AI는 왜 화면 안에 머물렀나
오랫동안 인공지능은 주로 화면 안에서 작동했다. 검색어를 이해하고, 영상을 분류하고, 상품을 추천하고, 문장을 생성했다. 사용자는 질문을 입력했고 AI는 답을 내놓았다. 결과가 틀려도 대부분의 영향은 디지털 공간에 머물렀다. 추천이 마음에 들지 않으면 넘기면 되고, 번역이 어색하면 사람이 고치면 됐다.
이런 AI는 강력하지만, 다루는 세계가 비교적 정돈되어 있다. 문서, 이미지 파일, 클릭 기록, 구매 이력처럼 이미 데이터로 바뀐 대상을 입력으로 받는다. AI가 해야 할 일은 그 안에서 패턴을 찾고 다음 값을 예측하는 것이다.
피지컬 AI는 여기서 한 걸음 더 나간다. 피지컬 AI는 물리 세계에서 감지하고, 이해하고, 추론하고, 행동하는 AI다. 여기서 물리 세계란 공장 바닥, 도로, 병실, 물류센터, 집 안 거실처럼 사람이 실제로 움직이고 물건이 놓여 있는 공간을 말한다. 로봇 팔이 부품을 집고, 자율주행차가 차선을 따라가며, 드론이 교량을 점검하고, 이동 로봇이 창고 선반 사이를 지나가는 장면이 여기에 속한다.
차이는 단순히 "AI가 로봇에 들어갔다"는 정도가 아니다. 화면 속 AI의 출력은 문장, 점수, 추천 목록인 경우가 많다. 피지컬 AI의 출력은 속도, 방향, 힘, 경로, 정지 같은 행동이다. 이 행동은 주변 사람과 장비에 직접 영향을 준다. 그래서 피지컬 AI는 똑똑해야 할 뿐 아니라, 제때 반응해야 하고, 안전해야 하며, 실패했을 때 멈출 수 있어야 한다.
AI 생성 이미지
디지털 AI와 물리 세계 AI의 근본적 차이
챗봇이 잘못된 답을 하면 사용자는 다시 질문할 수 있다. 추천 알고리즘이 엉뚱한 영상을 보여주면 사용자는 스크롤을 넘긴다. 그러나 로봇 팔이 잘못 움직이면 제품을 떨어뜨리거나 사람을 다치게 할 수 있다. 자율주행 시스템이 보행자를 늦게 인식하면 사고로 이어질 수 있다.
피지컬 AI가 어려운 이유는 현실 세계가 늘 변하기 때문이다. 조명은 바뀌고, 바닥은 미끄러울 수 있으며, 사람은 예측하지 못한 방향으로 움직인다. 카메라 앞을 상자가 가릴 수도 있고, 센서에는 잡음이 섞일 수도 있다. 같은 물체라도 보는 각도와 거리, 빛의 방향에 따라 전혀 다르게 보인다.
예를 들어 로봇 팔이 컵을 집는 장면을 생각해 보자. 먼저 카메라가 컵을 본다. 이것이 지각, 즉 감지 단계다. 다음으로 AI는 컵의 위치와 기울기, 주변 장애물을 이해한다. 그다음 어느 방향에서 집어야 안정적인지 추론한다. 마지막으로 로봇 팔의 관절을 움직여 컵을 잡는다. 여기서 끝이 아니다. 손끝 센서나 힘 센서가 "너무 세게 잡았는지", "컵이 미끄러지는지"를 다시 알려준다. AI는 이 피드백을 받아 힘을 조절한다.
이처럼 피지컬 AI는 한 번 답하고 끝나는 시스템이 아니다. 감지한다. 이해한다. 추론한다. 행동한다. 그리고 결과를 다시 감지한다. 이 순환이 계속 돌아가야 한다.
현실 공간의 문제가 AI를 필요로 하게 되었다
공장과 물류센터에는 이미 오래전부터 자동화 장비가 있었다. 컨베이어벨트, 산업용 로봇, 자동 포장기 같은 장비는 정해진 일을 빠르고 정확하게 수행했다. 하지만 전통적인 자동화는 환경이 고정되어 있을 때 가장 잘 작동한다. 같은 부품이 같은 위치로 오고, 같은 순서로 조립되고, 사람이 정해진 구역 밖에 있을 때 안정적이다.
오늘의 현장은 더 복잡하다. 공장은 더 다양한 제품을 더 짧은 주기로 생산한다. 물류센터는 크기와 모양이 제각각인 상품을 빠르게 분류해야 한다. 병원과 돌봄 현장은 인력 부족과 고령화에 대응해야 한다. 도시는 교통, 배송, 시설 점검 같은 문제를 더 안전하고 효율적으로 처리해야 한다. 재난 현장에서는 사람이 들어가기 위험한 곳을 먼저 살피는 기계가 필요하다.
이런 문제는 단순한 반복 동작만으로 해결하기 어렵다. 물류 로봇은 매번 다른 상자를 만나고, 돌봄 로봇은 사람의 움직임과 상태를 살펴야 하며, 재난 대응 로봇은 무너진 구조물처럼 예측하기 힘든 환경에서 움직여야 한다. 결국 현실 공간의 문제는 "정해진 명령을 빠르게 반복하는 기계"보다 "상황을 보고 판단하는 기계"를 요구하게 되었다.
여기서 AI가 필요해졌다. AI는 카메라 영상, 거리 센서, 온도, 소리, 위치 정보처럼 여러 입력을 함께 해석할 수 있다. 또 과거 데이터를 바탕으로 다음 상황을 예측하고, 여러 선택지 중 더 나은 행동을 고를 수 있다. 피지컬 AI는 이런 능력을 로봇, 차량, 드론, 설비와 결합해 현실 문제를 다루려는 흐름이다.
기술 조건이 맞물리며 가능해졌다
피지컬 AI가 최근에 더 빠르게 확산되는 이유는 필요만 커졌기 때문이 아니다. 필요한 기술 조건이 동시에 성숙했기 때문이다.
첫째, 센서가 작아지고 싸졌다. 카메라, 라이다, 초음파 센서, 관성 센서, 힘 센서 같은 장치가 더 널리 쓰이게 되면서 기계는 주변을 더 자세히 감지할 수 있게 되었다. 라이다는 빛을 쏘고 되돌아오는 시간을 이용해 거리를 재는 센서다. 자율주행차나 이동 로봇이 주변 물체까지의 거리를 파악할 때 자주 쓰인다.
둘째, 계산 능력이 크게 향상되었다. 특히 GPU는 많은 계산을 동시에 처리하는 장치로, 원래 그래픽 처리를 위해 발전했지만 AI 학습과 추론에도 잘 맞는다. 로봇이 카메라 영상을 보고 물체를 인식하거나, 여러 경로 중 안전한 길을 고르려면 짧은 시간 안에 많은 계산을 해야 한다. 최근 로봇 개발은 학습, 시뮬레이션, 실제 기기에서의 추론을 함께 묶는 방향으로 발전하고 있다. NVIDIA도 로봇 개발에서 가속 컴퓨팅, 시뮬레이션, 엣지 배포를 하나의 흐름으로 설명한다1.
셋째, 엣지 컴퓨팅이 중요해졌다. 엣지 컴퓨팅은 데이터를 멀리 있는 클라우드 서버로 모두 보내지 않고, 로봇이나 장비 가까이에서 바로 처리하는 방식이다. 피지컬 AI에서는 지연 시간이 치명적일 수 있다. 이동 로봇이 사람을 발견했는데 서버 응답을 기다리느라 늦게 멈추면 위험하다. 그래서 많은 판단은 현장 가까이에서, 즉 엣지에서 처리되어야 한다. 물리 세계에서 움직이는 AI는 센서, 구동 장치, AI 비전, 제어 기능을 한 기계 안에서 긴밀하게 결합해야 한다는 점도 강조된다2.
넷째, 로봇 플랫폼이 보급되었다. 예전에는 로봇을 만들려면 하드웨어부터 소프트웨어까지 대부분을 직접 구축해야 했다. 이제는 로봇 운영체제, 개발 보드, 카메라 모듈, 모터 제어기, 시뮬레이션 도구, 클라우드 관리 도구가 점점 표준화되고 있다. 덕분에 기업은 처음부터 모든 것을 만들기보다 기존 플랫폼 위에서 문제에 맞는 피지컬 AI를 설계할 수 있게 되었다.
피지컬 AI의 핵심은 순환 구조다
피지컬 AI를 이해할 때 가장 중요한 틀은 '지각–이해–추론–행동'의 순환 구조다.
지각은 현실을 데이터로 받아들이는 단계다. 카메라는 색과 형태를 보고, 마이크는 소리를 듣고, 거리 센서는 물체까지의 거리를 잰다. 사람으로 치면 눈과 귀, 피부가 하는 일에 가깝다.
이해는 감지한 데이터를 의미 있는 정보로 바꾸는 단계다. 화면 속 픽셀 덩어리를 "사람", "상자", "문", "장애물"로 구분한다. 단순히 보이는 것을 나열하는 것이 아니라, 지금 상황에서 무엇이 중요한지 파악한다.
추론은 다음 행동을 고르는 단계다. 로봇이 멈춰야 하는지, 돌아가야 하는지, 물체를 어느 방향에서 잡아야 하는지 판단한다. 이때 목표와 제약을 함께 고려한다. 빨리 가는 것만이 답은 아니다. 안전거리, 에너지 사용, 장비의 한계, 사람과의 거리도 함께 봐야 한다.
행동은 판단을 현실의 움직임으로 바꾸는 단계다. 바퀴를 굴리고, 팔을 뻗고, 그리퍼를 닫고, 드론의 자세를 바꾼다. 이 행동의 결과는 다시 센서로 들어온다. 잘 잡았는지, 충돌 위험은 사라졌는지, 사람이 새로 나타났는지 확인한다. 그래서 피지컬 AI는 항상 피드백을 받으며 움직인다.
이 순환은 단순한 개념도가 아니다. 실제 시스템 설계의 기본이다. 공장 로봇, 물류 로봇, 자율주행차, 수술 보조 로봇, 점검 드론은 모두 이 흐름을 갖는다. 차이가 있다면 어떤 센서를 쓰는지, 어느 정도까지 AI가 판단하는지, 사람의 감독이 어디에 들어가는지다.
화면 밖으로 나온 AI를 볼 준비
피지컬 AI의 등장은 갑작스러운 유행이 아니다. 디지털 공간에서 성숙한 AI 기술, 복잡해진 산업 현장의 요구, 저렴해진 센서, 강력해진 계산 장치, 엣지 컴퓨팅과 로봇 플랫폼의 발전이 함께 만든 결과다. 여러 산업에서는 이미 로봇, 자율주행차, 드론 같은 물리 시스템에 AI를 결합하려는 시도가 늘고 있으며, 이때 안전·규제·데이터·보안 같은 현실적 문제가 함께 따라온다3.
따라서 피지컬 AI를 볼 때는 두 가지를 동시에 봐야 한다. 하나는 가능성이다. 기계가 더 많은 환경을 이해하고, 더 유연하게 움직이며, 사람이 하기 위험하거나 반복적인 일을 맡을 수 있다. 다른 하나는 한계다. 현실 세계는 예외가 많고, 안전 기준은 엄격해야 하며, 책임 소재도 분명해야 한다.
이 책은 피지컬 AI를 마법처럼 설명하지 않는다. 대신 하나의 작동 흐름으로 살펴본다. 먼저 감지한다. 그다음 공간과 상황을 이해한다. 가능한 행동을 추론한다. 실제 장치를 움직인다. 그리고 결과를 다시 받아 다음 행동을 조정한다. 이 순환을 이해하면, AI가 왜 화면 밖으로 나오고 있는지, 또 현실 세계에서 작동하려면 무엇이 더 필요한지 차근차근 볼 수 있다.
참고
2The Robots Are Coming – Physical AI and the Edge Opportunity
3AI goes physical: Navigating the convergence of AI and robotics
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.