테크/AI2026년 8월 14일

LLM부터 피지컬 AI까지 — 물류·제조 실무자를 위한 AI 용어 정리

LLM, RAG, 파인튜닝 같은 용어가 회의실에서 쏟아진다. 다들 아는 듯 넘어가지만 "정확히 무슨 뜻이냐"고 물으면 답이 막힌다. 이 용어들을 단어장처럼 외울 필요는 없다. AI는 언어를 배우고 → 특정 분야에서 똑똑해지고 → 현실 세계로 나오는 순서로 발전해 왔고, 그 흐름을 따라가면 용어가 하나의 이야기로 연결된다.

1막: AI가 언어를 배우다

출발점은 LLM(거대언어모델, Large Language Model) 이다. 인류가 쌓은 방대한 텍스트를 학습한 모델로, 단어를 조합하는 게 아니라 질문의 맥락을 이해하고 '다음에 올 가장 자연스러운 말'을 예측해 문장을 만든다. 챗GPT와 클로드 같은 서비스가 모두 이 기반 위에서 작동한다.

성능을 좌우하는 두 개념이 있다.

파라미터(Parameter): AI의 '뇌 크기'에 해당하는 신경망 연결 고리 수. 많을수록 복잡하고 정교한 맥락을 다룰 수 있다.
토큰(Token): AI가 언어를 인식하는 최소 단위. 글자나 단어 조각에 해당한다.

프롬프트가 결과를 가른다

파라미터가 아무리 많아도 지시가 모호하면 엉뚱한 답이 나온다. 프롬프트(Prompt, 지시문) 를 얼마나 정교하게 쓰느냐에 따라 같은 모델에서도 결과 품질이 크게 갈린다.

2막: AI가 특정 분야에서 똑똑해지다

범용 모델을 우리 업무에 맞추는 방법은 크게 두 가지다.

파인튜닝 — 훈련시키는 방식

파인튜닝(Fine-Tuning, 미세조정) 은 기존 모델에 자사 내부 데이터(설비 매뉴얼, 사내 규정 등)를 추가로 학습시키는 방식이다. 제조 기업이라면 자사 공장 전용 질의응답 AI를 만들 수 있다.

RAG — 참고하게 하는 방식

RAG(검색 증강 생성, Retrieval-Augmented Generation) 는 오픈북 시험에 가깝다. 답변 직전에 외부 문서나 최신 데이터베이스를 실시간으로 검색하고, 그 내용을 근거로 답을 만든다. 매일 데이터가 바뀌는 물류센터라면 AI가 '오늘의 실시간 재고'를 열어 보고 답하는 식이다.

파인튜닝은 훈련, RAG는 참고. 데이터가 자주 바뀌면 RAG, 고정된 전문 지식이면 파인튜닝이 유리하다.

왜 정확도에 이렇게 공을 들이나

할루시네이션(Hallucination, 환각) 때문이다. AI가 모르는 것도 사실인 양 그럴듯하게 지어내는 오류다. 일상 대화에서는 웃고 넘길 수 있지만, 산업 현장에서는 오답 하나가 공정 마비나 안전사고로 이어질 수 있다. 파인튜닝과 RAG는 이 위험을 통제하는 장치다.

정확해진 AI는 답변자를 넘어 AI 에이전트로 진화한다. 스스로 목표를 세우고 계획을 짜고 실행까지 완료한다. 발주서 확인, 배차 요청, 정산처럼 사람이 반복하던 고정 업무를 처리하는 사례가 늘고 있다.

3막: AI가 현실로 나오다

화면 속 텍스트에 갇혀 있던 AI가 밖으로 나오는 출발점이 멀티모달 AI(Multimodal AI) 다. 텍스트뿐 아니라 이미지, 영상, 음성을 함께 이해한다. 공장 카메라 영상을 실시간 분석해 미세 스크래치와 불량품을 걸러내는 검사 AI가 대표적이다.

현장 적용에는 두 가지 숙제가 붙는다. 보안과 속도다. 온디바이스 AI(On-Device AI) 는 클라우드 서버를 거치지 않고 스마트폰·로봇·기기 내부 칩셋에서 AI를 직접 구동한다. 데이터가 외부로 나가지 않아 보안에 유리하고, 네트워크 지연에서 자유롭다.

종착지는 피지컬 AI(Physical AI) 다. 3D 비전이라는 '눈'과 로봇이라는 '몸'을 통해 물리적 세계에서 직접 판단하고 행동하는 단계다. 과거 로봇은 정해진 위치의 물건만 반복해 들어 올렸지만, 피지컬 AI 로봇은 무작위로 뒤섞인 상자를 스스로 인식해 분류하고 모양이 제각각인 부품을 안전하게 집어 옮긴다.