Physical AI — 로봇에 지능이 옮겨붙는 방식

인공지능이 텍스트와 이미지를 다루던 디지털 영역을 넘어, 이제 로봇의 몸을 빌려 물리적 세계에서 직접 행동하는 시대가 열리고 있다. Physical AI(피지컬 AI)는 AI가 센서와 액추에이터를 통해 현실 환경을 인식·판단·행동하는 새로운 기술 패러다임으로, 2026년 현재 제조·헬스케어·물류·자율주행 전 산업에 걸쳐 실질적인 변화를 만들어내고 있다.

몸을 얻은 지능

Physical AI란 인공지능이 로봇, 자율이동체, 스마트 장비 같은 물리적 실체 안에 구현되어 실세계 환경을 실시간으로 인식하고 자율적으로 행동하는 지능 시스템을 뜻한다. 기존 디지털 AI가 데이터 분석·텍스트 생성·이미지 처리 같은 가상 영역에 머물렀다면, Physical AI는 물리적 인과관계를 이해하고 실제 공간에서 목적 지향적 행동을 수행한다.

그 핵심은 체화된 지능(Embodied Intelligence)이다. 인간이 신체를 통해 세상을 경험하고 배우듯, Physical AI는 센서·모터·관절 같은 물리적 인터페이스로 환경과 상호작용하며 지식을 쌓는다. 이 과정에는 세 가지 능력이 필요하다. 카메라·LiDAR·촉각 센서로 환경 데이터를 수집·해석하는 지각(Perception), 대규모 AI 모델이 상황을 추론하고 행동 계획을 세우는 인지(Cognition), 관절·모터·그리퍼로 물리적 동작을 실행하는 행동(Action)이다.

CES 2026에서 NVIDIA, 테슬라, 현대자동차, Figure AI 등 글로벌 기업들이 대거 Physical AI 솔루션을 선보이며 이 개념은 산업 현장의 실질적인 화두가 됐다.

클라우드 학습에서 관절 제어까지 이어지는 계층

Physical AI는 클라우드의 대규모 모델 훈련부터 엣지의 실시간 제어까지 복잡한 계층적 아키텍처로 구성되고, 각 계층이 유기적으로 연결돼 전체 지능 사이클을 완성한다.

⤢✕

물리 레이어는 로봇 본체·센서 어레이·액추에이터로 구성된 하드웨어 기반이며, 카메라·LiDAR·IMU·촉각 센서가 다양한 물리 신호를 실시간으로 수집한다. 엣지 AI 계층은 수집된 센서 데이터를 온디바이스에서 처리해 저지연 제어 명령을 만든다. NVIDIA Jetson Thor 같은 엣지 AI 칩이 이 계층을 담당하며, 클라우드 의존 없이 밀리초 단위 반응을 가능하게 한다. 파운데이션 모델 계층에서는 Vision Language Action(VLA) 모델이 센서 데이터와 언어 명령을 통합 처리해 고수준 행동 계획을 세우고, NVIDIA의 Isaac GR00T N1.6이 대표적이다. 클라우드·시뮬레이션 계층은 디지털 트윈 환경에서 로봇이 수억 가지 상황을 가상으로 학습하는 곳으로, NVIDIA Isaac Sim과 Omniverse가 이 역할을 맡아 현실에서는 시간·비용이 과도하게 드는 훈련 데이터를 합성 데이터로 대체한다.

VLA 모델이 로봇의 언어가 되다

VLA 모델은 시각 정보와 언어 명령을 동시에 처리해 로봇 행동을 직접 생성하는 멀티모달 AI다. GPT 계열 LLM이 텍스트를 생성하듯, VLA는 '로봇 동작 시퀀스'를 출력한다. NVIDIA의 GR00T N1.6은 전신 제어(full-body control)까지 지원하는 오픈소스 VLA 모델이다.

실제 로봇이 물리 환경에서 충돌·낙하 같은 위험한 상황을 직접 경험하며 배우는 것은 비효율적이라, 디지털 트윈 환경에서 물리 법칙을 정밀하게 모사해 실제와 동일한 조건으로 강화학습을 돌린다. NVIDIA Isaac Sim은 USD(Universal Scene Description) 기반의 고충실도 물리 시뮬레이터를 제공한다. 실세계 학습 데이터 부족 문제는 물리 기반 합성 데이터로 보완하는데, NVIDIA Cosmos Predict 2.5는 물리 기반 세계 모델(World Model)로 로봇 정책 평가와 합성 훈련 데이터를 생성한다.

데이터가 제한된 환경에서 빠르게 새 태스크를 익히는 Few-Shot·Transfer Learning도 핵심이다. 대규모 파운데이션 모델에 소량의 태스크별 데이터를 추가 학습(fine-tuning)해 새로운 환경·작업에 신속히 적응하며, 다품종 소량생산(high-mix, low-volume) 제조 환경에서 특히 유용하다. 진동·소리·자기·모션 같은 물리 신호에서 학습하는 물리 추론 모델(Physical Reasoning Model)은 데이터센터에서 엣지로 이동하며 실세계 신호를 기반으로 의사결정을 내린다. Analog Devices는 2026년을 "피지컬 인텔리전스 시대의 원년"으로 선언하며 이 개념을 강조했다.

공장 바닥에서 수술실까지

제조·물류 현장에서는 현대자동차가 보스턴 다이나믹스의 전동식 아틀라스(Atlas) 로봇을 공장 내 물류·조립 보조 작업에 투입할 계획이며, 아틀라스는 인간의 동작 범위를 넘어서는 유연성으로 비정형 작업도 수행할 수 있다. Agility Robotics의 Digit 로봇은 Amazon 물류 센터 파일럿에서 표준 창고 컨테이너를 집어 들고 경사로와 고르지 않은 바닥을 이동하며 선반 간 물품을 옮긴다. Figure AI의 Figure 01은 반복 검사 작업과 대형 부품 이송을 수행하며, 다양한 물체를 파지할 수 있는 손 덕분에 혼합생산 라인에서도 유연하게 쓰인다.

헬스케어에서는 CMR Surgical의 Versius 같은 수술 로봇 시스템이 외과의의 원격 제어로 정밀한 최소침습 수술을 지원하며, 글로벌 수술 로봇 시장은 2026년 140억 달러 규모에 이를 전망이다. 카메라·LiDAR·다중 센서가 융합된 휴머노이드는 표정 감지, 활력징후 모니터링, 제스처 인식과 공간 내 안전 이동을 수행하고, Pepper 로봇은 음성·감정 인식·얼굴 분석을 결합해 병원 내 상호작용을 지원한다. 고령화 사회의 돌봄 인력 부족 문제를 푸는 핵심 솔루션으로도 Physical AI 기반 로봇이 주목받고 있다.

자율주행차(AV)는 Physical AI의 대표적 사례로, 카메라·레이더·LiDAR로 도로 환경을 실시간 인식하고 AI가 경로 계획과 회피 기동을 수행한다. 스마트 시티에서는 자율이동 배달 로봇, 보안 순찰 로봇 같은 것들이 도시 인프라와 통합돼 운영된다.

누가 이 판을 만들고 있는가

기업	핵심 솔루션	역할
NVIDIA	Isaac GR00T, Isaac Sim, Jetson Thor, Cosmos	Physical AI 플랫폼 생태계
테슬라	Optimus (휴머노이드)	자사 공장 투입 목표
현대차 / 보스턴 다이나믹스	Atlas (전동식)	스마트 팩토리 적용
Figure AI	Figure 01, Figure 02	산업용 휴머노이드
Agility Robotics	Digit	물류 자동화
Unitree Robotics	G1, H1	연구·상업용 저가 휴머노이드
소프트뱅크 / ABB	ABB 로봇사업부 인수	산업 로봇 + AI 융합
Google DeepMind	RT-2, Gemini Robotics	VLA 모델 연구

NVIDIA는 2026년 CES에서 로봇 파운데이션 모델·시뮬레이션 툴·엣지 하드웨어로 구성된 통합 Physical AI 스택을 공개하며, 스마트폰의 Android처럼 범용 로봇 운영 플랫폼을 목표로 삼고 있다.

시장은 얼마나 커질까

글로벌 휴머노이드 로봇 시장은 2035년 약 380억 달러 규모에 달할 것으로 전망되며, 출하량은 140만 대에 이를 것으로 예상된다. 이는 기존 예측치 대비 각각 6배, 4배 늘어난 수치다. 2026~2027년에는 수천 대 수준의 산업 현장 배치가 예상되고, 2030년대에는 본격적인 대량 투입이 가능할 전망이다. 로봇(휴머노이드·산업용), 자율이동체(자율주행), 스마트 제조, 의료·헬스케어가 4대 핵심 유망 분야로 꼽히며 각 분야에서 Physical AI를 통한 생산성 혁신이 진행 중이다.

아직 넘지 못한 것들

시뮬레이션에서 학습한 정책이 실세계에서 예상치 못한 오류를 일으키는 현실-시뮬레이션 격차(Sim-to-Real Gap)는 물리 시뮬레이터의 정밀도를 높이고 도메인 랜덤화(domain randomization)로 완화하고 있지만 완전히 풀리지는 않았다. 고성능 AI 추론과 액추에이터 구동을 동시에 수행하면 전력 소모가 급증해, 현재 배터리 기술로는 자율 작업 시간이 수 시간에 불과하다. 거친 지형·예상 외 물체·돌발 상황처럼 완전히 예측 불가능한 실세계 환경에서의 안정적 동작도 여전히 도전 과제다.

사회·윤리적으로도 물류·제조·서비스 분야 반복 업무의 자동화가 가속화되면서 직업 구조 변화에 대한 논의가 필요하고, 인간과 같은 공간에서 작동하는 로봇에 대한 국제 안전 기준과 규제 체계는 아직 미성숙 단계다. 로봇이 자율적으로 내리는 판단의 설명 가능성(explainability) 확보도 신뢰 구축의 핵심 과제로 남아 있다.

NVIDIA의 Isaac 플랫폼, 디지털 트윈 기반 시뮬레이션, VLA 파운데이션 모델의 발전이 맞물리며 2026년은 Physical AI가 실험실에서 산업 현장으로 본격 진출하는 원년으로 기록될 가능성이 크다. 시뮬레이션-현실 격차 극복, 전력 효율 개선, 안전 인증 체계 마련이라는 과제가 남아 있지만, 제조·물류·헬스케어·자율주행에 걸친 혁신 가능성은 이미 산업 현장에서 확인되고 있다.