휴머노이드 혁명을 이끄는 AI 및 하드웨어 기술 종합 분석

Executive Summary

본 보고서는 휴머노이드 로봇 기술의 현주소를 정의하는 최신 인공지능(AI) 기법과 핵심 하드웨어 기술에 대한 심층 분석을 제공한다. 현재 휴머노이드 로봇 산업은 단순 자동화 도구를 넘어, 인간의 환경에서 자율적으로 사고하고 행동하는 '물리적 AI(Physical AI)' 에이전트로 진화하는 변곡점에 서 있다. 이러한 패러다임 전환의 중심에는 대규모 언어 모델(LLM)을 필두로 한 생성형 AI와 로봇공학의 융합, 그리고 이를 물리적으로 구현하는 하드웨어의 혁신이 자리 잡고 있다.

 

 

보고서의 핵심 분석 결과는 다음과 같다.

 

첫째, LLM은 단순한 자연어 이해를 넘어 휴머노이드의 '추론 엔진'으로 기능하며, 복잡한 명령을 구체적인 행동 순서로 변환하는 핵심 역할을 수행한다. 그러나 진정한 물리적 지능을 구현하기 위해서는 텍스트 데이터를 넘어선, 실제 인간의 행동 데이터를 학습하는 '거대 행동 모델(Large Behavior Models)'의 구축이 필수적이며, 이는 향후 기술 경쟁의 핵심이 될 것이다.

 

둘째, 산업 현장은 휴머노이드 상용화의 첫 번째 격전지이며, 미국과 중국을 중심으로 한 기술 패권 경쟁이 시장의 성장을 가속화하고 있다. 높은 제조원가는 여전히 대중화의 가장 큰 장벽으로 남아있으며, 이를 극복하기 위한 핵심 부품(액추에이터, 센서 등)의 국산화 및 생산 규모의 경제 달성이 상용화의 관건이다. 특히, 초기 시장 선점을 위한 '특화 기능'과 장기적인 '범용성' 확보 사이의 전략적 딜레마는 기업들의 생존을 좌우할 중요한 변수이다.

 

셋째, 물리적 세계와의 실시간 상호작용을 위해 클라우드가 아닌 로봇 자체에서 AI 연산을 수행하는 '온디바이스 AI(On-Device AI)'는 더 이상 선택이 아닌 필수 기술로 자리매김하고 있다. 이는 저지연성, 데이터 보안, 작동 안정성을 보장하며, NPU(신경망 처리 장치)와 같은 특화된 AI 반도체와 이를 지원하는 통합 소프트웨어 스택(Full Stack)의 중요성을 부각시킨다. 이 분야는 향후 반도체 기업과 로봇 기업 간의 합종연횡이 가장 활발하게 일어날 영역이다.

 

넷째, 인간과 같은 자연스러운 움직임을 구현하기 위한 제어 기술은 정밀한 물리 모델에 기반한 '모델 기반 제어'와 데이터 기반의 '강화학습'이 상호 보완적으로 융합하는 방향으로 발전하고 있다. 특히, 시뮬레이션에서 학습한 정책을 현실 세계로 이전하는 'Sim-to-Real' 기술의 성숙도는 로봇의 학습 속도와 능력 확장에 직접적인 영향을 미치는 핵심 기술 장벽으로, 이를 극복하는 기업이 모션 지능 분야에서 우위를 점하게 될 것이다.

 

결론적으로, 휴머노이드 로봇의 미래는 하드웨어와 소프트웨어의 긴밀한 통합 설계, 실제 상호작용 데이터를 통한 AI 모델의 지속적인 고도화(데이터 플라이휠), 그리고 각 분야 최고 기술 기업들과의 전략적 파트너십(생태계 구축)에 달려있다. 본 보고서는 이러한 기술적, 산업적 동인을 심층적으로 분석함으로써 관련 분야의 연구개발 리더, 기술 전략가, 그리고 전문 투자자들이 미래를 조망하고 전략적 의사결정을 내리는 데 필요한 통찰을 제공하고자 한다.

 

서론: 자동화에서 자율성으로 - 물리적 AI 시대의 서막

패러다임의 전환

현재 로봇공학 분야에서 목도하고 있는 변화는 단순히 점진적인 기술 개선이 아닌, 근본적인 패러다임의 전환으로 이해해야 한다. 역사적으로 로봇은 사전에 프로그래밍된 반복적인 작업을 수행하는 자동화(Automation)의 도구였다. 그러나 생성형 AI와의 융합은 로봇을 비정형적인 인간의 환경 속에서 스스로 이해하고, 추론하며, 행동하는 자율성(Autonomy)의 주체로 탈바꿈시키고 있다.1 로봇이 '무엇을 할지'를 넘어 '어떻게 할지'를 스스로 찾아내는 시대가 열리고 있는 것이다.2 본 보고서는 이러한 전환을 이끄는 핵심 동력과 기술적 함의를 심층적으로 분석하는 것을 목표로 한다.

 

물리적 AI, 다음 격전지

이러한 변화의 중심에는 '물리적 AI(Physical AI)'라는 개념이 있다. 이는 AI가 디지털 공간에 머무르지 않고, 센서를 통해 물리적 세계를 직접 인식 및 이해하고, 액추에이터를 통해 상호작용하는 기술 분야를 의미한다.4 현실 세계의 물리 현상을 이해하고 환경과 용도에 최적화된 행동을 생성하는 이 기술은 차세대 로봇공학의 핵심으로 부상했다.5 이로 인해 과거에는 주변 기술로 여겨졌던 온디바이스 컴퓨팅, 고성능 센서, 정교한 액추에이터 등의 기술이 이제는 로봇 진화의 성패를 좌우하는 핵심 요소로 자리매김하게 되었다.

 

시장의 변곡점

학술적 연구 프로젝트에 머물던 휴머노이드 로봇이 거대 기술 기업과 막대한 자금을 유치한 스타트업들의 주도로 상업적 제품 개발 단계로 넘어가면서, 시장은 폭발적인 성장의 변곡점을 맞이하고 있다.7 2025년 약 78억 달러 규모로 추산되는 시장은 연평균 37%라는 경이로운 성장률을 보이며 2035년에는 1,819억 달러에 이를 것으로 전망된다.9 이러한 급격한 시장 변화는 관련 기술에 대한 심도 있는 이해와 분석의 필요성을 그 어느 때보다 높이고 있다. 본 보고서는 휴머노이드의 인지, 산업화, 신경망, 그리고 제어라는 네 가지 핵심 축을 중심으로 기술의 현주소를 진단하고 미래 방향성을 제시하고자 한다.

 

제1장 인지 혁명: 휴머노이드의 LLM 기반 학습 및 추론

휴머노이드 로봇의 '두뇌'가 어떻게 구축되고 있는지를 분석하는 이 장에서는, 단순한 명령-제어 체계를 넘어 진정한 의미의 이해와 상호작용으로 나아가는 인지 기술의 발전을 심도 있게 다룬다.

 

1.1 언어를 넘어: LLM에서 체화된 월드 모델로

휴머노이드 로봇에게 언어는 최종 목표가 아니라, 물리적 세계를 이해하고 그에 따라 행동하기 위한 매개체이다. 기술 발전의 핵심은 대규모 언어 모델(Large Language Models, LLM)에서 시각-언어-행동 모델(Vision-Language-Action, VLA)로, 그리고 궁극적으로는 행동의 결과를 예측하는 포괄적인 '월드 모델(World Models)'로 진화하는 데 있다.5

 

기술적으로 LLM은 추론과 계획의 중추(Backbone) 역할을 한다. 예를 들어, 사용자가 "먹을 것을 좀 갖다 줄래?"와 같은 구두 명령을 내리면, LLM은 이 추상적인 요청을 구체적인 행동 순서로 분해한다. 즉, 1) 주변에서 음식물을 스캔한다, 2) 사과를 식별한다, 3) 사과까지의 경로를 계획한다, 4) 사과를 잡는다, 5) 사용자에게 가져다준다 와 같은 일련의 계획을 생성한다. 이는 모델이 추상적인 언어를 구체적인 물리적 과업과 연결하는 능력을 보여주는 대표적인 사례이다.1 과거에는 복잡한 코딩을 통해 구현해야 했던 작업 지시가 이제는 자연스러운 대화로 가능해진 것이다.

 

하지만 순수한 LLM은 명백한 한계를 가진다. AI 분야의 석학인 얀 르쿤(Yann LeCun) 등이 지적했듯이, 텍스트 데이터만으로 학습한 LLM은 물리 세계의 복잡성과 법칙에 대한 진정한 이해가 부족하다.12 이는 물리적 속성에 대한 '환각(Hallucination)' 현상으로 이어질 수 있다. 예를 들어, 이미지 생성 AI가 사람 손가락을 6개로 그리거나 부자연스러운 모양으로 묘사하는 오류는 LLM이 현실 세계의 구조적 제약을 완벽히 내재화하지 못했음을 보여주는 단적인 예다.12 이러한 한계를 극복하기 위해, 언어뿐만 아니라 시각, 촉각 등 다양한 감각 데이터를 통합하는 멀티모달(Multi-modal) 학습이 필수적으로 요구된다.

 

1.2 체화된 AI와 거대 행동 모델(LBMs)의 부상

'체화된 AI(Embodied AI)'는 AI가 물리적인 신체(Body)를 가지고 현실 세계와의 상호작용을 통해 학습하는 개념이다.12 이는 단순히 텍스트나 이미지 데이터를 처리하는 것을 넘어, 물리적 경험을 통해 지능을 구축하는 방식으로, 앞서 언급한 LLM의 한계를 극복하기 위한 핵심적인 접근법이다. 생성형 AI가 인간의 지능을 모방하듯, 인간의 신체 구조를 닮은 휴머노이드 로봇은 인간이 만들어 놓은 환경에 쉽게 적응하며 인간의 육체적 능력을 학습하는 이상적인 플랫폼을 제공한다.12

 

이러한 모델을 구축하기 위해서는 방대한 양의 인간 행동 데이터가 필수적이다. 메타(Meta)가 여러 대학 및 연구 기관과 협력하여 진행 중인 'Ego 4D' 및 'Ego-Exo4D' 프로젝트는 이러한 데이터셋 구축의 중요성을 잘 보여준다.12 이 프로젝트는 약 800명의 참여자가 1인칭 및 3인칭 시점에서 촬영한 일상생활 영상 데이터를 수집하여 AI 모델 학습에 사용한다.12 이러한 데이터는 '거대 행동 모델(Large Behavior Models, LBMs)' 또는 '거대 행동 모델(Large Action Models, LAMs)'의 핵심적인 학습 자료가 된다.12

 

실제 기업들의 움직임도 이러한 방향성을 명확히 보여준다. 보스턴 다이내믹스(Boston Dynamics)는 자사의 휴머노이드 '아틀라스(Atlas)'에 통합된 제어 시스템을 제공하기 위해 LBM을 적극적으로 개발하고 있다.14 피규어 AI(Figure AI)의 '헬릭스(Helix)' VLA는 시각과 언어 등 멀티모달 입력을 로봇의 행동으로 직접 변환하는 신경망으로, 관찰을 통해 학습하는 능력을 구현한 대표적인 사례다.16 이처럼 로봇이 인간을 보고 스스로 학습하는 시대가 도래하고 있는 것이다.2

 

1.3 심층 분석: 데이터 해자(Data Moat)와 지능의 플라이휠

표면적으로 LLM은 로봇이 자연어 명령을 이해하게 만드는 기술로 보인다. 그러나 더 깊이 들여다보면, LLM의 진정한 가치는 단순히 명령을 이해하는 것을 넘어, 간단한 지시로부터 복잡한 행동 계획을 생성하는 '추론 엔진'으로서의 역할에 있다. 이는 로봇 프로그래밍의 패러다임을 코딩에서 대화로 전환시켜 진입 장벽을 획기적으로 낮추는 결과를 가져온다.

 

여기서 한 단계 더 나아가면, 휴머노이드 지능 개발의 핵심 병목 현상이 알고리즘 자체에서 '데이터'로 이동하고 있음을 알 수 있다. 이는 매우 중요한 전략적 함의를 가진다. 과거 검색 엔진이나 소셜 미디어 시장에서 양질의 데이터를 확보한 기업이 압도적인 경쟁 우위를 점했던 것처럼, 로봇공학 분야에서도 유사한 '데이터 해자(Data Moat)'가 형성될 가능성이 높다.

 

이러한 현상은 다음과 같은 인과 관계의 순환 구조, 즉 '플라이휠(Flywheel)' 효과를 통해 설명할 수 있다.

 

1. 초기 관찰: 피규어 AI나 보스턴 다이내믹스와 같은 선도 기업들은 헬릭스 VLA, LBM과 같은 새로운 AI 모델 개발에 집중하고 있다.15
2. 연결점 발견: 이 모델들은 텍스트뿐만 아니라 방대한 양의 비디오 및 상호작용 데이터를 통해 학습한다.12 특히 피규어 AI는 "대규모 데이터 수집 캠페인"을 통해 모델을 훈련시키고 있다고 명시적으로 밝히고 있다.17
3. 인과 관계 형성: AI 모델의 성능은 학습 데이터의 양과 질에 정비례한다. 단 10가지 작업만 수행할 수 있는 로봇은 제한된 데이터만 생성한다. 반면, 1,000가지 작업을 시도할 수 있는 로봇은 훨씬 더 풍부하고 다양한 데이터셋을 구축할 수 있다.
4. 전략적 함의 도출: 이는 결국 선순환 구조를 만들어낸다. 가장 유능하고 널리 보급된 로봇을 보유한 회사는 우월한 데이터 파이프라인을 확보하게 되고, 이는 다시 우월한 AI 모델로 이어져 로봇의 성능을 더욱 향상시킨다. 이로 인해 해당 로봇에 대한 시장 수요는 더욱 증가하게 된다. 따라서 향후 휴머노이드 시장의 경쟁은 하드웨어 설계 자체보다도, 인간의 물리적 행동을 가장 효과적으로 포착하고 처리하는 '데이터 엔진'을 누가 먼저 구축하느냐에 따라 승패가 갈릴 것이다.

 

제2장 산업의 격전지: 개발, 상용화, 그리고 지정학

이 장에서는 휴머노이드가 '왜' 그리고 '어떻게' 현장에 배치되는지에 초점을 맞추어, 시장 동력, 핵심 적용 분야, 그리고 하드웨어 부품의 중요성을 분석한다.

 

2.1 글로벌 시장 동학: 두 초강대국의 이야기

휴머노이드 로봇 시장은 엄청난 상업적 기대를 받으며 폭발적인 성장세를 보이고 있다. 시장 규모는 2025년 약 29억 2천만 달러에서 78억 달러 사이로 추산되며, 2030년에서 2035년 사이에는 150억 달러에서 최대 1,819억 달러에 이를 것으로 예측된다. 이는 연평균 성장률(CAGR)이 약 37%에서 39%에 달하는 수치로, 기술에 대한 높은 기대를 반영한다.9

 

이러한 시장의 구조는 전통적인 다자 경쟁 구도(미국, 일본, 독일, 한국 등)를 보였던 산업용 로봇 시장과는 다른 양상을 띤다.7 휴머노이드 로봇 시장은 미국과 중국의 양강 구도로 빠르게 재편되고 있다. 미국은 테슬라, 피규어 AI, 보스턴 다이내믹스 등 AI 기술 중심의 빅테크 및 스타트업들이 혁신을 주도하는 반면, 중국은 강력한 정부 정책 지원, 빠른 산업화, 그리고 내수 공급망 구축을 통해 생산 규모를 급격히 확대하고 있다.7 특히 중국의 예상 연평균 성장률은 50%로, 미국(31.5%)을 크게 상회하며 무서운 추격세를 보이고 있다.9

 

그러나 이러한 장밋빛 전망에도 불구하고 상용화의 가장 큰 걸림돌은 단연 '비용'이다.8 현재 휴머노이드 로봇의 가격은 대당 5만 달러에서 40만 달러 수준으로, 유사한 기능을 가진 전통적인 산업용 로봇 팔(3만 달러 미만)에 비해 월등히 높다.8 상업적 성공을 위해서는 결국 대량 생산을 통한 규모의 경제를 달성하여 제조 원가를 획기적으로 낮추는 것이 필수적이다.

 

2.2 목표 적용 분야: 공장 바닥에서 인간의 공간으로

휴머노이드 로봇의 보급은 단계적으로 이루어질 전망이다.

 

• 1단계: 구조화된 환경: 초기 시장의 교두보는 제조업과 물류 분야가 될 것이다.7 BMW, 메르세데스-벤츠, 아마존과 같은 글로벌 기업들은 이미 생산 라인 옆 자재 운반, 부품 분류(kitting), 자재 관리 등의 작업에 휴머노이드를 시범적으로 도입하고 있다.22 이는 환경이 비교적 정형화되어 있고 작업이 반복적이기 때문에 기술적으로 구현하기 용이한, 소위 '로우 행잉 프루트(low-hanging fruit)'에 해당한다.
• 2단계: 준구조화 및 그 이상: 다음 단계는 헬스케어(노인 돌봄, 환자 보조), 소매업, 공공 서비스 분야가 될 것이다.9 이러한 분야는 보다 발전된 사회적 상호작용 능력과 고도의 안전 기능을 요구한다.
• 궁극적 목표: 가정: 장기적인 최종 비전은 범용 가정용 보조 로봇이다.17 가정 환경은 예측 불가능하고 매우 비정형적이기 때문에 기술적으로 가장 어려운 도전 과제로 남아있다.

 

2.3 휴머노이드의 해부학: 핵심 하드웨어와 공급망 과제

휴머노이드의 성능과 가격을 결정하는 핵심은 하드웨어 부품에 있다.

 

• 액추에이터(Actuators) - 근육: 로봇의 움직임을 만드는 가장 중요한 부품이다. 전통적으로는 정밀도가 높지만 가격이 비싼 '하모닉 드라이브' 감속기에 대한 의존도가 높았다.22 그러나 최근에는 '준직접 구동(Quasi-Direct Drive, QDD)', 앱트로닉(Apptronik)의 '아폴로(Apollo)'에 사용된 '선형 액추에이터(Linear Actuators)' 등 새로운 기술들이 등장하며 비용, 성능(속도, 힘), 안전성(힘 제어) 측면에서 다양한 시도가 이루어지고 있다.22
• 센서(Sensors) - 감각: 주변 환경을 인식하고 균형을 잡으며 물체를 조작하기 위해 다양한 센서가 필수적이다. 시각/이미지 센서(카메라), 힘/토크 센서, 자이로스코프, 가속도계 등이 기본적으로 탑재된다.18 특히 피규어 03이나 피닉스(Phoenix) 로봇에서 볼 수 있는 고도화된 '촉각 센서'는 섬세한 물체 조작을 위해 핵심적인 역할을 한다.16
• 배터리(Batteries) - 체력: 에너지 밀도와 효율성은 로봇의 가동 시간을 결정하는 중요한 요소이다. 휴머노이드 전용 배터리 솔루션과 함께, AI 기반의 배터리 관리 및 안전 제어 기술 개발이 병행되고 있다.29
• 한국 산업의 현실: 한국의 휴머노이드 산업은 몇 가지 구조적인 도전에 직면해 있다. 하드웨어의 다양성이 부족하여 하모닉 드라이브 기반의 보수적인 설계에 머물러 있으며 22, 핵심 부품의 해외 의존도가 높다. 또한, 학계의 우수한 연구 성과가 산업 현장의 상용화로 원활하게 이어지지 못하는 산학연 협력의 단절 문제도 시급히 해결해야 할 과제로 지적된다.22

 

2.4 심층 분석: 범용성과 상업성 사이의 전략적 딜레마

표면적으로 휴머노이드는 비싸고, 주로 공장에서 시험적으로 사용되고 있다. 그러나 더 깊은 차원에서 보면, 미국과 중국 간의 지정학적 경쟁은 단순한 시장 점유율 다툼을 넘어 차세대 제조업과 노동의 표준을 누가 정의하느냐의 전략적 경쟁이다. 이 경쟁의 승자는 단순히 로봇을 수출하는 것이 아니라, 자국의 경제 및 기술 생태계 전체를 수출하게 될 것이다.

 

여기서 기업들은 '범용(General-purpose)' 로봇을 만들겠다는 비전과 '상업적 생존(Commercial Viability)'이라는 현실 사이의 근본적인 긴장 관계에 놓이게 된다. 초기 성공은 제조업과 같은 특정 수직 시장(Vertical Market)에서 확실한 '킬러 앱(Killer App)'을 찾아내는 것에 달려있다. 하지만 이 초기 시장에 지나치게 최적화된 설계는, 장기적으로 진정한 범용성을 확보하는 데 필요한 하드웨어 및 소프트웨어 아키텍처를 저해할 수 있다. 이는 개발자들에게 다음과 같은 전략적 딜레마를 안겨준다.

 

• 경로 A (전문화 우선): 공장 작업(높은 가반하중, 견고함, 저비용)에 최적화하여 빠른 수익 창출을 도모한다. 하지만 이 경우, 가정이나 서비스 환경에 적용하기에는 너무 투박하거나 비싼 플랫폼이 될 위험이 있다.
• 경로 B (범용성 우선): 피규어 03이 가정 환경을 염두에 두고 부드러운 소재를 사용하는 것처럼 16, 고도의 손재주와 적응성을 갖춘 플랫폼에 막대한 투자를 감행한다. 하지만 이는 수익 실현까지 더 길고 자본 집약적인 경로를 거쳐야 한다.

 

이러한 딜레마는 다음과 같은 논리적 흐름을 통해 도출된다.

 

1. 초기 관찰: 현재 대부분의 시범 운영은 BMW, 메르세데스-벤츠, 아마존 등 제조업 분야에 집중되어 있다.22 이는 명백한 초기 진입 시장이다.
2. 상반된 데이터: 동시에 피규어 AI와 같은 회사는 최신 로봇(피규어 03)을 가정 환경과 부드러운 소재를 염두에 두고 설계하고 있다.16
3. 인과 관계 형성: 무거운 자동차 부품을 들어 올리는 공장의 요구사항과 깨지기 쉬운 물건을 다루고 빨래를 개는 가정의 요구사항은 근본적으로 다르다. 이는 액추에이터 설계, 센서 정밀도, 안전 시스템 등에서 상이한 기술적 트레이드오프(Trade-off)를 의미한다.
4. 전략적 함의 도출: 오늘 어떤 시장을 우선순위로 둘 것인가에 대한 전략적 선택은, 미래에 더 크고 수익성 높은 시장에서 경쟁할 수 있는 회사의 능력에 장기적인 영향을 미칠 것이다. 가장 성공적인 기업은 아마도 완전한 재설계 없이도 다양한 수직 시장에 적응할 수 있는 모듈형 플랫폼을 설계하는 기업일 것이다. 예를 들어, 앱트로닉의 아폴로는 다리형 또는 바퀴형 기반으로 배포될 수 있는 모듈식 설계를 채택하여 이러한 유연성을 추구하고 있다.27

 

제3장 신경 시스템: 물리적 AI, 엣지 컴퓨팅, 그리고 온디바이스 처리

이 장에서는 로봇의 '두뇌'가 '몸'과 어떻게 연결되어 실시간으로 지능적인 물리적 행동을 가능하게 하는지를 설명한다.

 

3.1 실시간 반응의 필요성

물리적 세계와의 상호작용은 실수가 용납되지 않는다. 텍스트를 잘못 생성하는 것과 달리, 상자를 떨어뜨리거나 사람과 부딪히는 것은 되돌릴 수 없다. 이는 클라우드 기반 AI가 보장할 수 없는, 낮은 지연 시간(Low-latency)의 실시간 의사결정을 필수적으로 요구한다.32 데이터 센터와의 왕복 통신 시간은 역동적인 환경을 탐색하는 로봇에게는 너무 길고 불안정하다.

 

이러한 요구사항에 따라 AI 처리 방식은 다음과 같이 구분된다.34

 

• 클라우드 AI (Cloud AI): 거대 모델을 학습시키는 데는 유리하지만, 실시간 추론에는 부적합하다.
• 엣지 AI (Edge AI): 공장 서버와 같은 네트워크의 '엣지(Edge)'에서 데이터를 로컬로 처리한다. 클라우드보다 지연 시간이 짧지만, 여전히 로컬 네트워크에 의존한다.
• 온디바이스 AI (On-Device AI): 모든 추론 과정이 로봇 자체의 프로세서 내에서 직접 수행된다. 이는 진정한 자율성을 위한 궁극적인 목표이다.

 

3.2 엣지 및 온디바이스 아키텍처

온디바이스 AI 접근 방식은 여러 핵심적인 이점을 제공한다.

 

1. 속도 / 저지연성: 감각 입력에 대한 즉각적인 반응이 가능하다.33
2. 데이터 보안 및 프라이버시: 가정이나 공장 내부의 민감한 영상 데이터 등을 외부로 전송할 필요가 없다.32
3. 작동 안정성: 지속적인 인터넷 연결 없이도 로봇이 기능을 수행할 수 있다.33
4. 비용 및 에너지 효율성: 데이터 전송 비용과 데이터 센터의 막대한 에너지 소비를 절감할 수 있다.33

 

이러한 아키텍처를 구현하기 위해서는 AI 연산에 특화된 반도체가 필수적이다. 제한된 전력 예산 내에서 복잡한 신경망을 실시간으로 처리해야 하는 요구사항은 범용 CPU로는 충족시키기 어렵다. 따라서 GPU(그래픽 처리 장치)와, 특히 NPU(신경망 처리 장치, Neural Processing Unit)와 같은 특화된 프로세서의 사용이 필수가 된다.34

 

앱트로닉의 아폴로가 엔비디아(NVIDIA)의 젯슨(Jetson) 모듈(AGX Orin & Orin NX)을 사용하는 것은 강력한 온디바이스 AI 컴퓨팅 플랫폼의 대표적인 사례다.27 또한, 엔비디아의 프로젝트 GR00T(파운데이션 모델), Isaac Lab(시뮬레이션), OSMO(컴퓨팅 오케스트레이션)와의 협력은 로봇을 위한 온디바이스 AI를 구현하기 위한 완전한 통합 스택(Full-stack) 접근 방식을 보여준다.3

 

3.3 심층 분석: 가치 사슬의 재편과 플랫폼의 부상

표면적으로 로봇은 빠른 반응을 위해 온디바이스 AI를 필요로 한다. 그러나 더 깊이 분석하면, 온디바이스 AI로의 전환은 단순히 기술적 선택을 넘어, 관련 산업의 가치 사슬을 재정의하는 전략적 움직임이라는 것을 알 수 있다. 이는 핵심 하드웨어의 가치를 범용 컴퓨팅 칩에서 전력 효율적인 특화 AI 가속기(NPU)로 이동시킨다. 이로 인해 엔비디아, 퀄컴 등 반도체 기업들이 차세대 디바이스의 '두뇌'를 장악하기 위한 새로운 경쟁의 장이 열리고 있다.3

 

여기서 한 걸음 더 나아가면, 하드웨어, 시스템 소프트웨어, SDK, AI 모델을 아우르는 완전한 '풀 스택(Full Stack)'의 개발이 핵심적인 차별화 요소가 되고 있음을 파악할 수 있다.34 단순히 AI 칩만 제공하는 것으로는 부족하다. 최종 승자는 로봇 개발자들이 AI를 쉽게 배포할 수 있도록 하는 통합 플랫폼을 제공하는 기업이 될 것이다. 이는 엔비디아가 자사의 로보틱스 스택을 통해 추구하는 핵심 전략이다.

 

이러한 흐름은 로봇 산업이 과거 스마트폰 산업의 발전 궤적을 따라갈 수 있음을 시사한다.

 

1. 초기 관찰: 온디바이스 AI의 필요성이 NPU와 같은 특화된 칩에 대한 수요를 견인하고 있다.34
2. 연결점 발견: 엔비디아와 같은 기업들은 단순히 칩을 판매하는 것을 넘어, GR00T(파운데이션 모델), Isaac Lab(시뮬레이터), Jetson(하드웨어)을 포함하는 포괄적인 플랫폼을 제공하고 있다.27 연구 자료들 역시 '풀 스택'의 중요성을 강조한다.34
3. 인과 관계 형성: AI 모델을 특정 하드웨어에 통합하고 최적화하는 작업은 매우 복잡하다. 사전에 통합되고 최적화된 풀 스택은 로봇 제조업체의 개발 시간과 비용을 극적으로 줄여주므로 매우 매력적인 선택지가 된다.
4. 전략적 함의 도출: 이는 핵심 기술 스택이 소수의 주요 플랫폼 제공업체를 중심으로 통합될 수 있음을 의미한다. 미래의 휴머노이드 기업들은 기계적 설계, 특정 응용 분야, 사용자 경험 등에서 차별화를 꾀하겠지만, 그 기반이 되는 AI 및 컴퓨팅 플랫폼은 표준화될 가능성이 있다. 이는 마치 대부분의 PC가 x86 아키텍처에서 실행되고 대부분의 스마트폰이 ARM 기반으로 작동하는 것과 유사한 생태계 구조로 귀결될 수 있다.

 

제4장 움직임의 기술: 이족 보행 및 제어를 위한 강화학습

이 장에서는 휴머노이드가 우아하고 안정적이며 목적을 가지고 움직이게 만드는 복잡한 도전 과제, 즉 모션 제어 기술을 심층적으로 탐구한다.

 

4.1 제어의 두 기둥: 모델 기반 대 학습 기반

 

• 모델 기반 제어 (Model-Based Control): 전통적인 접근 방식으로, 로봇의 동역학(물리 법칙)에 대한 정밀한 수학적 모델을 만드는 데 의존한다. 모델 예측 제어(MPC), 전신 제어(WBC)와 같은 기법들은 이 모델을 사용하여 움직임을 계산하고 계획한다.22

• 장점: 정밀도가 높고, 안정성을 수학적으로 증명할 수 있다. 예측 가능한 환경에서 뛰어난 성능을 보인다.
• 단점: 모델이 부정확하거나 환경이 예측 불가능할 경우(예: 모델에 없는 미끄러운 바닥) 성능이 급격히 저하되는 취약점이 있다.

• 강화학습 기반 제어 (Reinforcement Learning-based Control): 데이터 기반의 접근 방식으로, 로봇이 시뮬레이션 환경에서 수많은 시행착오를 통해 움직임을 학습한다. '보상(Reward)'(예: 넘어지지 않고 앞으로 나아가는 것에 대한 보상)을 최대화하는 '정책(Policy)'을 스스로 최적화한다.22

• 장점: 불확실성과 외란에 매우 강인하다. 인간 엔지니어가 설계하지 못할 수도 있는 새롭고 효율적인 움직임을 발견할 수 있다.37
• 단점: 수백만 번의 시도가 필요하여 계산 비용이 매우 높고, 학습된 정책의 안정성이 보장되지 않으며, 시뮬레이션에서 현실 세계로 학습 결과를 이전하는 것이 가장 큰 난제이다.

 

4.2 학습의 아키텍처: End-to-End 대 계층적 구조

 

• End-to-End 강화학습: AI 모델이 고수준의 감각 입력(예: 카메라 이미지)을 받아 저수준의 명령(예: 모터 토크)을 직접 출력하는 가장 순수한 형태의 학습 방식이다.37
• 계층적 강화학습 (Hierarchical RL): 문제를 여러 계층으로 분해하여 접근한다. 고수준 정책이 "다음 발을 여기에 딛어라"와 같은 전략적 결정을 내리면, 저수준 정책이 "그 목표 지점에 도달하기 위해 다리 관절을 움직여라"와 같은 실행을 담당한다.37 이 접근 방식은 모델 기반 제어와 강화학습의 장점을 결합하는 경우가 많으며, 복잡한 작업을 수행하는 데 더 효과적인 것으로 입증되었다.37

 

4.3 'Sim-to-Real' 격차: 디지털과 물리 세계의 간극 메우기

이는 로봇공학 분야 강화학습의 가장 큰 도전 과제이다.22 깨끗하고 예측 가능한 시뮬레이션에서 완벽하게 작동하는 정책이라도, 실제 로봇에서는 미묘한 마찰 차이, 모터 반응 지연, 센서 노이즈, 예상치 못한 외란 등으로 인해 실패하는 경우가 많다.39

 

이 격차를 줄이기 위한 핵심 완화 기술은 다음과 같다.

 

1. 영역 무작위화 (Domain Randomization): 학습 과정에서 시뮬레이션의 물리적 매개변수(예: 중력, 마찰, 질량)를 의도적으로 무작위로 변경한다. 이를 통해 정책이 다양한 조건에 강인해지도록 강제하여 실제 세계에서 작동할 가능성을 높인다.40
2. 시스템 식별 (System Identification): 실제 로봇과 그 부품의 물리적 특성을 정밀하게 측정하여 시뮬레이션 모델에 피드백함으로써, 시뮬레이션의 정확도를 높인다.40
3. 모방 학습 (Imitation Learning): 인간의 시연 데이터를 사용하여 학습 과정을 '부트스트래핑(bootstrapping)'한다. 이는 강화학습 에이전트가 처음부터 합리적인 해결책을 탐색하도록 유도하는 역할을 한다.40

 

4.4 심층 분석: 기술 융합과 시뮬레이션의 전략적 가치

표면적으로 강화학습은 로봇이 걷는 법을 배우도록 돕는 기술이다. 그러나 더 깊이 분석해 보면, 산업계는 하이브리드 접근 방식으로 수렴하고 있음을 알 수 있다. 순수한 모델 기반 제어나 순수한 강화학습만으로는 충분하지 않다. 보스턴 다이내믹스와 같은 가장 진보된 시스템들은 강화학습을 통해 역동적인 움직임에 대한 강인한 정책을 학습하고, 동시에 모델 기반 최적화를 사용하여 실시간으로 궤적을 수정하고 계획을 수립한다.22 미래는 둘 중 하나의 승리가 아닌, 두 기술의 지능적인 융합에 있다.

 

여기서 한 단계 더 나아가면, 'Sim-to-Real' 이전 기술의 성공 여부가 핵심적인 기술 해자(Technological Moat)가 될 것임을 예측할 수 있다. 학습된 행동을 시뮬레이션에서 현실로 빠르고 안정적으로 이전하는 능력은 엄청난 생산성 향상을 가져온다. 새로운 기술을 현장에 배포하기 위해 수개월간의 수동 튜닝이 필요한 회사는, 견고한 Sim-to-Real 파이프라인을 통해 단 몇 시간 또는 며칠 만에 이를 해내는 경쟁사에 의해 도태될 것이다.

이러한 관점은 엔비디아의 Isaac Lab과 같은 시뮬레이션 플랫폼의 위상을 단순한 개발 도구에서 핵심적인 '전략적 자산'으로 격상시킨다.

 

1. 초기 관찰: 여러 자료에서 공통적으로 지적하는 주요 병목 현상은 Sim-to-Real 격차이다.22
2. 연결점 발견: 선도 기업들은 시뮬레이션에 막대한 투자를 하고 있다. 엔비디아는 Isaac Lab을 중심으로 전체 플랫폼을 구축하고 있으며 27, 생츄어리 AI(Sanctuary AI)와 같은 기업은 새로운 작업의 자동화 소요 시간을 몇 주에서 24시간 이내로 단축하는 것을 목표로 하고 있다.43
3. 인과 관계 형성: 시뮬레이션에서 더 빨리 반복하고 그 학습 결과가 현실 세계로 더 안정적으로 이전될수록, 로봇은 더 빨리 새로운 기술을 습득할 수 있다. 이는 기하급수적인 학습 곡선을 만들어낸다.
4. 전략적 함의 도출: 미래의 경쟁은 최고의 로봇 하드웨어를 가진 기업이 아니라, 최고의 '현실 공장(Reality Factory)', 즉 시뮬레이션 경험을 실제 역량으로 전환하는 가장 효율적인 파이프라인을 가진 기업이 승리할 것이다. 이 파이프라인(시뮬레이션 플랫폼 + 영역 무작위화 기술 + 실제 데이터 피드백 루프)은 경쟁사가 쉽게 복제하기 어려운 복잡하고 통합된 시스템이며, 그 자체로 강력한 경쟁 우위의 원천이 될 것이다.

 

제5장 내일의 거인들: 주요 휴머노이드 플랫폼 비교 분석

이 장에서는 주요 휴머노이드 개발사들의 기술 사양, 전략적 파트너십, 시장 포지셔닝을 종합하여 비교 분석한다.

 

항목	테슬라 옵티머스	피규어 03 / 헬릭스	보스턴 다이내믹스 아틀라스 (전기식)	생츄어리 AI 피닉스	앱트로닉 아폴로
신장 / 체중	173 cm / 57 kg 44	168 cm / 60 kg 45	정보 미공개	170 cm / 70 kg 46	173 cm / 73 kg 25
최대 가반하중	20 kg 44	25 kg 16	정보 미공개 (중량물 취급) 47	25 kg 46	25 kg (추정)
자유도 (전체 / 손)	정보 미공개 / 22+ DoF (Gen 3) 26	35 DoF / 16 DoF 16	정보 미공개 (인간 이상) 47	75 DoF / 20 DoF 28	정보 미공개
액추에이터 기술	자체 설계 전기 모터 45	전기식 45	전기식 47	유압식 (소형화) 43	선형 액추에이터 27
컴퓨팅 하드웨어	테슬라 FSD 컴퓨터 (SoC) 45	NVIDIA RTX GPU 기반 모듈 16	정보 미공개	정보 미공개	NVIDIA Jetson AGX Orin / NX 27
핵심 AI / 소프트웨어	테슬라 FSD 신경망 26	Helix VLA, BotQ (생산시설) 16	거대 행동 모델 (LBM) 15	Carbon™ AI 제어 시스템 49	NVIDIA Project GR00T 27
주요 파트너	내부 수직계열화 44	OpenAI, BMW 16	현대자동차, 토요타 연구소 2	Accenture 49	NASA, NVIDIA, Google DeepMind, Jabil 24
목표 시장	제조업 (자사 공장 우선), 가정 23	제조업, 물류, 가정 11	산업용 (중공업) 47	제조업, 물류, 헬스케어 49	제조업, 물류, 항공우주 50

 

5.1 테슬라 옵티머스: 수직계열화 전략

 

• 기술: 테슬라가 기존에 보유한 배터리, 차량용 액추에이터, 그리고 FSD(완전 자율 주행) 컴퓨터 및 신경망 기술을 적극적으로 활용한다.45 초기 설계부터 대량 생산성과 비용 절감을 최우선으로 고려하는 것이 특징이다.
• 전략: 일차적으로 테슬라 자사 공장의 노동력 부족 문제를 해결하는 것을 목표로 삼고 있다. 이는 완벽한 테스트베드이자 초기 고객을 동시에 확보하는 전형적인 수직계열화 전략이다.23
• 현황: 2세대(Gen 2) 모델에서 향상된 움직임을 보여주었으나, 실제 환경에서의 적응성과 섬세한 손 조작 능력에 대해서는 여전히 전문가들의 회의적인 시각이 존재한다.26

 

5.2 피규어 AI: AI 우선주의 선두주자

 

• 기술: Figure 01에서 03까지의 빠른 개발 주기와 OpenAI와의 깊은 파트너십을 통해 구현한 음성 및 VLA(시각-언어-행동) 기능으로 유명하다.11 관찰을 통해 학습하는 능력을 갖춘 헬릭스(Helix) AI 시스템이 핵심적인 차별화 요소이다.16
• 전략: 우월한 지능이 궁극적인 경쟁 우위가 될 것이라는 믿음 하에 'AI 우선(AI-First)' 접근 방식을 취한다. BMW와 같은 산업계 리더와의 파트너십을 통해 실제 현장에서의 배포와 검증을 진행하고 있다.16
• 현황: 피규어 03은 인상적인 물체 조작 능력을 선보이며, 산업 현장과 가정 환경 모두를 목표로 설계되어 폭넓은 비전을 보여주고 있다.16

 

5.3 보스턴 다이내믹스 아틀라스: 동역학의 황금 표준

 

• 기술: 역동적인 움직임(Dynamic Locomotion) 분야에서 타의 추종을 불허하는 기술력을 보유하고 있다. 기존 유압식에서 진화한 새로운 전기식 아틀라스는 더 강력하고, 더 정교하며, 상업적으로 생산 가능하도록 설계되었다.14 통합 제어를 위한 거대 행동 모델(LBMs) 개발에 집중하고 있다.15
• 전략: 압도적인 기술적 우위를 바탕으로 극한의 기동성과 힘이 요구되는 복잡한 산업 과제를 공략한다. 현대자동차 그룹의 지원을 받으며 산업 적용을 위한 명확한 경로를 확보했다.2
• 현황: 최신 공개 영상에서는 무거운 자동차 부품을 자율적으로 다루는 모습을 보여주며, 단순한 픽 앤 플레이스를 넘어선 고도의 작업 능력을 입증했다.47

 

5.4 생츄어리 AI 피닉스: 손재주의 전문가

 

• 기술: 인간의 손재주에 필적하는 능력을 목표로, 독자적인 햅틱(촉각) 피드백 기술이 적용된 20자유도의 손을 통해 차별화를 꾀한다.28 자체 개발한 Carbon™ AI 제어 시스템은 빠른 작업 자동화를 위해 설계되었다.43
• 전략: 다른 경쟁자들이 어려움을 겪는, 섬세한 손 조작 기술이 필요한 작업을 목표로 한다. 인간 수준의 조작 능력을 갖춘 로봇을 제공하여 노동력 부족 문제를 해결하는 것을 목표로 한다.
• 현황: 7세대 모델은 제작 시간, 가동 시간, 감각 데이터의 충실도 측면에서 상당한 개선을 이루었다.43

 

5.5 앱트로닉 아폴로: 생태계 구축자

 

• 기술: 텍사스 오스틴 대학과 NASA의 발키리(Valkyrie) 로봇 프로젝트에서 비롯된 깊은 학술적 배경을 가지고 있다.25 안전성과 효율성을 고려한 독특한 선형 액추에이터 설계와 다양한 기반(다리, 바퀴 등)에 상체를 탑재할 수 있는 모듈식 설계가 특징이다.27
• 전략: 순수한 '생태계 구축' 전략을 구사한다. 모든 것을 자체 개발하기보다는 각 분야의 최고 기업들과 파트너십을 맺는다. NASA(연구), NVIDIA(AI/컴퓨팅), Google DeepMind(AI 모델), 그리고 Jabil(제조)과의 협력이 이를 증명한다.24
• 현황: 다수의 유력 기업들과 파트너십을 확보하며, 새롭게 부상하는 휴머노이드 시장에서 핵심적인 통합 플랫폼으로 자리매김하고 있다.

 

결론: 보편적 휴머노이드 시대로 가는 길

분석 종합

본 보고서에서 분석한 바와 같이, 휴머노이드 로봇의 발전은 여러 기술적 흐름이 융합된 결과이다. LLM과 VLA는 로봇에게 인지적 도약을 가능하게 했으며, 산업 현장의 수요는 비용과 하드웨어라는 현실적인 과제를 제시했다. 물리적 세계와의 실시간 상호작용을 위한 온디바이스 AI는 필수불가결한 신경 시스템이 되었고, 강화학습과 모델 기반 제어의 융합은 움직임에 생명력을 불어넣고 있다.

 

핵심 성공 요인(KSFs)

미래 휴머노이드 시장의 승자를 결정할 핵심 성공 요인은 다음 세 가지로 요약할 수 있다.

 

1. 하드웨어-소프트웨어 통합 설계: 가장 성공적인 플랫폼은 최고의 하드웨어나 최고의 소프트웨어를 가진 기업이 아니라, 이 둘을 가장 긴밀하고 효율적으로 통합한 기업이 될 것이다.
2. 데이터 플라이휠: 로봇을 현장에 배포하고, 고품질의 상호작용 데이터를 수집하며, 이를 통해 AI 모델을 신속하게 개선하는 선순환 구조를 구축하는 것이 가장 강력한 경쟁 해자가 될 것이다.
3. 생태계 전략: AI, 컴퓨팅, 제조, 배포 등 필요한 모든 전문 분야를 한 회사가 독점하는 것은 불가능하다. 속도와 규모의 경제를 달성하기 위해서는 각 분야 최고 기업들과의 전략적 파트너십이 필수적이다.

 

미래 전망 및 전략적 제언

 

• 단기 (1~3년): 제조업 및 물류 현장에서의 시범 운영을 둘러싼 치열한 경쟁이 예상된다. 화려한 데모 영상보다는 실제 현장에서의 신뢰성과 가동 시간이 성공의 핵심 지표가 될 것이다.
• 중기 (3~7년): 의미 있는 성능을 갖춘 로봇을 5만 달러 미만의 가격으로 출시하는 첫 번째 기업이 대중화의 첫 물결을 일으킬 것이다. Sim-to-Real 파이프라인이 성숙하면서 로봇의 기술 습득 속도가 기하급수적으로 빨라질 것이다.
• 장기 (7년 이상): 휴머노이드가 준구조화된 공공 및 상업 공간으로 진출하기 시작할 것이다. 이 시점부터는 일자리 대체, 사회적 영향, 윤리적 문제에 대한 논의가 기술 자체보다 더 중요한 사회적 의제로 부상할 것이다.

 

한국 산업계를 위한 제언

마지막으로, 한국의 휴머노이드 생태계를 위한 구체적인 제언으로 결론을 맺고자 한다. 글로벌 경쟁에서 살아남기 위해서는 첫째, 차세대 액추에이터와 같은 핵심 부품에 대한 집중적인 R&D를 통해 하드웨어의 한계를 극복해야 한다. 둘째, 학계의 연구 성과가 산업계의 제품으로 이어지는 실질적인 산학연 협력 모델을 구축하여 연구와 상용화 사이의 간극을 메워야 한다. 셋째, 핵심 부품에 대한 해외 의존도를 낮추고 안정적인 생산 기반을 마련하기 위한 탄력적인 국내 공급망 구축이 시급하다. 이러한 노력을 통해 한국이 다가오는 휴머노이드 시대의 주역으로 자리매김할 수 있기를 기대한다.

 

 

참고 자료

1. LLM 기반의 AI 휴머노이드, 그 서막은?, 10월 27, 2025에 액세스, https://stibee.com/api/v1.0/emails/share/_scfRdNlSQTvj3IDGiyNlJQSlXVFmXk
2. 두뇌 비약적 발전한 휴머노이드 온다, 상황 인지·예측은 기본 스스로 인간 모방도 - 매일경제, 10월 27, 2025에 액세스, https://www.mk.co.kr/news/business/11068561
3. [기획기사]피지컬 AI, 인간과 협력하는 지능형 로봇의 시대, 10월 27, 2025에 액세스, https://www.oss.kr/oss_guide/show/7d207907-f60b-492f-aed5-077385ec6b47
4. www.hpe.com, 10월 27, 2025에 액세스, https://www.hpe.com/kr/ko/what-is/physical-ai.html#:~:text=%EB%AC%BC%EB%A6%AC%EC%A0%81%20AI%EB%8A%94%20%EB%8B%A4%EC%96%91%ED%95%9C%20%EC%84%BC%EC%84%9C,%EC%A7%80%EB%8A%A5%EC%9D%98%20%ED%95%9C%20%EB%B6%84%EC%95%BC%EC%9E%85%EB%8B%88%EB%8B%A4.
5. 스스로 행동 결과를 예측하는 피지컬 AI[테크트렌드] - Daum, 10월 27, 2025에 액세스, https://v.daum.net/v/20251025070346755
6. 물리적 AI란? | 용어 해설 | HPE 대한민국, 10월 27, 2025에 액세스, https://www.hpe.com/kr/ko/what-is/physical-ai.html
7. AI 휴머노이드 진화 특성: - ETRI 지식공유플랫폼, 10월 27, 2025에 액세스, https://ksp.etri.re.kr/ksp/plan-report/file/1450.pdf
8. 휴머노이드 상용화 최대 걸림돌은 “제조 비용” - 로봇신문, 10월 27, 2025에 액세스, https://www.irobotnews.com/news/articleView.html?idxno=42172
9. Humanoid Robot Market | Global Market Analysis Report - 2035 - Future Market Insights, 10월 27, 2025에 액세스, https://www.futuremarketinsights.com/reports/humanoid-robot-market
10. [논문 리뷰] AI Robots and Humanoid AI: Review, Perspectives and ..., 10월 27, 2025에 액세스, https://www.themoonlight.io/ko/review/ai-robots-and-humanoid-ai-review-perspectives-and-directions
11. Figure AI: What We Know About the Humanoid Robotics Company - Built In, 10월 27, 2025에 액세스, https://builtin.com/articles/figure-ai
12. 생성형 AI가 휴머노이드 로봇을 만났을 때 | 인사이트리포트 | 삼성SDS, 10월 27, 2025에 액세스, https://www.samsungsds.com/kr/insights/when-generative-ai-meets-humanoid-robots.html
13. 휴머노이드 로봇의 진화와 미래 과제, 10월 27, 2025에 액세스, https://ettrends.etri.re.kr/ettrends/214/0905214009/
14. Boston Dynamics Robots amazing upgrade | Atlas, Spot & AI Robotics – Latest new skills, 10월 27, 2025에 액세스, https://www.youtube.com/watch?v=3dtYJ6JAlrI
15. Boston Dynamics ATLAS Just Got a Huge Brain Upgrade + Unitree's New Flagship Robot, 10월 27, 2025에 액세스, https://www.youtube.com/watch?v=WDvyizEDFNQ
16. Figure AI - Wikipedia, 10월 27, 2025에 액세스, https://en.wikipedia.org/wiki/Figure_AI
17. Figure 03: The Best Inventions of 2025 - Time Magazine, 10월 27, 2025에 액세스, https://time.com/collections/best-inventions-2025/7318493/figure-03/
18. Humanoid Robot Market Size, Share & Trends, 2025 To 2030 - MarketsandMarkets, 10월 27, 2025에 액세스, https://www.marketsandmarkets.com/Market-Reports/humanoid-robot-market-99567653.html
19. 중국 휴머노이드 로봇 발전 동향 및 평가 - 대외경제정책연구원, 10월 27, 2025에 액세스, https://www.kiep.go.kr/galleryDownload.es?bid=0006&list_no=11929&seq=1
20. 휴머노이드 로봇 특이점이 온다 ,, 10월 27, 2025에 액세스, https://fanfandaero.kr/download.do?fileName=/cmmn/20241105/F363ED46-5D23-0EF2-FECD-6C380D484983.pdf
21. AI 통합 및 확장 가능한 설계를 통해 휴머노이드 로봇공학 발전 - Advantech, 10월 27, 2025에 액세스, https://www.advantech.com/en-us/resources/case-study/copy-of-advancing-humanoid-robotics-with-ai-integration-and-scalable-design
22. 韓 휴머노이드 강국의 조건… 기술 발전·산업화·상용화 병행 - 월간 통상, 10월 27, 2025에 액세스, https://tongsangnews.kr/webzine/202506/2025060980246.html
23. 휴머노이드 로봇? 이제는 피지컬 AI의 시대입니다 - Elice, 10월 27, 2025에 액세스, https://elice.io/ko/newsroom/physical-ai-robot-trend
24. Apptronik and Jabil Collaborate to Scale Production of Apollo Humanoid Robots and Deploy in Manufacturing Operations, 10월 27, 2025에 액세스, https://apptronik.com/news-collection/apptronik-and-jabil-collaborate-to-scale-production
25. Apptronik Partners with Google DeepMind Robotics to Accelerate Advancement on AI-powered Humanoid Robots, 10월 27, 2025에 액세스, https://apptronik.com/news-collection/apptronik-partners-with-google-deepmind-robotics
26. Tesla robot price in 2025: Everything you need to know about Optimus - Standard Bots, 10월 27, 2025에 액세스, https://standardbots.com/blog/tesla-robot
27. Apptronik Collaborates with NVIDIA, 10월 27, 2025에 액세스, https://apptronik.com/news-collection/apptronik-collaborates-with-nvidia
28. Phoenix - Humanoid.guide, 10월 27, 2025에 액세스, https://humanoid.guide/product/phoenix/
29. News - 건축계소식 - 대한건축학회, 10월 27, 2025에 액세스, https://www.aik.or.kr/board/?_0000_method=view&ncode=d001&num=8089
30. 2025 AI 로봇ㆍ휴머노이드 로봇 트렌드와 서비스 로봇 유망 분야별 시장 전망과 사업화 전략, 10월 27, 2025에 액세스, https://www.irsglobal.com/goods/99176
31. Is the Figure 03 Robot Ready to Clean Your House? - YouTube, 10월 27, 2025에 액세스, https://www.youtube.com/watch?v=4ZP943-gARQ
32. 엣지 인공지능(Edge AI)이란? 실시간 AI 분석 및 처리 기술 - Red Hat, 10월 27, 2025에 액세스, https://www.redhat.com/ko/topics/edge-computing/what-is-edge-ai
33. '제3의 IT혁명 디바이스 시대'가 온다 - PwC, 10월 27, 2025에 액세스, https://www.pwc.com/kr/ko/insights/industry-focus/samilpwc_on-device-ai.pdf
34. Physical AI 시대에 대응한 On-device AI 반도체 경쟁력 강화 방향 - 정보통신정책연구원, 10월 27, 2025에 액세스, https://www.kisdi.re.kr/report/fileDown.do?key=m2101113025377&arrMasterId=4333446&id=1839476
35. 생성AI의 '완결편'…물리적AI와 온-디바이스AI의 '융합' - 애플경제, 10월 27, 2025에 액세스, https://www.apple-economy.com/news/articleView.html?idxno=76629
36. 서울공대 웹진(134호) 신기술 동향 | 휴머노이드 로봇 보행 기술 및 개발 동향, 10월 27, 2025에 액세스, https://webzine-eng.snu.ac.kr/web/vol134/SW134_12_tech2.php
37. 휴머노이드 로봇 보행 기술의 연구 동향 Advances in Humanoid ..., 10월 27, 2025에 액세스, http://dyros.snu.ac.kr/wp-content/uploads/2024/04/Humanoid_review.pdf
38. 2025 휴머노이드 로봇의 보행 - 서울대 융합과학기술대학원 박재흥 교수 - YouTube, 10월 27, 2025에 액세스, https://www.youtube.com/watch?v=6l3WGEo_BTE
39. [2502.13187] A Survey of Sim-to-Real Methods in RL: Progress, Prospects and Challenges with Foundation Models - arXiv, 10월 27, 2025에 액세스, https://arxiv.org/abs/2502.13187
40. (PDF) A Survey of Sim-to-Real Transfer Techniques Applied to Reinforcement Learning for Bioinspired Robots - ResearchGate, 10월 27, 2025에 액세스, https://www.researchgate.net/publication/354944041_A_Survey_of_Sim-to-Real_Transfer_Techniques_Applied_to_Reinforcement_Learning_for_Bioinspired_Robots
41. Sim-to-Real Transfer in Deep Reinforcement Learning for Robotics: a Survey - arXiv, 10월 27, 2025에 액세스, https://arxiv.org/abs/2009.13303
42. [2504.07694] Sim-to-Real Transfer in Reinforcement Learning for Maneuver Control of a Variable-Pitch MAV - arXiv, 10월 27, 2025에 액세스, https://arxiv.org/abs/2504.07694
43. Sanctuary AI Unveils the Next Generation of AI Robotics, 10월 27, 2025에 액세스, https://www.sanctuary.ai/blog/sanctuary-ai-unveils-the-next-generation-of-ai-robotics
44. Optimus Tesla Robot: Everything We Know So Far - Top Speed, 10월 27, 2025에 액세스, https://www.topspeed.com/tesla-robot-optimus/
45. Tesla Optimus Specifications - QVIRO, 10월 27, 2025에 액세스, https://qviro.com/product/tesla/optimus/specifications
46. Sanctuary AI Phoenix Specifications - QVIRO, 10월 27, 2025에 액세스, https://qviro.com/product/sanctuary-ai/phoenix/specifications
47. Atlas humanoid robot shows increasing competence in latest Boston Dynamics video, 10월 27, 2025에 액세스, https://www.therobotreport.com/atlas-humanoid-robot-shows-increasing-competence-in-latest-boston-dynamics-video/
48. Tesla Bot a.k.a Optimus - Wevolver, 10월 27, 2025에 액세스, https://www.wevolver.com/specs/tesla-bot-aka-optimus
49. Sanctuary AI Phoenix Review: Worth The Hype? - Robozaps Blog, 10월 27, 2025에 액세스, https://blog.robozaps.com/b/sanctuary-ai-phoenix-review
50. Apptronik signs partnership with NASA for humanoid robots, 10월 27, 2025에 액세스, https://apptronik.com/news-collection/apptronik-signs-partnership-with-nasa-for-humanoid-robots