피지컬 AI 시대의 산업 지형도 변화
글로벌 동향과 정책적 시사점

왜 지금 ‘피지컬 AI’인가

“피지컬 AI”는 단순히 데이터를 계산하고 대답을 만들어내는 소프트웨어가 아니다. 실제 공장·도시·물류창고 같은 물리 공간에서 상황을 감지하고, 스스로 판단해 움직이며, 주변 환경을 바꾸는 ‘움직이는 인공지능’이다. 거대한 서버실 안에 갇혀 있는 디지털 지능이 아니라, 센서·로봇·장비와 결합해 현실 세계를 직접 바꾸는 지능이라는 점에서 기존 LLM 기반 AI와 출발선이 다르다.
이 변화는 산업계에 두 가지 질문을 던진다. 첫째, 지금까지의 “스마트 공장”과 무엇이 다른가. 둘째, 누가 이 판에서 진짜 이익을 가져갈 것인가. 피지컬 AI는 이 두 질문에 동시에 답하려는 시도이자, 앞으로 10년 한국 제조·서비스 산업의 성패를 좌우할 새로운 기준이다.

공장 안에서 벌어지는 구조적 변화

피지컬 AI의 충격은 공장 구조에서 가장 먼저 드러난다. 컨베이어를 중심으로 한 직선형 라인에서, 셀 제조(Cell Manufacturing)와 자율주행 로봇을 중심으로 한 유연한 네트워크형 구조로 공장이 재편되고 있다. 현대자동차 싱가포르 HMGICS처럼 미래형 실험공장은 컨베이어를 최소화하고, 각 공정 셀 주변을 AMR(자율주행 로봇)이 돌아다니며 필요한 자재와 제품을 스스로 운반하는 구조를 현실화했다.
이 과정에서 디지털 트윈의 역할이 급격히 커지고 있다. 물류 로봇과 공장 장비의 움직임을 가상 공간에서 그대로 재현한 뒤, 그 안에서 피지컬 AI 모델을 훈련시키고 검증하는 방식이다. 엔비디아의 옴니버스(Omniverse) 기반 디지털 트윈 설계나, 공장 전체의 레이아웃·물류 동선을 AI가 자동 설계하는 시도는 “현실을 복제한 가상 공장”이 아니라 “가상에서 먼저 설계된 공장을 현실에 복제하는” 패러다임 전환을 예고한다.
궁극적으로 피지컬 AI가 지향하는 것은 다크팩토리(Dark Factory)다. 수많은 로봇과 자동화 설비가 서로 협업하며, 최소한의 인력만으로 24시간 무인 운영되는 공장이다. 여기서 중요한 것은 로봇 개별 성능이 아니라, 공장 전체를 하나의 유기체처럼 설계하고 운영하는 시스템 지능이다.

“돈을 버는 공장”과 물류 중심 피지컬 AI

지금까지 제조 AI는 품질 관리, 설비 예지보전 등 공정·설비 단위에 집중되는 경우가 많았다. 하지만 실제로 공장의 현금 흐름과 수익성을 가장 투명하게 들여다볼 수 있는 곳은 공정이 아니라 물류창고와 재고 흐름이다. 피지컬 AI는 이 지점을 정면으로 겨냥한다.
중견·중소 제조기업들이 가장 뒷순위로 미뤄온 투자가 바로 공장 물류와 창고 자동화다. 그러나 “물류창고가 관리고도화 없이 효율화된 공장은 없다”는 말처럼, 재고창과 완제품창고를 AI와 로봇으로 투명하게 만드는 것이야말로 “돈을 버는 공장”의 출발점이다. 원부자재 입고부터 공정 투입, 완제품 출하까지의 물류 흐름을 피지컬 AI 기반 로봇과 시스템이 실시간으로 최적화하면, 생산성뿐 아니라 재고·현금흐름 관리까지 동시에 개선된다.
아마존이 2010년대 AGV 기반 창고1 자동화를 구축한 뒤, 2025년부터 본격적인 픽킹 자동화2로 넘어가는 과정은 이 로드맵을 잘 보여준다. 작업 자동화에는 긴 시간과 막대한 투자가 필요하지만, 물류 자동화는 상대적으로 짧은 시간 안에 효과를 낼 수 있기 때문이다. 독일 공장 사례에서도 작업 로봇보다 물류 로봇 투자를 우선하고, 세부 작업은 사람, 운반·이동은 로봇이 하도록 역할을 분리해 전체 Cash Flow를 관리하는 전략을 선택한다.
한국 제조업이 아직도 작업 로봇에 먼저 투자하고 물류는 나중으로 미루는 관행을 유지한다면, 피지컬 AI 시대의 경쟁에서 뒤처질 수밖에 없다. 공정을 하나씩 자동화하는 접근이 아니라, 공장 전체 운영과 현금 흐름을 중심에 두고 물류·창고를 먼저 지능화하는 발상의 전환이 필요하다.

• 1.AGV(Automated Guided Vehicle, 무인운반차) 기반 창고: 바닥에 설치된 마그네틱 테이프, QR코드, 와이어 등의 유도선을 따라 정해진 경로로 이동하며 자재나 상품을 운반하는 자율 이동 로봇(AGV) 시스템이 구축된 물류창고
• 2.픽킹(Picking) 자동화: 창고에 보관된 재고 중 주문받은 특정 물품을 정확히 찾아 꺼내는 ‘픽킹’ 작업을 사람 대신 로봇 팔이나 지능형 자동화 시스템이 수행하는 기술

국내외 동향: 하드웨어에서 플랫폼으로

글로벌 차원에서는 피지컬 AI가 “하드웨어+소프트웨어+디지털 트윈” 통합 플랫폼 경쟁 구도로 빠르게 이동하고 있다. 센서, 통신, 산업용 네트워크, 로봇, 자동화 설비, 공장 제어 시스템이 모두 하나의 데이터·제어 플랫폼 위에서 움직이는 구조를 지향한다. 여기서 핵심은 두 가지다.
첫째, 서버·클라우드 중심 LLM 모델과 달리, 피지컬 AI는 하드웨어 생태계 전체가 함께 성장해야만 구현 가능하다는 점이다. 특정 소프트웨어 플랫폼 기업만 초과 이익을 가져가는 구조가 아니라, 부품·장비·제조·서비스 전반에 걸쳐 투자와 일자리가 분산된다. 국가 산업 정책 차원에서는 “공급망 전체의 업그레이드”를 동시에 달성할 수 있는 드문 기회다.
둘째, 공장·물류센터·병원·도시 인프라 등 현실 공간 곳곳에 피지컬 AI가 침투하고 있다는 점이다. 물류창고의 자율주행 로봇, 병원의 수술·재활·간호 지원 로봇, 고령화 사회를 겨냥한 돌봄 로봇, 스마트빌딩·스마트시티, 국방·재난 대응 로봇까지, 물리적으로 움직이는 모든 시스템이 잠재적 수요처다. 제조와 자동차는 그 출발점일 뿐, 피지컬 AI의 파급력은 서비스·의료·도시 전반으로 확산될 것이다.
한국은 이 전환에서 드물게도 약점보다 강점이 많은 나라다. 반도체, 디스플레이, 2차전지, 정밀기계, 조선·플랜트, 자동차·부품 등 피지컬 AI와 결합도가 높은 제조업 기반을 이미 갖고 있기 때문이다. 특히 자율주행차는 센서·차량용 반도체·통신·제어 소프트웨어·도심 인프라까지 통합해야 하는 전방위 피지컬 AI 플랫폼으로, 한국이 전략적으로 육성할 수 있는 대표 분야다.

정책 과제: 규제자가 아닌 ‘판 짜는 투자자’로

문제는 방향이 아니라 실행이다. 피지컬 AI는 개별 기업이 각자 알아서 만들어보는 단일 제품 프로젝트가 아니다. 센서·통신·로봇·설비·디지털 트윈·클라우드·보안·표준화까지 아우르는 플랫폼적 접근이 필요하며, 이 과정에서 정부의 역할도 바뀌어야 한다.
첫째, 실험의 장(Testbed)을 만들어야 한다. 제조·자동차·로봇 등 핵심 산업별로 피지컬 AI 테스트베드 공장과 도시를 지정해, 디지털 트윈–피지컬 AI–자율 운영을 단계적으로 구현해 보는 것이 출발점이다. 이 공간에서는 규제를 과감히 완화하고, 실패를 전제로 빠르게 실험·수정할 수 있는 제도적 안전망이 필요하다.
둘째, 개방형 플랫폼과 공통 표준을 구축해야 한다. 센서·부품·로봇·통신장비·제어 시스템 기업들을 묶는 공통 인터페이스·데이터 모델·보안 표준을 정립해, 특정 글로벌 플랫폼에 종속되지 않는 국내 생태계를 키워야 한다. 제조 물류 통합 플랫폼과 같이 다양한 장비·로봇을 아우르는 소프트웨어 정의(SD-X) 아키텍처는 그 출발점이 될 수 있다.
셋째, 인재 전략이 필요하다. 피지컬 AI 엔지니어, 디지털 트윈 모델러, 로봇·제어·데이터를 동시에 이해하는 융합형 인재 없이는 공장과 도시의 언어를 동시에 읽어낼 수 없다. 대학·연구기관·기업이 함께 참여하는 실전형 교육·훈련 프로그램을 통해, “코드만 짜는 AI 인력”이 아니라 “현장을 바꾸는 AI 인력”을 길러야 한다.