Physical AI, 성능 경쟁에서 현장 배치 경쟁으로​

1. Physical AI의 진화: 현실로 다가온 Physical AI

• Physical AI의 진화: 생성형 AI를 넘어 물리 세계에서 스스로 인식·판단·행동하는 Physical AI로 AI의 무대 확장
  • 2026년 개념 검증을 지나 상용화 국면 진입: Physical AI의 평가 기준이 데모 영상에서 공정 KPI로 변화
  • Physical AI 작동 구조와 핵심 역량: ‘인지→추론 및 판단 → 행동 및 제어’의 구조로 작동, 그 결과를 다시 학습에 반영하여 성능을 강화하는 폐루프(Closed-Loop)가 핵심. 이 폐루프를 통해 데이터가 축적되는 것이 Physical AI의 핵심 역량
  • Physical AI 발전 동인: 생산가능인구 감소와 고령화, 공급망 재편, 산업재해·안전 규제 강화, 제반 기술의 발달, 각국의 정책 지원이 복합적으로 Physical AI 수요를 견인
    

2. Physical AI 생태계 분석

• Physical AI 기능별 계층과 밸류체인
  • 컴퓨트 & 칩 계층(Compute & Chip Layer, 컴퓨팅 인프라), 데이터 & 시뮬레이션 계층(Data & Simulation Layer), 브레인 계층(Brain Layer, AI 모델), 하드웨어 계층(Hardware Layer, Body), 배치 계층(Deployment Layer)의 5개 계층이 하나의 폐루프로 연결된 복합 시스템
  • 컴퓨팅 인프라 및 데이터 &시뮬레이션 계층은 NVIDIA 등 미국 빅테크가 표준을, 하드웨어는 중국 하드웨어가 가격 결정력을 주도하는 반면 수요자와 맞닿아 있는 배치·운영 계층에서는 아직 주도 사업자 부재
• Physical AI 생태계와 가치의 변화
  • 상용화 확대로 배치·운영 계층의 생태계 내 가치 상승: 소프트웨어 설치 통합, 운영서비스에서 데이터 생산 계층으로 의미 확대. ‘현장 배치 → 데이터 생성 → 모델 재학습 → 성능 개선·원가 하락 → 배치 확대’로 이어지는 데이터 플라이휠의 출발점
  • 배치·운영 계층과 정밀 로봇손·센서 등 데이터 부재와 정밀 센서 등의 핵심 부품 병목이 가치 상승을 만들고 있음. 즉 상용화 확대로 현장중심으로 밸류체인 내 가치가 이동하고 있음 이동하며, 모든 참여자가 현장 데이터 접근 경로 확보로 수렴
• Physical AI의 국가별 차이점과 경쟁력
  • 국가별 경쟁력 핵심요소를 보면 한국은 AI 메모리·추론 반도체와 난공정 제조 현장을 보유했으나 핵심 부품과 독자 모델은 약하고, 현장 데이터가 Physical AI 선도 대기업 계열사, SI, 통신사로 분산될 위험 존재함

Physical AI 5대 레이어와 밸류체인

3. Physical AI 시장 분석

• Physical AI 시장 현황 및 전망
  • 글로벌 Physical AI 시장은 향후 5~10년간 연평균 30~40%대 성장 전망
  • 도입 가속화 요인으로 물류 및 제조 분야 도입이 수요를 견인, 비정형 작업환경에서의 부족한 노동력 수요 증가, 엣지 AI 기술 및 디지털 트윈기술의 발달 등이 꼽힘. 다만 시스템 통합 비용, 이기종간 연결, 기능의 신뢰성 이슈는 도입을 저해하는 요인
• 투자 흐름을 통해 본 시장 현황
  • 글로벌 휴머노이드 배치 급증 및 전망치 상향: IDC는 2026년 상반기 출하량을 2만 5,000대(전년 동기 대비 432.1% 증가)로 집계, 골드만삭스는 2035년 시장 전망치를 1,380억 달러로 3.6배 상향
  • Physical AI 투자 확대: 2026년 상반기 Physical AI·로보틱스 투자가 이미 2025년 연간 규모 상회, 투자 자본은 배치 실적을 갖춘 Series C 이상 기업으로 집중
  • 다만 실제 배치는 분야별로 편차 존재하며, 전반적인 자율화 수준은 감독형 자율 단계로 판단
• Physical AI의 병목
  • 실세계 데이터 확보, 정밀 조작, 현장 통합, 경제성 및 책임 문제가 확산의 병목으로 작용

4. 결론: 시사점과 전략적 제언

• 시사점
  • Physical AI 경쟁력의 출발점은 더 나은 모델이나 로봇이 아니라 현장에 배치·운영하며 데이터를 쌓는 구조로, 배치 → 데이터 생성 → 모델 재학습 → 배치 확대의 선순환에서 배치 규모가 곧 데이터 규모
  • 한국은 모델·하드웨어의 정면 경쟁 대신 시뮬레이션으로 대체하기 어려운 난공정 제조 현장을 데이터 자산으로 전환하는 데서 기회 모색 필요
  • Physical AI 경쟁력의 출발점은 현장에 배치하고 운영하면서 데이터를 쌓는 구조를 먼저 갖추는 것이고 이것은 모델 및 하드웨어 성능 제고에도 기여할 수 있음. Physical AI 시대의 핵심 경쟁력은 더 많은 로봇을 생산하는 능력이 아니라, 더 많은 현장을 운영하며 데이터 플라이휠을 구축하는 능력에 있음
• 전략적 제언
  • 공급기업:  업종 특화 모델과 공급자가 적은 부품 구간에 집중, 현장 작업을 동작 단위 데이터로 축적하며 RaaS 등 운영 서비스로 배치 이후에도 데이터를 확보하는 구조 설계
  • 수요기업: 단일 공정 중심으로 도입 범위를 좁혀 현장 KPI로 판단하고, 하드웨어 가격뿐 아니라 시스템 통합, 공정 재설계, 유지보수, 다운타임 등 도입에 따른 비용을 포함해야 함. 운영 전담 조직을 갖추는 한편 계약 단계에서 데이터 소유권과 개선 모델의 사용 범위 및 수익 배분 등을 명확히 해야 할 것임

데이터 플라이휠 작동 단계