생성형 AI 다음은 Physical AI인 이유

지금까지 우리가 경험한 AI의 대부분은 화면 안에 존재했습니다.

 

ChatGPT에게 질문하면 글로 답변을 받습니다.

이미지 생성 AI에게 원하는 장면을 설명하면 새로운 이미지를 만들어 줍니다.

영상 생성 AI에게 프롬프트를 입력하면 몇 초짜리 영상을 만들어 주기도 합니다.

 

최근에는 AI Agent가 등장하면서 검색하고, 코드를 작성하고, 파일을 다루는 것처럼 컴퓨터 안에서 여러 작업을 수행하는 방향으로도 발전하고 있습니다.

 

하지만 아무리 AI가 똑똑해져도 여기에는 하나의 경계가 있었습니다.

AI가 활동하는 공간이 대부분 디지털 세계였다는 것입니다.

그런데 최근 AI 업계에서는 이 경계를 넘어가려는 움직임이 빠르게 나타나고 있습니다.

 

AI가 카메라를 통해 주변 환경을 보고, 사람의 말을 이해하고, 물체의 위치를 파악하고, 어떤 행동을 해야 할지 판단하고, 로봇의 팔과 다리를 움직여 실제 물건을 옮기는 것입니다.

 

쉽게 말하면 지금까지 AI가 컴퓨터 속에서 생각하고 결과를 만들어냈다면, 이제는 AI가 현실 세계를 이해하고 직접 행동하는 단계로 확장되고 있는 것입니다.

 

바로 여기에서 최근 자주 등장하기 시작한 개념이 있습니다.

Physical AI, 피지컬 AI입니다.

 

Physical AI란 무엇일까요?

Physical AI라는 이름만 보면 조금 어려운 기술처럼 느껴질 수 있습니다.

 

하지만 핵심은 생각보다 간단합니다.

NVIDIA는 Physical AI 모델을 자율 시스템이 현실 세계를 인식하고 이해하며, 상호작용하고 이동할 수 있도록 하는 AI로 설명합니다.

저는 이것을 ‘몸을 가진 AI’라고 생각하면 이해하기 쉽다고 봅니다.

 

예를 들어 ChatGPT에게 “책상 위에 있는 빨간 컵을 정리해 줘.”라고 말한다고 생각해 보겠습니다.

일반적인 생성형 AI라면 이 문장이 무엇을 의미하는지 이해할 수 있습니다.

 

하지만 실제 컵을 움직일 수는 없습니다.

Physical AI가 적용된 로봇이라면 이야기가 달라집니다.

 

먼저 카메라와 센서를 통해 주변을 살펴봅니다.

여러 물체 중 어떤 것이 컵인지 찾아야 합니다.

그중 빨간색 컵이 어디에 있는지도 파악해야 합니다.

컵까지 얼마나 떨어져 있는지 계산하고 로봇 팔을 어떤 방향으로 움직여야 하는지도 판단해야 합니다.

컵을 너무 강하게 잡으면 안 되고, 들어 올리는 과정에서 다른 물체와 부딪혀서도 안 됩니다.

그리고 최종적으로 로봇의 팔을 움직여 실제 컵을 집습니다.

 

즉, 보고 → 이해하고 → 판단하고 → 움직이고 → 결과를 다시 확인하는 것까지 연결됩니다.

 

이 때문에 Physical AI는 단순히 로봇에 ChatGPT 같은 AI를 넣는 것과는 조금 다릅니다.

AI가 현실의 공간과 물체, 움직임을 이해하고 자신의 행동이 현실 세계에 어떤 변화를 만들어낼지 고려해야 하기 때문입니다.

 

생성형 AI와 Physical AI는 무엇이 다를까요?

두 기술의 차이는 AI가 만들어내는 결과가 어디에서 나타나는가를 생각하면 이해하기 쉽습니다.

 

생성형 AI에게 “고양이가 우유를 마시는 영상을 만들어 줘.”라고 요청했다고 생각해 보겠습니다.

AI는 고양이가 어떻게 생겼는지 알고 있습니다.

우유가 무엇인지도 알고 있습니다.

고양이가 우유를 마실 때 어떤 모습일지도 학습한 데이터를 통해 어느 정도 알고 있습니다.

그리고 그 결과를 이미지나 영상으로 만들어냅니다.

 

하지만 여기에서 만들어진 것은 디지털 결과물입니다.

Physical AI에서는 같은 지식이 현실의 행동으로 연결되어야 합니다.

 

예를 들어 로봇에게 “냉장고에서 우유를 가져와.”라고 요청했다고 생각해 보겠습니다.

 

로봇은 먼저 냉장고가 어디에 있는지 찾아야 합니다.

냉장고까지 이동해야 합니다.

문을 어떻게 열어야 하는지 판단해야 합니다.

안에 있는 여러 물건 중 우유를 찾아야 합니다.

우유팩을 어느 정도 힘으로 잡아야 하는지도 알아야 합니다.

 

그리고 장애물을 피하면서 사용자에게 가져와야 합니다.

 

여기서는 한 번의 실수가 실제 결과로 이어집니다.

영상 생성 AI가 컵의 모양을 조금 이상하게 만들어도 이미지를 다시 생성하면 됩니다.

 

하지만 로봇이 컵을 잘못 잡으면 컵이 깨질 수도 있습니다.

 

그래서 생성형 AI가 주로 정보와 콘텐츠를 생성하는 AI였다면 Physical AI는 AI의 지능을 현실 세계의 행동으로 연결하는 방향이라고 볼 수 있습니다.

바로 이 차이 때문에 Physical AI에서는 언어 능력뿐 아니라 비전, 센서, 공간 이해, 물리 법칙, 로봇 제어 같은 기술이 함께 필요합니다.

 

로봇은 어떻게 사람의 말을 듣고 실제로 움직일까요?

여기서 Physical AI의 재미있는 부분이 시작됩니다.

사람에게는 굉장히 쉬운 행동도 로봇에게는 여러 기술이 동시에 필요한 복잡한 문제이기 때문입니다.

 

예를 들어 로봇에게 “저 상자 안에 사과를 넣어줘.”라고 말했다고 생각해 보겠습니다.

 

먼저 언어를 이해해야 합니다.

여기에서는 LLM이나 언어를 이해하는 AI가 역할을 할 수 있습니다.

 

하지만 언어만 이해한다고 로봇이 움직일 수 있는 것은 아닙니다.

카메라를 통해 주변을 보고 어떤 물체가 사과이고 어떤 물체가 상자인지 찾아야 합니다.

 

여기에 Vision AI가 필요합니다.

그다음에는 거리와 위치를 알아야 합니다.

사과가 로봇에서 얼마나 떨어져 있는지, 어느 방향으로 팔을 움직여야 하는지, 주변에 부딪힐 물체가 없는지를 파악해야 합니다.

카메라를 비롯한 여러 센서 정보가 사용될 수 있습니다.

 

마지막에는 실제 행동이 필요합니다.

 

팔을 뻗습니다.

손을 벌립니다.

사과를 잡습니다.

팔을 들어 올립니다.

상자 위로 이동합니다.

손을 펼쳐 사과를 내려놓습니다.

 

NVIDIA의 Isaac GR00T 역시 이러한 흐름을 보여주는 사례입니다. 현재 GR00T 모델은 로봇 카메라의 영상, 자연어 명령, 로봇 관절의 현재 상태를 입력으로 받아 앞으로 수행할 관절 움직임을 출력할 수 있도록 설계되어 있습니다.

 

결국 Physical AI는 하나의 거대한 AI 모델 하나가 모든 것을 해결한다기보다 언어 이해 + 시각 인식 + 센서 + 추론 + 행동 제어가 연결되는 시스템으로 이해하면 훨씬 쉽습니다.

 

그런데 로봇에게는 ‘상식’만으로 부족합니다

여기서 생성형 AI와 Physical AI 사이의 중요한 차이가 하나 더 나타납니다.

 

현실에는 물리 법칙이 존재한다는 것입니다.

 

사람은 컵을 책상 끝에 놓으면 떨어질 수 있다는 것을 알고 있습니다.

공을 밀면 굴러간다는 것도 알고 있습니다.

무거운 상자를 들려면 더 큰 힘이 필요하다는 것도 자연스럽게 이해합니다.

우리는 오랜 시간 현실 세계에서 살아오면서 이런 감각을 익혔습니다.

 

하지만 로봇 역시 현실에서 안전하게 행동하려면 내가 어떤 행동을 했을 때 세상이 어떻게 변할지를 어느 정도 예상할 수 있어야 합니다.

이 과정에서 중요하게 등장하는 기술이 World Model입니다.

 

NVIDIA는 World Model을 물리적 세계의 역학을 이해하고 시뮬레이션할 수 있는 AI 모델로 설명합니다. 텍스트와 이미지뿐 아니라 영상과 움직임 같은 데이터를 활용해 현실 세계가 시간에 따라 어떻게 변화하는지를 학습하는 방향입니다.

 

예를 들어 로봇이 테이블 위의 컵을 밀려고 한다고 생각해 보겠습니다.

 

컵을 오른쪽으로 밀면 어디로 이동할까요?

너무 강하게 밀면 어떻게 될까요?

테이블 끝까지 이동하면 어떻게 될까요?

 

로봇이 이런 결과를 미리 예상할 수 있다면 행동하기 전에 더 안전한 방법을 선택할 수 있습니다.

 

그래서 최근 AI 산업의 흐름을 단순하게 정리하면

LLM → Multimodal AI → World Model → Robotics → Physical AI

처럼 바라볼 수도 있습니다.

 

AI가 언어를 이해하는 것에서 시작해 이미지와 영상을 보고, 현실 세계가 어떻게 움직이는지를 이해하고, 결국 그 지식을 실제 행동으로 연결하는 방향입니다.

 

NVIDIA GR00T가 중요한 이유도 여기에 있습니다

Physical AI 이야기를 할 때 자주 등장하는 이름 중 하나가 NVIDIA Isaac GR00T입니다.

GR00T는 단순히 하나의 휴머노이드 로봇 제품 이름이 아닙니다.

 

NVIDIA는 Isaac GR00T를 개발자가 범용 휴머노이드 로봇을 구축하고 학습시키고 테스트하고 배포할 수 있도록 지원하는 오픈 레퍼런스 플랫폼으로 설명하고 있습니다. 여기에는 로봇 파운데이션 모델뿐 아니라 데이터와 데이터 파이프라인, 시뮬레이션 프레임워크, 미들웨어, 런타임 라이브러리와 Jetson Thor 같은 로봇용 컴퓨팅 플랫폼까지 연결됩니다.

이것이 중요한 이유는 앞으로 로봇을 만드는 방법 자체가 달라질 가능성이 있기 때문입니다.

 

기존 산업용 로봇은 정해진 작업을 매우 정확하게 반복하는 데 강했습니다.

예를 들어 공장에서 같은 위치에 있는 부품을 집어서 항상 같은 장소에 놓는 작업입니다.

환경과 작업이 일정하다면 굉장히 효율적입니다.

 

하지만 현실은 항상 똑같지 않습니다.

물건의 위치가 조금 달라질 수도 있고, 처음 보는 물체가 등장할 수도 있으며, 사람이 새로운 명령을 내릴 수도 있습니다.

Physical AI가 목표로 하는 방향은 이런 변화에도 대응할 수 있는 보다 범용적인 로봇입니다.

 

GR00T 같은 로봇 파운데이션 모델이 주목받는 것도 여러 환경과 작업에서 활용할 수 있는 기본 능력을 학습한 뒤 특정 로봇과 업무에 맞게 적응시키려는 접근이기 때문입니다.

 

즉, 생성형 AI에서 Foundation Model이 AI 개발 방식을 바꿨던 것처럼 로봇에서도 Foundation Model 중심의 변화가 나타나고 있는 것입니다.

 

왜 삼성·LG와 한국 제조업에 중요한 이야기일까요?

Physical AI가 특히 흥미로운 이유는 한국과 상당히 가까운 이야기이기 때문입니다.

 

한국은 반도체뿐 아니라 자동차, 전자제품, 배터리, 조선, 물류 등 현실의 물건을 생산하는 제조 산업의 비중이 큰 나라입니다.

생성형 AI가 주로 문서 작성이나 검색, 소프트웨어 같은 디지털 업무의 생산성을 바꾸었다면 Physical AI는 앞으로 공장과 물류센터 같은 물리적 산업 현장의 자동화와 직접 연결될 가능성이 있습니다.

 

LG전자는 최근 NVIDIA와의 협력에 대해 기존 협력 관계를 Physical AI까지 확대하고 있으며, 로보틱스와 AI 데이터센터, 모빌리티 등의 영역에서 협력 가능성을 논의했다고 밝혔습니다. 특히 LG가 가진 하드웨어 제조 역량과 데이터 자산, NVIDIA의 AI 기술을 결합할 수 있다는 점을 강조했습니다.

 

NVIDIA 역시 2026년 1월 Physical AI 관련 발표에서 LG전자를 차세대 AI 기반 로봇을 선보이는 글로벌 파트너 중 하나로 언급했습니다.

삼성 역시 이 흐름과 무관하지 않습니다. 반도체와 제조 설비, 전자제품, 스마트팩토리 등 Physical AI와 연결될 수 있는 산업 영역을 가지고 있기 때문입니다.

 

결국 한국 기업 입장에서는 AI가 단순히 사무실에서 사용하는 챗봇으로 끝나는 것이 아니라 공장의 생산 방식과 로봇, 물류, 제품 자체를 변화시키는 기술이 될 수 있다는 점이 중요합니다.

 

Physical AI 경쟁이 본격화된다면 한국 제조업이 가진 하드웨어와 생산 현장 자체가 중요한 경쟁 자산이 될 수도 있습니다.

 

생성형 AI 다음의 경쟁은 ‘현실 세계’에서 벌어질지도 모릅니다

ChatGPT가 등장한 이후 몇 년 동안 우리는 AI가 얼마나 빠르게 발전할 수 있는지를 경험했습니다.

 

처음에는 글을 작성했습니다.

이후 이미지를 만들기 시작했습니다.

영상을 만들기 시작했습니다.

코드를 작성하고,

검색하고,

도구를 사용하고,

최근에는 AI Agent를 통해 여러 작업을 연결하는 방향으로 발전하고 있습니다.

 

그런데 Physical AI는 여기에서 한 단계 다른 변화를 의미합니다.

AI가 활동하는 공간 자체가 달라지기 때문입니다.

 

지금까지 AI 경쟁의 주요 무대가 컴퓨터와 스마트폰 화면이었다면 앞으로는 공장, 물류센터, 자동차, 가정, 병원 같은 현실 공간까지 AI의 활동 영역이 확대될 수 있습니다.

NVIDIA가 Physical AI를 강조하면서 World Model, Cosmos, Isaac, GR00T, Jetson 같은 기술을 하나의 로봇 개발 생태계로 연결하는 것도 이러한 흐름과 관련이 있습니다.

 

그래서 앞으로 휴머노이드 로봇 뉴스를 볼 때 단순히 “로봇이 사람처럼 걷는다.”, “로봇이 물건을 집었다.” 정도로만 볼 필요는 없습니다.

그 안에서 더 중요한 질문은 이것일 수 있습니다.

 

“AI가 현실 세계를 얼마나 이해하고, 처음 보는 상황에서도 스스로 판단해 행동할 수 있는가?”

 

생성형 AI가 컴퓨터 속 정보와 콘텐츠의 세계를 크게 바꾸었다면,

Physical AI는 그 지능을 현실 세계의 물체와 공간, 움직임으로 연결하려는 다음 단계라고 볼 수 있습니다.

 

어쩌면 앞으로 AI 산업에서 가장 큰 변화 중 하나는 더 좋은 챗봇이 등장하는 것이 아니라,

AI가 정말로 화면 밖으로 나오기 시작하는 순간일지도 모릅니다.

 

Physical AI가 발전하면 로봇은 어디에서 먼저 사용될까요?

Physical AI라는 말을 들으면 가장 먼저 사람처럼 생긴 휴머노이드 로봇이 집안일을 해주는 모습을 떠올리기 쉽습니다.

아침에 일어나면 로봇이 식사를 준비하고, 바닥에 떨어진 물건을 정리하고, 택배가 오면 대신 받아주는 모습입니다.

물론 장기적으로는 이런 형태도 가능할 수 있습니다.

 

하지만 Physical AI가 처음부터 모든 가정에 휴머노이드 로봇 한 대씩 들어오는 방식으로 확산된다고 단정하기는 어렵습니다.

오히려 먼저 변화가 나타날 가능성이 높은 곳은 공장, 물류센터, 창고처럼 반복적인 물리 작업이 많은 산업 현장입니다.

이곳에는 이미 수많은 로봇이 사용되고 있습니다. 자동차 공장을 생각해 보면 로봇 팔이 부품을 옮기거나 용접하고, 물류센터에서는 자동화 장비가 상품을 이동시킵니다.

 

그렇다면 기존 산업용 로봇과 Physical AI 기반 로봇은 무엇이 다를까요?

 

가장 큰 차이는 변화하는 상황에 얼마나 유연하게 대응할 수 있는가입니다.

 

기존 자동화 시스템은 정해진 환경에서 정해진 작업을 빠르고 정확하게 반복하는 데 매우 강합니다.

하지만 물건의 위치가 달라지거나 처음 보는 상황이 발생하면 별도의 설정이나 프로그래밍이 필요할 수 있습니다.

 

Physical AI가 목표로 하는 방향은 조금 다릅니다.

카메라와 센서를 통해 현재 상황을 확인하고, 사람의 명령을 이해하고, 주변 환경에 맞는 행동을 판단하고, 필요하다면 새로운 상황에 맞춰 행동을 바꾸는 것입니다.

 

예를 들어 물류센터에서 항상 같은 상자만 옮기는 것이 아니라 크기와 모양이 서로 다른 물건을 보고 적절한 방법으로 집어 옮기는 것입니다.

결국 Physical AI가 만들어내려는 변화는 단순히 로봇의 숫자를 늘리는 것이 아닙니다.

로봇이 할 수 있는 일의 범위를 넓히는 것에 더 가깝습니다.

 

공장 다음에는 물류·매장·병원·가정으로 확장될 수 있습니다

Physical AI가 흥미로운 이유는 특정 산업 하나에만 적용되는 기술이 아니기 때문입니다.

현실 세계에서 사람이 몸을 사용해 반복적으로 수행하는 일이 있는 곳이라면 적용 가능성이 생깁니다.

물류센터에서는 상품을 찾고 옮기고 분류하는 작업이 있습니다.

매장에서는 상품을 진열하거나 재고 상태를 확인하는 일이 있습니다.

호텔에서는 물품을 객실까지 전달할 수 있습니다.

병원에서는 의료진에게 필요한 물품을 운반하거나 반복적인 보조 작업을 수행하는 방향을 생각할 수 있습니다.

가정에서는 청소와 정리, 물건 운반 같은 생활 보조 영역이 있습니다.

 

여기에서 중요한 것은 모든 공간에 반드시 사람처럼 생긴 휴머노이드가 필요하지는 않다는 것입니다.

 

Physical AI는 휴머노이드 로봇보다 더 넓은 개념입니다.

바퀴가 달린 물류 로봇일 수도 있고, 공장의 로봇 팔일 수도 있고, 자율주행 시스템일 수도 있습니다.

중요한 것은 외형이 아니라 현실을 인식하고 상황을 판단한 뒤 물리적인 행동으로 연결할 수 있는가입니다.

그래서 앞으로 Physical AI 시장을 볼 때 단순히 “어느 회사가 가장 사람 같은 로봇을 만들었는가?”만 보면 전체 흐름을 놓칠 수도 있습니다.

 

오히려

 

어떤 환경에서 실제 작업을 수행할 수 있는가?

처음 보는 상황에 얼마나 잘 대응하는가?

사람과 같은 공간에서 얼마나 안전하게 움직이는가?

하나의 로봇이 얼마나 다양한 작업을 배울 수 있는가?

 

같은 질문이 더 중요해질 수 있습니다.

 

결국 Physical AI의 경쟁은 멋진 로봇 시연 영상을 만드는 것에서 끝나는 것이 아니라 현실의 반복적인 노동을 얼마나 안정적으로 수행할 수 있는가에서 본격적으로 시작될 가능성이 높습니다.

 

Physical AI 시대에는 ‘로봇에게 데이터를 어떻게 가르칠 것인가’도 중요합니다

여기서 또 하나 재미있는 문제가 생깁니다.

ChatGPT와 같은 생성형 AI는 인터넷에 존재하는 엄청난 양의 텍스트를 학습에 활용할 수 있었습니다.

웹사이트도 있고, 책도 있고, 문서도 있고, 코드도 있습니다.

 

이미지 생성 AI 역시 수많은 이미지 데이터를 통해 세상의 모습을 학습할 수 있었습니다.

 

그런데 로봇에게 “컵을 자연스럽게 집어서 식탁으로 옮기는 방법”을 가르치려면 어떻게 해야 할까요?

 

단순히 컵 사진 수백만 장을 보여주는 것만으로는 부족합니다.

어느 방향으로 팔을 움직여야 하는지, 어느 정도 힘으로 잡아야 하는지, 컵이 미끄러졌을 때 어떻게 대응해야 하는지, 주변에 사람이 나타나면 어떻게 행동해야 하는지처럼 행동과 물리적 변화에 대한 데이터가 필요합니다.

 

문제는 이런 현실 세계의 로봇 데이터를 만드는 데 많은 시간과 비용이 들어갈 수 있다는 것입니다.

로봇을 실제 공장이나 가정에서 수없이 움직이면서 모든 상황을 경험하게 하는 것은 쉽지 않습니다.

 

그래서 Physical AI에서는 시뮬레이션과 합성 데이터가 중요한 역할을 합니다.

NVIDIA 역시 실제 로봇을 학습시키기 위한 Physical AI 개발 과정에서 시뮬레이션과 합성 데이터 생성 기술을 중요한 요소로 다루고 있습니다.

 

쉽게 말하면 로봇이 현실에서 모든 실수를 직접 경험하기 전에 가상의 공간에서 수많은 상황을 연습하게 만드는 것입니다.

컵의 위치를 바꿔보고, 조명의 밝기를 바꿔보고, 장애물을 추가하고, 물체의 크기를 바꾸면서 수많은 상황을 만들어 학습시키는 것입니다.

 

그래서 Physical AI 시대에는 AI 모델뿐 아니라 현실을 얼마나 정교하게 가상공간에 재현하고, 좋은 학습 데이터를 얼마나 많이 만들어낼 수 있는가도 중요한 경쟁력이 될 수 있습니다.

 

그렇다면 사람의 일자리는 어떻게 달라질까요?

Physical AI 이야기가 나오면 자연스럽게 따라오는 질문이 있습니다.

 

“그럼 로봇이 사람의 일자리를 빼앗는 것 아닐까요?”

 

단순하게 답하기 어려운 문제입니다.

 

분명 Physical AI가 발전하면 지금 사람이 담당하고 있는 일부 물리적 작업을 자동화할 가능성이 있습니다.

특히 정해진 공간에서 반복적으로 물건을 옮기거나 분류하고 검사하는 업무는 로봇 기술 발전의 영향을 직접적으로 받을 수 있습니다.

 

하지만 모든 육체노동이 한꺼번에 로봇으로 대체된다고 보는 것도 지나치게 단순한 해석입니다.

현실의 작업 환경은 생각보다 복잡하기 때문입니다.

사람은 처음 보는 상황에서도 빠르게 판단합니다.

물건이 예상하지 못한 위치에 있으면 위치를 바꿉니다.

옆 사람이 지나가면 자연스럽게 비켜줍니다.

문제가 발생하면 원인을 찾아 다른 방법을 시도합니다.

 

이런 행동을 로봇이 안정적으로 수행하려면 높은 수준의 인식과 판단, 안전성이 필요합니다.

 

그리고 로봇이 많아질수록 새로운 역할도 필요해질 수 있습니다.

로봇이 어떤 작업을 수행할지 설계하는 사람, 학습 데이터를 관리하는 사람, 로봇의 행동을 검증하는 사람, 현장에 맞게 AI를 조정하는 사람, 문제가 발생했을 때 시스템을 관리하는 사람이 필요합니다.

 

결국 생성형 AI가 사무직의 업무 방식을 바꾸고 있는 것처럼 Physical AI는 현장에서 일하는 방식 자체를 변화시키는 기술이 될 가능성이 있습니다.

 

그래서 중요한 질문은 단순히 “로봇이 사람을 대체할까?”에서 끝나지 않습니다.

오히려 “사람이 하던 일 중 어떤 부분이 로봇에게 이동하고, 사람은 어떤 새로운 역할을 맡게 될까?”를 함께 보는 것이 더 중요합니다.

 

Physical AI를 볼 때 휴머노이드 로봇의 외형보다 중요한 것

최근 휴머노이드 로봇 영상을 보면 상당히 인상적입니다.

사람처럼 걷고, 물건을 옮기고, 넘어져도 다시 일어나고, 때로는 춤까지 춥니다.

그래서 새로운 로봇이 공개되면 얼마나 자연스럽게 걷는지가 먼저 화제가 되기도 합니다.

 

하지만 Physical AI의 발전을 판단할 때는 멋진 움직임보다 그 로봇이 얼마나 다양한 상황에서 실제 일을 수행할 수 있는가를 보는 것이 더 중요하다고 생각합니다.

 

예를 들어 로봇이 미리 연습한 공간에서 상자 하나를 완벽하게 옮기는 것과 처음 들어간 창고에서 사람의 지시를 이해하고 필요한 상자를 찾아 옮기는 것은 난이도가 전혀 다릅니다.

 

진짜 어려운 문제는 후자에 가깝습니다.

 

환경이 달라집니다.

물체의 위치가 달라집니다.

사람이 예상하지 못한 행동을 할 수도 있습니다.

작업 도중 물건을 떨어뜨릴 수도 있습니다.

 

그때 로봇이 상황을 다시 파악하고 다음 행동을 결정해야 합니다.

 

결국 Physical AI에서 중요한 능력은 단순한 움직임 자체보다 인식 → 판단 → 행동 → 결과 확인의 반복입니다.

앞으로 새로운 휴머노이드 로봇이 등장했을 때도 “얼마나 사람처럼 생겼는가?”보다 “새로운 환경에서 얼마나 스스로 문제를 해결할 수 있는가?”를 살펴보면 기술의 발전을 훨씬 재미있게 볼 수 있습니다.

 

그리고 바로 이 지점에서 Physical AI는 단순한 로봇 기술을 넘어 AI 기술의 다음 무대가 됩니다.

AI가 이제 세상을 설명하는 것에서 그치지 않고, 세상을 보고, 이해하고, 그 안에서 행동하기 시작하기 때문입니다.

 

결국 Physical AI의 핵심은 ‘AI가 현실을 이해하는 능력’입니다

Physical AI를 단순히 “로봇에 AI를 넣는 기술”이라고만 생각하면 핵심을 놓치기 쉽습니다.

진짜 중요한 변화는 AI가 처음으로 현실 세계의 복잡함을 직접 다루기 시작한다는 것입니다.

컴퓨터 안에서는 문제가 생겨도 다시 실행하면 됩니다.

이미지가 조금 이상하면 다시 생성할 수 있고, 코드가 틀리면 수정해서 다시 실행할 수 있습니다.

 

하지만 현실 세계에서는 그렇지 않습니다.

로봇이 물건을 잘못 잡으면 떨어뜨릴 수 있습니다.

사람과 부딪히면 다칠 수도 있습니다.

공장에서 잘못된 동작을 하면 생산 과정 전체에 문제가 생길 수도 있습니다.

 

그래서 Physical AI에서는 단순히 “정답을 잘 맞히는 AI”보다 상황을 정확하게 이해하고, 행동의 결과를 예상하고, 안전한 선택을 하는 능력이 훨씬 중요합니다.

 

예를 들어 로봇이 책상 위의 컵을 옮겨야 한다고 생각해 보겠습니다.

컵이 어디 있는지만 알아서는 부족합니다.

컵 주변에 다른 물건이 있는지 확인해야 합니다.

컵이 유리인지 플라스틱인지에 따라잡는 힘도 달라질 수 있습니다.

사람이 갑자기 손을 뻗는다면 움직임을 멈춰야 할 수도 있습니다.

컵을 옮긴 뒤에는 제대로 내려놓았는지도 다시 확인해야 합니다.

 

즉, Physical AI는 단순한 명령 수행이 아니라 인식 → 이해 → 예측 → 행동 → 결과 확인 → 다시 판단이라는 끊임없는 반복 과정에 가깝습니다.

 

이 점에서 Physical AI는 지금까지의 생성형 AI보다 훨씬 현실적인 문제를 다루게 됩니다.

 

앞으로 AI 기업의 경쟁 기준도 달라질 수 있습니다

생성형 AI 시대에는 어떤 모델이 더 자연스러운 글을 쓰는지, 더 좋은 이미지를 만드는지, 더 어려운 문제를 해결하는지가 중요한 경쟁 기준이었습니다.

 

하지만 Physical AI가 본격적으로 발전하면 평가 기준도 달라질 가능성이 있습니다.

 

예를 들어 휴머노이드 로봇을 평가한다고 생각해 보겠습니다.

단순히 얼마나 자연스럽게 걷는지만 봐서는 부족합니다.

처음 보는 물건도 제대로 집을 수 있는지, 주변 환경이 달라져도 작업을 수행할 수 있는지, 사람의 새로운 명령을 이해할 수 있는지, 실패했을 때 다른 방법을 시도할 수 있는지, 사람과 같은 공간에서 안전하게 움직일 수 있는지도 중요합니다.

 

특히 현실 세계에서는 99%의 성공률도 충분하지 않은 상황이 존재할 수 있습니다.

100번 중 한 번 로봇이 물건을 떨어뜨리는 정도라면 큰 문제가 아닐 수도 있습니다.

 

하지만 자동차를 운전하거나 사람 가까이에서 무거운 물체를 다루는 로봇이라면 한 번의 실수도 매우 중요합니다.

그래서 앞으로 Physical AI 경쟁에서는

 

얼마나 똑똑한가

뿐만 아니라

얼마나 안정적인가

얼마나 안전한가

얼마나 다양한 환경에 적응할 수 있는가

 

가 함께 중요해질 것입니다.

 

생성형 AI가 벤치마크 점수 경쟁을 만들었다면, Physical AI에서는 현실에서 실제 작업을 얼마나 성공적으로 수행하는가가 더 중요한 기준이 될 수도 있습니다.

 

마무리: AI가 화면 밖으로 나오기 시작하고 있습니다

지난 몇 년 동안 AI의 발전을 보면 굉장히 빠른 변화가 이어졌습니다.

처음에는 글을 작성하는 AI가 주목받았습니다.

이후 이미지를 만들고, 영상을 만들고, 음성을 이해하고, 코드를 작성하기 시작했습니다.

 

최근에는 AI Agent를 통해 검색하고 도구를 사용하며 여러 단계의 업무를 수행하는 방향으로 발전하고 있습니다.

그리고 Physical AI는 그다음 질문을 던지고 있습니다.

 

“AI가 컴퓨터 안에서만 일하지 않고 현실 세계에서도 움직일 수 있을까?”

 

이 질문에 답하기 위해 LLM, Vision AI, 센서, World Model, Robotics, Simulation 같은 여러 기술이 하나로 연결되고 있습니다.

그래서 Physical AI를 하나의 새로운 AI 기능으로만 보기보다는 AI의 활동 영역이 디지털 세계에서 물리적 세계까지 확장되는 흐름으로 보는 것이 더 중요합니다.

 

생성형 AI가 우리가 정보를 만들고 사용하는 방법을 변화시켰다면 Physical AI는 앞으로 물건을 만들고, 옮기고, 관리하고, 이동하는 방법까지 바꿀 가능성이 있습니다.

 

그리고 이 변화는 한국에도 상당히 중요한 의미를 가질 수 있습니다.

 

한국은 제조업과 전자, 반도체, 자동차, 배터리, 조선, 물류처럼 현실 세계의 산업 기반을 강하게 가지고 있기 때문입니다.

앞으로 AI 경쟁에서 소프트웨어만큼이나 로봇이 일할 수 있는 공장, 데이터, 하드웨어, 실제 산업 현장이 중요한 자산이 될 수도 있습니다.

 

그래서 앞으로 휴머노이드 로봇이나 Physical AI 관련 뉴스를 볼 때 저는 단순히 “로봇이 사람처럼 움직인다.”는 사실보다 한 가지 질문을 더 해보면 좋다고 생각합니다.

 

“이 AI는 현실 세계를 얼마나 이해하고, 처음 보는 상황에서도 스스로 판단해 실제 일을 끝낼 수 있는가?”

 

생성형 AI가 우리에게 생각하고 만들어내는 AI를 보여주었다면, Physical AI는 이제 보고, 이해하고, 움직이는 AI의 시대를 열고 있습니다.

어쩌면 AI의 다음 큰 변화는 더 좋은 챗봇이 아니라, 정말로 AI가 화면 밖으로 나오는 순간에서 시작될지도 모릅니다.