AI가 몸을 가지기 시작할 때: 피지컬 AI는 다음 기술 주류가 될까?

글: Jim, MSX 마이통

편집: Frank, MSX 마이통

지난 2년 동안 자본시장에서 거래된 AI는 주로 AI의 '두뇌'였습니다.

ChatGPT, 대규모 모델에서 GPU, HBM, 데이터센터, 광통신 및 전력 인프라에 이르기까지 거의 모든 핵심 흐름은 모델 규모를 더 키우고, 훈련 속도를 더 빠르게 하며, 추론 비용을 더 낮추는 방향으로 전개되었습니다.

다만, 이러한 AI는 텍스트, 이미지, 코드, 비디오를 생성할 수 있지만, 대부분 여전히 화면과 디지털 세계 속에서 작동합니다.

그래서 대규모 모델 능력과 컴퓨팅 인프라가 점차 성숙해지면서 시장은 자연스럽게 다음 질문을 던지기 시작했습니다. 점점 더 똑똑해지는 이 모델들이 결국 화면을 넘어 자동차, 공장, 창고, 병원, 그리고 현실 세계로 나아갈 수 있을까?

바로 이것이 Physical AI, 즉 피지컬 AI가 산업의 전면에 등장하게 된 이유입니다.

1. '생각'에서 '행동'으로, 피지컬 AI가 왜 중요한가

NVIDIA의 정의에 따르면, 피지컬 AI는 AI가 화면 밖으로 나와 로봇, 카메라, 자율주행차 등 자율 시스템이 주변 환경을 인식하고 이해하여 추론, 의사 결정 및 복잡한 행동을 수행할 수 있도록 하는 것입니다.

바꾸어 말하면, 생성형 AI가 '기계가 어떻게 생각하는가'를 해결하는 것이라면, 피지컬 AI가 해결하려는 것은 기계가 생각한 후 어떻게 올바르고 안전하며 저비용으로 행동하여, 기계가 현실 세계와 진정으로 상호작용할 수 있는 능력을 갖추게 하는가 입니다.

젠슨 황의 최근 공개 연설에서 드러난 바에 따르면, NVIDIA는 Isaac, GR00T, Cosmos, Omniverse, Jetson 등의 제품 라인을 지속적으로 강화하고 있으며, 그 목표는 단순히 특정 로봇 하나에 베팅하는 것이 아니라, 기계가 물리적 세계로 진입할 수 있도록 훈련, 시뮬레이션, 추론 및 배포를 아우르는 전체적인 기반 플랫폼을 구축하는 것입니다.

진정한 피지컬 AI는 로봇에 대규모 모델을 연결하는 것처럼 단순하지 않기 때문입니다. 공간적 관계와 물리 법칙을 이해해야 하고, 월드 모델, 훈련 데이터, 시뮬레이션 환경, 엣지 컴퓨팅, 머신 비전, 센서, 모션 제어가 필요하며, 배포 전에 대규모 안전 테스트를 거쳐야 합니다.

시장 맥락에서 Physical AI는 '체화된 지능(Embodied Intelligence)'과 높은 관련성을 지니지만, 전자의 외연은 더 넓습니다. 인간형 로봇뿐만 아니라 자율주행, 산업용 로봇, 드론, 스마트 팩토리, 물류 창고 시스템, 그리고 카메라와 센서로 구동되는 지능형 공간까지 포함하기 때문입니다.

물론 피지컬 AI가 갑자기 등장한 새로운 개념은 아닙니다.

자율주행, 산업용 로봇, 머신 비전, 물류 자동화는 이미 수년간 발전해 왔습니다. 실제로 변화가 일어난 것은 대규모 모델, 월드 모델, 시뮬레이션 기술, 엣지 컴퓨팅이 과거에는 상대적으로 단절되어 있던 이러한 기술 경로를 서로 연결하고 있다는 점입니다.

수많은 전통적인 산업용 로봇은 미리 작성된 프로그램에 의존하여 비교적 고정된 환경에서 표준 동작을 반복합니다. 피지컬 AI의 목표는 기계가 다양한 물체, 낯선 환경, 돌발 상황에 직면했을 때도 실시간 정보를 바탕으로 판단과 행동을 조정할 수 있도록 하는 것입니다.

이는 AI 산업사슬이 '두뇌'에서 '신체'로 확장되고 있음을 의미합니다.

지난 2년 동안 시장은 AI를 훈련하고 실행하는 데 필요한 GPU, 스토리지, 서버, 네트워크, 전력의 가치를 먼저 재평가했습니다. 이제 자금은 이러한 컴퓨팅을 이어받아 모델 능력을 현실의 생산력으로 전환할 수 있는 운반체, 즉 로봇, 자율주행차, 드론, 산업 자동화 장비, 그리고 공장, 창고, 도시 곳곳에 분포된 비전 및 센싱 시스템을 점점 더 찾을 것입니다.

따라서 피지컬 AI는 단순히 '인간형 로봇'과 동일시할 수 있는 단일 개념이 아니라, 컴퓨팅에서 행동에 이르는 전체 산업사슬을 열어젖히는 것입니다.

2. 컴퓨팅에서 로봇까지, 피지컬 AI의 5개 레이어 산업사슬

이해를 돕기 위해 MSX 연구소는 피지컬 AI 산업사슬을 5개의 핵심 부문으로 대략 나누었습니다.

1. 제1 레이어: 컴퓨팅 레이어

로봇 모델을 훈련하든, 가상 환경을 구축하든, 자동차와 로봇 단말에서 실시간 추론을 수행하든 모두 컴퓨팅이 필요합니다.

데이터센터 GPU, 엣지 AI 칩, 차량용 컴퓨팅 플랫폼, 저전력 프로세서를 포괄하며, 관련 주요 종목은 다음과 같습니다:

NVIDIA(NVDA.M): 훈련 컴퓨팅, Jetson 엣지 컴퓨팅 플랫폼 및 로봇 개발 생태계를 커버합니다;
TSMC(TSM.M): AI 칩, 차량용 칩, 엣지 컴퓨팅 칩의 제조 기반;
Arm(ARM.M): 저전력 컴퓨팅 아키텍처가 자동차, 로봇, 스마트 기기에 광범위하게 적용됩니다;
퀄컴(QCOM.M): 차량용 AI, 엣지 추론, 스마트 단말에 진출;
AMD(AMD.M): AI 컴퓨팅 및 임베디드 컴퓨팅의 잠재적 수혜자;

이 레이어의 논리는 지난 2년간의 생성형 AI 장세와 유사하며, '삽을 파는' 논리가 이어집니다. 결국 어떤 로봇 회사가 승리하든, 바탕이 되는 칩, 컴퓨팅, 컴퓨팅 아키텍처는 반드시 필요합니다.

2. 제2 레이어: 모델 레이어

이 또한 어렵지 않게 이해할 수 있습니다. 피지컬 AI는 언어 모델만이 아니라 로봇 기초 모델, 월드 모델, 그리고 비전-언어-액션 모델을 필요로 합니다.

언어 모델은 사람의 명령을 이해할 수 있고, 비전 모델은 기계가 환경을 인식하도록 도우며, 액션 모델은 판단을 구체적인 동작으로 변환합니다. 월드 모델은 한 걸음 더 나아가, AI가 물체 간의 관계를 이해하고, 다음에 일어날 일을 예측하며, 행동하기 전에 추론할 수 있도록 합니다.

이 레이어는 현재도 주로 대형 기술 기업과 플랫폼 기업에 의해 주도되고 있으며, NVIDIA, Tesla, Google 및 일부 로봇 스타트업이 포함됩니다.

대규모 언어 모델과 비교할 때 로봇 모델이 직면한 가장 큰 문제는 데이터입니다. 인터넷에는 방대한 텍스트, 이미지, 비디오가 있지만, 진정으로 고품질의 로봇 조작 데이터는 많지 않습니다. 충분한 훈련 데이터를 어떻게 생성할 것인가가 피지컬 AI 발전 과정의 핵심적인 장벽이 될 것입니다.

3. 제3 레이어: 시뮬레이션 레이어

현실에서의 훈련은 비용이 높고 속도가 느리며 위험이 크기 때문에, 로봇은 먼저 가상 세계에서 학습해야 합니다. 따라서 디지털 트윈, 합성 데이터, 가상 훈련 환경이 피지컬 AI에서 매우 중요한 한 레이어를 구성합니다.

NVIDIA는 이 레이어에서 비교적 완전한 툴체인을 구축했습니다. Omniverse는 디지털 트윈과 시뮬레이션 환경을 구축하고, Isaac Sim과 Isaac Lab은 로봇 훈련, 테스트 및 검증을 지원하며, Cosmos는 월드 모델과 데이터 생성 기능을 제공합니다.

이 레이어의 가치는 현실 세계에서 값비싸고 위험하며 더딘 시행착오를 가상 환경으로 옮겨 수행할 수 있다는 데 있습니다. 개발자는 다양한 조명, 날씨, 지형, 돌발 상황을 테스트하는 수많은 시나리오를 동시에 실행한 후, 검증된 모델을 실제 장치에 배포할 수 있습니다.

결국 현실에서 로봇을 한 번 훈련하는 데 몇 분이 걸릴 수 있지만, 시뮬레이션 환경에서는 동시에 수천, 수만 번을 실행할 수 있습니다.

4. 제4 레이어: 인식 레이어

로봇이 현실 세계로 진입할 때 첫 번째 단계는 종종 유연한 손을 갖는 것이 아니라, 주변 환경을 안정적으로 '보고' 이해하는 것입니다.

로봇은 물체를 식별하고, 거리를 판단하며, 환경 변화를 이해하고 복잡한 공간에서 위치를 파악해야 합니다. 판단을 내린 후에는 컨트롤러, 모터, 로봇 팔, 관절 모듈을 통해 결정을 실제 동작으로 변환해야 합니다.

이 레이어는 머신 비전, 카메라, LiDAR, 센서, 제어 칩, 모션 컨트롤 및 다양한 액추에이터 구성 요소를 포함합니다:

Cognex(CGNX.M): 산업용 머신 비전 및 식별 시스템;
Ouster(OUST.M): LiDAR 및 인식 플랫폼;
Qualcomm, NVIDIA: 차량 및 엣지 비전 컴퓨팅 플랫폼 제공;

Ouster는 이미 차세대 디지털 LiDAR를 NVIDIA Jetson 및 Isaac 생태계에 연결했으며, 산업용 로봇, 점검 및 자율 시스템에서 애플리케이션을 추진하고 있습니다. Cognex는 AI 비전 시스템을 제조업 검사 및 자동화 시나리오에 지속적으로 배포하고 있습니다.

인간형 로봇에 비하면 머신 비전과 센서의 상상력은 그리 크지 않을 수 있지만, 현실적인 수주와 기존 고객에 더 가깝습니다.

모터, 감속기, 관절 모듈 등 액추에이터 측면에서는 미국 주식 시장에서 순수 관련 종목이 상대적으로 제한적이며, 관련 기회는 산업 자동화, 아날로그 칩, 전문 부품 기업에 더 많이 분산되어 있습니다.

5. 제5 레이어: 애플리케이션 레이어

산업사슬의 최상위 계층으로서, 시장이 가장 잘 아는 로봇, 자율주행, 드론, 산업 자동화 장비가 여기에 속하며, 관련 종목은 다음과 같습니다:

Tesla(TSLA.M): Optimus, FSD 및 Robotaxi;
Alphabet(GOOGL.M): Waymo를 통해 자율주행에 진출;
Amazon(AMZN.M): 물류 창고 로봇, 물류 자동화 및 Zoox;
Teradyne(TER.M): 협동 로봇 및 모바일 로봇;
AeroVironment(AVAV.M), Kratos(KTOS.M), Ondas(ONDS.M): 드론 및 무인 시스템;
Palantir(PLTR.M): 데이터, 의사 결정, 무인 장비를 연결하는 소프트웨어 플랫폼;

이 중 Palantir는 로봇 제조사가 아니라 데이터, 의사 결정, 무인 장비를 연결하는 소프트웨어 플랫폼에 더 가깝습니다. Uber는 다양한 Robotaxi 차량이 사용자를 확보하고, 주문을 스케줄링하며, 거래를 완료하는 트래픽 진입점이 될 가능성이 있으며, 둘 다 간접적인 수혜 방향에 속합니다.

이는 피지컬 AI에서 가장 높은 탄력성을 낼 수 있는 영역이기도 합니다. 특정 로봇, Robotaxi 또는 드론이 대량 생산 단계에 들어서면, 시장은 빠르게 해당 기업의 매출과 밸류에이션 전망을 상향 조정할 것입니다.

하지만 동시에 애플리케이션 레이어는 경쟁이 가장 치열하고, 실현 난이도가 가장 높은 부분이기도 합니다.

3. 누가 먼저 돈을 벌까: '삽'을 팔 것인가, 로봇을 만들 것인가?

산업 실현 순서로 보면, 피지컬 AI가 가져오는 추가 수익과 이익이 반드시 가장 공상과학적인 휴머노이드 로봇에서 먼저 나타나지는 않을 것이다.

오히려 더 가능성이 높은 경로는, 먼저 기반 플랫폼을 판매하고, 그다음 폐쇄된 환경에 진입하는 것입니다. 먼저 표준화된 작업을 해결한 뒤 개방된 세계에 도전하는 것이죠. 한마디로 ‘삽을 파는 것’의 확실성이 여전히 가장 높습니다.

따라서 생성형 AI 1단계의 최대 수혜자가 NVIDIA였다면, 피지컬 AI의 초기 발전 역시 NVIDIA를 비껴가기 어렵습니다. 최종적으로 Tesla, Amazon 혹은 어떤 로봇 스타트업이 승리하든, 이들 모두 모델 훈련, 시뮬레이션 테스트, 실시간 추론 및 엣지 배포가 필요하기 때문입니다.

NVIDIA의 강점은 단순히 GPU에만 있지 않습니다. 칩, 모델, 시뮬레이션 소프트웨어, 엣지 컴퓨팅 플랫폼을 하나의 완결된 개발 체계로 통합하고 있다는 점이 중요합니다. 이는 모든 로봇을 직접 생산할 필요 없이, 더 많은 로봇이 자사의 연산 능력과 소프트웨어 생태계를 사용하게 만드는 것으로 귀결됩니다.

이런 관점에서 피지컬 AI 1단계에서 비교적 뚜렷한 수혜 방향은 여전히 연산 능력, 시뮬레이션, 칩, 개발 툴을 제공하는 ‘삽을 파는 사람’일 가능성이 높습니다. 그러나 ‘수혜 경로가 명확하다’는 것이 곧 주가에 리스크가 없다는 뜻은 아닙니다. 시장이 성장 기대감을 이미 선반영했는지, 소프트웨어 생태계가 지속적인 수익으로 이어질 수 있는지, 경쟁자가 대체 솔루션을 내놓을 수 있는지 등은 여전히 지켜봐야 합니다.

다음으로 공장과 창고는 상업적 순환 고리를 더 일찍 완성할 가능성이 큽니다. 즉, 피지컬 AI가 가장 먼저 재무제표에 반영되는 현장은 제조, 창고, 물류 영역이 될 공산이 큽니다.

이러한 환경은 비교적 폐쇄되어 있고, 경로와 작업이 표준화되어 있으며, 기업이 투자 대비 수익률(ROI)을 계산하기도 용이합니다. 로봇 한 대를 투입했을 때 인건비를 얼마나 줄이고, 효율을 얼마나 높이며, 손실을 얼마나 낮출 수 있는지 직접 계량화할 수 있기 때문입니다.

Amazon은 이미 창고 네트워크에서 로봇을 대규모로 사용하고 있으며, AI 모델로 장비 간 스케줄링과 경로를 최적화하고 있습니다. Teradyne 산하의 Universal Robots와 MiR은 각각 협동 로봇팔과 자율 이동 로봇을 담당하며, 이미 제조·물류·반도체 등 실제 생산 현장에 진입해 있습니다.

이들 기업의 공통점은 로봇이 어떤 동작을 수행할 수 있는지를 보여주는 데 그치지 않고, 이미 로봇을 공장과 창고에 투입해 진짜 생산 문제를 해결하기 시작했다는 점입니다. 이에 비해 로봇이 가정에서 요리나 청소, 노인 돌봄 등을 수행하려면 훨씬 더 복잡한 환경과 안전 책임에 직면하게 되므로, 상업화 주기는 눈에 띄게 길어질 수 있습니다.

마지막으로, 휴머노이드 로봇은 시장 상상력이 가장 큰 분야임에 틀림없습니다. 이론적으로는 인간이 설계해 놓은 공장, 창고, 병원, 가정에 들어가 기존의 도로, 도구, 작업대를 그대로 사용할 수 있습니다.

Tesla Optimus가 피지컬 AI 장세에서 가장 주목받는 테마 중 하나로 떠오른 이유지만, 이것이 곧 대규모 상업화가 도래했다는 의미는 아닙니다. 휴머노이드 로봇에서 진정으로 관찰해야 할 것은 시연회 동작의 매끄러움보다는 대당 원가, 연속 작업 시간, 그리고 창출하는 가치가 구매 및 유지보수 비용을 감당할 수 있느냐입니다.

이와 비교해 로보택시(Robotaxi)는 이미 한발 더 앞서 있습니다. 자율주행 자동차는 본질적으로 ‘바퀴 달린 피지컬 AI’로, 카메라, 레이더, 라이다를 통해 환경을 인식하고 모델이 판단을 내리면 자동차가 실제 행동을 수행합니다.

Tesla, Waymo, Zoox는 각각 완성차 소프트웨어·하드웨어 통합, 자율주행 시스템, 전용 로보택시 노선을 대표합니다. Uber는 서로 다른 자율주행 차량과 승객을 연결하는 플랫폼 진입로가 되고자 합니다. Waymo는 이미 6세대 자율주행 시스템의 완전 무인 운영을 추진 중이며, 최신 차량에 이 시스템을 탑재했을 때 회사는 완전 무인 주행을 2,000만 회 이상 완료했다고 공개했습니다. 이는 로보택시가 범용 휴머노이드 로봇보다 상업적 검증 측면에서 확연히 앞서 있음을 보여줍니다.

또한 드론과 국방 로봇은 주문으로 검증을 받기가 더 용이합니다. 국방 고객은 자율화, 저비용 무인 시스템, 대드론 장비에 대한 수요가 더 명확하기 때문입니다. AeroVironment와 Kratos의 자율 및 무인 시스템 사업은 이미 매출과 수주 증가로 나타나고 있으며, Ondas 역시 대드론, 순항탄, 자율 방어 시스템 주문을 지속적으로 확보하고 있습니다.

다만 이러한 소형 기업들은 통상적으로 프로젝트 집중도가 높고 자금 조달 및 실행 리스크가 더 큽니다.

따라서 어떤 피지컬 AI 기업을 지속적으로 주시할 가치가 있는지 판단하는 일은 결국 다음 세 가지 질문으로 귀결됩니다.

산업 생태계 내에서 대체하기 어려운 핵심 연결 고리인가?
실제 고객, 수주, 응용 현장이 존재하는가?
기술 진전이 궁극적으로 매출, 이익, 현금 흐름으로 나타날 수 있는가?

맺음말

피지컬 AI가 하룻밤 사이에 현실화되지는 않을 것입니다.

산업의 일반적인 흐름으로 볼 때, 확실성을 기반으로 높은 탄력성을 향해 점진적으로 나아가는 경로를 밟을 가능성이 큽니다. 연산 능력, 시뮬레이션 및 엣지 플랫폼에서 시작해 창고, 공장, 전문 로봇으로 이어지고, 다시 로보택시, 드론, 범용 휴머노이드 로봇으로 확장되는 식입니다.

이 흐름이 얼마나 멀리 갈 수 있을지를 진정으로 결정짓는 것은 로봇이 시연회에서 몇 가지 동작을 수행했느냐가 아니라, 무대에서 내려와 공장, 창고, 도로, 실제 비즈니스 현장에 들어가 재무제표로 검증 가능한 가치를 창출할 수 있느냐입니다.

바로 그 지점에 이르렀을 때, AI는 비로소 화면 밖 현실로 나아왔다고 말할 수 있을 것입니다.