산업 현장 AI의 세 가지 장벽과 비전 파운데이션 모델: NAIRL 석학세미나 발표 정리
데이터 부족·현장마다 다른 조건·비용이라는 세 장벽에 슈퍼브에이아이가 데이터 플라이휠, 제로, 경량 추론·학습으로 대응하는 방식을 정리했습니다.
슈퍼브에이아이 김계현 CRO는 2026년 11월 10일 서울 AI 허브에서 열린 국가AI연구거점(NAIRL) 월례 석학세미나에서 'Vision Intelligence for the Physical World'를 주제로 발표했습니다. 산업 현장에 AI를 들일 때 부딪히는 장벽 세 가지와 슈퍼브에이아이가 각 장벽에 맞춰 개발해 온 제품·기술, 그리고 이 기술을 피지컬 AI(Physical AI)로 넓히는 연구를 소개했습니다.
📌 3줄 요약
- 김계현 CRO가 꼽은 산업 현장 AI 확산의 장벽은 데이터 부족, 현장마다 다른 조건, 비용 세 가지입니다.
- 데이터 부족은 데이터 플라이휠로, 현장마다 다른 조건은 산업 특화 비전 파운데이션 모델 제로(ZERO)로, 비용은 경량 추론·학습 기술로 대응합니다.
- 슈퍼브에이아이는 이 기술을 능동 관제와 로봇 학습 데이터 합성 연구로 넓히고 있습니다.
산업 현장에 AI가 퍼지기 어려운 이유는 무엇인가요?
김계현 CRO는 산업 현장 AI 확산을 막는 장벽으로 데이터 부족, 현장마다 다른 조건, 비용을 꼽았습니다. 사고나 불량은 드물게 일어나서 학습 데이터에는 흔한 장면만 쌓입니다. 한 현장에서 잘 동작한 모델도 조건이 다른 현장으로 옮기면 성능이 크게 떨어집니다. 고객마다 맞춤 모델을 만들면 전문 인력의 공수가 듭니다. 영상과 글을 함께 이해하는 대형 AI 모델(VLM)을 수백 대 카메라에 24시간 붙이면 컴퓨팅 비용이 감당하기 어려운 수준이 됩니다.
세 장벽에는 각각 대응하는 제품·기술이 있습니다.
| 장벽 | 대응 | 핵심 |
|---|---|---|
| 데이터 부족 | 슈퍼브 플랫폼의 데이터 플라이휠 | 모델이 틀리는 유형을 찾아 필요한 데이터를 선별·합성 |
| 현장마다 다른 조건 | 제로 | 텍스트·이미지 프롬프트로 대상을 찾는 제로샷 객체 탐지 |
| 비용 | 경량 추론·학습 | 적은 컴퓨팅으로 실시간 관제와 재학습 |
데이터 플라이휠: 약점을 데이터로 보강하는 과정
발표에서는 데이터 부족에 대한 슈퍼브에이아이의 접근을 데이터 중심 방식으로 설명했습니다. 모델이 어떤 데이터에서 틀리는지 분석해 그 약점을 데이터로 보강합니다. 현장에서 모으기 어려운 장면은 생성형 AI로 합성해 채웁니다. 데이터 플라이휠이 한 번 돌 때마다 모델 성능이 오릅니다. 약점을 메운 데이터는 고객이 계속 쓸 수 있습니다. 슈퍼브 플랫폼은 이 과정을 ML 전문가가 없어도 운영할 수 있도록 노코드로 제공합니다. 슈퍼브에이아이는 이 데이터 플라이휠을 자사 신규 모델 학습에 적용하며 고도화해 왔습니다.
새 현장에 모델을 바로 쓰려면 어떻게 하나요?
김계현 CRO는 현장마다 다른 조건에 대한 답으로 산업 특화 비전 파운데이션 모델 제로를 제시했습니다. 한 현장에 AI를 들이는 데는 보통 데이터 수집, 라벨링, 학습, 개선 반복에 수개월이 걸립니다. 국내 공장에서 잘 돌던 모델을 해외 공장에 옮기면 같은 과정을 다시 거쳐야 하는 경우도 많습니다. 슈퍼브에이아이는 데이터 플라이휠을 미리 충분히 돌려 여러 산업 현장에서 쓸 만한 성능을 내는 모델을 만들었고, 이를 제로샷으로 제공합니다.
제로는 찾고 싶은 대상을 프롬프트로 받아 위치를 찾는 객체 탐지 모델입니다. "지게차 운전자", "허리를 숙인 작업자"처럼 문장으로 지시할 수 있습니다. 말로 설명하기 어려운 현장 물체는 예시 사진 한 장으로 지시합니다. 운영 중에 새로 찾아야 할 대상이 생기면 그 대상의 프롬프트만 추가하면 됩니다. 도입 초기에는 소량의 샘플로 운영을 시작하고 이후 성능은 데이터 플라이휠로 끌어올립니다.
제로는 슈퍼브에이아이가 보유한 1.3억 장 이상의 산업용 시각 데이터로 만든 모델입니다. 제로는 CVPR 2026 Foundational Few-Shot Object Detection Challenge에서 1위를 차지했습니다.

경량 추론·학습: 적은 컴퓨팅으로 현장 전체를 보는 구조
발표에서는 비용 장벽을 추론 비용과 학습 비용으로 나눠 다뤘습니다. 물류 센터 하나만 봐도 입출고 통계, 상품 검수, 공정 분석, 안전 관제처럼 풀고 싶은 문제가 여러 개입니다. 고객은 수십 대 카메라의 영상을 서버 한두 대로 24시간 처리하고 보고서까지 받기를 원합니다. 충분히 좋은 VLM이면 이 문제의 상당수를 풀 수 있지만 모든 프레임을 VLM에 넣으면 비용을 감당하기 어렵습니다.
슈퍼브에이아이는 추론 비용을 세 갈래로 줄입니다.
- 빠른 탐지: 제로의 초경량 버전이 여러 카메라 영상에서 대상을 실시간으로 탐지하고 추적합니다.
- 시간과 공간 단위의 정리: 카메라가 본 정보를 현장의 3D 공간과 시간 단위로 구조화해 쌓습니다.
- 필요한 곳에만 VLM: 대부분의 질문은 구조화된 정보에서 바로 답하고, 여러 근거를 모아 설명해야 하는 질문에만 VLM을 씁니다.
화재, 쓰러짐, 위험구역 접근처럼 즉시 대응이 필요한 상황은 탐지 결과로 바로 알림을 보냅니다.
학습 비용도 함께 줄였습니다. 슈퍼브에이아이는 재학습에 드는 연산과 메모리를 줄이는 학습 구조와 학습 방식을 개발해 제로 학습에 적용했습니다.
이 기술을 로봇으로 어떻게 넓히고 있나요?
김계현 CRO는 발표 마지막 부분에서 슈퍼브에이아이가 진행 중인 피지컬 AI 연구 두 가지를 소개했습니다.
첫째는 능동 관제입니다. 고정 카메라에는 음영 지역, 멀어서 잘 보이지 않는 구역, 적치물에 가린 곳이 생깁니다. 슈퍼브에이아이는 로봇개가 CCTV가 보지 못하는 곳을 직접 찾아가 확인하는 연구를 하고 있습니다. 로봇이 위험 상황을 발견하면 알림을 보내고, 로봇의 위치와 움직임은 디지털 트윈에서 함께 볼 수 있습니다.
둘째는 사람이 찍은 작업 영상을 로봇 학습 데이터로 바꾸는 기술입니다. 다양한 로봇이 다양한 환경에서 작업하는 데이터를 원격 조작으로 모으려면 시간과 비용이 많이 듭니다. 슈퍼브에이아이는 사람의 작업 영상에서 로봇이 학습할 수 있는 데이터를 만들어 이 문제를 줄이는 기술을 개발하고 있습니다.

발표자
김계현 CRO | 슈퍼브에이아이
슈퍼브에이아이의 비전 인텔리전스 플랫폼과 산업 특화 비전 파운데이션 모델 제로를 위한 기술 연구를 이끌고 있습니다.
주요 발표:
- 국가AI연구거점(NAIRL) 월례 석학세미나 2026 · Vision Intelligence for the Physical World
사내 세미나·외부 행사 강연 요청은 아래 문의 양식으로 남겨 주세요.
슈퍼브에이아이는 산업 현장의 시각 데이터를 기업이 활용할 수 있는 인텔리전스로 전환하는 비전 인텔리전스 기업입니다.
💬 비전 AI 도입이나 사내 세미나·행사 강연을 검토하고 계신가요? 아래 양식에 현장 유형과 요청 내용을 남겨주시면 담당자가 확인한 뒤 연락드립니다.