서론: 뇌를 가진 기계의 등장

2023년이 ‘생성형 AI(Generative AI)‘의 해였고, 2024년이 ‘에이전트 AI(Agentic AI)‘의 해였다면, 2026년은 명백히 ‘피지컬 AI(Physical AI)‘의 해가 될 것이다.

지난 12월, 실리콘밸리와 심천(Shenzhen)에서 동시에 들려온 소식들은 하나의 거대한 변곡점을 가리키고 있다. 단순히 채팅을 하거나 코드를 짜는 AI를 넘어, AI가 현실 세계의 물리적 법칙을 이해하고 직접 행동하기 시작했다는 것이다. 우리는 지금 ‘소프트웨어의 시대’에서 ‘하드웨어와 소프트웨어가 융합된 앰바디드 AI(Embodied AI)의 시대’로 넘어가는 문턱에 서 있다.

이미 OpenAI와 Google DeepMind는 로봇 공학을 AGI(인공일반지능)로 가는 마지막 퍼즐로 규정했다. Google DeepMind의 최신 연구는 텍스트와 코드를 넘어 ‘행동(Action)‘을 생성하는 모델에 집중하고 있으며, Tesla는 자사의 공장에 수천 대의 로봇을 배치하며 실증 실험을 끝마쳤다.

이 글에서는 2025년 말 현재 피지컬 AI 기술의 최전선을 분석하고, Google과 Tesla라는 두 거인의 전략을 비교하며, 2026년 펼쳐질 ‘로봇 경제(Robot Economy)‘의 미래를 전망해본다.

Futuristic Humanoid Robot 이미지 출처: Unsplash / Alex Knight

제1장: 피지컬 AI 시대의 개막

’피지컬 AI’란 무엇인가?

피지컬 AI는 로봇 공학(Robotics)과 인공지능(AI)의 결합을 의미한다. 기존의 로봇이 미리 프로그래밍된 경로만 움직이는 ‘자동화 기계’였다면, 피지컬 AI는 ‘상황을 인지하고(Perception), 판단하여(Reasoning), 행동하는(Action)’ 지능형 로봇이다.

NVIDIA의 CEO 젠슨 황은 2025년 기조연설에서 “피지컬 AI는 AI의 다음 물결(Next Wave)“이라고 정의했다. 이는 LLM(거대언어모델)이 텍스트라는 1차원 데이터를 넘어, 중력, 마찰, 관성 등 물리 법칙이 지배하는 3차원 세계를 학습하기 시작했음을 의미한다.

2025년의 기술적 도약: VLA 모델의 성숙

이 변화의 핵심에는 VLA(Vision-Language-Action) 모델이 있다. 과거에는 로봇에게 “사과를 집어”라고 명령하려면 복잡한 좌표 코딩이 필요했다. 하지만 이제 VLA 모델 덕분에 로봇은 인간의 언어를 이해하고, 카메라로 시각 정보를 분석해, 스스로 팔의 궤적을 계획한다.

2025년 발표된 주요 VLA 모델들은 ‘시뮬레이션에서 현실로(Sim2Real)‘의 간극을 획기적으로 좁혔다. 가상 환경에서 수십억 번의 시행착오를 거친 AI 모델이, 현실 세계에 배포되자마자 걷고 뛰며 물건을 조작하는 수준에 도달한 것이다.

제2장: 거인들의 전쟁 - Google vs Tesla

2026년 피지컬 AI 시장은 소프트웨어 파워를 앞세운 Google과 하드웨어 양산 능력을 앞세운 Tesla의 대결 구도로 좁혀지고 있다.

1. Google: “모든 로봇의 두뇌가 되겠다”

2025년 9월 공개된 Gemini Robotics 1.5와 Gemini Robotics-ER(Embodied Reasoning) 1.5는 구글의 야망을 적나라하게 보여준다.

Gemini Robotics 1.5: 로봇의 하드웨어를 직접 제어하는 모델이다. 시각적 정보와 자연어 명령을 모터 제어 신호로 변환한다. 이전 모델 대비 동작 성공률이 40% 이상 향상되었다.
Gemini Robotics-ER 1.5: ‘로봇의 전두엽’ 역할을 한다. 복잡한 작업을 단계별로 계획하고 추론한다. 예를 들어 “집 좀 치워줘”라고 말하면, “거실의 장난감을 상자에 넣고, 부엌의 설거지를 한다”는 식의 하위 작업을 생성한다.

구글의 전략은 ‘안드로이드(Android)‘와 유사하다. 직접 로봇을 만들기보다, 로봇의 두뇌를 제공하는 플랫폼 전략이다. 이미 Apptronik의 ‘Apollo’, Boston Dynamics의 로봇들이 Gemini를 두뇌로 채택했다. 구글은 이를 통해 전 세계 로봇 하드웨어 제조사들을 자신의 생태계로 끌어들이려 하고 있다.

2. Tesla: “아이폰 모먼트를 재현한다”

화면 밖으로 나온 AI: ‘Physical AI’와 휴머노이드의 각성

생성형 AI(Generative AI)가 디지털 세상의 데이터를 학습했다면, 이제 AI는 **물리적 세상(Physical World)**을 학습하기 시작했습니다. 2026년은 **“Physical AI(물리 AI)“**가 실험실을 벗어나 실제 공장과 가정으로 침투하는 원년입니다.

테슬라의 옵티머스 젠3(Optimus Gen3), 피규어 AI(Figure AI)의 Figure 02, 그리고 구글 딥마인드의 로봇 파운데이션 모델(RFM)이 그리는 미래는 단순한 ‘자동화’가 아닌 **‘신체성(Embodiment)을 가진 지능’**의 탄생을 예고하고 있습니다.

1. Physical AI란 무엇인가?

Physical AI는 로보틱스(Robotics)와 인공지능(AI)의 교집합입니다. 기존 로봇이 미리 짜인 코드대로만 움직이는 기계였다면, Physical AI는 **“처음 보는 물건을, 처음 보는 환경에서, 스스로 판단하여 조작”**할 수 있습니다.

핵심 기술: VLA (Vision-Language-Action) 모델

LLM(Large Language Model)이 텍스트를 이해하고, LMM(Large Multimodal Model)이 이미지를 이해한다면, VLA 모델은 **‘행동(Action)‘**을 출력합니다.

RT-2 (Google): 웹 데이터로 학습한 지식을 로봇 제어에 전이시킵니다. “쓰레기를 버려줘”라는 명령을 내리면, 로봇은 ‘쓰레기’가 무엇인지(Vision), ‘버린다’는 것이 어떤 동작인지(Language), 그리고 관절을 어떻게 움직여야 하는지(Action)를 동시에 추론합니다.

2. 3대 기술 난제와 돌파구

로봇이 현실 세계에서 움직이는 것은 챗지피티가 글을 쓰는 것보다 수백 배 어렵습니다. 중력, 마찰력, 충돌 등 물리 법칙의 제약을 받기 때문입니다.

2.1. Sim-to-Real Gap (시뮬레이션과 현실의 괴리)

로봇을 현실에서 학습시키면 파손 위험이 크고 시간이 오래 걸립니다. 따라서 가상 환경(Isaac Sim, MuJoCo)에서 수억 번의 시뮬레이션을 돌립니다.

Domain Randomization: 가상 환경의 조명, 텍스처, 물리 상수를 무작위로 변경하여 로봇이 현실의 불확실성에 강인해지도록 훈련시킵니다.

2.2. Moravec’s Paradox (모라벡의 역설) 해결

“인간에게 쉬운 것(걷기, 컵 잡기)이 로봇에게는 가장 어렵고, 인간에게 어려운 것(계산, 암기)이 로봇에게는 쉽다.” Physical AI는 **자기지도학습(Self-Supervised Learning)**을 통해 이 역설을 깨고 있습니다. 테슬라 옵티머스는 사람이 원격 조종(Teleoperation)한 수백만 시간의 비디오 데이터를 모방 학습(Imitation Learning)하여 인간의 직관적인 운동 신경을 흡수했습니다.

2.3. On-Device Real-time Inference

로봇은 클라우드 서버와 통신할 여유가 없습니다. 0.1초의 지연이 넘어짐 사고로 이어지기 때문입니다.

HBM4 & Neural Processing: 로봇 두뇌에 탑재된 초고성능 엣지 칩셋(NVIDIA Jetson Thor 등)이 LLM 수준의 판단을 밀리초(ms) 단위로 처리합니다.

3. 주요 플레이어 분석: Tesla vs Figure vs Google

Company	Robot	Core Strategy	Status (2026)
Tesla	Optimus Gen3	Data Scale: 수백만 대의 자율주행차에서 얻은 비전 데이터 활용	기가팩토리 실전 배치 완료
Figure AI	Figure 02	OpenAI Partnership: GPT-5급 두뇌를 탑재한 언어 소통 능력	BMW 공장 내 차체 조립 투입
Google	Aloha / RT-X	Software Platform: 안드로이드처럼 로봇 OS 생태계 장악 시도	가정용 가사 도우미 연구 중
Boston Dynamics	Atlas (Electric)	Dynamic Control: 유압식에서 전동식으로 완전 전환, 곡예 수준의 운동성	건설 현장 및 재난 구조

4. 산업 및 경제적 파급 효과

Physical AI의 등장은 **‘노동력 부족(Labor Shortage)‘**이라는 인류의 고질적 문제를 해결할 유일한 열쇠입니다.

제조업의 리쇼어링(Reshoring): 인건비 문제로 해외로 나갔던 공장들이 다시 본국으로 돌아오고 있습니다. 로봇 노동력이 인간 노동력보다 저렴해지는 시점(Cost Parity)이 2026년으로 예측됩니다.
실버 케어: 고령화 사회에서 부족한 간병 인력을 로봇이 대체합니다. 물 컵을 가져다주거나, 약을 챙겨주는 섬세한 작업이 가능해집니다.

5. 결론: 하드웨어와 소프트웨어의 경계가 무너지다

우리는 소프트웨어가 세상을 먹어치우는 시대(Software eats the world)를 지나, 소프트웨어가 세상 밖으로 걸어 나오는 시대를 맞이했습니다.

개발자들에게는 새로운 기회입니다. 웹이나 앱을 만드는 코딩 기술이 이제는 로봇의 팔과 다리를 움직이는 데 쓰입니다. Python으로 드론을 제어하고, PyTorch로 로봇 팔을 학습시키는 것이 일상이 될 것입니다. 모니터 안에 갇혀 있던 당신의 코드를 이제 현실 세계로 해방시킬 준비를 하십시오.

참고자료 및 기술 출처

Google DeepMind, “RT-2: Vision-Language-Action Models with Web Knowledge”.
Tesla AI Day 2025 Keynote, “Optimus Development Progress”.
NVIDIA GTC 2025, “Project GR00T: Foundation Model for Humanoid Robots”.
Figure AI News, “Deployment of Figure 02 at BMW Manufacturing”.
arXiv, “Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware”.

피지컬 AI의 각성: 2026년, 코드가 현실의 몸을 얻다

핵심 요약