[인사이트] 로봇은 왜 챗봇과 GPU 수요가 다를까? 피지컬 AI 시대의 인프라 전략

 

kt cloud AI사업개발팀 정소라 님

 

📝 요약 SUMMARY

이 글에서는 피지컬 AI의 로봇 파운데이션 모델(RFM)이 요구하는
학습·시뮬레이션·엣지 추론 인프라와 GPU 수요 구조를 다룹니다.
제조 중심의 국내 활용 환경에서 데이터 확보와 단계별 컴퓨팅 인프라 설계가 갖는 의미를 정리합니다.

#피지컬AI #로봇파운데이션모델 #GPU인프라 #로봇시뮬레이션 #엣지추론

---

로봇은 왜 챗봇보다 GPU를 더 먹을까 — 피지컬 AI 시대의 RFM… 젠슨 황의 두 번째 방한이 남긴 신호

1. 젠슨 황은 왜 7개월 만에 다시 왔나

2026년 6월 초, 젠슨 황 NVIDIA CEO가 다시 한국을 찾았습니다. 지난해 10월 경주 APEC, 이른바 '깐부치킨 회동'으로 GPU 26만 장 공급을 발표한 지 약 7개월 만입니다. 이번엔 공식 행사 없이 국내 파트너 기업만 겨냥한 순수 사업 목적 방문이었고, 회동 대상 기업만 아홉 곳이 넘었습니다.

 

주목할 건 방문의 '주제'가 달라졌다는 점입니다.

• 1차(2025.10): 반도체·메모리(HBM)·자율주행 동맹. 키워드는 GPU 공급량
• 2차(2026.06): 로보틱스·휴머노이드·제조 데이터. 키워드는 피지컬 AI

젠슨 황은 대만 GTC 타이베이(6월 1일) 무대에서 로보틱스를 한국과의 '다음 협력 축'으로 지목했고, 방한 기간에는 로봇이 배치된 현대차 사옥, 로봇 친화형 네이버 사옥, 로봇 계열사를 둔 두산 등을 동선에 넣었습니다. 무엇보다 그는 "피지컬 AI 구현에서 가장 어려운 과제는 데이터 확보"라고 못을 박기도 했습니다.

 

이 한마디가 이 글의 출발점입니다. 데이터가 병목이라는 말은, 곧 그 데이터를 만들어내기 위한 컴퓨팅이 새로 필요하다는 뜻이기 때문입니다. LLM과는 다른 종류의 GPU 수요가 여기서 생깁니다.

---

2. RFM이란 무엇인가 — LLM과 무엇이 다른가

RFM(Robot Foundation Model)은 한마디로 로봇 버전의 거대모델입니다. LLM이 '텍스트를 받아 텍스트를 내놓는' 모델이라면, RFM은 멀티모달을 말합니다.

• 입력: 카메라 영상(Vision) + 언어 지시(Language) + 센서·관절 상태
• 출력: 텍스트가 아니라 행동(Action) — 어느 관절을 몇 도 움직일지

즉 RFM은 '보고(Vision) → 이해하고(Language) → 움직이는(Action)' 루프를 하나의 모델로 통합한 구조입니다. 챗봇은 틀린 답을 내도 사용자가 다시 물어보면 되지만, 로봇은 틀린 '행동'을 하면 물리 세계에서 사고가 납니다. 그래서 RFM은 정밀도와 안정성의 요구 수준이 다르고, 그만큼 학습·검증 비용이 큽니다.

Image: AI-Generated Content

---

3. 핵심: RFM은 '한 대'가 아니라 '세 대'의 컴퓨터를 쓴다

여기서 LLM과 RFM의 결정적 차이가 나옵니다. NVIDIA는 이를 '세 대의 컴퓨터(Three Computers)' 구조로 설명합니다.

단계	역할	대표 스택	GPU 성격
① 학습 (Training)	대규모 멀티모달 모델 학습	DGX / B300·H200	초고밀도 분산학습 클러스터
② 시뮬레이션·합성데이터 (Simulation)	가상 환경에서 학습 데이터 생성	Omniverse · Cosmos · RTX PRO	시뮬레이션·렌더링 워크로드
③ 엣지 추론 (Edge Inference)	로봇에 탑재된 실시간 추론	Jetson · Thor	저전력 온디바이스

Image: AI-Generated Content

 

LLM은 사실상 ①과 약식 추론만 씁니다. 텍스트 데이터는 인터넷에 차고 넘치니, 데이터를 '만드는' 단계가 거의 필요 없습니다.

 

RFM은 ②가 필수입니다. 로봇이 현실에서 수백만 번 넘어지며 데이터를 모을 수는 없기 때문입니다. 그래서 Omniverse·Cosmos 같은 디지털 트윈/월드 모델 안에서 가상으로 데이터를 합성합니다. 바로 이 시뮬레이션 단계가 LLM에는 없던 새로운 대규모 GPU 수요를 만듭니다. 젠슨 황이 말한 "데이터가 가장 어렵다"는 문제를, NVIDIA는 'GPU로 데이터를 찍어내는' 방식으로 푸는 셈입니다.

 

정리하면, 같은 파라미터 규모라도 RFM은 학습·시뮬레이션·엣지 세 곳에서 컴퓨팅을 동시에 요구합니다. GPU 소비가 LLM보다 구조적으로 큰 이유입니다.

Image: AI-Generated Content

---

4. 이미 누가 쓰고 있나 — 그리고 진짜 해자는 어디 있나

피지컬 AI는 데모가 아니라 이미 산업 현장에 들어와 있습니다.

• 제조·물류: Foxconn, Amazon, FANUC 등이 공장·창고 자동화에 로보틱스를 적용
• 자동차: BYD 등 완성차 공장의 시뮬레이션·자동화
• 국내: 디든로보틱스가 GTC 무대에 올랐고, MakinaRocks는 휴머노이드가 아닌 제조 지능(industrial AI) 영역에서 입지를 다지고 있음

 

현대차그룹 보스턴 다이내믹스의 Atlas를 레이어별로 살펴보면 이렇습니다.

Image: AI-Generated Content

 

• 모델 레이어: Google DeepMind의 Gemini Robotics + 보스턴 다이내믹스 자체 행동모델(LBM)
• 인프라·시뮬레이션 레이어: 온로봇 컴퓨팅은 NVIDIA Jetson Thor, 학습·시뮬레이션은 Isaac Lab/Isaac Sim

'어느 회사 파운데이션 모델이냐'와 무관하게, 그 아래 학습·시뮬레이션·엣지 인프라는 대체로 NVIDIA 생태계 위에서 돌고 있습니다. 인프라·시뮬레이션 레이어는 사실상 표준화돼 있습니다.

---

5. 한국 시장의 특수성: 휴머노이드가 아니라 '제조'다

피지컬 AI라고 하면 흔히 2족 보행 휴머노이드를 떠올리지만, 한국 시장의 실수요는 다른 곳에 있습니다.

• 주력 수요처: 제조 공장, 스마트팩토리, 자율주행
• 이유: 한국은 세계적 수준의 제조 설비와 현장 데이터를 동시에 보유한 드문 국가로, 젠슨 황이 한국을 '피지컬 AI 테스트베드'라 부른 이유도 여기에 있습니다.
• 공급 측: 지난해 발표된 블랙웰 GPU 26만 장(정부·삼성·SK·현대차·네이버 등)이 2026년에 본격 배치되며 거대한 물량 토대가 마련됩니다.

한국의 피지컬 AI는 '보안이 필수적인 제조/공공 데이터 × GPU 인프라'의 결합 형태로 전개됩니다. 즉, 데이터 주권(Data Sovereignty)과 망분리 요건을 완벽히 충족하는 클라우드 환경이 승부처가 될 것으로 보입니다.

---

마치며

피지컬 AI 시대는 단순히 '로봇이 늘어나는 시대'가 아닙니다. AI가 현실 세계에서 보고, 판단하고, 움직이기 위해서는 텍스트를 학습하는 것만으로는 부족합니다. 현실에서 얻기 어려운 데이터를 시뮬레이션으로 만들어내고, 이를 다시 실제 로봇으로 연결하는 새로운 컴퓨팅 체계가 필요합니다.

 

그래서 RFM은 LLM보다 GPU를 더 많이 쓰는 것이 아니라, GPU를 더 많은 단계에서 동시에 사용하는 구조를 갖습니다. 학습을 위한 GPU, 데이터를 생성하기 위한 GPU, 그리고 현장에서 실시간으로 추론하는 GPU까지. 피지컬 AI가 확산될수록 GPU 수요의 중심도 '모델 학습'에서 '현실을 학습시키는 컴퓨팅'으로 이동하게 될 것입니다.

 

젠슨 황의 두 번째 방한은 단순한 고객 미팅이 아니라 이러한 변화를 상징적으로 보여준 행보였습니다. 한국은 세계 최고 수준의 제조 현장과 데이터를 보유한 만큼, 피지컬 AI 시대에는 GPU를 가장 많이 사용하는 시장 중 하나가 될 가능성이 높습니다. 결국 앞으로의 경쟁력은 누가 더 큰 모델을 만들었는가가 아니라, 누가 더 많은 현실 데이터를 안전하게 생성하고 활용할 수 있는 인프라를 갖추었는가에서 결정될 것입니다.

---

※ 본 글은 공개된 산업 동향과 기술 구조 분석에 기반한 개인 견해입니다.

 

---

❔자주 묻는 질문 FAQ

Q 우리 회사는 휴머노이드를 만들지 않는데도 관련이 있나요?

A 네. 한국의 피지컬 AI 수요는 휴머노이드보다 제조·스마트팩토리·자율주행에 집중되어 있습니다. 공장 자동화, 품질 검사, 물류 로봇, 자율주행 데이터 처리 등에 RFM 계열 기술이 적용되며, 이 영역은 대규모 시뮬레이션과 GPU 인프라를 직접적으로 필요로 합니다.

---

📚 관련 / 출처 REFERENCES

🔗

• https://blogs.nvidia.com/blog/korea-ecosystem-2026/?utm_source=chatgpt.com
• https://developer.nvidia.com/isaac?size=n_6_n&sort-field=featured&sort-direction=desc
• https://www.nvidia.com/en-us/industries/robotics/?utm_source=chatgpt.com

↗