— Siemens × AWS, 제조·로보틱스의 새 지형
이제 기업들이 묻는 질문은 ‘왜 필요한가?’가 아니라
‘어떻게, 얼마나 빨리 도입할 것인가?’입니다.”
연평균 성장률 33%는 이 분야가 단순 트렌드가 아닌 구조적 전환임을 시사한다.
Vision-Language-Action(VLA) 모델과 파운데이션 모델의 등장으로
기계가 학습하지 않은 환경에서도 스스로 판단하고 행동하는 시대가 열리고 있다.
기존 설비(Brownfield)와의 통합, 데이터 공유 생태계 조성,
OT·IT 융합이 실질적 확산의 핵심 과제로 부상하고 있다.
현재 AWS(아마존 웹 서비스)의 생성형 AI 혁신 센터(Generative AI Innovation Center) 디렉터로,
전 세계 엔지니어·데이터 과학자 팀을 이끌며 기업 및 공공 부문의
복잡한 문제 해결에 산업용 AI를 적용하는 전략을 총괄하고 있다.
Amazon의 100만 대 이상 물류 로봇 운영 경험을 바탕으로
피지컬 AI의 실전 적용을 선도하고 있다.
Siemens에서 산업 소프트웨어, 엣지-투-클라우드 통합, 산업 AI 전략을 담당하며
하드웨어 중심 자동화를 소프트웨어 중심으로 전환하는 패러다임을 주도하고 있다.
특히 가상 PLC, AI 코파일럿, Industrial Edge 플랫폼 구현 등
175년 역사의 Siemens를 AI 기반 산업 솔루션 기업으로 재편하는
핵심 전략을 실행 중이다.
피지컬 AI(Physical AI)는 디지털 공간에 머물던 인공지능을 현실 세계의 물리적 객체와 결합해
실제 행동과 기능을 수행하게 하는 기술 패러다임이다.
자율주행 자동차, 자율 공장, 의료 로보틱스 등이 대표적 구현 사례다.
SNS Insider 최신 보고서에 따르면 이 시장은 현재
약 50억 달러 규모에서 2033년에는 약 500억 달러로
연평균 33%의 고속 성장이 전망된다.
(세계시장 규모에 대한 현황과 전망 수치는 시장조사업체, 조사대상 피지컬 AI의 범위에 따라 차이가 있으나,
대체로 향후 10년간 30% 이상의 높은 CAGR(연평균 누적 성장률)을 전망하고 있다. — 편집자 주)
이 분야가 지금 이 시점에 급부상하는 데는 네 가지 동인이 동시에 맞물리고 있다.
첫째, 비전·오디오·움직임 감지 등 센서 기술의 급격한 발전과 센서 융합(Sensor Fusion),
둘째, 피지컬 AI 모델 학습에 필요한 대규모 데이터 수집·생성 역량의 확보.
셋째, 언어 이해를 넘어 깊이·공간·물체 인식까지 가능한
Vision-Language-Action(VLA) 모델의 등장.
넷째, Amazon 물류센터 내 100만 대 이상의 운용 로봇이 증명하는 시장 준비도다.
피지컬 AI를 구성하는 핵심 기술은 감지(Sensing), 행동(Action),
두뇌(Brain)의 세 축으로 압축된다.
감지 측면에서는 카메라·깊이 인식·오디오·내비게이션 센서가 융합되며,
행동 측면에서는 물건을 집고·옮기고·조작하는 로봇 구동 기술이 진화했다.
가장 핵심적인 변화는 두뇌, 즉 AI 의사결정 능력이다.
과거 자동화가 완전한 사전 프로그래밍에 의존했다면,
이제는 파운데이션 모델을 기반으로 Transfer Learning·Reinforcement Learning을 통해
기계가 학습하지 않은 새로운 환경에서도 스스로 적응하고 판단한다.
Siemens는 하드웨어 중심 자동화를 소프트웨어 중심으로 전환하는 전략을 중심축으로
가상 PLC(Audi 공장 적용 사례), AI 코파일럿(30~40% 생산성 향상),
Industrial Edge 플랫폼을 3대 핵심 이니셔티브로 추진하고 있다.
CEO 롤랜드 부시는 향후 10억 달러 이상의 AI 개발 투자를 공표하며
NVIDIA·Microsoft·Sony와의 파트너십을 병행하고 있다.
AWS는 Physical AI Fellowship 프로그램을 통해 NVIDIA·MassRobotics와 협력하며
자율 건설·헬스케어 로보틱스·지속 가능한 농업 분야 스타트업을
클라우드·컴퓨팅·AI 서비스·기술 전문가 역량으로 지원하고 있다.
두 기업 모두 피지컬 AI를 특정 대기업의 전유물이 아닌
산업 전반의 민주화된 인프라로 만드는 전략을 공유하고 있다.
도입 과정에서의 주요 장벽은 세 가지다.
첫째, 제조 공정의 극단적 다양성(연마·제련·용접·조립 등)으로 인한 모델 학습 데이터 부족.
둘째, 데이터를 공유하지 않으려는 기업 문화로 인한 데이터 생태계 구축의 어려움.
셋째, 수천억 달러 규모의 기존 설비(Brownfield)를 전면 교체할 수 없는
점진적 통합(OT·IT 융합)의 필요성이다.
특히 특정 공정에서는 99.99% 이상의 신뢰성이 요구되는 만큼,
과장된 약속을 지양하고 단계적으로 신뢰를 축적하는 접근이 필수적이다.
이번 대담에서 강조되었듯, 피지컬 AI는 산업 전반에 점진적이지만 강력하게 확산될 것이며,
특히 일반 생성형 AI와 달리 99.99% 이상의 높은 신뢰성을 확보하는 것이
시장 주도권의 핵심이 될 것이다.
이제 기업들에 남은 질문은 “왜 필요한가?”가 아니라
“어떻게, 얼마나 빨리 도입할 것인가?”로 바뀌었다.
기술의 민주화를 통해 모든 규모의 기업이
AI라는 강력한 도구를 손에 쥐게 될 미래를 준비해야 한다.
특히 제조업 부가가치 비중이 전체 GDP의 30%에 육박하는
세계적인 제조업 강국이자 IT 강국인 한국에게 피지컬 AI 시대는 전례 없는 기회이다.
제조 현장의 깊은 노하우와 고도화된 IT 인프라가 결합될 때,
한국은 글로벌 공급망의 지능화를 선도할 수 있는 최적의 조건을 갖추고 있다.
한국 기업·정부 리더에게 이 세션이 시사하는 또 다른 중요한 논점은
‘Brownfield vs Greenfield’ 딜레마다.
한국 제조업은 세계적 수준의 기존 설비 자산을 보유하고 있는 동시에,
이를 전면 교체하지 않고 AI 역량을 접목해야 하는 과제를 안고 있다.
데이터 공유 생태계의 문제는 한국에서 더욱 첨예하다.
대기업-협력사 간 데이터 불균형, 산업 데이터의 보안 우려,
표준화 미비가 복합적으로 작용한다.
AWS의 Physical AI Fellowship 모델은 한국 스타트업 생태계에도 시사점이 크다.
클라우드 인프라, AI 서비스, 도메인 전문가 네트워크를 묶어
현장 문제 해결형 스타트업을 지원하는 구조는
한국의 제조 AI 스타트업 육성 정책에 직접 적용 가능한 모델이다.
한국 제조업과 정부 리더는 ‘도입 여부’가 아닌 ‘속도와 방식’을 지금 결정해야 한다.
비즈앤프로가 번역·요약·편집한 자료입니다.
본 자료는 정보 제공 목적이며, 대담자(Sri Ela Prolo, Dr. Horst Kaiser)의 견해는
비즈앤프로의 공식 입장과 다를 수 있습니다.