박주일 매스웍스코리아 대표의 발표 모습(사진:본지)
매스웍스(MathWorks)는 7일, 서울 강남구 코엑스 그랜드볼룸 & 2층 아셈볼룸에서 개최된 '매트랩 엑스포 2026 코리아(MATLAB EXPO 2026 Korea)'을 통해 매스웍스의 엔지니어들과 다양한 산업 분야의 전문가들이 한자리에 모여 인공지능(AI)과 과학 및 엔지니어링 영역의 최신 기술 동향과 실제 적용 사례를 공유했다.
이번 행사는 AI 시대, 빠르게 변화하는 기술 환경 속에서 연구와 산업 현장을 연결하고, 혁신적인 접근 방식과 성공 사례를 통해 실질적인 인사이트를 제공하는 데 초점을 맞추고 있다. 특히 연구, 설계, 개발에 이르는 전 과정에서 활용되는 핵심 도구인 매트랩(MATLAB)과 시뮬링크(Simulink)의 최신 기능과 발전 방향이 소개되며, 이를 실제 프로젝트에 어떻게 적용할 수 있는지에 대한 구체적인 방법도 함께 제시됐다.
참가자들은 이론적인 설명을 넘어 실제 현장에서 검증된 활용 사례를 직접 확인하고, 다양한 산업 분야에서 MATLAB과 Simulink가 어떻게 문제 해결과 혁신을 이끌고 있는지를 살펴볼 수 있었다. 이를 통해 연구개발 효율성을 높이고, 복잡한 엔지니어링 문제를 보다 체계적으로 해결할 수 있는 실질적인 전략과 아이디어를 얻을 수 있을 것으로 기대된다.
이날 행사에 앞서 열린 기자간담회를 통해 박주일 매스웍스코리아 대표는 공학·과학 분야 혁신 가속을 위한 기업 비전과 산업 대응 전략을 제시했다. 그는 매스웍스의 40년 미션인 “공학과 과학 발전의 가속화(Accelerating the pace of engineering and science)”를 강조하며, 급변하는 산업 환경 속에서 기술 혁신의 핵심 동력으로서 역할을 확대하겠다고 밝혔다.
박주일 매스웍스코리아 대표
박 대표는 “매스웍스는 1984년 잭 리틀(Jack Little)에 의해 설립된 이후 공학자와 과학자의 혁신을 지원해 온 기업”이라며 “현재 전 세계 180여 개국에서 약 500만 명의 엔지니어가 사용하는 플랫폼 기업으로 성장했다”고 설명했다. 이어 “엔지니어링 분야에서 이 정도 규모의 사용자 기반은 매우 의미 있는 수준”이라고 덧붙였다.
특히 매스웍스는 모델 기반 설계(Model-Based Design) 방법론을 선도적으로 제시한 기업으로, 시뮬레이션 플랫폼을 통해 산업 전반의 연구개발(R&D)을 지원하고 있다. 박 대표는 “자동차, 반도체, 에너지 등 다양한 산업에서 매스웍스 솔루션이 활용되며 기술 혁신을 뒷받침하고 있다”고 강조했다.
특히, 교육 분야 투자도 주요 전략으로 제시됐다. 매스웍스는 전 세계 약 6500개 대학과 협력해 커리큘럼을 운영하며 미래 엔지니어 양성에 기여하고 있다. 박 대표는 “기업 고객뿐 아니라 차세대 혁신 인재를 육성하는 것이 중요한 과제”라고 말했다.
이날 발표에서는 글로벌 제조업 경쟁력 변화 흐름도 언급됐다. 박 대표는 “한국 제조업은 공학과 과학 기반 기술 혁신을 통해 빠르게 성장해 왔다”며 “최근에는 독일, 중국과 경쟁하며 주요 제조 강국으로 자리 잡고 있다”고 평가했다. 다만 글로벌 경쟁 심화와 함께 산업 환경의 복잡성이 빠르게 증가하고 있다고 진단했다.
박주일 매스웍스코리아 대표
그는 현재 엔지니어링 환경이 직면한 세 가지 핵심 과제로 개발 복잡성 증가, 타임 투 마켓(Time-to-Market) 압박, 디지털 전환 가속을 꼽았다. 특히 “전기차, 고대역폭메모리(HBM) 등 첨단 산업에서는 멀티 도메인 기반의 복합 시스템 검증이 요구되면서 개발 난이도가 기하급수적으로 증가하고 있다”고 설명했다.
또한 “기업들은 지정학적 불확실성과 치열한 글로벌 경쟁 속에서 더 짧은 시간 안에 완성도 높은 제품을 출시해야 하는 압박을 받고 있다”며 “타임 투 마켓이 기업 경쟁력을 좌우하는 핵심 요소로 부상했다”고 강조했다.
디지털 전환 측면에서는 스마트팩토리와 디지털 트윈(Digital Twin) 도입 필요성이 확대되고 있지만, 기술적 격차와 도입 난이도가 여전히 존재한다고 분석했다. 이와 함께 이러한 변화가 전반적인 개발 비용 증가로 이어지고 있다고 덧붙였다.
박 대표는 “이번 행사, '매트랩 엑스포 2026 코리아'는 이러한 산업적 과제를 해결할 수 있는 기술과 인사이트를 공유하기 위해 기획됐다”며 “AI, 전동화(Electrification), 모델 기반 설계, 모빌리티, 무선통신 등 5개 핵심 분야에서 약 30여 개 세션을 운영한다”고 밝혔다.
끝으로 박 대표는 “매스웍스코리아는 글로벌 기술을 기반으로 한국 제조업 경쟁력 향상에 기여하는 것을 사명으로 삼고 있다”며, “국내 엔지니어링 커뮤니티를 기술적으로 지원하는 핵심 축 역할을 강화해 나갈 것”이라고 밝혔다.
생성형 AI의 부상과 매스웍스의 대응
매스웍스는 생성형 AI의 급속한 발전이 엔지니어링 설계에 또 다른 대전환을 예고하고 있다고 밝혔다. AI 연구 기관 METR의 분석에 따르면 AI 모델의 과제 수행 능력은 기하급수적으로 성장하고 있으며, 현재 추세가 이어진다면 2030년에는 인간 기준으로 한 달이 걸리는 작업도 AI가 단독으로 처리할 수 있을 것으로 전망된다.
매스웍스는 생성형 AI가 엔지니어링 업무에서 코드 동작에 대한 설명과 조언, 코드 생성 및 개선, 동작 검증과 자동화라는 세 영역에서 실질적인 도움을 줄 수 있다고 설명했다.
매스웍스는 이러한 흐름에 대응해 자사 제품에 생성형 AI를 내재화하고 있다. R2025a 버전에서는 매트랩 코파일럿(MATLAB Copilot)을 출시했으며, R2026a 버전에서는 시뮬링크 코파일럿(Simulink Copilot)과 폴리스페이스 코파일럿(Polyspace Copilot)을 추가로 선보였다.
매트랩 코파일럿은 복잡한 코드의 동작 원리를 자연어로 설명하고, 소프트웨어 테스트 코드를 자동으로 생성하는 등 일상적인 코딩 업무를 효과적으로 지원한다. 시뮬링크 코파일럿은 모델 기반 설계에 생성형 AI의 생산성을 결합해 시뮬링크 모델의 이해와 개선 작업을 돕는 것을 목표로 한다. 프라부 이사는 생성형 AI가 구현의 세부 사항보다 더 높은 수준의 목표에 집중할 수 있는 여건을 엔지니어에게 제공한다는 점에서 의미가 크다고 평가했다.
엔지니어에게 주는 시사점
사미르 M. 프라부(Sameer M. Prabhu) 매스웍스(MathWorks) 인더스트리 부문 이사의 발표 모습
이날 키노트 발표에 나선 프라부 이사는 생성형 AI를 효과적으로 활용하기 위해서는 일정한 학습 곡선이 필요하다는 점도 함께 짚었다. 생성형 AI는 방대한 인터넷 정보를 학습해 즉각적인 결과물을 내놓고 단순 반복 작업에서 뛰어난 성과를 발휘하지만, 복잡한 전문 영역에서는 과신에 따른 오류를 범할 수 있다. 마치 새로운 동료와 협업하는 방식을 익혀가듯, 엔지니어들이 생성형 AI의 특성과 한계를 이해하며 활용법을 터득해가는 과정이 필요하다는 설명이다.
또한 그는 엔지니어링 설계의 근본 원칙은 변하지 않는다고 강조했다. 실제 문제를 해결하는 제품을 설계하고, 그 문제를 정의하며 솔루션을 검증하는 일은 앞으로도 인간의 역할로 남을 것이라는 것이다. 다만 AI가 설계 루프 안에서 점점 더 많은 부분을 담당하게 되는 만큼, 미래 엔지니어의 핵심 역량은 목표 지향적 사고와 설계 루프 자체를 설계하는 능력이 될 것이라고 전망했다.
참고로 아래는 대표적인 활용 사례이다.
코카콜라(Coca-Cola)
코카콜라의 프리스타일(Freestyle) 음료 자판기 제어 시스템은 수압 데이터를 핵심 입력값으로 활용한다. 고가의 물리적 수압 센서를 대신해, 엔지니어들은 MATLAB을 활용해 이미 측정 중이던 전류 피드백 신호로 수압을 예측하는 AI 모델을 개발했다. 해당 모델은 실제 수압 대비 오차 ±10 psi 이내의 정확도를 보였다.
이후 매트랩에서 학습한 AI 모델과 특징 추출 코드를 시뮬링크로 가져와 암 코텍스-M(ARM Cortex-M) 프로세서 탑재 제어 모듈용 C 코드를 자동 생성해 배포했다. 고가의 하드웨어 교체 없이 소프트웨어 업데이트만으로 목표를 달성한 이 사례는 AI 기반 엣지 배포의 실용적 가능성을 보여준다.
TWT
자동차 부품 기업 TWT의 엔지니어들은 차량 서스펜션 설계 파라미터를 최적화하기 위해 물리 기반 시뮬레이션 모델을 활용했다. 수천 번의 시뮬레이션을 반복하는 최적화 루프를 가동했으나, 정밀 모델 기반 연산에 무려 16일이 소요되는 한계가 있었다.
이를 극복하기 위해 실험 계획법(Design of Experiments)으로 데이터를 수집한 뒤, 딥 신경망 기반 AI 축소 차수 모델(Reduced-Order Model)을 학습시켰다. 이 AI 모델을 최적화 루프에 적용한 결과, 기존 16일이 걸리던 작업을 단 5분 만에 처리할 수 있게 됐다.
막스 플랑크 연구소(Max Planck Institute)
막스 플랑크 연구소의 과학자들은 레이저와 거울 시스템을 이용해 블랙홀 충돌과 같은 천문학적 현상에서 발생하는 중력파를 검출하는 장치를 운영하고 있다. 수많은 거울의 각도를 정밀하게 조정하는 작업은 전통적으로 숙련된 엔지니어가 직접 수행해왔으나, 연구진은 강화학습(Reinforcement Learning)을 적용해 이를 자동화하는 AI 에이전트를 개발했다.
엔지니어가 시스템 모델과 보상 함수(Reward Function)를 정의하면 AI 에이전트가 설계 공간을 탐색하며 최적 솔루션을 스스로 도출하는 구조로, 인간과 AI 간의 역할 분담이 어떻게 이루어질 수 있는지를 보여주는 사례다.
댓글
0