어떤 사람들은 이를 대규모 모델 이후 최대의 플랫폼 기회로 보는 반면, 또 다른 이들은 밸류에이션이 앞서나가는 자본 거품이라고 비판합니다. 그러나 부인할 수 없는 사실은 바로 '체화된 지능(Embodied Intelligence)'이 대규모 모델의 뒤를 이어 AI 인재들이 가장 밀집되어 이동하는 신대륙이 되고 있다는 점입니다.

2026년 이후, 체화된 지능에 대한 투자 열기는 계속해서 고조되고 있으며, 여러 선두 기업들이 수억 달러 규모의 자금 조달을 완료했습니다. 로봇 기초 모델, 휴머노이드 로봇, 세계 모델 및 시뮬레이션 플랫폼은 1차 시장에서 가장 주목받는 분야로 떠올랐습니다.

자금 외에도 AI 업계의 인재와 기술 경로가 로봇 분야로 확장되기 시작했습니다. 구글 딥마인드(Google DeepMind), 엔비디아(NVIDIA), 미스트랄(Mistral)이 피지컬 AI(Physical AI)에 대한 투자 배치를 잇따라 확대하고 있으며, 대규모 모델, 세계 모델 및 공간 지능 분야 출신의 연구자들도 로봇 창업에 뛰어들고 있습니다. 과거 언어 모델을 중심으로 형성되었던 기술 및 인재 네트워크가 이제 새로운 애플리케이션 출구를 찾고 있는 것입니다.

하지만 자본 투입의 증가가 시장의 기대를 하나로 모으지는 못하고 있습니다. 휴머노이드 로봇이 대부분의 산업 현장에 정말 적합한지, 공개 영상 속 복잡한 동작이 장기적이고 안정적인 작동으로 이어질 수 있는지, 현재의 밸류에이션이 상업화 가능성을 미리 과도하게 반영한 것은 아닌지 등이 투자자들의 주요 관심사로 떠올랐습니다.

자금은 계속 유입되고 있지만, 기술 경로를 둘러싼 입장 차이는 더욱 뚜렷해지고 있습니다.

'로봇 플랫폼'에 베팅하는 자본의 밸류에이션 논리

크런치베이스(Crunchbase) 통계에 따르면, 2026년 6월 하순까지 전 세계 로봇 스타트업의 연간 자금 조달 규모는 188억 달러에 달했습니다. 이는 2025년 전체 조달액인 150억 달러를 상회할 뿐만 아니라, 2021년 기록했던 최고점인 141억 달러마저 넘어선 수치입니다.

한편, 피치북(PitchBook)이 일부 자율 시스템 및 피지컬 AI 기업까지 로봇 산업 분류에 포함시키는 통계 기준에 따르면, 2026년 1분기에만 로봇 및 피지컬 AI 분야에서 총 492건의 자금 조달이 이루어졌으며 거래 금액은 163억 달러에 달했습니다.

막대한 자금은 소수의 스타 기업으로 확연히 쏠렸습니다. 올해 1월, 로봇 기초 모델 기업 스킬드 AI(Skild AI)가 14억 달러 규모의 시리즈 C 라운드를 완료하며 밸류에이션 140억 달러를 돌파했습니다. 6월에는 독일 로봇 기업 뉴라 로보틱스(NEURA Robotics)가 최대 14억 달러 규모의 시리즈 C 라운드 유치를 발표했습니다. 휴머노이드 로봇 기업 앱트로닉(Apptronik) 역시 2월에 5억 2천만 달러의 추가 자금을 확보하며 시리즈 A 라운드 누적 조달액을 9억 3천 5백만 달러 이상으로 늘렸습니다.

주목할 만한 점은 이러한 자금 조달이 더 이상 전통적인 벤처 캐피털의 독무대가 아니라는 사실입니다. 구글, 엔비디아, 아마존, 메르세데스-벤츠, 보쉬(Bosch), 섀플러(Schaeffler) 등 산업계 기업들이 자금 조달 리스트에 빈번히 등장하고 있습니다. 이들은 모델, 칩, 제조 역량을 제공할 수도 있고, 향후 로봇의 고객사 또는 배포 채널이 될 수도 있습니다.

이러한 거래들은 자본이 로봇을 평가하는 방식에도 변화가 일어나고 있음을 반영합니다. 이제 자본이 주목하는 것은 기계적 구조나 기기 판매량만이 아닙니다. 로봇 모델, 데이터 폐쇄 루프(Closed Loop), 시뮬레이션 역량, 그리고 다양한 하드웨어 플랫폼 간의 재사용성(Cross-embodiment)이 새로운 밸류에이션의 기준이 되었습니다. 많은 투자자들은 기초 모델이 로봇이 새로운 작업에 적응하는 비용을 낮추고, 동일한 소프트웨어가 점차 더 많은 작업과 로봇 형태를 포괄할 수 있으며, 실제 배치를 통해 데이터를 축적해 나가기를 기대합니다.

이러한 구상은 대규모 모델의 발전 경로와 다소 유사합니다. 즉, 모델 능력이 강력해질수록 적용 가능한 시나리오가 많아지고, 배치 규모가 확대되면 더 많은 데이터를 확보할 수 있다는 것입니다. 하지만 로봇이 직면한 물리적 환경은 텍스트보다 훨씬 복잡하기 때문에, 모델의 진보가 대규모 언어 모델의 확장 속도를 따라잡을 수 있을지는 아직 미지수입니다.

베세머 벤처 파트너스(Bessemer Venture Partners)는 현재 단계를 로봇의 'GPT-2.5 모먼트'라고 부릅니다. 그들은 로봇 기초 모델이 이미 실질적인 능력을 선보였고, 데이터 규모와 모델 성능 사이에 일정한 상관관계가 나타나기 시작했지만, 연구실 시연과 대규모 배포 사이에는 여전히 상당한 간극이 존재한다고 진단합니다.

휴머노이드 형태 논쟁: 두 다리는 해답인가, 짐인가?

휴머노이드 로봇이 시장의 큰 상상력을 불러일으키는 이유는 현대 사회의 많은 시설이 원래 인체의 치수와 인간의 조작 습관을 기준으로 만들어졌기 때문입니다. 문 손잡이, 계단, 작업대, 일반적인 도구들은 기본적으로 사람의 키, 팔 길이, 손 구조에 가까운 사용자를 전제로 합니다. 인간과 유사한 형태를 채택하면 로봇이 기존 도구를 직접 사용할 수 있고, 공장, 창고, 공공장소의 개조 비용도 줄일 수 있을 것으로 기대됩니다.

고정된 작업만 수행할 수 있는 전통적인 산업용 장비와 달리, 범용 휴머노이드 로봇이 겨냥하는 시장은 훨씬 광범위합니다. 제조, 물류부터 소매, 서비스, 가사 노동에 이르기까지, 인간의 육체 노동에 의존하는 거의 모든 현장이 장기적인 적용 대상이 될 수 있습니다.

하지만 휴머노이드 설계는 추가적인 공학적 부담을 가져옵니다.

비즈니스 인사이더(Business Insider)가 최근 인터뷰한 다수의 투자자들은 일부 로봇 기업들이 너무 성급하게 휴머노이드 형태를 최종 해답으로 규정해버렸다고 생각합니다. 두 다리는 몸통과 배터리를 지탱해야 하고, 보행 중에도 끊임없이 균형을 유지해야 하므로 제어 난이도, 에너지 소비, 낙상 위험이 모두 증가합니다. 바닥이 평평한 공장과 창고에서는 바퀴형 섀시가 더욱 안정적인 경우가 많으며, 특정 생산 공정에서는 로봇이 이동할 필요조차 없어 고정형 로봇 팔이 더 낮은 비용으로 작업을 완수할 수 있습니다.

베인 캐피털 벤처스(Bain Capital Ventures)의 파트너 아제이 아가왈(Ajay Agarwal)은 휴머노이드 로봇의 실용성에 대해 유보적인 입장을 취하고 있습니다. 그는 바퀴와 날개가 널리 사용되는 이유는 바로 특정 환경에서 인간의 이동 방식보다 더 효율적이기 때문이라고 지적합니다.

이클립스(Eclipse)의 파트너 지텐 벨(Jiten Behl)은 작업과 로봇 형태 간의 매칭을 더욱 중시합니다. 많은 제조 공정에서 로봇은 걸을 필요도, 서 있을 필요도 없습니다. 작업 내용을 먼저 확정한 다음 바퀴형 섀시, 고정형 팔, 사족 보행 구조 또는 휴머노이드 디자인을 선택하는 것이 산업 배치의 실제 요구에 더 부합할 수 있다는 것입니다.

제네시스 AI(Genesis AI)가 선보인 에노(Eno)는 바로 이러한 사고의 산물입니다. 에노는 인간의 손에 가까운 조작 능력을 유지하면서도 머리와 두 다리를 없애고, 바퀴형 섀시와 리프팅 구조를 도입하여 주로 물류 및 제조와 같은 평평한 환경을 겨냥합니다. 2025년에 설립된 Genesis는 1억 5백만 달러의 자금을 유치했으며, 2026년 말까지 생산을 시작하고 목표 고객사에 배포할 계획입니다.

종합해 보면, 휴머노이드 로봇은 기존 도구를 사용하거나 장애물을 넘고 작업을 자주 전환해야 하는 경우에 더 적합합니다. 반면, 바퀴형 로봇과 고정형 로봇 팔은 공정이 명확한 공장과 창고에서 더 높은 안정성과 더 낮은 비용을 확보할 수 있습니다. 기업 고객에게 로봇의 형태는 구매 평가의 일부일 뿐입니다. 지속적으로 작동할 수 있는지, 고장 발생 시 복구에 걸리는 시간은 얼마나 되는지, 엔지니어의 장기 상주가 필요한지, 그리고 효율성 향상이 구매 및 유지보수 비용을 충당할 수 있는지 등이 최종 결정에 영향을 미칠 것입니다.

현재 로봇 기업들이 공개하는 데모 영상은 보통 로봇 성능의 상한선을 보여주지만, 실제 생산 환경에서 구매자인 산업 고객이 더 관심을 갖는 것은 일상적인 성능입니다. 로봇 한 대의 연속 작동 시간, 장기 고장률, 유지보수 비용 및 투자 회수 기간 모두 더 명확히 규명되어야 할 문제입니다.

산업 고객은 사이클 타임, 가동률, 고장 간격, 유지보수 비용 및 투자 회수 기간을 계산할 것입니다. 로봇이 개방된 환경에 진입하면 조명 변화, 물체의 위치 이동, 사람의 통행 및 학습 데이터에 없던 다양한 상황들을 처리해야 합니다. 챗봇이 틀린 답변을 하면 다시 생성할 수 있는 것과 달리, 물리적 로봇의 오류는 물리적 결과를 초래합니다. 한 번의 판단 실수로 물품을 파손하거나 설비를 망가뜨리고, 심지어 인명 안전을 위협할 수도 있습니다.

로봇의 대규모 적용 시점과 관련하여, 대기업들이 최근 발표한 배치 계획은 상업화 속도에 대한 참고 자료를 제공합니다. 현대자동차그룹은 2028년부터 미국 조지아주 공장에 보스턴 다이내믹스(Boston Dynamics)의 아틀라스(Atlas) 휴머노이드 로봇을 배치할 계획입니다. 초기에는 고위험 및 반복 작업에 투입된 후, 점차 부품 조립과 같은 복잡한 작업으로 확대할 예정입니다.

이러한 속도는 가장 적극적인 산업 주체들에게도 휴머노이드 로봇의 대규모 실제 적용까지는 앞으로 수년간의 다듬질이 필요함을 의미합니다.

AI 인재들 "직접 물건을 만들다", 로봇은 여전히 하드 엔지니어링

로봇 투자가 활기를 띠는 동시에, AI 기업과 연구자들도 모델 능력을 물리적 세계로 확장하기 시작했습니다.

올해 7월, 유럽의 대규모 모델 기업 미스트랄(Mistral)이 첫 로봇 모델 로보스트랄 내비게이트(Robostral Navigate)를 출시했습니다. 이 모델은 80억 개의 파라미터를 가지며, 단 하나의 RGB 카메라만을 사용하여 자율 주행을 수행합니다. 라이다(LiDAR)나 복잡한 멀티 센서 시스템에 의존하지 않습니다. 모델 발표에 앞서 미스트랄은 오스트리아의 로봇 AI 기업 엠미 AI(Emmi AI)를 인수하여 산업 및 로봇 분야 진출을 위한 기술팀을 보강했습니다.

제네시스 AI의 공동 창립자 테오필 저베(Théophile Gervet)는 과거 미스트랄의 연구원이었습니다. 이 회사는 올해 로봇 모델 GENE-26.5를 발표하며, 동일한 모델 세트가 다양한 제조사와 다양한 형태의 로봇에 적응하고 내비게이션과 조작 작업을 동시에 포괄할 수 있도록 하는 것을 목표로 하고 있습니다.

구글 딥마인드는 제미나이(Gemini)의 능력을 로봇에 도입하는 작업을 보다 일찍 시작했습니다. 2025년에 발표된 제미나이 로보틱스(Gemini Robotics)는 시각, 언어 이해 및 동작 생성을 하나의 모델에 통합했습니다. 여기에 더해 제미나이 로보틱스-ER(Gemini Robotics-ER)은 공간 추론에 더욱 중점을 두어 물체의 위치를 식별하고, 조작 경로를 계획하며, 로봇의 기존 하위 제어기와 연결될 수 있습니다.

세계 모델 역시 AI 연구의 새로운 핫스팟으로 떠올랐습니다.

대규모 언어 모델은 텍스트 간의 관계를 학습할 수 있지만, 언어만으로 물체가 어떻게 움직이고, 충돌하고, 변형되는지를 판단하는 것은 매우 어렵습니다. 로봇이 실제 환경에 들어가면 공간 거리, 물체 상태, 동작 결과 및 외부 환경의 지속적인 변화까지도 판단해야 합니다.

월드 모델은 AI가 공간, 시간, 물리 법칙에 대한 내부 표상을 구축하고, 어떤 행동이 가져올 결과를 예측하도록 만드는 것을 목표로 합니다. 리페이페이가 설립한 World Labs는 공간 지능에 초점을 맞추고 있으며, 얀 르쿤 역시 오랫동안 월드 모델을 언어 모델의 한계를 돌파할 중요한 방향으로 여겨 왔습니다.

인재 이동에 대한 보다 구체적인 사례도 나타나고 있다. AP 통신은 최근 대규모 언어 모델(LLM)을 오랫동안 연구해온 루이스 카스트리카토(Louis Castricato)가 박사 과정 중 세계 모델(World Model)로 연구 방향을 전환하고 Overworld를 창업했다고 보도했다. 이는 AI가 텍스트 처리뿐 아니라 공간과 물리적 환경을 학습하도록 하려는 시도다. 점점 더 많은 연구자들이 로봇공학, 생성형 환경, 물리적 추론을 챗봇의 다음 단계를 여는 새로운 방향으로 주목하기 시작했다.

그러나 로봇 개발에는 동역학, 동작 계획, 센서 융합, 임베디드 시스템, 기계 설계, 재료 공학, 공급망 및 현장 유지보수 등이 수반된다. 특정 로봇 팔에서 학습한 동작을 관절 구조나 가반 하중이 다른 장비로 이식하려면 처음부터 다시 훈련하고 디버깅해야 할 수 있다. 실제 생산 환경에서 발생하는 부품 마모, 네트워크 지연, 안전 인증, 장비 유지보수 문제 역시 모델 규모를 키우는 것만으로 해결할 수 없다.

현재 체화된 지능(Embodied Intelligence) 기업들은 일반적인 소프트웨어 스타트업보다 훨씬 더 높은 수준의 융복합 인재를 필요로 한다. 베세머(Bessemer) 벤처 파트너스가 최근 5년 내 설립되어 누적 투자액 3,000만 달러를 초과한 미국 로봇 기업들을 분석한 결과, 창업자의 43%가 박사 학위 보유자였으며 48%는 스탠퍼드, MIT, 버클리, 카네기 멜런 등 4개 대학 출신이었다. 로봇 기초 모델, 제어 시스템, 하드웨어 엔지니어링 인재는 여전히 제한된 연구 기관과 산업 네트워크 안에 집중되어 있다.

자본이 조수처럼 밀려들고 인재가 철새처럼 이동하며, 체화된 지능은 의심할 여지 없이 AI 산업화 물결의 가장 첨단에 서 있다. 하지만 그 물결 아래에는 기술 경로에 대한 이견, 엔지니어링 난제, 상용화 지연이라는 위험이 마치 암초처럼 도사리고 있다. 휴머노이드 대 비휴머노이드, 범용 대 특화, 소프트웨어 플라이휠 대 하드웨어 노력 등 제반 세력 간의 치열한 줄다리기는 여전히 진행 중이다.