휴머노이드가 걷는 영상 다음에는 ‘무엇으로 학습시키는가’를 봐야 한다
2026년의 휴머노이드 경쟁은 하드웨어 데모만으로 설명하기 어려워지고 있습니다. 같은 로봇이라도 낯선 물체를 다루고, 작업 순서를 바꾸고, 실패 뒤 행동을 수정하려면 실제 세계에서 반복적으로 보고 움직인 경험이 필요합니다. 결국 로봇의 능력은 모델뿐 아니라 어떤 데이터를 얼마나 다양하게 만들고, 얼마나 빠르게 학습과 검증으로 되돌려 보내는지에 달려 있습니다.
이 지점에서 사람의 일이 달라집니다. 로봇 AI 연구자만 필요한 것이 아니라 데이터를 만들어 내는 현장, 시뮬레이션 환경, 품질검수, 분산훈련 인프라, policy 평가, 실제 하드웨어 배포를 연결하는 역할이 필요해집니다. 최근 기업의 시설 투자와 채용공고를 보면 이 중간층이 실제 조직으로 분화하기 시작했습니다.
ACE가 말한 ‘약 10만 시간’은 확정 통계가 아니라, 데이터 격차를 보여주는 산업 신호다
Reuters가 2026년 8월 21일 보도한 인터뷰에서 ACE Robotics의 Wang Xiaogang 회장은 현재 로봇 학습 데이터가 약 10만 시간 수준이라고 추산했습니다. ACE는 생산라인에서 데이터를 모아 2년 안에 수천만 시간 규모까지 확대하겠다는 계획도 밝혔습니다.
여기서 10만 시간을 산업 전체의 공식 집계처럼 읽으면 안 됩니다. 공개 데이터셋의 범위와 회사별 비공개 데이터는 다르고, 어떤 데이터를 ‘학습 시간’으로 세는지도 동일하지 않습니다. 다만 한 로봇 회사가 모델 경쟁의 핵심 제약으로 데이터 부족을 지목하고 수집 규모를 두 자릿수 이상 확대하려 한다는 사실 자체는, 투자와 인력의 방향을 읽는 데 의미가 있습니다.
Apptronik은 로봇을 파는 공장과 별도로 ‘경험을 생산하는 공장’을 만들고 있다
Apptronik이 2026년 6월 공개한 Austin Robot Park는 약 9만 제곱피트 규모의 데이터 수집·훈련 시설입니다. Apollo 2 robot fleet가 물류·제조·리테일 작업을 수행하며 실제 세계 데이터를 만들고, 고객·파트너 현장에서도 같은 수집 workflow를 확장합니다.
중요한 것은 수집 방식입니다. Apptronik은 teleoperation과 autonomous execution을 함께 사용하고 high-fidelity physics simulation도 병행한다고 설명합니다. 즉 데이터는 단순 로그가 아닙니다. 사람이 시연하고, 로봇이 실행하고, 실패와 성공을 기록하고, simulation에서 변형하고, 다시 AI 모델을 학습하는 순환구조입니다. Robot Park라는 이름은 사실상 ‘로봇 경험 데이터 공장’에 가깝습니다.
Figure의 채용공고를 보면 데이터가 이미 여러 직무로 쪼개져 있다
Figure의 현재 채용에는 AI Training Infrastructure Engineer – Humanoid Whole Body Control이 있습니다. 이 역할은 simulation, data pipeline, orchestration, cluster utilization을 관리하고 policy를 training에서 validation, 실제 hardware deployment까지 보내는 backbone을 담당합니다. 요구경력에는 Python·PyTorch뿐 아니라 physics simulation, controls, robotics system, distributed systems가 함께 등장합니다.
반대편에는 Data Collection Quality Support 같은 역할도 있습니다. 이 직무는 데이터 수집 세션을 기준에 따라 검토하고, 동작의 불일치·불완전한 sequence·edge case를 찾아내며, AI팀이 로봇을 학습시키는 품질에 직접 영향을 줍니다. 하나는 고성능 훈련 인프라에 가깝고 다른 하나는 현장 데이터 QA에 가깝지만, 둘 다 ‘로봇 데이터를 학습 가능한 자산으로 바꾸는 과정’의 일부입니다.
실세계 데이터가 부족하면 시뮬레이션과 synthetic data가 두 번째 생산라인이 된다
실제 로봇을 수천 대 돌려 모든 실패 장면과 희귀 상황을 모으는 것은 비싸고 느립니다. NVIDIA가 2026년 공개한 Physical AI Data Factory Blueprint는 이 문제를 데이터 curation, synthetic data generation, reinforcement learning, evaluation과 orchestration의 문제로 정의합니다. 제한된 실제 데이터를 변형·증식하고, 희귀한 edge case를 만들어 다시 검증하는 구조입니다.
NVIDIA는 GR00T 1.7이 약 3.2만 시간의 실제 시연·egocentric 데이터와 약 8천 시간의 simulated rollout·demonstration으로 사전학습됐다고 설명합니다. 숫자 자체보다 중요한 것은 데이터 원천이 한 종류가 아니라는 점입니다. 앞으로 로봇 학습 조직은 실제 현장, teleoperation, simulation, synthetic generation을 섞고 각 데이터가 실제 성능에 어떤 영향을 주는지 관리해야 합니다.
기업에게는 ‘AI팀을 뽑는 것’보다 데이터 생산시스템을 설계하는 문제가 된다
Physical AI를 실제 사업으로 가져가려는 기업이라면 데이터는 연구팀의 부산물이 아니라 운영 인프라가 됩니다. 어떤 작업을 수집할지, 누가 시연할지, 센서와 robot state를 어떤 형식으로 저장할지, 실패 데이터를 어떻게 분류할지, simulation과 실물을 어디서 연결할지, 어떤 metric으로 deployment를 허용할지를 정해야 합니다.
그러면 채용요건도 달라집니다. 순수 AI 연구자만 늘리는 것보다 MLOps·분산시스템, simulation, robotics controls, 데이터 QA, 현장 deployment를 연결할 사람이 필요해집니다. 특히 데이터 생산속도만 높이고 품질 기준과 평가체계가 약하면, 더 많은 데이터를 모으고도 학습속도는 오르지 않을 수 있습니다.
개인에게는 기존 경력이 로봇 업계로 이동할 수 있는 새로운 경계가 생긴다
이 변화는 로봇 전공자만의 이야기가 아닙니다. 대규모 ML training pipeline을 운영한 엔지니어는 robot training infrastructure에, 게임·CAE·디지털트윈 경험자는 physics simulation에, 제조 품질이나 data review 경험자는 collection quality에, 현장 장비 commissioning 경험자는 data-collection deployment와 운영에 인접할 수 있습니다.
다만 ‘클라우드를 해봤으니 로봇 엔지니어다’처럼 바로 등치하면 안 됩니다. Figure의 Training Infrastructure 공고가 dynamics·controls·robotics 이해를 함께 요구하는 것처럼, 인접 경력이 실제 로봇 시스템과 만나는 접점이 필요합니다. 중요한 것은 직무명을 바꾸는 것이 아니라 기존 경험의 어느 부분이 로봇 데이터의 생성·훈련·검증·배포 중 어디에 연결되는지를 증거로 설명하는 것입니다.
데이터가 중요해졌다고 해서 하드웨어·안전·경제성이 사라지는 것은 아니다
현재 자료만으로 “휴머노이드의 유일한 병목은 데이터”라고 결론 내릴 수는 없습니다. actuator의 신뢰성, 배터리, 안전, 제조원가, 고객 ROI, 실제 작업속도와 유지보수도 상용화의 핵심 제약입니다. Reuters의 최근 보도에서도 업계의 관심은 화려한 데모에서 실제 생산성·자율성·경제성으로 이동하고 있습니다.
따라서 이 글의 결론은 더 제한적입니다. 2026년 현재 여러 선도기업의 시설·제품·채용 신호를 보면, ‘데이터를 대량으로 만들고 품질을 관리하며 모델과 실제 로봇 사이를 반복시키는 능력’이 별도의 경쟁축으로 커지고 있습니다. 그 경쟁축이 커질수록 새로운 직무도 함께 생깁니다.
BANSEOG VIEW
Physical AI의 인재경쟁은 로봇을 만드는 사람에서 ‘로봇의 경험을 만드는 사람’까지 넓어진다
지금 Physical AI 채용을 볼 때 “로봇 엔지니어가 몇 명 필요한가”만 세면 변화의 절반을 놓칠 수 있습니다. 실제로는 로봇이 학습할 경험을 만드는 사람, 그 경험을 simulation에서 증식하는 사람, 데이터 품질을 판정하는 사람, 거대한 training job을 운영하는 사람, policy를 실제 hardware까지 배포하는 사람이 하나의 학습공장을 구성합니다.
반석써치는 이 변화를 새로운 직무명 목록보다 경력의 이동경계로 봅니다. MLOps, simulation, 제조 QA, 장비 deployment, controls처럼 다른 산업에서 이미 존재하던 경험이 Physical AI의 데이터 파이프라인 어디에 연결되는지를 읽는 것이 다음 인재지도의 핵심이 될 수 있습니다.
SOURCES
근거가 된 원자료
- Reuters · ACE Robotics chairman says robot brains will have “ChatGPT moment” by end of 2027
2026년 8월 21일 인터뷰. ACE Robotics는 현재 로봇 학습 데이터가 약 10만 시간 수준이라고 추산하며 2년 안에 수천만 시간 규모의 데이터를 수집하겠다는 계획을 설명했다. 이는 ACE의 업계 추정과 회사 계획이며 공식 산업 통계로 취급하지 않았다.
- Apptronik · Welcome to Robot Park: Where Apptronik’s Apollo Goes to Work
2026년 6월 30일. Austin의 약 9만 제곱피트 Robot Park와 고객 현장에서 Apollo 2 fleet가 실세계 데이터를 수집하고, teleoperation과 high-fidelity physics simulation을 함께 사용한다고 설명한다.
- Figure · AI Training Infrastructure Engineer – Humanoid Whole Body Control
simulation, data pipeline, orchestration, cluster utilization, policy training·validation·hardware deployment을 하나의 역할로 정의한 현재 공개 채용공고.
- Figure · Data Collection Quality Support
로봇 데이터 수집 세션을 품질 기준에 따라 검토하고 불완전한 sequence·edge case를 식별하며 AI팀의 학습 품질에 직접 영향을 주는 역할을 정의한 현재 공개 채용공고.
- NVIDIA · Physical AI Data Factory Blueprint
2026년 3월 16일. 데이터 처리·curation, synthetic data generation, reinforcement learning, evaluation과 orchestration을 하나의 Physical AI 데이터 생산 아키텍처로 제시했다.
- NVIDIA · Develop Humanoid Robot Policies End-to-End with Isaac GR00T
2026년 7월 7일. GR00T 1.7은 약 3.2만 시간의 실제 시연·egocentric 데이터와 약 8천 시간의 simulation rollout·demonstration으로 사전학습됐다고 설명하며, teleoperation→training→evaluation→deployment의 통합 workflow를 제시한다.
ACE의 약 10만 시간과 수천만 시간 목표는 Reuters가 전한 ACE Robotics의 업계 추정·회사 계획이며 산업 전체의 공식 통계가 아닙니다. Apptronik·NVIDIA 자료는 각 회사가 공개한 자사 기술·시설 설명이고, Figure 공고는 특정 회사의 현재 역할 정의입니다. 따라서 이 자료만으로 모든 로봇기업의 채용수요나 특정 직무의 임금 프리미엄을 일반화하지 않았습니다. “데이터 생산·훈련·검증·배포 역할이 하나의 경쟁축으로 커진다”는 결론은 여러 회사의 신호를 연결한 Banseog HR Intelligence의 분석입니다.