当 AI 开始拥有身体：物理 AI 会成为下一轮科技主线么？

지난 2년 동안 자본 시장에서 거래된 AI는 주로 AI의 '두뇌'였습니다.

ChatGPT, 대규모 언어 모델(LLM)에서 GPU, HBM, 데이터 센터, 광통신, 전력 인프라에 이르기까지, 거의 모든 핵심 트렌드는 모델을 더 크게 만들고, 훈련 속도를 더 빠르게 하며, 추론 비용을 낮추는 방법에 초점을 맞추었습니다.

하지만 이러한 AI들은 텍스트, 이미지, 코드, 비디오를 생성할 수 있음에도 불구하고, 대부분 여전히 화면과 디지털 세계 안에서만 작동합니다.

따라서 대규모 언어 모델의 능력과 컴퓨팅 인프라가 점차 성숙해짐에 따라, 시장은 자연스럽게 다음 질문을 던지기 시작합니다: 점점 더 똑똑해지는 이 모델들이 결국 화면을 넘어 자동차, 공장, 창고, 병원, 그리고 현실 세계로 나올 수 있을까?

이것이 바로 Physical AI, 즉 물리적 AI가 산업의 전면에 등장하기 시작한 이유입니다.

1. '생각하는 것'에서 '행동하는 것'으로, 물리적 AI가 중요한 이유는 무엇인가?

NVIDIA의 정의에 따르면, 물리적 AI는 AI가 화면 밖으로 나와 로봇, 카메라, 자율주행 자동차와 같은 자율 시스템이 주변 환경을 인지하고 이해하며, 추론, 의사 결정 및 복잡한 행동을 완료할 수 있도록 하는 것입니다.

다시 말해, 생성형 AI가 '기계가 어떻게 생각하는지'에 대한 문제를 해결한다면, 물리적 AI는 기계가 생각한 후에 어떻게 정확하고 안전하며 저렴하게 행동하여 기계가 실제로 현실 세계와 상호 작용할 수 있는 능력을 갖추게 할 것인가라는 문제를 해결하려고 시도합니다.

젠슨 황의 최근 몇 차례 공개 연설에서 드러난 바와 같이, NVIDIA는 Isaac, GR00T, Cosmos, Omniverse 및 Jetson과 같은 제품 라인을 지속적으로 강화하고 있습니다. 그 목표는 단순히 특정 로봇에 베팅하는 것이 아니라, 기계가 물리적 세계로 진입하기 위한 훈련, 시뮬레이션, 추론 및 배포를 포괄하는 완전한 기반 플랫폼을 구축하는 것입니다.

진정한 물리적 AI는 로봇에 단순히 대규모 언어 모델을 연결하는 것만으로는 해결되지 않습니다. 공간 관계와 물리 법칙을 이해해야 하며, 세계 모델, 훈련 데이터, 시뮬레이션 환경, 엣지 컴퓨팅, 머신 비전, 센서 및 모션 제어가 필요하고, 배포 전에 광범위한 안전 테스트를 완료해야 합니다.

시장 맥락에서 Physical AI는 '임베디드 인텔리전스(Embodied Intelligence)'와 상당 부분 일치하지만, 전자의 외연이 더 넓어 휴머노이드 로봇뿐만 아니라 자율주행, 산업용 로봇, 드론, 스마트 공장, 창고 시스템, 그리고 카메라와 센서로 구동되는 지능형 공간을 포함합니다.

물론 물리적 AI가 갑자기 등장한 새로운 개념은 아닙니다.

자율주행, 산업용 로봇, 머신 비전 및 창고 자동화는 수년간 발전해 왔습니다. 실제로 변화하고 있는 것은 대규모 언어 모델, 세계 모델, 시뮬레이션 기술 및 엣지 컴퓨팅이 과거에는 상대적으로 단절되었던 이러한 기술 경로를 연결하고 있다는 점입니다.

많은 전통적인 산업용 로봇은 사전에 프로그래밍된 명령어에 의존하여 비교적 고정된 환경에서 표준 동작을 반복적으로 수행합니다. 반면 물리적 AI의 목표는 기계가 다른 물체, 익숙하지 않은 환경 및 예상치 못한 상황에 직면했을 때 실시간 정보에 따라 판단과 행동을 조정할 수 있도록 하는 것입니다.

이는 AI 산업 체인이 '두뇌'에서 '신체'로 확장되고 있음을 의미합니다.

지난 2년 동안 시장은 먼저 AI 훈련 및 실행에 필요한 GPU, 스토리지, 서버, 네트워크 및 전력을 재평가했습니다. 다음으로, 자금은 이러한 컴퓨팅 성능을 활용하고 모델 능력을 현실 세계의 생산성으로 전환할 수 있는 매개체, 즉 로봇, 자율주행 자동차, 드론, 산업 자동화 장비, 그리고 공장, 창고 및 도시 전역에 걸친 비전 및 센싱 시스템으로 더 흘러갈 가능성이 있습니다.

따라서 물리적 AI는 '휴머노이드 로봇'으로 단순하게 정의할 수 있는 단일 개념이 아닙니다. 그것이 진정으로 여는 것은 컴퓨팅 파워에서 행동에 이르는 전체 산업 체인입니다.

2. 컴퓨팅 파워에서 로봇까지, 물리적 AI의 5계층 산업 체인

이해를 돕기 위해, MSX 연구소는 물리적 AI 산업 체인을 대략 5가지 핵심 단계로 나누었습니다.

1. 첫 번째 계층: 컴퓨팅 계층

로봇 모델 훈련, 가상 환경 구축, 또는 자동차와 로봇에서 실시간 추론을 완료하는 모든 과정에는 컴퓨팅 파워가 필요합니다.

이 계층은 데이터 센터 GPU, 엣지 AI 칩, 차량용 컴퓨팅 플랫폼 및 저전력 프로세서를 포함하며, 주요 관련 종목으로는:

• NVIDIA (NVDA.M): 훈련용 컴퓨팅 파워, Jetson 엣지 컴퓨팅 플랫폼 및 로봇 개발 생태계를 포괄합니다.
• TSMC (TSM.M): AI 칩, 차량용 칩 및 엣지 컴퓨팅 칩의 제조 기반입니다.
• Arm (ARM.M): 저전력 컴퓨팅 아키텍처로 자동차, 로봇 및 스마트 기기에 널리 사용됩니다.
• Qualcomm (QCOM.M): 차량용 AI, 엣지 추론 및 스마트 단말기에 진출해 있습니다.
• AMD (AMD.M): AI 컴퓨팅 파워 및 임베디드 컴퓨팅의 잠재적 수혜자입니다.

이 계층의 논리는 지난 2년간의 생성형 AI 랠리와 유사하며, '삽(곡괭이) 팔기' 논리를 이어갑니다. 어느 로봇 회사가 최종적으로 승리하든, 기본 계층에는 칩, 컴퓨팅 파워 및 컴퓨팅 아키텍처가 필요합니다.

2. 두 번째 계층: 모델 계층

이 역시 이해하기 어렵지 않습니다. 물리적 AI에는 언어 모델뿐만 아니라 로봇 기초 모델, 세계 모델, 그리고 시각-언어-행동 모델이 필요합니다.

언어 모델은 인간의 명령을 이해하고, 시각 모델은 기계가 환경을 인식하도록 도우며, 행동 모델은 판단을 구체적인 동작으로 변환합니다. 세계 모델은 한 단계 더 나아가 AI가 사물 간의 관계를 이해하고, 다음에 무슨 일이 일어날지 예측하며, 행동하기 전에 시뮬레이션을 수행하도록 시도합니다.

이 계층은 현재 주로 NVIDIA, Tesla, Google과 같은 대형 기술 기업 및 플랫폼 기업, 그리고 일부 로봇 스타트업에 의해 주도되고 있습니다.

대규모 언어 모델과 비교할 때, 로봇 모델이 직면한 가장 큰 문제는 데이터입니다. 인터넷에는 방대한 양의 텍스트, 이미지 및 비디오가 있지만, 진정으로 고품질의 로봇 조작 데이터는 많지 않습니다. 따라서 충분한 양의 훈련 데이터를 생성하는 방법이 물리적 AI 발전의 핵심 관문이 될 것입니다.

3. 세 번째 계층: 시뮬레이션 계층

현실에서의 훈련은 비용이 많이 들고, 속도가 느리며, 위험이 크기 때문에 로봇은 먼저 가상 세계에서 학습해야 합니다. 따라서 디지털 트윈, 합성 데이터 및 가상 훈련 환경은 물리적 AI에서 매우 중요한 계층을 구성합니다.

NVIDIA는 이 계층에서 비교적 완전한 도구 체인을 구축했습니다: Omniverse는 디지털 트윈 및 시뮬레이션 환경 구축에 사용되고, Isaac Sim과 Isaac Lab은 로봇 훈련, 테스트 및 검증을 지원하며, Cosmos는 세계 모델 및 데이터 생성 능력을 제공합니다.

이 계층의 가치는 현실 세계에서 비용이 많이 들고 위험하며 느린 시행착오를 가상 환경으로 옮길 수 있다는 점에 있습니다. 개발자는 동시에 수많은 시나리오를 실행하고, 다양한 조명, 날씨, 지형 및 예상치 못한 상황을 테스트한 후 검증된 모델을 실제 장치에 배포할 수 있습니다.

결론적으로, 로봇이 현실에서 한 번 훈련하는 데 몇 분이 걸릴 수 있지만, 시뮬레이션 환경에서는 수천, 수만 번을 병렬로 실행할 수 있습니다.

4. 네 번째 계층: 인식 계층

로봇이 현실 세계로 진입할 때, 첫 번째 단계는 종종 유연한 손을 갖는 것이 아니라 주변 환경을 안정적으로 '보고' 이해하는 것입니다.

물체를 식별하고, 거리를 판단하며, 환경 변화를 이해하고, 복잡한 공간 내에서 위치를 파악해야 합니다. 판단을 내린 후에는 컨트롤러, 모터, 로봇 팔 및 관절 모듈을 통해 결정을 실제 동작으로 변환해야 합니다.

이 계층에는 머신 비전, 카메라, 라이다, 센서, 제어 칩, 모션 제어 및 다양한 액추에이터 구성 요소가 포함됩니다:

• Cognex (CGNX.M): 산업용 머신 비전 및 식별 시스템.
• Ouster (OUST.M): 라이다 및 인식 플랫폼.
• Qualcomm, NVIDIA: 차량용 및 엣지 비전 컴퓨팅 플랫폼 제공.

Ouster는 차세대 디지털 라이다를 NVIDIA Jetson 및 Isaac 생태계에 통합했으며, 산업용 로봇, 검사 및 자율 시스템에서의 적용을 추진하고 있습니다. Cognex는 AI 비전 시스템을 제조업 검사 및 자동화 시나리오에 지속적으로 배포하고 있습니다.

휴머노이드 로봇에 비해 머신 비전과 센서의 상상력은 그다지 크지 않을 수 있지만, 실제 주문과 기존 고객에 더 가깝습니다.

모터, 감속기, 관절 모듈과 같은 액추에이터 측면에서는 미국 주식 시장에서 순수한 관련 종목이 상대적으로 제한적이며, 관련 기회는 산업 자동화, 아날로그 칩 및 전문 부품 기업에 더 분산되어 있습니다.

5. 다섯 번째 계층: 애플리케이션 계층

산업 체인의 최상위 계층으로, 시장에 가장 잘 알려진 로봇, 자율주행 자동차, 드론 및 산업 자동화 장비가 여기에 해당합니다. 관련 종목으로는:

• Tesla (TSLA.M): Optimus, FSD 및 Robotaxi.
• Alphabet (GOOGL.M): Waymo를 통한 자율주행.
• Amazon (AMZN.M): 창고 로봇, 물류 자동화 및 Zoox.
• Teradyne (TER.M): 협동 로봇 및 이동 로봇.
• AeroVironment (AVAV.M), Kratos (KTOS.M), Ondas (ONDS.M): 드론 및 무인 시스템.
• Palantir (PLTR.M): 데이터, 의사 결정 및 무인 장비를 연결하는 소프트웨어 플랫폼.

이 중 Palantir는 로봇 제조업체가 아니라 데이터, 의사 결정 및 무인 장비를 연결하는 소프트웨어 플랫폼에 가깝습니다. Uber는 다양한 Robotaxi 차량이 사용자를 확보하고, 주문을 조정하며, 거래를 완료할 수 있는 트래픽 게이트웨이가 될 수 있습니다. 이 두 회사 모두 간접적인 수혜 방향에 속합니다.

이는 물리적 AI에서 가장 높은 탄력성(high beta)이 발생하기 쉬운 부분이기도 합니다. 일단 특정 로봇, Robotaxi 또는 드론이 대량 생산 단계에 진입하면, 시장은 신속하게 해당 기업의 수익과 가치 평가를 상향 조정할 것입니다.

그러나 동시에 애플리케이션 계층은 경쟁이 가장 치열하고 성과 입증이 가장 어려운 부분이기도 합니다.

3. 누가 먼저 돈을 벌 것인가: '삽을 파는가', 아니면 '로봇을 만드는가'?

산업적 성과 실현 순서로 볼 때, 물리적 AI가 가져올 증분 수익과 이익이 반드시 가장 공상 과학적 느낌이 드는 휴머노이드 로봇에서 먼저 발생하지는 않을 것입니다.

오히려 더 가능성 있는 경로는 먼저 기본 플랫폼을 판매한 다음, 폐쇄된 시나리오로 진입하는 것입니다. 먼저 표준화된 작업을 해결한 다음, 개방된 세계에 도전하는 것입니다. 한마디로, '삽 팔기'의 확실성이 여전히 가장 높습니다.

따라서 생성형 AI의 첫 번째 단계에서 가장 큰 수혜자가 NVIDIA였다면, 물리적 AI의 초기 발전에서도 여전히 NVIDIA를 피해가기는 어렵습니다. Tesla, Amazon 또는 특정 로봇 스타트업이 최종적으로 승리하든, 이들은 모두 모델 훈련, 시뮬레이션 테스트, 실시간 추론 및 엣지 배포가 필요합니다.

NVIDIA의 강점은 단순히 GPU에 있는 것이 아니라, 칩, 모델, 시뮬레이션 소프트웨어 및 엣지 컴퓨팅 플랫폼을 하나의 완전한 개발 시스템으로 통합하고 있다는 점입니다. 이는 또한 NVIDIA가 모든 로봇을 직접 생산할 필요 없이, 점점 더 많은 로봇이 자사의 컴퓨팅 파워와 소프트웨어 생태계를 사용하도록 만들면 된다는 것을 의미합니다.

이러한 관점에서 볼 때, 물리적 AI의 첫 번째 단계에서 비교적 명확한 수혜 방향은 여전히 컴퓨팅 파워, 시