대한민국 대도약 3대 메가프로젝트 국민보고회/ 260629 (부총리겸 과학기술 정보통신부 장관 발언)
솔직히 저는 피지컬 AI라는 말을 처음 들었을 때 그냥 로봇에 AI를 얹은 것 아닌가 싶었습니다. 그런데 자세히 파고들수록 이건 단순한 기술 업그레이드가 아니라, 로봇이 스스로 생각하고 행동하는 완전히 다른 패러다임이라는 걸 알게 됐습니다. 그리고 우리나라가 지금 이 판에서 얼마나 중요한 위치에 있는지, 동시에 얼마나 급박한 상황인지를 보고 적잖이 긴장했습니다.
피지컬 AI, 기존 로봇과 뭐가 다를까요?
기존 로봇이 어떻게 작동하는지 생각해보신 적 있으신가요? 사람이 "이 상황에서는 이렇게 해"라고 규칙을 하나하나 입력해두면, 로봇은 그 규칙 안에서만 움직입니다. 공장 자동화 라인을 떠올리면 됩니다. 정해진 동작을 반복하는 수동적인 도구죠.
피지컬 AI(Physical AI)는 다릅니다. 여기서 피지컬 AI란 카메라나 센서로 주변 상황을 스스로 인식하고, 어떤 행동이 최선인지 판단한 뒤 직접 실행하는 자율적인 로봇 지능 시스템을 말합니다. 사람이 미리 정해둔 규칙이 필요 없습니다. 이 차이가 작아 보여도, 실제로는 산업과 일상 전반의 대전환을 의미합니다.
그런데 여기서 제가 처음에 간과했던 게 있습니다. 피지컬 AI를 제대로 작동시키려면 엄청난 양의 데이터가 필요하다는 사실입니다. 생성형 AI, 즉 챗GPT 같은 대규모 언어 모델(LLM)은 인터넷에 올라온 텍스트와 이미지를 학습해서 사실상 10만 년치 분량의 데이터를 확보하고 있습니다. 반면 피지컬 AI가 현재 보유한 데이터는 약 1만 시간 수준에 불과합니다(출처: Epoch AI). 격차가 어마어마하죠.
왜 이 격차가 생기는지 생각해보면, 피지컬 AI의 데이터가 얼마나 모으기 어려운지 감이 옵니다. 테니스공 하나를 로봇이 다루려면 크기, 무게, 표면 마찰 계수, 탄성 계수를 모두 반영한 데이터가 필요합니다. 탁구공은 또 다릅니다. 축구공, 농구공도 마찬가지입니다. 물체마다, 동작마다 데이터를 새로 쌓아야 합니다. 제 경험상 이런 구조를 처음 접하면 "그냥 많이 모으면 되는 거 아닌가" 싶지만, 현실은 전혀 그렇지 않습니다. 가상 시뮬레이션으로 합성 데이터(Synthetic Data)를 만드는 것도 이 문제를 해결하기 위한 핵심 전략 중 하나입니다. 합성 데이터란 실제 현장이 아닌 컴퓨터 가상 환경에서 인공적으로 생성한 학습용 데이터를 의미합니다.
- 기존 로봇: 사람이 입력한 규칙 기반 동작, 예외 상황 대응 불가
- 피지컬 AI: 상황 인식 → 판단 → 행동의 자율적 루프 작동
- 데이터 격차: LLM 대비 피지컬 AI 학습 데이터는 현재 극히 초기 단계
- 해법: 현장 데이터 + 합성 데이터 병행 확보가 필수
한국의 전략, 풀스택 국산화가 가능할까요?
여기서 한 가지 솔직한 의문이 생겼습니다. 데이터를 모으고 모델을 만드는 것까지는 이해가 됩니다. 그런데 "풀스택 국산화"라는 말이 나왔을 때, 이게 정말 현실적인 목표인지 의심이 들었습니다.
풀스택(Full-Stack)이란 로봇 하드웨어부터 피지컬 AI 파운데이션 모델, 월드 모델, 네트워크, 보안까지 AI 시스템의 전 계층을 의미합니다. 쉽게 말해 소프트웨어와 하드웨어를 통째로 국산화하겠다는 얘기입니다. 그리고 그 기반이 되는 것이 파운데이션 모델(Foundation Model)과 월드 모델(World Model)입니다. 파운데이션 모델이란 다양한 분야에 범용으로 적용 가능한 대형 AI 기반 모델이고, 월드 모델은 AI가 물리적 세계의 법칙을 이해하고 행동의 결과를 미리 예측할 수 있게 하는 내부 시뮬레이터입니다. 이 두 가지를 3년 안에 세계 최고 수준으로 만들겠다는 게 정부의 목표입니다.
제가 이 부분을 접하면서 느낀 건, 목표 자체는 명확하다는 겁니다. 농업, 제조, 안전, 돌봄 같은 분야별 특화 모델을 범용 파운데이션 모델 위에서 파생시키는 구조는 꽤 합리적으로 보입니다. 실제로 AI 반도체 분야에서도 의미 있는 움직임이 있습니다. 리벨리온, 모빌리트, 딥엑스 같은 국내 NPU(신경망 처리 장치, 즉 AI 연산에 특화된 반도체) 기업들이 7~8년의 연구 끝에 상용화 단계에 진입했습니다(출처: 과학기술정보통신부). NPU란 GPU 중심의 학습용 반도체와 달리, AI 추론 연산에 특화된 칩입니다.
지금 AI 시장은 학습(Training) 중심에서 추론(Inference) 중심으로 빠르게 이동하고 있습니다. 학습은 NVIDIA 같은 빅테크 GPU가 장악하고 있지만, 추론 시장은 아직 개방형 생태계입니다. 솔직히 이 타이밍이 예상 밖이었습니다. 한국 기업들에게 지금이 진짜 기회의 창이 열린 순간일 수 있겠다는 생각이 들었습니다.
AI 데이터센터와 토큰 이코노미, 이게 왜 중요한가요?
전 세계 AI 데이터센터 투자 규모가 5년간 5.5조 달러, 우리 돈으로 약 8,400조 원이라는 수치를 처음 봤을 때 솔직히 숫자 감이 잡히지 않았습니다. 젠슨 황 NVIDIA CEO가 "인류 역사상 최대 규모의 인프라 투자"라고 표현한 것이 과장이 아닌 이유가 여기 있습니다.
AI 데이터센터(AIDC)를 인체에 비유하면 이해가 쉽습니다. 로봇은 신체, 피지컬 AI 모델은 두뇌, 데이터는 혈액, 그리고 AI 데이터센터는 심장입니다. Epoch AI에 따르면 1기가와트(GW)급 AI 데이터센터를 구축하는 데 약 60조 원이 필요합니다. 정부는 2030년까지 8.4GW 규모, 550조 원 투자를 목표로 하고, 2035년까지는 총 18.4GW, 1,000조 원이 넘는 투자를 추진할 계획입니다.
그런데 제가 이 대목에서 가장 흥미롭게 본 것은 '토큰 이코노미(Token Economy)' 개념입니다. 토큰 이코노미란 AI 데이터센터가 생산하는 토큰, 즉 AI가 생성하는 언어와 행동의 기본 단위에 경제적 가치를 부여하는 체계를 말합니다. 1GW당 40조에서 400조 개의 토큰이 생산될 수 있다고 합니다. 이 토큰을 기반으로 피지컬 AI가 작동하고, 에이전틱 AI(자율적으로 목표를 설정하고 실행하는 AI)가 토큰을 소비하고 생성하는 순환 구조가 만들어집니다.
궁극적으로 정부가 그리는 그림은 '모두의 AI'입니다. 국민 누구나 비용 부담 없이 AI를 활용하는 사회, AI 기본 사회의 인프라가 바로 이 데이터센터 투자에서 시작됩니다. 저는 개인적으로 이 방향 자체는 설득력이 있다고 봅니다. 다만 토큰 이코노미가 실제 작동하려면 데이터센터 구축 속도만큼이나 거버넌스 설계가 따라줘야 한다는 점은 아직 더 구체화가 필요해 보입니다.
자주 묻는 질문
Q. 피지컬 AI와 일반 AI 로봇은 뭐가 다른가요?
A. 일반 산업용 로봇은 사람이 프로그래밍한 규칙 안에서만 움직입니다. 반면 피지컬 AI는 주변 환경을 스스로 인식하고, 상황에 맞는 행동을 자율적으로 판단합니다. 규칙 기반이냐, 자율 판단이냐의 차이가 핵심입니다. 그 자율성을 가능하게 하는 게 바로 파운데이션 모델과 월드 모델입니다.
Q. 피지컬 AI 데이터가 왜 이렇게 부족한 건가요?
A. 텍스트나 이미지 데이터는 인터넷에서 대량으로 수집할 수 있지만, 피지컬 AI 데이터는 현실 세계에서 물체를 직접 다루는 동작 하나하나를 기록해야 합니다. 물체마다 무게, 마찰 계수, 탄성이 다르기 때문에 같은 공이라도 테니스공과 탁구공의 데이터는 완전히 다릅니다. 이 때문에 가상 환경의 합성 데이터와 현장 데이터를 병행해서 쌓는 전략이 필요합니다.
Q. 한국 국산 AI 반도체 기업은 어디가 있나요?
A. 리벨리온, 모빌리트, 딥엑스가 대표적입니다. 이들은 7~8년간의 연구 개발을 통해 NPU(신경망 처리 장치) 기반 AI 칩을 상용화 단계까지 끌어올렸습니다. 특히 학습보다 추론에 특화된 시장에서 경쟁력을 키우고 있으며, 추론 시장이 개방형 생태계라는 점에서 진입 기회가 있습니다.
Q. 토큰 이코노미가 실제 우리 생활과 무슨 관계가 있나요?
A. AI가 언어를 생성하거나 행동을 실행할 때 사용하는 기본 단위가 토큰입니다. 토큰 이코노미는 이 토큰에 경제적 가치를 부여해서, AI 서비스 이용을 국민 누구나 비용 부담 없이 할 수 있도록 설계하는 구조입니다. AI 데이터센터가 많아질수록 토큰 생산량이 늘고, 그 혜택이 사회 전반으로 퍼지는 구조를 목표로 합니다.
결론
피지컬 AI를 처음 접했을 때 "또 정부 발표 아닌가" 싶었던 게 솔직한 반응이었습니다. 그런데 데이터 격차, 풀스택 국산화, 토큰 이코노미라는 세 가지 키워드를 파고들면서 이건 단순한 로드맵이 아니라 꽤 구체적인 전략 체계라는 인상을 받았습니다.
3년이 골든 타임이라는 말은 위기감을 강조하는 수사가 아닙니다. 합성 데이터 인프라를 갖추고, 월드 모델 기반 파운데이션 모델을 완성하고, 추론 반도체 시장에서 포지션을 잡는 것, 이 세 가지를 동시에 진행해야 하는 시간표가 실제로 촉박합니다. 피지컬 AI에 관심 있으신 분이라면, 국내 NPU 기업들의 상용화 흐름과 AI 데이터센터 투자 일정을 함께 추적해보시길 권합니다. 이 두 가지 방향이 맞물리는 시점이 한국 피지컬 AI의 실질적인 분기점이 될 것으로 보입니다.