피지컬 AI(Physical AI)는 주변 상황을 인식하고, 그에 맞게 행동을 조정하는 인공지능을 실제 기계에 적용하는 기술입니다.
공장에 로봇을 들여놓으면 일이 얼마나 편해질까요.
같은 부품을 같은 위치에서 집어 옮기는 작업이라면 효과를 기대하기 쉽습니다. 그런데 부품이 비스듬히 놓이거나, 포장재가 바뀌거나, 이동 통로에 사람이 들어오면 이야기가 달라집니다. 현장에서는 정해진 동작을 빠르게 반복하는 능력만으로 해결되지 않는 일이 많습니다.
Physical AI(피지컬 AI)가 주목받는 지점도 여기에 있습니다. 주변 상황을 인식하고, 그에 맞게 행동을 조정하는 AI를 실제 기계에 적용하는 것입니다. AI Robot(AI 로봇)은 이를 구현하는 대표적인 형태이고, Edge AI(엣지 AI)는 필요한 판단을 로봇 가까이에서 처리하도록 돕는 기술입니다.
한국의 로봇 보급 정책도 이 흐름과 연결됩니다. 다만 숫자가 크다는 이유만으로 생산성이 저절로 높아지지는 않습니다. 어떤 작업에 투입하고, 얼마나 안정적으로 운영하느냐가 실제 성과를 가릅니다.
1. 로봇 20만 대는 보급 실적이 아닌 2030년 목표
2026년 9월 30일 KBS 보도에 따르면 정부는 2030년까지 민관 합동으로 로봇 20만 대를 보급하겠다는 목표를 밝혔습니다.
2027년에는 화재·인명구조 같은 고위험 분야와 우편 분류·뿌리산업 등 인력난이 있는 현장에 우선 적용하고, 정부가 1,700대 이상을 구매·보급하겠다는 계획입니다. 2028년부터는 공기업과 지방정부의 공공 보급을 확대하겠다는 방향도 제시됐습니다.
여기서 20만 대는 앞으로 추진할 목표입니다. 전부 사람 모습을 한 휴머노이드라는 뜻으로 받아들여서도 안 됩니다. 세부 사업에서 어떤 종류의 로봇을 어떤 기준으로 집계하는지 확인해야 합니다.
과거 정책과도 구분할 필요가 있습니다. 정부는 2023년 12월 발표한 ‘첨단로봇 산업 비전과 전략’에서 전 산업 영역에 2030년까지 로봇 100만 대 이상을 보급한다는 목표를 제시했습니다. 이번 20만 대 발표와 과거 100만 대 목표는 발표 시점과 정책 맥락이 다릅니다. 숫자만 비교해 목표가 줄었다고 단정하기는 어렵습니다. 대한민국 정책브리핑
2. 한국이 로봇을 늘리려는 이유는 현장의 빈자리에 있다
이번 발표에서 눈여겨볼 부분은 우선 적용 분야입니다. 위험도가 높거나 인력 확보가 어려운 작업이 먼저 언급됐습니다.
제조 현장을 생각하면 이해하기 쉽습니다. 무거운 제품을 반복해서 옮기고, 뜨거운 설비 주변에서 작업하고, 분진이 발생하는 공정을 관리하는 일에는 체력과 안전 문제가 함께 따라옵니다.
이런 작업을 로봇이 맡을 수 있다면 사람은 검사, 설비 관리, 예외 상황 처리에 더 집중할 여지가 생깁니다.
다만 로봇 한 대가 직원 한 명을 그대로 대신한다고 계산하면 현실과 어긋날 수 있습니다. 제품을 공급하는 사람, 작업 결과를 확인하는 사람, 고장에 대응하는 사람이 여전히 필요하기 때문입니다. 로봇이 작업 일부를 맡은 뒤 전체 공정의 부담이 얼마나 줄었는지를 봐야 합니다.
공공 구매는 초기 시장을 만드는 역할도 할 수 있습니다. 사용 실적이 부족한 로봇은 고객이 구매를 망설이고, 구매가 적으면 제조사는 현장 경험을 쌓기 어렵습니다.
정부가 먼저 도입해 검증할 기회를 만드는 정책적 의미는 여기에 있다고 볼 수 있습니다. 물론 구매 이후 실제 가동률과 유지보수 성과까지 확인해야 효과를 평가할 수 있습니다.
3. AI 로봇과 일반 산업용 로봇은 무엇이 다른가
두 로봇의 차이는 외형보다 작업을 처리하는 방식에 있습니다.
전통적인 산업용 로봇은 미리 설정한 경로와 조건에 따라 같은 작업을 반복하는 데 강합니다. AI를 활용한 로봇은 영상이나 센서 데이터를 분석해 물체의 종류와 위치를 알아내고, 학습한 모델을 바탕으로 작업 방법을 조정할 수 있습니다. 로봇 연구에서도 AI 모델을 물체 인식과 상황 판단, 동작 계획에 연결하는 방법이 다뤄지고 있습니다.
| 비교 항목 | 전통적인 자동화 중심 로봇 | AI 기능을 활용한 로봇 |
|---|---|---|
| 작업 방식 | 설정된 동작과 규칙 중심 | 인식 결과와 학습 모델을 활용 |
| 부품 위치가 바뀔 때 | 위치 정렬이나 프로그램 수정이 필요할 수 있음 | 인식 가능한 범위에서 집는 위치를 조정 |
| 강점 | 일정한 조건에서 속도·정밀도·반복성 | 형태와 배치가 달라지는 작업에 대한 대응 |
| 주요 과제 | 공정 변경에 따른 재설정 | 인식 오류, 데이터 부족, 예외 상황 검증 |
이 표는 이해를 돕기 위한 비교입니다. 산업용 로봇에 AI 비전 기능을 추가할 수도 있으므로 ‘산업용’과 ‘AI’는 서로 배타적인 분류가 아닙니다.
부품 상자에서 제품을 꺼내는 작업을 예로 들어보겠습니다.
부품이 늘 같은 방향으로 정렬돼 있다면 기존 자동화 방식이 효율적일 수 있습니다. 반대로 부품이 뒤섞여 있다면 카메라로 위치와 방향을 파악하는 AI 기능이 도움이 될 수 있습니다.
그렇더라도 반사광이 심하거나 부품이 겹치면 실패할 수 있습니다. 학습했다고 모든 상황을 해결하는 것은 아닙니다. 도입할 때는 정상적인 조건뿐 아니라 실제 공장에서 생길 수 있는 어려운 조건도 시험해야 합니다.
4. 엣지 AI가 로봇의 핵심이 되는 이유
로봇은 판단 결과를 실제 움직임으로 연결합니다. 답변이 늦게 나오는 챗봇은 기다릴 수 있지만, 움직이는 로봇이 주변 상황에 늦게 반응하면 작업 차질이나 충돌 위험으로 이어질 수 있습니다.
Edge AI는 로봇 내부 컴퓨터나 가까운 현장 장치에서 AI 추론을 수행하는 방식입니다. 센서 데이터를 멀리 있는 서버로 보내고 결과를 돌려받는 과정을 줄일 수 있습니다.
NVIDIA도 로봇의 현장 AI 처리에서 다양한 센서 데이터와 낮은 지연시간의 중요성을 설명하고 있습니다. NVIDIA Blog
엣지 AI의 가치는 크게 세 가지로 볼 수 있습니다.
첫째, 통신 왕복에 걸리는 시간을 줄입니다. 카메라로 물체를 인식하고 다음 동작을 정할 때 유리합니다.
둘째, 외부 연결에 대한 의존도를 낮출 수 있습니다. 필요한 모델과 기능을 로컬에 갖춘 시스템이라면 인터넷 연결이 끊겨도 일부 작업을 이어갈 수 있습니다. 모든 로봇이 오프라인에서 정상 작동한다는 뜻은 아닙니다.
셋째, 데이터를 현장에 남길 수 있는 선택지가 생깁니다. 공장 내부 영상이나 작업 정보를 모두 외부로 보내지 않아도 됩니다. 다만 실제 보안 수준은 저장 방식과 접근 권한, 업데이트 관리에 달려 있습니다. 엣지 로봇 연구에서도 통신 지연과 보안, 처리시간의 예측 가능성이 함께 다뤄집니다. arxiv.org
엣지 AI에도 제약이 있습니다. 로봇 안에 넣을 수 있는 컴퓨터의 크기와 전력, 발열에는 한계가 있습니다. 더 큰 모델을 사용한다고 현장 성능이 반드시 좋아지는 것도 아닙니다. 제한된 자원에서 필요한 정확도와 반응속도를 확보해야 합니다.
5. 클라우드와 엣지는 역할을 나눠야 한다
엣지 AI가 중요해져도 클라우드의 역할은 남습니다. 많은 데이터를 활용한 학습이나 여러 로봇의 운영 분석은 중앙 서버가 맡고, 현장의 즉각적인 인식과 판단은 로봇 가까이에서 처리하는 구성이 가능합니다.
| 처리 위치 | 맡기기 적합한 작업의 예 |
|---|---|
| 클라우드·중앙 서버 | 모델 학습, 운영 데이터 분석, 업데이트 관리 |
| 로봇·현장 엣지 장치 | 물체 인식, 현장 상황에 따른 동작 판단 |
| 별도의 안전 제어 시스템 | 비상정지, 위험 상태 감시, 정해진 안전 동작 |
특히 AI 인식 기능과 안전 제어는 구분해서 살펴야 합니다. 카메라 AI가 사람을 알아보는 기능을 갖췄다고 해서 안전성이 자동으로 보장되지는 않습니다.
인식 실패나 컴퓨터 고장, 통신 장애가 발생했을 때도 안전하게 대응하도록 설계하고 검증해야 합니다. 관련 연구에서도 확률적으로 작동하는 AI 인식과 안전 요구사항을 연결하는 문제가 중요한 과제로 다뤄집니다. arxiv.org
로봇이 애매한 부품을 억지로 집는 대신 멈추고 작업자에게 넘기는 기능도 중요합니다. 현장에서는 어려운 일을 한 번 성공하는 능력만큼, 실패할 조건을 알아차리는 능력이 필요합니다.
6. 기업이 도입 전에 확인해야 할 네 가지
로봇 도입을 검토한다면 제품 시연보다 실제 작업 조건을 먼저 정리하는 편이 좋습니다.
첫째, 자동화할 작업의 범위를 좁혀야 합니다.
‘포장 공정 자동화’보다 ‘정해진 제품을 상자에 넣는 작업’처럼 구체적으로 정해야 검증이 가능합니다. 작업 범위가 명확해야 로봇이 맡을 부분과 사람이 맡을 부분도 나눌 수 있습니다.
둘째, 성공률과 사람의 개입 횟수를 함께 봐야 합니다.
부품의 위치, 조명, 포장 상태가 달라졌을 때도 작업을 수행하는지 확인해야 합니다. 매번 사람이 정리해줘야 한다면 기대했던 절감 효과가 줄어듭니다.
셋째, 로봇 가격 외의 비용을 계산해야 합니다.
집게와 고정장치, 안전 설비, 기존 설비와의 연결, 소프트웨어, 교육, 유지보수 비용이 추가될 수 있습니다. 구매 견적과 실제 운영 비용은 다를 수 있습니다.
넷째, 고장 이후의 대응을 확인해야 합니다.
부품 공급 기간과 수리 가능 여부, 장애가 났을 때 수동 작업으로 전환하는 방법까지 준비해야 합니다. 생산라인에서는 정상 작동 시간뿐 아니라 멈춘 뒤 복구하는 시간도 비용입니다.
경제성을 볼 때도 줄어드는 인건비만 계산하기보다 불량·재작업 감소, 처리량 변화, 유지비와 가동 중단 손실을 함께 비교해야 합니다.
7. 보급 대수 이후에 봐야 할 성과
로봇 20만 대라는 목표는 시장 확대의 방향을 보여줍니다. 하지만 정책과 기업의 성과를 평가할 때는 몇 대를 설치했는지에 더해, 설치한 로봇이 현장에서 얼마나 쓰이는지를 확인해야 합니다.
작업자의 부담이 줄었는지, 품질이 일정해졌는지, 위험한 작업에 사람이 들어가는 빈도가 낮아졌는지가 중요한 기준입니다. AI 로봇의 가치도 이 기준에서 판단할 수 있습니다.
반복 작업의 조건이 일정하다면 기존 산업용 로봇으로 충분할 수 있습니다. 주변 환경과 작업 대상이 자주 달라진다면 AI 인식 기능이 도움이 될 수 있고, 현장에서 빠르게 판단해야 한다면 엣지 AI의 중요성이 커집니다.
따라서 기업이 먼저 던질 질문은 ‘어떤 로봇이 가장 똑똑한가’보다 ‘우리 공정에서 가장 자주 막히는 일이 무엇인가’에 가깝습니다. 그 문제를 정리해야 필요한 로봇의 형태와 AI 수준, 투자 범위도 구체적으로 결정할 수 있습니다.