[피지컬 AI 밸류체인 총정리 ④] 두뇌(AI 반도체·VLA·데이터), 로봇이 생각하는 법

이 글은 2026년 9월 25일 정정되었습니다. 글의 결론이 달라진 정정이라 이 자리에도 알립니다 — 자세한 내용은 글 끝 정정 기록을 참고해 주세요.

2026년 4월, 엔비디아가 로봇 파운데이션 모델의 새 버전을 내놓으며 흥미로운 주장을 함께 발표했습니다. 로봇의 손재주에도 ‘스케일링 법칙’이 존재한다는 것이었습니다. 사람이 머리에 카메라를 달고 찍은 1인칭 영상을 1,000시간에서 2만 시간으로 늘렸더니, 로봇의 평균 작업 완수율이 두 배 넘게 올랐다는 것입니다. 이 발표가 왜 놀라운지는 1부에서 짚은 문제를 떠올리면 알 수 있습니다. 그때 우리는 로봇 학습의 가장 큰 벽이 데이터라고 했습니다. 로봇에게 무언가를 가르치려면 ‘그 순간 무엇을 봤는가’와 ‘그때 관절을 몇 도씩 어떻게 움직였는가’가 한 쌍으로 묶인 기록이 필요한데, 유튜브에 넘쳐나는 컵 드는 영상에는 앞의 것만 있고 뒤의 것이 없습니다. 화면만 봐서는 그 사람의 팔꿈치가 몇 도로 굽었는지 알 수 없으니, 로봇도 자기 관절을 몇 도 돌려야 할지 배울 수가 없는 것입니다. 그런데 엔비디아가 내놓은 답은 그 벽을 정면으로 뚫는 대신 옆으로 돌아가는 것이었습니다. 로봇 데이터가 부족하면, 사람이 세상을 보는 영상을 대신 먹이면 된다는 것입니다. 같은 시기 구글 딥마인드는 발끝부터 손끝까지 휴머노이드 전신을 하나의 모델로 제어하는 Gemini Robotics 2를 공개했고, 자동차 반도체 회사 모빌아이(Mobileye)는 휴머노이드 스타트업을 9억 달러에 사들이며 ‘모빌아이 3.0’을 선언했습니다. 몸을 다 만들었으니, 이제 그 몸을 움직이는 쪽 이야기입니다. 시리즈의 마지막 편입니다.

1. 왜 두뇌가 마지막인가 — 몸이 다 있어도 움직이지 못하는 이유

2부에서 부품을, 3부에서 그 부품을 조립한 몸을 봤습니다. 감속기가 갖춰졌고 카메라와 라이다가 달렸고 배터리도 실렸다고 해봅시다. 이 로봇은 아직 아무것도 하지 못합니다. “저기 빨간 컵을 오른쪽 선반에 올려”라는 말을 들었을 때, 어느 관절을 몇 도씩 어떤 순서로 돌려야 하는지를 결정해줄 무언가가 없기 때문입니다. 그 결정을 내리는 것이 두뇌 층입니다.

그런데 이 층이 왜 밸류체인의 마지막에 오는지에는 이유가 있습니다. 두뇌는 몸이 정해진 뒤에야 만들어질 수 있습니다. 관절이 몇 개인지, 손가락이 몇 개인지, 카메라가 어디에 붙어 있는지가 정해져야 그에 맞는 제어 신호를 뽑아낼 수 있기 때문입니다. 3부에서 폼팩터를 정하는 순간 학습해야 할 데이터의 종류가 통째로 결정된다고 했던 것이 바로 이 뜻입니다. 반대로 말하면, 몸이 회사마다 다르면 두뇌도 회사마다 달라야 한다는 문제가 생깁니다. 이 층에서 벌어지는 거의 모든 경쟁이 결국 ‘하나의 두뇌로 여러 몸을 움직일 수 있는가’라는 질문으로 수렴하는 이유입니다.

그런데 이 순서에는 뒤집힌 면도 있습니다. 몸이 정해져야 두뇌를 만들 수 있지만, 지금 이 산업에서 몸의 사양을 정하는 것은 거꾸로 두뇌 쪽입니다. 모델이 초당 몇 번 판단해야 하는지가 칩의 연산량을 정하고, 그 칩이 먹는 전력이 배터리 용량을 정하고, 배터리 무게가 다시 관절이 들어야 할 하중을 정합니다. 2부와 3부에서 본 부품 사양의 상당수가 실은 이 층에서 거슬러 내려온 요구입니다.

그래서 이 층을 마지막에 놓는 것은 중요도의 순서가 아니라 이해의 순서입니다. 몸을 먼저 봐야 두뇌가 무엇을 상대하는지 알 수 있고, 두뇌를 보고 나면 앞의 두 편에서 본 부품 사양이 왜 그렇게 정해졌는지가 뒤늦게 이해됩니다. 이 편을 읽고 2부를 다시 펼치면 같은 표가 다르게 읽히는 이유입니다.

📌 알아두면 좋은 개념 — 파운데이션 모델, 그리고 이 산업에서 그것이 뜻하는 것 파운데이션 모델(foundation model)은 방대한 데이터로 미리 크게 학습시켜 두고, 개별 용도에는 그 위에 약간의 추가 학습만 얹어 쓰는 모델을 말합니다. 거대언어모델이 대표적입니다 — 인터넷 전체를 학습한 모델 하나를 만들어두고, 법률 상담이든 코딩이든 필요한 쪽으로 조금씩 조정해 쓰는 방식입니다. 로봇에서 파운데이션 모델이 특별한 의미를 갖는 이유는 ‘몸이 제각각’이라는 문제 때문입니다. 지금까지 로봇 소프트웨어는 로봇 한 종류마다 새로 만들어야 했는데, 파운데이션 모델이 성립하면 여러 형태의 로봇이 같은 두뇌를 공유하고 각자의 몸에 맞게 조금만 조정하면 됩니다. 이 시리즈에서 앞으로 나올 GR00T·Gemini Robotics·Helix·π 같은 이름들은 전부 이 자리를 노리는 모델들입니다.

두뇌 층은 다시 세 개의 층으로 나뉩니다. 1부의 밸류체인 표에서 이 단계를 ‘AI 반도체·VLA 소프트웨어·학습용 데이터·시뮬레이션’으로 묶어 적었는데, 오늘은 그 셋을 하나씩 열어보겠습니다.

2. 두뇌의 세 층 지도

표를 좌우로 밀어서 보실 수 있습니다.

이 세 층의 관계는 사람으로 치면 이렇습니다 — ①은 뇌라는 물리적 장기, ②는 그 뇌에 담긴 판단 능력, ③은 그 능력을 만들어낸 경험입니다. 그리고 이 산업에서 가장 구하기 어려운 것은 ①도 ②도 아니라 ③입니다. 칩은 사면 되고 모델은 상당수가 공개돼 있지만, 경험은 살 수 없기 때문입니다.

먼저 셋이 각각 무엇인지를 한 번씩 짚고 넘어가겠습니다. ① 온보드 반도체는 로봇 몸 안에 실제로 얹히는 칩입니다. 데이터센터 칩과 다른 점은 크기와 전력입니다 — 사람 머리 크기 안에 들어가야 하고, 배터리로 하루를 버텨야 하며, 팬을 크게 달 공간도 없습니다. 그래서 이 자리에서 겨루는 것은 성능의 절대치가 아니라 정해진 전력과 열 안에서 얼마나 많은 연산을 뽑아내느냐입니다.

② VLA 모델은 그 칩 위에서 돌아가는 소프트웨어입니다. 카메라가 본 것과 사람이 한 말을 입력으로 받아 관절을 몇 도씩 움직일지를 출력합니다. 이름 그대로 보고(Vision) 듣고(Language) 움직이는(Action) 것을 하나로 묶은 모델이고, 예전 로봇처럼 사람이 동작을 하나하나 지정해주지 않아도 된다는 것이 결정적인 차이입니다.

③ 데이터와 시뮬레이션은 그 모델을 학습시키는 재료입니다. 언어모델은 인터넷에 있는 글을 긁어모아 학습시킬 수 있었지만, 로봇은 그럴 자료가 없습니다. ‘무엇을 봤을 때 관절을 몇 도씩 움직였는가’가 한 쌍으로 묶인 기록이 필요한데, 그런 기록은 로봇을 실제로 움직여봐야만 생깁니다. 이 층이 세 층 중 가장 비싸고 가장 느린 이유입니다.

아래에서는 ②부터 봅니다. 순서를 바꾼 데는 이유가 있습니다 — ①과 ③은 ②가 무엇을 요구하느냐에 따라 필요한 사양이 정해지기 때문입니다. 모델이 초당 몇 번 판단해야 하는지가 정해져야 칩에 필요한 연산량이 나오고, 모델이 어떤 형식의 기록을 먹는지가 정해져야 모아야 할 데이터의 모양이 나옵니다. 가운데 층부터 보고 양옆으로 넓히는 편이 이 층을 이해하기에 빠릅니다.

3. VLA — 로봇이 배우는 방식

1부에서 VLA(비전-언어-행동) 모델의 기본 구조를 짚었습니다. 인지·계획·제어를 세 모듈로 나눠 사람이 규칙을 짜던 방식 대신, 카메라 영상과 사람의 말을 함께 입력받아 관절 제어 신호를 곧바로 출력하는 단일 신경망이라는 것이었습니다. 그리고 실제 구현에서는 느리게 생각하는 모듈과 빠르게 움직이는 모듈을 겹쳐 쓴다고도 했습니다. 이제 그 구조가 실제로 어떤 숫자 위에서 돌아가는지 들여다보겠습니다.

① 이중 구조가 실제로 어떻게 작동하는가

피규어AI의 Helix를 예로 들면 구조가 선명해집니다. 시스템 2는 인터넷 규모로 사전학습된 70억 파라미터짜리 비전-언어 모델로, 초당 7~9번 정도만 돌아갑니다. 장면을 이해하고 “빨간 컵을 오른쪽 선반에”라는 말의 뜻을 해석하는 역할입니다. 시스템 1은 8,000만 파라미터짜리 훨씬 작은 트랜스포머로, 초당 200번 돌아가며 시스템 2가 넘겨준 의미를 실제 관절 각도로 바꿉니다. 두 숫자의 차이 — 초당 8번과 초당 200번 — 가 이 구조의 핵심입니다. 사람도 “저 컵을 옮겨야겠다”는 판단은 한 번만 하고, 팔이 흔들리지 않게 미세 조정하는 일은 무의식적으로 계속합니다. 사람의 반사신경에 해당하는 부분을 별도의 작은 모델로 떼어내야 하는 이유는 물리적입니다. 로봇 팔이 넘어지려는 물건을 붙잡으려면 수 밀리초 안에 반응해야 하는데, 70억 파라미터 모델을 매번 다 돌려서는 그 시간을 맞출 수 없습니다.

여기서 1부의 온보드 추론 이야기와 이 구조가 만납니다. Helix는 로봇 몸 안의 저전력 임베디드 GPU에서 전부 돌아갑니다. 클라우드에 물어보는 순간 통신 지연 때문에 초당 200번이라는 조건이 무너지기 때문입니다. 이 이중 구조는 2025~2026년 사이 휴머노이드 VLA의 사실상 표준이 됐고, 엔비디아 GR00T도 구글 딥마인드 Gemini Robotics도 같은 발상을 씁니다.

② 지금 경쟁하는 두뇌들

• 엔비디아 Isaac GR00T [나스닥 NVDA] — 2025년 3월 GR00T N1으로 처음 공개된 개방형 휴머노이드 파운데이션 모델입니다. 2026년 4월 공개된 N1.7 얼리액세스 버전은 30억 파라미터 규모에 상업 라이선스를 붙여 나왔고, 젠슨 황은 2026년 GTC 기조연설에서 차세대 모델 N2를 예고하며 새 환경의 새 작업에서 기존 VLA 대비 성공률이 두 배 이상이라고 주장했습니다(회사 발표, 독립 검증은 별도). 핵심 전략은 ‘개방’입니다 — 오픈 라이선스로 풀어 최대한 많은 로봇이 이 두뇌를 쓰게 만드는 방식으로, 반도체 시리즈에서 다룬 CUDA 생태계 전략과 판박이입니다.
• 구글 딥마인드 Gemini Robotics [알파벳 계열] — 2025년 3월 Gemini 2.0을 로봇 제어로 옮기며 시작했고, 2026년 8월 공개된 Gemini Robotics 2는 발끝부터 손끝까지 휴머노이드 전신을 하나의 모델로 제어합니다. 단순히 정지 상태에서 팔을 뻗는 것이 아니라 로봇의 무게중심을 동적으로 조절해 걸어가고 쪼그려 앉고 몸을 숙이며 어질러진 공간을 헤쳐 나가게 하는 것이 이 버전의 진전이며, 여러 로봇이 한 공간에서 팀으로 협업하는 기능도 함께 들어갔습니다. 3부에서 봤듯 이 모델이 보스턴다이내믹스의 전기 아틀라스에 얹히고 현대차 공장에서 테스트될 예정이라, 국내 독자에게는 남의 이야기가 아닙니다.
• 피규어AI Helix [미국 비상장] · Physical Intelligence π [미국 비상장] — Helix는 손목·몸통·머리·손가락까지 상체 전체를 고속 연속 제어한 첫 VLA로 꼽히며, 약 500시간의 텔레오퍼레이션 데이터로 학습됐습니다. Physical Intelligence는 로봇 몸을 팔지 않고 두뇌만 만드는 순수 모델 기업으로, π0 계열을 일부 공개하며 ‘가능한 한 많은 로봇을 움직이는 하나의 모델’을 지향합니다.
• 아지봇 GO-1 · 바이트댄스 GR-3 [중국] — 중국 진영도 자체 모델을 갖고 있습니다. 특히 아지봇은 자사 로봇으로 모은 데이터를 ‘AgiBot World’라는 공개 데이터셋으로 내놓으며 생태계를 만들고 있는데, 3부에서 본 압도적 출하량이 곧바로 데이터로 환산되는 구조입니다.

③ 방금 발견된 스케일링 법칙

📌 알아두면 좋은 개념 — 스케일링 법칙, 그리고 그것이 발견됐다는 말의 무게 스케일링 법칙(scaling law)은 ‘데이터와 연산을 늘리면 성능이 예측 가능한 비율로 좋아진다’는 경험적 규칙입니다. 거대언어모델이 폭발적으로 발전한 배경에 이 법칙이 있었습니다 — 어떤 새로운 아이디어를 짜내야 좋아지는지 몰라도, 그냥 데이터와 컴퓨팅을 키우면 좋아진다는 것이 확인되자 자본이 대규모로 들어올 수 있었기 때문입니다. 아이디어에는 투자하기 어렵지만 ‘더 많이’에는 투자할 수 있습니다. 그래서 어떤 분야에서 스케일링 법칙이 확인됐다는 발표는, 그 분야가 연구 단계에서 자본 투입 단계로 넘어간다는 신호로 읽힙니다.

엔비디아가 GR00T N1.7과 함께 내놓은 주장이 정확히 이것입니다. 사람이 머리에 카메라를 달고 일상을 찍은 1인칭 영상을 20개 이상의 작업 범주에 걸쳐 2만 854시간 학습시켰더니, 1,000시간에서 2만 시간으로 늘리는 과정에서 평균 작업 완수율이 두 배 넘게 올랐다는 것입니다. 회사는 이를 ‘로봇 손재주의 첫 스케일링 법칙’이라고 표현했습니다(회사 주장이며 독립적 재현 검증은 아직 축적되는 중입니다).

이 주장이 사실이라면 1부에서 짚은 데이터 병목의 성격이 바뀝니다. 앞서 말한 대로 로봇을 학습시키려면 ‘본 것’과 ‘그때 움직인 관절 값’이 한 쌍으로 묶인 데이터가 필요합니다. 그리고 이 둘을 동시에 남기는 방법은 사실상 하나뿐이었습니다 — 사람이 VR 장비를 쓰고 실제 로봇을 조종하면, 로봇이 그 순간의 카메라 영상과 자기 관절 각도·모터 명령을 함께 기록하는 것입니다. 문제 옆에 정답지를 사람이 손으로 하나씩 적어주는 셈이라, 비싸고 느릴 수밖에 없습니다. 그런데 사람의 1인칭 영상은 로봇을 한 대도 쓰지 않고 만들 수 있습니다. 사람에게 카메라를 씌우고 평소 하던 일을 하게 하면 됩니다. 벽을 정면으로 뚫는 대신 옆으로 돌아가는 길이 열린 셈입니다. 이것이 이 층의 병목을 푸는 두 번째 길입니다.

4. 온보드 반도체 — 왜 사실상 한 회사로 굳어졌나

앞 절에서 본 초당 200번이라는 조건이 이 층의 사양을 정합니다. 그 속도를 몸 안에서 내려면 칩이 얼마나 강해야 하는지, 그리고 그만큼 강한 칩을 배터리로 얼마나 오래 돌릴 수 있는지가 곧바로 걸리기 때문입니다. 지금 이 자리에서는 엔비디아 Jetson 계열이 사실상의 표준이 됐고, 최신 제품인 Jetson Thor는 2,070 FP4 테라플롭스의 연산 성능과 128GB 메모리를 40~130W 범위에서 제공합니다.

숫자만 보면 데이터센터 칩에 크게 못 미칩니다. 그런데 이 자리에서 비교해야 할 것은 절대 성능이 아니라 전력 한 와트당 뽑아내는 연산량입니다. 로봇이 하루를 버티려면 칩이 먹는 전력이 배터리 용량을 넘지 않아야 하고, 팬을 크게 달 공간도 없어 열도 그 안에서 처리해야 하기 때문입니다.

그런데 이 표준화가 왜 이렇게 빠르게 굳어졌는지가 더 중요한 질문입니다. 답은 칩 성능이 아니라 그 위에 얹힌 것들에 있습니다. 로봇 회사가 새 모델을 개발하려면 시뮬레이션 환경에서 수천 번 학습시키고, 파운데이션 모델을 가져와 자기 로봇에 맞게 조정하고, 그 결과를 실제 칩에서 돌려봐야 합니다. 엔비디아는 이 전 과정을 하나로 묶어 제공합니다 — 시뮬레이션(Isaac Sim·Isaac Lab), 물리 엔진(Newton), 세계 모델(Cosmos), 파운데이션 모델(GR00T), 그리고 마지막에 온보드 칩(Jetson)까지입니다. 시뮬레이션에서 학습한 결과가 같은 회사 칩에서 가장 잘 돌아가도록 설계돼 있으니, 앞단을 쓰기 시작하면 뒷단도 따라오게 됩니다.

💡 쉽게 비유하면 — 공구를 파는 게 아니라 작업장 전체를 빌려주는 방식 엔비디아가 파는 것은 로봇용 칩 한 개가 아니라, 로봇을 만들려는 회사가 필요한 작업장 전체입니다. 설계도를 그릴 책상(시뮬레이션), 시제품을 부숴볼 공간(물리 엔진), 남이 만들어둔 기본 설계도(파운데이션 모델), 그리고 완성품을 돌릴 엔진(칩)까지 한 곳에 있습니다. 로봇 회사 입장에서는 이 작업장을 쓰면 개발 기간이 크게 줄어드는데, 대신 나중에 다른 곳으로 옮기려면 처음부터 다시 지어야 합니다. 반도체 시리즈에서 엔비디아의 진짜 해자가 GPU 성능이 아니라 CUDA라는 소프트웨어 생태계라고 했던 것과 정확히 같은 구조가, 로봇에서 한 번 더 반복되고 있습니다.

실제로 2026년 GTC 기준 엔비디아와 협력하는 로봇 두뇌 개발사가 110곳에 이르고, ABB·FANUC·KUKA·야스카와 같은 전통 산업용 로봇 강자부터 아지봇·어질리티·피규어·1X 같은 휴머노이드 신생 기업, 그리고 LG전자까지 이 생태계에 들어가 있습니다. 3부에서 미국·중국·한국이 서로 다른 전략을 택했다고 했는데, 세 진영 모두가 학습은 엔비디아 시뮬레이션에서 하고 추론은 엔비디아 칩에서 돌리는 구조가 만들어지고 있는 것입니다.

예외가 없지는 않습니다. 테슬라는 자체 AI 칩을 설계해 옵티머스와 자율주행에 함께 쓰고, 중국 XPeng도 IRON에 자체 AI 칩 3개를 탑재했습니다. 한국에서는 딥엑스 같은 엣지 AI 반도체 기업이 니치를 노리고 있습니다. 다만 이 예외들의 공통점은 전부 ‘자기 몸을 직접 만드는 회사’라는 점입니다. 몸도 두뇌도 칩도 전부 자기 것으로 채우겠다는 완전 수직통합 진영만이 이 표준에서 벗어나 있는 셈입니다.

그런데 이 칩이 왜 그렇게 어려운 물건인지는 조건을 하나씩 뜯어봐야 보입니다. 데이터센터 칩과 하는 일은 비슷한데 놓인 자리가 완전히 다르기 때문입니다. 첫째는 전력입니다. 데이터센터 칩은 벽에서 전기를 무한정 끌어 쓰지만 로봇은 배터리로 움직입니다. 앞선 절에서 하루 여덟 시간을 버티는 것이 이 산업의 숙제라고 했는데, 그 배터리를 칩이 나눠 씁니다. 칩이 전력을 많이 먹으면 로봇이 일하는 시간이 그만큼 줄어듭니다. 둘째는 열입니다. 데이터센터는 냉각 장치를 크게 달 수 있지만 로봇 몸통 안에는 그럴 공간이 없습니다. 관절과 배터리와 배선이 이미 자리를 차지하고 있어 칩이 쓸 수 있는 부피가 정해져 있습니다. 셋째는 지연입니다. 클라우드에 물어보고 답을 받으면 그 사이 로봇은 이미 사람과 부딪혀 있습니다. 그래서 판단은 반드시 몸 안에서 끝나야 하고, 이것이 로봇용 칩을 데이터센터 칩으로 대체할 수 없게 만드는 근본 이유입니다. 세 조건이 겹치면 이 자리의 칩을 고르는 기준이 달라집니다. 데이터센터 칩은 성능을 높이면 그만큼 값을 더 받을 수 있지만, 로봇용 칩은 전력과 열의 상한이 먼저 정해져 있어 그 안에서 얼마나 계산하느냐로 겨룹니다. 상한을 넘으면 성능이 아무리 좋아도 쓸 수 없습니다. 2부에서 감속기가 크기와 힘 사이에서 맞바꿈을 해야 했던 것과 같은 종류의 제약이며, 부품이든 칩이든 로봇에 들어가는 물건은 모두 이 상한 안에서 설계됩니다.

💡 쉽게 비유하면 — 정해진 도시락 통에 반찬을 담는 일 데이터센터 칩이 뷔페라면 로봇용 칩은 도시락입니다. 뷔페는 접시를 더 가져오면 되지만 도시락은 통의 크기가 정해져 있어, 반찬을 하나 더 넣으려면 다른 하나를 빼야 합니다. 로봇용 칩에서 그 통의 크기가 전력과 열이고, 반찬이 연산 능력입니다. 그래서 이 자리에서는 ‘가장 성능이 좋은 칩’이 아니라 ‘정해진 통 안에서 가장 많이 담는 칩’이 이깁니다. 그리고 통의 크기를 정하는 것은 칩 회사가 아니라 로봇을 만드는 회사입니다 — 배터리를 얼마나 크게 달지, 몸통을 얼마나 크게 만들지가 먼저 정해지고 칩은 그 안에 들어갑니다.

5. 데이터와 시뮬레이션 — 이 단계의 진짜 병목

칩은 사면 되고 모델은 상당수가 공개돼 있습니다. 그렇다면 왜 아직도 모든 회사가 같은 수준의 로봇을 못 만들까요. 남은 것이 데이터이기 때문입니다. 그리고 이 층은 지금 별도의 산업으로 굳어지는 중입니다.

① 로봇 데이터를 만드는 세 가지 길

첫째는 사람이 직접 로봇을 조종해 시연 데이터를 만드는 텔레오퍼레이션입니다. 3부에서 본 것처럼 이것은 학습 데이터를 만드는 방법이자 실제 작업 수행 수단이기도 합니다. 앞서 말한 ‘본 것과 움직인 값이 한 쌍으로 묶인 기록’을 가장 확실하게 남길 수 있어 품질이 가장 좋지만, 사람 한 명이 로봇 한 대를 붙잡고 실시간으로 움직여야 하므로 비쌉니다. 다만 값은 빠르게 떨어지고 있습니다 — 한 업계 분석에 따르면 텔레오퍼레이션 비용은 2024년 시간당 340달러 수준에서 2026년 118~200달러 수준으로 내려왔고, 병목이 ‘장비를 구하는 것’에서 ‘좋은 데이터를 고르는 것’으로 옮겨갔습니다.

둘째는 여러 기관이 데이터를 모아 함께 쓰는 방식입니다. Open X-Embodiment가 대표적으로, 21개 기관과 22종의 로봇에서 모은 실제 조작 궤적을 하나의 말뭉치로 합친 공동 데이터셋입니다. 중국에서는 아지봇이 자사 데이터를 AgiBot World로 공개하며 같은 길을 걷고 있고, 엔비디아도 15테라바이트 규모에 32만 개 이상의 궤적이 담긴 오픈 데이터셋을 내놨습니다. 로봇 데이터가 부족하다는 문제가 워낙 커서, 경쟁사끼리도 데이터만큼은 나누는 국면이 벌어진 것입니다.

셋째가 지금 가장 빠르게 커지는 길, 시뮬레이션과 합성 데이터입니다. 앞의 둘이 실제 세계에서 기록을 만들어내는 방식이라면 이쪽은 가상 공간에서 만들어냅니다. 로봇을 컴퓨터 안에 그대로 옮겨 그리고, 그 안에서 물건을 집게 하고, 그때 관절이 어떻게 움직였는지를 기록으로 남기는 것입니다.

이 방식이 빠르게 커진 이유는 앞의 둘이 가진 한계를 정면으로 비껴가기 때문입니다. 텔레오퍼레이션은 사람 한 명이 로봇 한 대를 붙잡아야 하니 사람 수만큼만 늘어나고, 공동 데이터셋은 남이 모아둔 것이라 내 로봇의 몸에 딱 맞지 않습니다. 시뮬레이션에는 두 제약이 다 없습니다 — 컴퓨터를 늘리는 만큼 늘어나고, 내 로봇의 관절 배치를 그대로 그려 넣을 수 있습니다.

다만 공짜는 아닙니다. 가상 공간을 만드는 일 자체가 기술이고, 그 공간이 실제와 얼마나 닮았느냐가 학습 결과를 좌우합니다. 그래서 이 길에서는 데이터를 모으는 능력보다 세계를 그려내는 능력이 경쟁력이 되고, 그것이 이 층에서 특정 회사들이 앞서 나가는 이유이기도 합니다.

💡 쉽게 비유하면 — 로봇의 운전면허 시뮬레이터 사람이 운전을 배울 때 처음부터 도로에 나가지 않고 시뮬레이터에서 연습하는 것과 같습니다. 다만 로봇의 시뮬레이터는 규모가 다릅니다. 가상 공간에서는 로봇을 수천 대 동시에 굴릴 수 있고, 넘어져도 부서지지 않으며, 밤낮과 날씨와 바닥 재질을 마음대로 바꿔가며 같은 작업을 수만 번 반복시킬 수 있습니다. 실제 공장에서 한 달 걸릴 학습이 몇 시간으로 압축되는 셈입니다. 엔비디아가 내놓은 한 도구는 실제 시나리오 하나를 수천 개의 합성 변형으로 불려주는데, 합성 데이터 생성에 몇 달이 걸리던 작업을 36시간 수준으로 줄였다고 회사는 밝히고 있습니다.

📌 알아두면 좋은 개념 — Sim-to-Real Gap, 시뮬레이터의 근본적 한계 가상 공간에서 아무리 잘 배워도 실제 세계로 옮기면 성능이 떨어지는 현상을 Sim-to-Real Gap이라고 부릅니다. 원인은 물리 현상을 완벽히 흉내 내기 어렵기 때문입니다 — 컵 표면이 얼마나 미끄러운지, 케이블이 어떻게 늘어지는지, 천이 어떻게 접히는지 같은 것들은 계산으로 재현하기가 극히 까다롭습니다. 그래서 시뮬레이션은 실제 데이터를 대체하는 것이 아니라 늘려주는 도구에 가깝고, ‘실제에서 조금 배우고 가상에서 크게 불린 뒤 다시 실제로 검증한다’는 순환 구조가 표준이 됐습니다. 모빌아이가 인수한 Mentee Robotics의 핵심 자산으로 지목된 ‘Real2Sim2Real’ 파이프라인이 바로 이 순환을 뜻합니다. 참고로 가트너는 엣지 환경 AI 학습 데이터에서 합성 데이터가 차지하는 비중이 현재 20% 수준에서 2030년 90%까지 올라갈 것으로 전망하는데, 이는 전망치이며 기관별 편차가 큽니다.

② 자동차에서 로봇으로 건너오는 데이터

이 층에서 2026년 가장 상징적인 사건이 모빌아이의 Mentee Robotics 인수입니다. 모빌아이(Mobileye) [나스닥 MBLY]는 EyeQ라는 자율주행 반도체를 누적 2억 5,000만 대 이상의 차량에 넣어온 회사이며, 도로 위를 달리는 차들로부터 지도 정보를 모으는 크라우드소싱 기술도 갖고 있습니다. 이 회사가 2026년 1분기에 총 9억 달러 규모(현금 지출 기준 약 5억 9,100만 달러)로 이스라엘 휴머노이드 스타트업을 사들이며 ‘모빌아이 3.0’, 즉 자율주행을 넘어 피지컬 AI 전반으로 확장하겠다고 선언했습니다.

무엇을 산 것인지가 중요합니다. 모빌아이 경영진이 인수 배경으로 지목한 것은 로봇 하드웨어가 아니라 Mentee의 Real2Sim2Real 파이프라인과 AI 학습 자산이었습니다. 자동차에서 수억 대분의 실제 주행 데이터를 다뤄본 회사가, 그 데이터 처리 역량을 로봇으로 옮기기 위해 데이터 파이프라인을 산 것입니다. 회사는 2026년 중 첫 현장 개념검증 배치를 예고하면서 이 배치가 텔레오퍼레이션 없이 자율로 작동하는 것을 목표로 한다고 밝혔고, 양산과 상업화 목표 시점은 2028년으로 제시했습니다(모두 회사 목표). 3부에서 ‘자율주행은 휴머노이드의 예고편’이라고 했는데, 두뇌 층에서는 예고편이 아니라 아예 같은 영화가 되고 있는 셈입니다.

참고로 모빌아이의 2026년 2분기 실적은 매출 5억 800만 달러로 전년 수준을 유지했고 조정 영업이익은 1억 5,500만 달러(YoY +46%)였는데, 이 개선의 주된 원인은 이스라엘 연구개발 지원 법률에 따른 소급 적용 효과라는 점도 함께 봐둘 만합니다.

그런데 데이터를 모으는 것보다 어려운 일이 하나 더 있습니다. 계속 최신으로 유지하는 것입니다. 로봇이 일하는 공장은 설비가 바뀌고 물건이 놓이는 자리가 달라지며, 자율주행차가 달리는 도로는 공사가 나고 차선이 다시 그려집니다. 한 번 모은 데이터는 그날부터 낡기 시작합니다. 그래서 이 층에서는 데이터를 쌓이는 것으로 보는 관점과 흐르는 것으로 보는 관점이 갈립니다. 쌓이는 것으로 보면 많이 모은 쪽이 이기지만, 흐르는 것으로 보면 계속 흘려보낼 통로를 가진 쪽이 이깁니다. 자율주행 쪽에서 이미 이 차이가 드러났습니다 — 어떤 회사는 자기 차량으로 직접 주행해 데이터를 모으고, 어떤 회사는 완성차에 자기 부품을 넣어 그 차들이 달리는 동안 지도를 계속 갱신받습니다. 앞은 모은 만큼 갖고, 뒤는 팔린 차가 늘어날수록 저절로 늘어납니다. 이 구조가 로봇으로 그대로 건너옵니다. 로봇을 파는 회사가 그 로봇에서 데이터를 회수할 통로를 함께 설계했는가가 몇 해 뒤에 갈리는 지점이 됩니다. 팔고 끝나면 그 로봇이 현장에서 무엇을 겪었는지 알 수 없고, 통로가 있으면 팔린 로봇 하나하나가 다음 모델을 가르치는 선생이 됩니다.

📌 알아두면 좋은 개념 — 데이터 회수 통로 제품을 팔고 나서도 그 제품이 현장에서 겪은 것을 되돌려받는 장치를 말합니다. 자동차에서는 차량에 달린 카메라가 본 것을 압축해 서버로 보내는 방식이 쓰이고, 로봇에서는 관절이 얼마나 움직였고 어디서 멈췄는지의 기록이 그에 해당합니다. 이 통로가 중요한 이유는 데이터의 성격 때문입니다. 로봇 학습에 쓸모 있는 데이터는 ‘무엇을 봤는가’만이 아니라 ‘그때 관절을 몇 도씩 움직였는가’까지 짝지어져 있어야 하는데, 이런 짝은 실제로 로봇이 일하는 동안에만 생깁니다. 인터넷에서 구할 수 없는 종류의 데이터입니다. 그래서 이 층의 경쟁은 데이터를 얼마나 모았느냐보다 데이터가 계속 들어오는 구조를 가졌느냐로 갈립니다. 이 시리즈의 개별 기업 편들에서 되풀이해 확인하시게 될 지점입니다.

6. 한국은 이 층에서 어디에 서 있나

1부에서 한 줄 지도를 그리며 두뇌 층이 한국에서 가장 얇은 구간이라고 했습니다. 그 판단은 지금도 유효합니다 — 온보드 AI 반도체도 파운데이션 모델도 미국이 사실상 표준을 쥐고 있고, 국내에는 이 둘을 정면으로 대체할 만한 자산이 없습니다. 다만 세 번째 층인 데이터에서는 이야기가 조금 다릅니다.

• 현대오토에버 [코스피 307950] — 현대차그룹의 소프트웨어 계열사로, 자체 개발한 차량 소프트웨어 플랫폼을 현대차·기아 양산차에 공급하며 SDV(소프트웨어 정의 차량) 전환을 담당합니다. 이 회사가 이 시리즈에 등장하는 이유는 ‘자동차와 로봇이 결국 같은 소프트웨어 스택을 공유한다’는 논지를 국내에서 보여줄 수 있는 사실상 유일한 상장사이기 때문입니다. 실제로 회사는 차량 소프트웨어 기술을 농기계·방산·선박·로봇 등으로 확장하고 있고, 로봇 시스템통합(SI)과 제조 데이터 파이프라인 운영을 새 과제로 제시했습니다. 2026년 1분기 실적은 매출 9,357억원(YoY +12.3%), 영업이익 212억원(YoY -20.7%)으로 외형은 늘고 수익성은 눌린 모습이었습니다.
• 현대차그룹 RMAC [현대차 코스피 005380] — 3부에서 본 조지아주 훈련 시설이 사실 이 편의 소재이기도 합니다. RMAC은 로봇을 만드는 공장이 아니라 데이터를 만드는 공장이기 때문입니다. 아틀라스가 실제 공장과 똑같은 환경에서 훈련·검증을 거치고, 이후 실제 생산 현장에서 쌓인 데이터가 다시 RMAC으로 돌아와 재훈련에 쓰이는 순환 구조를 회사는 제시하고 있습니다. 그룹은 2030년까지 국내 투자 125조원 중 50조 5,000억원을 자율주행·로보틱스·SDV·수소 등 미래 사업에 배정하겠다고 밝혔습니다(회사 계획).
• LG전자 [코스피 066570] · 로보티즈 [코스닥 108490] — 두 회사 모두 ‘데이터 팩토리’라는 이름의 사업을 준비하고 있다는 점이 흥미롭습니다. LG전자는 서울 양재에 1만㎡ 규모의 로봇 데이터팩토리를 구축하며 엔비디아와 협력해 자사 휴머노이드를 순차 투입, 고품질 훈련 데이터를 모으겠다고 밝혔고, 로보티즈는 자사 액추에이터와 하드웨어로 수집한 행동 데이터를 판매하는 사업을 준비 중입니다. 2부에서 부품 회사로 만난 로보티즈가 4부에 다시 등장하는 이유가 이것인데, 데이터가 반복 사용 가능한 무형자산이라는 점에서 부품 판매와는 성격이 전혀 다른 수익원입니다.

정리하면 한국의 자리는 ‘두뇌를 만드는 쪽’이 아니라 ‘두뇌를 먹일 것을 만드는 쪽’에 가깝습니다. 반도체 시리즈에서 한국이 설계(시스템반도체)에는 약했지만 제조와 소재에서 강했던 구도와 닮아 있고, 이 시리즈 2부에서 부품이 강하고 두뇌가 약한 비대칭을 짚었던 것의 연장이기도 합니다. 다만 데이터는 소재와 결정적으로 다른 점이 하나 있습니다 — 소재는 팔면 없어지지만 데이터는 팔아도 남습니다.

그 자리를 조금 더 나눠 보면 두 갈래가 보입니다. 두뇌 층에는 만드는 자리와 까는 자리가 따로 있습니다. 만드는 자리는 칩과 모델을 직접 설계하는 쪽입니다. 온보드 반도체를 그리고 파운데이션 모델을 훈련시키는 일인데, 앞 절에서 본 대로 이 자리는 이미 몇 곳으로 좁혀졌습니다. 까는 자리는 그 두뇌가 앉을 바닥을 만드는 쪽입니다. 공장의 설비들이 서로 신호를 주고받게 묶고, 그 안에서 무엇이 어떻게 돌아가는지를 기록하는 시스템을 운영하는 일입니다. 로봇이 배울 데이터가 그 시스템을 지나갑니다. 한국 기업이 실제로 서 있는 곳은 뒤쪽입니다. 그룹 공장의 생산 시스템과 물류를 짓고 운영하는 회사가 있고, 차량용 소프트웨어 플랫폼과 자율주행용 정밀 지도를 만드는 회사가 있습니다. 이들은 두뇌를 만들지 않지만 두뇌가 먹을 것이 지나가는 길목에 있습니다. 이 구분이 왜 중요한가 하면, 두 자리의 경쟁 방식이 다르기 때문입니다. 만드는 자리는 성능으로 겨루고 승자가 표준이 되면 나머지가 밀려납니다. 까는 자리는 그 현장을 얼마나 오래 맡아왔는가로 갈리고, 한 번 자리를 잡으면 바꾸기 어렵습니다. 앞은 몇 년 만에 순위가 뒤집힐 수 있지만 뒤는 그렇지 않습니다. 다만 뒤쪽 자리에도 한계가 분명합니다. 데이터가 지나가는 길목에 있다는 것과 그 데이터를 가졌다는 것은 다릅니다. 공장의 데이터는 그 공장을 운영하는 회사의 것이고, 시스템을 맡은 회사는 그것이 지나가는 통로를 관리할 뿐입니다. 그래서 ‘데이터를 다룬다’는 설명을 만나면 한 번 더 물어야 합니다 — 그 데이터를 가진 쪽인가, 다루는 쪽인가.

7. 그늘도 있다 — 균형 잡힌 시각

두뇌 층은 이 시리즈에서 발표가 가장 잦고 검증은 가장 어려운 구간입니다. 네 가지를 함께 봐야 합니다.

첫째, 성능 주장 대부분이 자체 발표입니다. ‘기존 VLA 대비 성공률 두 배’, ‘스케일링 법칙 발견’ 같은 문장은 모델을 만든 회사가 자기 벤치마크에서 낸 결과입니다. 학습에 쓴 데이터가 평가에도 섞이지 않았는지, 다른 연구팀이 같은 결과를 재현할 수 있는지는 별도의 문제이며, 로봇 분야는 언어모델과 달리 표준 평가 방식조차 아직 자리 잡지 않았습니다. 발표를 부정할 이유는 없지만, 확정된 성능으로 읽어서는 안 됩니다.

둘째, 시뮬레이션은 만능이 아닙니다. 앞서 본 Sim-to-Real Gap 때문에 가상 학습량이 곧 실력이 되지 않습니다. 합성 데이터 비중이 2030년 90%까지 올라간다는 전망도 어디까지나 전망이며, 미끄러운 표면이나 늘어지는 케이블처럼 물리적으로 재현하기 어려운 영역이 남아 있는 한 실제 현장 데이터의 가치는 사라지지 않습니다.

셋째, 이 층의 종속성은 부품보다 훨씬 무겁습니다. 감속기는 공급사를 바꾸려면 로봇을 다시 설계해야 하지만, 시뮬레이션부터 칩까지 한 회사의 생태계에 얹은 로봇은 개발 방식 자체를 다시 배워야 합니다. 반도체 시리즈에서 CUDA 종속을 다뤘을 때와 같은 질문이 여기서도 성립합니다 — 지금 편해서 선택한 것이, 나중에 협상력을 잃는 대가로 돌아오지 않는가.

넷째, 데이터의 국적이 정치 문제가 되고 있습니다. 엔비디아가 GR00T의 한 버전을 학습시키면서 아지봇과 유니트리 로봇에서 수집한 텔레오퍼레이션 데이터를 수천 시간 추가했다고 밝힌 바 있습니다. 3부에서 본 대로 미국이 해외 생산 첨단 로봇의 수입 통제를 검토하는 상황에서, 중국 로봇이 만든 데이터로 학습된 미국 모델을 전 세계가 쓰는 구조는 언제든 마찰 지점이 될 수 있습니다.

⚠️ 숫자를 볼 때 주의할 점 이 편에서 확정된 사실은 다음과 같습니다 — 모빌아이의 Mentee Robotics 인수 완료(2026년 1분기, 총 9억 달러 규모·현금 지출 약 5억 9,100만 달러)와 2026년 2분기 매출 5억 800만 달러, EyeQ 누적 2억 5,000만 대 이상 탑재, 현대오토에버 2026년 1분기 매출 9,357억원·영업이익 212억원, Jetson Thor의 공개 사양, Gemini Robotics 2 공개, GR00T N1.7 얼리액세스 공개. 반면 다음은 회사 발표 성능 주장이거나 전망치입니다 — GR00T N2의 ‘성공률 2배’, ‘로봇 손재주의 첫 스케일링 법칙’, 합성 데이터 생성 시간 단축 폭, 합성 데이터 비중 2030년 90% 전망, 모빌아이의 2028년 양산·상업화 목표, 텔레오퍼레이션 시간당 비용 추정치. 특히 모델 성능 수치는 만든 회사가 자기 기준으로 측정한 값이라는 점을 늘 함께 기억해야 합니다.

8. 이 지도가 말해주는 것 — 다섯 가지 해석과 시리즈를 닫는 한 문장

여기까지가 사실입니다. 마지막 편인 만큼, 이 편의 해석 네 가지에 더해 1~4부 전체를 관통하는 결론 하나를 함께 정리하겠습니다.

① 데이터 병목의 성격이 방금 바뀌었습니다

1부에서 우리는 로봇 학습 데이터를 ‘사람이 로봇을 직접 조종해서만 만들 수 있는 것’으로 규정했습니다. 로봇이 배워야 하는 것은 결국 ‘이런 장면을 보면 관절을 이렇게 움직여라’라는 대응 관계인데, 유튜브 영상에는 장면만 있고 관절 값이라는 정답지가 없어 쓸 수 없다는 논리였습니다. 이 논리 자체는 지금도 대체로 맞습니다. 그런데 엔비디아가 사람의 1인칭 영상 2만 시간으로 손재주가 두 배 올랐다고 발표한 순간, 이 병목의 성격이 달라졌습니다. 사람 1인칭 영상은 로봇을 한 대도 쓰지 않고 만들 수 있고, 이론적으로는 사람이 일하는 모든 현장이 데이터 수집처가 됩니다.

이 변화가 사실로 굳어진다면 승부의 축이 한 번 더 옮겨갑니다. ‘로봇을 많이 굴린 회사’가 아니라 ‘사람이 일하는 현장을 많이 가진 회사’가 유리해지기 때문입니다. 공장, 물류센터, 병원, 매장 — 지금까지는 로봇을 넣을 곳으로만 여겨지던 장소들이, 로봇을 넣기 전에도 데이터를 뽑아낼 수 있는 자산이 됩니다. 아직 검증이 축적되는 단계지만, 만약 이 방향이 맞다면 3부에서 짚은 ‘현장을 가진 쪽이 유리하다’는 결론이 훨씬 더 강해집니다. 로봇이 없어도 현장만 있으면 데이터가 나오기 시작하니까요.

② 두뇌를 공짜로 푸는 쪽이 가장 크게 법니다

언뜻 이상해 보이는 장면이 있습니다. 엔비디아는 자사 로봇 파운데이션 모델을 오픈 라이선스로 풀고 대규모 데이터셋도 공개합니다. 가장 비싼 자산을 왜 공짜로 줄까요. 답은 반도체 시리즈에서 이미 본 적이 있습니다 — CUDA를 무료로 배포해 전 세계 개발자를 묶어두고, 정작 돈은 그 위에서 돌아가는 GPU로 벌었던 방식입니다.

로봇에서는 이 구조가 더 촘촘합니다. 모델을 무료로 쓰려면 그 모델을 학습시킬 시뮬레이션이 필요하고, 시뮬레이션을 돌리려면 데이터센터급 연산이 필요하며, 학습한 결과를 실제로 돌리려면 온보드 칩이 필요합니다. 무료인 것은 사슬의 한 칸뿐이고, 그 앞뒤가 전부 유료입니다. 그런데 여기서 한 겹 더 들어가면 흥미로운 반전이 나옵니다 — 두뇌가 모두에게 공개되면, 로봇 회사끼리는 두뇌로 차별화할 수 없게 됩니다. 남는 차별화 요소는 다시 몸(2부의 부품과 3부의 폼팩터)과 데이터(자기 현장)뿐입니다. 즉 두뇌의 오픈소스화는 역설적으로 부품과 현장의 가치를 끌어올립니다.

③ 자동차와 로봇은 두뇌 층에서 완전히 합쳐졌습니다

1부에서 이 시리즈가 휴머노이드와 자율주행을 한 섹터로 묶은 이유를 부품이 겹치기 때문이라고 설명했고, 3부에서는 자율주행이 휴머노이드의 예고편이라고 했습니다. 4부에서 확인된 것은 그보다 강한 결론입니다 — 두뇌 층에서는 두 산업이 예고편과 본편이 아니라 아예 하나입니다.

근거는 여러 곳에 있습니다. 엔비디아는 휴머노이드용 파운데이션 모델과 자율주행용 추론 모델을 같은 발표에서 같은 아키텍처 계열로 내놓습니다. 모빌아이는 자동차 반도체 회사인데 휴머노이드 기업을 사면서 산 것이 로봇이 아니라 데이터 파이프라인이었습니다. 테슬라는 자율주행에서 만든 팀과 데이터로 옵티머스를 학습시키고, 현대차그룹은 차량 소프트웨어 계열사가 로봇 시스템통합까지 맡습니다. 이 관점에서 보면 국내 투자자에게 실용적인 함의가 하나 나옵니다 — 자율주행 관련 기업과 로봇 관련 기업을 서로 다른 테마로 분류하는 습관은 부품 층에서는 이미 무너졌고 두뇌 층에서는 더 이상 성립하지 않습니다. 어떤 회사가 ‘자동차 소프트웨어 회사’인지 ‘로봇 회사’인지를 묻는 대신, 그 회사가 물리 세계의 데이터를 어떤 형태로 얼마나 쥐고 있는지를 묻는 편이 정확합니다.

④ 회계가 사업을 따라오는 순간이 그 사업이 크기를 갖춘 순간입니다

이 층을 취재하며 되풀이해 마주친 벽이 있습니다. 로봇 매출을 별도로 공시하는 회사가 거의 없다는 것입니다. 부품사도 완성체사도 로봇 관련 매출을 따로 밝히지 않고, 소프트웨어 회사에서는 로봇이 어느 부문에도 이름이 없으며, 온보드 칩을 파는 회사조차 로봇 몸 안의 칩은 PC · 게임기와 한 매출 구분에, 로봇을 가르치는 컴퓨터는 데이터센터 매출에 섞여 들어갑니다. 이것은 회사들이 숨기는 것이 아니라 아직 나눌 만큼 크지 않다는 뜻입니다. 회계에서 부문을 나누려면 그 사업에 자원을 따로 배분하고 성과를 따로 측정할 이유가 있어야 하는데, 매출이 반올림 오차 수준이면 그럴 이유가 없습니다. 그 조건이 바뀌었는지를 확인할 자리가 한 번 열렸습니다. 로봇 온보드 칩을 파는 엔비디아가 FY2027(2026년 2월~2027년 1월) 1분기부터 매출을 보여 주는 방식을 바꿔, 데이터센터와 엣지 컴퓨팅 둘로 나눠 적기 시작한 것입니다. 사업을 관리하는 보고 부문은 그대로 둘이고, 바뀐 것은 매출을 시장별로 보여 주는 구분뿐입니다. 그 변화 속에서 로봇은 이름을 얻지 못했습니다 — 로봇이라는 낱말은 엣지 컴퓨팅이 무엇을 담는지 설명하는 목록에 PC · 게임기 · 워크스테이션 · 자동차와 나란히 한 번 나올 뿐 금액은 없고, 로봇을 가르치는 컴퓨터의 값은 데이터센터 매출 안에 이름 없이 섞입니다. 오히려 FY2026까지 제 이름으로 금액이 적히던 자동차가 이번에 엣지 컴퓨팅으로 묶여 그 이름을 잃었습니다. 구분을 새로 짤 때 작은 이름들은 하나로 합쳐졌고, 로봇의 자리는 새로 생기지 않았습니다. 회계는 아직 로봇을 따라오지 않았습니다. 회사는 크지 않은 것을 따로 나누지 않으니, 로봇이 매출 구분에서 제 이름을 얻는 때가 곧 로봇이 크기를 갖춘 때이고, 그때가 오는지를 지켜보는 것이 이 산업을 읽는 자리입니다. 그래서 이 산업의 기업들을 지켜보실 때 실적 발표보다 사업보고서와 분기보고서의 매출 구분을 먼저 열어 보시길 권합니다. 새 항목이 생겼는지와 함께, 있던 이름이 다른 이름 안으로 합쳐졌는지도 봐야 합니다 — 구분이 바뀌었다는 사실만으로는 어느 쪽인지 알 수 없습니다. 이 시리즈의 개별 기업 편들에서 여러 회사가 로봇 매출을 별도로 공시하지 않는다고 반복해 짚게 되는 까닭도 여기에 있고, 그 조건이 바뀌는 때를 알아보는 방법도 같습니다 — 매출 구분과 증감 원인에 로봇이 제 이름으로 서는가입니다.

⑤ 시리즈를 닫는 한 문장 — 살 수 있는 것과 살 수 없는 것

네 편에 걸쳐 부품과 완성체와 두뇌를 훑었습니다. 이 지도를 한 발 물러나 내려다보면, 이 산업에서 무엇이 돈으로 해결되고 무엇이 해결되지 않는지가 뚜렷하게 갈립니다.

돈으로 살 수 있는 것부터 세어보겠습니다. 감속기 공장은 지을 수 있습니다 — 중국 업체들이 실제로 연 50만 개 규모의 공장을 짓고 있습니다. 온보드 AI 반도체는 살 수 있습니다 — 엔비디아가 팝니다. VLA 모델도 가져올 수 있습니다 — 오픈 라이선스로 공개돼 있습니다. 심지어 로봇 몸 자체도 살 수 있습니다 — 유니트리의 보급형 모델이 1만 6,000달러 수준입니다. 이 산업에서 ‘만들 수 있는가’라는 질문은 갈수록 의미가 옅어지고 있습니다. 돈과 시간을 들이면 대부분 만들어지거나, 만들 필요 없이 사 올 수 있습니다.

그런데 딱 하나 살 수 없는 것이 있습니다. 로봇이 실제 현장에서 일하며 보낸 시간입니다. 2부에서 감속기 국산화의 진짜 장벽이 가격이 아니라 ‘수억 번 돌려도 안 깨진다’를 증명하는 시간이라고 했고, 3부에서 출하 대수보다 가동 시간이 이 단계의 성적표라고 했으며, 4부에서 두뇌의 진짜 병목이 모델 구조가 아니라 데이터라고 했습니다. 표현은 달랐지만 세 번 모두 같은 것을 가리키고 있었습니다 — 현장에서 흘러간 시간입니다. 감속기의 신뢰성도, 완성체의 안정성도, 두뇌의 판단력도 전부 그 시간에서만 나옵니다. 그리고 시간은 자본으로 압축되지 않습니다.

그래서 이 시리즈를 한 문장으로 닫으면 이렇습니다 — 피지컬 AI는 무엇을 만들 수 있는가의 산업이 아니라, 무엇을 이미 갖고 있는가의 산업입니다. 현대차의 공장, 테슬라의 라인, BYD의 조립장, 삼성의 반도체 팹, 쿠팡의 물류센터처럼 로봇이 일할 수 있고 그 결과가 데이터로 쌓이는 장소를 이미 가진 쪽이, 기술을 새로 개발한 쪽보다 유리한 구조입니다. 반도체가 자본이 가장 잘 통하는 산업이었고(수십조를 넣으면 최첨단 팹이 생깁니다), 전력·원전이 시간이 가장 안 통하는 산업이었으며(원전 하나에 10년이 걸립니다), 조선·방산이 기술만큼이나 신뢰가 승부를 갈랐던 산업이었다면 — 피지컬 AI는 이 셋을 모두 요구하면서, 그중에서도 ‘현장’이라는 이름의 자산을 가장 가혹하게 요구하는 산업입니다.

이 관점은 앞으로 이 산업의 뉴스를 읽을 때 실용적인 필터가 되어줍니다. 새 모델이 공개됐다는 소식, 새 로봇이 시연됐다는 소식, 새 부품을 개발했다는 소식은 대부분 ‘살 수 있는 것’에 관한 이야기입니다. 반면 어느 회사의 로봇이 어느 공장에서 몇 개월째 돌고 있다는 소식, 어느 부품이 어느 모델에 확정 채택됐다는 소식, 어느 회사가 어떤 현장의 데이터를 확보했다는 소식은 ‘살 수 없는 것’에 관한 이야기입니다. 뒤쪽 소식이 앞쪽보다 훨씬 조용하게 지나가지만, 이 산업에서 실제로 자리를 바꾸는 것은 뒤쪽입니다.

9. 오늘 배운 내용 한눈에 정리

10. 마무리하며 — 4부작을 닫으며

1부에서 우리는 상하이에서 매출 3,300억원짜리 로봇 회사에 90조원대 값이 붙고, 프리몬트에서 14년을 버틴 자동차 라인이 46일 만에 사라지는 장면으로 시작했습니다. 그리고 네 편에 걸쳐 그 사이에 무엇이 있는지를 따라왔습니다 — 원가의 절반이 걸린 관절, 사람 모양이어야 하는지를 두고 갈린 세 나라의 답, 그리고 그 몸을 움직이는 두뇌까지입니다.

이 산업은 아직 확정된 실적이 거의 없습니다. 국내 부품사 대부분의 로봇 매출 비중은 한 자릿수 이하이고, 완성체 기업 상당수가 적자이며, 두뇌 층의 성능 주장은 대부분 아직 검증이 쌓이는 중입니다. 그래서 이 시리즈는 처음부터 ‘언제 얼마를 벌 것인가’를 예측하지 않았습니다. 대신 이 산업이 어떤 단계로 나뉘고, 각 단계에서 무엇이 어렵고, 누가 그 어려운 일을 하고 있는지를 그리는 데 집중했습니다. 산업이 형성되는 국면에서 가장 값진 것은 전망이 아니라 지도라고 믿기 때문입니다.

앞으로 이 지도 위에서 개별 기업들을 한 곳씩 깊이 들여다보겠습니다. 관절을 만드는 회사들, 로봇의 눈을 만드는 회사들, 몸을 조립하는 회사들, 그리고 두뇌를 파는 회사들 — 이 시리즈에서 이름만 스쳐 간 기업 하나하나가 앞으로 별도의 기업분석 편으로 이어집니다. 그때마다 오늘까지 그려둔 이 네 장의 지도가 ‘이 회사가 어디에 서 있는가’를 판단하는 기준이 되어줄 것입니다. 그리고 시리즈가 모두 발행되면, 전체를 한자리에 모은 완결편 허브로 다시 찾아뵙겠습니다.

마지막으로 한 가지만 다시 강조하고 싶습니다. 이 산업의 뉴스를 볼 때마다 두 가지를 물어보시길 권합니다 — 이 회사는 관절·감각·전원·완성체·두뇌 중 어느 자리에 서 있는가, 그리고 이 회사는 로봇이 일할 현장을 갖고 있는가. 이 두 질문에 답할 수 있으면, 매출이 아직 나오지 않는 산업에서도 지도를 잃지 않으실 수 있습니다.

📌 정정 기록 2026-09-25「이 지도가 말해주는 것」에서 엔비디아가 FY2027부터 사업 부문을 다시 나눠 새 부문 엣지 컴퓨팅에 로봇이 들어가며 로봇이 회계상 자리를 얻는다고 썼으나, 분기보고서 기준으로 보고 부문은 둘 그대로이고 바뀐 것은 매출을 시장별로 보여 주는 구분이며, 로봇은 그 구분을 설명하는 목록에만 나올 뿐 금액이 없습니다. 그래서 「회계가 로봇을 따라오기 시작했다」는 결론을 「회계는 아직 로봇을 따라오지 않았고, 따라오는지를 지켜보는 것이 이 산업을 읽는 자리」로 고쳤습니다. (근거: 엔비디아 FY2027 1분기 · 2분기 분기보고서(10-Q)) 이 사이트의 모든 정정은 정정·개정 기록 페이지에 날짜순으로 있습니다.

본 글은 정보 제공을 목적으로 하며, 특정 종목에 대한 매수·매도 추천이 아닙니다. Core Asset Insight(코어에셋인사이트)는 목표주가를 제시하거나 저평가·고평가를 판정하지 않으며, 기업과 산업의 사업구조·기술·밸류체인에서의 위치를 설명하는 데 목적을 둡니다. 본문의 수치는 작성 시점에 공시·발표된 자료를 기준으로 하며, 확정된 사실과 회사가 밝힌 계획, 제3자 기관·언론의 추정을 구분해 표기했습니다. 공시와 시장 상황은 이후 달라질 수 있으니 최신 자료를 함께 확인하시기 바랍니다. 필자는 본문에 언급된 종목을 보유하고 있을 수 있으며, 글의 발행 전후 일정 기간에는 해당 종목을 매매하지 않습니다. 투자 판단과 책임은 투자자 본인에게 있습니다.

📚 함께 보면 좋은 글

⚙️ 피지컬 AI 밸류체인 총정리 마스터하기

• [피지컬 AI 밸류체인 총정리 ①] AI가 몸을 얻는다는 것 — 밸류체인 지도 한눈에 보기
• [피지컬 AI 밸류체인 총정리 ②] 부품(액추에이터·감속기·센서), 몸값의 절반이 여기 있다
• [피지컬 AI 밸류체인 총정리 ③] 완성체(휴머노이드·자율주행차), 같은 부품 다른 몸
• [피지컬 AI 밸류체인 총정리 ④] 두뇌(AI 반도체·VLA·데이터), 로봇이 생각하는 법
• [허브: 피지컬 AI 밸류체인 총정리 완결편] 이 지도 하나면 끝입니다