로봇이 뜨면 GPU 수요도 는다, 엔비디아의 포석

피지컬 AI가 발전하려면 좋은 AI 모델이 필수다. AI 모델이 좋아지려면 방대한 인프라가 필요하다. CPU, GPU, 메모리, 전력이 모두 들어간다. 결국 로봇 산업과 반도체 수요는 서로를 타고 도는 순환 구조다.

이 고리를 맨 먼저 본 것이 엔비디아다. 로봇이 화면 밖으로 나가면서 화면 안의 AI 서비스와는 다른 종류의 학습이 필요해진다. 더 많은 데이터, 더 강력한 칩을 써야 한다는 뜻이다.

허깅페이스의 399달러짜리 소형 로봇 '마이크로덕'은 크기가 25cm 정도다. 8월 27일부터 사전주문을 받기 시작했다. 첫 24시간 주문액이 260만 달러를 넘었다. 크리스마스부터 배송할 예정이다.

이 숫자가 의미하는 바는 개발자와 애호가들의 수요가 생각보다 크다는 것이다. 가격도 낮다. 개인 개발자도 로봇을 만지고 학습시킬 수 있는 진입 장벽이 크게 낮아졌다는 신호다.

허깅페이스는 AI 개발자와 연구자, 창업자 1,800만 명 이상이 쓰는 플랫폼이다. 이용하는 기업만 20만 개를 넘는다. 개발자들이 AI 모델을 찾고, 테스트하고, 서로의 작업을 참고하는 오픈 커뮤니티다. GitHub이 소스코드를 공유하는 곳이라면, 허깅페이스는 AI 모델을 공유하는 곳이다.

완성된 AI 서비스를 쓰는 것과 기업이 자기 회사에 맞는 AI를 직접 만드는 것은 다르다. 기업은 자신의 데이터와 업무에 맞춰 모델을 수정하고, 실제 서비스를 돌릴 컴퓨터까지 갖춰야 한다. 이 모든 선택과 시행착오의 중심에 허깅페이스가 있다.

가구회사가 고객 문의에 자동으로 답하는 AI를 만든다고 하자. 어떤 모델을 쓸지 고르고, 자기 회사의 제품설명서와 배송규정을 입력해서 수정한다. 그 다음 실제로 서비스를 돌릴 컴퓨터도 준비해야 한다. 이 모든 것이 복잡하게 얽혀 있다.

허깅페이스는 이 여정 전체를 돕는다. 개발자가 모델을 찾고, 여러 개를 시험하고, 다른 사람의 작업을 참고할 수 있도록 공간을 제공한다. 이게 한 회사가 AI를 만드는 데 얼마나 필수적인지는, 허깅페이스를 쓰지 않고 0부터 시작하려는 기업이 거의 없다는 사실로 증명된다.

개발자가 AI 모델을 직접 찾아야 한다. 여러 모델을 시험하고 비교해야 한다. 같은 문제를 푼 다른 개발자의 작업을 보면서 배우고 응용한다. 이 모든 활동이 한 곳에 모인 공개 오픈 커뮤니티가 허깅페이스다.

기업이 개발자를 고용할 때도 포트폴리오를 본다. 개발자들은 허깅페이스에서 프로젝트를 쌓고 평판을 얻는다. 모델을 공개하면 다운로드와 평점이 쌓인다. 이렇게 투명하게 평가되는 공간이 신뢰를 만든다. 엔비디아가 이 생태계를 누가 그냥 보낼까.

개발자가 AI를 쉽게 만들면 새로운 서비스가 늘어난다. 새로운 서비스가 생기면, 그걸 실제로 돌릴 연산 수요가 발생한다. 엔비디아의 입장에서 보면 전혀 다른 차원의 고객층이 생기는 셈이다.

지금까지 엔비디아의 큰 고객은 메타, OpenAI 같은 소수 대형 기업들이었다. 한 번에 수십만 개의 칩을 주문받는다. 하지만 이런 고객에 너무 의존하면 위험하다. 그 기업의 투자 계획이 바뀌면 엔비디아의 매출이 크게 흔들린다. 허깅페이스가 있으면 전 세계의 수많은 작은 개발자와 기업들도 엔비디아 칩을 쓰게 된다. 주문의 규모는 작지만, 고객의 다양성이 엄청나다.

반도체를 파는 기업에게 거대한 고객이 있다는 건 좋은 일이다. 한 번의 주문이 엄청 크니까 매출이 확실하다. 하지만 소수 고객에게 너무 의존하면 그들의 투자 계획에 발이 묶인다.

고객이 내년 투자를 미루거나, 경쟁사 칩으로 바꾸거나, 자체 설계 칩을 쓰기로 결정하면? 엔비디아의 실적이 한 번에 흔들린다. 개발자 생태계를 장악하면 이 문제가 완화된다. 작은 고객이 많으면 누가 주문을 미뤄도 전체 매출에는 큰 타격이 아니다. 안정성과 성장성을 동시에 얻는다.

허깅페이스는 이미 AI가 화면 밖으로 나오는 준비를 하고 있었다. 2024년부터 로봇용 AI 모델과 학습 데이터 개발 도구를 모음과 공유하는 '르로봇(LeRobot)' 프로젝트를 시작했다. 프랑스 로봇 기업 폴랜 로보틱스까지 인수했다.

엔비디아가 허깅페이스를 샀다는 건 이 움직임에 베팅하는 것이다. 피지컬 AI가 성장하려면 개발자 커뮤니티가 필수다. 개발자들이 로봇용 모델을 쉽게 찾고, 테스트하고, 개선하는 공간이 필요하다. 엔비디아는 이 공간을 이미 갖춘 플랫폼을 샀다. 가격이 129억 달러인 이유다.

로봇 개발 실험은 예전에 대학 연구기관 같은 곳에서나 가능했다. 예산이 있는 곳이어야 로봇을 사고, 부품을 망가뜨리고, 다시 시도할 수 있었다. 이제 개인 개발자도 399달러만 있으면 시도할 수 있다. 액세서리까지 사면 더 비싸지겠지만, 진입 문턱이 엄청나게 낮아진 것이다.

이게 중요한 이유는 역사 때문이다. 혁신적인 개발은 종종 예상 밖의 곳에서 나온다. 큰 회사의 대규모 팀이 예정된 길을 가는 것보다, 개인 개발자가 옆길을 들어섰을 때 새로운 가능성이 터진다. 마이크로덕은 그 가능성을 수백만 명에게 열어주는 열쇠다.

마이크로덕이 전체 로봇의 모든 기능을 대체하진 않는다. 하지만 동작과 학습은 시험할 수 있다. 컴퓨터에서 시뮬레이션으로 학습한 결과를 실제 로봇에 옮겨볼 수 있다는 뜻이다.

가상 공간과 현실 사이에는 마찰이 있다. 시뮬레이션에서는 완벽하게 걸어도, 실제 로봇은 실제 바닥에서 넘어질 수 있다. 무게 분배가 다르고, 모터의 반응 속도도 다르다. 마이크로덕은 이 간격을 처음으로 메우는 단계다. 개발자가 여기서 배운 조정 경험이 더 큰 로봇으로 옮겨진다.

가상 공간에서 로봇이 넘어지지 않고 걷게 하는 것만 해도 생각보다 어렵다. 현실에서는 매번 넘어질 때마다 부품이 닿거나 고장날 수 있다. 로봇을 만들 때마다 부품을 고치고 교체해야 한다. 그 비용은 엄청나다.

시뮬레이션은 이런 부담을 크게 줄인다. 컴퓨터에서 수천 번 넘어지는 실패를 거쳐도 부품은 손상 없다. 전기료만 나간다. 그 다음에 실제 로봇에 옮기는 것이 훨씬 더 효율적이다. 이 구조가 로봇 개발의 속도와 비용을 근본적으로 바꾼다.

마이크로덕을 사는 모든 사람이 개발자는 아니다. 호기심 많은 일반인도 샀을 것이다. 하지만 중요한 건 숫자 자체다. 로봇을 접하는 사람들이 늘어나면 새로운 실험이 나올 가능성이 높아진다.

누군가는 로봇이 더 안정적으로 걷게 만들고, 누군가는 공을 다루는 동작을 개선한다. 다른 사람이 그 결과를 참고하면, 같은 출발점에서 모든 걸 반복할 필요가 없다. GitHub과 허깅페이스가 추구하는 게 바로 이것이다. 집단의 지혜가 개인의 작업을 가속화한다. 로봇 개발이 예전처럼 소수 대형 기관의 독점에서 벗어나는 순간이 온다.

로봇이 타올만 정리하는 건 비교적 단순하다. 하지만 셔츠, 바지, 양말이 섞여 있으면? 어떤 옷은 뒤집혀 있고, 어떤 옷은 젖어 있다. 집마다 세탁물 바구니의 위치와 모양이 다르다.

이런 환경에서 일하는 로봇을 만들려면 정해진 동작 한 가지를 반복하는 능력으로는 부족하다. 다양한 재질, 다양한 상태, 다양한 환경을 모두 학습해야 한다. 그 데이터를 모으고, 정리하고, AI 모델에 학습시키는 데 엄청난 컴퓨팅 파워가 들어간다. 이게 Figure AI가 GPU 10만 개를 얘기하는 이유다.

로봇 개발의 전 과정에서 엔비디아 칩이 나타난다. 먼저 엔비디아의 클라우드 서비스 'N스케일'에서 AI 모델을 학습한다. 그 다음 엔비디아 GPU로 모델을 검증한다. 마지막으로 로봇 내부에도 엔비디아 GPU가 들어가서 실제 현장에서 판단을 한다.

예를 들면 자동주행차처럼, 로봇도 길을 가다가 만나는 상황마다 순간 판단이 필요하다. 그 판단은 클라우드에서 오지 않는다. 로봇 몸 안에 있는 칩이 해야 한다. 엔비디아는 학습 단계의 칩, 검증 단계의 칩, 현장 실행 단계의 칩 모두를 공급한다. 로봇 산업이 성장하면 엔비디아는 세 배로 팔린다.

개발자들이 GPU를 가지고 다닌다는 표현이 있을 정도로 엔비디아 칩은 컴팩트해졌다. 과거에는 슈퍼컴퓨터 크기의 성능이 이제는 로봇 몸에 들어갈 수 있는 크기다. 이게 로봇 산업의 현실화를 가능하게 한다. 강력한 성능과 작은 크기가 함께 가니까, 로봇은 떨어진 서버에만 의존하지 않고 독립적으로 판단할 수 있다.

로봇 회사들의 시연 영상은 정말 멋있다. 사람처럼 움직이고, 물건을 정리하고, 주변 환경에 적응한다. 하지만 그 영상과 실제 기업이 로봇을 구매하겠다고 계약하는 것 사이에는 상당한 간격이 있다. 기업은 정해진 상황만 묻지 않는다. 예상 밖의 상황에서도 로봇이 일할 수 있는지 본다. 수리 비용은 얼마인지, 다운타임은 어느 정도인지도 중요하다.

로봇에 돈을 투자하는 기업은 보통 5년 안에 투자를 회수하려고 한다. 그런데 5년 동안 기술이 얼마나 크게 변할까. 소프트웨어는 업데이트되겠지만, 로봇 자체도 계속 업데이트되어야 한다.

예를 들어 2024년에 구매한 로봇이 2025년에 새로 나온 로봇보다 훨씬 뒤떨어져 있다면? 기업은 새 로봇을 다시 사야 한다. 그렇다면 처음 구매가 정말 투자였을까, 아니면 그냥 비용이었을까. 이 불확실성이 로봇의 대규모 도입을 아직까지 막고 있다. 기술은 좋아지는데, 경제성 계산은 여전히 복잡하다.

로봇을 만드는 단가가 계속 내려가야 한다. 동시에 AI를 학습시키는 비용도 효율화되어야 한다. 이 두 가지가 함께 일어나야 로봇 산업이라고 부를 수 있는 섹터가 생긴다.

지금은 개별 회사나 연구기관이 자기 돈으로 만드는 것이다. 하지만 언제쯤 누구나 로봇을 쓰는 시대가 올까. 그건 단가와 효율의 문제다. 엔비디아가 깔고 있는 칩의 길도 중요하지만, 결국 로봇 자체의 가격이 내려가야 한다. 그리고 그 로봇을 학습시키는 AI 훈련 비용이 더 떨어져야 한다. 이 두 경기가 동시에 맞아떨어지는 날이 바로 피지컬 AI 산업의 태어나는 순간이 될 것이다.