휴머노이드의 AI : 인간 행동 데이터의 스케일링

올해 1월, CES 2026의 하이라이트는 반도체도 스마트폰도 아니었습니다. 현대자동차 소유의 보스턴 다이나믹스가 라스베이거스 무대 위에서 휴머노이드 로봇 아틀라스를 공개 시연했습니다. 아틀라스는 바닥에서 일어나 무대를 유연하게 걸으며 관중에게 손을 흔들고, 올빼미처럼 머리를 돌렸습니다. 투자자들은 환호했고 언론은 이 장면을 일제히 헤드라인으로 올렸습니다.

대중은 피지컬 AI의 대표 주자로 휴머노이드를 주목하기 시작했고, 이들이 가져올 산업과 일상의 변화를 상상하며 기대와 우려를 쏟아냈습니다. 그런데 이 장면에는 묘한 아이러니가 있습니다. 공장에는 이미 수십 년 전부터 컨베이어 벨트와 로봇팔이 깊숙이 들어와 있고, 실제로는 그쪽이 훨씬 큰 규모로 인간 노동을 대체해왔습니다. 그런데도 대중의 감정은 휴머노이드에 쏠립니다. 기대도 휴머노이드, 공포도 휴머노이드, 윤리 논쟁도 휴머노이드입니다.

왜일까요. 로봇팔은 대개 펜스 안에 있습니다. 위험 구역과 안전 구역이 분리되어 있고, 인간은 그 밖에서 로봇의 효율을 '관리'합니다. 반면 휴머노이드는 울타리 밖으로 걸어 나옵니다. 공장 자동화는 '특정 작업의 대체'로 읽히지만, 휴머노이드는 '사람 자체의 대체'로 읽힙니다. 우리는 인간형을 보면 자동으로 의도와 자율성을 투사합니다. 아직은 느리고 불안정해도, 그 불안정함이 오히려 서사를 만듭니다. 넘어지고 다시 일어나는 장면은 '진보'의 감각을 강화합니다.

그래서 대중의 두려움은 현재 성능이 아니라 미래의 확장 방식을 겨냥합니다. '하나를 잘하는 기계'보다 '계속 배워 범위를 넓히는 존재'가 더 불편합니다. 감정은 종종 비합리적으로 보이지만, 구조적으로는 꽤 정확한 직감입니다. 변화는 효율이 아니라 확장 가능한 학습 루프에서 오기 때문입니다.

휴머노이드의 필요성

왜 로보틱스 업계는 오래전부터 휴머노이드 개발에 집착해왔을까요. 업계가 가장 먼저 내놓는 답은 단순합니다. "세상이 인간 기준으로 설계되어 있으니 인간형이 유리하다"는 것입니다. 문, 계단, 손잡이, 공구, 작업대 높이, 통로 폭, 안전 규정까지, 인간의 몸을 표준으로 만들어진 세계에서 인간형은 플러그처럼 꽂히기 쉽다는 논리입니다.

이 설명은 타당합니다. 특히 로봇 도입에서 비용을 크게 만드는 건 로봇 가격이 아니라 현장 개조 비용인 경우가 많습니다. 바닥을 고르고, 통로를 넓히고, 작업대를 바꾸고, 안전 구획을 다시 설계하는 비용은 눈에 잘 보이지 않지만 누적됩니다. 휴머노이드는 '환경을 바꾸지 않고' 들어갈 수 있다는 점에서 매력적입니다. 로봇팔이 고정된 위치에서 특정 반복 작업만 수행한다면, 휴머노이드는 집안일부터 돌봄, 물류, 건설 현장까지 인간이 노동하는 거의 모든 장면에 투입될 수 있습니다.

하지만 이 논의만으로는 지금의 열풍을 설명하기 어렵습니다. '배치 가능성'은 입구일 뿐이고, 입구만으로는 기존 자동화의 경제성을 뒤집기 힘듭니다. 이미 바퀴 달린 모바일 매니퓰레이터나 특화된 협동로봇이 많은 현장에서 충분한 역할을 하고 있기 때문입니다. 그렇다면 왜 굳이 인간형이어야 할까요. 여기서 진짜 논점이 시작됩니다.

휴머노이드가 '진짜' 중요한 이유: 인간 행동 데이터로 스케일링하는 로보틱스

휴머노이드의 핵심 가치는 '사람과 닮았다'가 아니라 사람의 행동을 데이터로 전환하기 쉬운 몸이라는 데 있습니다. 로보틱스가 어려운 이유는 한 번 성공시키는 데 있지 않습니다. 새로운 물체, 새 환경, 새 작업에서도 통하는 일반화가 어려운 것입니다. 정형화된 공정에서는 환경을 고정해 분포를 좁히면 되지만, 휴머노이드가 겨냥하는 세계는 분포가 넓습니다. 물체는 롱테일이고, 공간은 지저분하며, 작업은 자주 바뀝니다.

이 지점에서 경쟁의 기준이 바뀝니다. '로봇이 얼마나 정교하게 제어되는가'에서 '로봇이 얼마나 빨리 배워 범위를 넓히는가'로 이동합니다. 즉 하드웨어 스펙 경쟁이 아니라 데이터 파이프라인 경쟁이 됩니다. 그리고 여기서 휴머노이드는 결정적인 장점을 가집니다. 인간의 시연, 인간의 언어 지시, 인간의 작업 절차가 휴머노이드의 행동 공간과 구조적으로 잘 맞습니다. 번역 비용이 낮으니 데이터가 빠르게 쌓이고, 쉽게 재사용됩니다.

더 중요한 것은 데이터의 '출처'입니다. 인간 행동 데이터는 로봇 연구실에만 있는 희소 자원이 아닙니다. 스마트 워치, AR 글래스, 모션 캡처 슈트, 손목형 EMG 밴드 같은 웨어러블 디바이스는 이미 일상 속에서 인간의 손과 몸이 어떻게 움직이는지를 기록하고 있습니다.

거기에 더해 유튜브와 각종 플랫폼에는 요리, 조립, 수리, 운동, 청소 같은 '인간이 무언가를 하는 영상'이 문자 그대로 웹 스케일로 존재합니다. LLM이 인터넷 텍스트를 삼키며 자라났듯, 로봇 정책 모델은 이 방대한 인간 행동 영상을 삼키며 자랄 수 있습니다.

'인간형'은 하드웨어 표준화이고, 표준화는 데이터 스케일의 지름길이다

한편 데이터 기반 학습에서 가장 끈질긴 병목은 '데이터를 모으는 것'이 아니라 '데이터를 합치고 재사용하는 것'입니다. 로봇이 제각각 다른 관절 구성, 다른 링크 길이, 다른 그리퍼, 다른 센서 구성을 가지면 데이터는 파편화됩니다.

어떤 팀이 쌓은 데이터가 다른 팀에 거의 도움이 되지 않고, 한 번 학습한 정책이 다른 기체로 옮겨갈 때마다 번역 비용이 발생합니다. 반대로 하드웨어가 표준화되면 데이터는 자연스럽게 하나의 풀(pool)로 합류합니다. LLM이 특정 토크나이저와 아키텍처 위에서 데이터가 누적되며 커졌듯, 로봇도 결국 어떤 표준 위에서 경험이 누적되어야 합니다. 휴머노이드는 그 표준 후보로 현재 가장 강력한 위치에 있습니다.

"인간보다 더 나은 몸을 만들면 되지 않나. 360도 회전 관절, 손가락이 여섯 개인 손, 인간보다 자유도가 높은 몸이 더 유리하지 않을까." 직관적으로는 그럴듯하지만, 학습의 관점에서는 오히려 불리합니다. 자유도는 '가능한 동작'을 늘리는 동시에 '학습해야 할 공간'을 폭발시킵니다.

인간보다 자유도가 높은 손은 이론상 더 정교할 수 있지만, 그 정교함을 학습시키려면 인간 데모를 그대로 쓸 수 없습니다. 리타게팅 과정이 복잡해지고, 그 변환에서 정보 손실과 불안정이 생깁니다. '더 강력한 몸'이 아니라 '더 학습 가능한 몸'이 먼저 시장을 엽니다. 인간형은 완벽해서가 아니라 표준이기 때문에 유리합니다.

우리는 결국 AI의 같은 원리를 다시 보고 있다

한 걸음 물러나서 보면, 휴머노이드 이야기는 지난 몇 년간 우리가 언어 모델에서 목격한 장면과 묘하게 겹칩니다. GPT 계열의 언어 모델이 폭발적으로 성장할 수 있었던 이유는 특정한 알고리즘의 천재성이 아니라, 인류가 수십 년간 인터넷에 쌓아놓은 텍스트라는 거대한 자산을 '적은 손실로 흡수할 수 있는 형태'를 찾았기 때문입니다. 트랜스포머와 토크나이저는 그 자산의 통로였고, 스케일링 법칙은 그 통로가 얼마나 잘 뚫려 있는지를 확인해준 이정표였습니다.

휴머노이드는 같은 이야기를 몸의 영역에서 반복합니다. 인류는 텍스트만 축적해온 것이 아닙니다. 요리하고, 조립하고, 운전하고, 수리하고, 아이를 돌보고, 악기를 연주하는 방대한 행동의 기록이 영상 플랫폼 위에 이미 존재합니다. 여기에 웨어러블 디바이스가 일상 속에서 새로 만들어내는 1인칭 시점의 손동작 데이터가 쌓이고 있습니다. 이 거대한 자산을 가장 적은 번역 비용으로 흡수할 수 있는 통로가 무엇이냐고 물을 때, 현재로서 가장 설득력 있는 답이 인간형 몸입니다.

그래서 휴머노이드 논쟁을 '로봇이 사람을 얼마나 대체할 것인가'라는 질문으로만 바라보면 본질을 놓치기 쉽습니다. 더 유용한 질문은 이것입니다. 인류가 축적해온 행동 데이터라는 자산이 실제로 학습 가능한 형태로 전환될 수 있는가. 그 전환이 가능해지는 순간, 로봇은 한 대씩 팔리는 기계가 아니라 집단적으로 배우고 함께 업데이트되는 시스템이 됩니다.

물론 이 시나리오가 그대로 실현된다는 보장은 없습니다. 하드웨어 내구성, 안전 규제, 데이터 프라이버시, 배터리 밀도, 수리 경제성 같은 현실의 제약들은 여전히 무겁습니다. 다만 한 가지는 분명해 보입니다. 결국 지능은 데이터가 흐르는 구조 위에서 자랍니다. 어떤 형태가 그 흐름을 가장 잘 감당하느냐가 다음 십 년의 판도를 결정합니다. 인간을 닮은 몸이 중요한 이유는 그것이 우리를 닮아서가 아니라, 우리가 남긴 것들을 가장 잘 물려받을 수 있어서입니다.