피지컬 AI 시대, 왜 한국의 산업 데이터가 중요한가
생성형 AI는 우리가 웹에 남긴 방대한 텍스트와 이미지를 학습 데이터로 삼아 발전해왔습니다.
하지만 피지컬 AI는 다릅니다. 로봇이 실제로 행동하는 데 필요한 데이터는 웹에 충분히 축적되어 있지 않습니다.
실제 환경에서 로봇과 사람이 어떻게 움직이고 상호작용하는지에 대한 데이터를 새롭게 확보해야 합니다.
2025~2026년 휴머노이드와 VLA가 연구실을 넘어 산업 현장으로 확장되기 시작하면서 이 데이터의 중요성은 더욱 커지고 있습니다. 휴머노이드 로봇 Figure 02는 BMW 스파턴버그 공장에서 판금 부품을 용접 공정에 필요한 위치에 올려놓는 작업을 수행하며, 3만 대가 넘는 BMW X3 생산에 기여했습니다.
산업의 질문도 달라지고 있습니다.
“더 좋은 로봇을 어떻게 만들까?”에서 “로봇이 배울 현실 데이터를 어디서 확보할까?”로.
그렇다면 조선과 자동차처럼 거대한 물체를 다루는 산업부터 반도체와 배터리처럼 정밀한 공정을 요구하는 산업까지, 성격이 다른 환경을 갖춘 한국은 피지컬 AI 시대에 어떤 경쟁력을 가질 수 있을까요?
한국이 가진 다양한 산업 현장은 로봇이 현실 세계를 학습하는 데 필요한 데이터를 만들어내는 중요한 기반이 될 수 있습니다.
1. 로봇의 두뇌는 LLM을 넘어 VLA로 확장되고 있다
생성형 AI의 발전과 함께 로봇의 두뇌도 빠르게 확장되고 있습니다.
LLM이 텍스트를 이해하고 생성했다면, VLM(Vision-Language Model)은 이미지와 영상까지 보고 이해할 수 있게 됐습니다.
최근에는 여기서 한 단계 더 나아가, 보고 이해한 결과를 실제 움직임으로 연결하는 VLA(Vision-Language-Action) 모델이 등장하고 있습니다.
VLA는 카메라 영상과 자연어 지시, 로봇의 상태 정보를 바탕으로 다음 행동을 결정합니다.
“물체를 집어 상자 안에 넣어줘”라는 지시를 받으면 주변 환경을 인식하는 데서 그치지 않고, 팔과 손을 어떻게 움직일지까지 출력합니다.
이때부터 데이터의 성격도 달라집니다.
로봇이 실제로 움직이려면 무엇을 봤는지뿐 아니라, 어떤 행동을 했고 그 결과가 어땠는지에 대한 물리 세계의 경험 데이터가 필요하기 때문입니다.
실제 VLA 모델들도 다양한 형태의 행동 데이터를 활용합니다. Physical Intelligence의 π0와 Figure의 초기 Helix는 실제 로봇 작업 데이터를 학습에 활용했으며, NVIDIA의 GR00T는 실제 로봇 데이터에 인간 영상과 시뮬레이션·합성 데이터까지 함께 활용합니다.
현실의 작업 환경에서는 물체의 위치가 달라지거나 작업에 실패하는 등 예상하지 못한 상황이 끊임없이 발생합니다.
이런 경험이 쌓일수록 로봇은 동작을 그대로 따라 하는 수준을 넘어 변화에 대응하는 법을 익힙니다.
결국 피지컬 AI의 경쟁력은 모델의 크기만으로 결정되지 않습니다.
로봇이 얼마나 다양한 현실을 경험하고, 그 경험을 학습 가능한 데이터로 축적할 수 있느냐 역시 핵심 경쟁력이 됩니다.
2. 피지컬 AI 학습 데이터, 현실만으로는 부족하다
피지컬 AI에 필요한 데이터를 모두 실제 현장에서 수집하기는 어렵습니다.
실제 로봇 데이터를 수집하려면 많은 시간과 비용이 들고, 충돌이나 설비 이상 같은 위험 상황을 반복해서 재현하기 어렵습니다.
드물게 발생하는 예외 상황은 원하는 시점에 확보할 수 없고, 학습을 위해 실제 생산라인을 계속 멈추거나 작업 환경을 바꿀 수도 없습니다.
결국 현실 데이터의 수집 자체가 피지컬 AI의 학습 규모를 키우는 데 하나의 병목이 됩니다.
이를 보완하기 위해 활용되는 것이 시뮬레이션과 합성 데이터입니다. 실제와 유사한 가상환경에서 다양한 조건을 빠르게 바꾸고, 현실에서는 만들기 힘든 상황까지 반복해서 학습하는 방식입니다. NVIDIA를 비롯한 로봇·AI 기업들도 이러한 방식을 활용하고 있습니다.
하지만 실제 현장의 마찰이나 조명, 센서 오차, 물체와 설비의 미세한 편차까지 가상환경에 완벽하게 재현할 수는 없습니다.
가상환경에서 학습한 결과와 실제 환경 사이에서 발생하는 이 차이를 Sim-to-Real Gap, 즉 시뮬레이션과 현실 사이의 격차라고 합니다.
따라서 피지컬 AI의 학습은 현실과 가상 중 하나를 선택하는 문제가 아닙니다.
현장의 데이터를 가상환경에서 확장해 학습하고, 다시 로봇에 적용해 차이를 확인하는 과정이 반복되어야 합니다.
3. 산업 현장이 피지컬 AI의 ‘학습장’이 된다
피지컬 AI가 더 다양한 환경에서 안정적으로 작동하려면, 실제 현장에서 충분한 경험을 쌓고 성능과 안전성을 반복해서 검증해야 합니다.
산업 현장은 작업의 목적과 범위가 비교적 명확하고, 정해진 작업 절차와 동선, 센서와 자동화 설비가 갖춰진 경우가 많아 로봇이 수행한 작업의 성공 여부와 효율을 측정하기 쉽습니다.
동시에 같은 작업을 반복하더라도 대상의 위치나 상태가 달라지고, 주변 설비나 작업 흐름에 따라 로봇의 움직임을 조정해야 하므로 반복성과 현실의 변수가 함께 존재합니다.
로봇은 일정한 작업을 반복해 성능을 검증하면서 실제 환경의 변화에 대응하는 경험도 축적할 수 있습니다.
앞서 본 BMW 공장 사례가 이를 잘 보여줍니다. Figure 02가 실제 생산라인에서 정해진 판금 작업을 반복하며 현장 적용 가능성을 검증했다면, 2026년 시연된 Figure 03는 부품을 필요한 순서에 맞게 정리하고 공급하는 더 복잡한 시퀀싱 작업으로 범위를 넓히고 있습니다.
정해진 동작만 반복하는 것이 아니라 실제 상황에 맞춰 부품을 다루고 움직임을 조정해야 하는 작업입니다.
이렇게 축적된 경험은 다시 데이터가 됩니다.
산업 현장은 단순히 로봇을 사용하는 장소를 넘어, 현실과 가상을 오가며 피지컬 AI를 학습하고 고도화하는 공간이 됩니다.
4. 크고 무거운 산업부터 초미세 공정까지, 한국이 가진 데이터의 폭
그렇다면 수많은 산업 현장 가운데 왜 한국을 주목해야 할까요?
한국의 강점은 단순히 제조업의 종류가 많다는 데 있지 않습니다.
성격이 완전히 다른 작업 환경들이, 세계적 경쟁력을 갖춘 채 한 나라 안에 몰려 있다는 점입니다.
조선·철강·방산은 거대한 구조물과 무거운 부품을 옮기고 용접하며, 사람이 접근하기 어려운 곳을 검사합니다.
반대로 반도체·배터리·화학은 아주 작은 오차 하나가 품질을 좌우해, 정밀한 제어와 검사가 필요합니다.
자동차·전자는 대량 생산을 기반으로 하면서도 모델과 옵션 변화에 따라 작업 환경이 계속 달라집니다.
피지컬 AI의 관점에서 보면 이는 로봇이 학습해야 할 물리 세계 자체가 다르다는 의미입니다.
거대한 구조물을 다루는 법부터 정밀 조립, 용접과 검사, 물류, 위험 환경에서의 작업까지 한 나라 안에서 다양한 경험 데이터를 확보할 수 있습니다.
한국은 이들 산업에서 세계적인 경쟁력을 갖추고 있습니다. OECD는 한국을 세계 2위 조선국으로 보고 있으며, 삼성전자와 SK하이닉스는 AI용 메모리인 HBM을 중심으로 경쟁력을 확보하고 있습니다.
자동화 기반도 탄탄합니다. 국제로봇연맹(IFR)에 따르면 2024년 한국의 노동자 1만 명당 산업용 로봇 수는 1,220대로 세계 1위입니다.
새로운 AI 기술을 현장에서 시험하고 데이터를 쌓을 기반이 이미 갖춰져 있다는 의미입니다.
정부와 글로벌 기업의 움직임도 빨라지고 있습니다. 정부는 제조업 AI 전환(M.AX)을 확대하고 있으며, NVIDIA는 현대차그룹·한국 정부와 제조·로봇·자율주행을 아우르는 AI 인프라 구축에 나섰습니다. 삼성전자 역시 대규모 GPU 인프라를 기반으로 반도체 설계부터 생산·품질관리까지 AI 적용 범위를 넓히고 있습니다.
이는 첨단 모델과 컴퓨팅 기술만으로 피지컬 AI를 완성하기 어렵고, 이를 실제 산업 환경에서 검증하고 고도화할 수 있는 현장과 데이터가 함께 필요하다는 점을 보여줍니다.
한국의 차별점은 단순한 산업 규모에 있지 않습니다.
크고 무거운 산업부터 초정밀 공정까지 서로 다른 산업 현장과 높은 수준의 자동화 기반이 한곳에 모여 있다는 점입니다.
특히 미국과 중국을 제외하면 조선·철강·방산부터 반도체·배터리까지 이처럼 폭넓은 산업군에서 세계적 수준의 경쟁력을 동시에 갖춘 국가는 많지 않습니다.
산업 특화 피지컬 AI를 확보하려는 기업과 국가에 한국의 현장과 데이터는 쉽게 대체하기 어려운 자산이 될 수 있습니다.
5. 현장 데이터가 피지컬 AI 학습 데이터가 되려면
하지만 산업 현장에서 데이터가 많이 만들어진다고 해서 그것이 곧바로 피지컬 AI의 경쟁력이 되는 것은 아닙니다.
현장 데이터가 단순히 쌓이는 데서 끝나지 않고 AI가 실제 학습에 활용할 수 있는 형태로 전환되어야 합니다.
로봇이 작업하면서 수집하는 카메라 영상과 관절 움직임, 각종 센서 데이터가 같은 시간 기준으로 맞춰져야 합니다. 어떤 행동이 성공했고 실패했는지, 예상하지 못한 상황에서는 어떤 일이 발생했는지도 구분해 기록해야 합니다.
이처럼 제각각 발생하는 현장 데이터를 정리하고 연결해 AI가 바로 학습에 활용할 수 있는 형태, 즉 ‘AI-Ready Data’로 만드는 과정이 핵심입니다.
이렇게 준비된 데이터는 시뮬레이션과 AI 학습에 활용되고, 다시 현장 검증을 거치며 새로운 데이터로 축적됩니다.
이 선순환 구조를 실제 산업 현장에 적용하려는 시도도 시작되고 있습니다.
NC AI와 씨메스로보틱스의 협력이 그 사례 중 하나입니다. NC AI는 현실의 물리 법칙과 환경 변화를 이해하고 미래 상태를 예측하는 월드모델과 로봇 파운데이션 모델(RFM) 기술을 고도화하고 있으며, 씨메스로보틱스는 산업 현장에서 축적한 데이터와 지능형 로봇 운영 경험, 정밀 제어 기술을 바탕으로 현장 실증을 담당합니다.
양사는 산업 현장에서 확보한 데이터를 AI 학습과 시뮬레이션 환경 구축에 활용하고, 학습된 AI 모델을 다시 로봇 시스템에 적용하는 선순환 개발 체계를 구축할 계획입니다.
즉 산업 현장에서 발생한 경험을 학습 가능한 데이터로 만들고, 이를 가상환경과 AI 모델을 거쳐 다시 실제 로봇의 성능 향상으로 연결하는 구조입니다.
이 데이터 루프가 여러 산업 현장으로 확대될수록 한국의 산업 경쟁력은 피지컬 AI의 학습 경쟁력으로 전환될 수 있습니다.
6. 산업 데이터를 지키며 피지컬 AI 주도권으로
여기서 한 가지 더 짚어야 할 문제가 있습니다.
산업 데이터는 단순한 AI 학습 재료가 아니라 기업과 국가의 핵심 자산이라는 점입니다.
산업 현장에서 생성되는 데이터에는 설비 운영 방식, 품질 기준은 물론 숙련 작업자의 노하우까지 담깁니다. 제품 구조나 공정 조건처럼 기업 경쟁력의 핵심도 들어 있습니다. 로봇 AI가 발전할수록 이 데이터의 가치도 커집니다.
글로벌 빅테크와의 협력은 한국의 피지컬 AI 발전에 새로운 기회가 됩니다. 최신 컴퓨팅 인프라와 시뮬레이션 플랫폼, AI 모델을 빠르게 활용할 수 있기 때문입니다.
하지만 동시에 어떤 산업 데이터를 어디에 저장하고, 누가 학습에 활용하며, 만들어진 모델과 지식의 권리를 누가 갖는지가 새로운 쟁점이 됩니다.
정부도 이를 핵심 과제로 보고 있습니다. 2026년 발표한 「제조 AI 2030 전략」은 산업 데이터를 안전하게 활용하면서 해외 유출을 막는 체계를 마련하는 방향을 제시했습니다. 국내 AI 반도체·모델·로봇·인프라를 연결하는 ‘K-Physical AI Full Stack’을 구축해 기술 주도권을 확보하겠다는 내용도 담겼습니다.
단순히 해외 기술을 대체한다는 의미는 아닙니다. 글로벌 기술을 활용하면서도 데이터를 어떻게 저장하고 지킬지, 모델을 어떻게 학습시킬지를 국내 기업이 함께 설계해 데이터에 대한 통제권을 유지할 수 있는 구조가 필요합니다. 이 지점에서 국내 AI 기업의 역할이 커집니다.
앞으로의 경쟁은 데이터의 양만으로 결정되지 않습니다. 현장에서 축적되는 경험과 데이터를 AI가 학습할 수 있는 자산으로 만들고, 이를 다시 모델과 로봇의 경쟁력으로 연결할 수 있어야 합니다.
산업 강국에서 피지컬 AI 학습 강국으로.
한국이 가진 산업 경쟁력을 피지컬 AI 시대의 새로운 경쟁력으로 전환할 때입니다.
[참고자료]
Google DeepMind, 「RT-2: New model translates vision and language into action」 (2023.7)
NVIDIA, 「What Is Sim-to-Real?」
BMW Group, 「BMW Group to deploy humanoid robots in production in Germany for the first time」 (2026.2)
BMW Group, 「BMW Group advances the use of Physical AI in production with Figure 03 project in Spartanburg」 (2026.6)
OECD, 「Peer Review of the Korean Shipbuilding Industry 2026」 (2026)
International Federation of Robotics, 「Robot Density Surges in Europe, Asia, and Americas」 (2026.4)
산업통상부, 「제조업 AI 대전환(M.AX), 현장에서 성과로 답하다」 (2026.8)
NVIDIA, 「NVIDIA and Hyundai Motor Group Team on AI Factory to Power AI-Driven Mobility Solutions」 (2025.10)
Samsung Electronics, 「Samsung Teams With NVIDIA To Lead the Transformation of Global Intelligent Manufacturing Through New AI Megafactory」 (2025.10)
산업통상부, 「인공지능이 이끄는 제조업의 대전환, 2030년 청사진 나왔다」 (2026.6)
과학기술정보통신부, 「Physical AI Enters the Real World: The Second Phase of Physical AI Launches」 (2026.6)
씨메스로보틱스, 「씨메스로보틱스-NC AI, 피지컬 AI 기반 공동 연구개발 및 기술 공유 협력」 (2026.7)
