로봇은 ‘피지컬 AI(Physical AI)’를 몸에 새기는 대표적인 실전형 기체로 각광받고 있다. 그렇다고 해서 로봇이 피지컬 AI를 대변하는 전부는 아니다. 단편적인 기체 구동을 보여주는 것만으로는 더 이상 ‘로봇 강국’의 지위를 담보할 수 없다는 뜻이다. 이제는 ‘데이터 자산화’와 ‘에지 컴퓨팅(Edge Computing) 기반 추론’, ‘현장 실증(Pilot)’과 ‘실행 체계’가 함께 돌아가야 하는 방정식의 영역으로 진입했다.

 

이때 피지컬 AI는 인공지능(AI)이 물리적 환경을 직접 학습·적응해, 로봇·설비·시스템이 실제 공간에서 자율적으로 문제를 해결하고 인간과 협력하도록 구현하는 기술 방법론이라는 게 이론적 정의다. 쉽게 말해 AI가 물리 환경 속 하드웨어와 결합하는 기술이다.

 

그러나 산업 현장에서의 이 개념은 더 구체적이다. ▲로봇 팔(Robot Arm) 움직임 ▲공장 속 예외 상황 ▲에지단 추론 성능 ▲분야(Domain)별 실증 환경 ▲공공 수요 및 판로 개척 등과 연결돼야 제대로 작동한다는 시각이다.

 

지난 24일 서울 영등포구 소재 국회의사당에서 전개된 ‘피지컬 AI 프론티어 강국 신기술 전략 포럼’은 해당 복합 방정식을 한 테이블에 올린 자리다. 로봇, AI 반도체, 통신·플랫폼, 제조·방산·서비스 등에서 모인 산업계 이해관계와 대학·연구기관·정부부처·국회 등 관계자가 논의를 이어갔다. 핵심은 다양한 기술을 나열하는 자리라기 보다, 피지컬 AI 실행 조건을 구체적으로 공유했다.

 

 

이날 펼쳐진 각 발언은 네 갈래다. 로봇 행동 데이터, 월드 모델(World Model), 디지털 트윈(Digital Twin)이 그 첫 가지다. 그 다음은 온디바이스 AI(On-device), AI 반도체, 에지 추론이 또 다른 어젠다고 이어졌고 이후 로봇·방산·제조 현장의 실증·판로에 대한 목소리가 나왔다. 마지막으로 연구개발(R&D), 예산, 부처 사업, 국회 정책 지원으로 이어지는 실행 체계가 강조됐다.

 

능동형 인지 구조가 고도화 관건, 이론적 청사진과 실증 사례 ‘이정표’

 

이날 복합 방정식 풀이의 윤곽은 두 개 업체가 각각 제시한 청사진과 실증 사례를 통해 드러났다. LG전자는 피지컬 AI 로봇을 구성하는 기술 체계(Stack)을 내놨고, 디에이오토리드는 제조 현장에서 실제로 작동 중인 개념증명(PoC) 구조를 건넸다. 한편이 로봇이 물리 세계에서 가동되기 위해 필요한 필수 구성 요소를 짚었다면, 다른 한편은 그 구성요소가 공장 안에서 어떤 방식으로 검증되고 있는지를 증명한 방식이다.

 

이날 LG전자에서 피지컬 AI 및 로보틱스를 연구하는 전혜정 박사는 핵심 기술 스택의 유기적 융합과 과제를 짚어냈다. 그는 “피지컬 AI가 이식된 로봇의 본질은 구동을 뒷받침하는 기술 기법과 인프라의 결합이 핵심”이라고 언급했다. 이는 결국 모델·데이터·소프트웨어를 동시에 설계·통제하는 시스템적 접근이 필수라는 의견이다.

 

이 과정에서 로봇의 두뇌는 독립적인 핵심 과제로 부각됐다. 물리 환경 속 하드웨어가 작업자와 공존하며 움직이기 위한 필수 조건이다. 하드웨어 스스로 주변 환경을 실시간으로 인식하고, 작업 목표를 이해하면서도, 돌발적인 예외 상황에 즉각 대응해야만 현장에서 가동될 수 있다는 논리다.

 

전 박사에 따르면, 특히 제조·물류 현장의 핵심인 안정성·효율성 극대화를 달성하려면 정형화된 동작만으로는 불가능하다. 실시간으로 변하는 현장의 예외 상황들이 발목을 잡기 때문이다. 박사는 “피지컬 AI가 스스로 환경을 읽고 최적의 행동을 선택하는 구조로 진화해야만 한다”며 “그래야 현장이 제시하는 까다로운 최우선 규격을 만족시킬 수 있다”고 분석했다.

 

 

다른 한편, 디에이치오토리드가 내세운 실증 사례는 이 논의를 실제 자사 공장 안에서 적용했다. 이석근 디에이치오토리드 대표는 피지컬 AI 기반 PoC 실증 과정을 소개하며, 자율주행 물류 로봇과 디지털 트윈, 로봇 기반 공정 무인화 구상을 구체화했다. 이때 핵심은 공정 내부에서 작업자의 개입을 최소화하더라도, 하드웨어·시스템이 스스로 판단하고 제어하는 자율제조(Autonomous Manufacturing)의 실현이다.

 

이석근 대표는 “산업 현장에서 피지컬 AI는 모호한 미래 트렌드에서 머물면 안 된다”며 “당장 공장에 내재화된 비용·인력·품질 문제를 해결해야 하는 생존의 영역”이라고 목소리를 높였다. 그러면서 “디지털 트윈을 통해 가상 환경에서 학습된 데이터가 실제 공장 설비의 제어·효율로 반영되는 선순환 구조를 만드는 것이 차세대 기술의 PoC 핵심 요체”라고 덧붙여 짚었다.

 

이 실증 사례는 피지컬 AI가 제조 현장의 고질적인 비용·인력·품질 문제와 직결된 생존 전략임을 방증했다는 점에서 주목받았다. 디에이오토리드는 디지털 트윈과 AI 모델을 연계해 공정 최적화와 강화 학습(Reinforcement Learning)을 추진하고 있다. 이 밖에 다품종 소량 생산에 유연하게 대응 가능한 시스템 구축 방향도 산업에 제안하는 중이다.

 

난제를 하나로...거대 공론의 場

 

포럼 현장에서 진행된 라운드테이블은 앞서 두 업체가 제안한 출발점을 이어받아 논의를 추진했다. 데이터 확보, 에지 추론, 현장 실증, 정책 실행이라는 생태계적 난제로 논점을 확장했다. 출발점 구조를 산업 생태계의 과제로 구체화한 것. 피지컬 AI를 특정 로봇 기체나 단일 솔루션이 아니라, 데이터·반도체·도메인·제도가 함께 맞물리는 산업 문제의식으로 봐야 한다는 의견이 관통했다.

 

“액션 데이터 없이는 피지컬 AI도 없다” 행동 자산이 만드는 데이터 병목 파훼법

 

라운드테이블의 첫 쟁점은 데이터였다. 피지컬 AI를 구성하는 요소로 GPU, 온디바이스 칩(Chip), 로봇 운영체제, 액추에이터, 이미지 센서 등이 함께 언급됐지만, 여러 발언자가 공통으로 되돌아간 지점은 결국 로봇이 학습할 수 있는 행동 데이터였다. 특히 로봇을 연구실과 현장에 보급해 행동학습 데이터를 모으는 구조, 제조 현장의 예외 상황을 축적하는 방식, 디지털 트윈을 통한 월드모델 구축, 산업 도메인 지식의 데이터화가 첫 번째 어젠다로 부상했다.

 

 

◆ 최재식 카이스트 교수

 

피지컬 AI 경쟁에서는 ‘로봇 기체 보급’과 ‘행동 데이터 축적’을 함께 고려해야 합니다. 해외에서는 로봇 제조사가 다양한 연구 주체에 자사 기체를 제공하고, 연구실이 새로 학습한 행동을 공개 소프트웨어 형태로 공유하면서 데이터를 모으는 사례가 있습니다. 국내에도 로봇 제조사가 적지 않기 때문에 연구실·스타트업이 실제 기체를 다루며 행동학습 데이터를 축적할 수 있도록 지원하는 사업이 필요합니다.

 

제조 현장 데이터는 기업의 노하우와 연결됩니다. 시범 공장이나 실증 현장을 공개하는 기업이 데이터를 제공할 때는 적절한 인센티브가 함께 설계돼야 합니다. 그래야 기업이 보유한 현장 지식과 데이터를 피지컬 AI 학습 자산으로 전환하는 구조가 지속될 수 있습니다.

 

로드맵도 중요합니다. 피지컬 AI가 현재 어느 단계에 있고, 1년 뒤와 3년 뒤에는 어디까지 가야 하는지 정리해야 합니다. 2030년을 기준으로 우리나라가 비교 우위를 가질 수 있는 영역과 보완해야 할 영역을 나눠 전략을 세우는 작업이 필요합니다.

 

◆ 김유철 LG AI연구원 전략본부장

 

로봇 브레인을 개발할 때 중요한 것은 평상시 동작보다 트러블슈팅과 예외 상황 대응입니다. 자율주행도 일반적인 주행에서는 성능이 빠르게 올라갔지만, 사고나 악천후, 돌발 상황에 대응하려면 별도의 데이터가 필요합니다. 피지컬 AI도 마찬가지입니다.

 

휴머노이드나 팩토리 운영에서도 예외 상황 데이터가 중요합니다. 현재 원하는 수준에 완전히 도달하지 못했더라도, 현장에서 사용하고 실증하면서 데이터를 모아야 합니다. 그 데이터가 다시 모델을 발전시키는 파이프라인으로 이어져야 피지컬 AI가 실제 환경에서 작동할 수 있습니다.

 

◆ 이연수 NC AI 대표

 

로봇의 가치사슬(Value-chain)은 부품부터 기능까지 이어지지만, 글로벌 경쟁의 중심은 점점 로봇 브레인(Brain)으로 이동하고 있습니다. 이 과정에서 디지털 트윈은 로봇 브레인을 학습시키기 위한 핵심 기반 기술로 봐야 합니다.

 

디지털 트윈으로 실제 현장을 가상화(Virtualization)하면 할 수 있는 일이 많아집니다. 로봇 브레인을 학습할 월드 모델 데이터와 합성 데이터(Synthetic Data)를 만들 수 있습니다. 이 밖에 가상 데이터를 실제 로봇에 이식하는 ‘시뮬레이션·현실 전이(Sim2Real)’ 과정에서 발생하는 간극, 즉 ‘시뮬레이션·현실 간 격차(Sim2Real Gap)’를 줄일 수도 있습니다. 공장의 여러 데이터를 통합·관제하면서 시스템을 지속 개선·최적화하는 데도 디지털 트윈 기술이 필요합니다.

 

이 영역은 글로벌 플랫폼과 협업해야 하는 부분도 있지만, 국내 생태계까 자생적으로 확보해야 할 기반 기술도 명확합니다. 3차원(3D) 가상화, 정밀 디지털 트윈, 로보틱스 파운데이션 모델(RFM) 구축 등 역량을 결합하면 로봇 브레인의 범용 지식과 현장 맞춤형 프레임워크를 함께 만들 수 있습니다. 장기적으로는 외부 플랫폼 의존도를 낮추는 기술 기반으로도 이어지는 효과도 기대됩니다.

 

◆ 이현동 슈퍼브에이아이 대표

 

데이터를 확보하면 된다는 말만으로는 충분하지 않습니다. 중요한 것은 어떤 데이터를 어떤 구조로 확보할 것인지입니다. 산업별 도메인 지식이 검증 가능한 형태로 정리돼야 하고, 그 지식을 실제 학습 가능한 데이터로 전환하는 방법론이 필요한 상황입니다.

 

모든 산업에서 데이터가 필요하다는 수준의 논의보다, 산업 지식을 어떻게 체계화하고 데이터화할 것인지에 대한 구체적인 방법론이 정책에 반영돼야 합니다. 피지컬 AI 영역에서도 데이터의 양뿐 아니라 데이터 구조·품질을 함께 봐야 합니다.

 

 

◆ 최수환 리얼월드 전무

 

현재 피지컬 AI 모델을 만들고 있지만, 모델만 만드는 회사는 아닙니다. 실제 로봇을 현장에 적용하는 일까지 함께 하고 있습니다. 이전에도 로봇을 적용해본 팀들이 있고, 이를 통해 현장 데이터와 적용 실적을 쌓아가고 있습니다.

 

피지컬 AI에서는 연대·연결이 필요합니다. 대기업도 각자의 적용처가 있지만, 보안 문제나 내부 사정 때문에 데이터를 학습용으로 확보하기 어려운 조건도 있습니다. 오히려 부품 업체나 중소·중견 제조 현장에서 실제 작업 데이터를 제공하고, 이를 바탕으로 모델을 고도화하는 구조가 중요합니다.

 

현재는 정형화된 작업부터 자동화가 진행되고 있습니다. 앞으로는 비정형 작업까지 다뤄야 하는 단계로 넘어갈 것입니다. 다양한 산업 데이터가 모일수록 RFM은 더 튼튼해지고, 현장에서 더 좋은 성과를 낼 수 있습니다. 이런 데이터가 모일 수 있는 환경과 과제가 더 많이 필요합니다.

 

◆ 강동한 플리토 최고기술책임자(CTO)

 

오늘 논의에서 데이터의 중요성이 계속 언급돼 반가웠습니다. 최근 피지컬 AI 데이터를 어떻게 더 현명하게 모을 수 있을지에 주력하고 있습니다. 비용을 낮추면서도 빠르게 모으는 방식이 중요하다고 보기 때문입니다. 피지컬 AI는 한 기업의 노력만으로는 완성되기 어렵습니다. 기업뿐 아니라 산업계·정부·국회 등 주체가 함께 움직여야 합니다.

 

◆ 김웅섭 디밀리언 이사

 

중소·중견기업을 대상으로 PoC를 다수 수행하고 있는 상황입니다. 현장에서 느끼는 것은 데이터 중에서도 도메인 데이터가 특히 중요하다는 점입니다. 현장 세부 노하우와 암묵지(Tacit Knowledge)가 실제 피지컬 AI 적용에서는 큰 비중을 차지합니다.

 

이런 데이터를 산업·공정별로 표준화하는 접근이 필요합니다. 데이터를 모으는 일이 단순히 센서를 설치한다고 해결되는 문제는 아닙니다. 수요 기업이 적극 참여하는 환경이 만들어져야 하고, 현장 경험이 데이터로 전환되는 구조가 필요합니다.

 

수요·공급 기업 간 성공 모델을 함께 공유하는 것도 중요합니다. 이는 제조업 수요 기업뿐 아니라 공급 기업에도 필요한 일입니다. 대·중견·중소기업이 실제 성공 경험을 더 많이 나누면 국가적으로 동반 성장할 수 있는 기회가 만들어질 것이라 확신합니다.

 

◆ 고평석 엑셈 대표

 

피지컬 AI 전략은 속도도 중요하지만 우선순위가 더 중요합니다. 많은 국가가 피지컬 AI 투자를 빠르게 확대하고 있고, 우리나라도 전략을 빠르게 세워야 하는 상황입니다. 다만 급하게 추진하는 과정에서 데이터 플랫폼, AI 플랫폼 순서, 사업 구조 우선순위가 흔들리지 않도록 해야 합니다.

 

데이터 플랫폼이 먼저 갖춰져야 할 영역에서 AI 플랫폼부터 구축되는 식의 순서 혼선이 생기면 사업의 완성도가 떨어질 수 있습니다. 급할수록 어떤 기반을 먼저 만들고, 어떤 기업과 기술을 중심에 둘 것인지 따져야 합니다.

 

특히 공공사업에 참여하는 기업의 전문성과 솔루션 검증이 중요합니다. 피지컬 AI라는 흐름에 맞춰 기존 역량을 새롭게 포장하는 수준에 머물러서는 안 됩니다. 특히 외부 솔루션을 단순히 가져와 포장하는 방식은 사업 내실을 약화시킬 수 있습니다. 시간이 부족하더라도 기술력과 수행 역량을 확인할 수 있는 체계가 필요합니다.

 

◆ 김용우 마인드로직 대표

 

현시점 피지컬 AI은 일반적인 키워드가 아닙니다. 실제 현장과 연구 차원에서 고도화가 진행되고 있는 마래형 기술 방법론입니다. 이 양상에서 산업에 공개된 행동 데이터셋(Action Dataset) 규모는 크지 않습니다. 아직 갈 길이 멀다는 뜻입니다.

 

거대언어모델(LLM)은 웹(Web)에 축적된 텍스트를 기반으로 학습할 수 있었습니다. 그러나 인간이 실제로 하는 동작을 모두 기록해 같은 규모로 만드는 것은 현실적으로 어렵습니다. 그래서 Sim2Real과 월드 모델에 대한 투자가 어느 때보다 중요합니다.

 

실제 환경을 그대로 다 수집하기 어렵다면, 그 복잡성을 가상 환경에서 재현하고 실제 세계로 옮길 수 있어야 합니다. 그래야 다양한 환경에서 작동 가능한 RFM을 만들 수 있습니다.

 

“지능이 곧 미래” 현장 추론이 해결한다...글로벌 전력 경쟁력을 확보하는 열쇠

 

앞 데이터 논의가 로봇 브레인의 학습 자산을 짚었다면, 여기서는 그 지능이 실제 현장에서 어디서·어떻게 계산될 것인가가 핵심 어젠다다. 피지컬 AI가 공장·로봇·관제·무인항공기(드론)·설비로 도입되면 클라우드(Cloud) 학습 자원만으로는 부족하다. 제한된 전력, 짧은 응답시간, 현장 안정성, 가격 경쟁력, 네트워크·에지 인프라가 함께 작동해야 한다는 목소리가 이어졌다.

 

 

◆ 이영탁 SKT 부사장

 

피지컬 AI에서는 그래픽처리장치(GPU), 온디바이스 칩, 로봇운영체제(ROS), 데이터가 함께 필요합니다. GPU는 정부와·민간을 주도로 이미 큰 투자가 이뤄지고 있고, 온디바이스 칩도 국내 반도체 역량을 감안하면 충분히 경쟁력을 만들 수 있습니다. ROS 역시 상당한 수준의 개발이 진행되고 있습니다.

 

문제는 데이터입니다. 독자 파운데이션 모델이든 특화 모델이든, 피지컬 AI에 필요한 리얼 데이터와 액션 데이터를 어떻게 확보하느냐가 핵심입니다. 여기에 더해 업체가 만든 피지컬 AI를 실제로 구매·적용하는 수요가 필요합니다. 제조 현장의 수익성이 높지 않은 상황에서 사용자가 기술을 도입하려면 정부 지원과 공공수요 창출이 함께 설계돼야 합니다.

 

◆ 신동주 모빌린트 대표

 

피지컬 AI와 AI 반도체는 궁합이 잘 맞는 분야라고 보고 있습니다. 로봇이나 제조 현장에서는 제한된 환경에서 높은 성능을 내야 하고, 가격 경쟁력과 전력 효율도 중요합니다. 고온이나 열악한 환경에서도 안정적으로 동작하는 신뢰성 역시 현장 적용의 중요한 조건입니다.

 

이런 관점에서 AI 반도체는 GPU와 다른 경쟁력을 가질 수 있습니다. 스마트 팩토리(Smart Factory), 다크 팩토리(Dark Factory) 등 차새대 제조 영역에서 피지컬 AI를 촉진할 때, AI 반도체 가능성을 시작 단계부터 고려했으면 합니다.

 

중장기적으로는 수출 경쟁력도 함께 생각해야 합니다. 지금 메모리 반도체, 자동차, 조선, 방산처럼 글로벌 시장에서 경쟁할 수 있는 영역을 정하고 집중해야 합니다. 향후 10년 후 시점에 어떤 분야에서 글로벌 경쟁력을 만들 것인지까지 함께 설계해야 한다는 말입니다.

 

◆ 박윤하 스피어에이엑스 대표

 

AI 소프트웨어만으로는 현장 산업의 요구를 모두 해결하기 어렵습니다. 산업 현장은 항상 전력, 장비, 운영 환경과 맞물려 있기 때문에 하드웨어·소프트웨어를 융합해 작동하는 구조가 필요합니다. 최근 AI 반도체가 발전하면서 이런 결합이 더 현실적인 시장으로 열리고 있습니다.

 

피지컬 AI는 제조·로봇 AI에만 국한되지 않습니다. 로봇·모빌리티·안전·도메인으로 확장되는 분야입니다. 국내 생태계까 글로벌 시장으로 나갈 때 이런 산업별 적용 역량을 함께 가져가야 한다고 봅니다.

 

◆ 박재형 KT AI랩장

 

전국 각지에서 서비스 로봇을 운영하며 실제 로봇에서 도출되는 데이터와 운영 경험을 쌓고 있습니다. 이런 데이터를 정리·활용하는 플랫폼을 운영하는 것도 피지컬 AI에서 중요한 역할이라고 생각합니다.

 

피지컬 AI 분야에서는 온디바이스 AI도 중요하지만, 모든 처리를 기기 안에서만 해결할 수는 없습니다. 온디바이스에서 처리하기 어려운 부분은 네트워크·에지 인프라를 결합해 처리해야 합니다. 그동안 축적한 통신·에지 기반 역량을 활용해 산업 현장에 피지컬 AI가 폭넓게 적용되도록 돕는 역할을 하겠습니다.

 

◆ 박현규 리벨리온 이사

 

최근 피지컬 AI 스타트업과 협력해 해외에서 수중 정화 로봇 실증을 진행했고, 전력 효율 측면에서 긍정적인 평가를 받았습니다. 이 같은 경험에서 비춰볼 때 앞으로 피지컬 AI 영역에서는 추론형(Inference) 전력 효율이 더 중요해질 것으로 생각합니다.

 

AI 인프라 구축이 GPU 중심으로 논의되는 것은 자연스러운 부분이 있습니다. 학습용 자원으로 GPU는 분명 필요합니다. 다만 정책을 설계할 때 학습용 수요와 추론용 수요를 구분해 봐야 합니다. 현장에서 작동하는 추론 영역에서는 신경망처리장치(NPU)도 실질적인 대안이 되도록 정책에 적극 반영되기를 기대합니다.

 

◆ 조영호 딥엑스 부사장

 

피지컬 AI가 트렌드가 되면서 로봇 산업도 수혜를 받고 있습니다. 다만 단기적으로 실질적인 수요가 나오는 곳은 로봇뿐 아니라 관제·검사 시스템, 드론, 산업 현장 곳곳에 확장돼 있습니다.이런 다양한 산업 영역이 함께 주목받고 육성돼야 피지컬 AI 강국으로 갈 수 있습니다.

 

자사는 양산 전환을 마친 제품으로 영업을 진행하고 있고, 구매 계약 중 상당 부분이 해외에서 발생하고 있습니다. 다만 해외 영업 과정에서는 글로벌 인지도와 시장 접근성이 여전히 중요한 과제입니다. 개별 기업의 노력만으로는 한계가 있는 만큼, 국내 온디바이스 AI 생태계가 함께 알려지도록 지원하는 정책·인식적 체계가 필요합니다.

 

◆ 원윤식 네이버 전무

 

최근 가볍고 빠른 차세대 비전(Vision) 모델을 공개했습니다. AI 로봇의 활용 폭을 넓히려면 자율주행로봇(AMR)이 주변 환경을 빠르고 정확하게 인식할 수 있어야 합니다. 기존 방식은 데이터 중복 처리 과정에서 메모리·연산량이 과도하게 소요되는 문제가 있었고, 이를 하나로 통합한 범용 모델을 통해 온보드(On-board) 환경의 로봇을 경량화하는 것이 중요합니다.

 

앞으로도 AI 로봇 활성화와 도입 장벽을 낮추는 방향으로 기술을 발전시켜 나가겠습니다. 피지컬 AI가 실제 산업·서비스 현장으로 확산되려면 경량화, 속도, 적용 편의성을 두루 갖춘 모솝으로 모델이 개선돼야 합니다.

 

변화된 현장의 시각화...“기술이 현장에서 팔려야 중소·중견 확산돼”

 

이제는 적용처다. 피지컬 AI가 산업으로 자리 잡으려면 기술 스택을 갖추는 것만으로는 부족하다는 의견이 주를 이뤘다. 현장의 변화를 직접 확인하는 실증 무대, 기업이 투자할 수 있는 구매 구조, 글로벌 시장으로 나아가는 수출 패키지, 구체적인 도메인 적용처 등이 함께 필요하다는 목소리다.

 

 

◆ 박준용 세라젬 AX센터장

 

제조 현장에 피지컬 AI를 적용하는 문제를 보면서 많은 고민을 하고 있습니다. 확산 측면에서 보면 대기업과 중소·중견기업 사이에는 적용 속도와 경험의 차이가 있습니다. 대기업은 디지털 전환(DX)을 거치며 현장 혁신을 비교적 빠르게 진행해 왔지만, 중소·중견기업은 이제 첫걸음을 떼고 현장을 바꿔가는 경우가 많습니다.

 

중소·중견기업이 실제로 어떻게 현장을 바꿀 수 있을지 보려면, 변화가 일어난 현장을 직접 확인하는 기회가 더 많아져야 합니다. 같은 업계의 제조 현장에서 어떤 방식으로 피지컬 AI와 자동화가 적용되고 있는지 볼 수 있다면 확산 속도도 달라질 수 있습니다.

 

정부 지원 사업을 통해 변화를 만든 기업의 현장을 다른 기업이 확인할 수 있는 기회가 많지 않다고 느꼈습니다. 이런 사례가 조금 더 공유된다면 관련 업계의 변화에도 도움이 될 것입니다.

 

◆ 조준희 한국인공지능·소프트웨어산업협회장

 

지난해 9월 피지컬 AI 산업 확산을 위해 산·학·연·관 협력 체계를 구축했다. ‘피지컬AI 글로벌 얼라이언스’는 지난 1기에서 여러 행동계획을 만들었고, 지금은 실행을 강화하는 2기 단계로 들어섰습니다. 공동 의장기관인 과학기술정통부와 함께 3개 분과와 15개 그룹으로 구성을 잡았습니다. 오늘 자리에 참여한 기업도 이 흐름 안에서 함께 움직일 수 있다고 봅니다.

 

제가 특히 강조하고 싶은 것은 수출입니다. 해외를 방문하면서 피지컬 AI와 관련한 논의를 계속하고 있고, 여러 기업과 풀스택(Full-stack) 수출 가능성도 논의하고 있습니다. 개별 기술·제품으로만 접근해서는 글로벌 시장에서 힘을 갖기 어렵다는 것을 몸소 경험하는 중입니다.

 

로보틱스·칩·모델 등 각 업체가 각각 따로 해외에 둥지를 틀면 가격 경쟁이나 대체 가능성의 문제를 피하기 어렵습니다. 반대로 파운데이션 모델과 로보틱스, 칩, 응용 솔루션이 함께 묶인 풀스택 구조로 가면 이야기가 달라집니다. 해외 시장에서는 파운데이션 모델만 따로 팔기 어렵고, 로봇만 따로 팔기도 어렵습니다. 정부가 마중물을 만들고 민간이 함께 패키지를 구성해야 합니다.

 

국가 대 국가 협력 구조도 중요합니다. 미국·중국 어느 한쪽에만 의존하기보다, 유럽·중동·아프리카처럼 새로운 선택지를 찾는 시장을 대상으로 정부·민간이 함께 논의할 필요가 있습니다. 피지컬 AI 산업이 완성차 산업처럼 풀스택 산업으로 성장하려면 연대·동맹이 필요합니다.

 

◆ 노승준 로브로스 대표

 

앞서 나온 풀스택 전략에 공감합니다. 피지컬 AI 기반 휴머노이드 로봇(Humanoid Robot)을 현장에 적용하려면 데이터가 핵심이라는 데 이견이 없을 것입니다. 문제는 제조·물류 현장에서는 실제 라인이 가동되는 중에는 데이터를 쌓기가 쉽지 않다는 점입니다.

 

그래서 데이터 팩토리를 만들 때 단순히 데이터를 모으는 데 그치면 안 됩니다. 그 데이터를 현장에 적용할 수 있는 실무자 교육까지 함께 고도화돼야 합니다. 피지컬 AI 휴머노이드를 실제 현장에 투입하고, 솔루션으로 공급하는 관리자가 필요하다는 겁니다.

 

그 교육 과정에서 휴머노이드 플랫폼이나 파운데이션 모델을 직접 활용하는 경험도 중요합니다. 휴머노이드 플랫폼, 모델 등 업체가 제공하는 기술을 실제로 다뤄본 인력이 현장에 들어가야 피지컬 AI가 적용 단계로 넘어갈 수 있습니다.

 

◆ 손병희 마음AI 연구소장

 

중소·중견기업은 자체 생존력만으로 모든 것을 감당하기 어렵습니다. 인재가 중소·중견기업에도 진출하도록 길을 만들어줘야 하고, 기술을 개발한 기업이 실제 매출로 이어지는 생태계 구조도 필요합니다.

 

정부 과제를 수주하면 R&D 전략을 이어가는 데는 도움이 되지만, 기업 입장에서는 매출을 만드는 전략이 함께 있어야 합니다. 과제가 끝난 뒤에도 시장에서 살아남는 판로와 구매 구조가 필요합니다.

 

풀스택도 로봇·반도체·모델만으로 완성되지는 않습니다. 전력까지 함께 가야 실제 산업 현장에서 작동하는 풀스택이 될 수 있습니다. K-다크 팩토리와 코리아 스마트 그리드(Smart Grid)까지 통합해 수출하는 구조를 만들어야 합니다. 피지컬 AI 국제 표준을 주도하려는 노력도 함께 이어가야 합니다.

 

 

◆ 조용준 로봇웨어에이아이 대표

 

양계 산업을 무인화하기 위해 로봇·사물인터넷(IoT)·모델·모니터링 등 기술을 함께 개발하고 있습니다. 농장에 적용되는 로봇은 직접 설계하고 있고, IoT·AI도 자체적으로 개발하고 있습니다. 도메인 지식은 실제 농장을 운영하면서 쌓고 있고, 관련 업체와도 협력하고 있습니다.

 

축산업에 로봇·AI를 적용하는 기업은 아직 많지 않습니다. 그만큼 현장 적용 가능성도 크고, 도메인별 실증이 중요한 영역입니다. 양계 농장처럼 반복 작업과 환경 관리가 동시에 필요한 곳에서는 로봇·모델·센서·설비가 함께 맞물려야 합니다.

 

우리 같은 스타트업은 기술 개발과 현장 적용을 동시에 진행해야 합니다. 온디바이스 AI와 NPU 적용도 함께 검토하고 있습니다. 피지컬 AI가 제조업뿐 아니라 축산업 같은 도메인으로 확장되도록 실증과 협력 기회가 더 많아졌으면 합니다.

 

◆ 서영우 한화에어로스페이스 전무

 

범국가적으로 휴머노이드 분야를 왜 성장시켜야 하는지, 어떤 작업에 휴머노이드를 적용해야 하는지를 더 깊이 고민할 필요가 있습니다. 로봇이 실제 제품으로 움직이려면 소프트웨어·기계공학(Mechanics)·엔지니어링 등 역량이 모두 갖춰져야 합니다. 피지컬 AI가 현장에서 실효성을 내기 위해서 이 기본 역량이 뒷받침돼야 한다는 뜻입니다.

 

최근 유럽 방산 전시회에서 로보틱스·AI를 결합한 기술 접근을 확인했습니다. 그만큼 방산 산업이 흐름을 빠르게 바꾸고 있다는 것인데요. 현재 다양한 전쟁이 촉발되면서 전 세계적으로 방산 산업이 또 다른 성장 모멘텀을 경험했고, 유럽에서도 AI 로보틱스 기반 업체가 주목받고 있습니다.

 

이들이 이렇게 성장한 배경에는 기술 투자와 제조 기반이 있었습니다. 우리도 제조 기반과 방산 역량을 두루 갖추고 있는 나라입니다. 중요한 것은 유행하는 키워드를 좆는 것이 아니라, 우리만이 가진 제조 기반과 기술 역량을 지키고 키우는 방향으로 정책을 설계하는 일입니다.

 

◆ 김현수 두산로보틱스 상무

 

지능형 솔루션과 산업용 휴머노이드 영역으로 국내외 산업과 협력하고 있습니다. 오늘 포럼에 참석한 업체와도 지속 협력하기를 기대합니다. 그런 측면에서 오늘 여러 차례 나온 풀스택 전략에 공감합니다. 디에이오토리드의 사례처럼 현장에서 실제로 피지컬 AI가 가동되는 사례가 더 많이 만들어져야 합니다.

 

피지컬 AI 확산을 위해서는 현장에서 선제 실증하고 데이터를 열어주는 업체에 설득력 있는 인센티브가 주어져야 합니다. 그런 업체들이 있어야 로봇 기업과 피지컬 AI 기업도 함께 성장할 수 있습니다. 현장 기업의 도전이 산업 전체의 마중물이 될 수 있습니다.

 

피지컬 AI 강국론은 새로운 국면으로

 

마지막은 이를 어떻게 제도·예산·R&D 체계로 연결할 것인가다. 대학·연구기관은 피지컬 AI를 장기 연구와 실증 기반으로, 정부부처·전담기관은 부처 사업 연계와 제조 현장 확산을 언급했다. 국회는 이 논의를 초당적 정책으로 개선할 것을 암시했다.

 

 

◆ 김영오 서울대학교 학장

 

피지컬 AI는 특정 기술 하나로 완성되는 분야가 아닙니다. AI 모델, 로봇, 반도체, 데이터, 네트워크, 현장이 같은 호흡을 해야 하는 종합 기술입니다. 대학도 기존처럼 개별 연구실 단위의 연구만으로 대응하기 어렵습니다. 기계·전기전자·컴퓨터공학·산업공학·데이터과학 등이 함께 움직이는 융합 연구 구조가 반드시 필요합니다.

 

인재 양성도 같은 관점에서 봐야 합니다. 피지컬 AI 현장에서는 알고리즘만 아는 인재도, 하드웨어만 아는 인재도 충분하지 않습니다. 실제 장비·공정을 이해하면서 데이터를 다루고, 모델을 현장 조건에 맞춰 검증할 수 있는 인재가 필요합니다. 대학은 이런 융합형 인재를 길러내는 기반이 돼야 합니다.

 

◆ 유원필 한국전자통신연구원 소장

 

연구기관은 피지컬 AI의 기반 기술을 장기적으로 축적하는 역할을 해야 합니다. 오늘 논의한 로봇 브레인, 온디바이스 AI, 네트워크, 데이터, 디지털 트윈 등은 각각 따로 발전해온 기술입니다. 하지만 피지컬 AI 분야에서는 하나의 시스템으로 연결돼야 합니다. 이 연결 구조를 만드는 R&D 전략이 중요합니다.

 

이 과정에서 현장 실증과 R&D이 분리돼서는 안 됩니다. 연구기관이 기술을 개발하고 기업이 나중에 가져다 쓰는 방식만으로는 속도가 나기 어렵습니다. 처음부터 기업 현장과 함께 검증하고, 실증 과정에서 나온 데이터를 다시 연구로 돌려보내는 순환 구조가 필요합니다.

 

◆ 홍진배 정보통신기획평가원장

 

피지컬 AI는 기술개발 과제를 설계할 때도 기존 AI와 다르게 접근해야 합니다. 모델 성능만 보는 것이 아니라, 데이터 확보, 하드웨어 연계, 에지 추론, 현장 적용 가능성까지 함께 평가해야 합니다. 우리 원은 R&D 기획 단계부터 실증·사업화 경로를 함께 고려하겠습니다.

 

오늘 나온 발언을 보면 산업계가 필요로 하는 과제는 구체적입니다. 행동 데이터, Sim2Real, 온디바이스 칩, ROS, 현장 PoC가 모두 연결돼 있습니다. 이런 수요가 R&D 사업 안에서 실제 과제로 반영되도록 기획과 평가 체계를 정교하게 가져가겠습니다.

 

◆ 박윤규 정보통신산업진흥원장

 

앞선 언급처럼 피지컬 AI는 종합 기술입니다. 정보화 시대에는 소프트웨어 중심의 시스템통합(SI)이 중요했다면, 이제는 하드웨어까지 결합하는 새로운 형태의 SI가 피지컬 AI라고 봅니다. 로봇·모델·데이터·네트워크·정보보호·데이터센터·서비스 등 업체가 하나로 뭉쳐야 완성되는 구조입니다.

 

피지컬AI 글로벌 얼라이언스 2기도 이런 관점에서 설계됐습니다. 실제 솔루션을 제공하는 측면을 고려해 출범했습니다.

 

 

◆ 박용순 중소벤처기업부 실장

 

디에이오토리드 사례가 보여준 것은 경영진의 의지와 단계적 지원의 중요성입니다. 스마트 팩토리부터 시작해 피지컬 AI PoC로 이어지는 과정은 한 부처 사업만으로 만들어지기 어렵습니다. 중소벤처기업부의 스마트 공장 지원, 과학기술정보통신부의 피지컬 AI 사업, 산업통상부의 제조 확산 사업 등 전략이 이어달리기처럼 연결돼야 합니다.

 

2019년부터 상생형 스마트 공장 사업에 참여해 많은 중소기업을 지원한 대기업의 경험이 피지컬 AI 확산의 기반이 될 수 있습니다. 중소·중견기업이 한 번에 피지컬 AI로 뛰어드는 것은 쉽지 않습니다. 스마트 공장, 제조 데이터, 자동화, AI 적용을 단계적으로 연결하는 지원 체계가 필요합니다.

 

◆ 박태완 과학기술정보통신부 정보통신산업정책관

 

피지컬 AI는 AI 정책이 산업 현장으로 적용되는 중요한 전환 기술입니다. 그동안 AI 정책이 모델·인프라·데이터 중심으로 논의됐다면, 이제는 로봇, 제조 설비, 산업 현장에서 실제로 작동하는 AI까지 함께 구상돼야 합니다.

 

특히 피지컬 AI는 단일 부처만으로 추진하기 어렵습니다. 과학기술정보통신부는 AI 모델, 데이터, 컴퓨팅 인프라, 협력 체계를 중심으로 역할을 하되, 여러 생태계와 함께 실증과 확산 구조를 만들겠습니다. 현장에서 나온 과제가 정책·사업으로 이어지도록 적극 조율하겠습니다.

 

◆ 김성열 산업통상부 실장

 

우리가 기존에 잘하는 것을 더 잘해야 합니다. 대한민국은 제조 강국이고, 산업 기반을 갖춘 국가입니다. 피지컬 AI도 이 강점을 바탕으로 접근해야 합니다. 다른 나라의 흐름을 따라가는 것이 아니라, 제조 현장과 산업 경쟁력을 중심에 두고 전략을 세워야 합니다.

 

산업통상부가 추진하는 제조·피지컬 AI 사업에서도 핵심은 데이터, 모델, 하드웨어, 현장 적용입니다. 데이터를 모으고, 모은 데이터를 활용하고, 제조업에 특화된 모델을 만드는 것. 그리고 이 과정에서 필요한 하드웨어·설비를 함께 연결해야 한다는 시각입니다. 제조 현장에서 실제로 작동하는 피지컬 AI를 만드는 일을 하겠습니다.

 

◆ 안광현 중소기업기술정보진흥원 단장

 

중소기업 지원 현장에서 보면 부처 간 협력이 중요하다고 느낍니다. 협력 기조가 끊기지 않고 이어져야 중소·중견기업이 피지컬 AI까지 도달할 수 있습니다. 디에이치오토리드가 제시한 AI 통합 관리(Orchestration) 계획이 실제로 구현되고, 현장에서 성과로 이어지도록 총괄 기관으로서 역할을 하겠습니다. 중소기업이 기술을 도입·검증·확산하는 전 과정을 지원하는 것에 집중할 계획입니다.

 

◆ 한승엽 한국산업기술기획평가원 부원장

 

피지컬 AI는 R&D와 산업 적용이 동시에 움직여야 하는 분야입니다. 기술개발 과제만 잘 만들어서는 충분하지 않습니다. 실제 제조 현장, 로봇 적용처, 수요기업이 함께 가동해야 성과가 납니다. 산업기술 R&D도 이런 방향으로 기획돼야 합니다.

 

앞으로는 기업이 현장에서 필요로 하는 문제를 더 구체적으로 수집해 R&D 과제에 반영하겠습니다. 로봇, 데이터, 디지털 트윈, AI 반도체, 공정 자동화가 따로 움직이지 않도록 사업 구조를 설계하는 것에 주력할 예정입니다. 피지컬 AI가 산업 경쟁력으로 이어지도록 기술기획과 평가 단계에서 현장 관점을 더욱 확보하겠습니다.

 

 

◆ 지광철 재정경제부 초혁신경제추진단장

 

피지컬 AI 정책은 현장에서 출발해야 합니다. 기업이 실제로 어디에서 어려움을 겪는지, 어떤 비용 부담을 느끼는지를 알아야 합니다. 그리고 어떤 지원이 있어야 생태계가 투자를 결정할 수 있는지까지 인식해야 합니다. 현장 목소리가 빠진 재정 지원은 효과를 내기 어렵습니다.

 

앞으로 재정·정책 설계에서도 현장성을 더 보겠습니다. 실증이 필요한 곳에는 실증 예산이, 확산이 필요한 곳에는 확산 지원이, 글로벌 경쟁력을 만들 수 있는 분야에는 전략적 투자가 필요합니다. 피지컬 AI가 미래 산업의 구호에 머물지 않도록 실행 구조를 만드는 것이 중요합니다.

 

◆ 정진욱 더불어민주당 국회의원

 

대한민국의 성장 전략에서 지역도 중요한 축이 돼야 합니다. 수도권 중심 구조만으로는 새로운 산업을 키우는 데 한계가 있습니다. 반도체, AI와 같은 첨단 산업도 지역의 산업 기반과 연결될 때 더 큰 확장성을 가질 수 있습니다.

 

대기업과 산업계도 관점을 넓혀 지역 주도 성장에 함께해 주시기를 바랍니다. 수도권의 비용과 비효율을 넘어, 지역 산업 기반과 연결된 새로운 성장 모델을 만들 필요가 있습니다. 피지컬 AI가 산업 현장과 결합하는 기술이라면, 그 현장은 수도권에만 머물지 않습니다.

 

◆ 고동진 국민의힘 국회의원

 

대기업은 큰 자원과 시스템을 갖고 있지만, 조직 시스템상 여러 요소에 정체돼 행동력이 저하될 수 있습니다. 반대로 스타트업과 벤처기업은 민첩하게 움직이는 기동력이 강점입니다. 각자가 가진 장점을 명확하게 분석하고, 대기업·스타트업 간 서로 필요한 것을 공유해야 합니다.

 

스타트업은 마냥 도움을 기다릴 것이 아니라, 자신만의 기술·경쟁력을 확실하게 만들어야 합니다. 그렇게 준비된 스타트업은 피지컬 AI 생태계에서 중요한 역할을 할 것으로 기대됩니다.

 

◆ 정동영 통일부 장관 겸 더불어민주당 의원

 

오늘 행사의 의미는 현장 목소리를 한곳에 모았다는 데 있습니다. 대기업, 중소·중견기업, 스타트업이 머리를 맞대고 막힌 곳과 필요한 부분을 이야기했습니다. 이를 연구기관, 정책부서, 국회가 함께 듣는 자리였다는 점이 중요합니다.

 

피지컬 AI를 주요 어젠다 중 하나로 놓고, 대한민국이 이 분야에서 앞서가겠다는 초당적 의지를 모두가 함께 공유해야 합니다. 오늘 나온 이야기를 한 번의 토론으로 끝내지 않고, 다음 논의와 후속 사업으로 이어가야 합니다.

 

헬로티 최재규 기자 |