물리 AI가 직면한 가장 큰 과제는 인공적인 것이 아니라 물리적인 것일 수도 있다

거의 모든 화제성 데모 뒤에는 같은 진실이 있습니다: 기계는 프로토타입이며, 프로토타입은 제품이 아닙니다. 하나의 작동 로봇을 만드는 것은 엔지니어링 위업입니다. 비용을 지불할 사람이 있는 상황에서 천 번째 로봇을 만들고, 고장 시 이를 보조할 전문가 팀 없이 만드는 것은 전혀 다른 도전이며, 이는 산업이 이제 막 직면하기 시작한 문제입니다.

일회용에서 조립 라인으로

프로토타입에서 양산까지 하드웨어 제품을 가져온 사람이라면 첫 번째 유닛이 가장 쉬운 단계라는 것을 압니다.

프로토타입 로봇은 손으로 가공한 맞춤형 액추에이터, 2개월 리드 타임을 가진 부티크 공급업체에서 조달한 센서, 혹은 설계한 엔지니어가 직접 조립한 배터리 팩으로 구동될 수 있습니다. 단 하나의 유닛일 때는 이러한 요소가 크게 중요하지 않지만, 만 개 규모가 되면 모두가 심각한 위험 요소가 됩니다.

공급업체는 자격을 검증받아야 하며, 보통 두 번 이상 검증됩니다. 그래서 하나의 공장 화재나 배송 지연이 생산을 멈추게 하지 않습니다. 실험실에서 최고 성능을 위해 설계된 부품은 허용 오차, 내구성, 그리고 무엇보다 비용을 고려해 다시 설계돼야 합니다. 소수의 박사들이 손으로 문제를 해결하던 조립 과정은 생산 라인 기술자가 몇 분 안에 작업을 마칠 수 있을 정도로 단순화돼야 합니다.

This work is called design for manufacturability. It is slow, it is tedious, it’s where the engineering battle in Physical AI is increasingly being fought, and it’s a battle many well-funded, technically brilliant robotics companies have lost.

인상적인 데모가 시장을 장악하지 않는다

소프트웨어 중심의 기술 사이클이 10년간 이어오면서 형성된 자연스러운 본능은 가장 똑똑한 모델이나 가장 인간 같은 로봇을 만든 사람이 승리할 것이라는 생각입니다. 이 본능은 일반적인 AI 투자에서는 유효했지만, 물리 AI에서는 오히려 오해를 불러일으킬 수 있습니다.

하드웨어 비즈니스는 데모 날에 승부가 결정되는 것이 아니라 이후 몇 년 동안의 단위 경제성, 공급망 회복력, 그리고 수천 대의 기계를 현장에서 엔지니어 소규모 팀 없이 지속적으로 운영할 수 있는 능력에 달려 있습니다.

태양광 발전이 좋은 선례를 제공합니다. 최종적으로 시장을 장악한 패널은 실험실에서 가장 효율적인 것이 아니라 기업이 신뢰성 있게, 비용을 낮추면서 대량 생산할 수 있었던 제품이었습니다. 전기차도 비슷한 궤적을 보였으며, 배터리 공급망과 제조 수율이 단일 기술 혁신만큼이나 중요했습니다. 수십에서 수백 개의 부품으로 구성된 로봇은 각각이 고장 가능성이 있는 지점이므로, 신뢰할 수 있는 공급업체와 매 분기마다 비용 곡선이 하향하는 로봇을 보유한 기업이, 한 번에 몇 대만 만들 수 있는 눈부신 로봇을 가진 경쟁자를 앞설 가능성이 높습니다.

AI는 엔지니어링은 가속화하지만 물리학은 가속화하지 못한다

AI 자체가 이 격차를 메우지 않을까요? 어느 정도는 그렇습니다. 생성형 설계 도구는 인간 엔지니어가 생각하지 못한 부품 형상을 탐색하고 있습니다. Simulation은 머신러닝으로 가속화돼 한때 몇 달 걸리던 테스트 사이클을 압축하고 있습니다. 예측 모델은 부품이 가공되기 전에 어느 공급업체나 소재가 수율 문제를 일으킬 가능성이 높은지 알려줍니다.

These tools are real accelerants, and the companies using them well in engineering and sourcing will move faster than those that don’t.

하지만 물리적 세계는 소프트웨어처럼 빠르게 반복되지 않기 때문에 이 압축에는 한계가 있습니다. 새로운 합금은 수천 회의 사이클로 이루어진 피로 시험을 통과해야 하고, 공장 라인은 도구를 갖추고, 시운전하고, 자체 학습 곡선을 거쳐야 수율이 안정됩니다. 새로운 소재를 인증하는 데는 몇 달이, 새로운 생산 라인을 가동하는 데는 몇 분기가 필요합니다. 하드웨어 일정이 소프트웨어 일정처럼 급격히 단축될 것이라고 가정하고 로드맵을 짜는 기업은 공개적으로 큰 실망을 겪게 될 것입니다.

간과된 병목 현상

이전 하드웨어 사이클에서 얻은 교훈이 하나 있다면, 가장 적은 관심을 받는 부품이 가장 큰 지연을 초래한다는 점입니다.

물리 AI에서는 이것이 액추에이터, 즉 로봇에 토크와 정밀도를 제공하는 모터와 메커니즘에서 시작될 가능성이 높습니다. 자격을 갖춘 제조업체가 적은 풀(pool)에서 공급이 부족하고, 새로운 생산 능력을 확보하는 데는 분기가 아니라 수년이 걸립니다.

그 다음은 센싱입니다. 카메라, 힘 센서, 그리고 기계가 주변을 인식하게 하는 고유 감각 시스템은 여전히 고가이며, 밀집된 실제 현장 배치를 지원하기엔 성숙도가 낮습니다.

제조 자체로까지 확대됩니다. 산업은 소수의 지역과 공급업체에 과도하게 의존해 왔으며, 이는 점점 전략적 약점으로 인식되고 있습니다. 따라서 기업들은 효율성을 일부 포기하더라도 보다 분산되고 중복된 제조 기반으로 이동하고 있습니다.

그리고 마지막은 전력: 창고, 가정, 현장 등에서 지속적으로 작동하는 수천 대의 기계와 함께 규모를 확대해야 할 배터리, 전력 전자 장치, 충전 인프라가 포함됩니다. 이 카테고리들은 키노트에서 주목받지는 않겠지만, 실제로 누가 출하할지를 결정하게 될 것입니다.

더 큰 대전의 예고

물리 AI 붐은 사실상 기술 산업이 편안하게 받아들인 가정, 즉 한 번 구축된 지능은 자유롭게 확장될 수 있다는 가정을 실시간으로 시험하고 있습니다. 이 가정은 소프트웨어에는 어느 정도 적용되지만, 공장에는 적용되지 않습니다.

Compute can double overnight. Models can improve with a new training run. Deployment can happen at the push of a button. Supply chains cannot double overnight. Skilled technicians, qualified suppliers, and mature production lines take years to build, and no leap in model capability shortens that timeline.

이것이 물리 AI가 과대평가되었다는 의미도, 근본 기술이 실재하지 않는다는 의미도 아닙니다. 오히려 무게 중심이 인공지능에서 물리 인프라로 이동하고 있음을 의미합니다. 이 변화를 일찍 파악하고, 다음 화려한 데모 대신 제조 능력과 공급망 회복력에 실질적인 자원을 투입하는 기업과 투자자는 현재의 바이럴 영상 물결이 규모 있는 실제 배치 작업으로 전환될 때에도 여전히 서 있을 가능성이 높습니다.