Physical AI 란 무엇인가요?

생성형 AI의 최근 발전, 기계 학습의 개선, 그리고 엣지 컴퓨팅 에 대한 실용적인 솔루션 덕분에 Physical AI 의 적용 범위가 점차 확대되고 있습니다. AI가 적용된 물리적 시스템은 점점 더 다양한 분야에 도입되면서, 변화하는 데이터를 바탕으로 의사결정을 내리기 위해 ‘인간 개입(human in the loop)’이 필요하지 않게 되었습니다. 

이러한 시스템이 자동차, 항공우주, 의료 등 산업 분야의 안전이 핵심인 응용 분야로 발전함에 따라, 시스템의 신뢰성과 예측 가능성을 보장하는 것이 필수적입니다. 이에 따라 AI 모델 개발과 더불어 견고한 검증 및 확인 접근 방식이 필요해집니다.

자율 시스템은 감지, 연산 및 물리적 동작을 위한 첨단 AI 기술과 최신 하드웨어를 활용할 뿐만 아니라, 정보를 수집하고 해석하며 이에 따라 행동하고 이를 통해 학습함으로써 다양한 응용 분야에서 의사결정 지원( Physical AI )을 활용합니다.

이러한 라이프사이클을 지원하기 위해, 개발 분야에서는 엔지니어들이 실제 환경에 배포하기 전에 광범위한 조건에서 시스템 동작을 테스트할 수 있도록 해주는 확장 가능한 시뮬레이션 환경에 점점 더 많이 의존하고 있습니다.

AI 모델

Physical AI 애플리케이션의 가장 기초적인 단계는 AI 모델을 구축하고 훈련하는 것입니다. 이를 위해 엔지니어들은 먼저 팀이 자동화하려는 물리적 시스템의 동작을 예측하는 데 가장 적합한 AI 기술이 무엇인지 파악합니다. 여기에는 대규모 언어 모델(LLM), 소규모 언어 모델, 그리고 기계 학습(ML)과 같은 보다 전통적인 AI 도구들이 포함됩니다.

파운데이션 모델은 Physical AI 에서 가장 널리 사용되는 모델 유형입니다. 이 모델들은 물리적 데이터를 기반으로 훈련되기 때문에 ‘월드 파운데이션 모델(WFM)’이라고 불립니다. 이러한 신경망은 대규모 데이터셋을 통해 훈련되므로 매우 다양한 사용 사례를 처리할 수 있습니다.

하드웨어

모델 훈련이 완료되면, 다음 단계는 Physical AI 애플리케이션에 필요한 하드웨어를 구성하는 것입니다. 이 하드웨어는 훈련 환경, 센서, 컴퓨팅 리소스, 액추에이터 및 출력의 네 가지 범주로 나눌 수 있습니다.

교육 환경

AI 모델 훈련을 담당하는 팀들은 고성능 컴퓨팅(HPC) 데이터 센터를 활용해 모델을 구축하고 훈련합니다. 이에 대한 대표적인 예로 NVIDIA Omniverse를 들 수 있는데, 이는 AWS, Azure 또는 자체 호스팅 컴퓨팅 인프라의 GPU 지원 하드웨어에서 실행되는 가상 시뮬레이션 환경( Physical AI )을 개발하기 위한 라이브러리와 마이크로서비스 모음입니다.

이러한 환경에서는 종종 시뮬레이션 및 모델링( 디지털 트윈 ) 기술을 활용하여 실제 시스템의 가상 모델을 생성함으로써, 보다 체계적이고 재현 가능하며 확장 가능한 실험을 가능하게 합니다.

센서

물리적 세계와 디지털 세계를 연결하는 입력 경로는 AI 에이전트에 정보를 제공하는 일련의 센서들입니다. 엔지니어들은 여러 센서로부터 고품질 데이터를 수집하는 과정을 ‘다중 모드 감지(multimodal sensing)’라고 부릅니다. 가장 일반적인 센서 유형은 다음과 같습니다: 

1. 인식
첫 번째 단계는 시스템 주변의 물리적 세계에 대한 데이터를 수집하는 것입니다. 시스템 내부나 인근에 설치된 다양한 센서에서 생성된 데이터 세트는 사물인터넷( Physical AI ) 시스템을 통해 물리적 환경을 이해하고 이에 대한 의사 결정을 내리는 데 유용한 정보로 분석됩니다.

2. 이유
두 번째 단계에서는 앞서 언급한 AI 도구가 활용됩니다. AI 워크플로우는 데이터셋을 분석하여 현재 상황을 해석하고, 이에 따라 어떻게 대응할지 결정합니다. 이는 기존 기계 제어 시스템의 ‘if-then-else’ 논리를 뛰어넘어, 실시간 의사결정을 가능하게 합니다.

3. 실행
세 번째 단계에서 AI 워크플로는 추론 단계에서 생성된 조언을 바탕으로 액추에이터에 대한 명령을 생성합니다. 또한 스피커나 디스플레이와 같은 출력 장치로 동작 명령을 전송할 수도 있습니다.

4. 학습
네 번째 단계에서는 ‘실행’ 단계의 결과를 AI 모델에 반영하여 시스템 성능을 향상시킵니다. 이 단계는 선택 사항이며, 데이터 센터나 연구실에서 원격으로 수행할 수 있습니다. 또한 학습 단계는 기기 내에서 로컬로 수행될 수도 있는데, 이 경우 ‘구현형 AI’가 됩니다.

AI 기반 애플리케이션이 이러한 단계를 어떻게 적용하는지 더 잘 이해하려면, 쟁반에서 6가지 종류의 도넛을 집어 각 종류별로 하나씩 상자에 담는 로봇 팔과 같은 간단한 예를 살펴보는 것이 좋습니다. 이 시나리오에서는:

• 프로토타입 시스템은 실험실에서, 또는 시뮬레이션을 통해 생성된 합성 데이터를 활용하여 가능한 한 다양한 시나리오에 대해 학습됩니다. (학습)
• 작동 시, 트레이 위에 설치된 카메라(센서)가 데이터를 로컬 테스트 용이화 설계(DFT) 시스템(컴퓨팅 리소스)으로 전송하면(인식), 해당 시스템의 AI 소프트웨어 스택이 컴퓨터 비전 알고리즘을 사용하여 도넛을 식별하고 분류합니다(추론).
• 그런 다음 AI 소프트웨어 스택은 로봇 팔(Act)에게 엔드 이펙터(Actuator)를 사용하여 도넛을 집어, 상자 위에 설치된 카메라(Perceive, Sensor)를 통해 빈 상자에 넣도록 지시합니다.
• 이 과정은 시스템이 박스 카메라(인식)의 영상을 통해 박스가 가득 찼음을 판단(추론)하고, 박스 아래에 있는 컨베이어 벨트(행동)에 신호를 보내 다음 박스로 이동하게 하며, 도넛 가게 직원들에게 박스를 가져가라고 알리기 위해 불빛이 깜빡이고 부저가 울리게(출력) 할 때까지 반복됩니다.
• 도넛이 상자 가장자리에 살짝 닿는 경우(인지), 해당 정보는 데이터 센터나 연구실의 원격 시스템, 또는 기기 내부의 로컬 시스템(구현형 AI)을 훈련시켜 그러한 상황을 피하도록 활용됩니다(학습).

실제로, Physical AI 시스템은 물리적으로 모든 경우를 철저히 테스트할 수 없는 다양한 조건 하에서도 안정적으로 작동해야 하므로, 광범위한 실제 시나리오에 걸쳐 이러한 각 단계를 검증하는 것이 매우 중요합니다.

센서 기술, GPU 기반 고성능 컴퓨팅, 디지털 트윈 환경, 그리고 인공지능 도 분야의 획기적인 발전으로 인해 Physical AI 의 적용 분야가 획기적으로 확대되었습니다. 이러한 발전 덕분에 실제 환경에 배포하기 전에 시뮬레이션을 통해 시스템 동작을 더 일찍 테스트하고 검증할 수 있게 되었습니다. 최근까지 이 기술은 주로 산업용 로봇과 최첨단 자율주행차의 컴퓨터 비전 분야에서 사용되었습니다. 하지만 이제는 항공우주, 에너지, 의료, 소비재 산업 전반에 걸쳐 실제 응용 분야로 확대되고 있습니다.

다음은 특히 흥미로운 응용 사례 몇 가지입니다:

• 자동차: 자율주행 시스템(ADS) 및 첨단 운전자 보조 시스템(ADAS) - 많은 최신 차량에는 차량 간 거리를 조절하고 차선 표시를 따라 조향하는 ADAS가 탑재되어 있습니다. 또한 일부 도시에서는 자율주행 차량도 점점 더 보편화되고 있습니다. 이는 사람들이 가장 많이 접하는 형태의 Physical AI 입니다.
• 의료: 로봇 수술에서 환자 모니터링까지 - 수술 중 실시간 데이터에 맞춰 대응하는 로봇 수술 시스템이 외과의사의 기술을 보완하고 있습니다. 의료 분야의 또 다른 대표적인 사례로는, 환자 관리 시스템이 웨어러블 센서를 스마트 스피커 및 카메라와 연동하여 자율적인 환자 모니터링을 가능하게 하고, 심지어 물리적 조치를 취할 수 있는 기능까지 제공하는 방식이 있습니다.

• 제조업: 산업용 로봇 - 제조업은 산업용 로봇( Physical AI)을 활용하여 생산 라인을 더욱 유연하고 효율적인 제조 시스템으로 빠르게 전환하고 있습니다.
• 항공우주: 무인 항공기(UAV) - 과거에는 무인 항공기가 원격 조종되거나 기본적인 프로그래밍을 통해 운용되었습니다. Physical AI 을 통해 무인 항공기는 이제 간단한 명령을 따라 항행하고, 장애물을 회피하며, 복잡한 환경에 적응하고, 더 복잡한 임무를 수행할 수 있게 되었습니다.
• 다양한 산업 분야: 자율 주행 모바일 로봇(AMR) - 사람과 구형 사전 프로그래밍 로봇은 물체의 위치를 파악하고, 가져오며, 이동시킬 수 있는 전용 모바일 로봇으로 대체되고 있습니다. 아마존은자사의 물류 센터에서 AMR에 자율 주행로봇( Physical AI ) 기술을 적용하는 데 앞장서 왔습니다. 이러한 시스템은 의료 시설에서도 음식과 물품을 배달하는 데 활용되고 있으며, 심지어 식당에서도 음식 배달에 사용되고 있습니다. 자율 주행 바닥 청소기, 즉 청소 로봇은 산업, 상업 및 가정용 청소 분야에서 AMR을 활용하는 또 다른 좋은 예입니다. 이러한 시스템은 컴퓨터 비전과 근접 센서를 이용한 단순한 이동 기능을 넘어 진화했습니다. 이제는 물체를 식별하고 필요한 청소 방식을 판단할 수 있게 되었습니다.
• 다양한 산업 분야: 휴머노이드 로봇 - 인간의 외형을 닮고 인간의 행동을 모방하는 로봇은 미디어에서 가장 눈에 띄는 형태의 Physical AI 중 하나입니다. 현재 휴머노이드 로봇은 자동차 제조 분야의 피킹 및 자재 취급 작업과, 창고에서 기존에는 AMR이 수행하던 작업을 수행하는 데 활용되고 있습니다. 

Physical AI 가 연구개발(R&D) 단계를 넘어 실제 적용 단계로 접어들었음에도 불구하고, 이 기술은 여전히 몇 가지 중대한 과제에 직면해 있습니다. 연구진과 엔지니어들은 업계의 증가하는 수요를 충족시키기 위해 그 어느 때보다 빠른 속도로 새로운 기술과 공정을 개발하고 있습니다.

근본적인 횡단적 과제는 ‘시뮬레이션과 실제 간의 격차(Sim-to-Real gap)’로, 시뮬레이션 환경에서 훈련되거나 검증된 시스템이 실제 환경에 노출되었을 때 다른 행동을 보일 수 있다는 점입니다.

가장 흔한 처리상의 어려움은 다음과 같습니다:

• 신뢰성: Physical AI 시스템은 안전 및 비용 문제를 해결하기 위해 99.999%(5 나인)의 신뢰성을 입증해야 합니다.
• 시뮬레이션 물리학: 대부분의 딥 러닝( Physical AI ) 모델을 훈련하는 데 사용되는 합성 데이터는 여전히 실제 데이터만큼 정확하지 않으며, 이를 생성하는 데 너무 오랜 시간이 걸릴 수 있다.
• 에너지 효율: 많은 Physical AI 시스템은 이동식이며 자체 전원을 탑재해야 합니다. 배터리 시스템의 비용, 부피 및 무게를 줄이는 것은 이 시스템 내 전자 장치와 구동 장치의 에너지 효율을 향상시키는 것과 마찬가지로 중요한 연구 분야입니다.
• 사이버 보안: Physical AI 시스템은 사이버 공격에 취약하며, 해당 시스템의 물리적 장치는 추가적인 침입 경로를 제공합니다.
• 연결성: 센서, 컴퓨팅 하드웨어, 액추에이터 간에 신호가 전달되는 데 걸리는 시간을 ‘지연 시간’이라고 합니다. 고속 시스템이라 할지라도, Physical AI 와 같은 애플리케이션의 경우 정보가 목적지에 도달하는 데 여전히 너무 오랜 시간이 걸릴 수 있습니다. 엣지 컴퓨팅 및 멀티칩 모듈이 이 분야의 성능을 개선하고 있지만, 여전히 더 빠른 속도가 필요합니다.
• 상호운용성: 신흥 기술인 클라우드 컴퓨팅( Physical AI )은 아직 시스템 간, 그리고 외부 데이터 및 컴퓨팅 자원과의 통신을 위한 업계 표준이 마련되지 않은 상태입니다. 

앞서 언급한 바와 같이, 대부분의 Physical AI 구현 방식은 기초 모델을 훈련하기 위해 합성 데이터 생성에 의존합니다. 이러한 데이터의 상당 부분은 물리 기반 시뮬레이션 모델을 통해 생성됩니다. 또한, 시뮬레이션은 Physical AI 를 구현하는 데 사용되는 전자 및 기계 시스템의 설계에 있어 매우 중요한 역할을 합니다.

합성 데이터의 사실성을 높이고, 개발 및 테스트 과정에서 실제 시스템의 동작을 더 정확하게 재현하기 위해서는 고성능의 물리 기반 시뮬레이션이 필수적입니다.

물리 기반 시뮬레이션을 활용한 훈련

Physical AI 모델, 특히 월드 파운데이션 모델을 훈련하려면 방대하고 다양한 데이터셋이 필요하며, 따라서 견고하고 다양한 시뮬레이션 환경이 요구됩니다. 이러한 유형의 환경을 잘 보여주는 예로는 Synopsys Multiphysics 실리콘에서 시스템까지 전반에 걸쳐 활용되는 시뮬레이션 툴셋입니다. 액추에이터의 성능은 Ansys 의 Motor-CAD ( 시뮬레이션 전용 전기 모터 설계 툴), Multiphysics Ansys 의 Maxwell (고급 전자기장 해석기), Ansys 의 Mechanical (구조 유한 요소 해석 소프트웨어), 그리고Ansys 의 Motion (다체 동역학 시뮬레이션 소프트웨어)을 사용하여 모델링할 수 있습니다. 엔지니어링 팀은 Ansys 의 Zemax OpticStudio 광학 시스템 설계 및 분석 소프트웨어와 Ansys 의 Lumerical INTERCONNECT광학 및 시뮬레이션 소프트웨어와 같은 도구를 사용하여 복잡한 광학 센서를 설계하며, 집적 회로 설계 Ansys 의 HFSS 고주파 전자기 시뮬레이션 소프트웨어를 레이더에 활용하고, Ansys 의 AVxcelerate Sensors 자율주행차 센서 시뮬레이션 소프트웨어를 라이더에 적용합니다. 이 소프트웨어는 업계 최고의 Ansys SPEOS CAD 통합 광학 및 조명 시뮬레이션 소프트웨어를 사용합니다.

이러한 접근 방식은 시나리오의 적용 범위를 넓혀주며, 엔지니어들이 실제 배포에 앞서 광범위한 작동 조건에서 시스템의 동작을 평가할 수 있게 해줍니다.

엔지니어들은 먼저 정확하고 유연한 모델을 생성한 다음, Universal Scene Description(USD)와 같은 표준 형식을 사용하여 NVIDIA Omniverse와 같은 환경에 이를 연동해야 합니다.

세계 기반 모델을 생성할 때, 엔지니어들은 ‘Ansys ’의 ModelCenter와 같은 모델 기반 시스템 엔지니어링(MBSE) 도구, ‘ Ansys ’의 Twin Builder와 같은 시뮬레이션 기반 디지털 트윈 플랫폼( 디지털 트윈 환경), 또는 ‘Ansys ’의 TwinAI와 같은 AI 기반 디지털 트윈 소프트웨어와 함께 파라메트릭 물리 모델을 직접 사용합니다. 또는, 엔지니어들은 ‘Ansys ’의 optiSLang과 같은 공정 통합 및 설계 최적화 소프트웨어를 사용하여 해당 도구들을 위한 저차원 모델을 생성할 수도 있습니다.

시뮬레이션을 통한 Physical AI 하드웨어 설계 추진

시뮬레이션은 엔지니어들이 ‘ Physical AI ’를 현실로 만들기 위해 사용되는 센서, 컴퓨터, 액추에이터 및 출력 장치를 설계하는 데 있어 마찬가지로 중요한 역할을 합니다. 전기 엔지니어들은 칩 설계, 특히 현대식 CPU와 GPU에 사용되는 멀티칩 패키지 설계 시 시뮬레이션에 크게 의존합니다. 현대적인 칩 설계 파이프라인에는 다음과 같은 도구들이 포함됩니다. Synopsys Platform ArchitectSynopsys ZeBu ^{® EmPower}, Synopsys SpyGlass Power to 살펴보기 와 같은 도구를 활용하여 RTL 코드를 기반으로 전력 최적화 를 평가합니다. 이후 이 프로세스를 통해 Synopsys RedHawk-SC 와 같은 패키지를 디지털 전력 무결성 사인오프를 위해 통합하게 됩니다.

전자 시스템 수준에서 엔지니어들은 Ansys 의 Icepak 전자기기 냉각 시뮬레이션 소프트웨어 및 Ansys 의 Sherlock 전자기기 신뢰성 예측 소프트웨어와 같은 도구를 활용하여 칩, 기판 및 인클로저 수준의 패키지를 모델링하여 신뢰성을 평가하고, 전력, 열 및 구조적 요구 사항을 충족하도록 설계를 최적화할 것입니다.

엔지니어들은 설계 및 개발 과정에서 센서를 모방하는 동일한 모델 훈련 도구를 사용합니다. 예를 들어, Ansys Maxwell과 Ansys Motion을 함께 사용하면 정교한 스테퍼 모터와 이를 로봇 팔에 적용하는 구성을 도울 수 있으며, Ansys Fluent 유체 시뮬레이션 소프트웨어를 통해 밸브가 열리고 닫힐 때의 유동 현상을 시뮬레이션할 수 있습니다. 제어 엔지니어들은 Ansys SCADE Suite와 같은 모델 기반 개발 환경을 활용하여, Physical AI 시스템이 요청하는 동작을 실행하는 알고리즘을 설계합니다. Ansys 그런 다음 SCADE는 교통과 같이 안전이 매우 중요한 시스템에 요구되는 수많은 안전 표준을 자동으로 충족하는 안전 인증 코드를 생성합니다.