AI가 화면 밖으로 나온다—한국·미국·일본 피지컬 AI 경쟁

2026-09-28 · AI · 쥬곰 편집부

#피지컬 AI #로봇 #휴머노이드 #스마트 제조 #한국 제조업 #산업 자동화

제조, 물류, 조선과 생활 지원 현장에서 사람과 함께 움직이는 다양한 AI 로봇

생성형 AI의 첫 번째 무대는 화면 안이었다. 문장을 쓰고, 이미지를 만들고, 코드를 생성하고, 질문에 답했다. 피지컬 AI는 그 판단을 카메라, 센서, 모터와 로봇 몸체에 연결한다. 주변을 보고, 물체와 사람의 위치를 이해하고, 행동을 계획하고, 실제로 움직인 뒤 결과를 다시 확인한다.

관심이 커진 이유는 단순히 휴머노이드 로봇의 걸음이 자연스러워졌기 때문이 아니다. 세계 공장에는 이미 막대한 자동화 기반이 깔려 있다. 국제로봇연맹(IFR)에 따르면 2025년 세계 공장에서 가동된 산업용 로봇은 500만 대로 전년보다 9% 늘었고, 한 해 신규 설치도 60만 대를 넘어 11% 증가했다. IFR World Robotics 2026 발표

이제 경쟁의 초점은 정해진 동작을 정확히 반복하는 기계에서, 낯선 상황을 이해하고 작업을 바꾸는 지능형 시스템으로 이동한다. 미국은 AI 모델과 소프트웨어 생태계, 한국은 높은 자동화 밀도와 제조 현장 데이터, 일본은 로봇 생산·정밀 제조·신뢰성을 강점으로 내세운다.

다만 산업용 로봇 수가 많다고 범용 피지컬 AI 기술도 자동으로 앞선 것은 아니다. 설치 대수, 제조업 로봇 밀도, 로봇 생산 능력, AI 모델 성능과 실제 현장 신뢰성은 서로 다른 지표다.

피지컬 AI는 무엇인가

기존 자동화 로봇은 미리 정한 좌표와 순서에 따라 같은 동작을 매우 빠르고 정확하게 반복한다. 환경과 부품이 일정하면 탁월하지만, 작업물이 조금만 바뀌거나 사람이 예상치 못한 위치에 들어오면 멈추거나 다시 프로그래밍해야 한다.

피지컬 AI는 시각·언어·센서 데이터를 함께 이해하고, 목표에 맞는 행동을 계획하고, 실패하면 수정하는 능력을 추가한다. “파란 상자를 아래 선반에 넣어라”라는 지시를 받으면 상자의 위치, 사람과 장애물, 이동 경로, 손에 가할 힘과 완료 여부를 연결해야 한다.

휴머노이드만 피지컬 AI인 것도 아니다. 로봇팔, 자율이동로봇(AMR), 무인반송차(AGV), 드론, 물류 분류기, 건설 장비와 돌봄 로봇도 현실을 인지하고 적응해 움직인다면 같은 범주에 들어갈 수 있다.

피지컬 AI를 구성하는 센서, 공간 인지, 행동 계획, 제어, 결과 피드백과 안전 정지의 여섯 단계

로봇을 움직이는 여섯 개의 층

1. 센서와 카메라

로봇은 영상뿐 아니라 깊이, 거리, 힘, 관절 위치, 속도, 온도와 설비 상태를 읽는다. 공장 조명, 먼지, 진동과 가려짐이 있어도 쓸 수 있는 데이터가 필요하다. 데이터가 늦거나 틀리면 그 위의 판단이 아무리 좋아도 안전하게 움직일 수 없다.

2. 공간·물체 이해

사람과 장애물, 작업 대상과 도구를 구분하고, 각각 어디에 있으며 어떻게 연결되는지 알아야 한다. 화면 속 객체를 분류하는 것을 넘어 “이 부품은 집을 수 있는가”, “이 통로로 지나갈 수 있는가”, “사람이 손을 뻗으면 충돌하는가”를 판단한다.

3. 행동 계획

자연어 목표를 실제 행동 순서로 바꾼다. 작업 순서를 만들고, 필요한 도구를 찾고, 실패 가능성을 예측하고, 환경이 바뀌면 계획을 다시 세운다. 장시간 작업일수록 현재 진행 단계와 완료 조건을 정확히 기억해야 한다.

4. 제어와 구동

계획을 모터 명령으로 바꾸는 층이다. 팔과 손가락, 바퀴와 전신 관절이 필요한 힘, 속도와 궤적으로 움직여야 한다. 디지털 모델이 내놓은 정답이 실제 기계의 마찰·유격·하중을 견디지 못하면 작업은 실패한다.

5. 결과 피드백과 적응

부품을 제대로 잡았는지, 상자가 기울지 않았는지, 사람이 경로에 들어왔는지를 다시 감지하고 동작을 수정한다. 로봇마다 몸체와 센서가 다르기 때문에 같은 지능을 새 하드웨어에 얼마나 빠르게 옮길 수 있는지도 중요하다.

6. 안전 정지와 사람 감독

현실에서의 오류는 잘못된 문장 한 줄보다 큰 피해를 만들 수 있다. 사람과 너무 가까워졌을 때 멈추고, 확신이 부족한 작업은 감독자에게 묻고, 위험한 지시를 거부하는 체계가 필요하다. 비상정지, 속도·힘 제한과 안전구역 같은 전통적 장치도 AI 안전과 함께 유지돼야 한다.

기술이 실제로 달라진 지점

Google DeepMind가 2026년 7월 30일 발표한 Gemini Robotics 2는 최근 피지컬 AI가 향하는 방향을 보여 준다. 회사 발표에 따르면 이 계열은 전신 제어, 정교한 손동작, 여러 로봇의 협업, 수분 동안 이어지는 다단계 작업과 실패 뒤 자기수정을 다룬다. On-Device 2는 네트워크 연결 없이 로봇에서 실행하고, 200개 미만의 예시와 수시간의 데이터로 새로운 양팔 로봇 몸체에 적응하는 것을 목표로 한다. Google DeepMind 공식 발표

동시에 한계도 공식 자료에 드러난다. 다섯 손가락으로 봉투를 묶거나 쓰레받기를 쓰는 일부 작업의 성공률은 아직 낮고, 움직임 속도와 인간 수준의 손재주도 더 발전해야 한다. Robotics ER 2는 Google AI Studio에서 사용할 수 있지만 일부 플랫폼은 비공개 미리보기이며, VLA와 On-Device 모델은 초기 접근 파트너 또는 Trusted Tester 단계다. 연구 시연을 이미 모든 공장과 가정에서 살 수 있는 완성품으로 표현하면 안 된다.

세계 로봇 시장이 보내는 신호

IFR의 2025년 신규 설치 통계를 보면 중국이 35만4000대로 세계의 59%를 차지한다. 미국은 약 3만8000대로 전년보다 11% 늘었고, 일본은 3만6219대로 19% 감소했으며, 한국은 약 3만 대로 1% 줄었다.

설치량의 등락만으로 장기 경쟁력을 판단하기는 어렵다. 특정 자동차·반도체 투자가 한 해 수치를 크게 바꿀 수 있고, 오래 설치된 로봇의 성능과 새로 투입된 AI 기능도 통계에 그대로 드러나지 않는다. 중요한 것은 기존 설비에 어떤 센서와 데이터를 더하고, 다양한 제조사의 장비를 어떤 운영 시스템으로 연결하며, 사람이 안전하게 개입할 수 있도록 만드는지다.

미국의 AI 소프트웨어, 한국의 제조 현장 데이터, 일본의 로봇 생산과 신뢰성을 비교한 피지컬 AI 전략

미국: AI 모델과 소프트웨어를 현장 규모로

미국은 범용 AI 모델, 클라우드, 반도체, 로봇 스타트업과 물류 플랫폼을 한 생태계로 묶는 데 강점이 있다. 피지컬 AI 경쟁에서도 로봇 한 대의 제조보다 여러 형태의 로봇에 지능을 배포하고 학습 데이터를 순환시키는 소프트웨어 층을 중시한다.

2025년 산업용 로봇 설치는 약 3만8000대로 11% 증가했다. IFR은 식품과 비제조 분야의 강한 성장이 회복을 이끌었다고 설명했다. 자동차 산업은 여전히 가장 큰 수요처다. IFR 미국 로봇 시장 발표

미국의 다음 과제는 대기업 시연을 중소 제조업의 생산성으로 옮기는 것이다. 미국 국립표준기술연구소(NIST)는 2026년 9월 AI·로봇·자동화·적층제조 도입을 돕는 12개 Manufacturing Extension Partnership 센터에 3000만 달러 이상을 지원한다고 발표했다. 측정 가능한 도입 성과를 만들고 지역 제조업체에 기술 자문을 제공하려는 사업이다. NIST MEP 지원 발표

NIST의 2026 스마트 제조 로드맵도 산업 데이터, 이기종 센서·제어 통합, 설명 가능성, 신뢰성, 유지보수와 안전을 남은 장벽으로 꼽는다. 미국이 모델 성능을 실제 산업 경쟁력으로 바꾸려면 로봇 스타트업의 속도와 현장 표준·검증을 연결해야 한다.

한국: 세계 최고 로봇 밀도를 지능형 현장으로

한국의 강점은 이미 자동화된 제조 현장이다. IFR의 2024년 통계에서 한국 제조업의 로봇 밀도는 종사자 1만 명당 1220대로 세계 최고였다. 반도체, 자동차, 전자, 조선과 물류 현장에는 장비와 운영 경험이 축적돼 있다.

그러나 높은 로봇 밀도는 주로 정해진 공정의 자동화 성과다. 서로 다른 장비가 상황을 공유하고, 공정 변화에 맞춰 스스로 계획하고, 중소 제조업도 낮은 비용으로 도입하는 범용 피지컬 AI는 별도의 과제다. 현장 데이터가 기업별 설비에 묶여 있고, 오래된 장비와 최신 AI 시스템의 연결도 쉽지 않다.

중소벤처기업부와 과학기술정보통신부는 2026년 9월 KAIST 피지컬 AI 실증랩에서 중소 제조 확산 협력을 발표했다. 계획은 2026년 개별 물류 구간의 AMR·AGV 도입, 2027년 전체 물류 구간의 이기종 설비 연결, 2028년 이후 물류·생산 전 공정 통합 운영으로 단계화돼 있다. 정부 합동 발표

한국이 경쟁력을 만들 수 있는 지점은 로봇 몸체 하나가 아니라 현장 데이터와 월드모델, 여러 장비를 묶는 운영 시스템, 유지보수와 안전이다. 조선소의 넓고 변하는 작업장, 다품종 제조, 반도체 정밀 공정과 중소기업의 오래된 설비는 시연실과 다른 문제를 제공한다. 이 어려운 환경에서 반복 가능한 도입 모델을 만들면 해외 제조 현장에도 적용할 수 있다.

일본: 로봇 제조 강국에서 AI 로봇 소프트웨어 강국으로

일본은 산업용 로봇 공급망과 정밀 제조, 감속기·서보·센서와 장기 유지보수 역량이 강하다. IFR은 일본이 세계 로봇 생산의 약 38%를 담당한다고 2025년 자료에서 설명했다. 2024년 제조업 로봇 밀도는 종사자 1만 명당 446대로 세계 4위였다.

반면 2025년 신규 설치는 3만6219대로 전년보다 19% 감소했다. 한 해의 감소가 기반 경쟁력의 상실을 뜻하지는 않지만, 뛰어난 하드웨어를 범용 AI 모델과 데이터 순환에 얼마나 빠르게 연결하는지가 새로운 과제가 됐다.

일본 경제산업성과 NEDO는 2026년 6월 피지컬 AI용 국산 멀티모달 기반모델 개발 사업을 시작했다. 사업기간은 2026~2030년이며, 제조·물류·건설·소매·돌봄·재난 대응의 현장 데이터를 보호하면서 활용하고 에너지 효율을 높이는 모델을 목표로 한다. 일본 경제산업성 발표

고령화와 인력 부족은 일본에서 피지컬 AI의 필요성을 키운다. 다만 돌봄과 생활 지원은 공장보다 환경 변화와 사람 접촉이 많아 신뢰성과 책임 기준이 더 높다. “로봇을 잘 만든다”는 강점을 “AI가 예외를 이해하고도 안전하게 움직인다”는 능력으로 확장해야 한다.

2026년 경쟁에서 실제로 볼 지표

화려한 휴머노이드 영상보다 다음 항목이 상용화를 더 잘 설명한다.

한 번의 시연이 아니라 같은 작업을 수백 번 반복한 성공률
처음 보는 부품·공간·조명 변화에서의 성능
작업 실패를 감지하고 사람에게 도움을 요청하는 비율
새로운 로봇 몸체와 공정에 적응하는 데이터·시간·비용
네트워크 장애 때 온디바이스로 유지되는 기능
사람 근접 상황의 속도·힘 제한과 안전 정지
기존 PLC·MES·WMS·품질 시스템과의 연결성
배터리, 전력, 정비, 소모품을 포함한 총소유비용
작업 로그와 사고 원인을 재현할 수 있는 기록
한 현장의 성과를 다른 공장으로 복제하는 데 드는 기간

한국 기업이 지금 준비할 것

첫째, 자동화하고 싶은 동작보다 변동이 잦아 사람이 계속 개입하는 지점을 찾는 편이 좋다. 부품 방향이 자주 바뀌거나 작업 순서가 주문마다 달라지는 구간이 피지컬 AI의 가치를 검증하기 쉽다.

둘째, 영상을 무조건 많이 모으기보다 작업 성공·실패, 설비 상태, 사람 개입과 품질 결과를 같은 시간축으로 기록해야 한다. 데이터 사용권, 개인정보, 영업비밀과 협력사 계약도 함께 정리해야 한다.

셋째, 로봇 공급업체 한 곳의 폐쇄된 기능에만 의존하지 않도록 센서, 제어, 학습 데이터와 운영 로그를 내보낼 수 있는지 확인해야 한다. 기존 공장 시스템과의 표준 연결도 중요하다.

넷째, 사람을 완전히 빼는 목표보다 위험하고 반복적인 일을 줄이고 숙련자의 판단을 확장하는 목표가 현실적이다. 작업자는 최종 사용자인 동시에 예외 데이터를 설명하는 핵심 전문가다.

결론

피지컬 AI 경쟁은 사람처럼 생긴 로봇을 누가 먼저 공개하느냐로 끝나지 않는다. 미국의 AI 소프트웨어와 확장 능력, 한국의 높은 제조 자동화와 현장 데이터, 일본의 로봇 생산·정밀성·신뢰성은 모두 강점이지만 어느 하나만으로는 충분하지 않다.

승부는 센서에서 행동까지 이어지는 전체 시스템을 실제 현장에 통합하고, 실패를 측정하고, 사람과 안전하게 협업하며, 비용을 감당할 수 있는지에서 갈린다. 500만 대의 산업용 로봇은 출발점이다. 그 기계들이 변화하는 현실을 이해하고 서로 다른 공정에서 반복적으로 가치를 만드는 순간부터 피지컬 AI의 본격적인 시장이 열린다.

상표와 이미지 안내

Google, Gemini, Microsoft와 기사에서 언급된 회사·기관·제품의 상표는 각 권리자에게 속한다. 이 글은 해당 기업의 후원이나 승인을 받은 광고가 아니다. 본문 이미지는 이 기사를 위해 새로 제작했으며 기업 로고, 제품 화면, 외부 사진과 제3자 저작물을 복제하지 않았다.

출처

출처: IFR · 직접 캡처/제작 이미지 포함