10- M(q) — 관성 행렬. 팔을 갑자기 멈출 수 없다. 명령과 결과 사이에 항상 지연이 있다.
11- C(q,\dot{q})\dot{q} — 원심력·코리올리 항. 빠르게 움직일수록 비선형성이 커진다.
12- g(q) — 중력. 전원이 꺼지면 모델이 '출력을 멈추는' 게 아니라 로봇이 쓰러진다.
13- \tau_{ext} — 접촉·마찰·충돌. 물체를 잡는 순간 동역학이 불연속적으로 바뀌며(하이브리드 시스템), 마찰계수는 관측조차 어렵다.
14여기에 두 가지 제약이 더해진다.
15- 비가역성(irreversibility): 유리컵 파손, 사람과의 충돌, 로봇 전복은 롤백이 없다. 그래서 탐색(exploration)의 비용이 데이터센터와 비교할 수 없이 비싸다.
16- 실시간성(real-time): 토크 제어는 보통 1 kHz, 시각-운동 정책은 10~50 Hz로 돈다. 정책 지연 \Delta t가 커지면 제어 루프의 위상 여유가 줄어 시스템이 발산한다. "조금 늦은 정답"은 물리 세계에서 오답이다.
173. Why — 왜 지금 이 전환이 폭발하는가
18- 모라벡의 역설(Moravec, 1988): 인간에게 어려운 체스·수학은 기계에 쉽고, 인간에게 쉬운 '보고 집기·걷기'는 기계에 극도로 어렵다. 디지털 AI는 쉬운 절반을 이미 정복했고, 남은 절반이 곧 시장 전체다.
19- 노동의 위치: GDP에서 육체노동이 차지하는 비중은 지식노동보다 크다. 물류·제조·간병처럼 몸이 필요한 일은 디지털 AI가 원리적으로 대체할 수 없다.
20- 데이터 비대칭 → 해결 시도: 언어 모델은 10^{13} 토큰 규모를 쓰지만 로봇 시연 데이터는 10^{6} 에피소드 수준이다. 이 격차를 메우려 시뮬레이션·도메인 랜덤화(Tobin et al., 2017)와 기관 간 데이터 통합(Open X-Embodiment, 2023)이 등장했다.
21- 파운데이션 모델의 로봇 확장(결정적 촉발점): 웹 규모로 학습된 비전-언어 모델에 행동 토큰을 붙여 VLA(Vision-Language-Action) 모델을 만들면, 학습에 없던 물체·지시에도 일반화가 나타난다 (RT-2, Brohan et al., 2023). 이후 \pi_0 같은 플로우 기반 범용 정책(Black et al., 2024)으로 이어진다.
22- 즉 "로봇마다 처음부터 학습"에서 "거대 사전학습 정책을 소량 시연으로 적응"으로 패러다임이 바뀌었다. 이것이 지금 산업 자본이 몰리는 이유다.
234. How — 이미 현장에 들어온 사례
24- Tesla Optimus: 자율주행에서 쌓은 비전 스택과 데이터 엔진을 휴머노이드로 전이. 자사 공장의 셀 분류·부품 이송 같은 반복 작업에 투입되며 같은 인지 파이프라인의 재사용을 보여준다.
25- Boston Dynamics Atlas / Stretch: 유압에서 전동으로 전환한 Atlas는 동적 균형과 전신 조작을 결합하고, Stretch는 컨테이너 하역이라는 물류의 가장 힘든 접점을 상업적으로 처리한다.
26- Figure AI × BMW: 슈파턴버그 공장에서 판금 부품 적재 작업 검증. 휴머노이드가 사람용으로 설계된 라인을 그대로 쓸 수 있다는 것이 핵심 가치다(설비 재설계 비용 0).
27- 다빈치(da Vinci) 수술 로봇: 완전 자율은 아니지만 원격조작 + 진전 제거 + 스케일링으로 사람의 물리 능력을 증강하는 체화 지능의 실증 사례이자, 시연 데이터의 보고이기도 하다.
28- 시뮬레이션 인프라: NVIDIA Isaac / GR00T 같은 스택은 물리 시뮬레이터에서 수만 배 빠르게 경험을 생성해 실기체로 전이(sim-to-real)하는 파이프라인을 표준화하고 있다.
295. 이 강좌의 관점 정리
301. 피지컬 AI = 인식 모델 + 동역학 + 제어 루프의 합성물이다. 어느 하나만 잘해서는 컵 하나 못 든다.
312. 평가 기준이 다르다. 디지털 AI는 정확도(accuracy), 피지컬 AI는 성공률·안전 여유·지연시간으로 평가한다.
323. 앞으로 다룰 순서는 '몸(동역학)' → '지각' → '정책 학습' → 'sim-to-real'이며, 이번 레슨은 그 지도의 첫 장이다.