Physical AI 가치사슬에 관한 노트

한국과 미국 사이의 크로스보더 딜을 하다가 샌프란시스코로 온 뒤로, 나는 하나의 상업적 질문을 품고 Physical AI를 지켜보고 있다. 이 기술의 어느 부분을 실제로 공장에 팔 수 있고, 그것이 돌아가게 만든 대가는 누가 받는가?

특히 관심이 가는 것은 모델 개발사와 제조 고객 사이에 있는 회사들이다. 모델이 쓸모 있는 로봇 동작을 고를 수 있게 되더라도, 누군가는 그 모델을 고객의 기계에 연결하고 완성된 설비에 책임을 져야 한다. 그 일이 무엇으로 이루어지는지, 그리고 그중 얼마만큼이 반복 가능한 사업이 될 수 있는지 알고 싶다.

이 노트에서는 가상의 공장 요청 하나를 예로 든다. 선반에서 손상되지 않은 파란 부품을 집어 생산 라인에 올려놓는 일이다. 이 작업 하나를 따라가면 각 공급사가 무엇을 기여하는지가 보이고, ‘Physical AI’라고 불리는 회사를 모두 같은 종류의 투자로 취급하지 않을 수 있다.

공장이 AI에게 바라는 것

새 모델을 검토하기 전에, 이 선반 작업에 왜 모델이 필요한지부터 알고 싶다. 같은 부품이 늘 같은 위치로 들어온다면, 프로그래밍된 로봇 팔이 정밀한 동작을 반복하면 된다. 그것만으로도 이미 쓸모 있는 자동화이고, 더 범용적인 모델을 쓴다고 해서 저절로 나아지지는 않는다.

부품의 모양이나 위치가 달라지면 이야기가 더 흥미로워진다. 이때 시스템은 동작을 고르기 전에 센서 정보를 해석해야 하고, 학습 기반의 인식과 제어가 도움이 될 수 있다. VLA(Vision-Language-Action) 모델은 여기에 하나의 야심을 더한다. 일상 언어로 된 지시와 카메라에 보이는 장면을 함께 써서 로봇의 모터 명령을 이끌어 내겠다는 것이다.

가상의 고객 입장이라면, 새 기능이 설치 작업에서 무엇을 덜어 주는지 묻겠다. 변형마다 따로 프로그래밍해야 하는 부담을 줄여 주는가? 요청받은 부품을 알아보고 그 상태까지 고려할 수 있는가? 이런 질문의 답이, 그 제품을 로봇공학의 최신 세대로 분류하는 것보다 제품에 대해 더 많은 것을 알려 준다.

설치 뒤에 있는 공급사들

선반 작업으로 누가 매출을 올릴 수 있는지 보기 위해, 이 작업을 구현하는 데 필요한 일을 나눠 본다. 모델은 공장이 운영하고 유지보수할 수 있어야 하는 시스템의 한 부분이다.

이 범주는 회사가 아니라 책임을 나눠 보기 위한 것이다. 한 회사가 여러 부분을 공급할 수도 있다. 내가 신경 쓰는 구분은, 고객이 주문했을 때 이 조각들을 실제로 맞물려 돌아가게 만들어야 하는 쪽이 누구냐는 것이다.

그래서 흔히 미들웨어(middleware)로 묶이는 통합 소프트웨어를 특히 주의 깊게 본다. 모델의 출력은 선택된 로봇이 실행할 수 있는 동작으로 바뀌어야 한다. 관찰 데이터는 제때 맞는 소프트웨어에 도달해야 하고, 다음 기계는 부품을 받을 준비가 되어 있어야 한다. 시연을 넘어서는 데 필요한 일의 상당 부분이 바로 이 연결에 있다.

내게 투자 질문은, 같은 소프트웨어로 다른 곳에서도 이 문제를 얼마나 자주 풀 수 있느냐다. 판매할 때마다 새 엔지니어링 프로젝트가 필요하다면, 매출이 늘어나는 만큼 딜리버리 팀도 함께 늘려야 할 수 있다. 미들웨어를 확장 가능한 제품 범주로 보기 전에, 두 번째 설치에서는 무엇이 쉬워지는지 알고 싶다.

Vention과 Tulip

내가 지켜보는 배치 관련 주장 가운데 하나는 Vention의 2026년 2월 발표에 나온 GRIIP, 즉 이 회사의 제조업용 Physical AI 파이프라인이다. 회사는 3개월간 연속 소등(lights-out) 운영에서 일관된 피킹 성능을 보였다고 밝히면서, 동시에 고객 시연 프로그램을 확대하고 있다고 했다.

선반 예시에 비춰 보면 후속 질문이 생긴다. 시스템이 어떤 부품을, 어떤 조건에서 다뤘고, 사람이 얼마나 자주 개입했는가? 공급사가 밝힌 결과를 진지하게 받아들이면서도, 그것이 고객의 생산 라인에서 어떻게 재현될지 판단하려면 이런 세부 사항이 필요하다.

미쓰비시전기의 Tulip 투자 및 제휴는 다른 이유로 보고 있다. Tulip은 현장 작업(frontline operations)용 소프트웨어를 공급하는 회사이고, 로봇 파운데이션 모델이 아니다. 내가 흥미롭게 보는 것은 산업 장비 회사와의 연결이다. 이미 기존 장비를 중심으로 작업을 조직하고 있는 제조사들에 닿는 경로가 될 수 있기 때문이다.

그래서 두 회사에 던지는 질문이 다르다. Vention에 대해서는 보고된 피킹 성능의 범위와 반복 가능성을 이해하고 싶다. Tulip 제휴에 대해서는 소프트웨어가 제조 고객에게 어떻게 닿는지가 궁금하다. 둘을 ‘Physical AI 투자’라는 하나의 총액에 묶어 버리면 알 수 있는 것이 별로 없다.

아시아의 제조 고객

고객이 어디에 있는지를 자꾸 다시 보게 되는 데에는 한미 간 딜을 해 온 배경도 한몫한다. 국제로봇연맹(IFR)에 따르면, 2024년 전 세계 산업용 로봇 설치 54만 2,000대 가운데 74%가 아시아에서 이뤄졌다.

이 숫자를 AI 제어 로봇에 대한 전망으로 읽지는 않는다. 기존 자동화 방식을 쓰는 기계까지 포함한, 현재의 장비 시장에 관한 숫자다. 그래도 이 숫자는 아시아 제조사에 대한 접근을 내가 처음 던진 상업적 질문과 이어 준다. 공급사는 모델이 개발된 곳에서 시연하는 데 그치지 않고, 고객이 이미 갖춘 생산 환경에서 작동해야 한다.

선반 작업에서 결국 내가 찾으려는 것은, 제대로 돌아가는 설비에 대해 공장이 책임을 물을 수 있는 회사다. 그리고 그 회사가 다음 현장에서 무엇을 재사용할 수 있는지다. 내가 이 가치사슬을 통해 이해하려는 기회가 바로 그것이다. 쓸모 있는 모델 역량이, 제조사가 반복해서 살 수 있는 제품이 되는 것.