Q1. 최근 Physical AI와 Robot Boom의 의미는 무엇인가?
AI 기술의 진화
: 합성 데이터 기반 학습 등 생성형 AI 기술을 분기점으로 촉발된 새로운 AI 패러다임
AI 발전이 로봇의 열풍을 이끌고 있다. 이전에는 AI가 텍스트를 기반으로 많은 변화를 이뤄냈다면, 이제 비전, 이미지 모델, 액션 모델 등 멀티모델 합성데이터를 학습하기 시작했다. 이를 기반으로 생성형 AI를 활용해 새로운 AI 패러다임을 만들어내고 있다.
로봇의 사용성
: 멀티 모달리티 등 로봇들이 단순 반복업무 외 예외적인 상황에 대처가 가능해지고 사용성 상승
이전의 로봇은 단순하고 반복적인 행동을 했다면, 새로 나오는 로봇은 다양한 상황에 대해 스스로 인지 및 판단한 후에 그에 맞춰서 행동할 수 있다. 이에 점차 사용성이 늘어날 것으로 예상한다. 현재, 로봇을 도입하지 못하는 이유 중 하나는 로봇이 한 가지 일만하고 있으면 ROI가 나오기 어렵다는 것이다. 앞으로 로봇이 다양한 일을 할 수 있게 된다면 ROI에 대한 고민도 줄어들 것이다.
일하는 방식의 변화
: 지식 노동은 소프트웨어로 빠르게 대체되고 있지만, 육체 노동은 여전히 하드웨어가 필요
지금까지 수많은 디지털 기술이 발전하면서 엄청난 변혁을 이뤄냈다. 하지만 육체노동에 대한 건 큰 변화가 없었다. 세상의 수많은 육체노동 문제들을 풀어내기 위해 로봇 하드웨어와 AI라는 소프트웨어가 함께 발전해야 한다.
Q2. 기존 로봇과는 무엇이 달라지는가?
Traditional Robot
: 정해진 절차에 따라 반복적으로 동작하는 기계
전통 로봇은 주로 큰 힘을 내고 빠르게 움직이는 일들을 처리한다. 이 로봇의 특징은 주변에 사람이 없다는 것이다. 프로그래밍 규칙 기반으로 동작하기 때문에, 예상치 못한 상황에 대응이 불가하고, 오류가 발생할 수 있다. 이에 용접, 조립, 물류 운송 등의 반복 작업을 수행하며, 로봇 팔, 수술 로봇, AGV(무인운반차) 등에 해당한다.
AI-based Robot
: 인간처럼 유연하고 자율적으로 사고하고 행동하는 기계
AI 학습 기반으로 스스로 추론, 행동하여, 예상치 못한 상황에 대응 및 적응할 수 있다. 또한 불량 검출, 가사 보조, 자율 주행 등의 기존에 하지 못하던 복합적인 업무도 수행할 수 있다. 휴머노이드, 드론, 자율주행차 등의 로봇이 이에 해당한다.
"그동안 로봇의 하드웨어 자체가 크게 발전한 것은 아니다. 눈에 띄게 발전한 것은 로봇에 탑재되는 ‘지능’이다. 다만, 하드웨어에 큰 변화가 없는데, AI가 들어간다고 해서 기존의 하드웨어가 못하던 작업까지 할 수 있을 것인가 하는 질문은 여전히 남아있다. AI를 처음 적용했을 때 받았던 느낌 떠올려보자. 챗봇 기술은 오래전부터 존재해왔다. 자동으로 응답오는 기술이다. 하지만 과거 몇 년 전의 챗봇과 현재의 챗봇은 확연히 달라졌다. 과거 챗봇은 Rule-based이기 때문에, 물어볼 수 있는 질문과 답변이 정해져 있었다. 가령, 은행 앱 챗봇에게 질문하면 “이건 답변할 수 없습니다”라고 답변 받은 경험이 많았다. 반면 지금의 챗봇은 생성형 AI 기반으로 훨씬 더 유연하게 대응할 수 있다.
로봇도 마찬가지다. 겉모습은 예전 로봇과 비슷해 보일 수도 있지만, 이제는 훨씬 더 유연하고 자율적으로 사고할 수 있게 되었다. 이러한 점이 기존 로봇과 AI 기반 로봇의 큰 차이라고 할 수 있다."
- KEARNEY 디지털 부문 최인철 파트너
Q3. 미국/중국/한국 로봇 산업의 경쟁력은 어떠한가?
미국
소프트웨어 분야에서 강점을 보유하고 있으며, 투자규모 또한 매우 크다. AI 로봇 스타트업, 피지컬 인텔리전스(Physical Intelligence)는 작년 한 해 동안 약 6,000억 투자를 유치했다. 이는 한국에서는 보기 어려운 수준이다. 또 다른 기업, 피규어(Figure)도 약 1조 5천억 원 규모의 투자를 받았다. 이처럼 한국과 비교될 수 없을 정도로 막대한 투자가 이뤄지고 있고, 이는 풍부한 자본과 인재 풀 덕분에 가능한 것이다. 미국은 전 세계 인재를 유치하고, 여기에 자본이 더해지면서 휴머노이드 로봇 분야의 발전이 급속도로 이뤄지고 있다. 과거 2014~2015년 이전까지만 해도 미국은 로봇 분야에서 상대적으로 뒤처져 있었지만, 달파 로봇 챌린지(DARPA Robotics Challenge)라는 휴머노이드 로봇 대회를 계기로 생태계를 만들기 시작했고, 이후 대규모 자본이 투입되면서 현재의 큰 변화가 일어난 것으로 볼 수 있다.
중국
중국 역시 정부 주도의 대규모 투자가 활발히 이뤄지고 있다. 현재 중국에는 이미 100여 개의 휴머노이드 로봇 기업이 존재한다. 이는 자율주행 기술이 처음 등장했을 때의 방식과 유사하다.
정부 주도로 다수의 기업을 만들어 경쟁하게 한 후, 일정 시간이 지나면 그중 일부 기업만을 남기고 나머지를 정리하는 구조를 취한다. 이 과정에서 정리된 인력들은 살아있는 주요 기업으로 다시 유입되면서, 산업 전반의 역량이 점점 강화된다.
중국의 큰 장점 중 하나는 ‘심천’이라는 제조 생태계를 보유하고 있다는 점이다. 이 생태계는 새로운 제품을 매우 빠르게 개발할 수 있는 인프라를 제공하고, 이를 바탕으로 중국은 하드웨어 중심으로 기술이 크게 발전하고 있다.
한국
한국은 제조업 강국이다. 인구 1만 명당 사용되는 로봇 수는 1,000대가 넘으며, 이는 전 세계 1위 수준이다. 그만큼 많은 로봇이 제조업에 활용되고 있다. 다만, 이러한 로봇 대부분은 휴머노이드 형태가 아닌 단순 작업용 로봇들이다. 우리나라는 휴머노이드 로봇을 활용해 기존에 자동화하기 어려웠던 영역을 자동화해야 하고, 이미 자동화하던 부분은 휴머노이드 로봇을 쓰지 않더라도 자동화를 지속하여 전체 제조업 경쟁력을 더욱 강화해야 한다.
"AI 분야로 떠올려보면, 딥시크(DeepSeek)가 등장했을 때 느꼈던 충격과 유사한 흐름이 로봇 산업에서도 전개되고 있다고 볼 수 있다. 중국에 현재 약 100개의 휴머노이드 로봇 제조업체가 있는데, 치열하게 경쟁시키고 투자해주다가, 일정 시점이 되면 정리 단계로 넘어가고, 결국 살아남은 소수의 기업들이 시장을 주도하는 구조로 전환될 가능성이 크다. AI 영역에서 딥시크와 같은 기업이 부상했듯, 유니티(Unity)와 같은 기업들도 두각을 나타내고 있다. 딥시크 말고도 AI 분야에 숨은 강자가 많듯, 로보틱스 산업 내 알려지지 않은 유력한 기업들이 다수 존재할 것이다.
휴머노이드 로봇 기업 가운데 OEM 중심 회사들을 주로 소개했는데, 그 이유가 있다. 유럽과 미국의 제조업, 특히 자동차 산업에서는 공정상 추구하는 트렌드가 있다. 하나의 라인에서 동일한 제품을 대량 생산하는 방식이 아니라, 고객의 수요와 사양에 맞춰 유연하게 조정하는 방식을 채택하고 있다. 특히 코로나19 기간을 포함하여 공급망 불안정성이 심화되면서, 과거처럼 재고를 쌓아두고 판매하는 모델이 아닌, 주문을 받은 후 생산하여 출고하는 형태가 일반화되고 있다. 이러한 방식은 재고 부담이 줄어들어 기업의 운영 자본(working capital) 측면에서는 긍정적이지만, 공장 내 오퍼레이션은 훨씬 더 복잡해지는 결과를 초래한다.
이러한 복잡성을 해결하기 위한 접근으로, 예를 들어 테슬라의 경우, 주문에 따라 생산 계획을 수립하고, AI를 활용해 생산 계획을 최적화하고 있다. 이 과정에서 중간 연결 지점에 휴머노이드 로봇을 도입하고 있다. 기존 생산 라인들은 일련의 공정이 일직선으로 이어지는 구조였고, 이는 속도와 효율성 측면에서는 유리했지만 구조적으로 경직되어 있어 유연하게 생산하기엔 어렵다는 단점이 있다. 그러나 실제 주문 자체가 유동적으로 이뤄지고, 이에 따라 생산 역시 유동적으로 운영돼야 하는 상황에서, 이러한 전환 지점마다 생겨나는 ‘빈 공간’을 어떻게 메울 것인지가 중요한 과제가 된다.
현재까지는 이 빈 공간을 사람이 직접 메워야 했고, 그 과정은 실수 없이 수행하기에 매우 어려운 일들이 많았다. 이 일을 휴머노이드 로봇이 대신할 수 있다면, 단순히 사람이 하던 일을 로봇이 대체한다기 보다는, 복잡한 상황을 보다 정확히 처리하고, 유연하게 대응할 수 있다는 점에서 의미가 있다. 이 특성 때문에 휴머노이드 로봇은 복잡성이 높은 자동차 산업과 잘 맞는 측면이 있다. 물론 이러한 로봇이 자동차 산업에서만 국한되어 적용되는 것은 아니지만, 현재로서는 여전히 단가가 높기 때문에, 어느정도 단가가 낮아지기 전까지는 ROI가 높은 활용 사례(Use case)를 만들 수 있는 분야에서 먼저 수요가 발생할 수밖에 없다."
- KEARNEY 디지털 부문 최인철 파트너
Q4. Physical AI를 둘러싼 생태계는 어떻게 변화할까?
생성형 AI 분야에서 파운데이션 모델이 나오면서 다양한 AI 기업들이 새로운 사업 기회를 만들어냈다. 그리고 대기업의 자본이 몰리며 관련 스타트업들도 급증했다. 로보틱스 분야도 이와 유사할 것으로 예상한다. 특히 AI 산업에서 엔비디아에서 만든 GPU 성능과, 이를 개발에 활용할 수 있게 한 CUDA가 중요한 역할을 했듯이, 로보틱스 분야에서도 유사한 개념의 파운데이션 모델과 데이터들이 축적되고 있다. 이는 결국 산업 성장을 견인하는 모멘텀의 초기 단계라고 볼 수 있다.
향후에는 디바이스 제조사, 소프트웨어 기업, 애플리케이션 개발사 등이 복합적으로 생태계를 구성하고, 이들 사이에서 치열한 경쟁이 벌어질 것으로 예상된다. GPT가 처음 등장했을 당시, 오픈AI 외에 뚜렷한 경쟁자가 없어 보였지만, 이후 구글의 제미나이(Gemini), 앤트로픽의 클로드(Claude), 퍼플렉시티(Perplexity), 딥시크(DeepSeek) 등 다양한 기업들이 시장에 진입하며 경쟁 구도가 형성됐다. 이와 유사하게 로보틱스 분야 역시 경쟁이 심화되고, 자본이 집중되며 산업이 폭발적으로 성장할 수 있는 단계에 진입하고 있다.
"아이폰 출시를 계기로 앱 생태계가 형성되었듯이, 로봇에서의 생태계는 무엇일까? 현재 엔비디아는 로보틱스 생태계를 주도해 나가고 있으며, 오픈소스 생태계를 기반으로 특정 애플리케이션에 특화된 로봇들이 등장할 가능성도 있다. 가령 학술형 연구에 특화된 AI모델이 등장하고 있는 것처럼, 로보틱스 역시 유사한 방식으로 발전해 나갈 것으로 예상한다. 이러한 흐름은 궁극적으로 로봇 생태계의 점진적 확대를 이끌 것으로 보인다."
- 서울대학교 기계공학부 조규진 교수
Q5. Robotics 시대의 도래 시점은 언제인가? 현재는 어떤 단계인가?
대부분의 학자들은 로보틱스 시대의 도래 시점에 대해 ‘아직 멀었다’, ‘10년 이상 소요될 것이다’라고 예상한다. 이는 완전한 형태의 휴머노이드 로봇을 전제로 한 예측으로 보인다. 다만, 그 이전에 다양한 형태의 로봇들이 실제 현장에 투입되어 사용되기 시작할 것이고, 초기에는 ROI가 명확하지 않더라도 도입이 이뤄질 가능성이 높다. 예를 들어, 아마존이 10년 이상 적자를 감수한 끝에 흑자로 전환된 것처럼, 현재 휴머노이드 로봇 분야에서 아마존, 쿠팡, 알리바바에 해당하는 기업들이 동시에 등장하고 있는 상황이다. 미국, 중국 등 주요 국가들이 동시에 기술 개발과 투자를 가속화하고 있어 예상보다 빠르게 기술적 진보가 이뤄질 가능성도 존재한다.
물론 모든 산업 현장을 다 알 수는 없기 때문에 정확한 도래 시점을 단정짓기는 어렵다. 현재로서는 로봇 하드웨어의 한계(예. 모터가 구현할 수 있는 속도나 힘의 제약)가 여전히 존재한다. 그럼에도 불구하고 얼마나 많은 로봇이 시장에 투입될 수 있는가에 따라 로보틱스의 도래시점을 달라질 수 있다. 하드웨어 기술의 여러 제약과 신뢰성을 고려할 때, 결코 가까운 미래는 아닐 것이다. 모든 업무를 완벽하게 수행하는 휴머노이드 로봇이 등장하기는 어려울 것이다.
"AI와 유사하다고 느끼는 지점들이 있다. AI 역시 초기에는 모든 문제를 해결해줄 것처럼 인식되었으나, 실제로는 모든 일을 전적으로 맡길 수 없다. 그럼에도 불구하고 AI가 특정 영역에서 효과적으로 문제를 해결할 수 있는 활용 사례들은 분명히 존재하고, 이를 지혜롭게 활용하며 그 안에서 기회를 발굴해내는 기업 및 개인은 성과를 거둘 수 있다.
로보틱스 분야도 마찬가지다. 로봇의 활용은 주로 하드웨어보다는 소프트웨어의 한계로 인해 제약을 받아왔지만, 최근 이 한계가 해소되면서 그동안 축적되어 온 하드웨어 기술의 진보가 한꺼번에 드러나는 상황이다. 그럼에도 여전히 하드웨어가 모든 것을 해결할 수 있는 수준에 도달한 것은 아니다. 마치 완벽하지 않은 AI가 할 수 있는 유의미한 활용 사례를 찾아야 하는 것처럼, 완벽하지 않은 로보틱스 영역에서도 로봇이 할 수 있는 활용 사례를 찾고 지혜롭게 활용하는 방법을 공유하는 것이 중요한 시점이라 판단된다."
- KEARNEY 디지털 부문 최인철 파트너
"AI에서 ‘환각(Hallucination)’ 현상이 문제로 지적되지만, 이러한 오류가 발생하더라도 실제로 우리에게 미치는 피해는 크지 않은 경우가 많다. 그러나 로보틱스의 경우, 로봇이 오류를 일으켜 이상한 행동을 할 경우, 위험성과 피해는 훨씬 클 수 있다. 이러한 점에서 로보틱스는 AI보다 안전성, 신뢰성 등 더 높은 수준을 요구 한다. 가령, 자율주행 기술이 아직 완전한 자율주행에 도달하지 못한 것처럼, 로봇의 완전 자동화도 쉽지 않다. 자율주행 차량은 운전자가 함께 타니 기술 보완을 할 수 있지만, 로봇은 항상 사람이 곁에서 보조할 수 없기 때문에, 이를 고려한 설계가 이뤄져야 실제 환경에서 쓸 수 있는 로봇이 등장할 수 있을 것이다."
- 서울대학교 기계공학부 조규진 교수
Q6. 어떠한 형태의 로봇이 비즈니스 적용에 확대될 것인가?
Specialized Robot
현재 자동차 산업 등 특정 산업 현장에서의 문제를 해결하기 위한 특수화된 로봇이 우선적으로 적용되고 있다. 자동차 산업은 매우 큰 제조업 시장으로, 기존 산업용 로봇의 약 25%가 자동차 제조 공정에 투입되고 있으며, 과업의 다양성과 기업의 자본력을 고려할 때, 조립라인 등에서의 로봇 도입이 활발히 진행되고 있다.
주요 도입 영역은 높은 숙련도를 요하는 산업 현장 (예. 조선소 용접 로봇, 정밀 수술용 로봇 등)에 적용 가능성이 크다. 현재는 이러한 특수화된 로봇에서 점차 범용 휴머노이드 로봇으로 확대되는 시기라고 할 수 있다. Physical AI는 단순히 휴머노이드 로봇에만 적용되는 것이 아니라, 기존의 특수화된 로봇에도 적용되며 사용 범위를 넓히고 있다. 과거에는 사람이 세팅하고 매번 변경해야 했던 작업들이 Physical AI를 통해 자동화되고 있다.
Humanoid
휴머노이드는 다양한 업무에 대응 가능한 범용적 로봇으로, 물류 운송, 부품 분류, 인간 업무 보조와 같이 업무 복잡도가 높은 산업 현장에 도입될 가능성이 높다. 예를 들어, 기존 로봇이 2가지 작업만 수행했다면, 휴머노이드가 20가지 작업을 수행할 수 있을 정도로 기능이 확장될 경우, 실제 비즈니스 활용 사례가 많이 창출될 수 있다.
최근에는 피지컬 인텔리전스의 로봇이 건조기에서 빨래를 꺼내 들고 가서 개는 등 연속 동작을 수행하는 사례도 있었다. 이처럼 10개 이상의 태스크를 연속적으로 반복 수행해야 하는 환경에서 휴머노이드 로봇의 비즈니스 적용 가능성이 더욱 높아질 것이다.
"로봇은 일반적으로 Humanoid, Specialized Robot으로 분류되지만, 이 외에도 드론, 자율주행 포크리프트, VR/AR 기기 등 다양한 형태가 존재한다. AI 기반의 분석과 지원 기능을 통해 업무를 보조하는 모든 형태의 기기들이 로보틱스 범주에 포함될 수 있다. 특히, 명확하게 정의된 특정 태스크를 중심으로 기술을 정교하게 보완해가는 분야에서 새로운 기회가 발생할 가능성이 크다.
또한 과거 Specialized Robot을 범용적으로 적용하기에 한계를 보였던 두뇌 기능과 엔지니어링 측면의 제약을 극복하면서 휴머노이드 기술 발전도 활발해지고 있다. AI의 성능이 향상됨에 따라, 대규모 투자를 통해 개당 단가를 낮추고 선순환 구조를 형성할 수 있는 환경이 조성되고 있다. 이에 따라 이에 따라 빅테크 기업들이 막대한 자본력을 바탕으로 휴머노이드 개발에 대규모로 진입(볼륨 플레이)하고 있다.
이러한 흐름은 AI 시장과 유사하다. 빅테크 기업들이 범용 AI(AGI)를 지향하며 LLM(대규모 언어모델) 개발에 막대한 투자를 이어갔고, 이제 산업별로 특화된 버티컬 AI가 실질적인 비즈니스 기회로 주목받고 있다. 이는 범용 AI가 접근하기 어려운 산업별 데이터, 가이드라인, 워크프로세스와의 결합이 가능하기 때문이다.
로보틱스 역시 이와 유사하거나 더 복잡한 양상을 보일 수 있다. 로봇도 AI처럼 모든 환경에서 완벽하게 작동하는 범용 시스템으로 발전하는 것을 지향하지만, 단기간 내에는 특정 환경과 태스크에 특화된 형태로 진화할 가능성이 크다. 특히, 특정 상황에 대한 데이터와 노하우를 보유한 특화된 비즈니스에게 새로운 기회가 열릴 수 있다.
로보틱스 및 Physical AI 영역은 소프트웨어와 달리, 센서, 온도 등 물리적인 상황에서 발생하는 데이터가 필요하고, 이를 처리하기 위해서는 데이터 범위, 처리 속도, 인프라 측면에서 높은 수준의 기술적 역량이 요구된다. 그러나 실제로 많은 기업들은 기본적인 데이터 수집조차 어려운 상황이며, 이는 AI 도입조차 쉽지 않은 현실을 보여준다. 로보틱스 및 Physical AI 영역은 이보다 훨씬 더 많은 데이터 양을 확보하고, 이를 기계적 환경에서 활용할 수 있는 역량을 갖춰야 한다. 넘어야 할 과제가 많은 것은 사실이지만, 아무런 시도 없이 기다리는 것은 더 이상 선택지가 될 수 없다."
- KEARNEY 디지털 부문 최인철 파트너
Q7. 로봇의 비즈니스 현장 적용의 장애물과 해결 방안은 무엇인가?
Bottle-neck
“로봇의 모터, 액츄에이터는 사람의 근육이 낼 수 있는 힘에 역부족, 또한 세밀한 동작까지 구현하기는 힘들 것”
먼저 공장에서 아직 자동화가 안되어 있는 작업이 무엇인지 파악해야 한다. 매우 단순하고 빠르게 움직이는 영역은 대부분 자동화되어 있다. 반면, 다양한 물건을 손으로 집어 옮기거나 조립하는 등 정교한 손작업은 여전히 자동화 비율이 낮다. 이는 사람 손의 능력 때문이다. 미세한 근육을 활용해 정교하게 움직이는 인간의 손과 달리, 현재 휴머노이드 로봇은 12개의 액츄에이터가 탑재돼 있다. 물론, 많게는 24개까지도 탑재돼 있지만, 실제 활용에는 한계가 있다. 즉, 로봇 구동기와 사람의 근육, 로봇의 센서와 사람의 감각에는 현저한 차이가 있다. 로봇 공학 분야에서도 보행, 이동 관련 기술은 상당 수준 발전했지만, 물체를 잡고 옮기는 ‘매니퓰레이션(Manipulation) 영역은 아직 해결되지 않은 과제가 많다.
Solution
“아직 자동화가 안 되어 있거나 로봇의 제약사항이 허용되는 환경, 사람보다 휴머노이드가 유리한 작업 중심으로 도입”
해결 방안으로는, 궁극적으로 앞서 언급한 기술들이 개발되어야 하고, 기술이 완성되기 전까지는 자동화가 이뤄지지 않은 영역에 현재 보유한 기술을 점진적으로 적용해 나가야 한다. 특히 과거에 AI 기술 부재로 자동화가 어려웠던 작업에 AI를 접목하는 방식이 현실적인 대안이 될 수 있다.
"Physical AI 시대에 산업의 주도권이 로봇 소프트웨어 개발사와 하드웨어 개발사 중 어디로 향할 것인지에 대한 질문과도 유사한 질문이다. 하드웨어의 발전 속도가 상대적으로 느리다고 해서 단순히 소프트웨어가 유리하다고 보기는 어렵다. 또한 실제 현장 적용 시, 소프트웨어만으로는 충분하지 않으며, 상황 인지를 위한 하드웨어와 소프트웨어의 효율적인 결합이 필수적이다. 그럼에도, 단정하긴 어렵지만 현 시점에서 하드웨어가 더 큰 장애물(bottle-neck)으로 보인다. 사람의 감각을 모사하는 기술은 여전히 어렵고, 사람처럼 로봇 몸 전체에 센서를 부착한다고 하면 구현 규모가 과도하게 커진다. 기술이 빠르게 발전하고 있으나, 여전히 소프트웨어보다는 더디기 때문에 bottle-neck이라고 판단한다.
하드웨어와 소프트웨어 개발사 중 어디에 산업 주도권이 갈 것인지는 마치 안드로이드와 iOS, 삼성과 애플 간의 경쟁 구도와 유사하게 전개될 것이다. 물론 이보다 하드웨어가 더 차별화될 수 있지만, 하드웨어와 소프트웨어를 모두 잘 결합하는 기업이 경쟁 우위를 확보할 것이다. 예를 들어, 중국은 가정용 로봇청소기 분야에서도 이미 우리나라보다 훨씬 앞서고 있다는 평가를 받고 있다. 또한 AI 분야에서도 세계 최대 규모의 논문을 발표하고 있다. 이러한 흐름은 하드웨어와 소프트웨어가 분리되지 않고, 통합된 형태로 발전할 가능성을 보여준다. 소프트웨어는 생태계 기반으로, 하드웨어는 볼륨 기반으로, 양쪽이 산업 내 헤게모니를 두고 경쟁하는 구조가 전개될 것으로 예상한다."
- KEARNEY 디지털 부문 최인철 파트너
"로봇의 비즈니스 현장 적용과 관련해, 하드웨어와 소프트웨어로 구분 외에도 ‘Sim2Real Gap(가상환경과 실제환경 간의 차이)’라는 것이 있다. 가상환경과 실제환경의 차이를 얼마나 빠르고 효과적으로 줄일 수 있는지가 중요한 기술적 과제이다. 이를 해결하기 위해서는 대규모 데이터를 수집하거나, 해당 격차를 줄일 수 있는 새로운 기술을 개발해야 한다. 디지털 세상에선 수많은 시뮬레이션이 가능하지만, 이를 실제 환경에 적용했을 때 작동되지 않는 이유는 대부분 하드웨어 또는 소프트웨어의 문제일 것이다. 따라서 이 갭을 줄여서 실제 환경에서도 안정적이고 효과적으로 수행할 수 있도록 하는 기술이 중요하다."
- 서울대학교 기계공학부 조규진 교수
Q8. Physical AI 시대, 기업의 경쟁력은 어디에서 오는가?
데이터 확보
일반 AI 영역과 마찬가지로, 누구나 접근 가능한 웹 상의 데이터만으로는 경쟁력이 한계에 다다르고 있다. 초기에는 GPU 투자 규모가 경쟁력을 좌우했지만, 이제는 알고리즘을 얼마나 효율적으로 활용하느냐가 중요해지고 있다. 이후에는 남들이 갖지 못한 데이터와 기능을 확보해 문제를 해결할 수 있느냐가 관건이 될 것이다. Physical AI 분야의 데이터는 단순히 웹 데이터처럼 모두가 공유할 수 있는 데이터가 아니라, 조선소, 정유·가스 플랜트, 자동차 공장 등 각 산업 현장마다 고유하게 생성되는 데이터다. 이처럼 실제 현장에서 발생하는 고품질의 Physical 데이터를 확보하고 활용하는 기업이 경쟁력을 갖게 될 것이다.
도메인 전문성
휴머노이드는 다양한 업무에 대응 가능한 범용적 로봇으로, 물류 운송, 부품 분류, 인간 업무 보조와 같이 업무 복잡도가 높은 산업 현장에 도입될 가능성이 높다. 예를 들어, 기존 로봇이 2가지 작업만 수행했다면, 휴머노이드가 20가지 작업을 수행할 수 있을 정도로 기능이 확장될 경우, 실제 비즈니스 활용 사례가 많이 창출될 수 있다.
최근에는 피지컬 인텔리전스의 로봇이 건조기에서 빨래를 꺼내 들고 가서 개는 등 연속 동작을 수행하는 사례도 있었다. 이처럼 10개 이상의 태스크를 연속적으로 반복 수행해야 하는 환경에서 휴머노이드 로봇의 비즈니스 적용 가능성이 더욱 높아질 것이다.
Use Case 선별
하드웨어의 제약사항을 고려하여 Physical AI로 대체 가능한 작업을 선별해야 한다. 투자 대비 효율성과 확장성(Scale-up)을 고려하면 단순히 사람을 대체하기 보다는, 사람이 하기 어렵거나 위험하거나 실수 가능성이 큰 작업 위주로 적용하는 것이 ROI가 나올 것으로 예상한다. AI 분야에서도 ‘이 기술을 적용하면 비용이 얼마나 들고, 매출에 얼마나 기여하는가’ 라고 질문하는 것처럼, 로보틱스 분야에서도 ‘풀려고 하는 문제가 얼마나 큰 문제인가’ 정의하는 것이 중요하다.
"챗GPT는 방대한 양의 텍스트 데이터를 활용할 수 있다. 하지만 물리적 환경에서는 수집되지 않은 데이터가 매우 많다. 이 데이터를 확보하기 위해서는 상당한 비용이 든다. 따라서 제조현장이나 산업 분야에서 이미 많은 데이터를 축적하고 있는 분야가 있다면 그 분야에 우선적으로 Physical AI를 적용할 수 있다. 데이터가 매우 중요한데, 이는 도메인 전문성과도 밀접하게 연관된다. 특정 도메인의 데이터를 보유한 주체를 해당 도메인에서 일하고 있는 실무자와 기업들이다. 결국 이들과 협업하지 않으면 실효성 있는 솔루션을 만들어내기 어려울 것이다. 이러한 협업 구조 속에서 기회가 창출될 것이며, 보다 빨리 노하우를 쌓아가는 기업들이 향후 경쟁 우위를 확보할 가능성이 높다."
- 서울대학교 기계공학부 조규진 교수
"‘정유·가스 플랜트나 반도체 생산 공정에서의 Physical AI, 로보틱스 도입사례가 있는가?’ 하는 질문에 대한 답변이다. 반도체 공정에서는 휴머노이드 로봇의 적용 사례가 많지 않다. 이는 로봇의 기계적, 소프트웨어적 한계 때문이다. 반도체 공정의 특성상 나노 단위의 매우 미세하고 정밀한 작업이 요구되기 때문에, 현재의 AI 소프트웨어와 하드웨어 수준으로는 적용이 어려운 편이다. 반면, 정유·가스플랜트는 FPSO, 시추선 등과 같이 사람이 직접 작업하기 어려운 해상 환경에서는 로봇을 활용해 안전점검을 수행하거나 다양한 작업을 대신할 수 있어 일부 적용이 가능하다. 결국 핵심은 ROI이며, 사람이 개입하기 어려운 활용 사례를 얼마나 잘 선별하고, 해당 산업에 맞게 적용할 수 있는지가 관건이다."
- KEARNEY 디지털 부문 최인철 파트너
Q9. Physical AI 시대에 기업들이 준비할 것은?
생성형 AI는 Hype 단계 이전에 있었으나, 불과 몇 년 만에 Hype 정점을 지나 하강하고 있다. 실제 적용 과정에서 예상보다 성과가 미흡하거나, 투자 대비 효율성이 낮다는 평가가 일부 나오고 있다. 이러한 단계가 지나면 생성형 AI가 결국 공기처럼 자연스럽게 확산되겠지만, 현 시점에서는 기대와 회의가 공존하고 있다.
반면, Physical AI는 아직 초기 단계지만, 많은 기관들이 향후 2-5년 내 급성장할 분야로 예측하고 있다. 생성형 AI가 비약적으로 발전하던 초기에 선제적으로 준비한 기업들과 그렇지 않은 기업들 간에는 당장은 큰 차이가 없어 보일 수 있지만, 시간이 지날수록 그 격차는 상당히 커질 것이다. 이 차이는 단순한 업무 효율화나 비용 절감 수준을 넘어, 기업의 역량과 운영 프로세스를 근본적으로 변화시키는 수준으로 영향을 미치고 있다.
AI 활용 트렌드는 PI(Process Innovation) 관점이다. 과거에는 수작업으로 기업의 업무 방식과 비효율을 파악했다면, 이제는 AI를 어떤 영역에 적용할 수 있을지, 그에 따라 프로세스를 어떻게 설계하고 변화시킬지를 중심으로 고민한다. Physical AI는 로봇, AR, VR 등과 연결돼 확장된 PI를 가져올 것이며, 이 변화를 지금부터 준비하는 기업이 경쟁력을 확보할 수 있을 것이다.
"국가 차원에서는 로봇과 Physical AI 분야에서 유망한 스타트업이 등장할 수 있도록 생태계를 조성해야 한다. 이 분야는 작게 시작해서 천천히 성장해 나가는 사이클을 따라가야 하고, 소프트웨어와 하드웨어를 동시에 다뤄야 하므로 쉽지 않다. 불확실성을 견디면서 도전을 이어갈 수 있는 인재와 기업이 꾸준히 나올 수 있도록 지원이 필요하다.
특히 로봇 산업은 대기업의 스타트업 인수 사례가 많기 때문에, 협업과 인수 합병을 통한 성장 전략이 스타트업과 기존 기업 모두에게 중요한 기회가 될 수 있다. 국내에서도 이공계 인재들이 로봇 분야에 도전해 유의미한 성공사례를 많이 만드는 모습을 보여주고 긍정적으로 인식되게 해야, 좋은 인재들이 모이고 산업 경쟁력도 강화할 수 있을 것이다."
- 서울대학교 기계공학부 조규진 교수
"소프트웨어 기반의 AI 경쟁은 유사한 데이터와 환경 속에서 자본력 중심의 경쟁으로 흘러가는 경향이 있다. 반면, Physical AI는 각 기업이 보유한 물리적 자원, 산업 노하우, 현장 경험, 축적된 데이터를 레버리지 할 수 있는 영역이다. 국내 주요 제조업 분야는 이미 경쟁력을 충분히 갖추고 있고, 이러한 현장 기반의 자산(전문성, 운영경험, 데이터 등)은 외부 기업이 쉽게 모방할 수 없는 강점이다. 이를 정교하게 조합해 비즈니스로 연결할 수 있다면, 단순히 자본력으로만 경쟁하는 시장보다 훨씬 더 유리한 기회가 있을 것이다."
- KEARNEY 디지털 부문 최인철 파트너
Q10. 채팅창 질문
"Physical AI, 휴머노이드 시대가 도래하면서 정책과 규제 측면도 중요해지고 있다. 중국처럼 정부 차원에서 강력히 지원하는 국가와 경쟁하기 매우 어려울 것으로 보이는데, 다양한 이익 집단 간의 협의가 필요한 한국이 이 변화 속도를 따라잡을 수 있을까? "
"소프트웨어 기반의 AI 경쟁은 유사한 데이터와 환경 속에서 자본력 중심의 경쟁으로 흘러가는 경향이 있다. 반면, Physical AI는 각 기업이 보유한 물리적 자원, 산업 노하우, 현장 경험, 축적된 데이터를 레버리지 할 수 있는 영역이다. 국내 주요 제조업 분야는 이미 경쟁력을 충분히 갖추고 있고, 이러한 현장 기반의 자산(전문성, 운영경험, 데이터 등)은 외부 기업이 쉽게 모방할 수 없는 강점이다. 이를 정교하게 조합해 비즈니스로 연결할 수 있다면, 단순히 자본력으로만 경쟁하는 시장보다 훨씬 더 유리한 기회가 있을 것이다."
- 서울대학교 기계공학부 조규진 교수
