# 물리 AI 가 공장을 어떻게 바꿀까

> https://bookfactory.kr/board/ai-tech/23840
> 게시판: AI·머신러닝
> 작성자: admin
> 작성일: 2026-10-25T19:32:05.717Z

---

로봇의 진화와 실용화 현황

![画像](https://assets.st-note.com/img/1792480115-KHmoANsz1YalSudLOZT7ChcF.png?width=1200)

생성 AI 가 글이나 이미지를 생성하는 기술이라면, 그 다음으로 언급되는 것이 '물리 AI'입니다. AI 가 현실 세계에서 물건을 움직이고 작업을 수행하는 것입니다. 인간형 로봇이 공장이나 가정에서 일하는 미래 상이 자주 거론되곤 합니다. 실제로는 어느 정도까지 왔을까요. 공장도 이미 변하기 시작했을까, 아니면 여전히 실험실 단계에 머물러 있을까요. 산업용 로봇 분야에서는 지난 한 해 동안, 이 질문에 답할 수 있는 단서를 제공하는 몇 가지 사건이 발생했습니다. 저는 2010 년부터 2012 년 경까지 신문 기자로 산업용 로봇 분야를 담당했습니다. 당시에도 이미지 인식과 동작 제어의 고도화가 진행되었지만, 로봇에게 작업을 시키려면 사람이 동작을 설계하고 가르치는 것이 기본이었습니다. 이제 약 15 년이 지났습니다. 물리 AI 가 어떤 변화를 가져오는지, 구체적인 사례를 통해 살펴보고자 합니다.

## 불을 접는 로봇은 무엇을 보여준 것인가

2026 년 5 월, 파나크 (Fanuc) 이 전시회에서 옷을 접는 로봇을 공개했습니다. 두 개의 로봇 암이 카메라를 통해 모양이 고정되지 않은 천을 보고 접어 나갑니다. 해당 회사의 발표에 따르면, 사람이 로봇을 조작하며 옷을 접는 실연 데이터를 AI 에 학습시키고, 학습된 AI 가 천의 상태에 맞춰 동작을 생성하고 있다는 것입니다. 이 기술이 주목받는 이유는 대상이 옷이기 때문입니다. 산업용 로봇은 형태와 위치가 고정된 물체를 다루는 데 능숙하지만, 잡는 순간 모양이 변하는 유연한 물체는 오랫동안苦手 (취약한) 로 여겨왔습니다. 소프트뱅크와 아누가 전기 (Anan Electric) 도 2026 년에 기존 로봇 제어는 대상물의 형태와 배치를 고정된 것으로 가정하기 때문에 유연한 물체를 안정적으로 다루기 어렵다고 설명했습니다. 옷을 접는 작업은 바로 그 취약한 분야에 정면으로 도전하는 것이었습니다. 다만, 이는 전시회에서 이루어진 실연일 뿐, 공장에서 지속적인 운영을 보여주는 것은 아닙니다. 파나크의 발표 자료에는 작업 성공률이나 다양한 종류의 옷에도 대응할 수 있는지에 대한 내용은 명시되지 않았습니다. 기술적으로 동작을 구현할 수 있는 것과 생산 현장에서 안정적으로 사용할 수 있는 것은 구분하여 고려해야 합니다.

## 물리 AI 는 인간형 로봇에만 국한되지 않습니다.

물리 AI 를 접하면 인간형 로봇이 공장에서 일하는 모습을 연상할 수 있습니다. 그러나 물리 AI 의 활용은 인간형 로봇에만 국한되지 않습니다. 기존 산업용 로봇에 AI 를 접목하는 방법도 있습니다. 소프트뱅크와 아나큐가 2026 년에 발표한 유연물 핸들링 실증에서는 대상물의 상태 인식이나 포착 위치 판단 등에 AI 를 활용하고, 나머지 동작에는 기존 제어 기술을 결합했습니다. 즉, 모든 동작을 AI 에게 맡기는 것이 아니라 역할에 따라 기존 제어 기술과 AI 를 구분하여 사용하는 것입니다. 이 '판단의 일부를 AI 에게 맡기는' 개념은 새로운 것이 아닙니다. 파나틱과 프리퍼드 네트워크는 2018 년, 무질서하게 쌓여 있는 부품들을 어떤 순서로 꺼내야 할지를 심층 학습으로 결정하는 기능을 발표했습니다. 이 기능에서는 부품 꺼내기의 순서 판단에 심층 학습을 활용하고 있습니다. 산업용 로봇에 AI 를 접목하는 것은 물리 AI 라는 용어가 널리 쓰이기 훨씬 전에 진행되어 왔습니다. 최근에는 판단의 일부뿐만 아니라 로봇의 동작 자체를 AI 가 생성하는 기술 개발도 확대되고 있습니다.

## 인형 로봇이 실제 생산 공정에서 사용된 사례도 있습니다.

한편, 인간형 로봇이 실제 생산 라인에 투입된 사례도 이미 존재합니다. BMW 는 2026 년 2 월, 지난 년에 미국 사우스캐롤라이나주 스파르탄버그 공장에서 실시한 피거 AI 의 인간형 로봇 '피거 02' 시험 운용 결과를 발표했습니다. 발표에 따르면, 이 로봇은 차체 공장에서 용접을 위한 금속 판의 제거와 정렬을 담당했습니다. 약 10 개월간의 시험 운용에서 9 만 점 이상의 부품을 처리하며, 누적 작동 시간은 약 1,250 시간입니다. BMW X3 의 3 만 대 이상의 생산 공정과 관련이 있었다는 것입니다. 이는 전시회에서의 실연과 달리, 실제 생산 공정에서 일정 기간 동안 운용된 실적입니다. BMW 에 따르면, 연구 시설에서 훈련된 동작을 예상보다 빠르게 실제 생산 환경으로 이식할 수 있었다는 것입니다. 회사는 이를 이번 시험 운용에서 얻은 통찰 중 하나로 보고 있습니다. 다만, 이것을 '인간형 로봇이 공장에서 당연한 것이 되었다'고 읽는 것은 이르다. BMW 의 설명에서도 이는 단순한 시험적 도입에 불과하며, 담당하는 작업 또한 차체 공장이라는 자동화가 이미 진행된 특정 현장의 특정 공정에만 국한되어 있습니다. 실제 생산 공정에서 운용된 실적은 있으나, 적용 범위는 제한적입니다.

## 「할 수 있다」와「사용할 수 있다」를 구분하는 것

파나쿠스의 T 셔츠 접기 실연과 BMW 의 인간형 로봇 시험 운영은 각각 다른 성과를 보여주고 있습니다. 파나쿠스는 인간 실연에서 학습한 AI 를 활용하여 유연한 물체를 다루는 기술을 공개했습니다. 반면 BMW 는 인간형 로봇을 실제 생산 공정으로 통합하여 일정 기간 동안 운영한 사례를 발표했습니다. 대상 작업과 검증 목적이 다르므로 어느 쪽이 기술적으로 더 진보했는지를 비교할 수는 없습니다. 다만, 이러한 새로운 로봇 기술을 제조 현장에서 광범위하게 활용하려면 공통적으로 해결해야 할 과제가 있습니다. 첫 번째는 작업 조건 변화에 대한 대응입니다. 예를 들어 의류를 다룰 경우, 소재나 크기, 배치 방식이 달라져도 안정적으로 작업을 수행할 수 있는지가 문제입니다. 파나쿠스의 실연이 이러한 조건 차이에 어느 정도 대응할 수 있는지는 공개 자료에서는 알 수 없습니다. 실제 대응 범위는 학습 데이터의 내용뿐만 아니라 AI 모델의 성능과 작업 환경 등에도 좌우됩니다. 두 번째는 예상과 달리 작동하지 않을 때의 대응입니다. 기존의 테이칭 방식에서는 프로그램이나 설정을 확인하여 동작을 수정할 수 있지만, 학습된 AI 모델에서는 특정 동작이 선택된 이유를 파악하기 어려운 경우가 있습니다. 문제가 발생했을 때 설정 조정으로 해결할 수 있는지, 학습 데이터 추가나 모델 재학습이 필요한지 여부를 판단해야 합니다. 현장에서 원인을 규명하고 개선할 수 있는 체계를 마련하는 것도 실용화를 위한 과제입니다. 또한 안전성과 품질 보장은 필수적입니다. 로봇을 사람 근처에서 작동시킬 때의 안전 대책과 생산 공정에서 요구되는 품질 확인이 필요합니다. BMW 도 이번 시험 운영에서는 생산 IT, 노동 안전, 생산 공정 관리, 공장 내 물류 등 관련 부서를 초기 단계부터 참여시켰다고 합니다. BMW 는 기존 자동화 기술이 이미 고도로 발전해 있다는 점을 이유로 차량 공장을 시험장으로 선정했다고 설명하고 있습니다.

## 물리 AI 가 공장을 어떻게 변화시킬 것인가

물리 AI 가 공장 자동화를 가속화하더라도 인간형 로봇이 기존 설비를 일괄 대체할 것이라고 단정할 수는 없습니다. 현재는 기존 산업용 로봇에 AI 를 탑재하는 사업과 인간형 로봇을 특정 생산 공정에서 시험적으로 도입하는 사업이 병행되고 있습니다. 주목할 점은 과거 자동화가 어려웠던 작업들도 이제 로봇을 활용할 수 있는 가능성이 확대되고 있다는 것입니다. 부드러운 물체 조작이나 대상물의 상태에 따른 판단 등 기존 제어 방식으로는 대응이 어려웠던 영역에서도 새로운 접근법이 시도되고 있습니다. 다만, 해당 기술이 실제 공장에 정착하려면 안정성, 유지보수성, 안전성, 그리고 비용 대비 효과를 입증해야 합니다. 물리 AI 가 공장을 어떻게 바꿀지 그 답을 찾기 위해서는 로봇이 새로운 동작을 성공적으로 수행했다는 발표뿐만 아니라, 어떤 공정에서, 얼마나 오랜 기간, 얼마나 안정적으로 작동했는지 살펴봐야 합니다. BMW 의 시험 운영 사례가 바로 그런 판단 기준이 될 수 있습니다. 앞으로 이러한 구체적인 운영 성과가 어디까지 확대될지는 공장 자동화를 고려할 때 매우 중요한 요소가 될 것입니다.

## 관련 기사

물리 AI 와 산업용 로봇에 대해 기술의 진화와 일본의 산업 경쟁력이라는 두 가지 관점에서 본 사이트에서도 이미 논의해 왔습니다. 로봇이 '일을 배우는 방식'이 2011 년의 테칭에서 2026 년의 모방 학습으로 변해왔을 때, 로봇에게 일을 가르치는 방식이 어떻게 변화했는지 살펴봅니다. 물리 AI 는 '로봇 강국 일본'의 핵심 무기이자 될지, 중국 제조사의 부상과 AI 기업의 진출을 배경으로 일본의 로봇 산업이 가진 강점과 향후 경쟁력을 분석합니다.

### 출처 및 참고 자료

본 기사는 다음 기업 공식 발표를 바탕으로 작성되었습니다.

- 파나크, "NVIDIA 와의 협력 강화" (2026 년 5 월 15 일)
- 소프트뱅크「유연한 물체 조작 시스템 실증」(2026 년 7 월 13 일) https://www.softbank.jp/corp/news/press/sbkk/2026/20260713_01/
- 파나크 (Fanuc) 'Preferred Networks'의 '기계 학습 및 딥러닝 기반 신규 기능' (2018 년 4 월) https://www.fanuc.co.jp/ja/profile/pr/newsrelease/2018/news20180417_1.html
- BMW 그룹은 독일 생산 라인에 인간형 로봇을 처음 도입한다 (2026 년 2 월 27 일) https://www.press.bmwgroup.com/global/article/detail/T0455864EN/

**출처:** [note 원문](https://note.com/tetsu_writer/n/n2887836547df)

*번역: Qwen 3.5(.48) 초벌 + 교정 5청크*

[원문 보기](https://note.com/tetsu_writer/n/n2887836547df) | 출처: note.com