“한국은 로봇 밀도 세계 1위”…피지컬 AI 데이터 싸움에서 제조업이 무기 될 수 있음

피지컬 AI에서 진짜 부족한 건 ‘몸으로 한 일’의 데이터임

• 김주형 UIUC 교수는 피지컬 AI 시대에 한국의 승부처가 제조업 데이터라고 봄

  • 김 교수는 삼성전자와 디즈니 리서치를 거쳤고, 현재 UIUC에서 지능형 로봇연구실 KIMLAB을 이끌고 있음
  • 2026 밸류팩처링 국제학술대회(ICV2026) 기조강연 뒤 인터뷰에서 “한국은 인구 대비 로봇 수 세계 1위”라고 강조함

• 피지컬 AI는 똑똑한 AI와 실제 몸을 가진 로봇을 연결하는 기술임

  • 대규모 언어 모델(LLM)은 지능은 뛰어나지만 몸이 없음
  • 반대로 공장 산업용 로봇은 몸은 있지만 지능이 낮음
  • 이 둘을 연결하려면 로봇이 실제 물리 세계에서 작업하며 만든 데이터가 필요함

• 문제는 바로 그 데이터가 제일 부족하다는 점임

  • 시뮬레이션 데이터, 텍스트 데이터, 영상 데이터는 만들 수 있음
  • 하지만 로봇이 실제 물건을 잡고, 옮기고, 조립하고, 실패하고, 다시 성공하는 데이터는 아직 충분하지 않음

텔레오퍼레이션은 로봇판 라벨링 작업임

• 김 교수가 말한 핵심 수집 방식은 텔레오퍼레이션(teleoperation)임

  • 사람이 웨어러블 장치를 착용하고 로봇을 직접 조종함
  • 그 과정에서 로봇의 동작 데이터가 쌓이고, 성공한 에피소드가 많아질수록 로봇이 같은 작업을 스스로 반복할 수 있게 됨

• 김 교수는 이 과정을 고양이·개 이미지 라벨링에 비유함

  • 예전에 이미지 AI를 만들 때 사진마다 “이건 고양이”, “이건 개”라고 정답을 붙였던 것과 비슷하다는 얘기임
  • 로봇에게는 “이 물건을 이렇게 집어 옮기면 성공”이라는 정답 동작 데이터가 필요함

• 강연장에서는 실제 로봇 시연도 진행됨

  • DGIST 박경서 교수 연구실이 KIMLAB의 오픈소스를 활용해 한 달 만에 구현한 시스템이 무대에 올라옴
  • 사람이 웨어러블 슈트를 입고 움직이면 그 동작이 휴머노이드 로봇에 전달되는 방식임

• KIMLAB의 텔레오퍼레이션 시스템 ‘차일드(CHILD)’는 아기띠에서 착안함

  • 아기띠를 맨 어른이 움직이면 아기도 같이 움직이는 것처럼, 사람의 작업 공간 안에 로봇의 작업 공간을 자연스럽게 포함시키는 아이디어임
  • 시연에서는 슈트를 입은 사람이 움직이자 중국 유니트리의 휴머노이드 로봇 G1이 즉각 따라 움직임

sequenceDiagram
    participant 조종자
    participant 웨어러블슈트
    participant 차일드시스템
    participant 휴머노이드로봇
    participant 작업데이터
    조종자->>웨어러블슈트: 상체·하체 움직임 입력
    웨어러블슈트->>차일드시스템: 실시간 동작 신호 전달
    차일드시스템->>휴머노이드로봇: 로봇 관절 동작으로 변환
    휴머노이드로봇->>작업데이터: 성공한 작업 에피소드 저장
    작업데이터->>휴머노이드로봇: 반복 학습에 활용

한국의 카드: 인구가 아니라 제조 현장

• 텔레오퍼레이션 데이터는 결국 사람 수와도 연결됨

  • 많은 사람이 로봇을 조종할수록 더 많은 작업 데이터를 빠르게 쌓을 수 있음
  • 그래서 단순 물량전으로 가면 인구가 많은 나라가 유리하고, 한국은 불리할 수밖에 없음

• 김 교수가 제조업 데이터를 보자고 한 이유가 여기 있음

  • 한국은 자동차, 선박, 반도체처럼 이미 강한 산업 분야가 있음
  • 공장에서 부품을 조립하고, 선박을 용접하고, 반도체 장비를 다루는 실제 작업 데이터는 한국이 잘 모을 수 있는 영역임

• 특히 한국은 자동화된 산업 현장이 많다는 점이 강점으로 언급됨

  • 김 교수 표현대로 인구 대비 로봇 수가 세계 1위라는 건 이미 로봇이 들어간 현장이 많다는 뜻임
  • 피지컬 AI용 데이터 수집을 실험실이 아니라 산업 현장에서 바로 고민할 수 있는 기반이 있다는 얘기임

한국 로봇 연구 위상도 꽤 올라와 있음

• 국제 로봇·AI 학회들이 한국을 계속 찾는 흐름도 언급됨

  • 로봇 분야 최대 학회인 국제로봇자동화학술대회(ICRA)가 내년 5월 한국에서 열림
  • 올해 7월 국제머신러닝학술대회(ICML), 작년 휴머노이드 로봇학회와 로봇 러닝 컨퍼런스까지 굵직한 학회들이 이어짐

• 김 교수는 한국이 규모 대비 로봇 연구를 정말 잘하고 있다고 평가함

  • 큰 학회들이 연달아 한국에서 열리는 건 쉬운 일이 아니라고 봄
  • 연구 역량과 산업 기반이 함께 있다는 점이 피지컬 AI 경쟁에서 중요한 배경이 됨

AI 도구는 컨닝이 아니라 새 도구라는 관점

• 김 교수는 AI 도구 사용을 꺼리는 학생 일화도 소개함

  • 한 기계공학 전공 학생이 AI 도구를 쓰는 게 “컨닝 같다”고 말했다고 함
  • 김 교수는 자신이 학생 때 컴퍼스와 자로 제도를 배우고, 대학에서 2D 캐드, 대학원에서 3D 캐드를 배웠다며 “그럼 그것도 컨닝이냐”고 반문함

• 그의 결론은 단순함. 도구가 바뀐 것뿐임

  • 특히 엔지니어링 분야에서는 AI 도구를 못 쓰면 경쟁에서 밀릴 수밖에 없다고 봄
  • 개발자에게도 꽤 익숙한 얘기임. IDE, 자동완성, 생성형 AI까지 결국 생산성 도구의 연장선이라는 관점임

• 다만 자동화가 여유를 보장하지는 않는다는 지적도 나옴

  • 1920~60년대 미국에서 세탁기와 전자레인지가 보급된 뒤 가사노동 시간이 오히려 늘었다는 연구를 예로 듦
  • 청결 기준이 높아지면서 빨래 횟수가 늘어난 것처럼, AI 도구도 시간을 아껴주지만 그만큼 더 많은 일을 하게 만들 수 있음
  • 김 교수는 3시간 걸리던 일이 30분 만에 끝난다고 해서 쉬게 되는 게 아니고, AI 도구를 많이 쓰는 연구자들이 일이 훨씬 늘었다고 말한다고 전함

• KIMLAB의 로봇 시스템은 모두 오픈소스로 공개돼 있음

  • 김 교수는 만들어놓은 것을 사람들이 많이 쓰는 게 좋다고 봄
  • 데이터 수집과 피지컬 AI 발전을 위한 연구를 계속하겠다고 밝힘

기술 맥락

• 피지컬 AI에서 중요한 선택은 “더 큰 모델을 만들자”가 아니라 “실제 로봇 작업 데이터를 어떻게 모을 것인가”예요. LLM은 말과 추론에는 강하지만 물리 세계에서 물건을 잡고 옮기는 경험이 없기 때문에, 로봇이 몸으로 수행한 성공 데이터가 따로 필요하거든요.

• 텔레오퍼레이션을 쓰는 이유는 정답 데이터를 비교적 명확하게 만들 수 있기 때문이에요. 사람이 웨어러블 슈트로 로봇을 조종하면, 로봇 입장에서는 어떤 상황에서 어떤 관절 움직임을 했을 때 작업이 성공했는지 기록할 수 있어요. 이미지 분류에서 라벨을 붙이던 일을 로봇 동작으로 옮긴 셈이에요.

• 한국이 제조업 데이터를 봐야 한다는 주장에는 현실적인 제약이 깔려 있어요. 인구 규모로 데이터 수집량을 밀어붙이기는 어렵지만, 자동차·선박·반도체처럼 자동화가 많이 된 현장에서는 고품질 작업 데이터를 모을 가능성이 높거든요.

• 그래서 데이터 소유권이 핵심이에요. 외부 업체가 자동화 시스템을 깔아주면서 작업 데이터를 가져가면, 한국 제조 현장의 강점이 피지컬 AI 학습 자산으로 바뀌는 순간 그 가치를 남이 가져갈 수 있어요.