피지컬 AI

쉽게 말하면, 피지컬 AI는 AI가 로봇이나 자율주행차처럼 실제 세계에서 보고 판단해 움직이는 기계와 결합된 시스템을 가리키는 말이다. 학계에서 정해진 표준 용어가 아니라 쓰는 사람에 따라 뜻이 조금씩 달라지는 포괄적인 이름이다. 언어나 이미지 모델이 물리 장면을 설명하기만 하는 경우는 여기에 들지 않는다.

1. 정의와 범위

피지컬 AI(Physical AI)는 감지와 행동이 물리 세계에 연결된 인공지능 시스템을 가리키는 논쟁적인 포괄 용어다. 가장 넓게 쓰일 때는 AI로 작동하는 로봇, 자율주행 차량, 그 밖에 주변을 인지하고 행동을 골라 물리적 과정을 바꾸는 기계를 모두 포함한다. 표준화된 AI 분야나 특정 모델 구조, 법적 제품 분류가 아니다. 2026년 『Nature Machine Intelligence』 사설은 피지컬 AI, 체화 지능, 월드 모델, 생태학적 접근, 로보틱스를 지능적인 물리 행동이라는 같은 문제에 서로 다른 방향에서 접근하는 겹치는 틀로 설명했다.⁵

이 용어에는 연구 계보가 여럿 있다. 2020년 『Nature Machine Intelligence』 논문은 피지컬 인공지능(physical artificial intelligence)을 자연과 닮은 로봇 시스템을 합성하는 다학제 연구 프로그램이라는 뜻으로 썼다. 이와 관련되지만 더 좁은 개념인 피지컬 인텔리전스(physical intelligence)는 일부 적응 행동이 소프트웨어에만 있지 않고 에이전트의 재료, 형태, 역학, 몸체에 있다고 본다. 이후 NVIDIA가 피지컬 AI를 대표적인 산업 용어로 만들었다. 2025년 CES에서 인식 AI와 생성형 AI를 거쳐 인지하고 추론하고 계획하고 행동하는 시스템으로 나아가는 흐름으로 소개했다. NVIDIA 용어집은 이 명칭을 로봇, 자율주행차, 카메라, 스마트 공간 등 자율 시스템 전반에 적용한다. 이 업체 분류는 영향력이 크지만 과학계의 합의는 아니며, NVIDIA가 이 용어를 처음 만든 것도 아니다.^2,3,4,6

이 문서는 실용적인 작업 정의를 쓴다. 피지컬 AI 시스템은 계산과 물리 플랜트, 피드백 루프를 결합하며, 그 루프 안의 결정 가운데 적어도 일부는 AI 방법으로 만들어지거나 그 방법의 영향을 실질적으로 받는다. 이 정의는 학습된 정책을 끝에서 끝까지 쓰는 시스템과, 학습된 인지나 계획을 기존 추정, 최적화, 제어와 섞은 하이브리드 시스템을 모두 포함한다. 반대로 언어나 이미지 모델이 물리 장면을 설명하기만 하는 경우, 물리 시스템과 연결된다고 주장하지 않는 시뮬레이터, AI를 쓰지 않는 일반적인 고정형 자동화는 제외한다. 경계 사례는 개발사가 그 이름을 붙였다는 이유로 넣지 말고, 실제 기능으로 설명해야 한다.

피지컬 AI에 관한 주장에는 유난히 신중한 근거가 필요하다. 실험실 성공, 선별된 영상, 시뮬레이션 점수, 실제 운영 배포는 서로 다른 질문에 답하며, 같은 수준의 신뢰성, 일반성, 자율성, 안전성을 입증하지 않는다. 제품 발표와 기업 벤치마크는 개발사가 보고한 내용을 기록할 수 있지만, 이를 확립된 시스템 성능으로 받아들이려면 독립적인 평가나 고객 근거가 필요하다.

2. 의미와 역사

피지컬 AI는 하나의 창시 사건이 있는 분야라기보다 여러 쓰임이 모인 계열로 이해하는 편이 낫다. 행동 기반 로보틱스의 초기 연구는 이미 지능을 지각·행동과 분리하는 관점에 도전했다. 로드니 브룩스(Rodney Brooks)는 1991년 논문 「Intelligence without representation」에서 지각과 행동으로 실제 세계와 상호작용하는 완전한 시스템을 만들자고 주장하며, 중앙집중식 세계 표상을 반드시 두는 방식은 거부했다. 브룩스는 오늘날의 산업 명칭을 쓰지 않았지만, 이 연구는 체화되고 폐루프인 지능을 둘러싼 현재 논의의 중요한 지적 선행 연구다.⁷

이후 연구는 몸체 자체에 더 무게를 두었다. Miriyev와 Kovac는 피지컬 인공지능을 자연과 닮은 지능형 로봇 시스템을 합성하는 이론과 실천이라고 설명했고, 여기에는 재료, 기계 설계, 제작, 센싱, 구동, 제어, AI에 걸친 전문성이 필요하다고 했다. Sitti의 피지컬 인텔리전스 관점은 계산 지능을 기계적 반응, 재료 거동, 형태처럼 에이전트의 몸체에 담긴 능력과 구분했다. 이런 의미들은 피지컬 AI를 기존 로봇 안에 큰 신경망을 넣는 일로 줄이지 않는다.^2,3

넓은 상업적 쓰임이 두드러진 것은 파운데이션 모델 시기였다. 2025년 CES에서 젠슨 황은 인지하고 추론하고 계획하고 행동할 수 있는 기계를 가리켜 피지컬 AI라고 불렀고, 이 범주를 NVIDIA의 시뮬레이션, 모델, 컴퓨팅 제품과 연결했다. NVIDIA의 이후 용어집은 범주를 로봇, 자율주행차, 카메라가 달린 공간까지 넓혔다. 이런 틀은 산업 언어를 통일하는 데 도움이 되었지만, 몸체, 자율성 수준, 안전 체계, 근거가 매우 다른 시스템을 한데 묶기도 했다.^4,6

그래서 이 용어에는 세 가지 뜻이 반복해서 나타난다.

• 넓은 시스템 명칭: AI로 작동하는 기계가 물리 세계에서 행동하는 것을 가리킨다.
• 로보틱스 연구 프로그램: 몸체, 센싱, 구동, 제어, 학습을 함께 설계하는 다학제 연구 전통을 가리킨다.
• 벤더 생태계 범주: 모델, 시뮬레이션, 컴퓨팅, 로봇, 차량, 스마트 공간을 묶어 제품과 시장을 나누는 방식이다.

이 문서의 개요에는 첫 번째 뜻이 유용하다. 두 번째는 특정한 학제 간 연구 전통을 가리키고, 세 번째는 기업이 제품과 시장을 조직하는 방식을 설명한다. 정확한 설명은 어떤 뜻으로 쓰는지 밝히고, 말없이 뜻 사이를 옮겨 다니지 않아야 한다.

3. 관련 분야와의 경계

피지컬 AI는 임바디드 AI(embodied AI), 로보틱스, 사이버물리 시스템, 학습된 월드 모델, 시뮬레이션, 디지털 트윈, 자율주행과 겹친다. 겹치는 부분은 실제로 있지만, 각 용어는 서로 다른 질문에 답한다.

임바디드 AI는 에이전트의 몸체, 감각 경험, 행동, 환경이 지능적 행동을 어떻게 형성하는지 묻는다. 연구 과제에는 내비게이션과 조작이 있으며, 실제 배포에 앞서 시뮬레이터에서 개발하거나 평가하는 경우가 많다. 예를 들어 임바디드 시각-언어 계획을 다룬 한 리뷰는 시각과 언어로 환경과 상호작용하는 에이전트를 중심으로 과제, 알고리즘, 지표, 시뮬레이터, 데이터셋을 정리했다. 이 문서가 쓰는 작업 정의의 피지컬 AI는 물리적 감지나 행동과의 연결을 주장해야 한다. 게임이나 시뮬레이션 안에만 있는 체화 에이전트는 유효한 임바디드 AI 연구일 수 있지만, 아직 배포된 피지컬 AI 시스템은 아니다.⁸

사이버물리 시스템은 다른 방향에서 더 넓은 개념이다. NIST 프레임워크는 이를 물리학과 논리가 통합된 방식으로 설계된, 디지털, 아날로그, 물리, 인간 구성 요소가 상호작용하는 시스템으로 정의한다. 전력망 제어기, 산업 공정, 의료 모니터링 네트워크는 머신러닝 없이도 사이버물리 시스템일 수 있다. 반대로 학습된 로봇 정책은 그 주변 설비 전체를 분류할 필요 없이 피지컬 AI로 논의할 수 있다.⁹

디지털 트윈은 특정한 실물이나 과정에 묶인 디지털 표현으로, 진단, 예측, 최적화, 제어 등에 쓰인다. NIST의 Digital Twin Core 보고서는 연결, 동기화, 상호운용성, 수명주기 활용을 강조한다. 디지털 트윈은 피지컬 AI 배포를 뒷받침할 수 있지만, 그 자체가 자율 에이전트는 아니다. 일반적인 시뮬레이션 창고, 생성된 영상, 특정 창고와 동기화된 모델은 서로 바꿔 쓸 수 없다.¹⁰

ISO 8373:2021은 공개된 로보틱스 용어집이지만, 공개된 메타데이터만으로는 피지컬 AI가 표준화된 로봇 유형이라고 볼 수 없다. 도로 차량은 SAE J3016이 기능이 동적 운전 과업을 수행하는 방식과 사용자의 역할에 따라 운전 자동화를 6단계로 정의한다. 이 단계는 운전 자동화 기능을 설명할 뿐, 차량에 AI가 얼마나 들어 있는지를 나타내지 않는다. 따라서 자율주행차를 피지컬 AI라고 부르면 상위 명칭이 하나 더해질 뿐, 그 기능의 운행 설계 영역, 자동화 수준, 안전 근거를 대신하지는 못한다.^11,12

4. 작동 구조

필수인 단일 구조는 없다. 유용한 추상화는 물리 플랜트와 환경을 센싱, 상태 추정, 결정, 제어, 구동에 잇는 피드백 루프다. 이 루프 주변에는 흔히 사람 운영자, 군집 서비스, 안전 기능이 놓인다. 로보틱스의 파운데이션 모델 조사도 학습된 모델을 인지, 결정, 제어 등 자율 스택의 여러 지점에 두며, 데이터 부족, 불확실성, 안전 보장, 실시간 실행을 미해결 과제로 꼽는다.¹³

4.1. 구현체와 센싱

몸체는 중립적인 용기가 아니다. 기하 구조, 자유도, 동력 전달, 순응성, 말단 장치, 바퀴나 발, 수동 기계 거동이 무엇을 감지하고 제어할 수 있는지를 제약한다. 필요한 접촉에 닿지 못하거나 받치지 못하거나 감지하지 못하는 그리퍼는 상위 계획기가 보완할 수 없다. 피지컬 인텔리전스 전통에서는 일부 유용한 행동을 순응 구조나 재료로 옮겨 제어기가 계산할 양을 줄일 수 있다.³

센서는 부분적이고 잡음이 섞인 관측을 준다. 카메라는 컴퓨터 비전을 뒷받침할 수 있지만, 조명, 가림, 움직임에 따른 흐림, 시점 변화가 입력을 바꿀 수 있다. 고유수용 감각 센서는 관절과 몸체 상태를 보고하고, 힘과 촉각 감지는 시각만으로는 놓칠 수 있는 접촉을 드러낸다. 어떤 센서도 보편적으로 신뢰할 수 없으므로 실용 시스템은 여러 모달리티를 융합한다. 융합 방법, 교정 절차, 샘플링 속도, 고장 대응이 시스템 주장의 일부다.

4.2. 추정과 결정

원시 관측은 보통 로봇 상태, 물체, 사람, 장애물, 빈 공간, 과업 진행 상황의 추정치로 바뀐다. 일부 시스템은 명시적 지도나 물체 상태를 유지하고, 다른 시스템은 압축된 잠재 표현을 학습한다. 결정은 과업 계획기, 동작 계획기, 학습된 정책, 모델 예측 제어, 규칙, 또는 이들을 결합한 계층 구조가 만들 수 있다.

계획과 제어의 경계는 중요하다. 언어 조건 계획은 느리게 돌면서 「컵을 선반에 놓기」 같은 하위 과업을 고를 수 있고, 더 빠른 제어기는 관절 목표를 따라가며 접촉에 반응한다. 종단 간 정책은 관측과 지시를 바로 행동 묶음으로 옮길 수 있지만, 배포된 기계에는 여전히 기존 저수준 제어기와 별도의 안전 기능이 들어갈 수 있다. 모델을 로봇의 「두뇌」라고 부르면 이런 인터페이스가 가려지므로, 구조 설명을 대신해서는 안 된다.

4.3. 시간·연산·운영

물리적 행동에는 시간 제약이 따른다. 인지, 추론 실행, 통신, 제어는 각각 지연 예산의 일부를 쓴다. 의미상 맞더라도 늦게 도착한 명령은 사람, 차량, 물체가 이미 움직인 뒤라면 위험하거나 쓸모가 없을 수 있다. 추론 실행의 일부는 기계 안의 엣지 컴퓨팅으로 돌릴 수 있고, 학습이나 군집 최적화, 중요하지 않은 계획은 원격 컴퓨팅을 쓸 수 있다. 어떤 기능이 네트워크나 클라우드에 의존한다면 네트워크 단절과 클라우드 지연을 고장 조건으로 다뤄야 한다.

운영 방식도 겉으로 드러나는 자율성에 영향을 준다. 시스템은 초기 지도 작성, 스크립트형 작업셀 로직, 잦은 초기화, 원격 지원, 사람의 확인, 실행 사이의 정비를 요구할 수 있다. 이런 관행이 쓸 만한 배포를 무효로 만들지는 않는다. 다만 모델의 능력, 로봇의 자율성, 운영 성능은 따로 보고해야 한다는 뜻이다.

5. 학습 방법과 파운데이션 모델

로봇 학습은 정책이나 구성 요소를 얻는 몇 가지 방법을 제공한다.

• 지도 학습과 자기 지도 학습은 라벨이 있거나 없는 관측으로 인지, 상태 표현, 예측 모델, 성공 감지기를 학습할 수 있다.
• 모방 학습은 시연, 원격 조종, 기록된 궤적에서 행동을 배운다. 시연된 행동은 재현할 수 있지만, 자신의 실수로 시스템이 시연 분포 밖으로 밀려나면 실패할 수 있다.
• 강화 학습은 시뮬레이션, 실제 하드웨어, 또는 둘의 혼합에서 상호작용을 통해 보상으로부터 행동을 최적화한다. 보상 설계, 탐색의 안전성, 실제 조건으로의 전이가 핵심 제약으로 남는다.
• 모델 기반 방법은 제어를 고르기 전에 동역학을 학습하거나 활용해 행동의 결과를 예측한다.
• 하이브리드 시스템은 학습된 인지나 정책을 운동학, 최적화, 규칙, 피드백 제어와 결합한다. 계층마다 데이터, 시간 요건, 해석 가능성, 보증 요건이 달라 하이브리드화가 흔하다.

5.1. 비전-언어-행동 모델

비전-언어-행동 모델(VLA)은 시각 관측과 언어를 조건으로 로봇 행동을 만든다. 이 명칭은 여러 구조와 행동 표현을 포괄하며, 모델 크기, 제어 주기, 일반화 수준이 하나로 정해져 있다는 뜻은 아니다.

RT-2는 비전-언어 모델을 로봇 데이터와 함께 공동 학습하고 행동을 토큰으로 표현해, 평가 환경 안에서 웹 규모의 의미 지식이 로봇 제어에 영향을 줄 수 있음을 보인 영향력 있는 접근이다. 이후 Open X-Embodiment 협업은 22개 구현체의 데이터를 모았고, 혼합 데이터로 학습한 정책에서 긍정적 전이가 나타났다고 보고했다. 다만 시험한 로봇 사이의 긍정적 전이가 보편적 제어기를 뜻하지는 않는다. 구현체마다 카메라, 좌표계, 행동 차원, 동역학, 그리퍼, 작업 공간이 다를 수 있기 때문이다.^14,15

OpenVLA는 동료 심사를 거친 공개 사례다. 저자들은 실제 로봇 시연 97만 건으로 학습한 70억 매개변수 모델을 설명하고, 여러 구현체에 걸친 29개 과업에서 평가했다. 이 수치는 논문이 보고한 모델과 평가 절차를 보여 준다. 이 모델의 성공률 비교를 다른 시험 세트의 결과와 합쳐 모든 과업과 시도 정의가 같은 것처럼 다루면 안 된다.¹⁶

Google DeepMind는 2025년 3월 Gemini Robotics를 공개하며, Gemini 2.0 기반 VLA로서 물리적 행동을 출력 양식으로 쓴다고 설명했다. 회사는 공간 추론과 기존 제어기 연결을 위한 Gemini Robotics-ER도 소개했다. Figure AI는 Helix를 2속도 모델로 설명했다. 비전-언어 구성 요소는 7~9Hz로, 시각운동 구성 요소는 200Hz로 행동을 출력한다. 이는 유용한 구조 공개지만, 「성능을 두 배 이상 높였다」, 「최초」, 「범용」, 「상용 준비」 같은 표현은 시험 방식, 비교 집합, 배포 근거가 독립적으로 뒷받침하지 않는 한 개발사의 주장으로 남는다.^18,19

범용 정책은 과업, 물체, 지시, 환경을 과업 특화 기준선보다 넓게 다룬다. 로봇 파운데이션 모델은 과업이나 플랫폼 사이의 적응을 목표로 하는 모델이다. 범용 로봇은 하드웨어, 소프트웨어, 안전, 운영, 다양한 응용에 걸친 성능을 포함하는 훨씬 강한 시스템 수준의 주장이다. 세 표현은 동의어로 취급하면 안 된다.

6. 월드 모델, 시뮬레이션, 디지털 트윈

월드 모델은 에이전트와 환경의 관련 측면을 표현하거나 예측하는 데 쓰는 내부 모델이다. Ha와 Schmidhuber의 2018년 「World Models」는 강화 학습 환경의 압축된 공간·시간 표현을 학습하고, 학습된 모델 안에서 정책을 학습시킨 뒤 원래 환경으로 옮겼다. 그러나 로보틱스에서는 같은 말이 명시적 장면 데이터베이스, 동역학 모델, 지도, 학습된 생성형 예측기를 가리킬 수 있다. 2023년 리뷰는 로보틱스 분야 전반에서 일관되게 쓰이는 단일한 간결한 정의를 찾지 못했다고 밝히고, 고전적 상태 표현과 학습된 내부 시뮬레이터를 모두 기록했다.^20,21

시뮬레이션은 일부 데이터 수집의 비용과 위험을 줄이고, 드문 조건을 반복하며, 통제된 비교를 할 수 있게 한다. 그러나 그것만으로 하드웨어 성능을 증명할 수는 없다. 마찰, 순응성, 변형 가능한 물체, 마모, 센서 오류, 구동기 지연, 사람, 운영상 변동은 모두 시뮬레이션과 현실 사이의 격차를 만들 수 있다.

도메인 무작위화는 시뮬레이션의 외형이나 파라미터를 바꿔 실제 세계가 학습 분포 밖에 놓일 가능성을 낮춘다. 이 방식으로 이 격차의 일부를 다룬다. Tobin 등은 무작위화된 시뮬레이션 영상으로 물체 위치 추정과 파지를 위해 이 접근을 시연했다. 이후 연구는 동역학, 센서, 지연, 기하, 교란으로 이 아이디어를 넓혔다. 이는 강건성 기법이며, 모델링되지 않은 조건까지 포함한다는 보장은 아니다.²²

교차 도메인 정책 전이 연구는 관측의 외형과 시점 격차, 동역학 격차, 형태나 구현체 격차를 구분한다. 2024년 IJCAI 서베이는 도메인을 환경, 구현체, 전이 동역학으로 형식화했고, 과업 관련 보상도 도메인에 따라 달라진다고 보았다. 또한 실제 데이터 수집이 비싸고 안전 제약이 실험을 제한하기 때문에 대상 도메인의 데이터를 얻기 어렵다고 강조했다. 합성 데이터는 생성 방법, 시뮬레이터 가정, 샘플링 분포, 실제 데이터와의 연결, 전이를 검증한 실제 시험과 함께 기록해야 한다. 사실감만으로는 물리적 충실도가 입증되지 않는다.²³

7. 평가와 재현성

피지컬 AI에는 단일한 점수가 없다. 평가는 응용, 실패의 결과, 주장하는 범위에 맞아야 한다. 최소한 보고서는 다음을 정의해야 한다.

• 정확한 로봇, 센서, 제어기, 모델 버전, 프롬프트나 지시문, 연산 자원
• 과업, 초기 상태 분포, 물체와 환경의 변화, 시도 횟수
• 완전 성공, 부분 성공, 시간, 처리량, 개입, 초기화, 회복 기준
• 보류된 물체, 배치, 지시, 사용자, 교란 및 기타 분포 변화
• 지연 시간, 에너지나 배터리 사용, 네트워크 의존성, 자원 한도
• 접촉, 아차사고, 안전 정지, 손상 및 기타 관련 물리적 사건
• 사람의 지원, 원격 조종, 스크립트 로직, 제외된 시도, 소프트웨어 변경

시뮬레이션은 반복 가능성에 유용하지만 예측 타당성은 직접 측정해야 한다. SIMPLER는 시각과 제어의 불일치를 보정한 뒤, 두 구현체와 여덟 과업군에 걸쳐 1,500회가 넘는 짝지은 시뮬레이션·실제 시험을 비교했다. 저자들은 시험한 정책과 설정에서 강한 상관을 확인했다. 이 결과는 그 영역에서 SIMPLER가 신중하게 구성된 대리 지표임을 뒷받침한다. 어떤 시뮬레이터, 과업, 정책이든 현실과 같은 관계라는 뜻은 아니다.²⁴

실제 세계 평가는 반대 문제가 있다. 비용이 크고 느리며 실험실 간 표준화가 어렵다. RoboArena는 600회가 넘는 실제 로봇 에피소드, 7개 정책, 7개 학술 기관에 걸쳐 이중 맹검 쌍대 비교를 사용해 분산된 순위를 집계했다. 이 설계는 다양한 실제 환경의 가치와, 과업과 환경이 다를 때 정책을 비교하는 어려움을 함께 보여 준다.²⁵

시연 영상은 선택된 행동의 기록이지 성공률 추정이 아니다. 벤치마크 결과는 그 프로토콜에 대한 증거이지, 가능한 모든 작업에 대한 증거가 아니다. 고객 배포는 운영 통합을 보여 줄 수 있지만 여전히 범위가 좁을 수 있다. 강한 근거는 통제된 시험, 실제 현장 시험, 실패 보고, 정확한 분모, 가능한 경우 재현 가능한 산출물, 배포 후 모니터링을 함께 갖춘다.

8. 응용과 배포 근거

넓은 명칭은 제조, 물류, 운송, 농업, 점검, 서비스 로보틱스, 보조 시스템, 스마트 인프라에 적용된다. 이 영역들은 제약이 다르다. 공장 셀은 반복성, 사이클 타임, 가드, 기존 설비와의 통합을 우선할 수 있다. 창고 이동 로봇은 기기 군 조정과 사람의 동선을 우선할 수 있다. 현장 로봇은 날씨, 지형, 통신 문제를 겪는다. 차량은 정의된 주행 과업과 운용 설계 영역을 처리해야 한다. 보조 로봇은 사람과의 밀접한 접촉, 접근성, 개인정보, 개인별 위험을 더한다.

세 가지 공개 사례는 범위가 왜 중요한지 보여 준다.

• Amazon은 2025년 6월 운영 전반에 걸쳐 100만 번째 로봇을 배치했다고 보고하고, 기기 군 조정용 파운데이션 모델 DeepFleet을 소개했다. 이 이정표는 대규모 과업 특화 창고 로봇의 회사 보고 사례다. 한 개의 범용 정책이 100만 대의 교환 가능한 로봇을 제어한다는 증거는 아니다.
• Agility Robotics와 GXO는 파일럿 이후 물류 시설에서 Digit 로봇을 다년간 배치한다고 발표했다. 설명된 작업 흐름은 다른 이동 로봇에서 받은 토트를 컨베이어로 옮기는 것이며, Agility의 기기 군 플랫폼으로 관리된다. 이는 제한된 작업 흐름에 대한 의미 있는 상업 근거이지, 무제한적 창고 역량의 증거는 아니다.
• BMW는 2026년 6월 Figure 02가 10개월 동안 용접을 위해 판금 부품을 끼워 넣는 방식으로 BMW X3 3만 대 넘는 생산을 지원했다고 밝혔다. 특정 생산 과업에 대한 고객 작성 근거다. 차량 대수는 로봇 대수, 과업 성공 분모, 자율성 비율, 경제적 수익에 대한 독립 측정치가 아니다.^26,27,28

이 사례들은 확립된 과업 특화 자동화부터 새로운 휴머노이드 배포까지 걸쳐 있지만, 가정용 또는 범용 로봇에 대한 보편적 일정을 정당화하지는 못한다. 펀딩 라운드, 기업 가치, 시장 규모 전망, 계획된 출하 대수, 발표된 소비자 출시일은 기술 능력이 아니라 금융이나 의도를 측정한다. 이들을 묶어 피지컬 AI 진척도 점수를 만들면 안 된다.

자율주행에는 응용별 용어도 필요하다. SAE 등급은 정의된 조건에서 동적 운전 과업의 책임을 사용자나 운전 자동화 기능에 배정한다. 지각 모델, 시뮬레이션 플랫폼, 「피지컬 AI」라는 브랜드는 차량의 자동화 수준이나 안전한 운용 영역을 입증하지 않는다.¹¹

9. 안전, 표준, 규제

물리 시스템은 부상, 재산 피해, 환경 피해, 중요 운영의 중단을 일으킬 수 있다. 학습된 구성 요소는 분포 변화, 불투명한 고장 모드, 데이터 품질 문제, 적대적 입력, 업데이트에 따른 드리프트 같은 익숙한 AI 위험을 더한다. 여기에 동작, 힘, 저장 에너지, 날카롭거나 뜨거운 도구, 전기 시스템, 적재 하중, 사람의 접근에서 오는 기존 위험이 겹친다.

2025년 IJCAI 서베이는 파운데이션 모델 기반 로봇의 물리적 위험 통제를 배포 전, 사고 전, 사고 후 단계로 나누어 정리했다. 이 서베이는 사고 전 완화, 물리적 사람 상호작용, 파운데이션 모델 고유 위험에서 중요한 공백을 확인했다. 이런 수명주기 관점은 안전을 단일 모델에 맡기는 방식보다 방어하기 쉽다. 실용적인 다층 접근은 다음을 포함한다.²⁹

• 위험 분석과 의도된 사용 한계를 모델이나 하드웨어를 고르기 전에 정한다.
• 본질적으로 더 안전한 기계와 작업 설계를 적용한다. 도달 가능한 에너지, 힘, 속도, 날카로운 도구, 적재 하중, 접근의 한계를 둔다.
• 검증된 저수준 제어와 보호 기능을 둔다. 가드, 분리 감시, 비상 정지, 제동, 독립 한계 설정이 여기에 든다.
• 모델 수준의 통제를 둔다. 제한된 행동 공간, 불확실성 처리, 분포 밖 입력 탐지, 지원되지 않는 요청의 거부 또는 상위 전달이 포함된다.
• 운영 통제를 둔다. 승인, 훈련된 감독, 점검, 정비, 원격 조종 규칙, 안전한 복구가 해당한다.
• 수명주기 보증을 한다. 구성 관리, 로깅, 사고 조사, 회귀 시험, 변경 후 재검증을 포함한다.

표준은 마케팅 명칭이 아니라 응용에 따라 정해진다. 주요 출처는 다음과 같다.

규제 취급도 제품과 의도된 용도에 따라 달라진다. EU AI Act 제6조 제1항의 규제 제품 경로에서는 두 가지 누적 조건이 충족되면 AI 시스템을 고위험으로 분류한다. 그 조건은 AI 시스템이 열거된 EU 법령이 적용되는 제품의 안전 구성 요소이거나 그 자체로 그런 제품이라는 것, 그리고 그 제품이나 AI 시스템이 해당 법령에 따라 제3자 적합성 평가를 받아야 한다는 것이다. 다른 AI Act 경로와 분야별 법도 적용될 수 있다. 「피지컬 AI」라는 말만으로 법적 분류가 생기거나 사라지지 않는다.³⁵

의미 추론을 안전 등급이 있는 기능과 혼동하면 안 된다. Google DeepMind의 로봇 안전 페이지는 VLA 모델이 하위 수준 안전 기구와 함께 구성될 수 있다고 밝히고, 사람과의 거리에 따른 대응은 보장된 안전 등급 시스템이 아니라 진행 중인 연구라고 설명한다. 이 제한은 모델 행동이 위험 감소에 기여할 수 있지만, 인증된 보호 기능, 시스템 통합, 운영 통제에는 별도의 근거가 필요하다는 점을 보여 준다.³⁶

10. 연구의 한계

피지컬 AI 연구는 언어 조건 조작, 표현 학습, 교차 로봇 데이터셋, 시뮬레이션, 실제 평가에서 진전을 보였다. 그럼에도 다음 한계들이 이 결과가 곧바로 일반 배포로 이어지지 않게 한다.

• 물리 데이터는 부족하고 이질적이다. 로봇 궤적은 수집 비용이 크고, 데이터셋은 서로 다른 센서, 행동 공간, 구현체, 조작자, 과업, 성공 기준을 섞는다.
• 분포 변화는 인지와 행동을 함께 흔든다. 새 물체, 조명, 잡동사니, 표면, 사람, 마모, 보정, 동역학이 시스템을 학습과 검증 조건 밖으로 옮길 수 있다.
• 접촉과 변형 가능한 물체는 어렵다. 마찰, 순응성, 기하, 힘 추정의 작은 오차가 파지, 삽입, 천 다루기, 케이블, 음식, 도구 사용의 결과를 바꿀 수 있다.
• 긴 과업은 오류를 누적한다. 짧은 행동에 강한 정책도 실수를 감지하거나 회복하거나 상태를 보존하거나 다단계 작업을 완료하지 못할 수 있다.
• 구현체 간 전이는 불완전하다. 공유된 의미 지식이 운동학, 동역학, 도달 범위, 센서, 그리퍼, 제어 인터페이스의 차이를 없애지 않는다.
• 평가가 분열되어 있다. 결과마다 과업, 시도 횟수, 초기화 규칙, 지원 여부, 하드웨어가 달라 헤드라인 퍼센트를 직접 비교할 수 없다.
• 실시간성과 에너지 제약이 중요하다. 오프라인 분석에 유용한 모델도 이동 또는 안전 관련 제어 루프에는 너무 느리거나, 전력을 많이 쓰거나, 네트워크에 의존할 수 있다.
• 보증은 업데이트를 거쳐도 유지되어야 한다. 모델, 프롬프트, 센서, 펌웨어, 도구, 환경의 변화는 이전 시험을 무효로 만들 수 있으므로, 배포에는 구성 관리와 회귀 근거가 필요하다.
• 용어가 근거를 앞지를 수 있다. 「Physical AI」, 「generalist」, 「world foundation model」, 「robot foundation model」은 연구 방향이나 제품 포지셔닝을 설명할 수 있지만, 범용성, 물리적 정확도, 안전, 상업 성능을 입증하지는 않는다.^{13,15,23,24,25,29,34}

따라서 진척은 제한된 재현 가능한 주장으로 측정하는 편이 낫다. 어떤 기계가 어떤 과업을 어떤 조건에서, 얼마나 자주, 어떤 지원과 실패를 거쳐, 어떤 안전 통제 아래 수행했는지를 밝히는 것이다. 이런 근거는 단일 구조를 전제하거나 일반 물리 지능의 도래 시점을 예측하지 않고도 유용한 시스템을 뒷받침할 수 있다.