CES 2026 행사장에서는 그 어느 해보다 피지컬 AI(Physical AI)로 가득했습니다. 직접 빨래를 하는 가사도우미 로봇부터 척추 수술을 돕는 의료 지원 로봇까지 다양한 로봇들을 선보였고요. 로봇의 두뇌를 책임지는 로봇용 AI 모델들도 주목을 받았습니다.

피지컬 AI에 대한 열기는 작년부터 시작되었는데요. 다만 작년까지만 해도 기술을 탐색하는 분위기였다면, 이제는 상용화와 투자 경쟁으로 이동하고 있습니다. Figure, FieldAI, Skild AI 등 피지컬 AI 스타트업들이 잇달아 대규모 투자를 유치했고요. NVIDIA, Microsoft, Tesla, Meta 같은 빅테크 기업들도 더욱 본격적으로 시장에 뛰어들고 있습니다.

이렇게만 보면 당장 산업 전반에 피지컬 AI가 앞다투어 도입될 것 같은데 현실은 어떨까요? 오늘 베스픽에서는 피지컬 AI가 무엇인지, 산업 현장에서 도입되고 있는 현황은 어떤지, 그리고 앞으로 어떤 방향으로 나아갈지 함께 살펴보겠습니다.

피지컬 AI라고 하면 가장 먼저 로봇을 떠올리기 쉬운데요. 엄밀히 말해 둘은 다른 개념입니다. 먼저 피지컬 AI는 현실 물리 세계를 인식하고 추론하며 기계를 통해 행동하는 AI를 말합니다. 주변 환경을 스스로 인지하고 경험을 통해 학습하며 실시간으로 행동을 조정한다는 특징이 있죠.

반면 로봇은 감지, 판단, 동작 능력을 통해 복잡한 작업을 자동으로 수행하는 기계인데요. 최근 피지컬 AI를 구현하는 대표적인 형태로 각광받고 되었습니다. 기존의 로봇이 사전에 프로그래밍된 명령만 반복했다면, 이제는 피지컬 AI를 통해 자율적인 지능형 로봇으로 확장되고 있는 것입니다.

그렇다면 일반적인 로봇과 피지컬 AI 로봇은 어떻게 다를까요?

• 사전 프로그래밍 vs 학습: 전통적인 로봇은 엔지니어가 코드를 수정하지 않는 한 행동을 바꾸지 못합니다. 그러나 피지컬 AI 로봇은 딥러닝과 강화 학습을 바탕으로 스스로 성능을 개선하는데요. 물체를 잡는 데 실패했다면 그 데이터를 분석해 다음에는 파지력을 조정하는 것이죠. 즉, 인간이 개입하지 않아도 능력을 고도화할 수 있는 것입니다.
• 단순 인지 vs 물리 세계 이해: 기존 로봇은 센서를 갖추고 있더라도 복잡한 환경을 해석하는 데 한계가 있습니다. 하지만 피지컬 AI는 컴퓨터 비전과 청각, 촉각 센서로부터 수집한 데이터를 종합해 실제 물리 세계를 직관적으로 이해하는데요. 바닥이 미끄러우면 조심해서 걷는다거나 벽이 있으면 통과할 수 없다는 식의 인과관계를 파악하고 행동의 결과를 예측해 스스로 대응합니다.
• 프로토타입 vs 시뮬레이션: 과거 로봇을 개발할 때에는 프로토타입을 제작해 값비싼 시행착오를 거쳐야 했습니다. 반면 피지컬 AI는 디지털 트윈을 통해 물리 법칙이 적용된 가상 세계에서 훈련을 진행하는데요. 이처럼 로봇이 현장에 배치되기 전 충분한 시뮬레이션을 통해 기술과 행동 패턴을 익히기 때문에 복잡한 환경에서도 안정적으로 작동할 수 있습니다.
• 예외 처리 vs 자율적 의사결정: 전통적인 로봇은 특정 위치에서 물건을 집어 옮기는 것과 같이 명확하지만 제한적인 작업을 처리하는 것이 대부분입니다. 예기치 못한 상황이 발생하면 사람이 개입해 예외 처리를 해주어야 하죠. 그러나 피지컬 AI는 목표를 위해 알아서 생각하고 판단함으로써 상황에 맞는 의사결정을 내립니다.

피지컬 AI는 로봇뿐 아니라 자동차, 공장 장비, 소비자 가전 등 다양한 기계에 적용되고 있습니다. 가장 대표적인 것이 바로 자율주행차량이죠. 카메라, 레이더 등 여러 센서 신호를 결합해 도로 상황을 입체적으로 이해하고 예측해 사고를 방지합니다. 이 밖에도 스마트 공장의 컴퓨터 비전 시스템, 의료 진단 장비, 에너지 시설 점검 드론 등 각 분야로 피지컬 AI가 확산되고 있습니다.

이러한 흐름에도 불구하고 아직 실제 현장에서 피지컬 AI를 받아들이는 온도는 조금 다른데요. 산업 현장에 있는 장비와 로봇은 대부분 엄격하게 통제된 환경에서 정해진 루틴을 반복하는 기존 방식에 머물러 있습니다. 테크 뉴스나 전시회에서 보이는 화려한 피지컬 AI의 모습과 산업 현장 사이에는 간극이 존재하는 것이죠.

단순히 새로운 기술이 현장에 자리 잡는 데 시간이 걸리는 문제만은 아닙니다. 피지컬 AI를 실제 현장에 적용하기까지 풀어야 할 몇 가지 과제들이 남아 있습니다.

• 정확성: 일반적인 산업 현장에서 요구되는 정확도는 99.9% 이상입니다. 거의 완벽에 가까운 오차 제어가 필요한데요. 학습 기반의 피지컬 AI가 이 정도의 정확도를 달성하는 일은 아직 어렵습니다. 연구 환경에서 높은 성공률을 보였다고 하더라도 현장의 변수들로 인해 결과가 보장되지 않기도 하고요. 이를 사람이 개입해 해결한다는 것은 대규모 운영 환경에서는 사실상 불가능하기 때문입니다.
• 속도: 피지컬 AI의 기반이 되는 VLA 모델(비전-언어-행동 모델)은 수십억 개 이상의 파라미터를 처리하는 과정에서 응답이 길어질 수밖에 없는데요. 즉각적인 판단과 대응이 요구되는 현장에서는 치명적인 문제가 될 수 있습니다. 네트워크 연결이 불안정하거나 컴퓨팅 성능이 제한된 환경에서도 안정적으로 작동해야 한다는 점도 고려해야 하죠.
• 통합성: 아무리 뛰어난 성능을 갖춘 피지컬 AI라도 혼자서는 제 기능을 할 수 없습니다. 예를 들어 창고 로봇이라면 기존의 창고 관리 시스템, 현장 내 다른 로봇들, 모니터링 대시보드 등 여러 시스템과 유기적으로 연결되어야 하겠죠. 이러한 호환성 문제는 특히 중소기업의 피지컬 AI 도입을 가로막는 주요 요인으로 작용하고 있습니다.
• 안전: 현행 안전 기준은 기존의 산업 현장을 기준으로 만들어졌습니다. 로봇과 관련된 안전 정책이라도 사전에 프로그래밍되어 예측 가능한 동작만을 하는 전통 로봇을 기준으로 하죠. 따라서 스스로 학습하고 행동하는 피지컬 AI 시스템에 그대로 적용하기는 어렵고, 피지컬 AI를 위한 안전 표준이나 인증도 부족한 상황입니다.
• 유지 보수: 피지컬 AI는 기존의 산업용 로봇이나 장비와는 다른 방식으로 동작하기 때문에 유지 보수 관점에서도 새로운 전문성이 요구됩니다. 피지컬 AI를 도입하고 운영하기 위해서는 기존 유지 보수 인력과는 별도의 전문 인력이 필요한데, 이를 새롭게 확보하는 것이 기업 입장에서는 쉽지 않은 일입니다. 피지컬 AI 도입을 망설이게 만드는 현실적인 장벽 중 하나입니다.

이를 해결하기 위해 업계는 크게 세 가지 방향으로 접근하고 있는데요. 첫 번째는 현장 데이터 확보입니다. 현장에서 수집한 데이터를 기반으로 피지컬 AI를 학습시켜 현장의 변수에도 유연하게 반응하고 정확성을 높이기 위한 것이죠. 피지컬 AI가 실제 현장에서 업무를 수행하는 동시에 학습 데이터를 수집하여 스스로 성능을 개선하는 방식도 많은 주목을 받고 있습니다.

두 번째는 피지컬 AI의 특성을 고려해 완벽을 추구하기보다 문제가 생겨도 잘 수습할 수 있도록 설계하는 것입니다. 예를 들어, 피지컬 AI가 스스로 판단하기 어려운 상황에서는 동작을 멈추고 사람에게 도움을 요청하거나 운영자에게 알리는 모니터링 시스템을 갖추는 것이죠. 결국 피지컬 AI는 인간의 판단을 대체하는 것이 아닌 인간과 함께 작동하는 방향으로 나아가고 있습니다.

세 번째는 현장 운영 인프라 구축입니다. 피지컬 AI가 기존의 운영 시스템과 원활하게 연결되도록 표준화된 방식을 도입하는 것입니다. 또한 네트워크가 불안정한 환경에서도 안정적으로 작동할 수 있도록 현장의 컴퓨팅 인프라를 강화하고 피지컬 AI를 위한 안전장치도 함께 마련되고 있는데요. 피지컬 AI의 상용화는 현장 전체의 운영 체계를 함께 갖춰나가는 방향으로 나아가고 있습니다.

이제 피지컬 AI는 현장 운영의 문제로 다시 정의되고 있는데요. 이것은 피지컬 AI의 외형이나 기술적 완성도보다 실제 현장에서 얼마만큼의 가치를 창출하느냐가 핵심 기준이 되고 있다는 뜻이기도 한데요. 그렇다면 앞으로의 피지컬 AI는 어떤 모습일까요?

• 반응형에서 예측형으로: 미래의 피지컬 AI는 어떤 일이 벌어지기 전에 먼저 예측하고 행동하는 AI가 될 것으로 보입니다. 또한 10년 안에 에이전트형 AI와 피지컬 AI가 결합된 에이전트형 로봇이 등장할 전망인데요. 스스로 상황을 판단하고 계획을 세우며 행동하는, 한층 더 자율적인 로봇의 시대가 열리는 것으로 기대됩니다.
• 모방 학습 + 시너지 효과: 앞으로의 피지컬 AI는 인간의 모습을 따라 하고, 서로의 경험을 공유하며 함께 발전하는 방식으로 바뀝니다. 마치 신입사원이 선배를 보고 일을 배우고, 동기들끼리 노하우를 공유하는 것처럼 말이죠. 이러한 피지컬 AI 간의 협업은 결과적으로 더 빠르고 효율적인 작업, 유연한 대응을 가능하게 하는 시너지 효과를 불러올 것입니다.
• 현장 특화형 AI의 확산: 범용 피지컬 AI가 아닌 용접, 조립, 검사 등 특정 작업에 특화된 피지컬 AI가 현장에서 더 빠르게 자리 잡을 것으로 보입니다. 피지컬 AI를 도입하는 즉시 현장에서 성과를 낼 수 있어야 하기 때문인데요. 이렇게 피지컬 AI가 산업 현장을 중심으로 발전하면서 제조업 강국인 유럽은 피지컬 AI를 자신들의 경쟁력 확보를 위한 핵심 전략으로 삼고 있기도 합니다.
• 현장 데이터가 핵심 자산: 지금 현장에서 만들어지는 방대한 데이터들은 대부분 해당 현장 안에만 머물러 있는데요. 앞으로는 피지컬 AI가 이 데이터들을 안전하게 공유하고 활용하는 구조가 갖춰지면서 현장의 경험이 곧 피지컬 AI를 더 발전시키는 재료가 될 것으로 기대됩니다.