피지컬 AI 시대, 왜 소버린 AI가 중요할까? 액션 데이터가 만드는 차이

생성형 AI는 웹에 축적된 방대한 텍스트와 이미지를 학습하며 발전해왔습니다. 누가 더 많은 데이터를 학습하고, 더 큰 모델과 컴퓨팅 인프라를 확보하느냐가 AI 경쟁력의 중요한 기준이 되어왔습니다.

하지만 AI가 화면 속에서 답을 만드는 것을 넘어, 로봇과 기계를 통해 현실에서 직접 행동하기 시작하면 이야기는 달라집니다.

피지컬 AI가 실제 환경에서 움직이기 위해서는 기존과는 다른 종류의 데이터가 필요합니다. 이 과정에서 중요해지는 것이 바로 액션 데이터(Action Data)입니다.

그렇다면 피지컬 AI 시대의 AI 경쟁력은 좋은 모델을 확보하는 것만으로 충분할까요? 현장에서 만들어지는 데이터를 누가 확보하고, 누가 학습하며, 그 결과를 누가 활용할 수 있는지까지 중요해진다면 소버린 AI의 의미 역시 달라져야 하지 않을까요?

이번 글에서는 텍스트 데이터와 액션 데이터의 차이를 통해, 피지컬 AI 시대에 왜 소버린 AI가 중요해지는지 살펴봅니다.

1. 소버린 AI란 무엇일까?

소버린 AI(Sovereign AI)는 흔히 ‘자국에서 만든 AI’로 이해되지만, 단순히 모든 기술을 직접 개발하는 것만을 의미하지는 않습니다. 핵심은 AI를 개발하고 활용하는 데 필요한 데이터와 모델, 컴퓨팅 인프라를 스스로 선택하고 통제할 수 있는 역량에 있습니다.

생성형 AI가 빠르게 확산되면서 각국은 자체 AI 모델과 데이터센터, AI 반도체와 같은 기반을 확보하는 데 힘을 쏟아왔습니다. 특정 기업이나 해외 기술에 대한 의존도가 지나치게 높아질 경우, AI를 어디에 어떻게 활용할지 스스로 결정할 수 있는 범위가 좁아질 수 있기 때문입니다.

결국 중요한 것은 모든 것을 직접 만드는 것이 아니라, 어떤 핵심 자산은 직접 통제하고 어떤 영역은 외부 기술을 활용할지 스스로 선택하는 것입니다.

그런데 AI가 현실 세계로 나오기 시작하면서, 소버린 AI에서 중요하게 봐야 할 범위도 넓어지고 있습니다.

피지컬 AI에서는 모델과 컴퓨팅 인프라뿐 아니라, 실제 환경에서 생성되는 데이터까지 함께 고려해야 하기 때문입니다.

2. 피지컬 AI는 텍스트만으로 배울 수 없다

생성형 AI가 텍스트를 통해 세상에 대한 지식을 배웠다면, 현실에서 직접 움직여야 하는 피지컬 AI에는 한 단계가 더 필요합니다.

무엇을 해야 하는지 아는 것과 실제로 어떻게 행동해야 하는지를 아는 것은 다르기 때문입니다.

예를 들어 컨베이어 앞의 로봇 팔에게 “흘러오는 부품을 집어 정해진 위치에 조립하라”고 설명한다고 해서 로봇이 곧바로 그 작업을 수행할 수 있는 것은 아닙니다.

실제로 작업하려면 주변 상황에 맞춰 움직임의 방향과 속도, 물체를 잡는 힘 등을 조절해야 합니다.

즉 피지컬 AI에는 세상에 대한 지식뿐 아니라, 현실에서 직접 행동하며 쌓인 경험이 필요합니다.

그리고 이러한 경험을 학습할 수 있는 형태로 담아낸 것이 바로 액션 데이터(Action Data)입니다.

3. 액션 데이터는 왜 텍스트 데이터와 다를까?

액션 데이터(Action Data)는 어떤 상황에서 어떤 행동을 했고, 그 결과 무엇이 일어났는지를 담은 데이터입니다.

단순히 로봇이 움직이는 모습을 기록한 영상과는 다릅니다.

앞서 본 컨베이어 앞의 로봇 팔을 예로 들면, 부품의 위치와 현재 로봇의 상태뿐 아니라 관절의 각도와 이동 속도, 그리퍼의 개폐 상태, 물체에 가하는 힘이나 토크, 그리고 그 행동이 성공했는지 실패했는지까지 하나의 경험으로 연결될 수 있습니다.

텍스트 데이터와 비교하면 차이는 더 분명해집니다.

텍스트 데이터
“부품을 집어 정해진 위치에 조립한다.”

액션 데이터
“부품이 이 위치와 각도에 있을 때 로봇 팔을 이렇게 움직이고, 이 정도의 힘으로 잡았더니 조립에 성공했다.”

텍스트 데이터는 웹과 문서에 방대한 규모로 축적되어 있어 여러 주체가 상대적으로 폭넓게 활용할 수 있습니다.

반면 액션 데이터는 실제 로봇과 설비가 움직이는 과정에서 만들어집니다. 공장마다 사용하는 설비와 부품, 작업 방식, 주변 환경이 다르기 때문에 한 현장에서 만들어진 데이터를 다른 현장에 그대로 적용하거나 동일하게 다시 만들어내기 어려운 경우도 있습니다.

따라서 액션 데이터는 텍스트 데이터보다 현장 의존성이 높고, 확보와 축적에 더 많은 시간과 비용이 필요하며, 다른 데이터로 쉽게 대체하기 어렵다는 특성을 가집니다.

그리고 바로 이 차이가 피지컬 AI에서 소버린 AI가 중요해지는 이유와 연결됩니다.

4. 피지컬 AI는 왜 소버린 AI가 중요해질까?

액션 데이터가 특정 현장의 설비와 작업 방식 속에서 만들어진다면, 피지컬 AI에서는 자연스럽게 하나의 질문이 따라옵니다.

현장에서 만들어진 경험은 결국 누구의 AI 자산으로 축적될까?

액션 데이터에는 단순한 로봇의 움직임만 담기는 것이 아닙니다.

어떤 설비를 어떻게 운영하는지, 특정 부품을 어떤 방식으로 다루는지, 작업을 성공시키기 위해 어떤 조건을 조정하는지와 같은 공정 노하우와 설비 운영 경험, 작업 방식이 함께 반영될 수 있습니다.

따라서 같은 현장 데이터를 활용하더라도 어떤 모델에 학습시키고, 그 결과를 누가 보유하며, 누가 지속적으로 개선할 수 있는지에 따라 장기적으로 축적되는 AI 역량도 달라질 수 있습니다.

예를 들어 현장에서 만들어진 데이터가 외부 모델의 추가 학습을 위해 제공되거나 활용되는 구조라면, 그 안에 담긴 산업 현장의 경험 역시 외부 AI의 학습 자산으로 전환될 수 있습니다.

반대로 데이터가 어디에서 처리되는지, 어떤 모델의 학습에 활용되는지, 학습 결과를 누가 보유하고 활용할 수 있는지를 스스로 결정할 수 있다면 현장에서 만들어진 경험을 자신의 AI 자산으로 지속적으로 축적할 수 있습니다.

그래서 피지컬 AI 시대에는 데이터를 단순히 보유하는 것뿐 아니라, 어떤 데이터를 어떤 모델에 학습시키고 그 결과를 어떻게 활용할 것인지에 대한 선택권과 통제권까지 중요해집니다.

텍스트 중심 AI에서 모델과 컴퓨팅 인프라가 소버린 AI 논의의 중요한 축이었다면, 피지컬 AI에서는 여기에 현장 데이터와 학습 과정에 대한 통제까지 중요해지는 것입니다.

5. 산업 현장의 데이터를 어떻게 AI 학습 자산으로 만들까?

산업 현장에서 많은 데이터가 만들어진다고 해서, 그 데이터가 곧바로 피지컬 AI의 학습 자산이 되는 것은 아닙니다.

데이터를 보유하고 있는 것과 AI가 실제로 학습할 수 있는 형태로 갖추는 것은 다른 문제이기 때문입니다.

앞서 본 컨베이어 앞의 로봇 팔도 마찬가지입니다. 작업 과정에서는 카메라 영상과 센서 정보, 로봇의 상태와 제어 명령, 작업 결과와 같은 다양한 데이터가 계속 만들어질 수 있습니다.

하지만 각각의 기록이 따로 흩어져 있거나, 어느 시점의 행동과 결과가 연결되는지 알 수 없다면 AI가 이를 하나의 경험으로 학습하기 어렵습니다.

따라서 같은 시점에 기록된 데이터를 시간축에 맞춰 연결하고, 어떤 행동이 어떤 결과로 이어졌는지 함께 정리하는 과정이 필요합니다.

이렇게 실제 AI 학습에 활용할 수 있도록 준비된 데이터를 흔히 AI-Ready Data라고 부릅니다.

결국 중요한 것은 데이터의 양뿐 아니라, 현장에서 만들어지는 데이터를 실제로 학습 가능한 자산으로 전환할 수 있는 체계를 갖추는 것입니다.

6. 피지컬 AI 시대, 무엇을 확보해야 할까?

액션 데이터는 피지컬 AI의 중요한 학습 자산이지만, 데이터만으로 피지컬 AI를 완성할 수 있는 것은 아닙니다.

데이터를 학습할 모델과 컴퓨팅 인프라, 그리고 이를 실제 로봇과 설비에 적용하고 지속적으로 개선할 수 있는 현장 운영 체계가 함께 필요합니다.

결국 피지컬 AI 시대의 소버린 AI는 무엇을 국산화했는가보다, 현실에서 만들어지는 학습 자산과 그 활용 과정을 얼마나 스스로 선택하고 통제할 수 있는가의 문제입니다.

NC AI 역시 이러한 관점에서 피지컬 AI를 바라보고 있습니다.

산업 현장에서 만들어지는 데이터를 디지털 트윈과 월드모델, 로봇 파운데이션 모델(RFM) 등의 기술과 연결해 AI가 실제 환경을 이해하고 행동할 수 있도록 연구하고 있습니다.

현장의 데이터를 학습 가능한 자산으로 만들고, 이를 실제 환경에 적용하며 다시 새로운 경험을 축적하는 과정까지 연결하는 것.

이러한 선순환을 구축하고 지속적으로 발전시키는 역량이 피지컬 AI 시대의 새로운 경쟁력으로 이어질 수 있습니다.

산업 현장의 데이터를 AI 자산으로 만들고 계신가요?

NC AI는 현장에서 생성되는 데이터를 학습 가능한 형태로 연결하고, 디지털 트윈·월드모델·RFM 기술을 통해 피지컬 AI 적용을 연구하고 있습니다.

현장의 경험을 지속 가능한 AI 자산으로 연결하고 싶다면 NC AI와 함께해 보세요.