로보틱스 산업은 현재 GPT-2.5 수준의 단계에 있으며, 파운데이션 모델이 실제 역량을 보여주고 있으나 실험실 성과와 현장 배포 간의 격차가 여전히 큼
Goldman Sachs가 1년 만에 6배 상향한 2035년 380억 달러 시장 전망도 Bessemer는 보수적이라고 판단하며, 로보틱스 데이터 비용만 향후 2년간 업계 전체 30억 달러 이상 소요 예상
미국 로보틱스 기업 창업자의 48%가 Stanford, MIT, Berkeley, CMU 4개 기관 출신으로, 인재 집중이 승자 독식 구조를 가속화할 전망
방위 로보틱스 기업의 Series A 중앙값이 비방위 기업의 2배인 1억 500만 달러에 달하며, Anduril의 600억 달러 밸류에이션 등 최초의 500억 달러 이상 IPO가 이 분야에서 나올 것으로 예측
지난 5년간 3,000만 달러 이상 투자받은 로보틱스 기업이 소프트웨어의 18분의 1 수준인 42개에 불과해, 로보틱스 버블이 아닌 구조적 과소 투자 상태
로보틱스의 구조적 수요와 시장 전망
반복적 육체노동이나 위험한 작업 환경에 대한 인력 대체 수요가 미국, 유럽, 일본, 중국의 인구 구조 변화로 인해 지속 증가 중
일부 애널리스트들은 로보틱스 시장이 2035년까지 380억 달러에 도달할 것으로 예측했으며, Goldman Sachs는 이 전망을 1년 만에 6배 상향 조정
Bessemer는 이 전망조차 속도와 규모 양면에서 보수적이라고 판단
Bessemer 파트너 Jeremy Levine은 "향후 10~20년 안에 지구상에 지금보다 10만 배 많은 로봇이 존재할 것"이라고 발언
Bessemer는 인재 이동, 기술 돌파구, 구조적 순풍이 동시에 가속화되는 시점에서 투자 기회를 포착하며, 포트폴리오에 Waymo, Mind Robotics, Foxglove, Breaker, Noda, Voxel51, DroneDeploy, Auterion, Perceptron, ANYbotics 등 포함
예측 1: 로보틱스의 ChatGPT 모먼트는 다가오고 있지만 아직 도달하지 않음
로보틱스 산업은 GPT-2.5 모먼트에 해당하는 단계로, 파운데이션 모델이 실질적 역량을 보여주고 스케일링 법칙이 나타나기 시작했으나 연구실 데모와 프로덕션 배포 간의 격차가 여전히 큼
Physical Intelligence의 π0 모델은 인간 수준의 민첩성으로 빨래를 개는 데 성공
2026년 2월 발표된 EgoScale 논문은 사전학습 데이터 규모에 따라 정책 성능이 예측 가능하게 향상됨을 입증, 로보틱스 파운데이션 모델이 LLM과 동일한 데이터 기반 향상 곡선을 따른다는 첫 강력한 증거 제시
두 가지 핵심 미해결 질문 존재
연구실 성능과 프로덕션이 요구하는 99.9% 신뢰도 간의 격차를 좁히려면 얼마나 많은 데이터가 필요한지
로보틱스의 ChatGPT 모먼트가 도래할 때 그 모습이 어떨지
챗봇과 달리 텍스트 박스로 역량을 증명할 수 없으며, 인간 개입 없이 낯선 환경에서 복잡한 작업을 수행하는 로봇이 그 증거가 될 것
이미 상용화된 분야: 창고 자동화, 수술 보조, 라스트마일 배송, 산업 검사 등 제한된 환경의 목적 특화 시스템이 현재 매출 발생 중
Perceptron CEO Armen Aghajanyan: "실세계 로보틱스의 핵심은 더 나은 제어 알고리듬이 아니라 물리 세계를 이해하는 파운데이션 모델이며, 로봇 제어는 그 위의 얇은 레이어에 불과"
예측 2: 스케일링 법칙의 등장 — 데이터는 비싸고 자본이 해자이며, 월드 모델이 지름길이 될 가능성
LLM은 인터넷에서 수백 조 토큰의 텍스트를 활용할 수 있었으나, 로보틱스에는 그에 상응하는 코퍼스가 존재하지 않음
전 세계 로봇 조작 데이터는 약 30만 시간으로 추정되며, 인터넷 비디오 약 10억 시간, 텍스트 300조 토큰과 비교하면 구조적 격차 존재
Bessemer는 향후 2년간 업계 전체 로보틱스 데이터 비용이 30억 달러 이상에 달할 것으로 추정
텔레오퍼레이션, 자아중심 비디오, 시뮬레이션, 물리적 시연 수집 등 포함
로봇 데이터는 스크래핑하거나 구매할 수 없고, 작업별·환경별로 직접 생성해야 함
Zeromatter CEO Ian Glow: "텔레옵만으로는 성공적인 데이터 전략이 될 수 없으며, 인터넷이나 시뮬레이터에서 강화학습을 통해 데이터를 가져와야 필요한 규모와 다양성 확보 가능"
월드 모델: 인터넷 규모의 비디오에서 물리 법칙을 학습하는 신경망
Meta의 V-JEPA 2는 100만 시간 이상의 비디오로 학습 후, 62시간의 추가 로봇 데이터만으로 실제 로봇 팔에서 80% 제로샷 pick-and-place 성공률 달성
단, NVIDIA의 Cosmos는 학습에 10,000개의 H100 GPU를 3개월간 사용했으며, 월드 모델도 자본 집약적 접근
시뮬레이션과 강화학습: 보행(locomotion)에는 sim-to-real 전환이 잘 작동하나, 조작(manipulation) 에서는 연성 물체, 직물, 액체 등의 충실도 문제로 아직 미해결 연구 과제
Voxel51 CEO Brian Moore: "물리적 AI에서 선두와 허세를 가르는 것은 데이터 품질에 대한 집착이며, 나쁜 데이터는 비효율이 아니라 위험"
예측 3: 인재 집중이 빠르게 승자를 결정 — 50개 기업이 성공하는 시장이 아님
최근 5년간 설립되어 3,000만 달러 이상 투자받은 미국 로보틱스 기업 중 창업자의 43%가 박사 학위 보유
그 중 48%가 Stanford, MIT, Berkeley, CMU 4개 기관 출신
56%가 최소 1명의 박사 공동창업자를, 43%가 학계 직접 출신 창업자를 보유
인재 해자(moat)는 인재 → 자본 → 데이터 파트너십 → 고객 관계 → 독점 데이터셋 순으로 복리 효과 발생, 승자 독식 구조가 대부분의 예상보다 빠르게 형성
LLM 분야에서는 오픈소스(Llama, Mistral)가 역량 접근을 민주화했으나, 로보틱스에서는 LeRobot, Genesis, Isaac Lab 등의 오픈소스가 성장 중이지만 "여전히 로봇이 필요"하다는 물리적 마찰 존재
sim-to-real 전환, 조작, 보행, 센서 퓨전 등에서 가장 깊은 전문성을 가진 팀이 오픈소스 릴리스로 쉽게 복제할 수 없는 우위 구축 중
예측 4: 풀스택 기업이 단기 가치 확보 — 순수 파운데이션 모델 기업은 기다려야 함
LLM에서는 GPT-4 같은 단일 API 엔드포인트로 2인 팀도 프론티어 AI 제품을 바로 구축 가능했으나, 로보틱스는 도메인별 데이터 수집, 환경 맞춤 파인튜닝, 하드웨어 통합, 운영 인프라 필요
현재 구축되는 해자는 모델 아키텍처보다 독점 데이터 파이프라인, 도메인 전문성, 배포 인프라, 피드백 루프를 생성하는 고객 관계에 존재
하드웨어 비용 하락이 이 역학을 가속화
DroneDeploy CEO Mike Winn: "건설 분야 지상 로봇이 대당 10만 달러에서 1만 5,000달러 미만으로, 도킹 드론이 20만 달러에서 2만 달러 미만으로 하락하면서 배포 확장의 임계점 통과 중"
스택은 세 레이어로 분리
인프라 레이어: 파운데이션 모델, 월드 모델
애플리케이션 레이어: 커스텀 하드웨어를 가진 풀스택 기업(휴머노이드, 산업용 시스템) + 상용 기성 플랫폼에 AI를 적용하는 풀스택 기업
가치가 애플리케이션 레이어에 집중되는 이유는 인프라 레이어가 아직 엔드투엔드 배포를 독립적으로 지원할 만큼 범용적이지 않기 때문
파운데이션 모델이 향상되고 sim-to-real 전환이 성숙하면 로보틱스의 API 모먼트가 도래할 것이나, 이는 2028년 이후의 이야기이며 현재 창에서는 수직 통합이 지속가능한 가치를 창출하는 영역
Foxglove CEO Adrian Macneil: "물리적 AI의 결정적 우위는 모델의 새로움이 아닌 데이터 인프라의 품질이며, 모델이 수렴할수록 가장 강한 데이터 플라이휠을 가진 기업이 승리"
예측 5: 방위 로보틱스가 해당 카테고리 최초의 500억 달러 이상 IPO를 이끌 것
방위 로보틱스 기업의 Series A 중앙값이 2025년 기준 1억 500만 달러로, 비방위 기업의 5,000만 달러의 2배 이상이며, 이 격차는 2021년 이후 매년 확대
Anduril은 2026년 3월 600억 달러 밸류에이션으로 마감, Saronic은 같은 달 자율 조선을 위한 17억 5,000만 달러 Series D 유치
방위 조달 주기는 길지만 예측 가능하며, 계약 규모가 크고 갱신율이 높으며 전환 비용이 상당
상업 로보틱스와 달리 방위 구매자는 ROI가 아닌 국가 안보 위험이라는 다른 계산법으로 운영
지정학적 측면이 이를 증폭: 2025년 전 세계 판매 휴머노이드 로봇의 약 90%가 중국산
중국 AI 모델은 미국 대비 평균 약 7개월 뒤처져 있으나 그 격차가 지속적으로 좁혀지고 있으며, 미국 정부가 로보틱스를 국가 안보 필수 사항으로 취급하기 시작
듀얼유스(이중 용도) 차원: 가장 방어적인 기업들은 단일 목적 무기 시스템이 아닌 상업적 적용이 가능한 자율 플랫폼, 인식 시스템, 의사결정 인프라 구축 중
Breaker 공동창업자 Matthew Buffa: "가장 흥미로운 기업들은 방위와 상업 중 양자택일이 아니라, 방위 요구사항을 충족할 만큼 유능하면서 상업적으로도 혁신적인 시스템 구축"
예측 6: 로보틱스 버블은 없음 — 오히려 이 분야에 충분한 자금이 들어오지 않는 중
지난 5년간 3,000만 달러 이상 투자받은 소프트웨어 기업은 745개, 로보틱스는 42개로 18배 적음
반면 로보틱스의 기저 시장은 전 세계 소프트웨어 지출보다 30배 큰 규모
하드웨어 비즈니스의 자본 집약성을 감안하더라도, 기회 대비 구조적 과소 투자 상태
대부분의 애널리스트가 향후 10년간 50배 산업 성장을 전망하나, Bessemer는 이것도 기존 워크플로 자동화에 국한된 추정이며 범용 로봇이 창출할 새로운 경제 활동 카테고리를 반영하지 못한다고 판단
모든 투자받은 기업이 성공하는 것은 아니며, 일부 밸류에이션은 과대 평가 상태이고 자본은 소수의 리더에게 집중될 것
그러나 선별성과 희소성은 다른 문제로, 전체 로보틱스 투자 수준은 기회의 크기와 역량 발전 속도 대비 여전히 한참 부족
ChatGPT 모먼트 도래 전, 인재 통합 완료 전인 지금이 핵심 기업에 투자하는 창구이며, 변곡점의 증거를 기다리면 기회를 놓침
Flexion CEO Nikita Rudin: "5년 후 전 세계에 배포된 대부분의 로봇은 오늘날 알려진 스타트업이 아닌, 아직 로봇을 만들기 시작하지도 않았지만 대규모로 만들 줄 아는 기업이 제작할 것"
미해결 과제와 열린 논쟁
신뢰도 격차: 작업 성공률 80%에서 99.9%로의 향상은 선형 문제가 아님
촉각 센싱, 포스 피드백, 조작을 위한 sim-to-real 전환 등 근본적으로 다른 접근 필요
Argus Systems CEO Lisa Yan: "Waymo에서의 경험상 실제 배포는 시간이 갈수록 더 어렵고 전문적인 데이터 큐레이션 문제를 드러내며, 99%에서 99.9%로의 격차를 좁히는 것은 대부분의 예상보다 오래 걸림"
추론 비용 문제: 월드 모델과 대형 비전-언어-행동 모델은 실시간 실행 비용이 높음
텍스트 모델은 수천 명의 동시 사용자가 공유 인프라에서 배치 처리 가능하나, 로보틱스 모델은 로봇당 수 밀리초마다 환경 상태를 생성해야 하므로 사실상 전용 GPU 파이프라인 필요
LLM 추론 비용은 3년간 약 1,000배 하락했으며, 로보틱스가 유사한 곡선을 따를지 여부가 파운데이션 모델 접근법의 상업적 실현 가능성 결정
해석 가능성(Interpretability)이 차세대 인프라 레이어로 부상
2026년 1분기에만 6~7개 월드 모델 기업에 약 60억 달러가 유입
Vayu Robotics 공동창업자 Mahesh Krishnamurthi: "산업이 성숙할수록 해석 가능성은 타협 불가능한 요소가 되며, 현재 이 모델들은 블랙박스 상태, 이를 열기 위한 도구를 만드는 스타트업의 물결 예상"
오픈소스 vs 클로즈드: LLM에서는 오픈소스가 생태계 발전을 극적으로 가속화했으나, 물리적 데이터와 배포 인프라가 모델 아키텍처만큼 중요한 로보틱스에서 같은 역학이 적용될지는 미확인
오픈소스가 모델 아키텍처를 예상보다 빠르게 상품화할 것이나, 데이터와 배포 레이어는 충분히 오래 독점적으로 유지될 가능성
스택의 어느 부분을 개방하고 어느 부분을 보호할지 이해하는 기업이 전략적 우위 확보
두 가지 진실의 공존
Cobot CEO Brad Porter: "로보틱스의 ChatGPT 모먼트는 대부분이 생각하는 것보다 빨리 오고 있으며, 도래 시 생산 시간(실제 로봇, 실제 작업, 실제 환경) 이 병목이 될 것, 데모가 아닌 배포에 최적화하는 기업이 결정적으로 분리"
스텔스 로보틱스 기업 공동창업자 Philipp Wu: "타임라인은 대부분의 예상보다 훨씬 길며, 범용 로보틱스는 아직 5년 이상 소요"
이 두 관점은 상충이 아닌 다른 차원을 설명: Porter는 변곡점에 이르는 경로를, Wu는 그 변곡점이 실제로 얼마나 먼지를 기술
창업자를 위한 함의: 지금 결정적으로 배포하되, 범용 모먼트를 지평선으로 삼고 구축할 것
변곡점은 다가오고 있으며, 인재가 이동하고 하드웨어가 상품화되고 데이터 인프라가 구축되는 중이며, 향후 10년간 물리적 AI를 정의할 기업들이 지금 바로 설립되고 투자받고 있음