물리적 AI: 새로운 시대의 영웅

오늘날, AI 산업과 관련된 모든人は 물리적 AI에 대해 이야기하고 있다. 이 용어는 빠르게 전문가들의 토론에서 주류 의제로 이동했다. 대표적인 예로, NVIDIA는 물리적 AI를 자신의 전략의 중심에 두고 있다. 새로운 로봇 모델과 시뮬레이션 프레임워크, 그리고 자율적인 기계를 위해 특별히 설계된 에지 컴퓨팅 하드웨어를 개발하고 있다.

수조 달러의 인프라 기업들이 새로운 개념을 중심으로 제품 로드맵을 재구성하기 시작할 때, 그것은 방향이 된다.

那么, 물리적 AI는 정말로 새로운 기술이나 패러다임일까? 그리고 이 두 단어가 뒤에 있는 것은 무엇일까?

오래된 새로운 것

전체적으로 생각해 본다면, 물리적 AI는 항상 존재했다. 로봇과 자율 시스템과 관련된 모든 것은 본질적으로 이 정의에 해당한다. 1960년대에는 인공 지능의 요소를 사용하여 제어되는 차량이 등장했다. 오늘날의 기준으로 보면, 이것은 매우 원시적인 컴퓨터 비전 시스템이었지만, 차량은 자신이 “본” 것에 따라 이동을 조정할 수 있었다. 이것은 물리적 AI의 첫 번째 прояв이었다.

자율성과 환경 인식을 결합하는 모든 로봇 시스템은 물리적 AI이다. 간단히 말해서, 물리적 세계를 분석하고 이해하고 결정하고 행동하는 인공 지능의 적용이다.

따라서 우리는 근본적으로 새로운 기술에 대해 이야기하지 않는다. 자율적인 기계는 오래전부터 존재했다. 더욱이, 우주선,包括 화성 로버는 같은 기본 원칙에 따라 작동한다. 컴퓨터 비전 시스템을備하고, 우주를 탐색하며, 표면을 이동하며, 샘플을 수집한다. 모두 이것은 물리적 AI의 형태이다.

2026년에 변경된 것은 주목의焦点이다. 용어 자체가 인기있게 되었다.

시장은 항상 새로운 “영웅”을 필요로 한다. 새로운 개념을 중심으로 토론과 투자 관심이 형성될 수 있다. 한때, 그것은 암호화폐였다. 그런 다음 스마트 계약이 등장했는데, 본질적으로 같은 아이디어지만, 더 투자자 친화적인 이름으로 개발된 것이다. 기존 기술을 재포장하고 새로운 투자 관심의 물결을 일으키는 방법이었다.

물리적 AI와 같은 일이 발생한다. 용어 자체는 새로운 것이 아니지만, 오늘날 그것은 새로운 관련성, 새로운 윤곽, 그리고 개발 벡터를 얻었다.

우리는 컴퓨터가 말하고, 텍스트를 생성하고, 심지어 추론을 모방하도록 가르쳤다. 자율 주행 자동차는 수년 동안 운전手を 없이 이동해왔다. 테슬라의 Full Self-Driving 시스템, 웨이모, 주크는 승객을 수송한다. 자율 트럭은 실제 환경에서 테스트되고 운영되고 있다. 이 분야의 많은 도전은 이미 해결되거나 매우 성숙했다.

동시에, 로봇은 아직도 일상적인 작업을 신뢰성 있게 수행할 수 없다. 예를 들어, 의류를 깔끔하게 접거나 식기세척기를 로드하는 것과 같은 작업이다. 그리고 시장은 새로운 성장 지점을 찾기 시작한다. 아직 해결되지 않은 문제가 남아 있고, 규모를 늘릴 수 있는 영역이다.

이 контек스트에서, 물리적 AI라는 용어는 기술 개발의 다음 단계를 설명하는 편리한 프레임워크로 작용한다. 여기서 지능은 화면을 넘어 실제 물리적 세계에서 hoạt động하기 시작한다.

기술 거인의 논리

거시적인 관점에서, 물리적 AI에 대한 관심이 우연히 증가하는 것이 아님을 알 수 있다.

NVIDIA의 역사是一个 좋은 예이다. 회사는 게임을 위한 그래픽 프로세서로 시작했다. 나중에, 회사의 칩은 암호화폐 채굴의 핵심이 되었다. 암호화폐 붐 이후, 동일한 컴퓨팅 파워는 깊은 신경망을 훈련하는 데 필수적이었다. 각 새로운 기술 사이클은 하드웨어 수요를 강화했다. 하지만, هناك 한 가지細節이 있다. 기술이 최적화되기 시작할 때, 과도한 컴퓨팅 파워의 수요는渐渐적으로 감소한다. 대규모 언어 모델(LLM)은 더 효율적이 된다. 중국 기업들은 강력한 모델을 훨씬 낮은 비용으로 훈련할 수 있음을 보여주었다. 인프라 제조업체에게 이것은 경고 신호이다. 모델이 더 комп팩트하고 저렴해지고, 추론이 에지 디바이스로 이동하고, 훈련이 더 최적화되면, 시장은 서버 용량의 지수적 성장을 더 이상 필요로 하지 않는다. 이것은 새로운 동인이 필요하다는 것을 의미한다.

물리적 AI는 이 역할을 완벽하게 수행한다. 순수한 소프트웨어 기반 모델과 달리, 물리적 AI는 센서, 실시간 처리, 데이터 스트림 처리, 시뮬레이션, 그리고 지속적인 실험을 통합해야 한다. 로봇은 “환상”을看到 할 수 없다. 텍스트의 오류는 무해하지만, 매니퓰레이터의 동작 오류는 장비를 손상시키거나 인간을 상처입힐 수 있다. 이것은 완전히 다른 수준의 신뢰성 요구와 컴퓨팅 부하를 나타낸다. 예를 들어, 우리는 Introspector에서 이것에 대해 광범위하게 작업하고 있으며, 높은 품질의 데이터와 에지 ケース의 중요성을 완전히 이해하고 있다.

요약하면, 한 기술 사이클이 성숙기에 접어들면, 자본은 다음 사이클, 더 복잡하고, 덜 구조화된, 그리고 потен적으로 더 확장 가능한 것을 찾기 시작한다. 세계 기술 거ちは 이 새로운 사이클에 투자할 수 있는 자원을 가지고 있으며, 그것을 적극적으로 홍보하고, 그 周围의 내러티브, 에코시스템, 그리고 표준을 형성한다.

로봇공학의狂野한 전선

過去 10년간 기술 시장에 近づいて 보면, 거의 모든 주요 AI 분야에서, 핵심적인 지배적 플레이어가 이미 등장했다는 것을 알 수 있다. LLM에서, 글로벌 플랫폼이 전체 에코시스템을 지원한다. 자율 주행 자동차에서, 한정된 기업이 센서, 지도, 함대, 그리고 인프라에 수십억 달러를 투자했다. 스마트폰에서, 이는 거의 닫힌 클럽이다.

스타트업은 아직 구조가 정립되지 않은 영역을 찾는다. 투자자는 지수적 성장의 잠재력을 가진 시장을 찾는다. 그리고 한 도메인이 성숙기에 접어들면, 관심은 아직 구조가 정립되지 않은 곳, 표준이 아직 고정되지 않은 곳, 그리고 규칙을 정의할 수 있는 곳으로 이동한다.

이 sentido에서, 로봇공학은真正한狂野한 전선으로 보인다. 수백개의 잠재적인 응용 프로그램이 있다. 홈 어시스턴트, 소매점의 서비스 로봇, 창고 자동화, 농업, 건설, 의료 지원, 그리고 노인 케어. 이것은 하나의 시장만이 아니다. 이것은 한 기술 계층 내에서 수십개의 시장이다.

핵심적인 차이는 아직 단일한 지배적인 아키텍처가 없다는 것이다. 물리적 AI의 “운영 체제”는 없다. 표준화된 센서 구성이 없다. 템플릿을 사용하여 단순히 조정하고 확장할 수 있는 모델 세트가 없다. 각 팀은 본질적으로 근본적인 문제를 처음부터 해결한다. 지각, 탐색, 조작, 균형, 그리고 인간 상호작용.

그리고 그것이 바로 매력이다. 로봇공학은 오늘날 아직 경계가 정립되지 않은 영역이다. 그것이为什么 다시 한번 큰 시장으로 부상한 이유이다.

B2B에서 시작한다

로봇공학에 대해 이야기하는 많은 전문가들은 로봇공학의 다음 波는 B2B 세그먼트에서 시작할 것이라고 확신한다. 산업은 항상 새로운 기술을 확대하는 첫 번째이다. 경제학은 명확하다. 프로세스는 매우 반복적이다. 그리고 결과는 측정 가능하다.

동시에, 산업 로봇공학은 오래전부터 존재했다는 것을 기억하는 것이 중요하다. 우리는 “다크 팩토리”라는 것을 모두 알고 있다. 거의 사람없이, 그리고 इसलिए 조명이 필요하지 않은 시설이다. 생산 라인은 완전히 자동화되어 있다. 로봇 매니퓰레이터는 조립, 이동, 용접, 그리고 포장 등을 처리한다.

자동차 산업은 가장 두드러진 예이다. 테슬라나 토요타와 같은 회사는 매년 수백만 대의 차량을 생산한다. 이러한 규모는 깊은 로봇화 없이 불가능하다.

컨베이어 벨트에 부품이 실려 있다. 로봇 팔은 낮추고, 물건을 잡고, 들어 올리고, 컨테이너에 넣는다. 단순히 고정된 동작의 순서를 프로그래밍할 수 있다. 물건이 없더라도, 팔은 정의된 사이클을 실행할 것이다. 이것은 자동화이다.

인공지능은 불확실성下에서 상황을 평가하는 능력이 나타나는 곳에서 시작된다.

예를 들어, 자율 주행 자동차는 도로변에 서 있는 사람을 본다. 그것은 속도, 날씨 조건, 그리고 사람이 뜻하지 않게 도로로 들어설 가능성을 고려한다. 이러한 요인에 따라, 시스템은 미리 속도를 줄일 수 있다. 이것은 더 이상 단순한 반응이 아니다. 이것은 예측이고 위험 평가이다. 나는 Keymakr에서 기억한다. 우리는 자동차 회사들이 복잡한 3D 라벨링을 관리하도록 도와주는 높은 정밀도의 데이터 솔루션을 제공했다. 모두 모델이 “생각”하도록 도와주기 위한 것이었다.

이제 산업용 로봇 팔로 돌아가자. 그것은 이유를 필요로 하지 않는다. 모든 매개변수는 미리 정의되어 있다. 시스템의 작업은 적응이 아니라 반복성과 정밀도이다. 그것이为什么 유니버설 휴머노이드 로봇이 생산 라인에서 종종 과도한 것이다. 특정 작업을 위한 전문 매니퓰레이터를 사용하는 것이 훨씬 더 효율적이다. 하지만 작업이 엄격하게 정의된 시나리오를 넘어설 때, 상황은 달라진다.

이것이 오늘날 물리적 AI의 핵심 도전이다. 자동화에서 지능적인 적응성으로의 전환이다.

현대적인 지능형 로봇 시스템은 여전히 비싸다. 유연성과 적응성이 필요한 작업에서, 그것들은 아직도 인간을 따라가지 못한다. 구별하는 것이 중요하다. 고전적인 자동화는 인간을 능가하지만, 지능적인 구성요소는 아직 그렇지 않다.

생산 라인의 로봇 팔은 프로그래밍된 동작의 순서를 높은 정밀도와 속도로 반복한다. 이것은 인간을 능가한다. 인간은 끊임없이 반복적인 작업을 수행할 수 없다. 하지만 환경이 예측할 수 없게 되면,真正한 도전이 시작된다. 그리고 그것이 자동화와真正한 인공지능의 경계가 오늘날 그려지는 곳이다.

물질과 일하는 것

여기서 우리는 핵심 아이디어에 도달한다.

물리적 AI는 하드웨어나 트렌드에 관한 것이 아니다. 물리적 AI는 실수에 물리적인 결과가 있는 환경으로 지능을 이전하는 것에 관한 것이다. 인공지능의 다음 단계는 실제 세계에서 신뢰성 있게 작동하는 능력으로 정의될 것이다. 이 전환은 이전의 것보다 더 복잡하다. 센서, 하드웨어, 로컬 컴퓨팅, 새로운 모델 아키텍처, 새로운 데이터 세트, 그리고 새로운 안전 표준을 통합해야 한다. 이것은 기술 스택의 재건이다. 이 sentido에서, 물리적 AI는真正한 새로운 시대의 영웅이 된다.

매 기술 사이클은 유사한 단계를 따른다. 먼저 연구소, 다음으로 시연, 다음으로 투자 피크, 그리고 그 다음에真正한 산업화이다. 물리적 AI는 오늘날 시연과 산업화 사이에 있다.

그리고 이것이 핵심적인 질문이 정의되는 곳이다.誰가 먼저 물리적 AI를 확장 가능하게, 안전하게, 그리고 경제적으로 가능하게 만들 것인가? 그것은 다음에 논의할 것이다.