우리가 어떤 민족입니까? 피지컬의 민족입니다." (류중희 리얼월드 대표)

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

류중희 리얼월드 대표는 한국이 축적한 산업 현장의 숙련과 데이터를 일본의 수요·현장과 연결하면 피지컬 AI에서 경쟁력을 만들 수 있다고 주장한다.

📌 핵심 요점

1. 피지컬 AI의 핵심 자원은 현장에서 일하는 전문가의 데이터다. 리얼월드는 자연스러운 작업 동작에 3D 움직임과 촉각·물리 정보를 결합하는 접근을 강조한다.
2. 원격조작 데이터에는 장비와 실제 동작의 차이, 부자연스러운 보정 동작, 느린 작업 속도 등의 한계가 있다는 설명이다. 실제 작업자의 숙련도를 재현하는지도 중요하다.
3. 데이터 경쟁력에는 현장 접근권과 수집 기술이 함께 필요하다. 리얼월드는 산업계 주주·파트너를 확보하고, 다중 카메라와 얇은 장갑을 활용한 데이터 동기화 파이프라인을 직접 개발했다고 설명한다.
4. 현장 배치가 모델 설계를 이끈다. 움직이는 물체를 집는 작업에는 모션 예측, 접촉 판단에는 물리 정보, 반복적인 탐색과 실패 복구에는 기억이 필요하다는 논리다.
5. 한일 산업 현장과 미국 자본시장을 연결하는 것이 사업 전략이다. 대중이 동시에 체감하는 단일한 돌파구보다 서비스·물류 등 개별 현장에서 점진적으로 확산하는 경로를 예상한다.

🧩 배경과 문제 정의

영상은 리얼월드의 류중희 대표에게 피지컬 AI의 데이터 확보, 모델 개발, 현장 배치와 해외 사업 전략을 묻는 인터뷰다. 도입부에는 AI 에이전트 강좌 홍보와 본문 발언의 예고 편집이 포함된다.

본문의 문제의식은 웹에서 정보를 수집하는 언어모델과 달리, 피지컬 AI는 실제 작업장의 동작·접촉·물리 정보를 확보해야 한다는 데 있다. 대표는 이 조건에서 한국의 연구 역량과 산업 기반, 일본의 현장과 노동력 부족이 경쟁력으로 연결될 수 있다고 설명한다.

회사의 접근은 현장에 먼저 들어가 필요한 데이터를 모으고, 배치 과정에서 드러나는 문제를 모델과 제어 기술에 반영하는 것이다. 아래 정리는 회사의 성과 주장과 미래 전망을 인터뷰 발언으로 구분해 다룬다.

🕒 시간순 섹션별 상세정리

1. 강좌 홍보와 피지컬 AI 전략의 예고

• 첫 부분은 2027년 AI 에이전트와 기업 조직 변화를 소재로 한 강좌 홍보다. 이후 현장 데이터와 한일 협력을 강조하는 인터뷰 예고로 전환된다. [00:25]
• 대표는 산업 발전과 인구 감소가 교차하는 한국·일본을 기회로 제시하며, 공장·편의점·물류센터·호텔에서 인간 작업 데이터를 확보하는 전략을 보여준다. [01:13]

2. 웹 수집과 다른 피지컬 AI 데이터 경쟁

• 질문자는 피지컬 AI 데이터가 인터넷 정보처럼 쉽게 확보되지 않는다며, 사람의 작업을 따라 하게 하거나 카메라를 부착해 수집하는 사례를 언급한다. [01:46]
• 대표는 3D 인간 동작에 손끝의 촉각 등 물리 정보를 함께 모으는 접근을 강조한다. 여러 종류의 데이터를 사용해 봤지만 각각 한계가 있었다는 설명이다. [02:09]

3. 원격조작 데이터의 세 가지 한계

• 원격조작은 외골격이나 추적 장갑 등을 이용해 사람의 움직임을 로봇 동작으로 연결하는 방식이다. 대표는 장비가 실제 움직임과 완전히 일치하지 않는다고 보여준다. [02:49]
• 조작자가 실패를 보정하며 만든 동작은 자연스러운 인간 작업과 다르고 속도도 느리다는 지적이다. 이런 데이터가 학습된 로봇의 동작 품질에 영향을 줄 수 있다고 주장한다. [03:25]

4. 실제 작업 전문가의 데이터를 모으는 이유

• 롯데호텔과 냅킨 접기 데이터를 수집하고 있다는 사례를 든다. 호텔 현장 전문가의 숙련을 외부의 비숙련 수집 인력이 그대로 재현하기는 어렵다는 비교다. [03:53]
• 대표는 해당 작업장에서 그 일을 수행하는 전문가의 동작을 직접 모으는 것이 자연스럽고 빠른 데이터를 얻는 방법이라고 정리한다. [04:13]

5. 현장 접근권과 정밀 수집 기술

• 첫 번째 장벽은 작업장에 들어갈 권한이다. 약 20개 글로벌 기업을 주주로 참여시킨 배경에 데이터 접근권 확보 전략이 있었다고 보여준다. [04:38]
• 두 번째 장벽은 수집 기술이다. 카메라 서너 대로 3D 동작을 포착하고 얇은 장갑으로 촉각 정보를 얻어 동기화하는 파이프라인을 자체 개발했다고 드러낸다. [05:11]

6. 데이터 양보다 학습 가능한 품질과 형식

• 외부 데이터 기업으로부터 제안을 많이 받았지만, 실제 모델 학습에 쓰기 어려운 품질인 경우가 많았다고 보여준다. 모델을 만들어 봐야 필요한 수집 수준을 알 수 있다는 주장이다. [05:56]
• 협력 수집 기업에 자사 프로토콜을 가르치고, 그 방식으로 모은 데이터를 모델 학습에 활용하고 있다고 드러낸다. 리얼덱스 2에도 데이터를 모아 학습할 계획을 언급한다. [06:32]
• 데이터·하드웨어·모델 기업과 대기업·스타트업의 협업을 강조한다. 수량뿐 아니라 데이터 형식이 중요하며, 모델 기업이 형식 설계에 관여해야 한다는 설명이다. [06:56]

7. 현장 조건에서 출발하는 개발 방식

• 대표는 일부 로봇의 팔 길이처럼 기본적인 설계도 실제 작업 환경에 맞지 않는 경우를 경험했다고 드러낸다. 작업 환경을 모사한 시뮬레이션으로 검토할 필요가 있다는 지적이다. [07:24]
• 회사를 ‘디플로이 퍼스트 프론티어 랩’으로 부르며, 현장을 이해하고 필요한 기술을 직접 만드는 방향을 보여준다. 데이터 파이프라인·모델·제어를 자체 개발하는 이유도 여기에 있다. [08:01]

8. 제조보다 서비스·물류에서 먼저 드러난 수요

• 대표는 인력 부족 해결을 요청한 기업 중 제조보다 호텔·편의점·항공사 등 서비스업이 많았고, 다음이 물류였다고 보여준다. [08:57]
• 제조시설은 다른 국가로 옮길 수 있지만 호텔과 지역 물류센터는 입지에 묶인다는 차이를 든다. 이 지역성이 자동화 수요를 키운다는 논리다. [09:32]
• 산업이 발달하면서 인구 감소를 겪는 한국·일본에서 수요가 크다고 주장한다. 이어 물류·서비스·제조에 공통으로 필요한 작업이 있다고 화제를 옮긴다. [10:07]

9. 반복 작업의 핵심인 집어서 놓기와 모션 예측

• 여러 산업에서 반복되는 기본 작업으로 집어서 놓기, 즉 픽앤플레이스를 제시한다. 특히 컨베이어벨트 위에서 움직이는 물체를 다루는 작업을 강조한다. [10:39]
• 리얼덱스 1에 모션 모듈·피직스 스트림·메모리를 넣은 배경을 보여준다. 일반적인 VLA가 이미지 중심 VLM을 기반으로 삼아 움직임의 미래 위치 예측에 약점이 있다는 주장이다. [11:37]
• 움직이는 물체를 잡으려면 로봇 손이 물체의 미래 위치로 이동해야 한다. 이 문제에 대응하기 위해 별도의 모션 모듈을 추가했다고 드러낸다. [11:56]

10. 접촉 판단과 작업 이력을 위한 물리 정보·메모리

• 시각 정보만으로는 물체와 실제로 접촉했는지 판단하기 어렵다는 설명이다. 촉각뿐 아니라 힘·토크 등을 다루도록 피직스 스트림을 설계했다고 드러낸다. [12:37]
• 물류센터에서 바코드가 위를 향하도록 택배를 돌리는 인덕션 작업을 예로 든다. 이미 확인한 면과 직전 행동을 기억하지 못하면 같은 동작을 반복할 수 있다는 지적이다. [13:09]
• 대표는 이러한 작업 이력을 유지하기 위해 긴 메모리 모듈을 넣었다고 보여준다. [13:20]

11. 배치 경험을 모델과 벤치마크에 반영

• 현장에 배치하면서 필요한 기능을 구현해야 좋은 모델이 나온다는 개발 원칙을 다시 강조한다. [13:37]
• 덱스벤치는 현장을 정확하게 모사하는 평가 환경을 만들기 위한 것이라고 보여준다. 공개된 동일 벤치마크에서도 회사의 노하우가 차이를 만들 수 있다고 주장한다. [13:55]
• 리얼덱스 1의 벤치마크 1위가 해당 작업을 잘하도록 설계한 결과라는 발언이 나온다. 이어 미국 기업의 대규모 자금과 비교할 때 어떤 고유한 이점을 만들 것인지 논의한다. [14:28]

12. 한국의 연구 역량과 일본의 산업 현장을 연결

• 한국의 작은 시장을 보완하기 위해 일본을 협력 대상으로 삼았다고 보여준다. 한국·일본을 하나의 고객권으로 묶고 산업 현장에 접근하는 데 지난 2년을 썼다고 드러낸다. [15:36]
• 일본 고객 수가 한국보다 많고 일본 사무소에 직원 약 20명이 있다고 드러낸다. 일본의 현장 고령화와 노동력 부족이 수요의 배경이라는 설명이다. [16:12]
• 한국 대학 연구자와 연구 인력의 역량을 회사의 출발 자산으로 제시한다. 이를 일본의 산업 기반과 연결하는 전략이 작동하고 있으며 경제성도 좋다고 주장한다. [17:48]

13. 미국 자본시장과 해외 수요를 연결하는 구조

• 한일 산업 시장에 미국 자본시장을 접목하기 위해 처음부터 미국 회사로 설계했다고 보여준다. 미국 모회사가 한국·일본 법인을 전부 소유하는 구조라고 드러낸다. [18:21]
• 사무소는 세 곳이라고 정정하고, 유럽에서는 산업 발전과 고령화를 배경으로 문의가 들어온다고 보여준다. 다만 여러 국가로 나뉜 시장에서 거점을 운영하는 어려움도 언급한다. [18:56]
• 중동과 싱가포르에서도 노동력·인구 제약과 관련한 사업 기회가 들어온다며 긍정적으로 평가한다. [19:18]

14. 모델 판매를 넘어 데이터 공동 생성·공유로

• 대표는 모델 판매나 파인튜닝에서 관계를 끝내지 않고, 고객과 데이터를 공동 생성·공유하는 방식으로만 접근한다고 드러낸다. 이 조건에 동의하지 않으면 파트너십을 맺지 않는다고 보여준다. [19:40]
• 피지컬 AI 데이터의 원천을 공장·편의점·물류센터로 비유한다. 현장 문을 열고, 데이터 공유를 통해 스스로도 역량을 키우려는 기업을 찾는 것이 회사의 역할이라는 설명이다. [20:11]

15. 단일한 챗GPT 모먼트보다 현장별 확산

• 질문자는 2028년 현장 활용 전망을 언급하며 피지컬 AI의 챗GPT 모먼트를 묻는다. 대표는 대중이 보편적인 성능 변화를 동시에 체험하는 사건이라는 의미라면 발생하기 어렵다는 견해를 전해진다. [21:19]
• B2B 현장은 대중이 직접 접근하기 어렵고 작업 문제가 파편화돼 있어, 한 현장의 해결이 다른 현장으로 곧바로 이어지지 않는다는 설명이다. 가정용 범용 로봇은 가능한 종착점의 예시로 제시한다. [22:12]
• 시뮬레이터와 체험 환경으로 진입 장벽을 낮추자고 제안한다. 로봇의 오류는 사람의 부상이나 물건 파손으로 이어질 수 있어 소비자용 언어모델과 다른 확산 경로를 가질 수 있다고 드러낸다. [23:25]

16. 편의점 재진열에서 체감할 수 있는 로봇의 진전

• 편의점 상품 재진열은 단순히 빈자리에 제품을 넣는 일이 아니라고 보여준다. 선입선출을 지키려면 기존 상품을 꺼내고 순서를 맞춰 다시 배치해야 한다. [24:15]
• 일본 편의점 협업과 방대한 작업 매뉴얼을 언급하며, 이런 작업을 수행하는 로봇이 현장에 들어오면 이용자가 간접적으로 기술 변화를 체감할 수 있다고 드러낸다. [24:36]
• 시뮬레이션 성능을 소개하는 데서 나아가 사람들이 볼 수 있는 실제 현장으로 로봇을 가져오는 배치 우선 전략을 강조한다. [24:51]

17. 피지컬 AI의 국가적 자산과 벤치마크 표준화

• 대표는 영어 중심 웹 데이터와 달리 피지컬 AI에는 산업 현장의 작업 데이터가 중요하다고 주장한다. 한국의 현장 기반에 일본을 연결하면 고유한 가치를 만들 수 있다는 설명이다. [26:16]
• 표준화의 중심 수단으로 벤치마크를 제시한다. 평가에서 좋은 성능을 내는 로봇 손과 모델을 개발하는 생태계가 표준을 형성할 수 있다는 구상이다. [27:03]
• 진행자는 피지컬 AI 분야의 허깅페이스 같은 역할을 기대한다. 이후 관련 기업 인수와 협업에 관한 대화가 이어지지만, 거래 사실이나 구체적인 사업 계획의 근거는 제시되지 않는다. [27:24]

18. 원하지 않는 노동을 줄이겠다는 지향과 후속 공개 예고

• 마지막 발언에서 대표는 생계를 위해 감수하는 노동과 즐겨서 하는 노동을 구분한다. 하고 싶지 않은 노동을 로봇과 AI에 넘기는 방향을 회사의 지향점으로 보여준다. [28:24]
• 한국·일본이 노동력 부족을 극복하는 모습을 보여줄 조건에 놓여 있다고 주장한다. 한국의 피지컬 AI 역할을 상황적 필연으로 보는 자신의 관점을 강조한다. [28:59]
• 덱스벤치와 추가 결과물을 순차적으로 공개하고 다시 소개하겠다고 예고한다. 이후 인사와 채널 문구로 영상이 끝난다. [29:25]

🧾 결론

• 제목의 ‘피지컬의 민족’은 한국의 산업 기반과 현장 숙련을 AI 학습 자산으로 전환할 수 있다는 주장으로 읽힌다.
• 리얼월드가 강조하는 경쟁력은 모델 단독 성능보다 현장 접근, 데이터 수집, 모델 개발, 로봇 제어를 연결하는 실행 능력이다.
• 한일 협력은 한국의 시장 규모 한계를 보완하고, 일본의 노동력 부족과 산업 현장을 공동의 사업 기회로 활용하려는 전략이다.
• 영상의 장기적 지향점은 원하지 않는 노동을 로봇과 AI에 맡기는 것이다. 실제 달성 수준과 속도는 현장별 성과를 통해 확인해야 한다.

📈 투자·시사 포인트

• 서비스·물류는 입지에 묶인 업무가 많다는 점에서 자동화 수요를 살펴볼 영역이다. 영상에서는 제조업보다 이 분야의 고객 문의가 많았다는 회사 경험을 제시한다.
• 데이터 기업을 평가할 때 수집량과 함께 전문가 작업의 재현성, 물리 정보의 동기화, 모델 학습에 사용할 수 있는 품질을 확인필요가 있다.
• 모델·데이터·하드웨어 기업 사이의 협업 구조와 현장 접근권은 사업 경쟁력을 가늠할 항목이다. 데이터 공동 생성·공유 조건이 고객 확대에 미치는 영향도 중요하다.
• 벤치마크를 통한 생태계 표준화는 회사가 제시한 성장 가능성이다. 외부 채택과 실제 작업 성과가 뒷받침되는지 구분해 볼 필요가 있다.
• 미국 법인 구조와 해외 수요는 자본 조달·시장 확대 전략의 일부다. 영상만으로 기업가치의 적정성이나 투자수익을 판단할 수는 없다.

⚠️ 불확실하거나 확인이 필요한 부분

• 벤치마크 1위, 약 20개 글로벌 기업의 주주 참여, 일본 고객 수와 사무소 인력 등은 출연자의 설명이다. 평가 조건, 집계 시점, 계약 범위와 공개 자료는 영상에 제시되지 않는다.
• 원격조작 데이터와 일반적인 VLA·VLM의 한계에 대한 설명은 회사의 개발 경험과 주장에 기반한다. 모든 모델과 수집 방식에 동일하게 적용되는지는 별도 검증이 필요하다.
• 한국·일본의 노동 품질 우위, 대학·학회 순위, 일본 AI 연구 환경에 관한 평가는 비교 기준과 근거가 충분히 제시되지 않는다. 인구 감소를 노동에 대한 선택으로 해석하는 마지막 발언도 출연자의 관점이다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 리얼덱스와 덱스벤치의 공개 자료에서 평가 과제, 비교 모델, 재현 조건과 실제 현장 검증 범위를 확인한다.
• 도입 검토 업무를 집어서 놓기, 바코드 방향 전환, 상품 재진열처럼 구체적인 작업 단위로 나누고 성공률·속도·실패 복구·안전 기준을 정한다.
• 데이터 협업을 검토할 때 현장 접근권, 작업자 촬영·수집 동의, 데이터 사용·공유 범위와 학습 결과의 활용 조건을 확인한다.
• 데이터 수집량뿐 아니라 전문가 숙련도, 3D 동작·촉각 정보의 동기화, 실제 모델 학습에 사용할 수 있는 품질을 점검한다.

❓ 열린 질문

• 전문가의 인간 동작을 서로 다른 로봇 손과 신체 구조로 옮길 때 성능 손실을 어떻게 줄이는가?
• 현장 데이터 공동 생성·공유 원칙은 고객 확보를 촉진하는가, 아니면 일부 고객의 참여를 제한하는가?
• 자체 벤치마크의 우수한 결과가 새로운 산업 현장에서도 재현되는지 어떤 방식으로 검증할 수 있는가?