Physical AI (피지컬 AI)
문서 기준: 2026년 8월 | 이 문서는 변동이 빠른 영역으로 분기별 리뷰 대상입니다.
Physical AI란
섹션 제목: “Physical AI란”Physical AI(피지컬 AI)는 텍스트·이미지 같은 디지털 데이터에 머무르던 AI를 센서·로봇·차량·설비 등 물리 세계와 연결해, 인식하고 판단하고 물리적으로 행동하게 하는 흐름을 가리킵니다. 챗봇이나 문서 처리 같은 디지털 AI와 달리, Physical AI는 지연(latency)·안전(safety)·실시간성이 실패하면 사람이나 장비에 직접적인 위험이 될 수 있다는 점이 근본적으로 다릅니다.
Physical AI는 하나의 제품이 아니라 여러 계층이 맞물린 파이프라인입니다. 데이터가 물리 세계에서 들어와, 학습·시뮬레이션을 거쳐, 다시 물리 세계로 행동을 내보냅니다.
flowchart LR
S[센서·카메라·IoT] --> E[엣지 추론]
E -->|텔레메트리| C[클라우드 학습·모델 관리]
C -->|합성 데이터| SIM[시뮬레이션·디지털 트윈]
SIM -->|정책·모델| C
C -->|배포| E
E --> A[액추에이터·로봇·차량]
A -.피드백.-> S
계층 1 — 엣지 추론과 IoT
섹션 제목: “계층 1 — 엣지 추론과 IoT”물리 세계의 데이터는 대량이고 실시간이라, 모두 클라우드로 보내 처리하기 어렵습니다. 현장(엣지)에서 먼저 추론하고, 필요한 데이터만 클라우드로 올리는 구조가 기본입니다.
| 항목 | AWS | Azure | Google Cloud | OCI |
|---|---|---|---|---|
| 엣지 런타임 | IoT Greengrass | Azure IoT Operations / IoT Edge | Google Distributed Cloud (Edge) | Roving Edge Infrastructure |
| 엣지 ML 추론 | Greengrass ML 컴포넌트 (SageMaker AI 모델 배포) | IoT Edge 모듈 + Azure AI 서비스 | Edge TPU / Coral | RED 상의 컴퓨트로 자체 구성 |
| 산업 데이터 수집 | IoT SiteWise (OPC UA) | IoT Operations (OPC UA) | — (파트너·자체 구성) | — (자체 구성) |
계층 2 — 디지털 트윈과 시뮬레이션
섹션 제목: “계층 2 — 디지털 트윈과 시뮬레이션”로봇·차량을 실제 세계에서만 학습시키면 비용·위험·시간이 큽니다. 그래서 물리 환경을 가상으로 복제한 디지털 트윈과 시뮬레이션에서 대량의 시나리오를 생성·학습한 뒤 현실로 옮기는 sim-to-real 접근이 자리 잡았습니다.
| 항목 | AWS | Azure | Google Cloud | OCI | 크로스벤더 |
|---|---|---|---|---|---|
| 디지털 트윈 | IoT TwinMaker | Azure Digital Twins | — (Spanner Graph·BigQuery 등으로 자체 구성) | — | NVIDIA Omniverse |
| 로봇·물리 시뮬레이션 | — (RoboMaker 지원 종료, 자체 구성) | — (파트너·자체 구성) | — (파트너·자체 구성) | — | NVIDIA Isaac Sim / Isaac Lab |
계층 3 — 로보틱스 파운데이션 모델
섹션 제목: “계층 3 — 로보틱스 파운데이션 모델”LLM이 언어를 일반화했듯, 로봇의 인식·계획·동작을 일반화하려는 로봇 파운데이션 모델이 부상하고 있습니다. 자연어 지시를 받아 시각(Vision)·언어(Language)·행동(Action)을 연결하는 VLA(Vision-Language-Action) 방식이 대표적입니다.
| 항목 | 현황 |
|---|---|
| 대표 스택 | NVIDIA Isaac GR00T — 로봇용 오픈 파운데이션 모델(VLA), Omniverse·Cosmos 기반 시뮬레이션·합성 데이터, Jetson Thor 온디바이스 추론 |
| 클라우드 3사 | 자체 범용 로봇 파운데이션 모델은 아직 제한적 — 대체로 NVIDIA 스택을 GPU 인프라 위에서 실행하거나 파트너십으로 제공 |
| 국가 정책 | 일본은 GENIAC에서 로보틱스 파운데이션 모델 개발을 국책 과제로 채택 (일본 AI 지형 참고) |
안전 레이어 — 자율주행과 로보틱스
섹션 제목: “안전 레이어 — 자율주행과 로보틱스”물리 세계에서 움직이는 AI는 인명·설비와 직결되어 기능 안전(functional safety) 인증이 핵심입니다. NVIDIA는 이 영역에서 안전 시스템 Halos를 제공합니다.
- 자율주행(AV): DRIVE 플랫폼(AGX·Hyperion)과 Halos 안전 시스템(클라우드-차량 전 구간, ISO 26262 지향), 시뮬레이션은 Omniverse·Cosmos.
- 로보틱스: NVIDIA는 2026년 6월 자율주행 안전 기반을 산업용 로봇·휴머노이드·AMR로 확장한 Halos for Robotics(IGX Thor·Holoscan Sensor Bridge·Halos OS·AI Systems Inspection Lab)를 발표했습니다.
멀티클라우드·엣지 아키텍처 고려사항
섹션 제목: “멀티클라우드·엣지 아키텍처 고려사항”- 데이터 중력과 지연 — 센서 데이터는 대량이고 지연에 민감해, 현장 엣지 추론과 클라우드 학습을 분담하는 설계가 기본입니다. 무엇을 엣지에서 처리하고 무엇을 올릴지 먼저 정하세요.
- 시뮬레이터 이식성 — 디지털 트윈·시뮬레이션이 특정 클라우드의 전용 서비스에 묶이면 이식이 어렵습니다. NVIDIA Omniverse·Isaac처럼 GPU만 있으면 어디서든 실행 가능한 스택을 우선 검토하면 락인이 줄어듭니다.
- 온디바이스 vs 클라우드 학습 분담 — 학습·합성 데이터 생성은 클라우드 GPU, 실시간 추론은 온디바이스(예: Jetson류)로 나누는 것이 일반적입니다.
- 안전·규제 — 자율주행·산업 로봇은 기능 안전 인증과 규제가 별도로 적용됩니다. 아키텍처 초기에 인증 요건을 반영하세요.
- 제품 수명주기 확인 — 이 영역은 은퇴(EOL)된 제품이 많습니다(예: Azure Percept, AWS RoboMaker). 설계 전 각 서비스의 현행 지원 상태를 반드시 확인하세요.
자주 하는 실수
섹션 제목: “자주 하는 실수”- 모든 데이터를 클라우드로 보내기 — 지연·대역폭·비용을 무시한 설계는 실시간 제어에서 실패합니다. 엣지 추론 분담이 먼저입니다.
- EOL 제품을 신규 설계에 사용 — RoboMaker·Percept처럼 지원 종료된 서비스를 오래된 자료만 보고 채택하지 마세요.
- 단일 벤더 시뮬레이터에 종속 — 특정 클라우드 전용 시뮬레이션에 학습 파이프라인을 묶으면 이식·비교가 어려워집니다.
- 안전을 나중에 붙이기 — 자율주행·로봇은 안전을 아키텍처 초기부터 설계해야 합니다(“bolt-on”이 아니라 “built-in”).
체크리스트
섹션 제목: “체크리스트”- 엣지에서 처리할 추론과 클라우드로 올릴 데이터를 구분했는가?
- 디지털 트윈·시뮬레이션 스택이 다른 클라우드로 이식 가능한가(락인 점검)?
- 사용하려는 IoT·로보틱스 서비스가 현행 지원 상태인가(EOL 확인)?
- 자율주행·산업 로봇이라면 기능 안전 인증 요건을 설계에 반영했는가?
- 온디바이스 추론과 클라우드 학습의 역할 분담이 명확한가?
관련 문서
섹션 제목: “관련 문서”- 하이브리드·엣지 컴퓨팅 — 엣지 인프라 일반 패턴
- AI 에이전트 — 자율 계획·실행 개념
- AI 플랫폼과 모델 비교 — 모델 카탈로그·추론 비용
- 일본 AI 지형 — 로보틱스 파운데이션 모델 국책 과제(GENIAC)