인간 대신 로봇? 우리가 휴머노이드 열풍에 완전히 속고 있었던 치명적인 진실
📺 원본 영상: 인간 대신 로봇? 우리가 휴머노이드 열풍에 완전히 속고 있었던 치명적인 진실 🎙️ 채널: 안될과학 Unrealscience 📅 정리 일자: 2026-06-07 ⚠️ Note: 본 리포트는 영상의 음성을 텍스트로 변환(STT)하여 정리한 것입니다. 화면에 표시된 자료(차트, 코드, 슬라이드 등)는 포함되지 않을 수 있습니다.
개요
연사는 자율주행 로봇 기업 주식회사 트윈이의 대표이사 전홍석으로, 현재 뜨겁게 달아오른 휴머노이드 로봇 열풍의 이면에 숨겨진 불편한 진실을 짚어낸다. 핵심 주장은 단순하면서도 강렬하다. Figure AI의 로봇이 BMW 공장에서, Tesla Optimus가 테슬라 공장에서 일하고 있다는 뉴스는 사실이지만, 그것이 곧 ‘산업용 로봇으로서의 상용화’를 의미하지는 않는다는 것이다. 이 강연은 휴머노이드가 아닌 **Physical AI(피지컬 AI)**라는 더 본질적인 개념으로 로봇 산업의 미래를 재정의하고, 진정한 상용화 시점과 그 경쟁 공간이 어디에 있는지를 냉정하게 짚어준다.
로봇을 쓰는 이유, 그리고 휴머노이드가 아직 그 기준을 충족하지 못하는 이유
인류 역사에서 로봇이 도입된 이유는 99% 이상 단 하나였다. 대체 방안에 비해 비용을 낮추고 생산성을 높이기 위해서다. 전홍석 대표이사는 이 간명한 원칙을 출발점으로 삼아, 현재 휴머노이드 로봇들이 이 기준을 충족하고 있는지를 묻는다. 답은 냉정하게도 “아니오”다.
현재 공장에 투입된 휴머노이드들은 사람보다 훨씬 느리고, 생산성은 낮으며, 가격은 비싸다. 그렇다면 BMW와 Tesla는 왜 이 로봇을 쓰고 있는가? 전 대표이사의 설명에 따르면, 그것은 생산성을 위해서가 아니라 데이터를 수집하기 위해서다. 로봇이 실제 공장 환경에서 수행하는 모든 동작이 데이터가 되고, 이 데이터가 쌓여야 비로소 AI가 더 유연하고 유능한 로봇으로 발전할 수 있기 때문이다. 즉, 지금 공장에서 일하는 휴머노이드는 ‘일꾼’이 아니라 ‘데이터 수집기’에 가깝다고 보는 것이 정확하다. 한편, Unitree 로봇처럼 소비자용으로 출시된 제품들도 사실상 현재 단계에서는 춤을 추거나 퍼포먼스를 보여주는 수준에 머물러 있으며, 실질적인 가사 노동을 위한 도구로는 아직 거리가 멀다.
걷는 방식의 혁명 - 수학 기반에서 강화학습으로
휴머노이드 기술의 가장 극적인 변화는 로봇이 걷는 방식 자체에 있다. 과거 HUBO나 Honda의 ASIMO 같은 고전적 휴머노이드들은 수학적 연산에 기반해 움직였다. 수십 개의 모터 각도를 10ms마다 정밀하게 계산하고, 상위의 동작 플래너(Planner)가 경로를 계획하면 각 모터가 그 계획을 실행하는 방식이었다. 무게 중심을 두 발이 이루는 지지면(Support Polygon) 안에 유지하는 것이 안정적 보행의 핵심 조건이었고, 달리기와 같은 동적 동작에서는 별도의 역학 개념[불명확 - STT 오인식으로 원어 확인 불가, 동적 보행 안정성 관련 개념으로 추정]을 적용해 균형을 유지했다. 이 모든 과정은 극도로 정밀하고 복잡한 수학의 산물이었다.
02:33 - 과거 휴머노이드(HUBO, ASIMO) 보행의 수학적 방식 설명 - 플래너 기반 모터 제어 개념 슬라이드
그러나 지금의 방법론은 완전히 다르다. 현재 대부분의 휴머노이드 보행 AI는 **강화학습(Reinforcement Learning, RL)**을 기반으로 학습한다. 원리는 놀랍도록 단순하면서도 강력하다. 컴퓨터 시뮬레이터 안에 동일한 로봇 모델 100개를 생성해 놓고, “앞으로 걸어가면 보상을 주고, 넘어지면 패널티를 준다”는 규칙만 설정한다. 그 후에는 로봇이 스스로 학습하도록 내버려 둔다. 처음에는 옆으로 걷거나, 팔다리를 기묘하게 활용해 이동하거나, 쓰러지는 경우가 대부분이다. 그러나 충분한 시간이 지나면 100개의 학습 인스턴스 중 일부가 점차 안정적이고 자연스러운 보행 패턴을 발견하게 되고, 그 중 가장 뛰어난 결과를 보인 학습 모델을 선택해 실제 로봇에 이식한다. 어떤 특정 수학 공식을 인간이 설계해 주는 것이 아니라, 수많은 시행착오를 통해 로봇 스스로 최적의 걷기 방법을 터득하는 것이다.
03:55 - 강화학습 기반 보행 AI 설명 - 컴퓨터 100대 시뮬레이션, 보상/패널티 시스템 도식
팔의 움직임 - 모방학습과 인간의 역할
다리가 강화학습으로 걷는 법을 배운다면, 팔의 동작은 다른 방식으로 학습한다. 팔은 무언가를 보고, 잡고, 조작하는 행위이기 때문에 시각(Vision)이 필수적으로 연결된다. 특정 위치를 보지 않고 손을 뻗어 물건을 집는다는 것 자체가 성립하지 않기 때문이다. 이를 위해 현재 주류가 된 방법은 **모방학습(Imitation Learning)**이다.
작동 방식은 이렇다. 사람이 특수 고글을 착용해 로봇이 보는 시점과 동일한 시각 정보를 공유하고, 특수 슈트를 입어 자신의 신체 동작을 실시간으로 데이터화한다. 이 사람은 하루 종일 같은 동작을 반복한다. 예를 들어 핸드폰을 충전 단자에 꽂고 빼는 동작을 수없이 반복하면, 그 과정에서 ‘보이는 데이터(시각 정보)‘와 ‘움직이는 데이터(동작 정보)‘가 쌍으로 기록되어 AI 학습 데이터가 된다. 다양한 상황에서 이 데이터가 충분히 쌓이면, AI는 핸드폰 위에 종이가 놓여 있는 예상치 못한 상황에서도 종이를 치우고 핸드폰을 집어 충전하는 수준의 유연한 대응이 가능해진다. 이것이 기존의 규칙 기반(Rule-based) 알고리즘으로는 결코 커버할 수 없었던 ‘불확실성 처리’의 핵심이다. 사전에 프로그래밍된 경우의 수를 벗어나면 즉각 실패했던 기존 방식과는 근본적으로 다른 패러다임이다.
04:47 - 모방학습(Imitation Learning) 설명 - 특수 고글과 슈트를 착용한 인간 시연 데이터 수집 방식
Physical AI - 휴머노이드를 넘어선 진짜 혁명
이 지점에서 전 대표이사는 이 강연의 핵심 메시지를 던진다. 지금 일어나는 혁명은 ‘휴머노이드’의 혁명이 아니라 ‘Physical AI’의 혁명이라는 것이다.
세탁기는 이미 빨래를 최적의 방식으로 처리한다. 치킨 튀기는 전용 로봇이나 자동화 튀김 장비는 그 역할에 이미 최적화되어 있다. 이처럼 정형화된 단일 작업에는 이미 최적화된 전용 장비가 존재하며, 휴머노이드가 그 생산성을 따라잡는 것은 현실적으로 불가능하다. Physical AI가 기대받는 영역은 그곳이 아니다.
빨래감이 방 안에 흩어져 있을 때 그것을 색깔별로 분류해 세탁기에 넣고, 건조 후 꺼내 개어 수건대에 넣고 건조대에 펴는 일련의 불확실하고 비정형화된 작업들이 바로 Physical AI가 채워야 할 영역이다. 이는 수학적 알고리즘으로는 사전에 모든 경우를 프로그래밍할 수 없는 영역이며, 방대한 데이터로 학습한 AI 기반의 모델만이 유연하게 대응할 수 있다.
05:46 - Physical AI의 역할 설명 - 비정형 가사 작업(빨래 분류, 세탁기 투입 등)을 수행하는 AI 로봇 비전
공장도 마찬가지다. 자동화 설비가 갖춰진 공정 외에도, 여전히 사람이 담당하는 비정형 작업들이 대부분의 공장에 남아 있으며, Physical AI가 채워야 할 공간이 바로 그곳이다. 식당 주방에서 주문을 받고, 다양한 식재료를 처리하고, 재고가 떨어지면 발주까지 처리하는 수준의 범용성이 Physical AI에게 요구되는 기준선이다.
더 중요한 관점은 인프라를 교체하지 않고도 기존 환경에 로봇을 투입할 수 있어야 한다는 것이다. 식당 주방, 물류센터, 미용실 등 기존에 사람이 일하던 공간을 로봇을 위해 개조하는 것은 막대한 비용과 시간이 드는 일이다. 진정한 산업의 변화는 기존 인프라를 그대로 유지하면서 새로운 로봇이 그 안에서 유연하게 작동할 수 있을 때 비로소 실현된다. 이것이 전 대표이사가 Physical AI 하드웨어와 소프트웨어가 모두 나아가야 한다고 보는 방향이다.
휴머노이드 폼팩터의 한계와 최적 설계의 방향
그렇다면 이 Physical AI가 반드시 사람과 닮은 휴머노이드 형태여야 할 이유가 있는가? 전 대표이사는 이에 대해 단호하게 “아니오”라고 답한다. 현재 휴머노이드의 단점은 다음과 같이 치명적이다.
배터리 지속시간이 불과 수 시간 수준이며, 가만히 서 있는 것만으로도 다리 모터에 지속적인 부하가 걸려 전력을 빠르게 소모한다. 움직임 속도는 느리고, 비용은 높으며, 안전성도 충분하지 않다. 결국 ‘사람이 일하던 공간에서 인프라 교체 없이 그대로 투입할 수 있다’는 점이 거의 유일한 장점인 셈이다.
반면 바퀴를 달면 비용이 3~4분의 1 수준으로 줄고, 배터리 지속시간은 5~6배로 늘어난다. 특정 공간에서는 레일 시스템과 여러 개의 팔을 조합하는 형태가 훨씬 효율적일 수 있다.
07:44 - 휴머노이드 폼팩터의 단점 비교 - 바퀴형 대안의 비용 및 배터리 이점 도식
전 대표이사가 직접 언급한 사례인 FLEX는 트윈이가 개발 중인 바퀴 기반 양팔 로봇으로, 물류센터 환경에 휴머노이드보다 훨씬 적합한 형태를 갖추고 있다. AI라는 두뇌는 같되, 몸체의 형태는 용도와 환경에 따라 최적화되어야 한다는 것이 핵심 주장이다. Physical AI의 ‘피지컬’은 휴머노이드 형태를 의미하는 것이 아니라, 불확실한 물리적 환경에서 유연하게 작동하는 AI 기반 로봇 전체를 가리키는 개념이다.
시장 전망 - 물류센터, 그리고 가정용 휴머노이드의 미래
전 대표이사는 Physical AI 로봇이 가장 먼저, 그리고 가장 크게 쓰일 공간으로 물류센터를 꼽는다. 공장은 이미 상당 수준의 자동화 설비가 갖춰져 있는 반면, 물류센터는 처리해야 하는 물품의 종류와 형태가 워낙 다양하고 유동적이기 때문에 사람이 대량으로 투입되어 있다. 고령화 사회로 진입하며 인력 수급이 갈수록 어려워지는 현실과 맞물려, 이 유연성이 요구되는 환경이 바로 Physical AI가 차별적 가치를 발휘할 수 있는 최적의 공간이라는 것이다.
휴머노이드 형태의 로봇이 가정용으로 상용화되는 시점에 대해서는, 연사는 어디까지나 개인적 견해임을 전제로 대략 5~10년 후를 가능성 있는 시점으로 제시했다. 흥미로운 점은 산업용보다 가정용이 먼저 상용화될 가능성이 있다고 본다는 것이다. 이것은 산업 현장에서는 비용 대비 생산성이라는 엄격한 경제적 기준이 우선하는 반면, 가정에서는 다소 낮은 효율과 높은 가격을 감수할 의향이 있는 얼리어답터 수요가 먼저 시장을 열어줄 수 있다는 논리로 해석할 수 있다.
08:52 - Physical AI 로봇의 주요 적용 시장 전망 - 물류센터 중심, 가정용 휴머노이드의 5~10년 후 예측
마무리 - 열풍 너머를 볼 것
이 강연의 핵심은 ‘무엇이 뜨거운가’보다 ‘무엇이 실제로 가치를 만드는가’를 물으라는 것이다. 휴머노이드 로봇은 분명 흥미롭고 상징적인 기술이지만, 지금 이 순간 그것이 산업에서 인간을 대체하며 생산성을 창출하고 있다고 믿는 것은 오해다. 현재 공장의 휴머노이드는 미래 AI 로봇을 위한 씨앗이 될 데이터를 수집하는 단계에 있으며, 진짜 경쟁은 더 유연하고 더 저렴하며 더 실용적인 Physical AI 로봇이 어떤 형태로 산업의 빈 공간을 채울 것인가를 두고 벌어지고 있다.
인간과 닮은 형태라는 낭만보다, 인간이 하던 일을 실제로 대체할 수 있는 능력과 경제성이 로봇 산업의 진짜 승부처다. 전 대표이사는 특히 한국 로봇 산업 종사자들이 이 본질에 집중해 해외 기업들과 경쟁해야 한다는 당부로 강연을 마무리했다.
📚 출처 및 참고
| 구분 | 내용 |
|---|---|
| 원본 영상 | 인간 대신 로봇? 우리가 휴머노이드 열풍에 완전히 속고 있었던 치명적인 진실 |
| 채널 | 안될과학 Unrealscience |
| 영상 길이 | 약 9분 51초 |
| 리포트 작성 | 2026-06-07 |
| 작성 방식 | YouTube 영상 STT 변환 후 에디팅 |
💬 본 리포트는 영상 내용을 바탕으로 재구성되었습니다. 정확한 내용은 원본 영상을 참조해 주세요.