피지컬 AI란 무엇인가? 비즈니스로 성장이 가능한가?.
생성형 인공지능(AI)과 피지컬 AI는 어떤 차이점이 있는가?
챗GPT 같은 생성형 AI는 정말 똑똑합니다. 글도 쓰고, 그림도 그리고, 음악도 만들어냅니다. 하지만 이 똑똑한 AI도 풀지 못하는 숙제가 있습니다. 바로 현실 세계의 규칙을 이해하지 못한다는 점입니다.
예를 들어 제조 공장의 로봇은 불량품을 발견할 수는 있지만, 스스로 불량률을 줄이는 방법을 학습하지는 못합니다. 정해진 규칙은 따를 수 있지만, 예상치 못한 돌발 상황에는 대처하지 못합니다. 복잡하고 위험하며 돈이 많이 드는 현실의 문제를 로봇이 학습하고 해결하기에는 기술적으로든 제도적으로든 아직 부족한 점이 많습니다. 로봇의 학습을 텍스트만으로는 할 수 없기 때문입니다.
이 문제를 풀기 위해 등장한 것이 바로 피지컬 AI(Physical AI)입니다. 피지컬(Physical)은 '육체적인', '물질적인'이라는 뜻을 가집니다. 비유하자면, 똑똑한 디지털 세상의 뇌에 실제 몸을 붙여주는 기술이라고 할 수 있습니다.
'피지컬 AI란 무엇인가?'에 대한 내용은 도서 <AI 빅 웨이브, 기술을 넘어 전략으로>의 인더스트리얼AI의 내용을 참고하여 구성하였습니다. 인터뷰어(interviewer.co.kr) 이러닝 서비스에서 저자 직강 강의로도 내용을 확인할 수 있습니다.
chapter 1. AI가 현실 세계를 배우려면 필요한 것은?
피지컬 AI는 글자가 아니라 행동을 배워야 합니다. 텍스트 데이터만으로는 물체를 집는 힘의 세기, 장애물을 피하는 타이밍, 불규칙한 표면 위를 걷는 균형감각을 학습할 수 없습니다. 그래서 피지컬 AI는 기존 AI와는 근본적으로 다른 방식이 필요합니다. 바로 '훈련을 위한 물리적 환경'과 '현실을 반영한 데이터'입니다. 이를 위한 거대한 인프라를 'AI 팩토리'라고 부르고, 데이터를 생성하는 핵심 방법을 '시뮬레이션'이라고 합니다.
지능을 생산하는 공장, AI 팩토리
피지컬 AI를 훈련시키려면 우리가 상상하는 것보다 훨씬 더 많은 컴퓨터 자원이 필요합니다. 챗GPT 같은 생성형 AI는 인터넷의 글과 이미지를 학습합니다. 하지만 피지컬 AI는 현실의 물리 법칙을 배워야 합니다. 물건을 잡을 때의 마찰력, 걸을 때의 중력과 균형, 장애물을 피할 때의 충돌 같은 것들 말입니다.
이것을 배우려면 글을 읽는 대신 수백만, 수십억 번의 가상 행동을 반복해야 합니다. 마치 엄청나게 복잡한 3D 세상을 컴퓨터 안에서 수없이 돌려보며 시행착오를 겪는 것과 같습니다. 이런 시뮬레이션은 특별한 종류의 막대한 계산 능력을 요구합니다. 이 자원들을 어마어마하게 모아둔 시설을 'AI 팩토리(AI Factory)'라고 부릅니다.
그럼 AI 팩토리는 우리가 이미 알고 있는 데이터 센터와 같은 것 아닐까요? 얼핏 비슷해 보이지만, 이 둘은 목적과 개념에서 근본적인 차이가 있습니다.
춘천이나 세종시에 있는 네이버 데이터 센터를 예로 들어볼까요? 이곳은 데이터를 저장하는 창고에 가깝습니다. 웹사이트, 이메일, 영화, 사진 등 이미 만들어진 것들을 안전하게 보관했다가 사용자가 요청하면 즉시 꺼내주는 역할을 합니다. 창고에서 물건을 꺼낼 수는 있지만, 창고가 스스로 새로운 영화를 만들지는 못하는 것처럼 말입니다.
반면 AI 팩토리는 공장에 가까운 개념입니다. 이 공장은 수백만 시간의 주행 영상, 공장 센서 데이터 같은 원재료를 들여옵니다. 그리고 GPU라는 강력한 설비를 수천, 수만 대 동원해 이 원재료를 가공해 완전히 새로운 제품을 생산합니다. 여기서 제품이란 바로 '지능적인 결정'이나 '행동 지침'을 의미합니다.
테슬라를 예로 들어볼까요? 자율주행차의 AI 팩토리는 전 세계 테슬라 차량이 보낸 주행 영상을 원재료로 사용합니다. 그리고 공장을 밤낮없이 돌려 어떤 상황에서든 가장 안전한 경로를 찾아내는 능력을 생산합니다. "지금 보행자가 나타났으니 멈춰야 해!"라는 판단 그 자체가 AI 팩토리에서 만든 제품인 셈입니다. 로봇팔의 AI 팩토리는 수백만 번의 가상 시뮬레이션을 원재료로 사용합니다. 그리고 "계란을 깨뜨리지 않고 잡는 최적의 힘과 움직임"이라는 행동 지침을 생산해 냅니다. AI 팩토리는 데이터를 단순히 저장하는 곳이 아니라 '똑똑한 판단'이나 '정교한 행동'이라는 무형의 제품을 끊임없이 생산해 내는 곳입니다.
경영전략과 비즈니스모델 관점에서는?
전통적인 데이터 센터와 AI 팩토리의 차이를 이해하는 것은 경영전략이나 비즈니스모델 관점에서도 중요합니다. 지금까지 IT 기업들은 데이터 센터를 비용으로 인식하는 경향이 있었습니다. 서비스를 제공하기 위해 필요하지만, 그 자체가 직접적으로 큰 수익을 만들어내지는 못했습니다.
하지만 AI 팩토리는 수익을 창출하는 핵심 자산이 될 수 있습니다.
챗GPT 같은 생성형 AI는 주로 텍스트나 이미지를 생성합니다. 사용자가 '대한민국의 수도는…'이라고 쓰면 '… 서울입니다'라는 텍스트를 만들어주는 식입니다. 이런 서비스는 무료로 제공되거나 월정액 구독 모델로 운영됩니다.
반면, 피지컬 AI 팩토리가 만드는 것은 구체적인 행동 명령입니다. 테슬라의 AI 팩토리를 예로 들면, 카메라 영상을 입력받아 '지금 당장 0.5초간 브레이크를 밟아라' 또는 '핸들을 왼쪽으로 5도 돌려라' 같은 행동 지시를 생산합니다. 이 '판단과 행동' 자체가 고가의 제품(FSD 옵션)으로 판매됩니다. 즉, AI 팩토리는 단순히 데이터를 저장하는 곳이 아니라, 현실 세계에서 직접적인 가치를 창출하는 '행동'을 만들어내는 핵심 자산이 되는 것입니다.
현실보다 더 진짜 같은 연습장, 시뮬레이션
지능적인 행동을 생산할 AI 팩토리라는 거대한 공장은 준비되었습니다. 그럼 이제 이 공장에 넣을 원재료, 즉 학습 데이터는 어떻게 구해야 할까요? 피지컬 AI는 글자로 배울 수 없습니다. 현실 세계에서 움직이는 법을 배우려면 현실 세계의 경험 데이터가 필요합니다.
하지만 이 경험 데이터를 현실에서 직접 모으는 것은 거의 불가능에 가깝습니다. 크게 세 가지 문제가 있기 때문인데요. 첫째, 위험합니다. 자율주행차가 '사고 대처법'을 배우려고 실제 도로에서 보행자 사고를 수백만 번 일으켜 볼 수는 없습니다.
둘째, 비용이 큽니다. AI를 훈련시키겠다고 수조 원짜리 반도체 공장을 멈추거나 비싼 로봇을 일부러 부숴가며 테스트할 수는 없습니다.
셋째, 데이터가 너무 희귀합니다. AI가 꼭 배워야 할 돌발 상황, 이른바 '에지 케이스(Edge Case)'를 현실에서 만나기란 불가능에 가깝습니다. 한밤중 폭우 속에서 검은 옷을 입은 사람이 갑자기 도로에 뛰어드는 상황은 수만 번 주행해도 한 번 만나기 어려운 희귀한 경우입니다.
그렇다면 피지컬 AI를 위한 학습 데이터는 어떻게 확보해야 할까요? 이 문제를 해결하는 방법이 바로 시뮬레이션(Simulation), 즉 '가상 세계'를 통한 학습입니다. 가상 세계에서는 100% 안전하게 수백만 번의 사고를 테스트할 수 있고, 비용도 컴퓨터 연산에 드는 전기세 정도만 듭니다. 그리고 '돌발 상황' 같은 희귀한 데이터도 원하는 만큼 무한정 만들어낼 수 있습니다.
물론 여기에는 중요한 전제가 있습니다. 이 시뮬레이션은 단순히 게임 그래픽처럼 보기에만 그럴듯한 수준이어서는 안 됩니다. 피지컬 AI 훈련의 핵심은 '얼마나 현실과 똑같은가'에 달려 있습니다. 만약 가상 세계에서 배운 것이 현실 세계에서 통하지 않는다면, 그 훈련은 아무 소용이 없습니다. 이 기술적 격차를 '시뮬레이션-투-리얼리티 갭(Simulation-to-Reality Gap)'이라고 부릅니다. 따라서 'Sim2Real'(시뮬레이션에서 현실로의 전이)은 피지컬 AI의 성공과 실패를 가르는 가장 중요한 기술로 평가받고 있습니다.
현실 세계를 완벽하게 복제하는 디지털 트윈 전략
앞서 시뮬레이션이 AI를 위한 가상 연습장이라고 설명했습니다. 그런데 이 연습장에도 여러 수준이 있습니다. 간단한 운전 연습 게임도 시뮬레이션이죠. 하지만 피지컬 AI가 진짜 공장이나 도로에서 활약하려면 그런 간단한 연습장만으로는 부족합니다. 이때 등장하는 것이 시뮬레이션의 최상위 레벨, 디지털 트윈(Digital Twin)입니다.
디지털 트윈은 이름 그대로 '디지털 쌍둥이'라는 뜻입니다. 단순히 가상의 맵을 만드는 게 아니라, 현재 운영 중인 실제 공장, 물류창고, 도시 같은 현실 자산을 컴퓨터 속에 1:1로 완벽하게 복제해 쌍둥이 세계를 만드는 기술입니다. 기업들은 바로 이 디지털 쌍둥이 안에서 현실에서는 돈이 너무 많이 들거나 위험해서 절대 못 해볼 테스트를 마음껏 하며 AI를 훈련시킵니다.
디지털 트윈의 대표적 사례는 테슬라입니다. 로봇이 빨래를 개거나 물건을 옮기려면 어떻게 학습시킬 수 있을까요? 예전에는 사람이 센서 옷을 입고 직접 행동을 보여주면 로봇이 따라 하게 하는 식이었습니다. 하지만 이 방법은 너무 느리고 비효율적이었습니다. 그래서 테슬라가 선택한 방식이 바로 가짜 데이터(Synthetic Data) 또는 디지털 드림(Digital Dreams)입니다. AI가 가상의 시뮬레이션 세계, 즉 디지털 트윈 안에서 빨래를 개는 작업을 수천, 수만 번 꿈꾸게 한 것입니다.
여기서 핵심은 AI가 시뮬레이션 영상을 단순히 시청하는 게 아니라는 점입니다. AI는 "방금 꿈에서 본 이 완벽한 셔츠 접기 동작을 실제로 하려면, 내 로봇팔의 모터와 관절을 몇 도, 얼마의 힘으로 움직여야 할까?"를 거꾸로 계산하고 배웁니다. 이렇게 가상 세계의 꿈이 실제 로봇이 알아들을 수 있는 모터 명령으로 번역되는 과정이 바로 Sim2Real입니다.
아마존 사례도 흥미롭습니다. 아마존 물류창고의 로봇들이 어느 날 자꾸 멈춰 서는 문제가 생겼습니다. 원인을 찾아보니 택배 상자에 붙은 반짝이는 반사 테이프 때문이었습니다. 테이프에서 반사되는 빛 때문에 로봇 센서가 물체를 잘못 인식한 것이죠. 이 문제를 해결하려면 반사 테이프가 붙은 상자 데이터 수만 개를 모아서 로봇 AI를 다시 훈련시켜야 했습니다. 하지만 실제 창고에서 그런 특정 상자만 수만 개를 찾아내는 건 불가능에 가까웠습니다.
그래서 아마존 로보틱스 팀은 엔비디아의 옴니버스(Omniverse) 플랫폼을 사용해 실제 물류창고와 1:1로 똑같은 디지털 트윈을 만들었습니다. 그리고 그 가상 창고 안에서 반사 테이프가 붙은 상자라는 특정 조건의 가짜 데이터(Synthetic Data)를 원하는 만큼 대량으로 생성했습니다.
결과는 놀라웠습니다. 로봇 AI를 이 가짜 데이터로 다시 훈련시켰더니, 문제 해결과 테스트에 걸리는 개발 시간이 몇 달에서 단 며칠로 획기적으로 단축되었습니다. 또한 로봇이 마커를 정확히 인식하는 성공률이 88.6%에서 98%로 극적으로 향상되었습니다.
이 두 사례는 시뮬레이션, 그중에서도 특히 디지털 트윈이 단순한 연습 도구가 아니라 현실 세계의 복잡한 문제를 해결하는 가장 빠르고 강력한 핵심 전략임을 명확히 보여줍니다.
chapter 2. 피지컬 AI는 정말 돈이 될 수 있을까?
기업들이 AI 팩토리와 시뮬레이션이라는 거대한 인프라에 막대한 투자를 하는 이유는 명확합니다. 추가적인 수익모델을 만들거나 생산성과 효율성을 획기적으로 높일 수 있기 때문입니다. 아직 초기 단계지만, 몇 가지 수익모델을 살펴볼 수 있습니다.
더 뛰어난 제품과 서비스로 고객경험 향상
첫 번째는 AI가 만들어낸 행동과 판단 자체를 제품화하는 방식입니다. 가장 대표적인 사례가 테슬라의 FSD(Full Self-Driving) 옵션입니다. 테슬라의 AI 팩토리와 수억 마일의 가상 주행 시뮬레이션을 통해 '안전하게 차선을 변경하고 장애물을 피하는 지능'을 제품으로 판매하고 있는 것인데요. 테슬라가 막대한 비용을 들여 AI 인프라를 구축하는 궁극적인 목표는 FSD라는 소프트웨어로 안정적인 수익을 창출하는 것일 겁니다. 실제로 일론 머스크는 FSD 기술이 완성됨에 따라 "가격이 계속 상승할 것"이라고 공언해 왔습니다.
그러나 현실은 기대만큼 순탄하지 않습니다. 테슬라는 2024년 FSD 일시불 가격을 12,000달러에서 8,000달러로 인하했으며, 월 구독료 역시 199달러에서 99달러로 50% 이상 대폭 낮췄습니다. 이러한 가격 인하는 중요한 의미가 있습니다. FSD가 높은 가격에도 불구하고 팔리는 프리미엄 옵션이 되지 못하고 있다는 것을 테슬라도 인정한 것인데요. 현재 테슬라의 전략은 FSD 판매를 통한 단기 고수익이 아니라, 가격을 낮춰 더 많은 사용자를 확보하는 것으로 전환된 것으로 볼 수 있습니다. 이는 SaaS 모델로의 전환이자, 더 많은 실제 주행 데이터를 확보하여 AI 팩토리를 훈련시키는 '데이터 플라이휠(Data Flywheel)'을 가속화하려는 장기 전략일 것입니다.
피지컬 AI가 더 뛰어난 고객경험을 제공할 것이라는 기대는 분명합니다. 하지만 현재로서는 기술의 완성도와 고객이 체감하는 가치 사이에 간극이 존재합니다. FSD는 분명 혁신적인 기술이지만, 아직까지는 고객들이 프리미엄 가격을 기꺼이 지불할 만큼 필수적인 가치를 제공하지는 못하고 있습니다. 막대한 인프라 투자에 비해 수익화 속도가 더딘 것이 현실입니다.
보이지 않는 곳에서 비용을 절감하다
피지컬 AI의 두 번째 수익 모델은 내부 효율을 극대화하는 것입니다. 이것은 기존에 새어나가던 막대한 비용을 줄여 수익성을 강화하는 방식이기도 한데요. 피지컬 AI가 실제 수익 모델로 가장 효과적으로 작동하는 영역이 바로 이 보이지 않는 곳에서의 비용 절감일 것입니다.
반도체 산업을 예로 들어보겠습니다. 반도체 공장에서는 불량품 없는 합격품 비율, 즉 수율 0.1% 차이가 조 단위의 손익 차이를 만들어 낸다고 합니다. 그래서 반도체 기업들은 실제 반도체 공장(Fab)을 컴퓨터 안에 디지털 트윈으로 똑같이 만드는 것입니다. 그리고 AI가 이 가상 공장을 수만 번 돌려보면서 '어떻게 하면 불량 없이 더 빨리 만들까?'에 대한 최선의 답을 찾아내는 것이죠. AI가 공정을 실시간으로 최적화하고 불량품을 자동으로 검사하면, 이는 곧바로 비용 절감과 생산량 증가라는 막대한 이익으로 돌아옵니다.
이런 개선은 고객에게는 보이지 않습니다. 소비자는 더 나은 제품을 받지만, 그 뒤에서 수율이 개선되고 비용이 절감되었다는 사실은 알지 못합니다. 하지만 기업 입장에서는 같은 가격에 팔면서 훨씬 더 많은 이익을 남기게 됩니다.
자율주행 기술 R&D도 마찬가지입니다. 신차를 개발할 때마다 비싸고 위험하며 시간도 오래 걸리는 실제 도로 테스트를 끝없이 반복할 수는 없습니다. 피지컬 AI는 이 과정을 가상 주행 시뮬레이션으로 대체합니다. 하루에 수백만 킬로미터의 주행을 가상으로 시뮬레이션하면서, 실제로는 몇 년이 걸릴 테스트를 몇 주 만에 완료할 수 있습니다. 이는 개발 시간과 비용을 획기적으로 줄여주고, 다른 회사보다 훨씬 빨리 기술을 발전시키는 강력한 경쟁 우위가 됩니다.
여기서도 핵심은 '보이지 않는 효율'입니다. 최종 소비자는 단지 더 안전하고 스마트한 차를 경험할 뿐, 그 뒤에서 수천억 원의 개발 비용이 절감되었다는 사실은 모릅니다. 하지만 이 비용 절감이 쌓이면서 기업은 더 낮은 가격에 더 좋은 제품을 내놓을 수 있게 되고, 결국 시장에서 압도적인 경쟁력을 갖추게 됩니다. 이런 내부 혁신을 통한 비용 절감은 이미 실질적인 가치를 만들어내고 있습니다.
피지컬 AI에서도 버티컬 영역에 집중해야
피지컬 AI를 활용한 세 번째 수익모델은 버티컬 영역에 집중하는 것입니다. 먼 훗날 가정마다 반려용 피지컬 로봇과 생활할 수는 있겠지만, 아직까지는 먼 미래의 이야기입니다. 단기적으로 피지컬 AI 산업은 B2B 중심으로 성장할 것입니다.
하지만 현실적으로 대부분의 기업은 수천억 원이 드는 AI 팩토리나 시뮬레이션 인프라를 직접 구축할 수 없습니다. 그렇다면 답은 명확합니다. 엔비디아, 아마존 같은 글로벌 빅테크가 만들어놓은 인프라를 빌려 쓰고, 대신 특정 산업 영역에서 차별화된 서비스로 승부해야 합니다.
엔비디아의 옴니버스(Omniverse)는 강력한 디지털 트윈 플랫폼으로 평가받고 있습니다. 하지만 엔비디아는 제약 공장의 무균실 관리, 식품 제조의 위생 검사, 의류 물류센터의 행거 분류 같은 구체적인 산업 문제는 해결해주지 못합니다. 여기가 바로 버티컬 기업들의 기회라고 할 수 있습니다.
한 의류 물류 스타트업을 상상해 보겠습니다. 온라인 쇼핑몰이 늘면서 의류 물류센터는 폭발적으로 증가했죠. 하지만 의류는 형태가 제각각이고, 행거에 걸려 있거나 박스에 담겨 있어서 일반적인 물류 로봇으로는 처리하기 어렵습니다. 이런 시장과 고객의 문제를 피지컬 AI로 해결해 보는 것입니다. 옷감의 질감과 무게에 따른 로봇 그립 알고리즘, 행거에 걸린 옷을 손상 없이 이동시키는 동작, 시즌별로 달라지는 의류 형태를 인식하는 기술은 의류 물류를 가장 잘 아는 기업에게 유리할 것입니다.
건설 현장 안전 관리 AI도 좋은 사례가 될 수 있습니다. 건설 현장은 매년 수백 명의 사망사고가 발생하는 위험한 곳입니다. 이 문제를 해결하기 위해 건설 현장을 디지털 트윈으로 만들고, 수만 가지 위험 상황을 시뮬레이션해 볼 수 있습니다. 여기서 핵심은 건설 현장에 대한 지식입니다. 고소작업 시 안전난간 미설치를 자동으로 감지하고, 중장비와 작업자 간 위험 거리를 실시간으로 계산하며, 날씨와 작업 위험도의 상관관계는 건설 관련 기업이 가장 잘 아는 내용일 것입니다. 피지컬 AI 시대의 1차적인 수혜자는 인프라 기업이겠지만, 특정 산업의 문제를 가장 깊이 이해하고 있는 기업에게도 충분히 기회는 있을 것입니다.
피지컬 AI는 산업이 될 수 있을까?
지금까지 피지컬 AI를 구현하기 위한 'AI 팩토리'와 '디지털 트윈'의 주요 내용을 살펴봤습니다. 하지만 막대한 투자가 과연 현실성이 있는가에 대한 냉정한 질문도 필요합니다. SK AI 서밋에서 최태원 회장이 100 메가와트(MW) 규모의 거대한 AI 데이터센터 구축 계획을 발표하면서 시장의 수요에 대한 걱정을 한 것도 이 때문일 것입니다. 100을 기준으로 공급을 준비하고 있는데, 시장의 수요는 1/10 수준에 불과하다는 것입니다. GPU가 필요하다고 하는 사람이 많지만, 실제 이것으로 고객경험을 혁신하거나, 내부 혁신에 도입할 수 있는 기업은 많지 않다는 것입니다. 앞서 테슬라의 FSD 사례처럼, 아직 피지컬 AI 분야에서 확실한 수익을 내는 서비스가 드문 상황에서, 기업들이 막대한 비용을 지불하며 AI 팩토리를 빌려 쓰기란 쉽지 않습니다.
현장에서 숙련된 작업자 몇 명을 더 채용하면 해결될 일을 먼 미래를 위해 지금 큰 투자를 하는 것이 과연 현실적일까요? 단기적으로 생산성 향상이 시급한 기업에게, 5년 뒤에나 쓸 수 있을지 모를 로봇을 훈련시키자는 말은 비현실적으로 들릴 수밖에 없습니다.
이는 엄청난 투자의 딜레마를 만듭니다. GPU 같은 비싼 인프라는 5년만 지나도 구형이 됩니다. 너무 빨리 투자하면 막대한 비용을 감당하지 못하고, 너무 늦게 투자하면 기술 경쟁에서 완전히 도태됩니다. 결국, 지금의 거대한 인프라 투자는 성공을 확신해서라기보다, '안 하는 위험'이 '해서 생기는 위험'보다 더 크다고 판단했기 때문일 것입니다. 피지컬 AI가 공장과 거실을 바꾸는 그날까지는 아직 갈 길이 멀지만, 그 거대한 여정의 첫발은 이미 내디뎌진 셈입니다.
