경영진 브리핑 — Physical AI, 무엇을 하고 무엇을 기다릴 것인가¶
최종 갱신: 2026-07 · owner: Youngjin · volatility: 중간 ← index로
L0 TL;DR: 로봇이 파운데이션 모델을 만나 산업이 변곡점에 있다. 단, 지금 투자할 것과 지켜볼 것은 다르다. 이 페이지는 과장 없이 그 구분을 제공한다 — 5분.
① 왜 지금인가¶
검증 신호가 셋 쌓였다. 첫째, Agility Digit이 GXO 물류 현장에서 다년 RaaS 계약 하에 유료로 가동돼 2025-11 기준 6.5만 시간 넘게 돌았고 고객이 교차 확인했다 — 가장 잘 검증된 유료 휴머노이드 작업이다. 둘째, Figure 02가 BMW 라인에서 검증 파일럿을 돌렸다(반면 Figure 03의 "8시간 자율 시프트"는 CEO 트윗일 뿐 독립 검증이 없다). 셋째, Physical Intelligence π0 등 오픈 파운데이션 모델이 Apache-2.0으로 풀려 상업적으로 파인튜닝할 수 있게 됐다. 다만 휴머노이드의 독립 3자 자율성 감사는 아직 어디에도 없어(pillar-4), 대규모 배포 전망은 벤더·고객 PR에 근거한 관찰 대상이다.
② 우리 산업에는 무슨 의미인가¶
제조: 오픈 VLA 모델을 자사 태스크로 파인튜닝하는 길이 열렸다. 밑바닥 학습이 아니라 소량 실데모로 특정 공정을 학습시키는 접근이 현실적이다(pillar-2). 물류: 로코모션(보행) 기반 로봇은 이미 유료 상업 현장에 배포됐다. 반면 정밀 조작(manipulation)은 아직 연구·프리뷰 단계라 태스크 범위를 좁게 잡아야 한다(pillar-4). 자동차: 시뮬레이션에서 대규모로 학습한 정책을 실기체로 옮기는 학습 파이프라인이 성숙했다. 클라우드 GPU 위 병렬 시뮬레이션이 진입 장벽을 낮춘다(pillar-3).
③ 무엇이 진짜이고 무엇이 과장인가¶
| 판단 | 의미 | 대표 영역 |
|---|---|---|
| 🟢 지금 투자 | 검증된 기반 역량 | 로봇 데이터 파이프라인 · 시뮬레이션 인프라 · 합성 데이터 |
| 🟡 곧 (12~24개월) | 파일럿 가치 있음 | VLA 파인튜닝 역량 · 엣지 추론 스택 · 에이전트 오케스트레이션 |
| ⚪ 아직 | 관찰 대상 | 휴머노이드 대규모 도입 · 완전 자율 시프트 |
이 구분은 임의 판단이 아니다. 🟢은 데이터 파이프라인·합성 데이터(pillar-1)와 시뮬레이션 인프라(pillar-3)가 GA로 프로덕션 사용 가능하기 때문이다. 🟡은 VLA 파인튜닝이 GA지만 공개 실사례가 부족하고(pillar-2), 엣지·에이전트(pillar-5)가 검증 초기라서다. ⚪는 Optimus·Figure 03 등 휴머노이드 대규모 도입이 데모·로드맵에 머문다는 판정에서 온다(radar). 이 판정은 한 번 내리고 끝이 아니라 매주 스캔하는 상시 검증 체계(radar)가 승격·강등으로 갱신한다.
④ 그래서 무엇부터 하는가¶
정직한 답은 "데이터부터"다. 로봇 학습의 병목은 모델이 아니라 데이터이며, 실전 레시피는 거의 항상 오픈 데이터셋 사전학습 → 합성 데이터 증강 → 소량 실데모 파인튜닝의 3단 혼합이다(pillar-1). 순서는 셋으로 잡는다. (1) 데이터 파이프라인을 먼저 세워 자산을 쌓고, (2) 시뮬레이션 PoC로 저비용·고다양성 데이터를 확보하며, (3) 그 위에서 VLA 파인튜닝 파일럿을 좁은 태스크로 검증한다. LoRA 파인튜닝은 GPU 한 장으로도 가능해 파일럿 진입 비용이 낮다(pillar-2).
⑤ 왜 AWS와 하는가¶
검증된 사실 셋이면 충분하다. 첫째, Unitree H1 휴머노이드 RL을 Isaac Lab + SageMaker HyperPod에서 학습한 AWS 공식 블로그 사례가 있다(RL 로코모션이지 VLA는 아님을 명시)(pillar-2). 둘째, Amazon Bedrock AgentCore가 서울 리전에서 완전 지원되는 GA라 데이터 레지던시 걱정 없이 에이전트 오케스트레이션을 올릴 수 있다(pillar-5). 셋째, π0(Apache-2.0)·OpenVLA(MIT) 같은 오픈 모델을 셀프호스팅해 벤더 락인 없이 자유롭게 쓸 수 있다(pillar-2).
검토를 시작한다면¶
1일 아키텍처 워크숍: 귀사 데이터 자산 진단 + 위 판단 매트릭스를 귀사 상황에 적용해 보시길 권한다. 담당 AWS SA 또는 GitHub으로 연락 바란다.
더 깊이: 기술 가이드 · P1 데이터 · P3 시뮬레이션 · 의사결정 트리
owner: Youngjin · updated: 2026-07 · volatility: 중간 (판단 매트릭스는 radar 승격·강등 시 갱신)