 대가 모든 로봇이다. 경험을 하잖아요.
00:33:03아마 그 단계가 될 것 같은데
00:33:07저는 찬성하고 그렇게 됐으면 좋겠어요.
00:33:09근데 로봇이 그렇게 움직이지 않는다는 게 문제가 될 것 같아요.
00:33:13그 다음에 모든 공장에서 큰 일들은 유지와 보수에서 돈이 많이 듭니다.
00:33:17공장이 돌아가는 것은 상관이 없어요.
00:33:18그거는 유지와 보수와 그것들을 정비하는 데서 문제가 벌어지는데
00:33:25이런 데이터들을 강제로 모아야 되는데요.
00:33:28잘 돌아갈 때 데이터만 충분치 않을 것 같아요.
00:33:32그리고 버티칼 모델을 개발하는 모든 사람의 악몽은
00:33:34내가 열심히 버티칼을 했는데 프론트웨어 모델이 와서 조금 배우고
00:33:38그냥 앞서가버리는 게 아닐까라는 그의 공포를 느끼고 있다고 그러더라고요.
00:33:42그래서 아마 두 가지를 다 잘해야 되지 않을까.
00:33:44그리고 공장에서는 유지, 보수, 정비 이런 비정상적인 행동을
00:33:51어떻게든지 데이터를 늘려주는 작업들을 많이 해야 되지 않을까 생각을 합니다.
00:33:55그래야 말씀하신 AI 공장이 되지 않을까 라고 생각을 하고 있습니다.
00:34:00네. 제가 최근에 일본의 디지털 장관을 지냈던 분을 만났는데요.
00:34:08이분이 이렇게 얘기하더라고요.
00:34:10우리 일본은 LLM에 관심 없습니다.
00:34:13우리는 세 가지 합니다.
00:34:15첫째 피지컬 AI, 두 번째 버티칼 AI, 세 번째 스위칭 AI.
00:34:19그래서 제가 스위칭 AI? 그거는 자주 듣던 얘기가 아닌데요.
00:34:24그랬더니 아, 저희가 제일 관심이 있는 건 피지컬 AI이고요.
00:34:29스위칭 AI는 기존의 LLM 모델을 쓰다가
00:34:32그 LLM 모델한테 줄 수 없는 데이터가 발생하면
00:34:38거기서 스탑하고 자체 스몰 LLM을 돌리는 그거를 얘기합니다.
00:34:45이렇게 저한테 설명을 했어요.
00:34:48그래서 저는 뭐라고 대답을 했냐.
00:34:50아, 한국은 기질상 못 먹어도 고다.
00:34:53그렇기 때문에 우리는 뭔가 한 번 끝까지 해보면서
00:34:58거기서 승부를 건다.
00:35:01그냥 그렇게 대답을 했거든요.
00:35:02근데 어떻게 보면 누가 옳고 그렇다고는
00:35:05지금 이 시점에서는 저는 말하기는 힘들다고 봐요.
00:35:09그러나 일본은 일본 사람의 기질대로
00:35:12정확하게 되는 것만 지금 하는 거고요.
00:35:15우리는 못 먹어도 고.
00:35:17여기서 이제 나중에 또 뭔가 낙수 효과가 저는 있을 거다라고 생각을 하긴 합니다마는
00:35:25그런데 이제 제가 생각하기에는
00:35:27지금 우리 김 교수님께서 유지, 보수, 정비
00:35:31이런 것까지 데이터 모으기가 쉽지 않습니다.
00:35:35그렇기 때문에 이게 퍼펙트한 피지컬 AI로 가기에는
00:35:38결국은 시간이 좀 걸릴 거다.
00:35:41지금 이 말씀이거든요.
00:35:42저는 여기에 대한민국에 바로 희망이 있다.
00:35:47피지컬 AI는 이제 시작 단계입니다.
00:35:50이거는 미국도, 그 다음에 일본도, 한국도
00:35:54다만 중국만 조금 앞서 있습니다.
00:35:58왜? 중국은 2015년 시진핑의 반도체 굵기
00:36:02이때부터요.
00:36:05AI 굵기로 넘어갈 때
00:36:08그때부터 이미 우리는 피지컬 AI를 목표로 할 거야.
00:36:15피지컬 AI를 목표로 달려온 국가가 중국이거든요.
00:36:19중국이 피지컬 AI를 하겠다라고 주장한
00:36:23그 근본적인 이유는
00:36:24중국처럼 싼 값의 로봇을 제공할 수 있는 나라가 없다.
00:36:31이 전제하에 그렇게 가고 있습니다.
00:36:34그래서 저는 이런 어떤
00:36:36이 피지컬 AI로 가기 위한 대한민국의 전략
00:36:41이것을 지금 한 호흡 이렇게 한 번
00:36:45한 호흡 가다듬고
00:36:47전체를 한 번 점검해 볼 필요가 있지 않냐
00:36:51여기에 대해서
00:36:52우리 원장님이 또 마이크를 드셨습니다.
00:36:57제가 정부가 피지컬 AI 관련해서
00:37:00하고 계획하고 움직이는 일을
00:37:03제가 다 알지 못합니다.
00:37:05다 알지 못하고
00:37:06또 저희 원이 관련되어 있는 일은
00:37:08제가 좀 알고 있는데
00:37:09저희 원이 아니고
00:37:11다른 원들이 하고 있는 건
00:37:13잘 알지 못하지만
00:37:14제가 알고 있는 걸로는
00:37:16로봇 파운데이션 모델도 준비를 착수해서
00:37:20내년에 시작하는 걸로
00:37:22지금 정부 안 예산 안에서는 만들어놨고요.
00:37:26그리고 거기에서
00:37:28아까 트레이닝 센터라고 하는
00:37:32그런 플랫폼을 만드는 것도
00:37:34내년 예산을 만들어놨고 해서
00:37:37하여튼 피지컬 AI에 대한 전망적인
00:37:40포트폴리오에 대한 것을
00:37:42내년 예산에 많이 준비를 해놓은 걸로
00:37:44제가 알고 있습니다.
00:37:47그중에서 저는 일부를 알고 있는 거고
00:37:49그래서 그거는 좀
00:37:52우리가 처음부터
00:37:55LLM 랭기지 모델이 아니고
00:37:57처음부터 액션 모델로 시작했으면
00:38:00어땠을까라는 회고가 있을 수 있습니다만
00:38:04아마 데이터를 확보하는 측면에서
00:38:08랭기지 모델이 더 수월한 접근 아니었을까라는
00:38:13한번 생각을 해봅니다.
00:38:15네.
00:38:18김 교수님 하실 말씀 있으세요?
00:38:21저는 이번 건 의견은 없고
00:38:25잘 됐으면 좋겠다는 게 제 희망입니다.
00:38:28네.
00:38:28우리 연구원님은요?
00:38:32네.
00:38:32제가 여러 강연을 가보시면
00:38:34정말로 피지컬 AI에 많은 관심들이 있으시고
00:38:37이런 노력들이 잘 엮여서 잘 나갈 수 있어야 된다고 생각합니다.
00:38:42지금도 이제 각각의 영업 비밀이라고 말씀 주셨지만
00:38:46이렇게 다 합쳐서 사실 외부에 있는 그런 리소스만큼도 많이 되지 못하는 게 현실입니다.
00:38:52그래서 이 각각 그런 기관들이 잘 협업하고
00:38:56저희 참여기관들도 같이 협업할 수 있는 그런 방식을 만들어가서
00:39:00힙을 결집해야 되는 게 좀 필요할 것 같습니다.
00:39:03네.
00:39:04협업을 강조하셨고요.
00:39:06그리고 이제 또 하나
00:39:07피지컬 AI의 3대 요소라 하면
00:39:11액츄에이터, 센서, 배터리
00:39:13이거 3개죠.
00:39:16우리 김 교수님은
00:39:18이 3대 요소의 대한민국의 경쟁력은
00:39:21지금 어디쯤 와있다고 보십니까?
00:39:26저는 세 가지가
00:39:28부품 레벨에서는 굉장히 국제적인 경쟁력을 갖고 있는 회사들이 많다고 보고요.
00:39:32배터리는 전문 분야 아니지만
00:39:34우리나라의 중요한 배터리들이 다 관심을 갖고 있고요.
00:39:38액츄에이터 센서도 다 어떤 개별 기업들은
00:39:41훌륭한 기업들이 있습니다.
00:39:42근데 우리나라 액츄에이터
00:39:43제가 원가 분석한 데이터를 보니까
00:39:46로봇의 반이 액츄에이터더라고요.
00:39:48근데 중국이 지금 딱 잡은 이유는 뭐냐면
00:39:52중국에서 파는 액츄에이터가 몇 종류가 없습니다.
00:39:55그거 갖고 만들기 위해서 당근을 확 떨어뜨렸는데
00:39:57우리는 모든 회사, 모든 연구자가 다 자기 액츄에이터를 갖고 있어요.
00:40:02그래서 저는 액츄에이터는 반드시
00:40:05좀 불편하더라도 표준화가 돼야 된다고 생각을 해요.
00:40:08그것들이 안 된다면 중국 단가를 맞출 수가 없고요.
00:40:11또 하나는 센서 쪽은 힘센서라든지 이런 세계적인 회사들이 있는데
00:40:15아마 이거를 자꾸 중국과 경쟁시키지 않고
00:40:18우리 나름대로 페라리나 포르쉐 같은
00:40:21하이한 고성능의 센서 액츄에이터를 만들 수 있는
00:40:25양산 기업들을 좀 봐주는 게 좋을 것 같은데요.
00:40:28항상 제 학생도 좀 그런 불만을 토로하듯
00:40:31제 학생이 회사를 차리고 있는데
00:40:32중국보다 얼마나 싸게 만들 수 있어.
00:40:34이걸 받는다는 거예요.
00:40:35자기는 아주 힘이 세고 아주 작은 액츄에이터를 만들었는데
00:40:40그런 것들을 좀 봐주시면 좋을 것 같습니다.
00:40:43그다음에 배터리는 워낙 우리가 잘하니까
00:40:45배터리에 대해서 걱정할 필요 없지 않을까 하는 생각을 하고 있습니다.
00:40:48지금 액츄에이터에도 표준이 필요하다 이 말씀을 하셨는데
00:40:52실제로 LG에서 현장에서 어떻게 느끼고 계신가요?
00:41:00액츄에이터도 표준 안전 규격이라는 부분들은
00:41:03열심히 같이 확보해가는 걸 하고 있고요.
00:41:06아까 중국이 액츄에이터를 만들지만 고장도 많이 잘난다는 얘기도 들었고
00:41:11저희 LG전자는 이게 대규모 양산 수준이 갈 수 있는지까지도 같이 보고 있습니다.
00:41:16그래서 표준화도 같이 안전부터 시작해서 참여하고 있기 때문에
00:41:20그런 부분들을 좀 더 확대해 가서 안전과 규격을 다 지키는
00:41:24그런 액츄에이터를 만들어갈 예정입니다.
00:41:27액츄에이터는 일본과의 경쟁력을 비교해 보면 어떨까요?
00:41:32일본이 먼저 했긴 하겠지만
00:41:34과거의 모든 기술들도 일본이 먼저 시작했지만
00:41:37한국이 앞선 것처럼 이 부분도 만들어갈 수 있을 저력이 있다고 생각합니다.
00:41:42조금 더 분발해야 된다. 이런 뜻으로 해석하겠습니다.
00:41:48지금 4시 15분인데요.
00:41:50제가 한 5분 내지 10분만 조금 늦게 끝나도록 하겠습니다.
00:41:54왜냐하면 온톨로지 부분을 얘기를 못했습니다.
00:41:58이 온톨로지는 사실 굉장히 복잡합니다.
00:42:01그러니까 예를 들어서
00:42:03아마 구글링을 그동안에 관심 있는 분들이 해보셔서 많이 아시겠지만
00:42:08그래도 우리가 함께 생각한다는 의미에서 제가 온톨로지에 대해서 조금 설명을 해드리면
00:42:15박영선은 디지털타임즈에서 하는 미래 포럼에 3번 참석했다라는 구절이 있을 경우에
00:42:28대한민국은 OECD 국가 중에서 데이터 공개로는 1등이거든요.
00:42:34그런데 어떤 의미의 1등이냐 하면
00:42:37박영선과 디지털타임즈라는 이 데이터는 다 나와 있는 거죠.
00:42:42그런데 박영선과 디지털타임즈의 관계 형성과 관련된 데이터가 입력되어 있지 않습니다.
00:42:49그러니까 제가 이 디지털타임즈에서 하는 이 포럼에 3번 왔는지
00:42:562번 왔는지 1번 왔는지 이게 관계 형성입니다.
00:43:02그러면 박영선이 디지털타임즈 포럼의 3번째
00:43:06제가 올해 3번째에 왔습니다.
00:43:093번째에 왔다는 건 뭘로 의미합니까?
00:43:15이걸로 상상할 수 있는 게 뭐가 있을까요?
00:43:21훌륭한 포럼이다. 좋습니다.
00:43:24또 친밀하다.
00:43:29이런 게 상상이 되잖아요.
00:43:31그러면 인간은
00:43:33박영선이 디지털타임즈 포럼에 3번 왔다.
00:43:37이 문장을 갖고 각자 해석을 합니다.
00:43:40박영선이 디지털타임즈를 좋아하는구나.
00:43:43왜냐하면 싫어하는데 왜 3번씩 가겠어요?
00:43:46그런데 AI는 이걸 알까요? 모를까요?
00:43:55교수님. 김 교수님이 답변해 주셔야 될 것 같습니다.
00:44:01이게 도메인 날리지가 있어야 되지 않을까요?
00:44:04히스토리라든지 이런 것들을 아는 사람만이 대답할 수 있는 것 같은데요.
00:44:07그렇습니다.
00:44:07그러니까 AI는 가르쳐주지 않으면 모릅니다.
00:44:13그래서 이걸 가르쳐줘야 되는 거예요.
00:44:16입력을 해줘야 됩니다.
00:44:17그런데 대한민국 데이터는 박영선과 디지털타임즈만 나와 있고
00:44:23관계 형성이 안 돼 있습니다.
00:44:25이 관계 형성을 잘한 회사가 바로 구글입니다.
00:44:29구글의 지식 그래프.
00:44:32그게 바로 온톨로지의 기본인 거죠.
00:44:37네이버와 구글의 차이점이 바로 거기에 있는 거거든요.
00:44:41네이버가 처음에 아주 잘 나갔습니다.
00:44:44뭐 때문에 잘 나갔습니까?
00:44:45대한민국 국민들이 모아주는 지식인
00:44:49다 데이터를 네이버에 줬어요.
00:44:53대한민국 국민들이.
00:44:54그러니까 검색하면 바로 찾을 수 있었죠.
00:44:57그런데 네이버가 이 관계 형성과 관련된 데이터를
00:45:01아마도 구글처럼 입력을 잘 한 것 같지는 않습니다.
00:45:08바로 그겁니다.
00:45:09그거를 해줘야 되는 겁니다.
00:45:11예를 들어서요.
00:45:12하나 더 예를 들어드리겠습니다.
00:45:15오늘 비가 온다.
00:45:18이 문장을 들었을 때요.
00:45:21농부는 그동안에 비가 너무 안 왔어요.
00:45:26아휴 오늘 이제 드디어 해갈이 되겠네.
00:45:29농부는 그 비가 온다는 말 한마디로 그렇게 생각합니다.
00:45:33그런데 AI한테 오늘 비가 온다.
00:45:37던져주면 얘가 농부처럼 농부의 입장에서 생각해봐라.
00:45:44뭐 이렇게 질문을 하기 전까지는 얘가 그걸 알까요? 모를까요?
00:45:48그러니까 그 데이터와 데이터의 관계를 연결을 해줘야 된다.
00:45:54아까 김 교수님께서 그래서 데이터의 연관성이 중요하다.
00:45:58이 말씀을 해주셨습니다.
00:46:00이거 안 되면 피지컬 AI 못합니다.
00:46:03교수님 맞습니까?
00:46:06예 맞습니다.
00:46:07우리가 손끝에 힘의 얘기를 하잖아요.
00:46:12이게 어느 기기에서 뭘 만들 때 얼마가 된다까지 나와야 되는데
00:46:16지금은 그냥 센서 1번에서 4, 센서 2번에서 3 이렇게 나오거든요.
00:46:21그런데 그게 아니라 특정한 제품을 만들었을 때
00:46:23어느 손가락에 힘이 4에서 얼마 유지되어야 좋은 제품이 나온다까지 연결이 돼야 되는데
00:46:28전혀 그렇지 않고 있어서 아마 저는 동감하는 그런 말씀인 것 같습니다.
00:46:33이거 정부에서 하고 있습니까?
00:46:39보완을 한 사례를 말씀드리자면요.
00:46:42지금 정부에서 하고 있는 재난안전 관련 데이터에 관련된 건데요.
00:46:47지금 비가 온다.
00:46:52그리고 이거는 강우량 센서에서 나오는 아주 드라이한 데이터입니다.
00:46:57비가 오고 또 위성사진을 분석해 본 결과 강우량이 얼마가 될 걸로 예상이 된다.
00:47:033일 동안.
00:47:04그거는 있어요.
00:47:06그런데 저기 구청이나 동사무소에 있는 직원은 공무원은
00:47:11그 지역이 우리 지역일 거고 우리 지역에 상습 침해 구역이 있다라면
00:47:17그걸 매우 민감하게 들어야 되죠.
00:47:20그런데 그 공무원, 이건 현실입니다.
00:47:24그 공무원은 어느 지역의 상습 침해 구역이었다는
00:47:28몇 동 몇 호가 침해 구역이었다는 것은
00:47:31hwp 파일로 어느 기억 속에 게시판에 있어요.
00:47:37그다음에 이 물이 어느 속도로 차오른다라는 정보가 있으면
00:47:43얘는 얼마만에 침수될 가능성이 있다는 것은
00:47:47규정집 혹은 법리의 집의 인쇄돼서 채꽂이에 꽂혀 있습니다.
00:47:52데이터가 세 가지입니다.
00:47:54인쇄돼서 꽂혀 있는 것.
00:47:55hwp에 대해서 게시판에 올라가 있는 것.
00:47:58비가 얼마가 올 거라는 예보가 온라인에 있는 것.
00:48:02현재는 그 공무원은 이 세 가지를 가지고 판단을 해서
00:48:05대피 혹은 조치를 하게 합니다.
00:48:08그런데 지금 정부에서 하고 있는 것은
00:48:11이 정보들을 데이터를 함께 묶어서 판단할 수 있는
00:48:16결국 구청 공무원, 동사무소 공무원 옆에 앉혀놓는
00:48:22보조 에이전트 역할을 할 수 있는 것을 시작을 했습니다.
00:48:26그래서 이런 것들이 전체에 대한 온톨로지 얘기는 아니지만
00:48:33도메인에서의 온톨로지, 그걸 판단한 것은 결국은 공무원이었거든요.
00:48:38그런데 공무원 옆에 그런 판단할 수 있는 온톨로지화 되어 있는
00:48:42에이전트를 앉혀놓고 결국은 사람이 마지막 최종 결정을 하지만
00:48:46이 에이전트는 그 정보들을 실시간으로 수집해서
00:48:50즉각 알려주는 거죠.
00:48:51이런 게 우려가 된다.
00:48:53그러면 이 공무원은 지침을 내리면 순문을 열거나
00:48:57대피 명령을 하거나 문자를 날리거나 하는 것을
00:48:59할 수 있도록 하는 것을 금년부터 시작을 했습니다.
00:49:03이 얘기가 왜 중요한 말씀이냐면요.
00:49:07예를 들어서 데이터만 있고
00:49:12에이전트가 돌아가려면 바로 그 데이터와의 연관관계를
00:49:16에이전트한테 입력시켜서 알아야 하는데
00:49:19에이전트가 알아야 하는데요.
00:49:20사람은 자고 있는데 밤새 비가 왔습니다.
00:49:24그러면 에이전트는 사람이 자고 있는 동안에
00:49:28이 데이터가 입력이 돼서 물이 예를 들어서
00:49:3550cm 이상 물이 차면
00:49:37이거는 경보를 발령해야 된다라고 입력을 시켜주면
00:49:41얘가 밤에 사람은 자고 있지만 경보가 나갈 수 있는 거죠.
00:49:46그래서 재난 안전과 관련한 부분에 있어서 많은 인명을 구할 수도 있는
00:49:54이런 상황인 거죠.
00:49:56그래서 제가 아까 도발적이었지만 피지컬 AI를 공장으로만 볼 것이 아니고
00:50:03국가로 봐야 된다는 게 그런 관점입니다.
00:50:06수많은 액츄에이터가 있고 수문도 액츄에이터죠.
00:50:10수많은 액츄에이터 있고 수많은 센서, 기성위상도 센서입니다.
00:50:16그걸 국가는 어떻게 이용하고 어떻게 바라볼 것이냐.
00:50:19그렇습니다.
00:50:19그게 더 피지컬 AI가 나아가는 방향이라고 도발적인 질문을 드린 겁니다.
00:50:25앞으로 크게 되실 것 같습니다.
00:50:31한 가지 더 조금 보충 설명 드리면
00:50:35LLM 모델은 빅데이터, 수많은 데이터를 입력시켜서 확률로
00:50:42패턴으로 AI가 인식을 하는 거죠.
00:50:46그래서 한때는 굳이 온톨로지를 할 필요가 있을까?
00:50:50이게 자동으로도 될 수도 있는데? 라고 생각했던 시절이 있었습니다.
00:50:56그런데 해보니까
00:50:59할루시네이션, 거짓말하는 게 자꾸 나오는 거예요.
00:51:03왜냐하면 그 패턴이 형성이 안 되면 안 되니까요.
00:51:07그래서 결국은 이런 재난, 국방, 제조, 의료, 정확성을 요구하는 이 분야는
00:51:18온톨로지가 필수이구나.
00:51:21이게 결론이고요.
00:51:23더군다나 AI 에이전트 시대에
00:51:25이 온톨로지화 되어 있는 데이터가 없으면
00:51:28에이전트가 실수하게 되는 경우가 있지 않습니까?
00:51:33이걸 방지하려면 온톨로지를 해야 되는구나.
00:51:38이게 지금 결론이고
00:51:39이게 실리콘밸리를 움직이는
00:51:42빅테크, 빅파이브, 저커벅, 일론 머스크
00:51:48이 사람들의 최대 관심이 바로 여기에 꽂혀 있습니다.
00:51:52그렇기 때문에
00:51:53이거 우리가 해야 됩니다.
00:51:57그리고 이거는
00:51:58약간 늦었지만
00:52:00예를 들어서 구글만큼 우리가 따라가려면
00:52:03이거 힘들잖아요.
00:52:04그런데 구글은 제너럴한 걸 하는 거고요.
00:52:08대한민국은 우리만이 가질 수 있는 데이터
00:52:11국방, 제조, 의료, 재난
00:52:15적어도 이 네 개 분야의 데이터는
00:52:18남한테 줄 수도 없고
00:52:19이 관계도를 만들어야 된다.
00:52:23지식 그래프를 만들어야 된다.
00:52:25온톨로지를 해야 한다.
00:52:28이거 해서 돈 번 회사가 어딘지 아시죠?
00:52:33맞습니다.
00:52:34팔란티어입니다.
00:52:35팔란티어가 2000년도부터
00:52:3825년 동안 국방 데이터를 모았습니다.
00:52:41미국을 중심으로 한
00:52:42그거 해서 돈 번 회사가 팔란티어고요.
00:52:45지금 이 자리에 계신 분들 중에서
00:52:47제조 팔란티어를 한다.
00:52:50나는 제조 팔란티어를 할 거야.
00:52:52나는 의료 팔란티어를 할 거야.
00:52:54나는 바이오 팔란티어를 할 거야.
00:52:56나는 재난과 관련된 팔란티어를 할 거야.
00:53:00대박나십니다.
00:53:03블루오션입니다.
00:53:06우리 원장님이 박수를 치시네.
00:53:09자, 그러면 지금부터
00:53:10플로어에서 질문 받겠습니다.
00:53:13질문 있으십니까?
00:53:14네.
00:53:24네, 우리 세 분 마지막으로 하실 말씀도 한 번 정리해 주세요.
00:53:29한 번씩 발언기에 드리겠습니다.
00:53:30네, 못하신 거?
00:53:32네, 질문해 주시죠.
00:53:36네.
00:53:39오늘 디지털 타임스 미래 포럼 주제 강연과 또 패널 토론 모두 아주 몰입해서 듣고 있습니다.
00:53:47굉장히 인사이트가 많습니다.
00:53:49저는 한국기계연구원 원장 류 석현입니다.
00:53:52대전에 있습니다.
00:53:54과기후부 산업 출연연으로서 연구 제1선에 있습니다.
00:53:58피지클 AI의 혁신 파트너 역할을 하고 있고요.
00:54:01오늘 주제 중요한 키워드가 생태계인데 오늘 많은 부분이 논의되었지만 사소하지만 몇 가지 좀 제가 이런 부분도 같이 생각했으면 좋겠다 하는
00:54:16부분인데요.
00:54:16첫 번째는 피지클 AI의 테스트 배드가 필요합니다.
00:54:23실은 연구실에서 피지클 AI를 많이 개발한다고 하더라도 그것을 제조 현장의 라인을 멈추고 적용을 해볼 수는 없습니다.
00:54:34그래서 연구실에서 현장으로 가기 위해서는 테스트 배드를 그쳐서 가야 되고요.
00:54:39지금 대한민국의 피지클 AI 예를 들자면 디지털 트윈이라든지 연구는 많이 있지만 현장에 적용되지 못하고 있는 부분이 테스트 배드라는 이런 부분이
00:54:51없기 때문에 그렇습니다.
00:54:52그래서 피지클 AI를 활성화하기 위한 첫 번째 전략으로 생태계를 보완하는 관점으로 피지클 AI 테스트 배드를 하루속히 해야 된다는 말씀드리고요.
00:55:04그래서 오늘 AI냐 데이터냐 논쟁적인 주제가 굉장히 인상 깊었습니다.
00:55:10그 중에 하나 우리 LG에서 전 박사님 말씀은 주셨는데 데이터 팩토리 진짜 필요합니다.
00:55:17과거 데이터에 대해서는 온톨로지라든지 여러 가지로 이렇게 정리하는 것도 하나의 방법이고
00:55:22그리고 과거 데이터뿐만 아니고 부족한 미래 데이터를 어떻게 할 것이냐.
00:55:28LG에서는 LG전자에서는 다행히 데이터 팩토리를 하고 있습니다만 턱없이 부족합니다.
00:55:33전국적으로 굉장히 많은 데이터 팩토리가 필요하고요.
00:55:38한국기계연구원에서도 로봇블나 데이터 팩토리를 지금 하고 있습니다.
00:55:42데이터 팩토리 말씀드리고 마지막으로는 오늘 피지클 AI의 3대 요소로
00:55:48패널 좌장님께서 말씀 주셨죠.
00:55:52액취에이터라든지 센서라든지 말씀 주셨는데
00:55:55액취에이터 센서 배터리
00:55:57배터리 부분은 신뢰성에 대한 이런 부분이 검증되고 있습니다만
00:56:01이런 액취에이터나 센서에 대해서는 표준화 못지않게 신뢰성을 어떻게 확보할 것이냐.
00:56:08어떤 액취에이터는 예를 들어서 3천에 하고 정제하고
00:56:12어떤 액취에이터는 3만에까지 갈 수도 있습니다.
00:56:14그래서 우리가 발전하기 위해서는 로봇, 피지클 AI의 핵심 소부장에 대한
00:56:21신뢰성 평가와 상호 운영성을 어떻게 확보할 것이냐.
00:56:26그래서 지금 이재명 정부의 핵심 요소 중에 하나가
00:56:315억 3턱 지방 부활이지 않습니까.
00:56:35그래서 이런 피지클 AI 테스트 배드라든지 데이터 팩토리라든지
00:56:40소부장, 신뢰성 평가, 상호 운영성 평가 이런 다양한 센터들을
00:56:465억 3턱에 이렇게 분산해서 한다면 피지클 AI를 좀 더 앞당기는 데 도움되지 않을까 하고요.
00:56:54그런 면에서 니아의 김원장님의 의견을 청취하고 싶습니다. 감사합니다.
00:56:59굉장히 중요한 질문을 하셨는데.
00:57:02그런데 지금 질문 주신 내용이 다 중요하고 적합한데
00:57:08저희 원의 R&R에 해당되는 내용은 딱히 아니어서
00:57:14아까 테스트 배드 말씀하신 게 굉장히 중요하거든요.
00:57:19실제 연구개발을 실증해보는 그런
00:57:21테스트 배드와 관련한 것 제가 답변 드릴게요.
00:57:24저는 아까 말씀 주신 거를 저는 디지털 타임즈에서
00:57:29기사를 잘 쓰시면 저는 좋겠다.
00:57:33큰 꼭지로 따서 다른 분들이 많이 보실 수 있게
00:57:37저 질문들을, 요구들을
00:57:39저는 그게 굉장히 어쩌면 제가 전달하는 것보다
00:57:43더 빠른 길일 수도 있다는 생각이 좀 들었습니다.
00:57:46네. 테스트 배드는요.
00:57:48전북 피지컬 AI 거기에 이 예산이 내년에 들어갑니다.
00:57:53그래가지고 거기가 전북 대학교를 중심으로
00:57:58성균관대학교, 카이스트 이렇게 해서
00:58:01카이스트에 그 저 뭐죠?
00:58:09블랙, 아니 아니요. 불 꺼진 공장
00:58:13다크 팩토리, 다크 팩토리 그 프로젝트에 이게 들어가 있어요.
00:58:18이렇게 들어가 있는데
00:58:18아, 제가 보기에는 기계연구원장님이 거기 좀 가셔야 될 것 같은데요.
00:58:255억 3층으로 많이 확산해서 테스트 배드가
00:58:28아니, 왜냐하면 이 9월 16일이 내일 모래잖아요.
00:58:34내일 모래 국회에서 이 피지컬 AI를 주제로 한
00:58:37아침 7시부터 세미나가 열리거든요.
00:58:39이 세미나가 바로 그 전북 피지컬 팩토리하고요.
00:58:43아까 우리 한영 개회사 할 때 오셨던 최형두 의원이 하는
00:58:49창원 피지컬 팩토리 이 두 축이 만나서 여는 세미나예요.
00:58:56거기 오십시오. 제가 초대하라고 제가 얘기하겠습니다.
00:58:59네, 그래서 거기 오셔서 좀 세게 얘기를 하세요.
00:59:03왜냐하면 여기 예산이 꽤 있습니다. 제가 알기로는.
00:59:07네, 감사합니다.
00:59:07네, 질문 한 분만 더 받도록 하겠습니다.
00:59:11네, 저기 안경 쓰신 분.
00:59:13네.
00:59:24네, 안녕하십니까. 저는 한국어 인공지능학회장 한호희입니다.
00:59:29제가 간단하게 두 개만 질문을...
00:59:30제가 한 번 잘 안 들렸습니다.
00:59:32네, 한국어 인공지능학회...
00:59:34한국어 인공지능학회...
00:59:36네, 회장 한호희입니다.
00:59:37네, 네.
00:59:38간단하게 두 가지만 질문 드리려고 합니다.
00:59:40하나는 우리 교수님한테 질문 드리려고 하는데요.
00:59:43우리나라의 햅틱 수준이 미국이나 중국에 비해서 어느 정도인지에 대한 거 하나 질문 드리고요.
00:59:51또 다른 하나는 이게 질문일지 아니면 다른 방향의 이야기일지 모르겠는데요.
00:59:57이건 교수님에게 드린 질문이 아니라 패널 분들 중에서 답을 주셨으면 감사하겠습니다.
01:00:04이게 좀 우리가 데이터 확보 얘기가 계속 나오는데요.
01:00:07그리고 이유 관련해서 온톨러리지라든지 안목지 얘기 이런 얘기도 나옵니다.
01:00:12그런데 실제로 외국의 추세를 보면 현실적인 안목지에 별로 관심이 없고요.
01:00:18그 부분을 일단 월드모텔이라든지 기타 시뮬레이션을 통해서 거꾸로 찾아내는 일을 많이 하고 있습니다.
01:00:27엊그제 언론에서 났듯이 수학의 난제를 직접 인공지능이 풀어내는 것을 보셨을 겁니다.
01:00:38그렇다면 인간이 갖고 있는 상당수의 안목지라고 하는 부분들은 사실 충분히 시뮬레이션을 통해서 더 빨리 찾아낼 수 있거든요.
01:00:48그런데 그런 자료들은 과연 현실에서 찾아낼 거냐.
01:00:52왜냐하면 우리가 자율주행을 하더라도 앞으로 자율주행차가 많이 나오게 되면
01:00:57기존에 우리가 갖고 있던 여러 가지 운전 관련 데이터는 아무런 의미가 없어집니다.
01:01:03심지어는 달리는데 과속차량을 단속할 필요도 없습니다.
01:01:08왜냐하면 인공지능 차들끼리 서로 협업을 통해서 폭주하는 자동차를 충분히 경로를 막으면서 막아낼 수 있거든요.
01:01:22그런 측면에서 봤을 때 과연 현실에서 그렇게 데이터를 모으기 위해서 많은 노력을 해야 되는지에 대한 질문입니다.
01:01:30감사합니다.
01:01:32정답을 지정하신 핵틱 문제는 핵틱 초창기에 했던 연구자들이 공교롭게 한국 저를 포함해서 대학원생들이 많았어요.
01:01:41다 한국에 와서 연구를 하고 있고요.
01:01:43우리나라는 굉장히 앞서 있고 예를 들자면 핵틱 커뮤니티의 프레지던트라고 할까요?
01:01:52그런 분도 한국 교수님이시고 하니까 굉장히 발전되어 있다고 생각하면 되고
01:01:56일례로 삼성에서 옛날에 나온 폰이 핵틱폰이잖아요.
01:02:00그 단어 자체에 익숙한 나라가 우리나라입니다.
01:02:02제일 익숙한 나라가.
01:02:03이상입니다.
01:02:06두 번째 질문은 제가 답변을 드리겠습니다.
01:02:10그게 합성 데이터에 관련된 질문으로 생각이 되고
01:02:13합성 데이터로 가공이 가능해서 만들어낼 수 있는데 꼭 리얼 데이터를 확보하느라고 애를 써야 되느냐.
01:02:19그건 테슬라와 엔비디아 사례를 보면 저는 답은 나와 있다고 생각이 들기도 합니다.
01:02:28테슬러는 모델3가 가장 많이 퍼져 있고 리얼 영상을 가장 많이 송출받아서 본부에서 가지고 있는 회사입니다.
01:02:37그래서 그걸 가지고 수많은 코너 케이스 정상적인 케이스가 아니라
01:02:41여기에 갖는 택배차가 가려있으면 그걸 어떻게 지나갈 거냐 하는 것에 관련된 것은 리얼 데이터에서 하고 있고요.
01:02:48엔비디아가 지금 생성 데이터 플랫폼인 코스모스를 발표했었죠.
01:02:53제가 딱 10년 전에 엔비디아 본사에 가서 코스모스의 원본인 것을 봤는데
01:03:03거기가 그래픽 회사잖아요. 그래픽 카드 회사잖아요. 너무나 잘 만들어냈어요.
01:03:07자동차 환경에서 내가 파라메타만 세팅하면 갑자기 눈 오고 비 오고 어두워지고 밝아지고 하는 걸 다 만들어냈어요.
01:03:15그 데이터를 가지고 학습하는 거예요.
01:03:17저는 이 두 가지 사례를 보면 코너 케이스를 만드는 데는 리얼 데이터가 필요하다.
01:03:25그리고 실제 수많은 데이터를 보편적으로 만드는 데는 학습 데이터가 매우 중요하다.
01:03:32그래서 그거는 좌우를 선택하는 문제가 아니라 함께 있어야 되는 그런 길이 아닌가라고
01:03:38그 두 회사를 보면서 생각이 드는 것을 말씀드리겠습니다.
01:03:47그러니까 아까 우리 LG 연구원께서 LLM에서 LVM 이런 진화 단계를 말씀해 주셨는데
01:03:56그 LVM이 바로 비디오, 움직이는 데이터, LLM도 필요하고 비디오 데이터도 필요하다.
01:04:06지금 그런 말씀이셨습니다.
01:04:09마지막으로 한 분만 받겠는데요.
01:04:11우리 LG 연구원님께 나는 이 질문은 꼭 해야 되겠다 하시는 분 있으신가요?
01:04:19저기, 하얀색 옷 입으신.
01:04:29안녕하십니까. 저는 티맵모빌리티에 소속된 박성재라고 합니다.
01:04:35김종 교수님의 말씀을 빌어서 LG전자 전혜정 위원님께 여쭙고 싶습니다.
01:04:43모든 발제자원분들께서 데이터 축적을 강조하셨는데요.
01:04:49특히 김종 교수님께서는 실패로 쌓는 데이터가 필수적이다 이렇게 말씀을 하셨습니다.
01:04:56정말 중요한 포인트라고 생각합니다.
01:04:59실제 구글은 정확히는 자율주행 업체 웨이모죠.
01:05:04웨이모는 실패 또는 사고가 난 데이터를 두고 엣지 케이스라고 정의를 하고요.
01:05:10이를 학습하는 데 사활을 걸고 있다고 합니다.
01:05:13그런데 이게 사실 구글이나 되니까 하는 대규모 투자인 것 같은데
01:05:17실제로 우리 일반 기업에서는 이런 투자를 하는 게 상당히 어려울 것 같습니다.
01:05:24이렇게 정계, 학계, 언론계까지 다 모인 자리에서
01:05:30관련해서 투자 같은 것들을 했으면 좋겠다.
01:05:33이런 건의사항이 있으면 한 말씀 부탁드리겠습니다.
01:05:40아까 앞에 답변을 할까 고민을 했었는데 연결된 질문인 것 같습니다.
01:05:45지금 LLM이 굉장히 많이 발전하고 있고 라지 모델들이 많은 일을 한다고 하는데
01:05:50아마 유튜브에 보시면 아시겠지만 정답이 있는 데이터에 대해서는 잘합니다.
01:05:56수학도 정답이 있고 코딩도 정답이 있습니다.
01:05:59하지만 산업 현장에서는 정답을 매기기가 굉장히 어렵습니다.
01:06:03자동차는 정답을 매기기가 상대적으로 쉽고요.
01:06:06로봇은 얘가 맞는지 컵을 이렇게 잡으면 맞고 저렇게 잡으면 틀린 건지
01:06:11물을 흘렸다 안 흘렸다는 걸 어떻게 정답할 건지가 잘 되어지만
01:06:15로봇이 계속 더 지능을 강화해서 자기가 학습을 해갈 수 있는 환경이 됩니다.
01:06:20이런 부분에 대해서 데이터가 아직 부족하기 때문에 저희가 이런 데이터를 쌓고
01:06:23아까 이 과정에 실패인지 아닌지도 현재는 사람이 정의를 해줘야 하는 상황이긴 합니다.
01:06:30그러려면 아까 말씀하신 것처럼 더 많은 실패 데이터들을 잘 모아서
01:06:33또 실패 데이터를 학습할 수 있는 기술 또한 굉장히 중요합니다.
01:06:38저희가 수건 접기를 했었는데 수건 접기를 하는 대부분의 로봇 데이터들이 성공 데이터들만 학습합니다.
01:06:44하지만 성공을 못했을 때 그 중간에 멈추고 사람이 개입을 해서 그 부분을 정정하는 데이터
01:06:50혹은 그 수수료를 극복하는 데이터들이 굉장히 많이 필요하고요.
01:06:53말씀하신 것처럼 이렇게 실패해도 혹은 엣지케이스 주셨고 플라이필드 주셨는데
01:06:58그 상황에서 실패가 되는 걸 다시 데이터화하고 반복을 할 수 있는
01:07:03어떻게 보면 이런 실패를 허용하는 실패했다고 무조건 문제가 되지 않은 그런 환경이 만들어지고
01:07:10법제적으로 포함해서 그런 잘못을 하더라도 허용이 되는 게 좀 필요하지 않을까
01:07:14테스트 배도 똑같을 것 같습니다.
01:07:16그런 환경에서 먼저 많이 시도해 볼 수 있는 그런 환경을 만들어서
01:07:20좀 더 강화해 가야 될 것 같다고 생각합니다.
01:07:23네 충분히 답이 되셨습니까?
01:07:26제가 하나 질문이 있는데요.
01:07:2833페이지에 보면 이게 순서가 제조 물류 상업 가사 공간으로의 확산
01:07:35이렇게 해서 이게 순서가 이렇게 단다고 했는데
01:07:38오히려 저는 물류 제조 상업 가사 이렇게 가야 되는 거 아닌가 이렇게 생각하는데
01:07:44여기에 대해서는 어떻게 생각하세요?
01:07:47네 물류하고 제조는 같이 갑니다.
01:07:49말씀 주셨는데 제조 과정에도 물류가 포함이 됩니다.
01:07:53테이프를 뜯거나 하는 같은 거는 공통적인 부분이기 때문에 같이 쓰이고요.
01:07:57그곳 잘 지적해 주셨는데 두 개는 같이 가고
01:08:01거기에 정밀성과 효율성이 중요하다고 보시면 될 것 같습니다.
01:08:04네 지금 4시 41분입니다.
01:08:07오늘 정말 훌륭한 패널을 모셔서
01:08:12아주 후레쉬한 얘기를 많이 들었는데요.
01:08:1530초씩 마무리 말씀 부탁드리겠습니다.
01:08:19피지컬 AI는 여러 레이어로 쌓여진 스택으로 볼 수 있겠습니다.
01:08:25그 중에서 저희 지능정보사회 진흥원은
01:08:30데이터 레이어와 네트워크 레이어에서 전문성을 발휘해서
01:08:35크게 기여하는 전문기관으로 더욱더 열심히 하겠습니다.
01:08:40감사합니다.
01:08:42김 교수님
01:08:44데이터의 품질이 중요하다는 걸 느낀 게
01:08:47오늘 위원장님 온토로지 설명을 했고 저도 겨우 이해를 했고요.
01:08:53그 실패기를 덧붙이면 옛날에 로봇이 좀 어설프게 걸을 때는
01:08:58넘어지지 않으려고 걸음을 그렇게 걸었습니다.
01:09:00엉덩이를 빼고
01:09:01요즘은 바뀌어서 넘어질 때까지 발을 떼게 만들었습니다.
01:09:05그러니까 아마 중국의 로봇 보시면 막 뛰다가 벽에 가서 부딪히잖아요.
01:09:10그게 끝까지 간 건데
01:09:11그렇듯이 앞으로 실패를 할 수 있는 것도 용인해지고
01:09:14로봇을 좀 부셔도 좀 놔둬 주시고
01:09:16그러면 안 부시거나 안 넘어뜨리는 것들을 개발할 것 같아요.
01:09:19그래서 그런 연구원들의 그런 실패할 수 있는 자유를 좀 허락해주는
01:09:24그런 정부 지원과 과제 지원과 이런 게 됐으면 좋겠습니다.
01:09:28이상입니다.
01:09:32네. 지금 중국도 그렇고 미국도 그렇고 굉장히 많은 투자를 합니다.
01:09:36한국도 많은 투자를 하고 있고
01:09:38이 돈들이 다 헛되지 않게 잘 협업해서 결과물을 잘 만들어가는
01:09:42그런 모양을 위해서 더 애써주시면 좋을 것 같습니다.
01:09:45네. 감사합니다.
01:09:49작년에 중국에서는 휴머노이드 올림픽을
01:09:542025년 8월에 개최를 했죠.
01:09:58그래서 달리고 뛰고 뒤집어지고 하는 로봇을 선보였습니다.
01:10:04그것을 보고 우리 많은 대한민국의 국민들이
01:10:09야 중국이 정말 앞서가는구나 이렇게 생각들을 많이 하셨는데
01:10:15피지컬 AI의 핵심은 거기에 있지 않습니다.
01:10:19피지컬 AI의 핵심은 아까 우리 LG 연구원께서 말씀하신 것처럼
01:10:24얇은 수건을 어떻게 잘 접을 수 있느냐
01:10:27바로 그 부분에서 승부가 결정됩니다.
01:10:31그렇기 때문에 피지컬 AI는 대한민국
01:10:36또 승산이 있는 분야다.
01:10:41저는 이렇게 생각합니다.
01:10:44얇은 수건을 접는 일이 뛰고 달리는 것보다 훨씬 더
01:10:49로봇에게는 힘든 일이기 때문에 그렇고
01:10:53거기에는 고정밀의 액츄에이터 센서가 부착되어야 하고
01:10:58우리 김정 교수님이 바로 전공하셨던 그 분야
01:11:04그러니까 촉각과 피부감 이것이 승부처입니다.
01:11:12그런 의미에서 오늘 디지털 타임즈 정말 온타임에
01:11:16좋은 주제를 우리 박하경 대표님께서 주셨습니다.
01:11:21피지컬 AI 대한민국 새 성장 엔진 생태계 판을 바꾼다.
01:11:26대한민국의 미래가 바로 여기에 달려 있습니다.
01:11:29감사합니다.
01:11:31박수
01:11:32박수
01:11:34박수
01:11:35박수
01:11:36박수
01:11:36박수
01:11:36박수
01:11:36박수
01:11:36박수
01:11:37박수
01:11:37박수
01:11:38박수
01:11:38박수
01:11:38박수
01:11:38박수
01:11:39박수
01:11:39다음 영상에서 만나요
댓글