[IT동아 강형석 기자] 인공지능 기술이 소프트웨어 중심(대형언어모델)에서 하드웨어와 융합하는 피지컬 AI로 발전하는 중이다. 이 분야가 주목받는 배경에는 막대한 시장 잠재력이 자리한다. 자율주행 자동차부터 스마트 팩토리 협동 로봇, 어려운 작업을 도맡는 휴머노이드, 하늘을 가르는 무인 드론까지, 사람과 상호작용하는 모든 영역에 적용 가능해 산업 역량만 갖췄다면 동반 성장을 노릴 수 있는 구조다.
관건은 피지컬 AI가 스스로 판단하고 문제를 해결하는 능력이다. PC에 명령어를 입력하고 몇 초에서 몇 분 만에 결과를 얻는 생성형 AI와 달리, 피지컬 AI는 실제 환경과 상호작용하려면 최소한 나노초(ns) 단위로 판단하고 대응해야 한다. 그만큼 시스템이 데이터를 빠르게 처리할 연산 구조의 혁신이 필요한데, 그 역할을 맡는 게 바로 엣지(Edge)다.
피지컬 AI에 쓰이는 엣지란 무엇이며 왜 필요한가?
엣지는 데이터가 생성되는 현장과 가장 가까운 곳에서 감지, 추론, 제어 등 복잡한 작업을 수행하는 연산장비를 뜻한다. 연산장비라고 해서 꼭 PC를 가리키는 건 아니다. 피지컬 AI 시스템 안의 AI 처리 모듈, 산업용 PC, 비전 컨트롤러, 센서 등을 폭넓게 아우르는 개념이다.
엣지는 감지ㆍ사고ㆍ행동(SenseㆍThinkㆍAction) 또는 영상ㆍ명령ㆍ행동(VisualㆍLanguageㆍAction) 처리에 필요하다. 먼저 카메라ㆍ라이다(LiDAR) 센서ㆍ레이더ㆍ관성측정장비(IMU)ㆍ오디오ㆍ진동 센서 등 피지컬 AI 시스템에 탑재된 영상ㆍ감지 장비의 데이터를 분석한다. 이후 객체 인식ㆍ위치 추정ㆍ이상 징후 감지ㆍ경로 생성ㆍ음성 명령 해석ㆍ작업 단계 판단을 진행하는 식이다.
피지컬 AI는 이동ㆍ회전ㆍ정지ㆍ집기ㆍ압력 조절 등 행동이 핵심이다. 여러 장비가 제공하는 데이터를 받아 제어 주기에 맞는 명령으로 바꾸고, 필요하면 보수적 룰이나 안전 컨트롤러로 한 번 더 검증하는 과정을 거친다. 그런 만큼 네트워크와 무관하게 작동할 독립성 보장이 필수다.
엣지의 차별점은 빠른 처리 속도다. 흔히 쓰는 생성형 AI는 클라우드로 데이터를 보내고 답을 받기까지 아무리 짧아도 수십 초 이상 걸린다. 반면 피지컬 AI 환경은 찰나의 순간을 파악하고 판단한 뒤 즉각 반응해야 한다. 이 과정에서 지연이나 연결 끊김, 예측 불가능한 오류는 허용되지 않는다. 엣지는 시스템 내부에 탑재된 상태에서 데이터를 곧바로 처리하는 방식으로 이 문제를 해결한다.
한계는 처리 능력의 제약이다. 고성능 중앙처리장치(CPU)와 그래픽 처리장치(GPU) 수백, 수천 대가 모이는 데이터센터 환경과 달리, 엣지 장비는 전력 소모와 발열 탓에 크기를 무작정 키우기 어렵다. 그래서 대규모 학습 데이터를 다루는 클라우드 AI와는 접근 자체가 다르다. 피지컬 AI는 꼭 필요한 것만 빠르게 처리하는 방향으로 최적화해야 한다.
피지컬 AI 시장을 겨냥한 반도체 기업들
엣지 장비는 종류가 다양하지만, 크게 대형 반도체 기업의 범용 로보틱스 플랫폼ㆍ저전력 특화 스타트업의 가속기ㆍ로봇 제조사 자체 개발 칩으로 나뉜다.
엣지 장비와 피지컬 AI 플랫폼 분야에서 주목받는 기업 중 하나는 엔비디아다. 토르(Thor) 엣지 장비와 아이작(Isaac)ㆍ코스모스(Cosmos)ㆍ알파마요(Alphamayo) 파운데이션 모델, 옴니버스(Omniverse) 디지털 트윈 플랫폼으로 생태계를 구축했다. 자체 개발한 CPU에 고성능 GPU를 연결해 대용량 데이터 처리가 가능하도록 설계했다.
드래곤윙(Dragonwing)을 앞세운 퀄컴 역시 이 시장에서 경쟁 중이다. 스마트폰 전용 CPU를 개발하며 쌓은 저전력 설계 노하우를 피지컬 AI 영역으로 확장하는 전략이다. 산업용 자율이동로봇(AMR)과 휴머노이드를 위한 고성능 로보틱스 데이터 처리장치라는 점을 강조한다.
자일링스 출신 크리슈나 랑가사예가 설립한 시마에이아이(SiMa.ai)의 성장세도 눈에 띈다. 10W 이하 전력으로 초당 50TOPS(초당 1조 회 이상 연산) 이상의 성능을 내는 머신러닝 칩이 주력이며, 자동차ㆍ국방ㆍ농업ㆍ산업자동화 전반의 임베디드 비전 처리 시장을 겨냥했다. 칩 안에 CPU 코어와 AI 가속기를 함께 넣어, 특정 연산을 가속기가 지원하지 못하면 자동으로 CPU로 넘어가도록 설계한 점이 차별점이다.
테슬라처럼 자체 AI 엣지 시스템을 직접 설계하는 기업도 있다. 자체 개발한 장비를 전기차 자율주행과 휴머노이드 옵티머스에 적용하는 방식이다.
PC용 CPU를 선보이는 인텔도 코어 울트라 시리즈 3 프로세서를 앞세워 피지컬 AI 생태계 구축에 힘쓴다. 이 프로세서에는 데이터를 순차 처리하는 CPU 외에 병렬 처리를 맡는 GPU, 인공지능 가속에 필요한 신경망 처리장치(NPU)까지 갖췄다. 복잡한 데이터를 단일 장치로 빠르게 처리하겠다는 전략이다.
엣지의 효율 확장을 위한 기술 개발은 현재진행형
엣지 장비는 스스로 상황을 분석하고 판단해 행동하는 온-디바이스(On-Device) 방식으로 작동하는 게 핵심이다. 결국 데이터를 얼마나 효율적으로 처리하느냐가 관건이며, 이를 위해 뉴로모픽 컴퓨팅, 온-디바이스 VLA(비전-언어-행동) 모델 경량화, 촉각 센서 융합 기술 등 다양한 연구가 활발히 진행 중이다.
뉴로모픽 컴퓨팅은 사람 뇌의 신경망과 시냅스 구조를 모방해 데이터를 스파이크(전기 신호 펄스) 형태로 처리하는 기술이다. 이벤트가 발생할 때만 연산이 이뤄지기에, 항상 데이터를 처리하는 일반 연산 방식과는 근본적으로 다르다. 스파이크가 신경 연산을 촉발하는 구조라 연산장비와 실시간으로 동기화할 필요가 없고, 관찰할 이벤트가 없을 때는 칩 대부분이 유휴 상태에 머물러 전력을 아끼는 게 핵심이다.
온-디바이스 VLA 모델 경량화 역시 주목받는 기술이다. 일반 VLA 모델은 카메라 영상과 자연어 명령을 하나로 묶어 로봇의 움직임을 곧바로 출력한다. 다만 고해상도 영상과 자연어 명령을 동시에 처리하는 구조상 연산 능력에 따라 성능이 좌우될 수밖에 없다. 이 기술은 비자기회귀적 예측 방식(결과를 먼저 추정하고 동시에 연산하는 방식)과 소형 언어모델을 활용해 추론 속도를 높이고 시스템 자원 사용을 최소화한다.
일반 VLA 모델과 경량화 모델을 함께 쓰는 이중 시스템도 등장했다. 큰 행동 데이터는 대형언어모델로 처리하고, 작은 행동 데이터는 경량화된 모델로 처리하는 식이다.
촉각 센서 융합 기술은 사람이 물건을 쥘 때 손끝으로 느끼는 압력, 미끄러짐, 온도 정보를 로봇도 똑같이 감지하고 즉각 반응하도록 만드는 기술이다. 세밀한 움직임 구현에 초점을 맞췄다. 다만 압력·힘 센서, 온도 센서, 미세한 표면 질감이나 소리를 감지하는 마이크로폰, 미끄러짐과 재질 특성을 감지하는 가속도계 등을 좁은 공간에 밀집해야 하는 기술적 한계가 따른다.
피지컬 AI 기술 발전을 위해 업계와 학계 모두 분주하다. 시장 성장 속도 역시 가파르다. 국제로봇연맹(IFR)에 따르면 2025년 전 세계 산업용 로봇 신규 설치 대수는 57만 5000대로 2024년 대비 6% 늘었고, 2028년에는 연간 70만 대 이상 도입될 전망이다. 로봇 시장이 커지는 만큼 엣지 장비 수요도 함께 증가할 것으로 보인다. 학습 데이터, 하드웨어 역량 등 중요한 요소는 많지만, 결국 방대한 데이터를 처리할 엣지 장비 성능이 뒷받침되지 않으면 나머지는 무용지물이다. 피지컬 AI의 승부처는 엣지 기반 플랫폼 생태계에 달린 셈이다.
IT동아 강형석 기자 (redbk@itdonga.com)
