← Back to list2026-06-21

로봇 AI가 한 덩어리에서 여러 층으로 쪼개집니다: 2026 VLA 물결과 피지컬 AI 투자 지도

로보틱스VLA휴머노이드피지컬 AIVC 관점

2026년 상반기, 로봇 AI 논문이 쏟아졌습니다. 알리바바의 Qwen-Robot Suite, NVIDIA의 GR00T N1.7과 Cosmos Policy, 텐센트의 Hy-Embodied가 거의 동시에 공개됐습니다. 표면적으로는 또 하나의 모델 경쟁처럼 보이지만, 한 발 들어가 보면 더 구조적인 변화가 읽힙니다. 로봇을 움직이는 AI가 하나의 거대한 모델에서, 여러 층으로 쪼개진 스택으로 바뀌고 있다는 점입니다.

이 글은 한 리서치 브리프를 골자로 추가 검증과 보완을 더해 정리했습니다. 무엇이 바뀌었는지, 진짜 병목은 무엇인지, 어떤 논문이 나왔는지, 누가 모델과 하드웨어를 만드는지, 가치사슬은 어디로 넓어지는지, 그리고 한국의 자리는 어디인지를 봅니다.

미리 한 가지 분명히 해 둡니다. 여기 나오는 벤치마크 수치는 대부분 2026년에 막 공개된 프리프린트의 저자 보고값이고, 독립 재현은 별도로 확인해야 합니다. 펀딩과 밸류에이션은 모두 보도 기준입니다.

단일 VLA에서 에이전트형 모듈 스택으로

지난 1~2년의 주류는 시각과 언어를 받아 곧바로 로봇 행동을 출력하는 단일 VLA(Vision-Language-Action) 모델이었습니다. OpenVLA나 Physical Intelligence의 π0.5가 대표적입니다. 한 덩어리 모델이 관찰에서 행동까지 끝까지 처리하는 방식입니다.

2026년의 변화는 이 한 덩어리가 여러 층으로 분해된다는 것입니다.

로봇 AI 스택이 단일 VLA에서 여러 층으로 쪼개집니다. 상위 LLM·VLM 플래너가 과제를 분해하고, VLA 컨트롤러가 물리 실행을 맡고, 월드 모델이 미래를 예측하며 데이터를 채우고, ROS2 런타임과 안전 모니터가 실제 배포를 떠받칩니다.

이 분해를 가장 또렷이 보여 주는 것이 알리바바의 Qwen-RobotClaw입니다. 상위 VLM 에이전트가 Qwen-Robot Suite의 내비게이션·조작 모델들을 물리 세계의 도구처럼 호출하는 구조입니다. 같은 발상이 학계에서도 나옵니다. VLAs-as-Tools는 VLM 플래너가 여러 특화 VLA를 도구로 불러 장기 과제를 계획과 실행으로 분리하고, RoboClaw는 한 에이전트가 데이터 수집부터 정책 학습, 과제 실행까지 로봇의 생애주기 전체를 제어합니다. 이 블로그에서 여러 번 다룬 흐름, 곧 단일 모델보다 모듈화된 에이전트 스택으로 간다는 흐름이 로봇에서도 반복됩니다.

진짜 병목은 데이터 부족이 아니다

흔히 로봇 AI의 병목을 데이터 부족이라고 말합니다. 더 정확히 보면 병목은 더 구체적입니다. 서로 다른 로봇 몸체를 어떻게 정렬할지(cross-embodiment), 행동을 어떻게 표현할지, 실시간 지연을 어떻게 줄일지, 안전을 어떻게 검증할지, 학습하지 않은 상황에 어떻게 일반화할지입니다. 그리고 데이터 문제 자체도 단일하지 않습니다. 지금은 네 갈래의 데이터 전략이 경쟁합니다.

로봇 학습 데이터는 네 갈래로 풀립니다. 사람이 직접 조종하는 텔레오퍼레이션, 사람 1인칭 영상을 키우는 방식, 월드 모델로 합성하는 방식, 그리고 로봇이 스스로 모으고 되돌리는 자율 수집입니다. 각각 장단이 뚜렷해, 어느 하나가 아니라 조합이 관건입니다.

NVIDIA의 EgoScale은 사람 1인칭 영상을 20,854시간까지 키워, 데이터를 1,000시간에서 2만 시간으로 늘릴 때 평균 과제 완성률이 두 배 이상으로 오른다는 일종의 스케일링 법칙을 보고했습니다(저자 보고값). 합성 쪽에서는 알리바바의 Qwen-RobotWorld가 8.6M 영상-텍스트와 20종 이상의 몸체를 다루는 언어 조건 비디오 월드 모델을 내놨고, NVIDIA와 스탠퍼드의 Cosmos Policy는 사전학습된 비디오 모델을 구조 변경 없이 정책으로 바꿔 미래 상태와 가치를 직접 생성합니다. 자율 수집 쪽에서는 RoboClaw가 전진 동작과 역복구 동작을 묶어 셀프리셋을 구현해, 장기 작업의 사람 개입 시간을 절반가량 줄였다고 보고합니다. 핵심은 어느 한 갈래의 승리가 아니라, 네 갈래를 어떻게 섞느냐입니다.

2026년의 논문 물결

구체적으로 무엇이 나왔는지 짧게 훑겠습니다. 모두 프리프린트·저자 보고값 기준입니다.

알리바바의 Qwen-Robot Suite는 내비게이션의 Qwen-RobotNav, 조작의 Qwen-RobotManip, 월드 모델의 Qwen-RobotWorld, 통합 모델 Qwen-VLA, 그리고 이들을 도구로 묶는 Qwen-RobotClaw로 구성됩니다. Qwen-RobotManip은 15개 로봇 플랫폼과 약 38,100시간 규모 코퍼스로 학습하며 사람 손 시연을 로봇 궤적으로 변환하는 합성 파이프라인을 전면에 둡니다. Qwen-RobotNav는 내비게이션을 단순 행동 매핑이 아니라 에이전트가 관찰 전략을 제어하는 문제로 재정의했습니다.

NVIDIA의 GR00T N1.7은 3B급 휴머노이드용 오픈 VLA로, Cosmos 계열 추론 백본과 DiT 행동 헤드를 결합하고 Apache 2.0으로 공개됐습니다. 텐센트의 Hy-Embodied는 데이터 수집부터 사전학습, 미세조정, 강화학습 후처리, 실제 배포까지 묶은 풀스택을 표방하며, 에지 배포용 2B 활성 모델과 복잡 추론용 대형 모델을 함께 둡니다. 그리고 LabVLA는 Qwen3-VL을 실험실 프로토콜 실행에 특화한 도메인 VLA로, 범용 가정·공장보다 먼저 투자수익이 분명한 버티컬 로보틱스의 사례입니다.

수치만으로 제품성을 판단하긴 어렵습니다. 실제로 중요한 체크포인트는 따로 있습니다. 실제 로봇 종류, 과제를 몇 분 단위까지 안정적으로 수행하는지, 사람이 몇 번 개입하고 리셋하는지, 실패를 어떻게 복구하는지, 안전 가드레일은 무엇인지, 그리고 어떤 추론 하드웨어에서 도는지입니다.

세 생태계, 그리고 서구 스타트업

지형을 보면 모델을 만드는 쪽과 하드웨어를 만드는 쪽이 갈립니다.

중국 빅테크는 모델 스위트로, NVIDIA는 모델과 인프라로 움직이며 자체 로봇은 만들지 않습니다. 서구는 하드웨어 없이 모델만 만드는 회사와, 휴머노이드 하드웨어에 자체 모델을 얹는 수직통합 회사로 갈립니다. 모든 평가액은 보도 기준입니다.

세 생태계가 각기 다른 포지션을 갖습니다. 알리바바와 텐센트는 자사 거대모델 생태계 위에 로봇 스위트를 얹고, NVIDIA는 GPU와 Jetson, Isaac 시뮬레이터, Cosmos 월드 모델, GR00T까지 인프라로 묶되 자체 로봇은 만들지 않습니다. 서구에서는 Physical Intelligence와 Skild AI가 하드웨어 없이 범용 로봇 모델만 만들고, Figure와 1X, Agility, Apptronik은 휴머노이드 하드웨어에 자체 모델을 얹습니다. 흥미로운 점은 순수 소프트웨어 회사 Skild가 보도 기준 약 140억 달러로 Physical Intelligence보다 높게 평가됐다는 역전 구도이고, NVIDIA의 벤처 부문이 이 영역 전반에 투자한다는 사실입니다.

가치사슬은 GPU보다 넓다

투자 관점에서 가장 중요한 메시지가 여기 있습니다. 로봇 AI를 GPU와 고대역폭 메모리만으로 보면 가치사슬의 한 칸만 보는 것입니다.

피지컬 AI의 가치사슬은 컴퓨트에서 끝나지 않습니다. 카메라와 촉각 센서, 액추에이터와 손, 텔레오퍼레이션과 합성 데이터 엔진, VLA와 월드 모델, ROS2 런타임과 안전 모니터, 그리고 물류·제조·실험실 응용까지 이어집니다.

특히 주목할 신생 영역이 몇 군데 있습니다. 촉각 센서는 2026년 들어 새 휴머노이드의 기본 탑재로 향하고 있고, 촉각과 힘을 통합한 VLA 연구도 등장합니다. 시뮬레이션과 월드 모델은 데이터 병목을 푸는 독립 인프라 레이어로 부상하고, 로봇 데이터 엔진과 에지 추론 칩, 액추에이터 같은 하드웨어 밸류체인도 별도의 기회입니다. 단기 상용화는 범용 가정 로봇보다 물류 피킹, 제조 보조, 실험실 자동화, 원격조작 보조, 휴머노이드 파일럿에서 먼저 검증될 가능성이 높습니다.

한국의 자리

한국은 하드웨어와 제조에서 강하고, 모델 소프트웨어에서 약합니다.

강점은 또렷합니다. 제조업 로봇 밀도가 세계 1위이고, 배터리와 반도체, 정밀 부품 공급망을 갖췄습니다. 현대차그룹은 보스턴 다이내믹스를 자회사로 두고 휴머노이드 아틀라스를 자사 공장에 배치하는 계획을 내놨고, 삼성전자는 레인보우로보틱스의 최대주주가 됐으며, 두산로보틱스는 NVIDIA Isaac과 연동한 로봇 운영체제를 개발 중입니다. LG와 KIST는 국가 과제로 한국형 AI 휴머노이드를 개발하고, 정부는 K-휴머노이드 연합에 5년간 약 7,700억 원을 투입한다고 발표했습니다.

갭도 분명합니다. 미국의 Physical Intelligence와 Skild, 오픈소스 OpenVLA, 중국의 Qwen-Robot과 Hy-Embodied 같은 독자 로봇 파운데이션 모델이 한국에는 아직 없습니다. 정부 목표는 2028년까지 VLA 기반 모델을 만드는 것이지만, 현재 연구 성숙도는 미국·중국에 견줘 몇 년 뒤로 평가됩니다. 그래서 한국의 현실적 자리는 정면의 범용 모델 승부보다, 세계 최고 수준의 하드웨어와 제조 데이터, 그리고 물류·제조·반도체·배터리처럼 한국이 강한 응용에 로봇 AI를 붙이는 쪽에 가깝습니다.

투자자의 점검 질문, 그리고 맺으며

이 모든 흐름을 투자자의 시선으로 좁히면 점검 질문이 또렷해집니다. 그 회사가 실제 로봇에서 과제를 몇 분 단위까지 안정적으로 수행하는가, 사람 개입과 리셋 비용이 기존 자동화 대비 얼마나 줄어드는가, 에지에서의 지연과 행동 주파수는 실제 제어에 충분한가, 서로 다른 몸체로 얼마나 옮겨가는가, 합성 데이터가 실제 성능으로 얼마나 전이되는가, 모델과 데이터와 코드의 공개 수준은 어떠한가, 안전과 복구 장치는 갖췄는가, 그리고 로봇 원가와 유지비의 경제성은 맞는가입니다. 벤치마크 점수 하나로 제품성을 단정하는 곳은 경계해야 합니다.

정리하면, 2026년 로봇 AI의 진짜 뉴스는 어떤 모델이 1등을 했는가가 아닙니다. 로봇을 움직이는 지능이 한 덩어리에서 플래너와 컨트롤러, 월드 모델, 런타임의 여러 층으로 쪼개지고 있다는 구조 변화입니다. 이 분해는 가치사슬을 GPU 너머로 넓히고, 모델과 하드웨어, 데이터와 런타임 각각에서 다른 승자를 만들어 낼 것입니다. 이 블로그가 거듭 도달한 결론이 로봇에서도 반복됩니다. 가치는 한 개의 똑똑한 모델이 아니라, 그 모델이 물리 세계에서 실제로 작동하게 만드는 데이터와 실행 레이어에 쌓입니다.