Originally written: April 2024 | Published on Gorilla PE Insights: March 2026
본 아티클은 2024년 4월 내부 파트너 공유 메모의 공개본입니다.
2024년 4월, 우리는 AI가 노동을 대체하는 방식에 관한 하나의 프레임을 제시했다. 시장의 주류 내러티브는 하나였다. "AI가 일자리를 빼앗는다." 우리의 질문은 달랐다. "그 대체가 어디서부터 어디까지, 어떤 순서로 일어나는가." 그 질문에서 두 파도의 비대칭이라는 프레임이 나왔다.
1부. 두 파도의 비대칭 — 왜 하나의 파도가 아닌가
노동을 크게 두 가지로 나눠보자. 언어·추론·판단으로 구성된 인지 노동(Cognitive Labor)과, 공간 이동·조작·힘으로 구성된 물리 노동(Physical Labor)이다. 이 두 영역은 AI가 침투하는 경로가 근본적으로 다르다.
인지 노동의 병목은 언어다. 변호사가 계약서를 검토하고, 회계사가 재무제표를 분석하는 행위는 결국 텍스트를 읽고 생성하는 행위다. Transformer 아키텍처와 RLHF가 해결한 것이 정확히 이것이다. GPT-4가 변호사 시험 상위 10%를 통과하고, 생물학 올림피아드 상위 1%를 달성한 것은 2023년의 사건이다. MIT Noy & Zhang(2023) 연구에서 ChatGPT 사용 그룹은 동일 작업 완료 시간이 40% 단축되고 품질이 18% 향상됐다. GitHub Copilot은 개발자 생산성을 55% 높였다. 첫 번째 파도는 이미 왔다.
물리 노동의 병목은 완전히 다르다. 창고에서 상자를 나르고, 건설 현장에서 자재를 옮기는 행위는 언어가 아니라 공간 인식·균형·힘 제어의 문제다. 이것은 LLM으로 해결되지 않는다. 센서, 액추에이터(전기 에너지를 물리적 움직임으로 변환하는 장치), 배터리, 시각 모델이 필요하다.
두 파도가 다른 시점에, 다른 경로로 온다는 것이 핵심이다. LLM 파도는 이미 왔다. 물리 AI(Physical AI) 파도는 오는 중이다.
2부. 물리 AI의 병목 — 왜 더 늦게 오는가
물리 세계 데이터의 희소성. 언어 모델은 인터넷 전체 텍스트를 학습 데이터로 쓸 수 있다. 물리 AI는 실제 세계에서 실제 로봇이 실제로 움직인 데이터가 필요하다. 이것은 인터넷에 없다. 직접 수집해야 한다. 수십억 마일을 달려야 한다.
엣지 케이스(Edge Case)의 문제. 공장 바닥에서 아무도 예상하지 못한 상황이 끊임없이 발생한다. 떨어진 나사, 젖은 바닥, 새로운 형태의 부품. 이 상황들이 쌓일수록 시스템의 실세계 강건성이 높아진다. 이 데이터를 가장 빠르게 쌓는 곳이 물리 AI에서 구조적 우위를 갖는다.
왜 Tesla FSD가 중요한가. Tesla는 2024년 기준 600만 대 이상의 차량이 실도로를 주행하며 데이터를 수집하고 있다. Waymo의 테스트 차량 함대는 약 700대 수준이다. FSD v11.3에서 운전자 개입 사이 거리가 35마일이었던 것이 v13.2에서 724마일로 도약했다. 20배 이상의 개선이다. 이 데이터가 Optimus(휴머노이드 로봇)로 전이된다.
3부. 두 파도가 교차하는 지점
생성형 AI 시장은 2023년 $67B에서 2032년 $1.3T으로 연평균 39% 성장이 예상된다. 이 시장은 이미 가시적이고, 빠르게 과점으로 수렴하고 있다.
Physical AI 시장은 다르다. 2023년 $30B에서 2032년 $293B으로 성장 예상이지만(휴머노이드 CAGR 48%, 드론 AI CAGR 32%), 이 시장은 아직 형성 중이다. 진입 장벽은 데이터 축적의 시간 차이에서 나온다.
두 파도가 교차하는 지점에서 가장 강력한 포지션을 가진 생태계는 LLM 능력과 물리 세계 데이터를 동시에 보유한 곳이다. 2024년 4월 현재 그 조건에 가장 근접한 구조가 xAI·Tesla·X의 조합이다. xAI가 X의 실시간 언어 데이터로 인지 지능을 학습하는 동안, Tesla FSD가 물리 세계 데이터로 공간 지능을 학습한다.
4부. 반론 — 이 논거가 틀릴 수 있는 이유
가장 강력한 반론은 Tesla FSD다. 10년 이상의 개발과 수십억 달러의 투자 후에도 L2+ 수준이다. 완전 자율주행까지의 거리는 여전히 불명확하다. 이것은 물리 AI의 어려움을 보여주는 가장 강력한 실증 사례다. 그러나 Tesla FSD가 10년 동안 축적한 데이터와 경험이 Optimus에 이전될 때, 그 선발자 우위는 경쟁사가 처음부터 따라잡기 어렵다.
두 번째 반론은 LLM 환각의 한계다. Judea Pearl의 인과 추론 사다리로 표현하면, LLM은 패턴 인식(상관관계 포착)에는 탁월하지만 새로운 환경에서의 인과 추론에는 구조적 한계가 있다. 이것이 물리 AI에서 더 심각하게 드러날 수 있다. 새로운 환경(OOD 상황)에서 패턴이 없으면 시스템이 실패한다.
결론: 이 프레임이 던지는 질문
첫 번째 파도는 이미 왔다. 두 번째 파도는 오는 중이다. 두 파도가 교차하는 지점에서 물리 세계 데이터라는 가장 복제하기 어려운 자원을 누가 먼저 쌓고 있는가. 이것이 2024년 4월 우리가 던진 질문이다.
[이후 전개]
2025년 1월 젠슨 황이 CES 기조연설에서 "Physical AI"를 공식 선언했다. "로봇의 ChatGPT 순간이 오고 있다." 두 파도의 비대칭이라는 방향은 유효하게 유지됐다. 다만 Physical AI의 상업적 규모 도달 타임라인은 2024년 초 예상보다 2~3년 더 길어질 것으로 관찰되고 있다.
투자 권유가 아닙니다.