”카본식스는 아직 연구소에 머물러 있는 Physical AI를 ‘시그마키트(SigmaKit)’를 통해 제조 현장의 혁신으로 연결하고 있다”

지난 3월6일 서울 삼성동 코엑스에서 열린 ‘e4ds Physical AI Frontier 2026’ 콘퍼런스에서 카본식스의 서형주 CTO는 제조업 현장의 자동화 난제를 해결하는 핵심으로 자사 제품 시그마킷(Sigma Kit)을 제시했다.

서형주 CTO는 제조업에서 자동화가 실패하는 근본 원인으로 ‘하이 베리언스(높은 변동성)’를 지목하며, 기존 룰 기반 자동화가 이 문제를 해결하지 못한다고 진단했다.

서형주 CTO는 “이 데이터 병목 현상과 되게 밀접하게 관련이 있다고 생각을 한다”며, 피지컬 AI의 민주화가 곧 데이터 병목을 돌파하는 길이라고 강조했다.

그는 제조 현장의 다품종·소량 생산, 비정형 공정, 자주 바뀌는 제품 사양 등이 자동화 실패의 주요 배경이라고 설명했다.

시그마킷의 핵심은 적은 데이터로도 학습 가능한 모방학습(임베디드 피지컬 AI) 플랫폼이다.

서형주 CTO는 자사 기술이 “이 적은 데이터로 학습이 가능하게 만들었다”라며, 한 번 보여준 데이터에서 다양한 케이스를 내부적으로 증강해 실제 현장에서 발생할 수 있는 롱테일 케이스를 보완한다고 설명했다.

제품의 작동 방식은 직관적이다.

작업자는 마우스나 간단한 티칭 인터페이스, 심지어 손가락에 끼우는 그리퍼 형태의 직관적 입력으로 로봇에게 작업을 시연한다.

로봇은 비전 센서와 힘 센서 등 멀티모달 데이터를 캡처해, 약 100회 내외의 시연으로 행동 패턴을 학습하고 반복 수행할 수 있게 된다.

서 CTO는 데이터 수집에 1시간, 트레이닝에 약 6시간 정도면 초기 자동화가 가능하다고 설명했다.

시그마킷이 주목받는 이유는 현장 친화성이다.

제조업 현장은 공장별로 레이아웃, 장비, 인터페이스가 제각각이라 범용 휴머노이드나 단일 솔루션으로는 대응이 어렵다.

서형주 CTO는 “제조업의 핵심은 에코시스템, 특히 SI(시스템 통합) 업체와의 협업”이라며, 시그마킷이 다양한 하드웨어와 연동되고 SI가 손쉽게 도입할 수 있도록 설계됐다고 밝혔다.

실제 데모 영상과 사례에서 시그마킷은 필름 제거, 케이블 체결, 엔진 블록 고리 장착, 소형 케이블 삽입 등 비정형 공정에서 반복 성공을 보였다.

특히 작업 중 발생하는 실패 상황에서 스스로 리트라이(retry)하며 성공률을 높이는 ‘로버스트(robust)’한 동작을 보여 고객의 관심을 끌었다.

데이터 병목을 푸는 전략도 흥미롭다.

서형주 CTO는 자율주행 사례를 예로 들며, 데이터는 단순히 돈을 들여 모으는 것이 아니라 사용자에게 당장 효용을 제공하는 제품을 통해 자연스럽게 축적되어야 한다고 주장했다.

테슬라의 사례처럼 소비자가 제품을 구매하는 과정에서 데이터가 쌓이고, 그 결과로 고도화된 모델이 탄생한다는 논리다.

시그마킷은 룰 기반 제어와 AI 기반 스킬을 하이브리드로 결합해 사이클 타임(속도)과 수율(신뢰성)을 동시에 맞추는 접근을 취한다.

즉, 빠른 동작이 요구되는 부분은 룰 기반으로 처리하고, 위치나 형태의 변동성이 큰 부분은 AI가 담당하도록 역할을 분담해 SI 입장에서의 도입·디버깅 부담을 줄였다.

청중과의 질의응답에서 서형주 CTO는 장기 로드맵에 대해 “단기적 접근이지만 장기적으로도 커스터마이제이션은 필수”라며, 공장별 특수성을 반영한 제조용 파운데이션 모델(RFM)의 필요성을 재차 강조했다.

또한 시뮬레이션 기반 증강 대신 현장 데이터 기반의 증강 및 액티브 러닝을 통해 실제 공정에서의 재학습과 개선 사이클을 빠르게 돌리는 전략을 택하고 있다고 밝혔다.

결론적으로 시그마킷은 제조업 자동화의 ‘현실적 전환점’이 될 잠재력을 지녔다.

적은 데이터로도 실무에 투입 가능한 성능을 보이며, SI 중심의 제조 생태계에 맞춘 설계로 도입 장벽을 낮췄다.

서형주 CTO는 “피지컬 AI는 당장 사용할 수 있는 효용이 있어야 데이터 병목을 돌파할 수 있다”며 “제조업 현장에서의 피지컬 AI 상용화가 더 이상 먼 미래의 이야기가 아니다”라고 전했다.