샤오둥 타오(Xiaodong Tao) 박사는 쉰페이 헬스 케어(Xunfei Healthcare Technology Co., Ltd.) 회장 겸 최고경영자(CEO)로, 의료영상 연구개발에서 출발해 의료 특화 인공지능(AI) 분야로 활동 영역을 넓혀온 전문가다. 중국과학기술대학교에서 전자공학과 정보과학을 전공한 뒤 미국 존스홉킨스대학교에서 의료영상 분야 박사학위를 취득했으며, GE와 로열 필립스에서 의료영상 연구개발 조직을 이끌었다. 2017년 쉰페이 헬스케어에 합류한 이후에는 의료 특화 AI 기술과 서비스 생태계 구축을 주도하고 있다.

쉰페이 헬스케어는 2024년 12월 홍콩증권거래소 메인보드에 상장한 의료 AI 전문기업으로, 자체 개발한 의료 특화 대규모 언어모델(LLM)을 기반으로 AI 임상 어시스턴트, AI 헬스 어시스턴트, AI 의료 인프라를 핵심 사업으로 추진하고 있다. 현재 중국 31개 성급 행정구역과 828개 현·구, 7만7,000여 개의 1차 의료기관에 AI 서비스를 제공하고 있으며, 700곳 이상의 대형 공인병원에도 솔루션을 구축했다고 소개했다. 

 

한국관세신문은 ‘NEXT AI 2026 WONJU’ 현장에서 샤오둥 타오 대표를 만나 의료 AI가 임상 현장에 적용되는 과정과 신뢰성 확보, 개인정보 보호, 의료진과 AI의 역할 분담, 그리고 중국에서 축적한 의료 AI 경험을 한국에 적용하기 위한 현지화 전략에 대해 이야기를 나눴다.

 

의료 AI, 영상에서 임상 데이터 전체로

 

Q. 먼저 개인적인 경력에 대해 여쭙겠습니다. 의료영상 분야에서 박사학위를 취득하신 뒤 의료영상 연구개발을 이끌어 오셨고, 이후 의료용 대규모 언어모델 분야로까지 영역을 확장하셨습니다. 의료용 대규모 언어모델로 전환하게 된 계기와 당시 시장의 가능성을 어떻게 바라보셨는지 궁금합니다.

A. 저는 처음부터 의료 분야에서 경력을 시작했고, 줄곧 의료기기 관련 기업에서 일해 왔습니다. 그 과정에서 여러 업무를 수행하면서 임상 현장과도 비교적 밀접하게 연계해 왔습니다. 당시 제가 발견한 문제 중 하나는 영상 데이터가 매우 방대하지만, 그것은 전체 임상 데이터의 일부에 불과하다는 점이었습니다.

의료영상 분야에 특히 10~12년 전부터 많은 투자가 이루어진 이유 중 하나는 영상 데이터의 전자화와 표준화가 비교적 일찍 진행됐기 때문입니다. 이를 기반으로 인공지능을 학습시키면 상대적으로 통제하기가 용이했습니다. 2015년 전후로 ImageNet과 AlexNet 등 컴퓨터 비전 분야의 기술적 돌파구가 등장했고, 일반 이미지 인식에서 인간을 넘어서는 성과가 나오면서 의료영상 인공지능에도 큰 힘이 됐습니다.

하지만 당시에도 영상 데이터에는 한계가 있었습니다. 보다 완전한, 또는 이상적인 형태의 진료 과정과 질병의 발생·발전 과정에 대한 기록은 실제로 텍스트에 더 많이 담겨 있습니다. 영상 판독 보고서나 진료기록 등을 통해 최종적으로 환자의 의무기록에 축적되는 정보가 오히려 의료 과정 전체를 더 잘 보여주는 매개체라고 생각했습니다.

아이플라이텍은 20년 넘게 음성합성, 음성인식, 자연어 이해 등의 분야를 발전시켜 왔고, 이 분야에서 상당한 기술적 기반을 갖고 있었습니다. 2016년 쉰페이의료가 설립되면서 저도 합류했고, 임상 데이터를 기반으로 한 보조진단에 더욱 집중하게 됐습니다.

 

Q. 특히 의료 분야와 임상 현장에 대한 실질적인 경험을 갖고 계신 상태에서 AI 분야로 진입하셨다는 점이 일반적인 AI 기업이 의료 분야에 진출하는 방식과는 조금 다르다고 생각합니다. 이러한 경험이 쉰페이의료의 발전에도 상당한 도움이 되었을 것 같습니다.

A. 저 역시 엔지니어로 시작해 임상 현장을 이해해 가는 과정을 거쳤습니다. 경력 초기에는 의료 인공지능이라는 분야에 대해 생각이 많이 바뀌기도 했습니다. 또 하나 중요했던 것은 임상의들이 어떻게 생각하는지 이해하려고 노력했다는 점입니다. 기술이 실제 임상 과정에서 어떻게 활용될 수 있는지를 이해하는 것이 쉰페이의료의 전략을 형성하는 데 매우 중요한 요소였습니다.

 

시험 성적을 넘어 실제 진료 현장으로

 

Q. ‘AI 진료 보조 시스템’의 성과가 상당히 좋은 것으로 알고 있습니다. 의사 자격시험에서 96.3%의 응시자보다 높은 성적을 기록했는데요. 시험에서 높은 점수를 받는 것과 실제 진료 현장에서 활용되는 것 사이에는 어떤 차이가 있다고 보십니까?

A. 그 차이는 매우 큽니다. 2017년 8월 국가 의사자격시험에 참여했을 당시 기술적으로 시험 영역에서 인간 응시자의 96.3%를 넘어서는 성과를 기록했습니다. 이는 당시 AI의 지식 체계가 상당히 완전했고, 추론 능력에서도 충분한 가능성이 있었다는 것을 보여줍니다.

하지만 의사를 양성하는 과정과 마찬가지로, 의과대학에서 박사학위를 취득했다고 해서 바로 진료를 할 수 있는 것은 아닙니다. 인턴·레지던트 수련 등 일련의 과정이 필요합니다. 실제 업무에서 다양한 사례를 접하면서 의학적·이론적 지식을 임상에서 활용할 수 있는 추론 능력으로 전환해야 합니다.

저희도 이 과정에 많은 노력을 기울였습니다. 의사 양성과 다른 점은 이 과정에서 공학적·제품화 작업이 더 많이 필요하다는 것입니다. 하나는 의사의 업무 흐름과 어떻게 결합할 것인가이고, 다른 하나는 다양한 예외적 사례를 어떻게 처리할 것인가입니다. 환자가 교과서대로만 아픈 것은 아니기 때문입니다.

초기 PoC와 시범 단계에서는 많은 의사들이 함께 참여해 실제 진료 과정에서 필요한 부분을 찾아냈고, 이론에서 실제 적용으로 이어지는 과정을 계속 보완하면서 핵심 기술에 축적하고 제품으로 발전시켰습니다.

 

Q. 의사들이 자신의 구체적인 진료 과정이나 판단의 변화 등을 기록하고, 이를 텍스트화해서 제공하는 방식이라고 이해하면 될까요?

A. 그뿐만 아니라, 예를 들어 두 명의 의사가 같은 환자를 보더라도 서로 다른 의견을 가질 수 있습니다. AI와 의사가 협업하고, 특히 AI가 의사의 업무 흐름에 들어가는 과정에서 AI가 제시한 해결책과 의사의 경험적 판단이 서로 다른 경우가 있습니다. 이러한 차이를 기록하는 것이 중요합니다. 의사의 행동 데이터를 기록한 뒤, 더 높은 수준의 경험을 가진 의사가 이를 다시 검토하고, 그 과정에서 얻은 내용을 다시 모델과 도구에 반영합니다.

 

환각을 줄이는 핵심은 ‘기초의학’과 ‘임상의학’의 교차 검증

 

Q. 의료 AI에서는 환각(hallucination)의 가능성이나 실제 활용 과정에서 AI가 제시한 조언에 대한 불신과 수용성 문제가 많이 우려됩니다. 환각을 줄이고 신뢰도를 높이는 과정은 실제로 어떻게 이루어지고 있습니까?

A. 기존의 지식 그래프 기반 방식은 환각률이 낮습니다. 일정한 추론 과정을 거치기 때문입니다. 반면 생성형 모델, 특히 현재의 대규모 모델에서는 확률 모델이라는 특성상 환각을 완전히 제거하는 것은 사실상 어렵습니다.

저희가 해야 하는 일은 모델이 생성하는 각각의 문장이 얼마나 정확한지를 검증하는 것입니다. 이와 관련해 저희는 두 가지 사고 사슬을 활용합니다. 하나는 기초의학 사고 사슬입니다. 교과서와 전문서적 등을 기반으로 생리학, 병리학, 해부학 등 의학의 기초지식을 활용해 질병의 발생과 발전 과정을 설명합니다. 이는 개인 환자를 직접 판단하기보다는 탄탄한 의학적 기초지식을 제공하는 역할을 합니다.

다른 하나는 임상의학 사고 사슬입니다. 임상 가이드라인과 대표적인 사례를 기반으로 의사의 임상적 사고방식을 반영합니다. 환자의 초기 증상과 검사·검진 결과를 바탕으로 다음 단계에서 어떤 정보를 추가로 수집해야 하는지, 그리고 이를 어떻게 판단에 활용할 것인지를 지원합니다. 질병 진단이나 치료 권고, 임상 문서 검토 등의 결과를 이러한 두 가지 사고 사슬을 통해 상호 검증함으로써 환각을 낮추는 것이 저희가 추구하는 방식입니다.

 

Q. 결국 임상적 사고의 결과도 기초의학 이론에 기반해야 하고, 그 기본적인 내용에서 벗어나서는 안 된다는 말씀이군요.

A. 맞습니다. 저희에게는 다른 많은 생성형 모델과 구별되는 중요한 관점이 있습니다. 저희는 생성형 모델에 완전히 의존하지 않습니다. 약 10여 년 전에는 빅데이터가 많이 논의됐고, 특히 범용 컴퓨터 비전 분야에서는 방대한 원시 데이터를 매우 복잡한 신경망에 입력해 스스로 추론 규칙을 찾아내도록 하는 방식에서 많은 성공 사례가 나왔습니다. 하지만 의료 분야에는 수백 년에 걸쳐 축적된 현대의학의 지식, 즉 생리학·병리학·분자생물학 등 비교적 확립된 지식 체계가 있습니다. 이러한 지식을 충분히 활용해야 합니다.

 

 

AI의 책임은 어디까지인가

 

Q. 의사가 AI가 추천한 진단 결과를 활용하고 그 판단을 채택했는데, 이후 환자에게 부정적인 영향이나 결과가 발생한다면 책임 소재는 어떻게 평가할 수 있을까요?

A. 현재 가장 어려운 문제 중 하나가 바로 책임 소재입니다. 엄밀히 말하면 인공지능은 여전히 의사를 보조하는 도구이고, 최종적인 의사결정은 의사가 내립니다. 의사는 자신의 자격과 의과대학 교육 및 임상 훈련을 통해 일정한 책임과 판단 능력을 갖추고 있으며, AI 도구는 더 많은 정보를 제공해 의사의 의사결정을 지원하는 역할을 합니다.

현재의 법·규제 체계에서는 최종적인 결정은 의사가 내리는 구조입니다. 그렇다고 해서 기술이 책임에서 완전히 자유롭다는 의미는 아닙니다. 기술적으로 지식 체계가 충분한지 검증할 수 있어야 하고, 출력되는 내용의 신뢰성도 확보해야 합니다.

자율주행과 비슷한 측면이 있습니다. 자율주행 시스템이 사람보다 신뢰성이 높더라도 사고가 발생하면 일반 운전자의 일상적인 교통사고보다 훨씬 큰 사회적 관심을 받습니다. 마찬가지로 의사와 AI의 결합이 임상 현장에서 점점 더 긴밀해지고, 실제 과정에서 충분히 검증되면 사회적 수용도 역시 높아질 것이라고 생각합니다.

 

개인정보 보호와 데이터 품질, 두 가지를 함께 봐야

 

Q. 환자 정보와 데이터의 개인정보 보호 문제도 중요합니다. 실제 환자 데이터와 임상 데이터를 활용하면서 환자의 개인정보와 데이터 품질을 어떻게 함께 확보할 수 있을까요?

A. 우선 개인정보 보호와 데이터 보호 자체가 반드시 지켜야 하는 선입니다. 이것이 가장 기본적인 요구사항입니다.

실제 환자 데이터를 활용하는 측면에서는 한편으로 업계에서 인정되는 실제 세계 연구에 참여하면서 AI 학습에 활용할 수 있는 일부 데이터를 확보할 수 있습니다. 또 병원과 협력할 때는 AI 학습에 모든 데이터가 필요한 것이 아니라 대표적인 데이터가 더 중요할 수 있습니다. 따라서 병원과 데이터 관련 협의를 거쳐 일부 비식별화된 데이터를 AI 학습에 활용할 수 있습니다.

이 경우 데이터는 병원 내부에 유지되고, 학습 전에 엄격한 비식별화 처리를 진행합니다. 학습 이후에는 모델 파라미터의 업데이트 과정에서 개별 환자의 정보를 식별하기 어려운 형태로 반영되며, 궁극적으로는 하나의 지식으로 축적됩니다.

 

Q. 그러니까 증상이나 징후와 같은 필요한 내용은 남기고 개인정보는 비식별화하는 방식이군요. 그리고 어떤 데이터는 학습에 활용할 수 있고, 어떤 데이터는 병원 내부에만 보관하는 식으로 구분하는 체계도 필요하겠네요.

A. 또 하나는 환자를 대상으로 일부 서비스를 제공하는 경우입니다. 이러한 서비스를 제공하려면 필요한 정보시스템에서 일정한 정보를 확인해야 합니다. 이 부분은 환자의 동의와 관련된 절차를 통해 이루어집니다.

 

AI는 의료진의 업무를 어디까지 바꿀 것인가

 

Q. 의료 AI 분야에서 가장 큰 성과는 무엇이라고 생각하시며, 현재 의료 AI 기술이 실제 의료 현장에 적용되는 과정에서 가장 큰 한계는 무엇이라고 보십니까?

A. 제가 생각하기에 가장 해결해야 할 문제는 기술과 사람 사이의 경계를 어떻게 설정할 것인가 하는 문제입니다.

예를 들어 저희 제품 중에는 의사와 환자의 대화를 음성으로 인식하고 AI 기술과 모델을 활용해 의무기록 초안을 생성하는 제품이 있습니다. 이를 통해 의사의 일상적인 문서 작성 업무를 크게 줄일 수 있습니다. 실제로 많이 사용하는 의사들의 경우 하루에 두 시간 이상을 절약할 수 있습니다. 의사가 환자와 대화하면서 동시에 키보드를 입력해야 하는 업무 흐름을 줄이고, 환자와의 소통과 자신의 임상적 사고에 더 집중할 수 있게 되는 것입니다.

다만 많은 숙련된 의사들은 우려를 가지고 있습니다. 병력과 진료기록을 작성하는 과정 자체가 의사의 임상적 사고를 훈련하는 과정이라고 생각하기 때문입니다. 그래서 저희는 먼저 임상적 사고의 핵심이 무엇인지 정의해야 한다고 생각합니다. 기록을 작성하는 모든 과정이 임상적 사고인 것은 아닙니다. 그 과정에는 질병의 발생과 발전 과정을 떠올리고 생리학·병리학적 관점에서 생각하는 부분도 있습니다. 이러한 부분은 의사가 질병에 대한 이해를 강화하는 과정입니다.

하지만 하루에 수천 자에 달하는 진료기록을 작성한다고 해서 그 전체가 임상적 사고를 의미하는 것은 아닙니다. 실제 임상적 사고를 대표하는 부분은 일부일 수 있습니다. 따라서 임상 현장에서는 의사에게 면허가 필요한 핵심 능력이 무엇인지, 그리고 어떤 업무는 기술로 대체할 수 있는지를 구분해야 합니다. 앞으로 상당히 긴 기간 동안 기술, 의사, 규제기관이 함께 이러한 경계를 정의해 나가야 한다고 생각합니다.

 

Q. 일부 능력이 AI로 직접 대체된다면 의사의 역할과 위치에도 변화가 생길 수 있겠네요.

A. 일부 업무는 충분히 AI로 대체될 수 있습니다. 하지만 사람과의 상호작용 과정에서 필요한 부분 중에는 계산기와 같은 기술로 대체하기 어려운 것들이 상당히 많습니다.

 

Q. 환자 입장에서는 결국 전문가와 직접 대면하고 소통하는 과정이 필요하다는 점에서도 차이가 있겠네요.

A. 간단한 예를 들면, 제가 어떤 질병에 걸렸는데 심각하지는 않더라도 증상이 불편하고 불안할 수 있습니다. 일반적인 의사가 ‘괜찮습니다’라고 말하면 여전히 의심할 수 있지만, 매우 경험이 많은 전문의가 같은 말을 한다면 그 말이 환자에게 갖는 무게는 다를 수 있습니다.

 

의료서비스 표준화와 개인 맞춤형 건강관리

 

Q. 의료 대규모 언어모델이 앞으로 병원과 도시의 의료체계를 어떻게 변화시킬 것으로 예상하십니까?

A. 대규모 언어모델은 일종의 사고방식과 같은 역할을 할 수 있습니다. 사람마다 사고방식에는 차이가 있지만, 대규모 모델은 각각의 상황과 응용 장면에 맞춰 기본적인 의학 지식을 결합하고 추론할 수 있습니다.

이를 통해 의료서비스의 표준화를 상당한 수준으로 지원할 수 있습니다. 예를 들어 기층 의료기관에서 고혈압을 관리하는 경우와 심혈관 전문병원에서 전문의가 고혈압 환자를 관리하는 경우를 생각해 볼 수 있습니다. 대규모 모델의 관점에서는 일정한 수준의 지식과 지원을 제공할 수 있습니다. 최종적으로는 기술이 의사를 지원하고, 사람과 사람 사이의 깊이 있는 상호작용을 통해 최적의 의료서비스가 이루어지는 것입니다.

또 하나 중요한 부분은 AI와 의료진, 환자 사이의 상호작용 과정에서 기존 의료체계가 충분히 수집하지 못했던 건강 관련 데이터를 확보할 수 있다는 점입니다. 영상 데이터는 비교적 일찍 전자화되고 표준화됐고, 병원 내부의 전자의무기록도 일정한 규범을 갖추고 있습니다. 그 밖의 다양한 생활·건강 관련 데이터까지 AI를 통해 병원 안팎에서 연결하면 개인의 완전하고 동적인 건강관리 계획을 구성할 수 있습니다.

이는 개인 맞춤형 건강관리에 매우 중요합니다. 앞으로 지역 내 개인의 완전하고 동적인 건강정보가 축적되면 지역 전체 인구의 건강 상태를 파악할 수 있고, 보건의료 관리 부문에서는 의료자원을 어떻게 배치하고 향후 의료체계를 어떻게 계획할 것인지 판단하는 데 활용할 수 있습니다.

 

Q. 대형병원부터 소규모 의원, 개인에 이르기까지 수집되는 데이터의 종류와 방식이 다를 텐데요. 이러한 데이터를 어떻게 통합하고 표준화하고 있습니까?

A. 중국 내에서는 국가 및 현 단위의 통계정보센터, 그리고 각 성의 통계정보센터 등과 함께 지역 단위의 전 국민 건강정보 플랫폼을 구축하고 있습니다. 관련 부서와 데이터 표준도 마련하고 있습니다. 이러한 과정에서는 의료서비스를 제공한다는 목적과 국가 차원의 의료정보 통합 수준을 충분히 고려하고 있습니다.

 

 

한국형 의료 AI로 현지화…현지 기업과의 협력은 반드시 필요

 

Q. 한국에서 쉰페이의료는 어떤 역할을 할 수 있으며, 중국에서 구축한 의료 AI 기반을 한국에 적용하려면 어떤 과정이 필요하다고 보십니까?

A. 의료 측면에서 먼저 기초의학을 보면, 인간의 생리와 병리 등에 관한 기본적인 이해는 인종을 넘어 상당 부분 공통적입니다. 물론 지역과 인종에 따른 유전적 차이로 특정 질환의 양상이 달라질 수 있습니다. 하지만 기초의학의 관점에서는 상당수의 정보가 국가와 지역을 넘어 적용될 수 있습니다.

반면 각 지역의 의료 규정과 의료 프로세스는 현지 의료진과 함께 맞춰 나가야 합니다. 또한 국가와 지역마다 의료체계가 직면한 과제도 다릅니다. 어떤 지역은 기층 의료가 상대적으로 취약할 수 있고, 의료자원이 풍부한 선진국에서는 의료서비스와 건강관리에 대한 수요가 더 클 수 있습니다. 이런 상황에서는 전체 의료체계의 효율성을 어떻게 높일 것인지가 중요합니다.

또 하나는 전 세계적으로 많은 선진국이 직면하고 있는 인구 고령화 문제입니다. 노화와 관련된 질환을 어떻게 관리하고 예방할 것인지 역시 국가와 지역마다 다른 과제입니다.

 

Q. 현재 쉰페이의료는 한국에서 어떤 관련 사업이나 추진 계획을 가지고 있습니까?

A. 저희는 올해 상반기에 처음으로 아이스테이징아시아를 만나 한국의 AI 전략에 대해서도 이해하게 됐습니다. 또 원주는 AI 분야에서 중요한 거점 중 하나로 발전하고 있는 지역이라고 생각합니다.

A. 저희는 앞으로 중국에서 비교적 성공적으로 추진해 온 방법과 경험을 한국, 그리고 원주를 포함한 지역에서 함께 검토하고 싶습니다. 각 국가와 지역마다 새로운 과제가 있기 때문에, 이러한 과정에서 인간의 건강과 의료를 지원하는 모델 가운데 어떤 부분을 한국의 임상 모델에 적용할 수 있을지 함께 논의해 나가고자 합니다.

 

Q. 관련 기술을 한국에 도입한다면 기존 의료 대모델을 그대로 이전하는 방식과, 한국의 영상 AI 기업·의료기기 기업·언어모델 기업 등과 함께 현지화된 솔루션을 공동 개발하는 방식 중 어느 쪽을 더 선호하십니까?

A. 저희 의료 대모델은 중국 내에서 이미 상당한 규모로 활용되고 있으며, 그 과정에서 많은 성공 경험을 축적했습니다. 한국에 적용한다면 이러한 경험이 중요한 기반이 될 것입니다.

하지만 현지 기업과의 협력은 반드시 필요합니다. 향후 한국에 진출한다면 저희는 한국 AI 의료 생태계의 한 부분으로 참여하고, 저희가 가진 강점과 기술을 제공하면서 현지 기업들과 함께 한국 시장에 맞는 방향을 만들어 가야 한다고 생각합니다.

 

원주, AI·의료 생태계의 가능성

Q. 마지막으로 원주에 대해 여쭙겠습니다. 이번에 원주를 방문하셨고, 이전에도 원주와 관련된 논의가 있었던 것으로 알고 있습니다. 원주에서 어떤 가능성을 보셨습니까? 만약 원주가 글로벌 AI 혁신도시 또는 AI 의료도시로 성장한다면 어떤 준비가 필요하다고 생각하십니까?

A. 원주에 대해 구체적인 조언을 드리기는 어렵고, 제가 느낀 점을 말씀드리겠습니다.

제가 이해한 바로는 원주 역시 한국의 전체적인 AI 전략과 연결되어 있고, 한국의 국가적 전략 속에서 하나의 역할을 담당하고 있다고 생각합니다. 또 국가 전략이라는 관점에서 보면 한국 전체의 의료 수요와 미래에 대한 전망을 함께 고려할 수 있다는 점이 중요한 출발점이라고 생각합니다.

두 번째로 한국의 국가 전략 안에서 각 도시가 서로 다른 분야에서 각자의 역할을 갖고 있는데, 원주는 AI와 의료라는 분야에 집중하고 있습니다. 이는 저희가 한국의 AI 의료 생태계에 참여하는 데에도 중요한 요소라고 생각합니다.

또 원주는 좋은 기반을 갖고 있습니다. 의료기기 기업이 약 200개 이상 있는 것으로 알고 있고, 관련 산업 기반도 상당히 갖춰져 있습니다. 한국은 반도체와 AI 등 상류 산업에서도 강한 기반을 갖추고 있기 때문에 앞으로 AI 기술과 AI 응용 분야의 발전을 뒷받침할 수 있는 여건도 있다고 생각합니다.

 

샤오둥 타오 대표는 의료 AI의 발전 방향과 관련해 기술 자체의 성능뿐 아니라 실제 의료현장에서의 활용 방식과 책임, 규제, 데이터 보호, 의료진과의 역할 분담을 함께 고려해야 한다고 설명했다. 특히 중국에서 축적한 의료 AI 경험을 한국에 적용하는 과정에서도 기존 모델을 단순히 이식하기보다 현지 의료진과 기업, 제도에 맞춘 협력이 필요하다는 점을 강조했다.

 

‘NEXT AI 2026 WONJU 글로벌 AI 포럼’에 참석한 국내외 AI·반도체·의료·로봇 분야의 전문가들은 AI 경쟁력이 기술 자체가 아니라 인재와 데이터, 컴퓨팅 인프라, 현장 실증, 산업 생태계를 얼마나 유기적으로 연결하느냐에 달려 있다고 입을 모았다. 본지는 슈퍼마이크로, 자이스, 에이서메디컬, 키스다, 쉰페이헬스케어, 어드밴텍 등 글로벌 기업 및 기관 관계자들과의 인터뷰를 통해 Medical AI와 Physical AI의 발전 방향, 의료·제조 현장의 변화, 한국과 원주의 역할, 글로벌 협력 가능성을 살펴봤다. 이들은 원주가 의료기기 산업과 병원·대학, 공공 의료기관, AI 인프라를 연결해 교육부터 기술검증, 현장 실증, 사업화까지 이어지는 글로벌 테스트베드로 성장할 잠재력이 있다고 평가했다.

 

※ 기사 제공 : 아이스테이징아시아