화면 안의 AI, 화면 밖의 AI
지난 3년간 제조업이 경험한 AI는 대부분 '화면 안'에 있었다. 문서를 요약하고, 코드를 짜고, 데이터를 조회해 리포트를 만들어 주는 AI — 유용하지만, 물건을 집어 옮기거나 라인을 세우는 것은 여전히 사람과 전통적인 자동화 설비의 몫이었다.
피지컬 AI(Physical AI) 는 이 경계를 넘는다. 카메라·라이다·토크 센서로 물리 세계를 지각하고, 그 결과로 로봇 팔을 움직이고, AMR의 경로를 바꾸고, 설비 파라미터를 조정하는 AI다. NVIDIA가 CES 2025 기조연설에서 "AI의 다음 물결"로 선언한 이후, 휴머노이드 로봇과 산업용 파운데이션 모델에 대한 투자가 폭발적으로 늘고 있다.
제조업이 이 흐름의 한가운데 있는 이유는 단순하다. 물리 세계에서 반복 작업이 가장 밀집된 공간이 공장이기 때문이다.
피지컬 AI를 구성하는 세 개의 층
1. 월드 모델 — 물리 세계를 이해하는 파운데이션 모델
LLM이 텍스트의 다음 토큰을 예측하듯, 월드 파운데이션 모델(World Foundation Model)은 물리 세계의 다음 상태를 예측한다. 물체가 떨어지면 튀는지 깨지는지, 로봇 팔이 이 각도로 움직이면 부품과 충돌하는지 — 물리 법칙과 공간 관계를 학습한 모델이다.
이 모델들의 훈련 데이터는 인터넷 텍스트가 아니라 시뮬레이션과 실제 센서 스트림이다. 합성 데이터(synthetic data)로 수백만 번의 시행착오를 가상에서 돌리고, 실제 현장 데이터로 보정하는 sim-to-real 파이프라인이 표준 아키텍처로 자리잡았다.
2. 디지털 트윈 — 피지컬 AI의 훈련장
로봇을 실물 라인에서 시행착오로 학습시킬 수는 없다. 불량 하나, 충돌 한 번의 비용이 너무 크다. 그래서 피지컬 AI의 학습은 대부분 물리적으로 정확한 디지털 트윈 안에서 일어난다.
여기서 중요한 것은 디지털 트윈의 '정확도'가 3D 모델의 시각적 품질이 아니라 데이터의 충실도로 결정된다는 점이다. 설비의 실제 사이클 타임, 실제 진동 스펙트럼, 실제 온도 곡선이 트윈에 흐르지 않으면, 그 안에서 학습한 AI는 현실에서 무너진다. 가짜 공장에서 배운 로봇은 진짜 공장에서 일하지 못한다.
3. 실행 계층 — 로봇, AMR, 그리고 기존 설비
피지컬 AI의 실행 계층은 휴머노이드만이 아니다. 오히려 단기적으로 ROI가 분명한 것은:
- 비전 기반 품질 검사: 학습형 비전이 미세 결함을 검출하고, 그 결과가 즉시 공정 파라미터 조정으로 이어지는 폐루프(closed-loop) 품질 제어
- 자율 물류(AMR/AGV): 생산 계획·재고·설비 상태를 실시간으로 반영해 스스로 경로와 우선순위를 바꾸는 물류 로봇
- 적응형 로봇 셀: 다품종 소량 생산에서 품목이 바뀔 때마다 티칭 없이 스스로 파지(grasping) 전략을 바꾸는 로봇 팔
- 설비 자율 제어: 이상 징후를 감지하면 사람의 승인 아래 스스로 부하를 낮추거나 정지하는 설비
공통점이 보이는가? 네 가지 모두 현장 데이터의 실시간 흐름 없이는 성립하지 않는다.
피지컬 AI의 진짜 병목은 로봇이 아니라 데이터다
많은 기업이 피지컬 AI를 '로봇 도입 프로젝트'로 접근한다. 그러나 실제 파일럿에서 프로젝트를 좌초시키는 것은 로봇 하드웨어가 아니라 그 앞단이다.
첫째, 지각(perception)의 공백. 로봇은 자신의 관절 상태는 알지만, 옆 설비가 지금 어떤 상태인지, 방금 라인에 올라온 자재가 무엇인지는 모른다. 이 정보는 PLC·MES·센서에 흩어져 있고, 대부분 로봇이 읽을 수 없는 형식이다.
둘째, 맥락(context)의 공백. "3번 프레스에 이상 진동"이라는 신호가 로봇의 행동으로 이어지려면, 3번 프레스가 어느 라인 소속이고, 지금 어떤 품목을 생산 중이고, 다음 공정이 무엇인지를 아는 온톨로지(자산 모델) 가 필요하다. 태그 이름 뒤에 의미가 연결되어 있지 않으면 AI는 신호를 행동으로 번역하지 못한다.
셋째, 시간(latency)의 공백. 배치로 하루 한 번 모이는 데이터 웨어하우스는 피지컬 AI에게 쓸모가 없다. 지각-판단-행동 루프는 밀리초에서 초 단위로 돈다. 이벤트 스트리밍과 CEP(복합 이벤트 처리)가 전제 조건이다.
즉, 피지컬 AI 도입의 순서는 로봇 구매가 아니라 데이터 인프라 정비에서 시작한다:
- 연결 — PLC·설비·센서의 신호를 표준 프로토콜(OPC-UA, MQTT/Sparkplug B)로 수집
- 의미 부여 — UNS(통합 네임스페이스)와 온톨로지로 신호에 자산·공정 맥락을 연결
- 실시간화 — 스트리밍 파이프라인과 CEP로 밀리초 단위 이벤트 처리
- 트윈 동기화 — 디지털 트윈에 실데이터를 흘려 시뮬레이션과 현실의 간극 최소화
- 행동 연결 — 그 위에 로봇·AMR·설비 제어를 얹는다
한국 제조업의 기회
피지컬 AI는 한국 제조업에 유리한 게임이다. 세계 최고 수준의 로봇 밀도(직원 1만 명당 산업용 로봇 대수 세계 1위), 정밀 제조 노하우, 그리고 조선·방산·이차전지처럼 물리적 복잡도가 높은 산업 포트폴리오 — 모두 피지컬 AI의 가치가 극대화되는 조건이다.
관건은 현장 데이터를 AI가 쓸 수 있는 형태로 준비하는 속도다. 로봇과 월드 모델은 사서 쓸 수 있지만, 우리 공장의 데이터 인프라는 사서 쓸 수 없다. 42종 프로토콜로 흩어진 설비 신호를 모으고, 온톨로지로 의미를 부여하고, 초당 수십만 이벤트를 실시간 처리하는 기반 — 그것이 피지컬 AI 시대의 진입 티켓이다.
화면 밖으로 나온 AI는 결국 데이터 위에서 걷는다. 공장의 모든 신호를 비즈니스의 맥박으로 바꾸는 일이 먼저다.