Part IV: 제조업 전략

Chapter 10: 구매할 것과 직접 만들 것 — 플랫폼 의존성과 데이터 자산

집필일: 2026-06-08 최종수정일: 2026-06-11

Part IV의 핵심 질문은 기술 선택이 아니라 소유권 선택이다. NVIDIA와 partner ecosystem은 학습, 시뮬레이션, 모델, edge 배포를 빠르게 시작하게 해준다. 하지만 제조사가 장기적으로 소유해야 할 것은 공정 데이터, 실패 로그, 평가 기준, 품질 승인 권한이다.

좋은 전략은 vendor 의존성을 피하는 것이 아니다. 좋은 전략은 의존해도 되는 계층과 절대 양도하면 안 되는 계층을 구분하는 것이다. 이 장은 무엇을 사고, 무엇을 직접 만들며, 무엇을 공동 개발해야 하는지 결정하는 프레임을 제공한다.

Figure 10.1: 화장품/소비재 제조에서 ROI와 자동화 난이도를 나누는 매트릭스. illustration by author AI-assisted

요약

학습 목표 - NVIDIA 스택에서 구매 가능한 범용 인프라와 제조사가 직접 소유해야 할 공정 지식을 구분한다. - robot policy, teleoperation data, digital twin, edge runtime, quality gate의 소유권을 설계한다. - vendor roadmap 변화에도 남는 내부 capability를 정의한다.

GR00T, OpenVLA, pi0.5 같은 foundation model은 범용 로봇 지능의 공통 기반을 넓히고 있다 [1]; [2]; [11]. 그러나 제조 현장에서 지속되는 해자는 모델 자체보다 특정 공정의 data exhaust다. 어떤 부품이 언제 미끄러지는지, 어떤 fixture가 어떤 SKU에서 jam을 만드는지, 어떤 rework가 품질을 회복하는지는 외부 모델이 자동으로 알 수 없다.

따라서 제조사의 전략은 "모델을 직접 만들 것인가"보다 "어떤 데이터를 어떤 평가 체계로 축적할 것인가"에 가까워야 한다.

계층 사도 되는 것 직접 소유해야 할 것 공동 개발 후보
Foundation model VLA backbone, humanoid policy base 공정별 fine-tuning/evaluation set contact-rich skill adaptation
Simulation Omniverse/Isaac toolchain, partner plugins USD asset, fixture, tolerance model physics calibration, synthetic scene generator
Data capture teleop hardware, mocap, sensors demonstration lineage, operator consent, QA labels human-hand interface, exoskeleton capture
Edge runtime Jetson/IGX stack, safety-certified components deployment policy, rollback rule, local logs model compression, latency tuning
Governance vendor model card, reference architecture release gate, audit trail, 품질 승인권 external audit, safety case template

10.1 구매할 것: 속도를 주는 범용 계층

제조사가 모든 것을 직접 만들 필요는 없다. GPU, simulation engine, robot middleware, reference model, edge inference stack은 외부 플랫폼을 쓰는 편이 더 빠르고 안전할 때가 많다. ABB RobotStudio HyperReality나 Rockwell의 edge AI 협력처럼 산업 파트너가 NVIDIA 스택과 결합하는 사례는 이 방향을 보여준다 [13]; [14].

구매해야 할 계층의 기준은 범용성이다. 여러 공정과 여러 공장에서 재사용되는 기능, 보안과 유지보수 요구가 큰 기능, ecosystem 호환성이 중요한 기능은 플랫폼을 쓰는 편이 합리적이다.

다만 구매 계약에는 데이터와 모델 업데이트의 권한을 명확히 넣어야 한다. 제조사는 자신의 raw data, derived feature, failure taxonomy, quality label이 vendor lock-in에 묶이지 않게 해야 한다.

10.2 직접 만들 것: 공정 경험과 평가 진실

직접 만들어야 할 것은 공정의 물리 경험이다. DexUMI, AnyTeleop, DexCap, ExoStart 같은 연구는 사람 시연과 손 조작 데이터를 수집하는 다양한 방법을 보여준다 [5]; [3]; [8]; [9]. 제조사는 이런 방법을 자신의 공정 데이터 구조로 흡수해야 한다.

데이터 자산은 단순히 영상과 센서 로그가 아니다. 품질 판정 이유, 작업자 override, fixture change, cleaning cycle, shift condition, material lot, rework success 같은 정보가 함께 있어야 한다. 이 맥락이 없으면 demonstration은 학습 샘플은 되어도 생산 지식은 되지 못한다.

Figure 10.2: ODM 데이터 장벽과 플랫폼 의존성 사이의 전략적 균형. illustration by author AI-assisted

평가 진실도 직접 소유해야 한다. 모델이 바뀌어도 같은 test suite로 비교할 수 있어야 한다. robot hardware가 바뀌어도 task success, defect rate, safety stop, cycle time, operator burden을 같은 기준으로 볼 수 있어야 한다.

10.3 공동 개발할 것: 접촉-rich skill과 현장 통합

공동 개발은 경계 계층에서 유용하다. 예를 들어 insertion, wiping, screwing, flexible packaging, cable handling처럼 접촉이 복잡한 skill은 vendor의 model/tooling과 제조사의 공정 지식이 모두 필요하다.

ManipTrans, HAMSTER, Hi Robot 같은 계층형 또는 retargeting 접근은 embodiment와 task generalization을 넓히려 한다 [6]; [7]; [10]. 제조사는 이런 연구 방향을 "모든 작업을 범용 로봇에게 맡기기"로 읽기보다, 공정별 skill을 재사용 가능한 interface로 만드는 기회로 읽어야 한다.

공동 개발 계약의 핵심은 산출물의 소유권이다. fine-tuned weight, synthetic dataset, calibrated USD asset, failure suite, edge deployment profile 중 무엇을 누가 재사용할 수 있는지 명확히 해야 한다.

10.4 제조 셀 체크포인트

체크포인트 질문 통과 기준
Data ownership raw와 derived data 권한이 명확한가? 계약서와 내부 정책이 같은 정의를 쓴다
Evaluation portability vendor 교체 시 평가가 남는가? test suite가 모델과 분리되어 version 관리된다
Skill interface skill이 특정 robot에 묶여 있는가? input/output, force limit, failure class가 abstraction으로 정의된다
Update control vendor 모델 업데이트를 누가 승인하는가? production deployment는 내부 release gate를 통과해야 한다
Exit path 플랫폼 의존이 과도해질 때 대안이 있는가? 데이터 export, simulator asset, edge fallback 계획이 있다

이 체크포인트는 구매 결정을 늦추기 위한 장치가 아니다. 빠르게 사되, 배울 수 있는 구조를 남기기 위한 장치다.

10.5 다음에 배울 것

다음 장은 이 소유권 결정을 2026-2030 roadmap으로 바꾼다. 2026년에 첫 셀과 데이터 구조를 만들고, 2027년에 simulation과 검증 체계를 굳히며, 2028-2030년에 multi-cell 운영과 생산 운영체계로 확장하는 순서가 필요하다.

독자는 다음 장을 읽기 전 자신의 조직에서 세 문장을 작성해보면 좋다. "우리는 무엇을 산다." "우리는 무엇을 직접 소유한다." "우리는 어떤 evidence 없이는 배포하지 않는다." 이 세 문장이 전략의 출발점이다.

참고문헌

  1. Johan Bjorck et al. (2025). GR00T N1: An Open Foundation Model for Generalist Humanoid Robots. arXiv preprint. https://arxiv.org/abs/2503.14734
  2. Moo Jin Kim et al. (2024). OpenVLA: An Open-Source Vision-Language-Action Model. arXiv preprint. https://arxiv.org/abs/2406.09246
  3. Yuzhe Qin et al. (2023). AnyTeleop: A General Vision-Based Dexterous Robot Arm-Hand Teleoperation System. Robotics: Science and Systems (RSS) 2023. https://www.roboticsproceedings.org/rss19/p015.pdf
  4. Prithwish Dan et al. (2025). X-Sim: Cross-Embodiment Learning via Real-to-Sim-to-Real. arXiv preprint. https://arxiv.org/abs/2505.07096
  5. Mengda Xu et al. (2025). DexUMI: Using Human Hand as the Universal Manipulation Interface for Dexterous Manipulation. CoRL 2025 (Best Paper Finalist). https://arxiv.org/abs/2505.21864
  6. Kailin Lv et al. (2025). ManipTrans: Efficient bimanual dexterous manipulation retargeting. CVPR 2025. https://arxiv.org/abs/2503.21860
  7. Yi Li et al. (2025). HAMSTER: Hierarchical Action Models For Open-World Robot Manipulation. arXiv preprint. https://arxiv.org/abs/2502.05485
  8. Chen Wang et al. (2025). DexCap: Scalable and Portable Mocap Data Collection for Dexterous Manipulation. arXiv / RSS. https://dex-cap.github.io/
  9. Zilin Si et al. (2025). ExoStart: From 10 Exoskeleton Demos to Dexterous Robot Manipulation. arXiv preprint. https://arxiv.org/abs/2506.11775
  10. Lucy Xiaoyang Shi et al. (2025). Hi Robot: Open-Ended Instruction Following with Hierarchical Vision-Language-Action Models. arXiv preprint. https://arxiv.org/abs/2502.19417
  11. Physical Intelligence (2025). pi0.5: A Vision-Language-Action Model with Open-World Generalization. arXiv preprint. https://arxiv.org/abs/2504.16054
  12. Hao-Shu Fang et al. (2025). DEXOP: Passive Exoskeleton for Direct-contact Dexterous Demonstration. arXiv preprint. https://arxiv.org/abs/2509.04441
  13. ABB Robotics and NVIDIA (2026). Closing the Sim-to-Real Gap: ABB RobotStudio HyperReality Enables Industrial-Scale Physical AI. ABB Press Release.
  14. Rockwell Automation and NVIDIA (2025). Rockwell Automation to Advance Industrial Intelligence Through Edge-Based Generative AI with NVIDIA Nemotron. Rockwell Automation Press Release.