휴머노이드·Physical AI① — AI가 화면 밖으로 나온다

휴머노이드 로봇은 왜 지금 현실이 되고 있을까?

우리가 지금까지 익숙하게 사용한 AI는 대부분 화면 안에 있었다.

질문하면 답을 쓰고, 이미지를 만들고, 코드를 작성하고, 문서를 요약한다. 아무리 똑똑해도 모니터 밖으로 나와 상자를 들거나, 부품을 조립하거나, 창고에서 물건을 옮기지는 못한다.

그런데 최근 AI 산업의 관심이 조금씩 바뀌고 있다.

‘생각하는 AI’를 넘어 ‘현실에서 움직이는 AI’로 가는 것이다.

여기서 등장하는 말이 Physical AI다.

아주 쉽게 말하면 챗GPT 같은 AI에 눈과 귀, 팔과 다리, 균형감각을 붙여 현실 세계에서 직접 행동하게 만드는 기술이다.

휴머노이드 로봇은 그 대표적인 형태다. 사람과 비슷한 몸을 가진 이유는 멋있어 보이기 위해서가 아니다. 공장, 창고, 병원, 사무실, 집처럼 이미 사람 몸을 기준으로 만들어진 공간에서 일하려면 사람과 비슷한 크기와 팔, 손, 다리가 유리하기 때문이다.

2026년 들어 이 분야가 갑자기 더 뜨거워진 이유도 여기에 있다. AI 모델은 더 똑똑해졌고, 시뮬레이션 기술은 좋아졌고, 로봇용 컴퓨터와 센서도 강해졌다. 그리고 실제 공장에 투입되는 사례가 빠르게 늘고 있다.

이번 글에서는 휴머노이드 로봇이 왜 ‘이제야’ 현실적인 산업이 되고 있는지, 로봇의 눈·두뇌·근육·체력이 각각 어떤 기술로 만들어지는지 일반 독자도 따라올 수 있게 하나씩 풀어본다.

Physical AI는 무엇일까? — ‘생각’에서 ‘행동’으로

생성형 AI는 글이나 그림처럼 디지털 결과를 만든다.

Physical AI는 센서로 현실을 보고, 그 상황을 이해하고, 몸을 움직여 실제 결과를 만든다.

예를 들어 창고 바닥에 상자가 놓여 있다고 생각해보자.

일반 AI는 사진을 보고 “상자가 있습니다”라고 말할 수 있다.

Physical AI 로봇은 여기서 한 단계 더 나아간다.

상자의 위치를 파악하고, 걸어가고, 팔을 뻗고, 손으로 잡고, 무게와 균형을 계산해 다른 장소로 옮겨야 한다.

이 과정에는 인식(Perception), 판단(Planning), 행동(Action)이 모두 필요하다.

쉽게 말하면 사람의 ‘눈 → 뇌 → 근육’ 흐름을 기계 안에 만드는 것이다.

NVIDIA가 Physical AI를 설명할 때도 로봇이 현실을 감지하고, 판단하고, 행동하는 전체 흐름을 강조한다.

즉 Physical AI는 새로운 로봇 모양 하나가 아니라 AI가 현실 세계에서 실제 행동을 하게 만드는 전체 기술 묶음이다.

왜 하필 지금일까? — 로봇은 예전부터 있었는데

공장 로봇은 수십 년 전부터 존재했다.

자동차 공장에서 용접하고, 반도체 공장에서 부품을 옮기는 로봇팔도 오래전부터 사용됐다.

그런데 기존 산업용 로봇은 대부분 ‘정해진 자리에서 정해진 동작’을 반복하는 기계였다.

부품이 항상 같은 위치에 놓이고, 작업 순서가 바뀌지 않으면 매우 빠르고 정확하다.

문제는 현실이 늘 똑같지 않다는 것이다.

상자가 조금 비뚤어져 있거나, 사람이 옆을 지나가거나, 바닥에 장애물이 생기면 기존 로봇은 쉽게 멈춘다.

휴머노이드가 최근 주목받는 이유는 로봇이 단순한 자동기계에서 ‘상황을 보고 적응하는 기계’로 바뀌기 시작했기 때문이다.

대규모 AI 모델, 비전 AI, 강화학습, 시뮬레이션이 발전하면서 로봇이 모든 행동을 사람이 미리 코딩하지 않아도 다양한 상황을 학습할 가능성이 커졌다.

Reuters가 최근 여러 로봇 스타트업과 업계 관계자를 취재한 내용에서도 로봇 채택을 끌어올리는 핵심으로 AI, 하드웨어, 컴퓨팅의 동시 발전이 반복해서 언급된다.

로봇의 눈 — 카메라만 달면 볼 수 있는 걸까?

사람이 물건을 잡을 때 우리는 생각보다 많은 정보를 동시에 사용한다.

눈으로 위치와 크기를 보고, 양쪽 눈으로 거리를 가늠하고, 손가락으로 닿았는지 느끼고, 몸의 균형도 확인한다.

휴머노이드도 비슷하다.

카메라는 색과 형태를 보고, 깊이카메라와 라이다는 거리를 파악한다. 힘·토크 센서는 관절과 손에 얼마나 힘이 걸리는지 측정한다. IMU는 몸이 어느 방향으로 기울고 얼마나 움직이는지 감지한다.

이 장치들을 통틀어 센서라고 한다.

쉽게 말하면 로봇의 ‘감각기관’이다.

센서가 많다고 무조건 좋은 것은 아니다. 너무 많은 데이터가 들어오면 컴퓨터가 실시간으로 처리해야 할 양도 늘어난다.

그래서 중요한 것은 센서를 몇 개 달았느냐보다 서로 다른 센서 정보를 하나의 현실 인식으로 합치는 Sensor Fusion이다.

사람이 눈과 귀, 촉각 정보를 따로 느끼지 않고 하나의 상황으로 이해하는 것처럼 로봇도 여러 센서 데이터를 하나의 장면으로 만들어야 한다.

로봇의 두뇌 — ‘무엇을 할지’보다 ‘어떻게 할지’를 배워야 한다

휴머노이드가 “저 상자를 선반에 올려”라는 말을 이해하는 것만으로는 충분하지 않다.

어느 손으로 잡을지, 손가락을 얼마나 벌릴지, 걸어갈 때 중심을 어디에 둘지, 다른 사람이 지나가면 멈출지까지 결정해야 한다.

이것이 로봇 AI의 어려운 점이다.

언어모델은 말의 관계를 배운다.

로봇 모델은 말뿐 아니라 영상, 관절 위치, 힘, 움직임, 실제 행동 결과까지 함께 배워야 한다.

NVIDIA는 이런 범용 로봇 모델을 Robot Foundation Model이라고 부른다.

예를 들어 Isaac GR00T 플랫폼은 언어와 이미지 등 여러 입력을 받아 로봇의 조작 행동을 학습하는 방향을 제시한다.

쉽게 말하면 로봇에게 작업마다 다른 ‘매뉴얼 프로그램’을 하나씩 넣는 대신, 많은 경험을 학습시켜 새로운 작업에도 적응하게 만들려는 것이다.

이 변화가 성공하면 휴머노이드의 경제성이 크게 달라질 수 있다.

로봇 한 대가 한 가지 일만 한다면 공장 자동화 장비와 큰 차이가 없지만, 같은 하드웨어가 낮에는 부품을 옮기고 오후에는 상자를 정리하고 야간에는 재고를 확인할 수 있다면 활용도가 훨씬 높아지기 때문이다.

그런데 로봇은 어디서 그렇게 많은 경험을 배울까?

AI 모델은 데이터가 많을수록 좋아지는 경우가 많다.

문제는 로봇 데이터는 인터넷에서 쉽게 모을 수 없다는 것이다.

글과 사진은 웹에 넘쳐나지만 ‘사람이 컵을 잡을 때 손목 각도가 어떻게 변했는지’, ‘미끄러운 상자를 놓치지 않으려면 힘을 얼마나 줘야 하는지’ 같은 데이터는 자동으로 쌓이지 않는다.

그래서 로봇 회사들은 사람의 행동을 원격조종으로 기록하거나, 실제 로봇을 공장에 투입해 데이터를 모으거나, 가상환경에서 수많은 상황을 만들어 학습한다.

Figure는 2026년 9월 Nscale과 대규모 컴퓨팅 파트너십을 발표하면서 자사 로봇 AI 모델 Helix를 키우기 위해 데이터와 컴퓨팅이 현재 가장 큰 제약이라고 설명했다.

Figure는 실제 휴머노이드 훈련 데이터를 대규모로 모으는 Index 프로젝트를 운영하고 있고, 더 많은 데이터와 컴퓨팅을 투입해 다음 세대 Physical AI 모델을 훈련하려 한다.

즉 휴머노이드 경쟁은 로봇 몸체만 잘 만드는 경쟁이 아니다.

누가 더 많은 ‘현실 행동 데이터’를 확보하고 더 큰 AI 모델을 학습할 수 있느냐의 경쟁이기도 하다.

왜 시뮬레이션이 중요한가? — 로봇에게 현실에서 100만 번 넘어져보라고 할 수는 없다

사람에게 계단 내려오는 법을 가르친다고 100만 번 일부러 넘어뜨릴 수는 없다.

로봇도 마찬가지다.

현실에서 학습하면 장비가 부서질 수 있고, 사람이 다칠 수도 있고, 시간과 비용이 너무 많이 든다.

그래서 가상공간에서 먼저 연습시킨다.

디지털 공장이나 창고를 컴퓨터 안에 만들고 로봇이 수백만 번 걷고, 집고, 넘어지고, 다시 시도하게 하는 것이다.

NVIDIA Isaac Sim과 Omniverse 같은 시뮬레이션 플랫폼이 중요한 이유다.

NVIDIA는 휴머노이드 개발을 ‘세 대의 컴퓨터’ 구조로 설명한다.

첫 번째는 큰 AI 모델을 학습하는 데이터센터 슈퍼컴퓨터다.

두 번째는 가상공간에서 로봇을 훈련하고 테스트하는 시뮬레이션 컴퓨터다.

세 번째는 실제 로봇 안에서 실시간으로 AI를 실행하는 온보드 컴퓨터다.

쉽게 말하면 ‘학교 → 가상 훈련장 → 실제 현장’의 3단계 구조다.

로봇의 근육 — 모터만 달면 사람처럼 움직일 수 있을까?

사람의 근육에 해당하는 부품을 로봇에서는 액추에이터라고 부른다.

액추에이터는 전기신호를 실제 힘과 움직임으로 바꾸는 장치다.

대개 모터와 감속기, 센서, 제어기가 하나의 관절을 만든다.

휴머노이드에는 어깨, 팔꿈치, 손목, 손가락, 허리, 무릎, 발목 등 수많은 관절이 필요하다.

여기서 어려운 점은 힘만 세다고 되는 것이 아니라는 것이다.

로봇이 너무 무겁거나 관절이 뻣뻣하면 사람 주변에서 안전하게 움직이기 어렵다.

반대로 너무 가볍게 만들면 물건을 들 힘이 부족해질 수 있다.

그래서 휴머노이드 하드웨어 경쟁에서는 모터의 출력밀도, 감속기의 정밀도, 관절 무게, 소음, 수명, 가격이 모두 중요하다.

AI가 두뇌라면 액추에이터는 실제 생산성을 결정하는 근육인 셈이다.

손이 특히 어려운 이유 — 사람 손은 생각보다 대단한 기계다

휴머노이드 영상에서 걷기보다 더 자세히 봐야 할 부분이 손이다.

사람은 종이컵, 볼트, 수건, 유리병을 같은 손으로 잡는다.

물건마다 모양과 무게, 마찰이 다르지만 손가락이 자연스럽게 힘을 조절한다.

로봇에게는 매우 어려운 작업이다.

손가락 수가 많아질수록 모터와 센서가 늘어나고 제어해야 할 자유도도 급격히 증가한다.

그래서 어떤 휴머노이드는 사람 손과 비슷한 다지형 손을 쓰고, 어떤 로봇은 공장 작업에 더 적합한 단순한 그리퍼를 사용한다.

중요한 것은 사람처럼 보이는 손이 아니라 실제 작업에서 얼마나 다양한 물건을 안정적으로 다룰 수 있는가다.

앞으로 휴머노이드의 상용화에서 걷기보다 ‘손의 경제성’이 더 중요한 병목이 될 가능성도 있다.

로봇의 체력 — 배터리가 왜 중요한가?

사람이 8시간 일하려면 체력이 필요하듯 로봇도 에너지가 필요하다.

휴머노이드는 걸을 때도 모터를 사용하고, 물건을 들 때도 전력을 쓴다. AI 컴퓨터와 센서도 계속 작동해야 한다.

배터리를 크게 만들면 오래 일할 수 있지만 몸이 무거워진다.

몸이 무거워지면 다시 더 큰 모터가 필요하고, 더 큰 모터는 더 많은 전력을 사용한다.

이런 악순환 때문에 배터리 에너지밀도와 로봇의 전력효율이 중요하다.

전기차와 비슷하지만 조건은 다르다.

자동차는 바퀴로 굴러가지만 휴머노이드는 수많은 관절을 계속 움직인다.

또 공장에서는 로봇이 완전히 방전될 때까지 기다리기보다 교대시간에 충전하거나 배터리를 교체하는 운영방식도 중요해질 수 있다.

결국 배터리 기술뿐 아니라 ‘몇 시간 일하고 몇 분 충전해야 경제적인가’라는 운영모델까지 상용화의 핵심이다.

왜 가정이 아니라 공장에서 먼저 시작할까?

휴머노이드 회사들의 장기 목표에는 가정용 로봇이 자주 등장한다.

하지만 실제 상용화는 공장과 창고에서 먼저 진행될 가능성이 높다.

이유는 환경이 더 단순하고 경제적 가치도 계산하기 쉽기 때문이다.

공장 바닥은 평평하고 작업공간이 정리돼 있다. 로봇이 해야 할 일도 부품운반, 상자정리, 반복 조립처럼 비교적 명확하다.

반면 집은 훨씬 복잡하다.

장난감이 바닥에 떨어져 있을 수 있고, 아이와 반려동물이 움직이며, 물건의 위치가 매일 바뀐다.

또 공장에서는 로봇 한 대가 야간근무를 대신했을 때 절감되는 인건비를 쉽게 계산할 수 있지만 가정에서는 수만 달러짜리 로봇을 살 경제적 이유를 만들기가 더 어렵다.

NVIDIA 역시 휴머노이드의 초기 활용처로 제조, 물류, 헬스케어 등 사람 중심 공간에서 반복적이고 힘든 일을 보조하는 용도를 강조한다.

Figure의 35억 달러 컴퓨팅 계약이 왜 중요한가?

2026년 9월 3일 Figure와 AI 클라우드 기업 Nscale은 최대 10만 개의 NVIDIA Vera Rubin GPU 플랫폼을 배치할 수 있는 장기 파트너십을 발표했다.

초기 컴퓨팅 계약 규모만 35억 달러이고, 향후 60억 달러 이상으로 확대할 의향도 밝혔다.

여기서 중요한 것은 ‘로봇 회사가 왜 이렇게 많은 GPU를 필요로 하느냐’다.

Figure는 로봇 한 대 안에 10만 GPU를 넣으려는 것이 아니다.

실제 로봇에 들어가는 AI 모델을 훈련하기 위해 데이터센터에서 엄청난 계산을 사용하는 것이다.

챗GPT가 더 똑똑해지기 위해 거대한 GPU 클러스터가 필요했던 것처럼, Physical AI도 더 많은 현실 행동 데이터와 더 큰 학습 컴퓨팅을 필요로 한다.

즉 휴머노이드 산업은 모터와 기계부품 산업이면서 동시에 AI 데이터센터 산업이기도 하다.

우리가 불마켓에서 다뤘던 AI 반도체, 네트워크, 전력, 냉각, 스토리지 시리즈가 휴머노이드와 다시 연결되는 지점이다.

중국에서도 휴머노이드 경쟁이 빨라지는 이유

휴머노이드 경쟁은 미국 기업만의 이야기가 아니다.

중국에서도 제조업 자동화와 로봇 공급망을 기반으로 많은 기업이 휴머노이드 개발에 뛰어들고 있다.

최근 베이징에서 열린 로봇 경기에서는 휴머노이드들이 달리기와 여러 작업을 수행했고, 업계 관계자들은 이런 실험을 실제 공장과 가정용 로봇 개발로 연결하려 하고 있다.

중국의 강점은 모터, 감속기, 배터리, 전자부품, 제조공정 같은 하드웨어 공급망이 매우 크다는 점이다.

미국이 AI 모델과 컴퓨팅 플랫폼에서 강점을 보인다면 중국은 대량생산과 부품비용에서 경쟁력을 만들 가능성이 있다.

결국 휴머노이드 시장은 AI 소프트웨어 경쟁과 제조원가 경쟁이 동시에 벌어지는 산업이 될 수 있다.

그럼 휴머노이드는 내년에 바로 사람을 대체할까?

아직은 그렇지 않다.

영상에서는 로봇이 자연스럽게 걷고 물건을 옮기는 장면이 눈에 띄지만 실제 현장에서는 훨씬 까다로운 문제가 남아 있다.

첫째는 신뢰성이다.

사람은 하루에 수천 번 손을 움직여도 큰 문제가 없지만 로봇 관절과 그리퍼가 반복작업 중 자주 고장 나면 경제성이 떨어진다.

둘째는 안전이다.

사람 옆에서 움직이는 로봇이 예측하기 어려운 행동을 하면 큰 사고가 날 수 있다.

NVIDIA가 2026년 Halos for Robotics 같은 전용 안전 시스템을 공개한 것도 이런 이유다.

셋째는 비용이다.

로봇 한 대 가격만이 아니라 유지보수, 충전, 원격지원, 소프트웨어 비용까지 포함해 사람보다 경제적인지 봐야 한다.

넷째는 데이터다.

현실은 무한히 다양한데 로봇이 모든 상황을 경험해볼 수는 없다.

따라서 휴머노이드가 ‘할 수 있다’와 ‘매일 8시간 안정적으로 돈을 벌어준다’는 완전히 다른 단계다.

Physical AI가 성공하면 어떤 산업이 함께 커질까?

휴머노이드 산업을 보면 로봇 회사만 떠올리기 쉽다.

하지만 실제 공급망은 훨씬 넓다.

AI 학습에는 NVIDIA 같은 GPU와 AI 클라우드가 필요하다.

로봇 내부에는 Jetson 같은 엣지 AI 컴퓨터가 필요하다.

카메라와 깊이센서, IMU, 힘·토크 센서가 필요하다.

관절에는 모터와 감속기, 베어링이 들어간다.

손에는 작은 액추에이터와 촉각센서가 필요하다.

몸에는 배터리와 전력관리 반도체가 필요하다.

공장에서는 시뮬레이션 소프트웨어와 디지털트윈, 안전 시스템도 필요하다.

즉 휴머노이드가 실제 산업으로 커지면 반도체, 센서, 모터, 배터리, 기계부품, 클라우드, 소프트웨어까지 새로운 공급망이 만들어진다.

그래서 이번 Physical AI 시리즈에서는 로봇 완성품보다 그 안에 들어가는 핵심 기술을 하나씩 나눠서 살펴볼 예정이다.

앞으로 무엇을 확인해야 할까?

첫째는 실제 배치 숫자다. 멋진 시연 영상보다 공장에 몇 대가 투입돼 몇 시간 일하는지가 중요하다.

둘째는 작업 성공률이다. 100번 중 99번 성공하는지, 1만 번 중 9,999번 성공하는지가 상용화에서는 큰 차이다.

셋째는 로봇 한 대의 총비용이다. 구매가격뿐 아니라 유지보수와 전력, 운영인력까지 포함해야 한다.

넷째는 데이터와 학습 속도다. 실제 현장에서 경험한 데이터를 얼마나 빨리 다음 모델에 반영하는지가 중요하다.

다섯째는 안전규격과 인증이다. 사람 옆에서 일하는 로봇일수록 성능만큼 안전이 중요해진다.

이 다섯 가지가 개선되는 속도가 휴머노이드가 ‘멋진 기술’에서 ‘돈을 버는 산업’으로 넘어가는 속도를 결정할 가능성이 높다.

한 문장으로 정리하면

휴머노이드의 진짜 혁신은 사람처럼 생긴 기계를 만드는 데 있지 않고, AI가 현실을 보고 배우고 움직여 실제 노동을 수행할 수 있게 만드는 Physical AI의 등장에 있다.

불마켓의 시선

AI 산업은 지난 몇 년 동안 화면 안에서 빠르게 성장했다.

이제 다음 질문은 그 AI가 현실세계에서 얼마나 경제적으로 움직일 수 있느냐이다.

휴머노이드는 AI 모델, 로봇 하드웨어, 배터리, 센서, 시뮬레이션, 데이터센터가 모두 연결되는 산업이다.

그래서 불마켓에서는 휴머노이드 완성품의 멋진 영상보다 ‘어떤 기술이 실제 병목이고, 누가 그 병목을 해결하고 있는가’를 중심으로 볼 필요가 있다.

이번 1편은 전체 지도를 그리는 글이다.

다음 편부터는 로봇의 눈과 감각을 만드는 센서, 근육을 만드는 액추에이터와 감속기, 손과 그리퍼, 배터리와 전력, 그리고 Figure·Tesla·Agility 등 실제 기업과 공급망으로 더 깊게 들어갈 예정이다.

이 글은 특정 기업이나 종목에 대한 매수·매도 추천이 아니라 Physical AI와 휴머노이드 산업의 구조를 이해하기 위한 정보형 콘텐츠다.