Physical AI 산업화

Physical AI는 언어와 이미지를 다루는 AI가 실제 물리 세계에서 움직이고, 조작하고, 판단하는 단계로 확장되는 흐름을 가리킨다. 휴머노이드 로봇, 공장 자동화, 자율주행, 물류 로봇처럼 “모델이 생각하는 것”보다 “기계가 현실에서 반복적으로 일을 수행하는 것”이 핵심인 영역이다.

Nomura의 2026년 4월 글은 이 흐름을 단순한 로봇 기술 경쟁이 아니라 산업화 경쟁으로 읽는다. 중요한 질문은 “누가 가장 멋진 데모를 만들었는가”가 아니라, 누가 제조 규모, 공급망, 배치 현장, 비용 절감, 유지보수 모델을 함께 묶어 실제 산업 현장에 넣을 수 있는가다.

한 줄로 말하면

Physical AI의 승자는 가장 똑똑한 로봇만 만드는 회사가 아니라, 로봇을 대량 생산하고 현장에 배치하며 계속 업데이트할 수 있는 회사일 가능성이 크다.

왜 지금 중요한가

휴머노이드 로봇은 오랫동안 연구실과 이벤트 무대의 기술처럼 보였다. 하지만 부품 가격 하락, AI 모델 성능 개선, 로봇 제어 기술의 발전, 산업 현장의 인력·생산성 압박이 겹치면서 초기 상용화 논의가 빨라지고 있다.

이때 투자자와 독자가 흔히 빠지는 함정은 로봇의 영상 데모만 보고 기술 성숙도를 판단하는 것이다. 데모는 중요하지만, 산업화 단계에서는 다른 질문이 더 중요해진다.

• 같은 품질로 몇 대를 만들 수 있는가?
• 액추에이터, 감속기, 배터리, 센서 같은 부품 비용을 낮출 수 있는가?
• 공장·물류센터·병원 같은 실제 현장에서 오래 버틸 수 있는가?
• 장애가 났을 때 수리와 업데이트를 반복할 수 있는가?
• 하드웨어 판매 이후에도 소프트웨어와 데이터로 계속 수익을 만들 수 있는가?

Nomura는 이 변화를 “프로토타입 시연에서 산업적 롤아웃으로 넘어가는 전환기”로 본다.

핵심 아이디어: 기술보다 실행 경제학

Physical AI에서는 모델 성능도 중요하지만, 실제 병목은 자주 실행 경제학에서 나온다. 여기서 실행 경제학은 제조 규모, 공급망 통합, 배치 준비도, 품질 관리, 비용 절감 능력을 합친 말에 가깝다.

예를 들어 휴머노이드 로봇이 특정 작업을 사람처럼 수행할 수 있더라도, 한 대 가격이 너무 비싸거나 고장이 잦거나 현장별 튜닝 비용이 크면 산업적으로 확산되기 어렵다. 반대로 성능이 조금 덜 화려해도 특정 작업을 안정적으로 반복하고, 빠르게 수리할 수 있고, 여러 현장에 같은 방식으로 배치할 수 있다면 더 빨리 시장을 만들 수 있다.

이 관점에서는 “AI 혁신 기업”만 보는 것으로 부족하다. 제조 경험이 있는 기업, 자체 공장과 테스트베드를 가진 기업, 현장 데이터를 반복적으로 모을 수 있는 기업이 유리해진다.

세 가지 경쟁자 유형

Nomura는 글로벌 휴머노이드 경쟁 구도를 크게 세 그룹으로 나눈다.

1. 자동차 OEM과 시스템 통합 기업

자동차 회사나 대형 제조 기업은 이미 대량 생산, 품질 관리, 공급망, 공장 운영 경험을 갖고 있다. 로봇이 결국 물리적 제품이라면, 이런 능력은 큰 장점이 된다.

이들의 강점은 자체 현장을 테스트베드로 쓸 수 있다는 점이다. 로봇을 외부 고객에게 팔기 전에 내부 공장이나 물류 현장에서 검증하고, 문제를 고치고, 생산 공정을 표준화할 수 있다. 또한 대규모 자본을 감당할 수 있는 재무 여력도 중요하다.

2. 중국의 비용·배치 중심 제조사

중국 로봇 제조사들은 제조 역량과 정책적 지원을 바탕으로 빠르게 제품화를 시도할 수 있다. Nomura는 중국 기업들이 2026년 대량 생산 시점에서 앞설 수 있다고 본다.

다만 이들이 반드시 “가장 인간 같은 로봇”을 만드는 방향만 택하는 것은 아니다. 바퀴형 하체나 단순화된 손처럼 완전한 휴머노이드 형태를 일부 포기하더라도, 더 빨리 만들고 더 싸게 배치할 수 있는 설계를 택할 수 있다. 이는 상용화에는 합리적 선택일 수 있다.

동시에 미중 갈등과 첨단 AI 칩 접근 제한은 해외 확장과 고성능 모델 통합에서 제약이 될 수 있다.

3. 휴머노이드 전문 스타트업과 기술 기업

전문 기업들은 인식, 계획, 제어, 작업별 자율성에서 빠르게 실험하고 반복할 수 있다. OpenAI, NVIDIA, Microsoft 같은 모델·컴퓨팅 기업과 협력하면서 최신 AI를 로봇에 붙이는 속도도 빠르다.

하지만 약점도 뚜렷하다. 대량 제조 인프라, 장기 품질 관리, 막대한 운전자본, 현장 배치 경험이 부족할 수 있다. 그래서 기술적으로 인상적인 회사가 반드시 산업화의 최종 승자가 되지는 않는다.

하드웨어와 소프트웨어의 50대 50 구조

휴머노이드 로봇의 비용은 아직 하드웨어 쪽에 크게 묶여 있다. 특히 액추에이터, 모터, 감속기 같은 움직임 관련 부품은 전체 원가에서 큰 비중을 차지한다. 자유도가 높아질수록 고토크 모터와 정밀 감속기의 복잡성이 늘어나기 때문에 초기 병목이 되기 쉽다.

하지만 장기적으로는 가치가 소프트웨어 쪽으로 이동할 수 있다. Physical AI는 한 번 팔고 끝나는 제품이 아니라, 현장 데이터를 계속 모으고 모델을 업데이트하며 작업 범위를 넓히는 시스템에 가깝기 때문이다.

그래서 Robot-as-a-Service, 즉 RaaS 모델이 중요해진다. 고객은 큰 초기 하드웨어 비용을 한 번에 부담하는 대신, 장비 사용과 지능 업데이트를 구독형으로 이용할 수 있다. 제조사는 하드웨어 판매 마진만이 아니라 반복 구독 매출과 데이터 기반 개선을 통해 경제성을 만들 수 있다.

2026~2028년: 검증에서 산업 램프로

Nomura는 2026~2027년을 “제조 가능성의 검증 단계”로 본다. 이 시기에는 누가 멋진 영상을 내는지보다, 누가 반복 생산과 현장 사용률을 증명하는지가 중요하다.

진짜 변곡점은 2027~2028년에 가까울 수 있다. 이때는 다음 조건이 확인되어야 한다.

• 액추에이터와 핵심 부품의 표준화
• 생산 수율 개선
• 단위 원가 하락
• 산업 현장에서의 지속 사용률
• 유지보수와 소프트웨어 업데이트 체계
• 내부 또는 고객 현장에서의 반복 배치 경험

즉 Physical AI는 모델 발표 주기보다 제조 램프업 주기에 더 가까운 리듬으로 봐야 한다.

투자 관점에서 보는 법

이 글은 매수·매도 판단이 아니라 산업 구조를 읽기 위한 관점이다. Physical AI를 볼 때는 개별 로봇 회사의 데모뿐 아니라 가치가 어디에 쌓이는지 살펴봐야 한다.

첫째, 플랫폼 소유자가 유리할 수 있다. 로봇 운영체제, 데이터 파이프라인, 모델 업데이트, 현장 배치 툴을 장악하는 기업은 단순 부품 공급자보다 학습 효과를 더 많이 가져갈 수 있다.

둘째, 제조와 소프트웨어를 함께 가진 기업이 강할 수 있다. 하드웨어 원가를 낮추면서 동시에 지능 업데이트로 반복 매출을 만들 수 있기 때문이다.

셋째, 부품 공급자는 초기에는 주목받지만 수익화 시점이 늦을 수 있다. 로봇 판매량이 충분히 커져야 부품사의 볼륨과 마진이 본격적으로 열릴 수 있다.

넷째, 지정학이 중요하다. AI 칩, 제조 장비, 데이터, 수출 통제는 Physical AI 확산 속도와 지역별 승자를 바꿀 수 있다.

헷갈리지 말아야 할 점

Physical AI는 “휴머노이드 로봇”과 같은 말이 아니다. 휴머노이드는 Physical AI의 대표적인 형태지만, 공장 자동화, 창고 로봇, 자율주행, 의료·농업 로봇도 모두 넓은 의미의 Physical AI에 들어갈 수 있다.

또한 로봇 데모의 자연스러움이 곧 사업성은 아니다. 실제 산업화에서는 제조 원가, 현장 안정성, 유지보수, 고객 ROI, 보험·안전 규제 같은 요소가 같이 맞아야 한다.

마지막으로 한 증권사/리서치 관점만으로 시장 전체를 단정하면 안 된다. Nomura의 글은 Physical AI 산업화를 이해하는 데 유용한 프레임이지만, 실제 승자는 기술, 제조, 고객 현장, 규제, 자본 시장 조건이 함께 결정한다.

관련 문서

• Transformer 아키텍처
• AI 일자리 전환 프레임워크
• Robot-as-a-Service
• AI 노동 전환과 Physical AI 산업화의 차이