01 Research Theme
Physical AI에 최적화된 sLLM 엔진 개발
Physical AI가 현장에서 동작하려면 범용 모델이 아닌, 성능과 사이징, 가성비를 모두 고려한 특화형 AI 엔진이 필요합니다.
sLLM 엔진
Physical AI Brain
도메인 특화 데이터
Fine-tuning + RAG
sLLM 추론 엔진
Problem
범용 AI만으로는 Physical AI의 핵심 두뇌 역할을 수행하기 어렵습니다.
Physical AI는 실제 환경의 제약을 고려해 빠르고 정확하게 판단해야 합니다. 단순히 큰 모델을 사용하는 것이 아니라, 현장 목적에 맞는 성능, 사이징, 비용 효율을 동시에 만족시키는 AI S/W 엔진이 필요합니다.
Solution
파운데이션 모델 기반 파인튜닝과 RAG로 도메인 특화 sLLM을 개발합니다.
최적의 파운데이션 모델을 기반으로 sLLM을 파인튜닝하고, 검색증강기술 RAG를 결합해 특정 Physical AI 목적에 맞는 데이터 해석 능력을 강화합니다. 이를 통해 특정 목적에 맞는 핵심 두뇌 역할의 AI 엔진을 구현합니다.
Expected현장 탑재형 경량 모델 구조와 빠른 응답 성능 확보
Method도메인 데이터셋 정제, 파인튜닝, RAG 결합형 지식 추론
02 Research Theme
반복 학습과 검증을 위한 Digital Twin 기반 연구 환경
현실에서 모든 시나리오를 반복 검증하는 것은 비용이 크고 위험도가 높습니다. Physical AI에는 가상 환경 기반의 학습 루프가 필요합니다.
Digital Twin 연구환경
Simulation Loop
현실 데이터 수집
시뮬레이션 반복 학습
안전성 검증 & 배포
Problem
실환경 중심 개발만으로는 다양한 상황을 빠르게 축적하고 검증하기 어렵습니다.
Physical AI는 센서 오차, 환경 변화, 예외 상황까지 고려해야 합니다. 하지만 실제 현장만으로 학습을 반복하면 비용과 시간이 크게 증가하고, 위험 시나리오를 충분히 실험하기도 어렵습니다.
Solution
Digital Twin 기반 시뮬레이션과 합성 데이터로 학습 루프를 고도화합니다.
현장 데이터를 반영한 가상 환경을 구축하고, 다양한 시나리오를 반복 생성해 모델을 학습합니다. 이를 통해 부족한 데이터를 보강하고, 실제 배포 전 알고리즘의 성능과 안전성을 체계적으로 검증할 수 있습니다.
Expected실환경 의존도를 낮추면서 검증 가능한 학습 반복 구조 확보
Method시나리오 생성, 합성 데이터 보강, 배포 전 안정성 검증 체계 수립
03 Research Theme
추론과 실행을 연결하는 AI Agent S/W 기술
목적 이해, 추론, 학습, 실행을 반복적으로 수행하는 구조가 있어야 Physical AI가 실제 장비와 로봇을 제어할 수 있습니다.
추론·의사결정 AI Agent
Actuation Loop
센서·디바이스 데이터 수집
sLLM + RAG 추론
제어·실행 명령 출력
Problem
Physical AI는 이해, 추론, 학습, 실행의 단계를 반복 수행하는 소프트웨어가 필요합니다.
실제 현장에서는 단일 판단만으로 충분하지 않습니다. 센서 입력을 읽고, 상황을 해석하고, 목표에 맞는 제어 명령을 선택하고, 실행 결과를 다시 학습하는 연속적인 프로세스를 원활하게 수행할 수 있어야 합니다.
Solution
자체 개발 AI Agent와 sLLM, RAG를 결합해 제어·실행형 S/W를 구현합니다.
센서·디바이스·로봇 데이터를 분석하고, sLLM과 RAG를 이용해 추론을 수행한 뒤, Physical AI에 제어와 실행을 명령하는 AI Agent S/W를 개발합니다. 공통 기술을 기반으로 하되 분야별 특성에 맞는 커스텀 모듈 설계를 통해 확장성 있는 솔루션을 제공합니다.
Expected목적 기반 판단과 행동이 연결된 실행형 Physical AI 소프트웨어 확보
Method데이터 수집, 추론 엔진, 제어 모듈, 학습 피드백 루프의 통합 설계