Physical AI의 숨은 승자 — 로봇 데이터 팩토리가 거대한 산업이 되는 이유

휴머노이드 로봇 영상이 빠르게 늘고 있습니다. 그러나 가장 어려운 문제는 걷는 로봇 몸체를 만드는 일이 아닙니다. 물체 위치와 조명, 작업 조건이 계속 바뀌어도 안정적으로 일하도록 가르치는 일이 더 어렵습니다.

이 글에서 다루는 기업은 한 문장으로 설명할 수 있습니다. 사람의 작업을 로봇이 배우고 반복하며 계속 개선할 수 있는 기술로 바꾸는 회사입니다.

> 하드웨어가 로봇의 몸이라면, 데이터와 학습 소프트웨어는 로봇의 직업학교입니다.

포장 작업으로 쉽게 이해하기

공장에서 로봇이 제품을 상자에 넣는다고 가정해 보겠습니다. 상자가 항상 같은 위치에 있다면 A 지점에서 제품을 집어 B 지점에 놓도록 프로그래밍하면 됩니다. 전통 산업용 로봇은 이런 일에 매우 강합니다.

현실에서는 상자가 몇 센티미터 움직이고, 포장이 구겨지며, 제품 방향도 달라집니다. 로봇이 잘못 집거나 물건을 떨어뜨릴 수도 있습니다. 고정된 프로그램은 이런 변화에서 쉽게 멈춥니다.

새로운 로봇은 카메라로 상황을 보고, 무엇을 잡아야 하는지 이해하고, 실패하면 동작을 수정해야 합니다. 신입 작업자가 여러 번 보고 연습하듯 로봇도 성공과 실패 사례를 많이 배워야 합니다.

이 회사는 무엇을 판매하는가

반드시 로봇을 직접 제조하는 회사일 필요는 없습니다. 다음과 같은 ‘로봇 교육 시스템’을 판매할 수 있습니다.

• 사람이 로봇을 조작해 모범 작업을 기록합니다.
• 기록을 정리하고 성공과 실패를 구분합니다.
• 데이터로 로봇에게 작업을 학습시킵니다.
• 실제 공장에서 속도, 정확도와 안전성을 검사합니다.
• 배포 후 새로운 실패를 다시 수집해 개선합니다.

고객은 데이터 자체가 멋져 보여서 돈을 내지 않습니다. 인력 부족, 위험 작업, 불안정한 품질 또는 긴 가동시간이라는 실제 문제를 해결하기 위해 비용을 지불합니다.

휴머노이드는 어디에 필요한가

휴머노이드는 사람과 비슷한 몸통, 두 팔과 보행 구조를 가진 로봇입니다. 외형보다 중요한 장점은 기존 환경과의 호환성입니다. 공장의 문, 선반, 카트, 공구와 작업대는 사람의 키와 동선을 기준으로 설계되어 있습니다.

초기 상용 사례는 아직 좁은 작업에 집중됩니다.

• Figure 02는 BMW 생산라인에서 판금 부품을 지그에 넣었습니다. 회사 발표 기준 1,250시간 이상 동안 9만 개 이상의 부품을 처리했습니다.
• Agility Robotics의 Digit은 GXO 물류현장에서 토트를 컨베이어로 옮깁니다.
• 선반 피킹, 부품 키팅, 설비 투입, 점검과 고온·유해 환경 작업도 후보입니다.

휴머노이드가 모든 작업자를 대체한다는 뜻은 아닙니다. 한 위치에서 같은 동작을 반복한다면 고정형 로봇팔이 더 빠르고 저렴할 수 있습니다. 휴머노이드는 사람용 공간에서 이동, 관찰과 양팔 작업을 함께 해야 할 때 의미가 있습니다.

로봇 데이터가 비싼 이유

텍스트 데이터는 인터넷에서 모을 수 있지만 로봇 데이터는 현실에서 만들어야 합니다. 로봇, 카메라, 센서, 안전 공간과 작업자가 필요합니다. 영상과 움직임을 맞추고, 힘과 결과를 확인하며, 실패 원인도 표시해야 합니다.

실패 데이터는 특히 중요합니다. 상용 로봇은 정상 동작뿐 아니라 물건을 놓치거나 장애물을 만났을 때 복구하는 방법도 알아야 합니다.

Google DeepMind의 Open X-Embodiment는 33개 연구기관과 22종 로봇에서 100만 회 이상의 작업 기록을 모았습니다. 한 회사가 다양한 데이터를 혼자 확보하기 어렵다는 사실을 보여줍니다.

로봇 데이터 팩토리의 여섯 단계

1. 사람이 작업을 보여준다

작업자가 원격조작으로 집기, 놓기, 열기와 조립을 수행합니다. 카메라와 센서가 전 과정을 기록합니다.

2. 좋은 기록을 고른다

위험하거나 잘못된 동작을 제거하고 각 시도의 시작, 종료와 성공 여부를 표시합니다.

3. 다른 로봇 몸에 맞춘다

로봇마다 팔 길이, 관절과 그리퍼가 다릅니다. 같은 춤을 키가 다른 사람에게 맞추듯 행동 목적을 새 기체에 맞게 바꿉니다.

4. 로봇이 학습한다

Vision–Language–Action, 즉 VLA는 어려운 이름이지만 뜻은 간단합니다. 로봇이 보고, 지시를 이해하고, 행동을 만드는 모델입니다.

5. 실제 공장에서 시험한다

좋은 영상만으로는 부족합니다. 요구 속도를 지키고 수천 번 반복하며 사람의 도움 없이 안정적으로 작동해야 합니다.

6. 실패를 다시 학습한다

현장에서 생긴 새로운 상황을 다시 학습에 사용합니다. 로봇이 늘수록 실제 사례가 쌓이고 제품이 좋아집니다. 이것이 데이터 플라이휠입니다.

왜 지금 기회가 커지는가

국제로봇연맹에 따르면 2024년 전 세계에 약 54만2천 대의 산업용 로봇이 새로 설치됐고 아시아가 74%를 차지했습니다.

로봇이 적을 때는 엔지니어가 기계마다 따로 프로그래밍할 수 있습니다. 수십만 대와 많은 작업을 다루려면 교육, 평가와 업데이트를 위한 공통 도구가 필요합니다.

카메라 AI가 발전하고 로봇 컴퓨터가 강해졌으며 시뮬레이션 비용도 낮아졌습니다. 여러 조건이 함께 좋아지면서 학습하는 로봇이 현실적인 선택이 되고 있습니다.

수익은 어디에서 나오는가

1. 고객의 특정 작업을 자동화하는 프로젝트 비용

2. 데이터, 모델과 배포를 관리하는 구독형 소프트웨어

3. 로봇 수 또는 가동시간에 따른 운영비

4. 성공 처리량이나 절감시간에 따른 성과 과금

초기에는 서비스 비중이 높을 수 있습니다. 핵심은 프로젝트 경험을 반복 사용 가능한 소프트웨어로 바꾸는가입니다. 고객이 늘 때마다 원격조작 인력도 같은 비율로 늘어난다면 확장성이 낮습니다. 같은 시스템이 더 많은 로봇을 지원한다면 수익성과 기업가치가 커질 수 있습니다.

한국–베트남 조합이 유리한 이유

한국은 세계에서 산업용 로봇 밀도가 가장 높고 전자, 자동차, 배터리와 반도체 공장이 많습니다. 실제 문제를 찾고 검증하며 비용을 지불할 고객 기반이 있습니다.

베트남은 소프트웨어, AI, 시뮬레이션과 데이터 품질관리 조직을 빠르게 확장할 수 있습니다. 전자, 섬유, 식품, 가구와 부품 등 다양한 생산환경도 있습니다.

좋은 모델은 ‘한국이 영업하고 베트남이 저렴한 인력을 제공하는 구조’가 아닙니다. 한국은 핵심 연구, 고객과 현장 통합을 담당하고, 베트남은 소프트웨어, 시뮬레이션, 데이터 운영과 검증을 담당하며, 양국이 하나의 제품을 함께 개선해야 합니다.

실제 잠재력을 확인하는 질문

1. 실제 공장 성공률은 얼마인가?

2. 제품 하나를 처리하는 데 얼마나 걸리는가?

3. 사람 개입은 얼마나 자주 필요한가?

4. 어떤 실패를 스스로 복구하는가?

5. 새 작업 학습에 몇 시간의 데이터가 필요한가?

6. 다른 로봇으로 옮기는 데 얼마나 걸리는가?

7. 고객이 PoC 이후에도 비용을 지불하는가?

8. 반복 소프트웨어 매출 비중은 얼마인가?

9. 성공 가동시간당 비용이 계속 낮아지는가?

10. 공장 데이터는 어떻게 보호하는가?

영상은 가능성을 보여줍니다. 유료 계약과 수천 시간 가동은 제품성을 보여줍니다.

가장 큰 위험

가장 큰 위험은 데모와 생산의 차이입니다. 5분 영상에서는 잘 작동해도 한 교대시간 동안 여러 번 멈출 수 있습니다.

비싼 하드웨어, 서로 다른 로봇 구조, 긴 제조업 영업주기와 사고 책임도 중요합니다. 공장 데이터가 공정과 제품 설계를 노출할 수 있으므로 온프레미스 보안, 권한관리와 감사 로그도 제품에 포함되어야 합니다.

결론

Physical AI는 현실을 보고 행동하는 AI입니다. 휴머노이드는 눈에 띄는 한 종류일 뿐 전체 시장은 아닙니다.

큰 기회는 로봇 한 대를 판매하는 데만 있지 않습니다. 여러 로봇이 더 빨리 배우고, 더 안정적으로 일하고, 배포 후에도 계속 좋아지게 만드는 시스템에 있습니다.

쉽게 말하면 이 기업은 사람 모양 기계를 파는 회사가 아니라 로봇의 직업학교와 학습 운영체제를 만드는 회사입니다.