피지컬 AI 뜻과 제조업 도입 조건: 서울대 AI 박사가 짚은 데이터·안전성 과제

핵심 메시지

• 피지컬 AI는 인식하고 판단한 결과를 로봇·자동차·항공기 같은 실제 하드웨어의 행동으로 옮기는 기술을 뜻한다.
• AI는 인식형에서 생성형으로 발전했고, 다음 단계로 에이전틱 AI와 피지컬 AI가 지목된다.
• 환각이나 프롬프트 조작 같은 기존 AI의 약점이 물리 세계로 넘어오면 안전 사고로 이어질 수 있어, 기술 성숙도가 먼저 확보돼야 한다.
• 제조 현장의 AI 도입 실패는 대개 모델이 아니라 문제 정의와 데이터 품질에서 비롯된다.
• 영상은 피지컬 AI의 현장 확산이 언론이 말하는 5~10년보다 더 늦어질 수 있다고 전망했다.

쉽게 이해하기

서울대에서 AI 박사 학위를 받은 김동욱은 요즘 화제인 '피지컬 AI'가 실제로 무엇이며 제조업에서 왜 아직 어려운지를 정리했다. 그는 엔비디아 젠슨 황 CEO가 과거 인터뷰에서 제시한 AI 기술 발전 단계를 출발점으로 삼는다. 추천과 분류처럼 답을 내는 인식형 AI가 10년 전 알파고로 정점을 찍었고, 이후 ChatGPT와 제미나이 같은 생성형 AI가 두 번째 붐을 만들었다는 설명이다.

그다음 단계로 지목된 것이 에이전틱 AI와 피지컬 AI다. 에이전틱 AI가 코딩 보조나 병원 환자 스케줄 관리처럼 시간만 들이면 되는 귀찮은 일을 대신한다면, 피지컬 AI는 로봇·자동차·기차·항공기 같은 실체가 있는 하드웨어에 AI를 넣는 개념이다. 휴머노이드 가사 로봇, 자율주행차, 무인 항공 시스템과 UAM, 무인 택시가 모두 여기에 속한다.

언어 정보 처리에 특화된 LLM과 달리 피지컬 AI는 인식과 판단의 결과를 물리 세계의 행동으로 구현한다. 문제는 지금의 생성형·인식형 AI가 아직 환각을 일으키고, 프롬프트를 조작하면 원하는 답을 내놓게 유도할 수도 있다는 점이다. 이런 잘못된 판단이 하드웨어로 그대로 넘어가면 치명적 결과를 부를 수 있어, 김동욱은 피지컬 AI 도입에 앞서 기존 AI의 신뢰성 보완이 선행돼야 한다고 봤다.

제조 현장 이야기로 넘어가면서 그는 '기업 AI 도입 80% 실패'라는 기사를 인용해 실패 이유를 다섯 갈래로 나눴다. 가장 먼저 지적한 것은 문제 정의다. AI가 무적이라고 여겨 일단 도입부터 하고 보면, AI가 풀 문제가 아닌 것까지 AI에게 맡기게 된다. 설비 고장을 예측해도 유지보수 스케줄이 맞지 않으면 소용이 없고, 센서 데이터 품질이 나쁘면 애초에 분석이 불가능하다는 것이다. AI는 문제를 해결하는 데 써야지 문제를 정의하는 데 쓰면 안 된다는 말로 그는 이 대목을 요약했다.

데이터도 큰 벽이다. LLM은 인터넷의 정제된 글로 학습하지만, 제조 현장의 센서 데이터나 이미지는 노이즈와 돌발 변수, 불확실성이 많고 애초에 수집 방법조차 모르는 경우가 많다. 여기에 더해 그는 현장 인력의 AI 이해도를 강조했다. 데이터가 어떻게 수집·관리되고 의사결정이 어떻게 내려지는지 사람이 알아야, 나중에 로봇이 투입됐을 때 협업이 가능하다는 것이다. 결론적으로 그는 모델과 인프라보다 '실전에서 쓸 수 있는 데이터셋'이 먼저라고 정리하며, 현장 적용 시점은 흔한 전망보다 더 미뤄질 것으로 봤다.

주요 인사이트

• 피지컬 AI를 새로운 마법이 아니라 '기존 AI 기술을 하드웨어에 적용하는 개념'으로 낮춰 정의한 점이 이 설명의 핵심이다. 막연한 기대나 불안 대신 준비 상태를 점검하게 만든다.
• 소프트웨어에서는 오답이 불편으로 끝나지만 물리 세계에서는 안전 사고가 된다. 환각과 프롬프트 조작이라는 기존 약점을 먼저 해결해야 한다는 지적은 도입 순서에 대한 실질적 조언이다.
• AI 도입 실패의 원인을 모델 성능이 아니라 문제 정의와 데이터 품질에서 찾은 진단은, 예산을 어디에 먼저 써야 하는지를 뒤집어 보게 한다.
• 로봇이 사람의 의도를 이해하는 것만큼 사람이 로봇의 작동 방식을 이해하는 것도 중요하다는 관점은, 피지컬 AI가 기술 도입이 아니라 조직 역량 문제이기도 함을 보여준다.

자주 묻는 질문

관련 AI 소식