로봇이 다양한 쇼케이스에서 인간의 지시에 맞춰 물리적 환경과 상호작용하는 연출은 피지컬 AI(Physical AI)의 가능성을 보여주는 예고편 격이다. 제조·물류 최전선이 요구하는 검증 기준은 무대 뒤편에서 시작되기 때문이다.

 

이 같은 현장에서의 검증은 ▲가혹한 반복 주행 속 ‘공정 정밀도’ ▲시스템 마비에 대응하는 ‘회복 탄력성’ ▲로봇 도입 가치를 수치로 증명할 ‘투자수익률(ROI) 회수 기간’이다.

 

에드워드 리우(Edward Liu) 리얼맨로보틱스(Realman Robotics) 아시아태평양(APAC) 총괄이 던진 어젠다는 이러한 양상을 드러냈다. 그는 이달 10일 열린 기술 행사 '테크콘 2026(TechCon 2026)'에서 “피지컬 AI의 미래는 연출된 데모가 아닌 실전 배포력에서 결정된다”며 “유의미한 작업 수행 능력과 시일이 흐를수록 고도화되는 경제성이 로봇 산업의 차세대 지표가 될 것”이라고 단언했다.

 

 

해당 관점에서 로봇 기체의 물리적 구동 메커니즘은 로봇 경쟁력의 일부일 뿐이다. 디지털 트윈(Digital Twin) 같은 가상 환경에서 이뤄지는 데이터 수집, 공정 설계, 원격 관제, 품질 전수 검사, 사이버 보안, 운영 권한 관리 등이 한데 구현돼야 한다.

 

여기에 현장 데이터를 즉각 피드백하는 실시간 재학습 아키텍처까지 유기적으로 맞물릴 때 로봇 하드웨어는 실전성을 확보한다. 실험실 수준의 행동 모델을 산업 내 숙련공으로 진화시키기 위한 필수 전제 조건인 셈이다.

 

앞선 1편이 로봇의 인지·판단력과 비정형 환경 대응력을 조명했다면, 2편은 이를 지탱하는 후방 인프라다. 하나의 정밀한 로봇 행동이 출력되기 위해서는 투입 전 데이터 자산화, 디지털 트윈 기반 가상 검증, 시뮬레이션 환경에서의 한계 테스트, 하드웨어와 제어 소프트웨어를 잇는 배포 체계가 선행돼야 한다는 메시지다.

 

쟁점은 이 고도화된 프로세스가 최종 가동 단계에서는 외부로 드러나지 않는다는 점이다. 일반이 목격하는 것은 물체를 제어하는 단 몇 초의 구동 장면이지만, 그 뒤편에서는 보이지 않는 계산 싸움이 펼쳐진다. 가상 환경에서 실패 사례를 골라내며 시나리오를 다듬는 과정이 먼저다. 그렇게 뽑아낸 알짜 데이터를 실제 로봇의 센서·모터에 최소화된 지연(Latency)으로 주입하는 기술이 핵심이다.

 

최근 관측된 산업 내 기술 패권의 향방도 이러한 ‘하부 생태계’를 주목한다. 로봇 행동을 설계할 ‘알짜 데이터’를 긁어모으고, 가상 공장 안에서 한계까지 ‘검증’한 뒤, 실제 현장 운영 체계 안에 ‘얹는’ 배포 인프라 싸움이다. 이 작동 원리의 완성도가 피지컬 AI의 진짜 몸값을 가른다는 시각이다.

 

관문 ① < 데이터 > ‘제3자’의 시선은 가짜다...기체 스스로 할 ‘찐’ 기록

 

피지컬 AI 로보틱스가 선제적으로 마주한 허들은 데이터다. 웹(Web)에 축적된 문자·영상 등을 흡수하며 진화한 언어 모델과 달리, 로봇은 인간의 기록을 배우는 것만으로 물리 세계를 이해할 수 없다. 실제 공간에서 장애물을 피하고 물체를 제어하려면 화면 속 시각 정보만으로는 턱없이 부족하다는 뜻. 센서 3차원(3D) 좌표, 관절·손끝 궤적, 접촉 순간 압력, 동작 실패, 복구 과정에 이르는 전방위 실행 기록이 필수적이다.

 

스펜서 황(Spencer Huang) 엔비디아(NVIDIA) 로보틱스 제품 디렉터는 이에 대해 로봇 데이터의 ‘희소성’으로 규정했다. 그는 이달 1일 대만에서 열린 자사 AI·GPU 분야 개발자 콘퍼런스 ‘엔비디아 GTC 타이베이 2026(NVIDIA GTC Taipei 2026)’에서 “로봇 데이터는 극도로 결핍돼 있으며 획득 난도 또한 높다”고 지적했다.

 

 

여기서 로봇 데이터는 인간이 촬영한 제3자 시점의 영상과 본질적으로 다르다. 이는 작업 흐름(Work Flow)을 보여줄 뿐, 로봇이 제 몸을 움직일 때 가해지는 관절 제약이나 힘 분배, 실패 복구 타이밍까지는 온전히 담아내지 못한다는 뜻이다. 결국 실물 로봇 지능이 요구하는 진짜 정보는 ‘어떻게 움직였고 왜 실패했으며 어떤 조건에서 성공했는가’의 영역이다.

 

황 디렉터가 제시한 엔드투엔드(End-to-end) 로봇 개발 흐름은 여기서 더 나아갔다. 로봇 개발은 데이터 수집에서 끝나지 않는다는 관점인데. 가치 있는 장면을 솎아내고, 디지털 트윈으로 이를 이식한다. 이후 이 가상 환경에서 한계 테스트를 거치고, 실제 기체에 올리는 순환 구조를 전제한다. 데이터가 공정 라인 안에서 반복 가공된 산물인 셈이다.

 

이때 관건은 데이터의 ‘쓸모’다. 스펜서 황은 “로봇 구동 시간만 무작정 늘린 데이터는 행동 정책으로 전환하기 어렵다. 실패 원인, 주변 환경 변수, 작업 지시, 최종 결과값이 체계적으로 융화돼야만 가치 있는 자산이 된다”고 말했다. 데이터 수집과 동시에 구조화가 이뤄지고, 학습·배포에 곧바로 투입 가능한 ‘검증 체계’가 구축돼야 하는 이유다.

 

에드워드 리우 총괄 역시 데이터 운영 관점에서 이 과제를 봤다. 로봇 데이터는 실제 현장, 작업 설계, 품질 관리 플랫폼이 톱니바퀴처럼 함께 돌아갈 때 구체화된다는 분석이다.

 

특히 그는 로봇 원격 운용의 가치를 단순한 원격 조작(Teleoperation)이라는 단편적인 기술 접근법으로 두지 않았다. 인간 개입은 초기 자율성의 공백을 메우는 장치인 동시에, 고품질 행동 데이터를 확보하는 핵심 통로로 본 것. 시각 피드백, 현장 제약 요인, 조작 결과 등 로봇이 경험한 데이터가 고스란히 기록되기 때문이다.

 

이렇게 정제된 데이터는 자율성을 높이는 원료로 역주입된다. 현장 경험이 쌓일수록 기체 복구 능력과 작업 성공률이 향상되고, 이는 원격 개입 비용을 떨어뜨려 배포 경제성을 개선한다.

 

하지만 업계는 가공되지 않은 원시 데이터만으로는 이 선순환을 만들 수 없다고 우려한다. 리얼맨로보틱스가 작업 설정부터 품질 검사, 주석 검토, 권한 제어·보안을 포괄하는 관리 플랫폼을 꺼내 든 배경이다. 물리 세계에서 확보한 데이터가 신뢰할 만한 학습 기반이 되려면 수집 이후의 철저한 거버넌스가 뒤따라야 한다는 철학이다.

 

이번 GTC 타이베이에서 공개된 대만 로보틱스 솔루션 업체 테크맨로봇(Techman Robot)의 접근도 일맥상통한다. 이들은 자사 인간형 로봇 시스템에 세상 전체를 읽는 지능인 '월드 모델(World Model)' 프레임워크부터 데이터 생성 기술, AI 서버, 에지 컴퓨팅(Edge Computing) 하드웨어를 단일 체계로 통합했다. 데이터 수집, 모델 학습, 현장 배포를 수직 계열화한 개발 구조를 내세운 방법론이다.

 

 

현장에서 만난 케빈 우(Kevin Wu) 테크맨로봇 시스템 아키텍처 엔지니어는 로봇 가동 전 최전선에서 마주하는 장벽으로 ‘산업 적용성’을 꼽았다. 범용 모델이 다중 작업 수행 가능성을 보여주더라도, 실제 현장은 철저한 공정 주기(Cycle Time)과 무결점 안정성을 요구한다는 시각이다.

 

그는 “월드 모델은 여러 일을 수행할 수 있는 가능성을 보여주지만, 산업 현장에서는 사이클 타임이 핵심”이라며 “AI만으로는 아직 산업 현장의 요구를 모두 충족하기 어렵고, 기존 기술과 결합해 이를 보완해야 한다”고 관점을 드러냈다.

 

우 엔지니어에 따르면, 테크맨로봇은 협동 로봇(코봇)과 비전 시스템을 개발해 온 경험을 바탕으로 휴머노이드 시스템을 구성했다. 그는 “실제 현장은 물체를 다루고, 위아래로 이동하며, 이동형 플랫폼을 베이스로 작업 지점 사이를 이동하는 요구가 한데 결합돼 있다”며 “구동부(Actuator)·인식(Sensing)을 함께 통합하는 역량이 현시점 휴머노이드 로봇(Humanoid Robot) 개발의 핵심”이라고 부연했다.

 

현장의 돌발 변수와 조작 기록을 걸러내는 거름망을 통과한 데이터만이 피지컬 AI가 원하는 진짜 '알짜 데이터'다.

 

관문 ② < 시뮬레이션 > “왜 똑같은 장면만 반복해야 되지?” 현실 변수 녹이는 정공법

 

현실 안 모든 돌발 변수를 실제 공장·물류센터 안에서 수집하는 것은 불가능에 가깝다. 로봇은 작업자와 충돌해서도, 설비를 망가뜨려서도, 생산 라인을 멈춰 세워서도 안 된다. 한 번의 오작동이 곧 안전사고, 품질 불량, 장비 손상, 납기 차질로 직결되는 공간이 제조·물류 현장인 까닭이다. 실물 지능이 가상 세계를 필수 훈련장으로 요구하는 배경이다.

 

대니얼 유(Daniel Yu) 메타AI(MetAI) 공동창업자 겸 최고경영책임자(CEO)와 렌턴 슈(Renton Hsu) 공동창업자 겸 최고기술책임자(CTO)의 관점도 이와 맞물린다. 이들은 산업 시뮬레이션 환경을 피지컬 AI의 ‘모의 훈련소(Training Ground)’로 봤다. 자율 시스템을 실제 가동 전선에 무작정 투입할 수 없기에, 물리 법칙이 정밀하게 작동하는 가상 환경을 먼저 구축해야 한다는 논리다.

 

 

유 CEO는 로봇이 실제 세계를 학습하려면 비용·위험을 선제적으로 낮추는 ‘디리스킹(De-risking)’ 과정이 필수적이라고 했다. 그에 따르면, 실제 공장 데이터를 직접 긁어모으는 방식은 속도가 느릴뿐더러 실패에 따르는 대가도 너무 크다. 이들이 현실의 공정 구조와 제어 조건을 시뮬레이션 가능한 ‘디지털 자산(Digital Asset)’으로 전환하는 데 화력을 집중하는 배경이다.

 

렌턴 슈 CTO는 이 가상 환경이 단순한 입체 모델링에 그쳐서는 안 된다고 목소리를 높였다. 공장 배치도를 화면에 복사하는 수준으로는 훈련장의 역할을 할 수 없다는 의견. 이 과정에서 설비의 정확한 위치는 물론 물체 물리 특성, 컨베이어 구성, PLC(Programmable Logic Controller) 입출력 신호, 제어 로직, 작업 순서 등이 결합돼야 한다. 그는 이에 대해 “로봇 기체가 실제 최전선에서 마주할 물리적 접촉, 이동 경로, 공정 조건을 가상 환경 안에서 먼저 겪어야 하기 때문”이라고 관점을 내비쳤다.

 

반대로 메타AI가 지적한 병목도 이 부분이다. 디지털 트윈은 오랜 화두였으나 산업 현장 구축에는 여전히 막대한 시간과 인력이 소모된다는 것을 우려한 것이다. 그래픽 설계, 물리 특성 정의, 제어 로직 연결, 시뮬레이션 통합 작업이 제각각 파편화됐다는 게 그 이유다. 가상 공장 구축이 매번 일회성 프로젝트로 단절된다면, 기체가 반복 학습할 지속 가능한 훈련장으로 기능하기 어렵다는 의견도 덧붙였다.

 

 

사측은 이 간극을 공간(Spatial)·물리(Physical)·동기화(Synchronization)의 문제로 나눠 설명했다. ▲실제 공장을 입체 환경으로 옮기는 ‘공간 간극(Spatial Gap)’ ▲강성·마찰계수 같은 물리적 성질을 반영하는 ‘물리 간극(Physical Gap)’ ▲가상 환경이 실제 가동 장비처럼 움직이도록 제어 신호와 운영 로직을 맞추는 ‘동기화 간극(Synchronization Gap)’의 해결이다.

 

대니얼 유는 “디지털 트윈은 이 세 조건이 맞물려야 로봇 행동을 시험하는 진짜 격전지가 된다”고 강조했다. 그러면서 “이 세 장벽이 존속하는 한 로봇은 특정 시연 환경을 벗어나는 순간 성능을 잃는다. 한 라인에서 실효성을 발휘하던 동작이 이웃 공정으로 이동하면 불안정하고, 조명이나 부품 배치가 조금만 바뀌어도 가동을 멈춘다”고 한계를 지목했다.

 

실제 현장 데이터를 무한히 모으는 데 한계가 있다면, 가상 환경을 로봇이 먼저 실패하고 다시 일어서는 학습 공간으로 확장해야만 하는 배경이다.

 

존 루(John Lu) 위스트론(Wistron) 공장장이 제시한 사례는 이 가상 공장이 실제 제조 이전 단계에서 발휘하는 실전성을 가늠하게 했다. 전자제품 제조 서비스(EMS) 업체 위스트론은 대만 신주 공장을 미국·멕시코 거점으로 확장·이전하는 과정에서 ‘엔비디아 옴니버스(NVIDIA Omniverse)’ 기반 디지털 트윈 기법을 도입했다. 실제 설비를 들여놓기 전, 가상 환경에서 라인 구성, 장비 배치, 이동 동선, 자동화 장비 운용 조건을 선제 검증하는 접근이다.

 

루 공장장은 “처음부터 디지털 평면 위에서 공장을 새로 지었다”고 설명했다. 기존 공장을 물리적으로 복제하는 구시대적 방식에서 벗어나, 디지털 트윈 안에서 장비 동선과 자동화 조건을 먼저 최적화한 뒤 현장으로 이식하는 정공법이다. 이 프로세스는 신주에서 멕시코, 다시 휴스턴으로 이어지는 공급망 확장 과정에서 공장 구축 시간을 대폭 단축하는 실효성을 냈다는 게 그의 강조점이다.

 

 

이 과정에서 검증 대상은 자동화 설비, 자율주행로봇(AMR) 경로, 기체 세부 동작, 전력·열 흐름 등을 통합한 부분이다. 이는 실물 로봇 지능이 현장에 안착하려면 다양한 현장 조건이 하나의 연산 환경으로 계산돼야 한다는 관점으로 확장 가능하다.

 

스펜서 황 엔비디아 디렉터가 언급한 시뮬레이션의 한계와 가능성도 이 대목에서 맞물린다. 그는 “고전적인 시뮬레이션은 물리적 정밀도가 높지만 환경의 다양성을 확보하기 어렵다. 반면 세상 전체를 읽는 월드 모델은 다양한 시나리오를 생성하지만 물리적 일관성이 부족할 수 있다”고 말한 부분이다.

 

실제 전선의 고민은 이보다 복잡하다. 동일한 장비·표준작업절차(SOP)를 갖춰도 공장·물류센터 지리적 위치, 작업자 숙련도, 언어·문화, 사용자 요구, 제품 변경 주기 등에 따라 품질 편차가 발생하기 때문이다.

 

제이슨 우(Jason Wu) 쿨러마스터(Cooler Master) 최고정보책임자(CIO)와 제시 첸(Jesse Chen) 스핑저스(Spingence) CEO가 제시한 제조 AI 논의는 이 장벽을 정조준한다.

 

우 CIO는 공장의 물리적 복제가 갈수록 어려워지고 있다고 진단했다. 숙련공은 은퇴하고 제품 변경 주기는 빨라지는데 품질 기준은 높아진다고 말했다. 이어 “같은 지침서를 다른 언어로 번역해 전달한다고 해서 동일한 품질이 재현되지는 않는다. 현장의 오랜 제조 경험과 암묵지가 데이터·시뮬레이션 시스템 안으로 완전히 녹아들어야 하는 이유”라고 전했다.

 

이후 첸 CEO는 이를 차세대 공장 운영 체계의 핵심 과제로 해석했다. “가동 과정에서 발생하는 오류 보정 경험과 공정 지식을 디지털 자산으로 저장하고, 이를 새 공장 구축의 생산 조건 검증에 재투입하는 구조”라고 그가 말했다.

 

 

두 사람은 이번 GTC에서 디푸 탈라 부사장이 주창한 ‘세 대의 컴퓨터(Three-Computer Architecture)’를 현장 상황에 적용해 번역했다.

 

이때 세 대의 컴퓨터는 AI 모델을 학습시키는 ‘훈련 컴퓨팅(Training Computing)’, 로봇·공정 조건을 가상 환경에서 검증하는 ‘시뮬레이션 컴퓨팅(Simulation Computing)’, 실제 장비와 로봇에서 추론·제어를 수행하는 ‘런타임 컴퓨팅(Runtime Computing)’을 하나의 운영 구조로 연결하는 개념이다.

 

우 CIO와 첸 CEO는 이를 각각 ▲AI 연구개발 매니저(AI R&D Manager) ▲AI 생산 엔지니어(AI Production Engineer) ▲AI 현장 반장(AI Field Supervisor)에 비유하며 공장 운영 체계로 확장했다. 순서대로 R&D 데이터를 축적하고, 시뮬레이션을 수행하며, 실제 현장을 감시하는 역할이다. 이들은 세 역할이 유기적 결합돼야 한다고 강조했다.

 

이제 남은 관문은 실전 배포다. 데이터·시뮬레이션을 통과한 제어 정책도 실제 하드웨어와 현장 운영 시스템에 이식되지 않으면 설득력 있는 산업 기술이 되기 힘들다. 가상 세계에서 검증을 마친 제어 알고리즘을 현장 에지 컴퓨팅과 로봇 구동 소프트웨어로 이식하는 마지막 단계. 피지컬 AI의 실전성은 이 최전선에서 다시 시험대에 오른다.

 

관문 ③ < 배포 > 실패 기록이 곧 비용의 절감, 장벽을 낮출 新 데이터 거버넌스는?

 

마지막은 실행 시간, 즉 ‘런타임(Runtime)’이다. 앞선 데이터 자산화와 가상 검증이 로봇의 행동 지능을 설계하는 백엔드(Back-end) 공정이었다면, 배포(Deployment)는 이 지능을 실제 기체의 가동부에 착륙시키는 최종 단계다. 이 최전선에서 피지컬 AI는 공정 주기, 지연, 돌발 오류 복구력, 실제 운영 비용이라는 가혹한 실전 시험대에 오른다.

 

디푸 탈라의 ‘세 대의 컴퓨터’ 프레임워크 중 현장 가동을 담당하는 영역이 바로 이 ‘런타임 컴퓨팅’ 계층이다. 가상 환경의 모의 훈련을 정교하게 통과했을지라도, 로봇에서 실시간 추론과 정밀 제어로 발현되지 않으면 산업 기술로서의 생명력을 잃는다. 배포의 본질은 학습된 지능을 지탱하는 실전 구조로 전환하는 일이다.

 

테크맨로봇이 공개한 휴머노이드 플랫폼 ‘티엠 익스플로어 1(TM Xplore 1)’은 이 배포 장벽을 실물 기체로 보여준 대표적 사례다. 이들은 월드 모델 프레임워크와 에지 하드웨어를 통합해, 가상에서 학습한 모델을 실물 기체의 움직임으로 연결하는 체계를 제시했다.

 

케빈 우 엔지니어는 이 대목에서의 핵심에 대해 “가상에서 검증된 행동 지능이 실제 기체 안에서 어떤 실행 경로로 바뀌느냐가 관건”이라며 “티엠 익스플로어 1의 상체는 조작 작업을 맡고, 바퀴(Wheel)형 모바일 베이스는 작업 단위(Cell) 간 이동을 담당한다”고 기술 구동 체계를 소개했다. 여기에 비전 센서와 에지 하드웨어가 결합되면서, 모델의 판단은 현장 센서 입력과 모터 제어 신호를 오가는 런타임 구조 안에 적용된다는 설명을 더했다.

 

▲ 티엠 익스플로어 1이 작업 셀 앞에서 조작 동작을 수행하고 있다. 이 데모의 핵심은 가상에서 학습·검증된 행동 지능이 실제 기체의 센서 입력, 에지 하드웨어, 제어 신호로 이어지는 런타임 구조다. (촬영·편집 : 타이베이(대만)=헬로티 최재규 기자)

 

이 구조가 실제 제조·물류 현장에서 작동하려면 클라우드(Cloud)·에지(Edge)의 배치 문제가 필연적으로 뒤따른다. 로봇이 판단을 내릴 때마다 외부 클라우드로 데이터를 전송하고 결과를 받아오는 구조로는 지연에 따른 작업 품질 저하를 막을 수 없다는 말이다. 현장 보안 정책과 설비 간 전파 간섭, 찰나의 가동 중단 비용이 동시에 맞물리는 생산 최전선에서 런타임 컴퓨팅이 기체와 가장 가까운 에지단에 배치돼야 하는 이유다.

 

헨리 장(Henry Zhang) 유니트리로보틱스(Unitree Robotics) APAC 비즈니스 디렉터 역시 이 흐름을 ‘에지 컴퓨팅 분산화(Edge Computing Decentralizing)’로 규정했다. 클라우드 의존형 구조는 통신 커버리지와 시간 지연 장벽을 넘기 어렵다는 지적이다. 실제로 명령을 원격 서버로 보내 처리한 뒤, 로봇으로 돌려받는 과정에서 발생하는 2~3초의 지연은 현장 가동을 마비시키는 치명타가 된다.

 

이 시점에서 그가 제시한 해법은 현장 단위의 로컬 컴퓨팅(Local Computing) 체계다. 공장·물류센터·캠퍼스·병원 등 특정 공간마다 독립된 에지 컴퓨팅 시스템을 구축하고, 공용망을 거치지 않는 로컬 네트워크 기반으로 로봇을 운용하는 방향성이다. 로봇이 현장 안에서 즉각 판단·실행하는 '독립 운영 노드(Independent Operating Node)'로 진화해야 한다는 주장이다.

 

이는 업계 안에서 에지 컴퓨팅 플랫폼으로 구체화된다. 로봇 내부에서 인식·추론·제어가 짧은 주기로 오가려면 고성능 AI 모델을 제한된 전력 안에서 저지연으로 구동해야 한다는 시각에서 출발한다.

 

▲ 티엠 익스플로어 I와 코봇이 같은 공간에서 구동되는 모습. 바퀴형 모바일 휴머노이드, 비전 시스템, 에지 하드웨어가 결합되면서 피지컬 AI의 배포 단계가 현장 셀 단위 통합 문제로 확장되고 있음을 암시한다. (촬영·편집 : 타이베이(대만)=헬로티 최재규 기자)

 

이때 에지 컴퓨터는 로봇의 물리적 두뇌 역할을 맡는다. 외부 서버가 판단을 대행하는 방식을 탈피해, 기체 내부에서 상황을 읽고 제어 신호를 즉시 생성하는 구조로 배포 문법이 바뀌는 셈이다.

 

젠슨 황(Jensen Huang) 엔비디아 CEO가 지난 GTC 타이베이에서 공개한 범용 로봇 파운데이션 모델(RFM) ‘아이작 그루트(Isaac GR00T)’ 개발 기술 체계(Stack)가 이에 대한 이해를 돕는다.

 

로봇 개발자는 먼저 ‘엔비디아 아이작 랩(NVIDIA Isaac Lab)’에서 가상 작업장을 만들고, ‘엔비디아 아이작 텔레옵(NVIDIA Isaac Teleop)’으로 원격 조작한 실제 시연 데이터를 확보한다. 이후 ‘엔비디아 옴니버스(NVIDIA Omniverse)’와 ‘엔비디아 코스모스(NVIDIA Cosmos)’를 통해 현실에서 반복 수집하기 어려운 예외 상황을 메우는 합성 데이터(Synthetic Data)로 보강한다.

 

이렇게 모인 데이터는 로봇 행동 정책을 학습·평가하는 재료가 되고, 최종 정책은 로봇운영체제(ROS) 플랫폼 ‘엔비디아 아이작 ROS(NVIDIA Isaac ROS)’를 거친다. 이후 최신 에지 하드웨어 솔루션 ‘엔비디아 젯슨 토르(NVIDIA Jetson Thor)’에서 실행된다.

 

 

이 과정에서의 핵심은 ▲데이터 수집 ▲가상 검증 ▲학습 ▲평가 ▲현장 적용 등으로 로봇 개발단을 체계화하는 과정. 이러한 각 단계를 하나의 통합 실행 경로로 연결해 배포 가능한 구조로 모듈화한다는 점에 주목해야 한다.

 

다만 이 실행 경로가 현장에 안착하려면 결국 경제성의 문턱을 넘어야 한다는 시각도 나왔다. 에드워드 리우 총괄은 “기술적 가능성만으로는 상용화가 불가능하다”고 선을 그었다. “로봇이 작업을 '할 수 있다'는 기술 검증과, 현업 부서가 가동 시간 및 ROI 회수 기간을 납득하는 것은 전혀 다른 영역”이라고 지적한 그다.

 

총괄이 강조한 배포 비용 절감의 핵심은 여러 요소가 선제 개선돼야 가능하다. 장기 유지보수 비용, 현장 시스템 통합(SI) 부담, 배포 공정 반복 가능성 등이 개선점이다. 개념증명(PoC)이나 실증(Pilot) 프로젝트가 단발성 이벤트로 끝나서는 확장이 쉽지 않다. 이와 관련해 리우 총괄은 “첫 현장에서 겪은 오류 유형과 통합 방식이 다음 현장에 곧바로 이식될 수 있는 ‘배포 플레이북(Deployment Playbook)’으로 자산화되는 것이 관건”이라고 의미를 설명했다.

 

이렇게 실전 배포 이후 쌓이는 운영 기록은 다음 현장의 설계값으로 돌아간다. 이 같은 이력은 후속 배포의 비용 구조를 바꾸는 데이터로 활용된다. 로봇은 이 단계에서 다음 투입의 리스크를 낮추는 운영 데이터 생산 장치가 된다.

 

이 운영 논리는 AI 공장(AI Factory) 인프라로 확장된다. 젠슨 황 CEO는 이를 두고 “AI 팩토리는 칩(Chip)·랙(Rack)·네트워크·전력·냉각·전력망(Grid)까지 다양한 요소를 엔드투엔드로 함께 설계해야 한다”고 말했다.

 

 

연이어 AI 팩토리 설계·배포·운영 청사진인 ‘엔비디아 DSX 플랫폼(NVIDIA DSX Platform)’을 AI 팩토리 구축·운영을 위한 비전으로 제시했다.

 

그러면서 “공장 전원이 켜지는 순간부터 DSX와 같은 하부 인프라가 유기적으로 맞물려 스스로 자원을 할당하고, 실시간 관제와 장애 복구를 수행하는 통합 운영의 패러다임이 탄생할 것”이라고 강조했다.

 

이를 로봇 배포에 대입하면, 현장 로봇은 작업 상태, 오류 이력, 가동 비용, 유지보수 신호 등을 실시간으로 뿜어내는 데이터 생산 기지가 된다.

 

헬로티 최재규 기자 |