사상 리더

물리적 AI가 우리가 생각했던 것보다 더 어려운 이유

Michael Abramov
Unite.AI를 Google의 선호 소스에 추가
핵심 포인트물리적 AI는 클라우드 기반 LLM과 달리 실시간 현장 처리와 특화된 에지 칩을 요구합니다.
더 보기
  • 물리적 AI는 클라우드 기반 LLM과 달리 실시간 현장 처리와 특화된 에지 칩을 요구합니다.
  • 물리적 작업을 위한 미세 운동 능력과 공간 추론은 여전히 매우 어려운 공학적 과제로 남아 있습니다.
  • 인상적인 프로토타입에도 불구하고 높은 비용과 입증되지 않은 상업적 확장성으로 인해 투자자들의 회의론이 지속되고 있습니다.

물리적 AI는 인상적인 데모에서 엔지니어링 현실로 빠르게 이동하고 있습니다. 이전에는 주로 그 역량에 관심이 집중되었다면, 오늘날 확장 가능성에 대한 질문이 점점 더시급해지고 있습니다: 이러한 시스템이 진정으로 널리 보급되고 신뢰할 수 있게 되는 것을 가로막는 것은 무엇입니까?

물리적 AI와 휴머노이드 로봇은 현재 세 가지 주요 도전의 교차로에 서 있습니다 – 엔지니어링, 인지, 투자 관련 도전. 물리적 세계에서 작동하는 지능은 소프트웨어 기반 AI와 근본적으로 다른 요구 사항을 부과합니다: 여기서 실수는 비용이 많이 들고, 환경은 예측할 수 없습니다. 그래서 논의가 감탄을 자아내는 효과에서 구체적인 기술, 시장, 규제 장벽으로 옮겨가고 있습니다.

생각하는 법을 배워야 하는 기계

첫 번째 도전은 미세 운동 능력입니다. 우리는 매우 정밀한 미세 운동을 수행할 수 있는 모터와 서보를 가지고 있습니다. 그러나 인간의 감각, 유연성, 작은 물체를 다룰 때 즉시 적응하는 능력을 재현하는 것은 매우 어렵습니다. 인간의 손은 무의식적으로 힘, 각도, 속도, 궤적을 조절합니다 – 모두 몇 분의 일초 안에, 아주 작은 변화에도 끊임없이 적응합니다.

두 번째 도전은 균형과 힘 제어입니다. 로봇은 다양한 모양, 무게, 질감의 물체와 상호 작용해야 합니다: 사과, 유리잔, 보석, 금속 부품, 젖은 또는 미끄러운 물체. 로봇은 상당한 물리적 힘을 가지고 있을 수 있지만, 그것을 올바르게 계산하고 적용해야 합니다. 이것은 압력, 저항, 표면 접촉을 “느끼게” 하는 감각 센서, 시스템이 필요합니다. 또한 힘을 감지하는 것만이 아니라, 특정 행동의 맥락에서 그것을 올바르게 해석하는 것이 중요합니다. 이것은 물체의 물리적 특성 – 물질 저항, 탄성, 마찰, 기타 매개 변수 – 를 이해하는 문제가 됩니다.

또 다른 심각한 도전은 공간 방향 – 6D 표현입니다. 이것은 과학 소설적인 의미에서 “6차원 세계”를 의미하는 것이 아닙니다. 3개의 위치 좌표, 높이, 너비, 깊이, 및 3개의 방향 좌표 – 각 축을 중심으로 한 회전 각도입니다. 예를 들어, 관이나 유리잔은 3차원 물체입니다. 그러나 로봇에게는 그 좌표를 알고 있는 것만으로는 충분하지 않습니다. 그것은 물체의 방향, 중력에 대한 상대적 위치, 그리고 로봇 팔이 회전할 때 그 위치가 어떻게 변경되는지를 이해해야 합니다. 로봇이 유리잔을 잡고 물을 붓고 싶다면, 단순히 “객체를 기울일” 수 없습니다. 그것은 정확한 궤적, 각도, 회전 속도를 계산해야 하며, 내부의 액체, 관성, 중력의 힘을 고려해야 합니다. 이 모든 것을 위해서는 정교한 공간 모델링과 행동 결과의 예측이 필요합니다.

시장이 여전히 신중한 이유

휴머노이드 로봇의 맥락에서 물리적 AI를 고려할 때, 아직도 주목할만한 수준의 회의론을 인정하는 것이 중요합니다.

이 회의론의 일부는 심리적인 것입니다. 불쾌한 골짜기 효과 – 어떤 것이 거의 인간과 같은데 완전히 현실적이지는 않다 – 불편함과 불안을 유발합니다. 부자연스러운 얼굴 표정, 다소 경직된 또는 “부서진” 운동, 기계적인 발음 – 모두 이러한 것들이 감정적인 저항을 일으킵니다. 그리고 불편함을 유발하는 기술은 더 느리게 채택됩니다.

그러나 주요 장벽은 경제적입니다. 투자자들은 회사가 수십 년 동안 인상적인 시제품을 선보여 왔지만, 확장 가능한 상업적 모델은 여전히 제한적이라는 것을 보았습니다. 기술적 진보는 명백하지만, 지속 가능한 대량 시장이 아직 완전히 등장하지 않았습니다.

Boston Dynamics와 같은 회사들은 엔지니어링의 걸작을 구축하지만, 그들의 응용 프로그램은 아직도 소규모이고 비쌉니다. Tesla (TSLA ) 는 자신의 휴머노이드 프로젝트를 개발하고 있습니다. Figure AI와 같은 새로운 회사들은 중요한 투자를 끌어들이고, 제조, 물류, 케어 산업을 위한 로봇을 약속하고 있습니다.

제조는 여전히 명확한 방향입니다. 로봇화에서는 실현 여부가 아니라 도입 속도와 비용이 문제입니다.

물류와 창고는 훨씬 더 명확한 예입니다. 물류 로봇은 이미 오늘날 로봇공학의 가장 수익성이 높고 널리 도입된 분야 중 하나입니다. 나는 Keymakr에서 많은 물류 회사들이 이러한 기술을 구현하면서 주석 서비스를 위해 우리에게 접근했다는 것을 기억합니다. 그들은 그것을 더욱 확대하려는 야심 찬 계획을 가지고 있었습니다. 전 세계 전자 상거래가 막대한 양의 물건을 높은 속도와 정밀도로 움직이는 것을 요구하기 때문에, 창고 자동화는 “핫” 주제가 되었습니다. 자율적인 플랫폼이 경로를 탐색하고, 분류하고, 운송하고, 화물을 배포합니다.

그럼에도 업계의 상당 부분은 아직 시범 운영 단계에 있으며 야심 찬 약속을 내놓고 있습니다. 기업들은 예측 가능한 수익화를 실현할 설득력 있는 활용 사례를 계속 찾고 있습니다. 투자자들은 투자금 회수 기간, 기술적 위험, 공학적 과제의 규모를 평가합니다.

이것이 시장이 점진적으로 발전하는 이유입니다. 이 분야의 자본은 비전만이 아니라 검증된 경제를 필요로 합니다.

위험이 구조의 일부가 되는 이유

별도의 토론 레이어는 규제와 사이버 보안에 관한 것입니다. 물리적 AI를 위한 포괄적인 규제 프레임워크는 아직 완전히 형성되지 않았습니다. 산업은 아직 초기 단계에 있습니다: 성숙한 표준, 광범위한 환경에서의 존재, 확립된 인증 프로토콜이 없습니다. 규제는 결국 등장할 것입니다 – 그러나 다른 기술적 사이클과 마찬가지로, 그것들은 확장의 결과가 될 것입니다.

현재 더 중요한 것은 다른 질문입니다 – 시스템이 물리적 자율성을 얻을 때의 신뢰. 집, 창고, 또는 중요한 인프라 시설의 로봇은 센서, 카메라, 마이크로폰, 통신 채널을 갖춘 네트워크 노드입니다. 그들의 행동은 소프트웨어와 업데이트에 의해 결정됩니다. 그리고 로봇이 처음에 안전한 행동만을 수행하도록 프로그래밍되어 있다고 하더라도, 사이버 위협의 가능성은 여전히 남아 있습니다. 부족한 보호로 인해 악의적인 행위자가이론적으로 디바이스 네트워크에 접근하고 유해한 목적으로 사용하려고 시도할 수 있습니다.

자율 주행 자동차나 로봇 네트워크의 해킹 시나리오는 이미 가능한 위협으로 고려되고 있습니다. 그것들은 위험 평가의 일부로 다루어집니다 – 과거에 은행 시스템, 인터넷, 클라우드 서비스에서 일어난 일과 마찬가지로.

그러나 역사에 따르면 기술적 진보는 거의 위협으로 인해 중단되지 않습니다. 대신, 산업은 표준을 설정하고, 모니터링을 구현하고, 다층 보안 시스템을 구축하여 보호를 강화합니다. 물리적 AI도 같은 길을 따를 것입니다. 질문은 위험이 발생할지 여부에 관한 것이 아니라, 보안이 얼마나 빨리 전체 생태계에 내장되는지에 관한 것입니다.

그 주변에 산업이 형성되고 있다

언급된 모든 도전, 기술적, 시장적, 규제적 도전은 하나의 중요한 특성을 공유합니다: 그 어느 것도 고립에서 해결될 수 없습니다.

물리적 AI는 독립적인 제품이나 단일 기술로 볼 수 없습니다. 우리가 목격하고 있는 것은 하드웨어, 컴퓨팅, 에너지, 데이터, 재료가 동시에 진화하는 인프라의 형성입니다. 그리고 여기서 명백해집니다: 이것은 새로운 산업 생태계의 출현입니다.

로봇은 자율적이고 모바일입니다. 이것은 클라우드에만 의존할 수 없습니다. LLMs가 서버 클러스터에서 실행되는 것과 달리, 물리적 지능은 현지에서, 실시간으로 결정해야 합니다. 이것은 기본적으로 칩 요구 사항을 변경합니다: 그것들은 강력하고, 에너지 효율적이며, 에지 디바이스에서 추론을 위해 최적화되어야 합니다.

이것은 새로운 개발 영역의 광범위한 스펙트럼을 생성합니다: 로봇을 위한 에너지 효율적인 칩, 에지 배포를 위한 컴팩트한 최적화된 AI 모델, 이러한 모델을 훈련하기 위한 플랫폼, Introspector에서 우리가 하는 것과 같은 데이터 주석 시스템 및 특수 데이터셋의 준비, 그리고 배터리와 자율적인 전원 시스템의 발전과 같은 것들입니다.

로봇이 자신의 배터리를 교체하는 개념이 이미 논의되고 있습니다: 비어있는 모듈을 제거하고, 충전기에 넣고, 시스템을 완전히 종료하지 않고 충전된 것을 연결하는 것입니다. 이것만으로도 별도의 시장으로 발전할 수 있습니다.

물리적 AI를 중심으로 포괄적인 산업이 점차 형성되고 있습니다. 컴퓨팅과 에너지 외에도 재료 과학은 발전해야 합니다: 피부를 모방하는 합성 코팅, 유연한 센서 표면, 인간 상호 작용을 위한 안전하고 촉각적으로 편안한 재료. 로봇이 사람들과 함께 작동한다면, 그들의 외모와 물리적 특성은 기술에 대한 사용자의 인식과 신뢰의 일부가 됩니다.

이 의미에서 물리적 AI는 칩, 배터리, 센서, 소프트웨어, 재료, 인간 인식 요소와 같은 전체 기술 스택에 관한 것입니다. 이것의 복잡성 안에 미래 산업의진정한 규모가 있습니다.

Michael Abramov는 Scryon의 설립자이자 CEO로, 15년 이상의 소프트웨어 엔지니어링 및 컴퓨터 비전 AI 시스템 경험을 바탕으로 엔터프라이즈급 라벨링 도구를 구축하고 있습니다.

Michael은 소프트웨어 엔지니어이자 R&D 매니저로 경력을 시작했으며, 확장 가능한 데이터 시스템을 구축하고 교차 기능 엔지니어링 팀을 관리했습니다. 2025년까지 그는 데이터 라벨링 서비스 회사인 Keymakr의 CEO를 역임했으며, 그곳에서 인간이 참여하는 워크플로우, 고급 QA 시스템, 맞춤형 도구를 선구적으로 도입해 대규모 컴퓨터 비전 및 자율 데이터 요구를 지원했습니다.

그는 컴퓨터 과학 학사(B.Sc.) 학위와 엔지니어링 및 창의 예술 분야의 배경을 가지고 있어, 다학제적 관점으로 어려운 문제를 해결합니다. Michael은 기술 혁신, 전략적 제품 리더십, 실제 영향이 교차하는 지점에서 활동하며, 자율 시스템 및 지능형 자동화의 다음 경계를 앞당기고 있습니다.