Physical AI 개요

문서 기준: 2026년 9월 | 이 문서는 변동이 빠른 영역으로 분기별 리뷰 대상입니다.

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, 저장·정제와 학습·시뮬레이션을 거쳐, 다시 물리 세계로 행동을 내보냅니다.

flowchart LR
    S[센서·카메라·IoT] --> E[엣지 추론]
    E -->|텔레메트리| D[데이터 레이크·라벨링]
    D --> 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

이 문서군의 구성

Physical AI는 파이프라인 전체가 길어, 데이터·학습 계층과 배포·운영 계층을 나눠 다룹니다.

데이터와 학습 — 계층 1(엣지 추론·IoT·하드웨어·센서 데이터 파이프라인)과 계층 2(디지털 트윈·시뮬레이션·공개 데이터셋·Sim-to-Real), 그리고 규모에 맞는 학습 인프라 선택.
배포와 운영 — 계층 3(로보틱스 파운데이션 모델·에이전트 연결), 안전 레이어, 멀티클라우드·엣지 아키텍처, 폐루프 운영과 fleet 배포.

아직 풀리지 않은 문제

Physical AI는 활발한 연구 단계이고, 도입 판단에는 “지금 무엇이 되는가”만큼 “지금 무엇이 안 되는가” 가 중요합니다. 남아 있는 난제는 대체로 다음 다섯 갈래로 정리됩니다. 벤더 데모나 제안서를 볼 때, 어느 칸을 실제로 전진시켰는지 묻는 격자로 쓸 수 있습니다.

갈래	핵심 질문	현재의 한계
행동 표현	행동을 어떤 형태로 표현해야 잘 배우고 잘 옮겨지는가	표현 방식마다 정밀도·일반화·속도의 트레이드오프가 달라 정답이 정해지지 않음
실행	느린 이해·계획과 빠른 실시간 제어의 주기 차이를 어떻게 메우는가	큰 모델은 온디바이스 실시간이 어렵고, 클라우드로 빼면 지연·단절 문제가 생김
일반화	한 로봇·한 환경에서 배운 것을 다른 몸·새 물체·새 장면으로 얼마나 옮기는가	Sim-to-Real Gap과 cross-embodiment 전이가 미해결
안전	물리적 힘을 쓰는 기계가 위험하지 않게 행동한다고 어떻게 보장하는가	실패가 곧 물리적 피해. 모델 성능과 별개의 독립 과제
데이터·평가	데이터를 어떻게 충분히 모으고 모델을 어떻게 공정히 비교하는가	수집 비용이 높고, 성공률 측정·벤치마크가 아직 표준화 중

관련 문서

데이터와 학습 — 엣지·데이터 파이프라인·시뮬레이션·학습 인프라
배포와 운영 — 로보틱스 파운데이션 모델·안전·아키텍처·fleet 배포
하이브리드·엣지 컴퓨팅 — 엣지 인프라 일반 패턴
AI 에이전트 — 자율 계획·실행 개념
GPU 인프라 — 클라우드 학습·시뮬레이션용 GPU 클러스터
AI 플랫폼과 모델 비교 — 모델 카탈로그·추론 비용

참고하기

크로스벤더