구글 로봇 경쟁자는 테슬라가 아닙니다… Gemini Robotics 2에서 밝혀진, 로봇판 안드로이드 등장
📺 원본 영상: 구글 로봇 경쟁자는 테슬라가 아닙니다… Gemini Robotics 2에서 밝혀진, 로봇판 안드로이드 등장
🎙️ 채널: 안될공학 - IT 테크 신기술
📅 정리 일자: 2026-08-01
⚠️ Note: 본 리포트는 영상의 음성을 텍스트로 변환(STT)하여 정리한 것입니다. 화면에 표시된 자료, 차트, 코드, 슬라이드 등은 포함되지 않을 수 있습니다.
개요
이 영상은 Google이 공개한 Gemini Robotics 2 계열 모델을 단순한 휴머노이드 데모가 아니라, 서로 다른 로봇 몸체 위에서 재사용될 수 있는 공통 지능 계층으로 해석한다. 강연자는 전구 빼기 성공률 92%와 전구 끼우기 성공률 36%처럼 아직 불완전한 수치를 오히려 출발점으로 삼아, 이 발표의 핵심이 “가장 뛰어난 로봇 한 대”가 아니라 “여러 로봇에 옮겨 다니는 로봇용 운영체제적 지능”에 있다고 설명한다.
따라서 이 리포트의 초점도 Tesla Optimus, Figure, Unitree 같은 휴머노이드 하드웨어 경쟁 자체가 아니라, Google, NVIDIA, Hyundai Motor Group, Boston Dynamics가 얽히는 Physical AI(피지컬 AI) 생태계의 구조 변화에 맞춰져 있다. 특히 Gemini Robotics ER 2, Gemini Robotics 2 VLA, Gemini Robotics On-Device 2라는 세 계층이 각각 계획, 행동, 온디바이스 적응이라는 역할을 나누면서 로봇 산업의 비용 구조와 확장 방식을 어떻게 바꿀 수 있는지를 중심으로 정리한다.
화려한 데모보다 중요한 질문
영상의 출발점은 역설적이다. Google의 새 로봇 AI 모델은 전구를 빼는 작업에서는 92% 성공률을 보였지만, 같은 전구를 다시 끼우는 작업에서는 36%에 그쳤다. 비닐봉지를 묶는 작업은 44%, 지퍼백을 닫는 작업은 40%로 언급되며, 절반 이상 실패하는 작업도 적지 않았다. 그런데도 Google은 이를 Physical AI의 큰 진전이라고 소개했고, 강연자는 바로 이 지점에서 “무엇이 달라졌는가”라는 질문을 던진다.
00:28 - 전구 빼기와 끼우기, 비닐봉지 묶기, 지퍼백 닫기 등 작업별 성공률을 비교하는 화면
최근 휴머노이드 로봇 시장은 이미 눈에 띄는 장면들로 가득하다. Tesla는 Optimus를 위험하거나 반복적이고 지루한 작업에 투입할 범용 로봇으로 개발하고 있고, Figure 3는 빨래, 청소, 설거지 같은 가정 작업과 대량 생산을 염두에 둔 하드웨어를 내세운다. 중국 Unitree는 R1의 시장 가격을 4,900달러로 제시하며 로봇의 가격 하락 흐름을 상징적으로 보여준다. 이런 배경에서 Google 로봇이 전구를 돌리거나 비닐봉지를 묶는 장면만으로는 압도적인 새로움을 느끼기 어렵다.
강연자가 주목한 부분은 움직임의 화려함이 아니라 모델의 이식성이다. 시연에는 Apptronik이 만든 Apollo 2, 다섯 손가락을 가진 Shadow 계열 로봇 손을 붙인 플랫폼, 다른 손을 장착한 Apollo, 그리고 두 손가락 그리퍼가 달린 Franka Duo가 등장한다. 몸도 다르고 손도 다르며 관절 구조도 다른 로봇들이지만, 이들을 제어한 것은 동일한 기반 모델이었다는 점이 핵심이다. 즉 Google의 발표는 “가장 사람 같은 로봇”을 보여준 행사가 아니라, 서로 다른 기계 몸체 위에 올라갈 수 있는 공통 지능 계층을 실험한 사례로 읽어야 한다.
01:50 - Apollo 2, 다섯 손가락 로봇 손, Franka Duo 등 서로 다른 로봇 하드웨어 구성을 보여주는 화면
Tesla식 수직 통합과 Google식 공통 지능
Tesla와 Figure의 전략은 하드웨어, AI, 제조 시스템을 긴밀히 묶는 수직 통합에 가깝다. Tesla Optimus는 Tesla가 설계한 몸체와 학습 시스템, 생산 체계를 전제로 발전하고 있으며, Figure 역시 자사의 VLA(Vision-Language-Action) 모델인 Helix를 중심으로 센서, 손, 가정용 안전성, 대량 생산 구조를 함께 설계한다. 이 접근은 특정 로봇을 빠르게 개선하는 데 유리하지만, 그 지능이 다른 로봇 몸체로 얼마나 쉽게 이전될 수 있는지는 별개의 문제로 남는다.
Google이 이번 발표에서 강조한 방향은 다르다. 강연자에 따르면 Google은 특정한 몸 하나가 아니라, 여러 로봇에 옮겨 다닐 수 있는 공통 지능 계층을 만들려 한다. 이는 스마트폰 산업에서 Android가 특정 단말기 하나가 아니라 다양한 제조사의 기기 위에 올라갔던 방식과 유사한 상상력을 불러온다. 물론 로봇은 스마트폰보다 훨씬 복잡하다. 카메라와 관절, 모터, 손가락, 균형 제어, 안전 제약이 모두 다르기 때문이다. 그럼에도 Google은 바로 그 이질성을 전제로 모델을 설계하고 있다는 점에서 단순한 휴머노이드 제조사와는 다른 위치를 노린다.
이 차이는 로봇 산업의 경쟁 구도를 바꿀 수 있다. 지금까지의 질문이 “어느 회사의 휴머노이드가 더 잘 걷고 더 자연스럽게 움직이는가”였다면, Google식 접근은 “하나의 작업 지능을 얼마나 다양한 몸에 저렴하게 배포할 수 있는가”로 질문을 바꾼다. 몸체는 여러 회사가 만들 수 있고, 손은 작업에 맞게 바뀔 수 있으며, 고정형 로봇과 이동형 로봇이 함께 쓰일 수 있다. 이때 중심 경쟁력은 하드웨어 그 자체만이 아니라, 서로 다른 하드웨어를 연결하는 지능의 추상화 수준이 된다.
Gemini Robotics ER 2가 맡는 계획의 층위
강연자는 로봇이 “아래 선반의 초록색 상자에 물뿌리개를 넣어줘”라는 짧은 명령을 수행하려면 두 종류의 판단이 필요하다고 설명한다. 하나는 무엇을 해야 하는지 이해하고 순서를 나누는 상위 판단이며, 다른 하나는 실제 몸을 움직이는 하위 제어다. Google은 이 두 가지를 하나의 거대한 모델에 모두 밀어 넣기보다, 역할을 나눈 구조로 접근한다.
상위 판단을 맡는 모델이 Gemini Robotics ER 2다. 여기서 ER은 Embodied Reasoning(체화된 추론)을 의미하며, 이는 몸을 가진 AI가 실제 공간을 이해하고 추론한다는 뜻으로 설명된다. ER 2는 사람의 요청을 여러 단계로 나누고, 로봇과 대화하면서 작업 진행 상황을 추적하며, 각 단계가 언제 시작되고 끝나는지도 판단한다. 강연자는 Google이 ER 2를 몇 분 동안 이어지고 수백 번의 판단이 필요한 작업을 관리할 수 있는 모델로 설명했다고 전한다.
03:15 - Gemini Robotics ER 2가 여러 단계 작업을 계획하고 진행 상황을 추적하는 구조를 설명하는 화면
이 지점이 중요한 이유는 로봇 작업이 단순한 명령 실행이 아니기 때문이다. 현실 공간에서는 물건의 위치가 바뀌고, 작업 중간에 실패가 발생하며, 사람이나 다른 물체가 로봇의 경로에 개입할 수 있다. 따라서 로봇은 처음 세운 계획을 끝까지 밀어붙이는 기계가 아니라, 상황을 관찰하고 계획을 조정하는 물리적 에이전트가 되어야 한다. ER 2는 바로 이 계획과 점검, 종료 판단의 계층을 담당함으로써 로봇을 단순한 자동화 장비에서 작업 수행 에이전트에 가깝게 만든다.
Gemini Robotics 2 VLA와 전신 제어의 난점
계획이 만들어졌다고 해서 로봇의 몸이 저절로 움직이는 것은 아니다. 걷는 동안 어느 발에 체중을 실을지, 물건을 집기 위해 몸을 얼마나 숙일지, 팔을 뻗을 때 균형을 어떻게 유지할지, 손가락을 어느 방향으로 움직일지는 훨씬 빠르고 연속적인 판단을 요구한다. 이 역할을 맡는 모델이 Gemini Robotics 2 VLA이며, VLA는 Vision-Language-Action, 즉 눈으로 본 것과 사람이 말한 것을 실제 행동으로 연결하는 모델이다.
강연자에 따르면 이전 Gemini Robotics가 주로 탁상 위에서 상체와 팔을 제어하는 성격이었다면, 이번 모델은 휴머노이드의 발부터 손가락까지 몸 전체를 다룬다. Apollo가 테이블까지 걸어가 물뿌리개를 집고, 선반 앞으로 이동한 뒤, 몸을 낮춰 가장 아래 칸에 넣는 과정은 단순히 보행 모델과 집기 모델을 따로 실행하는 일이 아니다. 하나의 목표를 위해 시야, 균형, 이동, 팔 동작, 손 조작이 연결되어야 하며, 이 연결성이 전신 제어의 핵심이다.
성공률은 자세와 환경에 따라 크게 달라졌다. 테이블 위 물체를 집는 작업은 68.4%, 선반에서는 76.3%로 언급되었지만, 바닥에 있는 물체를 집을 때는 45.7%까지 내려갔다. 이는 바닥 작업이 단순히 팔을 더 멀리 뻗는 문제가 아니라, 몸을 깊이 숙이면서 균형, 시야, 손의 도달 범위를 동시에 맞춰야 하는 문제라는 점을 보여준다. 사람에게는 자연스러운 동작처럼 보이지만, 로봇에게는 관절 전체의 상태를 통합적으로 조정해야 하는 고난도 과제인 셈이다.
04:23 - 테이블, 선반, 바닥 등 위치별 물체 집기 성공률 차이를 설명하는 화면
| 작업 조건 | 언급된 성공률 | 해석 |
|---|---|---|
| 테이블 위 물체 집기 | 68.4% | 비교적 안정적인 자세에서 상체와 팔 중심으로 수행되는 작업 |
| 선반의 물체 집기 | 76.3% | 목표 위치가 구조적으로 명확할 때 상대적으로 높은 성능을 보인 사례 |
| 바닥의 물체 집기 | 45.7% | 깊은 자세 변화, 균형, 시야 확보가 동시에 필요한 고난도 작업 |
이 표의 수치는 강연자가 음성으로 언급한 범위에 한정된다. 화면에 표시된 추가 조건이나 세부 실험 설정은 STT 데이터에 포함되어 있지 않으므로, 정확한 실험 맥락은 원본 영상과 Google의 공식 자료를 함께 확인할 필요가 있다.
다섯 손가락 로봇 손이 오히려 어려운 이유
사람 손처럼 생긴 로봇 손은 직관적으로 더 범용적일 것처럼 보인다. 그러나 강연자는 전구 작업의 성공률 차이를 통해, 손가락이 많아지는 것이 곧바로 사람 수준의 조작 능력을 의미하지는 않는다고 설명한다. 전구를 빼는 작업은 10번 중 9번가량 성공했지만, 다시 끼우는 작업은 3번 남짓에 그쳤다. 전구를 빼는 일은 잡고 돌리는 동작에 가까운 반면, 끼우는 일은 소켓의 좁은 중심과 각도를 맞추고, 전구를 밀어 넣으며, 나사산이 걸리는 순간을 찾아 회전해야 하기 때문이다.
Gemini Robotics 2는 한 손에 22개의 자유도를 가진 다섯 손가락 로봇 손을 제어한다고 설명된다. 전구를 뺄 때 로봇은 곧바로 손부터 대는 것이 아니라, 먼저 램프 방향을 바꾸고 전구를 더 잘 보기 위해 고개를 기울인 뒤, 엄지와 검지를 이용해 돌린다. 이 과정은 단순한 손동작이 아니라, 시야 확보와 손가락 접촉, 물체 회전이 결합된 행동이다. 하지만 끼우기에서는 좁은 중심축과 각도 정렬이 더 중요해지고, 작은 오차가 곧 실패로 이어진다.
비닐봉지와 지퍼백은 또 다른 종류의 난제를 드러낸다. 단단한 부품은 잡을 위치와 다음 상태를 어느 정도 예측할 수 있지만, 얇은 비닐은 손이 닿는 순간 구겨지고 모양이 바뀐다. 따라서 로봇은 한 번 움직일 때마다 상황을 다시 봐야 하며, 기존 계획이 실패하면 즉시 전략을 수정해야 한다. 영상 초반과 중반에 언급된 지퍼백에 포도를 넣는 장면에서 로봇은 물체가 계획대로 들어가지 않자 같은 동작을 반복하지 않고, 봉투를 열린 상태로 유지해 나머지가 떨어져 들어가도록 행동을 바꾼다. 이 장면은 성공률 숫자보다 더 중요한 로봇 지능의 성격, 즉 실패를 감지하고 행동 전략을 바꾸는 능력을 보여준다.
두 손가락 그리퍼가 더 안정적이었던 역설
흥미롭게도 사람 손과 거리가 먼 두 손가락 그리퍼에서는 성능이 오히려 더 안정적으로 나타났다. 강연자에 따르면 Franka Duo는 일반 집기와 배치 작업에서 74.2%, 도구를 세트로 구성하는 작업에서 78.9%, 정밀 삽입 작업에서 89.6%를 기록했다. 반면 다섯 손가락을 사용한 작업은 종류에 따라 성공률이 32%에서 92%까지 크게 흔들렸다.
05:56 - Franka Duo의 일반 집기, 도구 세트 구성, 정밀 삽입 성공률을 비교하는 화면
이 차이는 로봇 손의 설계 철학에 중요한 시사점을 준다. 다섯 손가락은 인간과 유사한 조작 가능성을 열어주지만, 동시에 제어해야 할 관절과 접촉점, 힘의 분포가 크게 늘어난다. 자유도가 많다는 것은 가능한 행동이 많다는 뜻이지만, 그만큼 실패할 수 있는 경로도 많아진다는 의미다. 반대로 두 손가락 그리퍼는 표현력은 제한적이지만, 특정 작업에서는 접촉 상태가 단순하고 제어가 안정적이기 때문에 더 높은 성공률을 보일 수 있다.
결국 범용 로봇의 미래가 반드시 인간형 손 하나로 수렴한다고 단정하기는 어렵다. 작업의 성격에 따라 이동형 휴머노이드, 고정형 양팔 로봇, 단순 그리퍼, 정밀 손가락형 엔드이펙터가 함께 쓰일 가능성이 크다. 이때 Google이 노리는 공통 지능 계층은 특정 손 모양에 종속되지 않고, 작업 목적과 로봇의 물리적 능력을 연결하는 중간 계층이 된다. 강연자가 “범용성이 반드시 하나의 몸에서 나올 필요는 없다”고 해석한 이유도 여기에 있다.
| 로봇 또는 작업 유형 | 언급된 성공률 | 의미 |
|---|---|---|
| Franka Duo 일반 집기와 배치 | 74.2% | 단순하고 안정적인 그리퍼 구조가 반복 작업에 유리할 수 있음 |
| Franka Duo 도구 세트 구성 | 78.9% | 제한된 작업 범위 안에서 높은 조작 안정성을 보임 |
| Franka Duo 정밀 삽입 | 89.6% | 특정 정렬 작업에서는 단순 구조가 오히려 강점이 될 수 있음 |
| 다섯 손가락 작업 범위 | 32%~92% | 작업 종류에 따라 성능 변동성이 매우 큼 |
On-Device 2와 로봇 지능의 배포 비용
공통 두뇌가 산업적으로 의미를 가지려면 다른 로봇으로 옮기는 비용이 낮아야 한다. 로봇마다 관절 수, 센서, 손의 구조가 달라질 때마다 수개월 동안 데이터를 다시 모으고 모델을 처음부터 학습해야 한다면, 그것은 범용 모델이라기보다 프로젝트별 맞춤형 자동화에 가깝다. 강연자는 Google의 세 번째 모델인 Gemini Robotics On-Device 2가 바로 이 문제를 겨냥한다고 설명한다.
로봇은 사람 옆에서 즉시 반응해야 하므로 모든 영상을 인터넷으로 보내고 클라우드의 답을 기다릴 수 없다. On-Device 2는 로봇 내부에서 직접 실행되도록 만든 효율적인 VLA로 설명되며, 네트워크 연결이 없어도 움직일 수 있고 통신 지연을 줄일 수 있다. 이는 공장, 병원, 물류센터처럼 지연과 안전이 중요한 환경에서 특히 중요하다. 클라우드 모델이 계획과 학습의 중심 역할을 하더라도, 실제 행동의 일부는 로봇 가까이에서 빠르게 결정되어야 하기 때문이다.
강연자는 Google이 새로운 양팔 로봇도 몇 시간의 데이터와 보통 200개 미만의 예시로 적응할 수 있다고 설명했다고 전한다. Dexmate, SO-101, Trossen 플랫폼처럼 모양, 센서, 자유도가 다른 로봇에서 책 꽂기, 체스말 옮기기, 컵 다루기, 식기세척기 채우기, 전자부품 분류 같은 작업을 보여줬다는 것이다. 다만 이 예시는 새로운 양팔 로봇을 대상으로 한 설명이므로, 전신 휴머노이드나 모든 작업에 그대로 적용될 수 있는지는 아직 검증이 필요하다. 그럼에도 모델을 처음부터 다시 만드는 것과, 공통 모델을 소량의 데이터로 조정하는 것은 비용 구조가 완전히 다르다.
07:06 - Dexmate, SO-101, Trossen 등 서로 다른 양팔 로봇 플랫폼과 적응 작업 예시를 보여주는 화면
여러 로봇이 역할을 나누는 미래 공장
강연자는 Google의 시연이 미래 공장의 모습을 다르게 상상하게 만든다고 말한다. 지금까지 휴머노이드 경쟁은 사람처럼 생긴 로봇 한 대가 얼마나 많은 일을 할 수 있느냐에 집중해 왔다. 그러나 Google의 시연에서는 휴머노이드가 모든 일을 혼자 하지 않는다. Apollo처럼 걸을 수 있는 로봇은 넓은 공간을 이동하며 물건을 가져오고, 고정형 양팔 로봇은 자기 작업 범위 안에서 더 정밀한 조작을 맡는다.
중요한 점은 이것이 중앙 신경망 하나가 두 로봇의 모든 관절을 동시에 원격 제어하는 구조가 아니라는 설명이다. 각 로봇은 같은 소프트웨어 스택의 별도 인스턴스를 실행하고, 서로를 독립적인 물리적 에이전트로 다룬다. 디지털 AI 에이전트가 검색이나 코딩 같은 하위 작업을 다른 에이전트에게 맡기듯, 물리적 AI도 자신과 다른 몸을 가진 로봇에게 작업을 넘길 수 있게 되는 것이다.
이 구조가 실현되면 로봇 도입의 경제성은 크게 달라진다. 공장은 모든 작업을 하나의 비싼 휴머노이드에게 맡기는 대신, 이동이 필요한 작업에는 이동형 로봇을, 정밀 조작에는 고정형 양팔 로봇을, 단순 반복에는 저가형 그리퍼 시스템을 배치할 수 있다. 공통 지능 계층은 이들 사이의 작업 언어와 계획을 연결한다. 따라서 로봇 산업의 핵심 질문은 단일 로봇의 성능이 아니라, 여러 몸체가 하나의 작업 지능을 공유하며 얼마나 유연하게 협업할 수 있는가로 이동한다.
안전은 모터 정지가 아니라 추론 문제다
로봇이 사람과 함께 움직이고 다른 로봇에게 일을 넘기기 시작하면, 잘못된 판단의 위험도 커진다. 챗봇이 틀리면 엉뚱한 문장 하나로 끝날 수 있지만, 로봇이 틀리면 실제 몸이 움직인다. 강연자는 Google이 이번에 새로운 안전 벤치마크인 ASIMOV-Agentic을 소개했다고 설명하며, 이 벤치마크가 위험한 행동 호출을 거절하는지, 작업을 시작하기 전에 수행 가능성을 판단하는지, 확신이 없을 때 사람에게 도움을 요청하는지를 평가한다고 전한다.
여기에는 사람이 너무 가까이 접근하면 안전 기능을 호출해 로봇을 멈추는 능력도 포함된다. 이 접근은 안전을 단순히 충돌 직전에 모터를 멈추는 기능으로 보지 않는다. 애초에 잘못된 행동을 선택하지 않는 추론 문제로 안전을 확장하는 것이다. 이는 Physical AI 시대의 안전이 하드웨어 제어, 운영 절차, 모델 추론, 사람과의 상호작용을 모두 포함하는 복합 시스템이 되어야 함을 뜻한다.
물론 AI 판단만으로 로봇 안전을 모두 해결할 수는 없다. 모터의 속도와 힘을 제한해야 하고, 하드웨어 고장에도 대응해야 하며, 실제 작업장에서는 안전거리와 운영 절차도 마련되어야 한다. 강연자 역시 Google이 AI 안전과 기존의 물리적 안전 체계를 여러 층으로 결합해야 한다고 설명한다고 정리한다. 로봇이 더 똑똑해질수록 안전은 단일 장치가 아니라 시스템 설계 전체의 문제가 된다.
Google과 NVIDIA는 경쟁자인가, 보완자인가
강연자는 Google의 Gemini Robotics 2와 NVIDIA의 Physical AI 전략이 일부 계층에서 겹치지만, 반드시 한쪽을 선택하면 다른 한쪽을 버려야 하는 구조는 아닐 수 있다고 본다. Gemini Robotics 2에 대응하는 NVIDIA 쪽 기술로는 로봇 파운데이션 모델인 GR00T 계열이 언급된다. NVIDIA는 여기에 Cosmos 월드 모델, Omniverse와 Isaac을 통한 시뮬레이션 및 학습 도구, 실제 로봇 내부에서 실행되는 Jetson까지 연결한다.
09:34 - Google Gemini Robotics와 NVIDIA GR00T, Cosmos, Omniverse, Isaac, Jetson 전략을 비교하는 화면
이 구도를 단순화하면 Google은 범용 멀티모달 AI와 추론 능력에서 로봇의 몸으로 내려오는 흐름에 가깝다. 반면 NVIDIA는 컴퓨팅, 시뮬레이션, 데이터 생산, 엣지 실행 환경에서 로봇 지능으로 올라오는 흐름에 가깝다. Google이 작업을 판단하고, NVIDIA의 엣지 컴퓨팅에서 실행되며, Isaac 시뮬레이션에서 검증되는 조합도 기술적으로 가능하다는 강연자의 해석은 이 때문에 설득력을 가진다.
다만 보완 가능성이 경쟁을 지우지는 않는다. 로봇 개발자가 어느 회사의 모델, 도구, 데이터 형식, 시뮬레이션 환경에 더 깊게 묶일지는 중요한 플랫폼 경쟁이 된다. Google은 여러 몸에서 재사용되는 지능을 노리고, NVIDIA는 그 지능을 포함해 데이터를 만들고 학습하고 배포하는 개발 과정 전체를 장악하려 한다. 결국 경쟁의 핵심은 로봇 한 대의 데모가 아니라, 로봇 개발 생태계의 표준을 누가 가져가느냐에 있다.
한국 기업의 연결점은 왜 현대차 그룹인가
강연자는 한국 기업 가운데 가장 직접적인 연결점으로 Hyundai Motor Group을 꼽는다. 이유는 단순히 로봇 부품을 공급할 가능성 때문이 아니다. Hyundai Motor Group은 Boston Dynamics를 통해 Atlas라는 로봇의 몸을 보유하고 있고, 현대차와 기아 공장이라는 실제 작업 현장도 가지고 있으며, 대규모 제조와 품질 관리 경험도 갖추고 있다. 로봇 산업에서 몸체, 현장, 양산 경험을 동시에 가진 기업은 흔하지 않다.
영상에 따르면 Boston Dynamics는 2026년형 제품 버전 Atlas를 Hyundai Motor Group과 Google DeepMind에 우선 배치한다고 발표했고, 2026년 배치 물량은 이미 모두 확정되었다고 밝혔다. 이 조합의 중요성은 발표 무대보다 실제 공장에서 드러날 가능성이 크다. Google의 지능 모델이 Atlas처럼 전혀 다른 몸으로 얼마나 빠르게 옮겨질 수 있는지, 자동차 생산 현장에서 얼마나 안정적으로 일하는지, 실패한 작업이 다시 데이터로 쌓여 다음 로봇 개선에 얼마나 빠르게 반영되는지가 관찰 포인트가 된다.
만약 NVIDIA의 컴퓨팅과 시뮬레이션 기술까지 결합된다면, Hyundai Motor Group은 Google과 NVIDIA 중 하나를 고르는 단순 고객이 아니라 로봇의 몸과 AI 학습 인프라를 현실 제조 현장에 연결하는 역할을 맡을 수 있다. 한국 기업과의 협력이 주목받는 이유도 막연한 반도체 수혜 기대가 아니라, 로봇의 몸, 실제 작업 현장, 양산 능력을 함께 제공할 수 있기 때문이다. Physical AI가 실험실을 넘어 산업으로 이동하려면 결국 이 세 가지가 맞물려야 한다.
아직 증명되지 않은 세 가지
강연자는 이번 발표만으로 Google이 로봇의 공통 두뇌를 차지했다고 보기는 이르다고 선을 긋는다. 앞으로 확인해야 할 첫 번째는 편집되지 않은 실제 현장에서 몇 시간 동안 안정적으로 일할 수 있는지다. 데모 영상은 가능성을 보여주지만, 산업 현장은 조명, 소음, 사람의 이동, 예외 상황, 장비 고장, 반복 피로가 모두 섞인 환경이다. 로봇이 몇 분짜리 시연을 넘어 긴 시간 동안 같은 품질로 작업할 수 있어야 실제 도입 논의가 가능해진다.
두 번째는 새로운 몸과 작업에 적응할 때 정말 몇 시간과 200개 미만의 예시로 충분한지다. 이 주장이 더 많은 로봇과 실제 현장에서 재현된다면 로봇 도입 비용은 크게 낮아질 수 있다. 소프트웨어를 여러 컴퓨터에 배포하듯, 하나의 작업 지능을 서로 다른 로봇에 반복 적용할 수 있기 때문이다. 반대로 특정 실험 조건에서만 가능한 결과라면, 범용 로봇 지능이라는 표현은 아직 과장일 수 있다.
세 번째는 Gemini Robotics가 Atlas를 비롯한 파트너 로봇의 실제 제품 형태로 탑재되는지다. 강연자는 현재 ER 2가 AI Studio와 기업용 플랫폼의 비공개 프리뷰로 제공되지만, 행동을 담당하는 VLA와 온디바이스 모델은 초기 적응 파트너에게만 제공되는 단계라고 설명한다. 아직 누구나 내려받아 자신의 로봇에 설치할 수 있는 수준은 아니다. 따라서 이번 발표의 의미는 완성된 제품보다 방향성에 있으며, 그 방향성이 실제 제품과 현장 데이터로 이어지는지를 확인해야 한다.
마무리 / 핵심 정리
영상의 첫 장면으로 돌아가면, Google의 로봇은 전구를 빼는 데 92% 성공했지만 다시 끼우는 데는 36%에 그쳤다. 이 수치만 보면 당장 가정에 투입될 만한 만능 로봇과는 거리가 있다. Tesla, Figure, 중국 로봇 기업들의 화려한 시연과 비교해 압도적으로 앞섰다고 말하기도 어렵다. 그러나 강연자가 강조하듯, Google이 이번에 시험한 것은 전구 하나가 아니라 서로 다른 몸을 가진 로봇들이 하나의 기반 지능을 얼마나 공유할 수 있는가였다.
Gemini Robotics 2의 진짜 메시지는 로봇 경쟁의 중심이 하드웨어 데모에서 지능의 배포 구조로 이동하고 있다는 데 있다. ER 2는 작업을 계획하고 진행 상황을 추적하며, VLA는 시각과 언어를 실제 행동으로 연결하고, On-Device 2는 로봇 내부에서 빠르게 반응하며 새로운 몸체에 적응하는 비용을 낮추려 한다. 이 세 계층이 실제 현장에서 검증된다면, 로봇 활용처는 제조와 물류를 넘어 병원, 유통, 건설, 농업, 가정으로 확장될 수 있다.
결국 Physical AI의 기대감은 물리적 작업을 조금씩 재사용 가능한 소프트웨어 형태로 바꾸려는 데 있다. 로봇의 몸은 이미 빠르게 늘어나고 있으며, 가격도 내려가고 있다. 이제 Google이 증명해야 할 것은 그 서로 다른 몸들이 정말 하나의 두뇌를 공유할 수 있느냐이다. 그 증명이 이루어진다면 로봇 산업의 경쟁자는 특정 휴머노이드 제조사가 아니라, 로봇 생태계의 공통 지능 플랫폼을 장악하려는 기업들이 될 것이다.
📚 출처 및 참고
| 구분 | 내용 |
|---|---|
| 원본 영상 | 구글 로봇 경쟁자는 테슬라가 아닙니다… Gemini Robotics 2에서 밝혀진, 로봇판 안드로이드 등장 |
| 채널 | 안될공학 - IT 테크 신기술 |
| 리포트 작성 | 2026-08-01 |
| 작성 방식 | YouTube 영상 STT 변환 후 에디팅 |
💬 본 리포트는 영상 내용을 바탕으로 재구성되었습니다. 정확한 내용은 원본 영상을 참조해 주세요.