[태그:] 로봇

2026년 1분기, 테슬라가 숫자를 내놨다. 매출 224억 달러, 순이익 4억 7,700만 달러. The Verge가 보도한 수치다. 솔직히 순이익이 생각보다 얇다. 매출 224억 달러에 순이익이 4억대라면 이익률은 약 2% 수준이다. 근데 이게 꼭 나쁜 신호는 아니다. 번 돈을 안 쌓고 다 갖다 쓰는 중이라는 뜻이니까.

이익이 얇을수록 투자는 두껍다

어디에 쓰는지가 핵심이다. FSD(완전자율주행) 고도화, 휴머노이드 로봇 ‘옵티머스’ 개발—이 두 곳에 돈이 집중되고 있다. 일론 머스크가 수년 전부터 밀어온 그림이다. 테슬라를 단순 전기차 제조사가 아닌 AI·로봇 기술 기업으로 만들겠다는 것. ‘1조 달러 베팅’이라고도 불린다.

• 매출 224억 달러: 전기차 시장 경쟁이 격화된 상황에서도 판매량을 유지했다는 증거다.
• FSD·옵티머스에 재투자: 자율주행과 로봇 기술 개발에 수익을 집중 투입 중이다. 단기 이익률은 포기한 셈이다.
• 장기 배팅 전략: 당장의 이익보다 미래 기술 선점을 택했다. 이 판단이 옳은지는 3~5년 후에나 드러난다.

차량이 도로를 달릴 때마다 데이터가 쌓인다. 이 데이터가 FSD를 학습시킨다. 테슬라 입장에서 자동차는 그냥 이동 수단이 아니라 ‘바퀴 달린 데이터 수집 장치’다. 자동차를 팔수록 AI가 똑똑해지는 구조를 만든 셈이다. 이 발상이 기존 완성차 업체들과 가장 크게 다른 부분이다.

1조 달러 베팅, 지금 어디쯤 왔나

FSD는 지금도 업데이트가 이어지고 있다. 목표는 단순하다. 운전자가 손을 대지 않아도 되는 상태. 더 나아가 로보택시 서비스 상용화다. 차가 알아서 손님을 태우고 요금을 받는 구조다. ‘완전’ 자율주행이라 부를 수 있는 수준인지에 대해선 전문가들 사이에서도 의견이 갈리지만, 기술 진척은 분명히 있다.

옵티머스는 좀 더 먼 이야기처럼 들리지만, 이미 공장 내 테스트가 진행 중이다. 처음엔 제조 공정 자동화, 그다음은 서비스업, 장기적으로는 가정까지—로드맵은 크게 잡혀 있다. The Verge 기사에서도 테슬라가 AI와 로봇 관련 준비를 계속 확장하고 있다는 점을 짚었다.

• FSD 완성도: 실시간 주행 데이터 기반으로 AI 학습이 계속 쌓이고 있다. 단순 기능 개선이 아니라 AI 역량 자체를 키우는 과정이다.
• 옵티머스 개발: 제조 현장에서 시작해 일상까지 확장할 계획이다. 상용화 시점이 관건이다.
• 데이터 기반 해자: 전 세계를 달리는 테슬라 차량들이 경쟁사가 단기간에 따라오기 어려운 데이터 격차를 만들어내고 있다. 이게 테슬라 AI의 진짜 무기다.

결국 이 전략이 통하면 테슬라는 자동차 기업이 아닌 AI 플랫폼 기업으로 재평가받게 된다. 주가 산정 방식 자체가 달라지는 것이다. 머스크가 노리는 게 바로 그거다.

국내 산업엔 어떤 파장이 오나

현대차그룹도 이미 움직이고 있다. 모셔널과 보스턴 다이내믹스를 인수하며 자율주행과 로봇 분야에 공격적으로 투자했다. 그런데 테슬라의 방식은 차원이 다르다. 데이터 축적 속도와 AI 학습 방식이 전혀 다른 결의 경쟁을 만들어낸다. 단순 기술 수준 비교가 아니라, 학습 속도를 따라잡아야 하는 싸움이다.

로봇 쪽도 마찬가지다. 국내 휴머노이드 로봇 개발 스타트업들이나 대기업 연구소들은 옵티머스의 상용화 일정을 예의주시하고 있을 수밖에 없다. 테슬라가 가격과 성능 기준을 먼저 정해버리면, 그게 시장 표준이 된다. 이건 좀 무서운 시나리오다.

• 국내 완성차 업계: 테슬라 FSD 발전은 자율주행 기술 개발을 더 빠르고 과감하게 밀어붙여야 한다는 압박이다. 경쟁이기도 하고, 협력 접점을 찾을 수 있는 영역이기도 하다.
• 로봇 산업 재편: 옵티머스 성공 여부가 국내 제조·서비스 로봇 시장의 투자 방향과 기술 우선순위를 바꿔놓을 여지가 있다.
• 소비자 변화: 로보택시, 가정용 로봇이 현실화되면 이동 방식과 일상의 패턴이 달라진다. 이에 맞는 규제 정비와 사회적 논의가 선행되어야 한다.

2026년 1분기 실적이 테슬라의 전부를 설명하지는 않는다. 하지만 224억 달러 매출과 4억 7,700만 달러 순이익이라는 숫자 뒤에, 자동차 회사에서 AI·로봇 기업으로 넘어가려는 실제 비용과 의지가 녹아 있다. 이 베팅이 성공하면 판이 바뀐다. 테슬라만의 이야기가 아니다.

출처: The Verge

로봇이 사과를 처음 봤는데 집어 올린다. 사전에 사과 데이터를 넣어준 게 아니라 스스로 추론해서. 이게 지금 로보틱스에서 실제로 일어나는 일이다.

기존 로봇이 멈추는 지점

공장 로봇 팔 하나를 세팅하는 데 얼마나 걸릴까. 볼트 조이는 각도, 이동 속도, 감지 범위—전부 코드로 정의해야 한다. 새 부품이 들어오거나 라인이 바뀌면? 처음부터 다시 짠다. 유연성이 거의 없었다.

• 기존 로봇의 한계: 특정 작업 전용 설계, 환경 변화에 취약, 새 작업마다 전면 재프로그래밍 필요.
• 파운데이션 모델 로봇의 가능성: 여러 작업을 유연하게 처리, 처음 보는 환경에서도 적응, 스스로 학습하고 추론.

이 벽을 부수려는 시도가 파운데이션 모델(Foundation Model) 적용이다. 인간이 배운 개념을 다른 상황에 응용하듯, 로봇도 방대한 데이터로 학습해 배우지 않은 작업을 스스로 추론하는 방향으로 진화 중이다.

파운데이션 모델, 개념부터 짚고 가면

원래 LLM(거대 언어 모델) 쪽 용어다. ChatGPT가 대표적인 예인데—수십억 건의 텍스트 데이터를 사전 학습해서 번역, 요약, 코딩, 질문 답변을 하나의 모델로 처리한다. 작업마다 모델을 새로 만들지 않아도 된다는 게 핵심.

로봇에 적용하면 텍스트 대신 로봇 동작 데이터, 카메라 영상, 촉각 센서 신호, 제어 명령어 같은 물리적 상호작용 데이터를 대규모로 학습시킨다. 특정 작업에 묶이지 않고 여러 환경에 대응하는 범용 로봇 지능의 기반이 된다.

실제로 어떻게 작동하나

‘테이블 위 사과를 바구니에 넣어라’—이 명령을 받은 로봇이 사과를 한 번도 학습한 적이 없다고 치자. 그래도 이 로봇은 수백만 건의 조작 경험을 이미 갖고 있다. 둥근 물체 잡기, 특정 위치로 옮기기. 그 경험에서 사과의 형태를 유추하고, 집는 방법을 계산한다. 솔직히 여기서 기존 로봇이랑 갈린다.

• 데이터 학습: 로봇 동작, 센서 측정값, 환경 정보를 통합 학습.
• 환경 이해: 물체의 위치, 형태, 무게감 등을 실시간 파악.
• 행동 추론: 주어진 목표에 따른 최적 동작 시퀀스를 자체 생성.
• 유연한 대응: 물체가 굴러가거나 예상 밖 변수가 생겨도 즉각 수정.

아기가 여러 물건을 만지고 떨어뜨리면서 ‘무거운 것’, ‘미끄러운 것’을 몸으로 익히는 과정이랑 비슷하다. 모델 안에 축적된 세계 지식이 새 상황의 해답 역할을 한다.

어디에 쓰이나

적용 가능한 분야를 짚어보면 생각보다 넓다.

• 제조·물류: 생산 라인에 새 부품이 들어와도 재프로그래밍 없이 즉시 적응. 물류 창고에서 무작위로 쌓인 물품을 식별·분류하는 속도도 빨라진다.
• 서비스 로봇: 호텔, 병원에서 안내·서빙만 하던 로봇이 고객의 즉흥적인 요청까지 처리하는 방향으로 진화 중.
• 재난·탐사: 지도가 없는 현장에서 스스로 경로를 찾고 장애물을 넘거나 우회. 인명 구조 시나리오 테스트가 실제로 진행 중이다.
• 가정용 로봇: 청소·정리 수준에서 식사 준비 보조처럼 매번 다른 판단이 필요한 작업으로 확장 중. 완성형은 아직이지만, 방향은 명확하다.

공통 키워드는 ‘인간 개입 최소화’다. 예외 상황마다 담당자가 끼어들어 수동 처리할 필요가 줄어든다.

기존 AI 로봇이랑 뭐가 다른가

기존 방식은 두 갈래였다. 규칙 기반—개발자가 ‘이 상황엔 이렇게’를 전부 코딩. 또는 지도 학습—정답 레이블이 붙은 데이터로 특정 패턴 인식에 특화. 두 방식 다 적용 범위가 좁다.

• 기존 로봇 AI:
  • 작동 방식: 특정 작업 전용 규칙과 데이터로 학습.
  • 유연성: 낮음. 시나리오를 벗어나면 오작동하거나 정지.
  • 개발 방식: 작업마다 별도 모델 개발 필요.
• 파운데이션 모델 로봇:
  • 작동 방식: 방대한 비정형 데이터 사전 학습, 이후 자체 추론.
  • 유연성: 높음. 새 환경과 작업에 일반화 적용.
  • 개발 방식: 하나의 기반 모델에서 다양한 작업으로 파생.

결정적 차이는 ‘일반화(Generalization)’ 능력에 있다. 기존 로봇이 ‘A → B’만 알았다면, 파운데이션 모델 로봇은 ‘A, C, D의 공통 패턴을 보면 처음 보는 E도 비슷하게 다루면 된다’고 스스로 판단한다. 이 차이가 활용 범위를 완전히 갈라놓는다.

아직 넘어야 할 것들

가능성만 있고 현실은 멀다는 얘기가 아니다. 빠르게 발전 중인 건 맞는데—동시에 해결 안 된 문제도 선명하다.

• 데이터 문제: 텍스트는 인터넷에서 수집하면 되지만, 로봇 조작 데이터는 실물 로봇이 직접 움직이며 쌓아야 한다. 비용도 시간도 만만치 않다.
• 연산 자원: 학습에 드는 GPU 클러스터 규모와 전력 소모가 크다. 현재는 대기업 연구소 수준에서 감당하는 영역이다.
• 안전성: 로봇이 스스로 판단하다가 잘못 행동하면 소프트웨어 버그와 달리 물리적 피해가 발생한다. 이 부분은 진지하게 다뤄야 한다.
• 블랙박스 문제: 로봇이 왜 그 행동을 했는지 설명하기 어렵다. 책임 소재가 불분명해지는 현실적 문제다.

효율적 학습 방법론, 모델 경량화, 안전 메커니즘—이 세 방향에서 연구가 동시에 달리고 있다. 속도는 생각보다 빠르다.

결국 뭐가 달라지나

반복적이고 위험한 작업이 줄고, 인간이 더 창의적인 일에 집중하게 된다. 고령화 사회에서 노인 돌봄 보조 역할도 현실적인 기대 항목이다. 이건 좀 과한 기대처럼 들릴 수도 있는데, 연구 속도를 보면 꼭 그렇지도 않다.

일자리 변화는 당연히 따라온다. 윤리 문제도 함께다. 기술이 먼저 치고 나가고 규범이 뒤따르는 패턴, 이번엔 좀 달라야 한다는 목소리가 나오는 이유다.

로봇은 정해진 틀 안에서만 움직이는 기계에서 유연한 지능으로 인간 옆에서 일하는 존재로 바뀌고 있다. 파운데이션 모델이 그 전환을 이끄는 기술이다. TechCrunch 보도에 의하면, Physical Intelligence 같은 로보틱스 스타트업은 이미 학습하지 않은 작업을 처리하는 로봇 데모를 공개한 상태다.

출처: TechCrunch