로봇을 잘 만드는 경쟁에서, 로봇이 배울 데이터를 생산하고 → 학습시키고 → 다시 현실에 적용하는 '피지컬 AI 공급망'을 누가 먼저 구축하느냐의 경쟁으로 바뀌고 있다는 것.

자동차 공장 다음은 '데이터 공장'

현대차, 국내에 로봇 데이터 팩토리 구축 추진…제조 핵심 데이터 직접 만든다

📋 이 기사의 체크포인트

현대자동차가 국내에 '로봇 데이터 팩토리'를 구축해 로봇 개발에 필요한 고품질 데이터를 직접 확보하는 방안을 추진하고 있어요.

데이터 팩토리는 쉽게 말해 로봇을 위한 학교이자 훈련장입니다. 실제 제조 현장과 비슷한 공간을 만들어 놓고 로봇에게 조립·이송·조작 등 다양한 작업을 반복적으로 수행하게 합니다. 이 과정에서 카메라 영상부터 관절 움직임, 물체와의 상호작용, 작업 성공·실패 등의 데이터가 쌓이고, 이렇게 만들어진 데이터가 로봇 파운데이션 모델을 훈련하는 재료가 되는 구조예요.

보도에 따르면 현대차는 서울 근교를 우선 후보지로 검토하고 있으며, 업계에서는 상당한 규모의 로봇이 투입될 가능성도 거론되고 있습니다.

여기서 특히 눈여겨볼 부분은 '어떤 데이터는 직접 만들고, 어떤 데이터는 외부에서 가져올 것인가'입니다. 자동차 조립 과정처럼 기업 경쟁력과 직결되거나 정보 유출 위험이 큰 제조 데이터는 자체 시설에서 확보하고, 픽앤드플레이스처럼 여러 로봇이 공통적으로 사용할 수 있는 범용 데이터는 전문 데이터 업체 등을 활용하는 방식이 예상되고 있어요.

결국 현대차가 만들려는 것은 단순한 로봇 시험장이 아닙니다. 자사의 제조 노하우를 AI가 학습할 수 있는 데이터 자산으로 전환하는 새로운 형태의 생산시설에 가깝습니다.

데이터만 많이 모으면 끝? 이번엔 최대 '10만 GPU'

Figure AI·Nscale, 피지컬 AI 위한 초대형 컴퓨팅 인프라 구축

📋 이 기사의 체크포인트

그런데 데이터를 아무리 많이 모아도 한 가지 문제가 남습니다. 그 방대한 데이터를 실제 로봇의 '지능'으로 바꿀 컴퓨팅 자원이 필요하다는 것이에요.

휴머노이드 기업 Figure AI는 AI 클라우드 기업 Nscale과 손잡고 NVIDIA의 차세대 Vera Rubin 플랫폼 기반 GPU를 최대 10만 개까지 배치하는 계획을 발표했습니다. 초기 컴퓨팅 계약 규모만 35억 달러 수준이며, 향후 60억 달러 이상으로 확대하는 방안도 담겼습니다. 첫 GPU 인프라는 2027년 하반기부터 미국 텍사스에 배치하는 것이 목표예요.

왜 로봇 회사에 이렇게 거대한 GPU가 필요할까요? Figure가 개발하는 AI 모델 'Helix'처럼 여러 환경과 작업을 이해하고 움직임으로 연결하는 로봇 파운데이션 모델은 단순한 이미지·텍스트 AI보다 훨씬 복잡한 학습을 요구합니다. 카메라 영상뿐 아니라 로봇의 관절 움직임, 공간 정보, 물체와의 접촉, 작업 순서 등 현실 세계에서 발생하는 수많은 변수를 동시에 학습해야 하기 때문입니다.

Figure 역시 현재 로봇 지능을 확장하는 과정에서 핵심 병목으로 '데이터와 컴퓨팅'을 직접 꼽고 있어요. 즉, 데이터 확보 경쟁과 동시에 그 데이터를 얼마나 빠르게 학습시킬 수 있는가를 둘러싼 경쟁도 시작된 겁니다.

이번에는 '사람이 일하는 모습'을 데이터로 판다

TROOPERS·MR.ROBOT, 물류·리테일·F&B 현장의 작업 데이터를 휴머노이드 학습에 활용

📋 이 기사의 체크포인트

말레이시아의 긱 워크 플랫폼 TROOPERS와 로봇·AI 기업 MR.ROBOT이 실제 작업자의 행동 데이터를 휴머노이드와 Embodied AI 학습에 활용하기 위한 협력에 나섰어요.

방식은 생각보다 직관적입니다. 물류센터·매장·F&B 등 실제 업무 현장에서 사람이 작업하는 모습을 1인칭 영상으로 촬영합니다. 작업자가 어떤 물건을 보고, 어디에 손을 뻗고, 어떤 순서로 작업하고, 예상하지 못한 상황이 생겼을 때 어떻게 대응하는지 기록하는 거죠.

TROOPERS는 참여 사업장과 작업자 모집, 동의 절차, 촬영 장비 운영과 영상 품질 관리 등을 담당하고, MR.ROBOT은 수집된 데이터를 정제·라벨링해 로봇 학습에 활용할 수 있도록 만드는 DaaS(Data-as-a-Service) 모델을 담당합니다.

TROOPERS는 말레이시아와 싱가포르의 물류·리테일·F&B·이벤트 등 다양한 산업에 인력을 공급하고 있어요. 회사가 밝힌 기준으로 1,000곳 이상의 기업 네트워크와 대규모 현장 인력을 보유하고 있어, 이 인력 네트워크 자체가 새로운 '로봇 데이터 생산망'이 될 수 있다는 점이 흥미롭습니다.

지금까지 로봇 회사가 데이터를 얻으려면 수많은 로봇을 실제로 움직이거나, 사람이 로봇을 원격조종하거나, 시뮬레이션 환경을 만들어야 했어요. 그런데 이번 모델에서는 이미 현실에서 매일 일하고 있는 사람들의 행동이 학습 데이터의 원천이 됩니다.

로봇산업의 다음 공급망은 '부품'만이 아니라 데이터 → 컴퓨팅 → 현장입니다

이번 주 세 뉴스를 하나로 다시 묶으면 이렇게 볼 수 있습니다.

지난주까지 업계의 질문은 "로봇이 부족한 학습 데이터를 어디서 확보할까?"에 가까웠습니다. 이번 주에는 그 답이 훨씬 커졌어요. 현대차(①)는 데이터를 지속적으로 생산할 시설을 만들고, Figure(②)는 그 데이터를 계속 학습할 컴퓨팅 인프라를 확보하며, TROOPERS·MR.ROBOT(③)은 수많은 현실 작업자를 연결해 데이터 공급 네트워크를 만들고 있습니다.

즉, 데이터가 더 이상 AI 개발팀이 파일 형태로 구매하는 '재료'에 머무르지 않는 겁니다. 시설, 사람, 로봇, GPU, 현장이 연결된 하나의 새로운 산업 인프라가 되고 있습니다.

그렇다면 로봇을 '개발하는 기업'이 아니라 로봇을 '도입하는 기업'은 무엇을 준비해야 할까요? 모든 제조기업이 현대차처럼 데이터 팩토리를 만들 필요는 없습니다. Figure처럼 GPU 10만 개를 확보할 필요도 없어요. 하지만 한 가지는 준비할 수 있습니다.

우리 현장의 작업을 로봇이 이해하고 반복할 수 있도록 만드는 것.

이를 위해서는 먼저 자동화하려는 공정을 들여다봐야 합니다.

Q1. 작업 순서와 성공 조건이 명확한 반복 공정은 어디인가?

Q2. 작업자가 경험으로 처리하고 있는 예외 상황은 무엇인가?

Q3. 제품의 크기·무게·위치·작업시간처럼 로봇 도입에 필요한 조건이 데이터로 정리돼 있는가?

Q4. 자동화 이후 처리량·오류·정지 원인 같은 운영 데이터가 계속 남을 수 있는 구조인가?

왜냐하면 미래의 피지컬 AI 역시 아무것도 없는 현장에 갑자기 등장해 모든 일을 알아서 해결하는 것이 아니라, 결국 '우리 현장이 어떤 일을 어떻게 하고 있는지'를 이해하는 과정에서 출발하기 때문입니다.

🧭 그래서 마로솔이 보는 자동화의 시작점

이번 주 뉴스만 보면 피지컬 AI 시대를 준비하기 위해 당장 휴머노이드부터 도입해야 할 것처럼 느껴질 수도 있어요. 하지만 실제 현장에서는 그 반대일 수 있습니다.

가장 먼저 해야 할 일은 '가장 미래적인 로봇'을 찾는 것이 아니라, 지금 자동화 효과가 가장 분명한 공정을 찾는 것입니다.

팔레타이징, 머신텐딩, 픽앤플레이스, 물류 이송, 검사처럼 작업 조건이 비교적 명확하고 반복적인 공정부터 자동화하면 당장의 생산성과 인력 문제를 해결할 수 있을 뿐 아니라, 이후 더 지능적인 자동화로 확장할 때 필요한 운영 경험과 현장 데이터도 함께 축적할 수 있습니다.

마로솔은 특정 로봇 한 대를 먼저 정해놓고 현장에 맞추기보다,

의 관점에서 자동화 방법을 함께 찾습니다.

피지컬 AI 시대가 온다고 해서 모든 공장이 내일부터 데이터 팩토리가 될 필요는 없습니다. 하지만 우리 공장의 어떤 작업부터 로봇이 맡을 수 있는지 알아보는 것, 그게 가장 현실적인 첫걸음일 수 있어요.