Physical AI는 객체를 인식하는 것을 넘어, 움직임을 이해해야 한다

AI는 세상을 인식하는 데 놀라운 수준에 도달했다. 이제 다음 과제는 세상이 어떻게 움직이는지를 이해하도록 가르치는 것이다.

지난 10년간 인공지능 경쟁의 핵심은 '식별'이었다. 최신 퍼셉션 모델은 보행자를 구분하고, 자전거 이용자를 분류하며, 차선을 매우 정교하게 매핑할 수 있다. 이러한 기술적 성과는 자율주행과 첨단 로보틱스를 실험실 밖, 실제 도로 위로 끌어냈다.

하지만 객체를 식별하는 것과 그 행동을 이해하는 것은 전혀 다른 문제다.

오늘날 자율주행 시스템은 거대한 패러다임 전환을 마주하고 있다. 이제는 주변 환경에 무엇이 존재하는지 아는 것만으로는 충분하지 않다. 시스템은 그 환경이 실시간으로 어떻게 변화하는지를 파악해야 한다. 의도를 예측하고, 이동 경로를 추론하며, 예측 불가능하고 살아 움직이는 세계에서 순간적인 판단을 내려야 한다.

이러한 요구는 업계가 Physical AI로 빠르게 이동하는 배경이 되고 있다. Physical AI는 단순히 ‘보는’ 시스템이 아니라, 물리 세계와 상호작용하도록 설계된 AI 시스템이다.

보는 것에서 예측하는 것으로

인간은 정적인 장면을 분석하며 세상을 이동하지 않는다. 우리는 움직임을 읽는다.

아이가 인도 가장자리로 뛰어가는 모습, 사각지대에서 자전거가 추월해오는 상황, 세 대 앞 차량의 브레이크등이 켜지는 순간을 볼 때 우리는 단순히 형태를 식별하는 것이 아니다. 속도, 방향, 의도를 거의 즉각적으로 계산하고, 그 예측을 바탕으로 반응한다.

자율 시스템에서 이러한 예측 능력은 곧 안전의 문제다.

Physical AI는 세상을 분리된 프레임의 연속으로 바라볼 수 없다. 차량, 보행자, 인프라 사이에서 끊임없이 변화하는 관계와 흐름을 지속적으로 해석해야 한다. 진정한 이해는 결국 예측에 가깝다. 지금 객체가 어디에 있는지를 아는 것을 넘어, 1초 뒤 어디에 있을지를 판단하는 능력이다.

레이더는 측정하고, 카메라는 추정한다

많은 퍼셉션 아키텍처는 전통적으로 시각 정보에 의존해왔다. 카메라는 뛰어난 의미 정보를 제공하기 때문에 객체를 분류하는 데 강점을 가진다. 하지만 카메라는 움직임을 직접 측정하지 못한다.

속도나 방향을 파악하기 위해서는 연속된 프레임 간의 차이를 계산해 이를 추정해야 한다. 여기에 어둠, 강한 역광, 폭우, 안개와 같은 조건이 더해지면 이 수학적 추론은 훨씬 더 복잡해지고, 위험해진다.

레이더는 근본적으로 다른 물리 법칙 위에서 작동한다.

레이더는 도플러 효과를 활용해 객체의 속도를 직접 측정하고, 동시에 거리와 방향을 계산한다. 레이더는 움직임을 추론하지 않는다: 움직임을 관측한다. 이는 Physical AI 모델에 신뢰할 수 있는 물리 기반 데이터를 제공하며, 비전 기반 시스템이 어려움을 겪는 극한 환경에서도 중요한 인식 기반이 된다.

Physical AI에서 움직임 데이터는 부가적인 정보가 아니다. 근본적인 토대다.

자율주행 아키텍처의 새로운 방향

업계의 Physical AI로의 빠른 전환은 더 광범위한 인식을 반영한다. 객체 인식은 한계에 도달했다는 것이다.

NVIDIA는 Physical AI를 주류 담론으로 끌어올리며, 지능이 디지털 데이터센터를 넘어 물리 세계에서 실제로 움직이는 기계로 확장되는 연결고리로 설명하고 있다. 동시에 Wayve와 Waabi와 같은 자율주행 선도 기업들은 end-to-end 아키텍처와 멀티모달 월드 모델을 개발하고 있다. 이는 물리 환경이 앞으로 몇 초 뒤 어떻게 변화할지를 예측하도록 설계된 AI 시스템이다.

이들의 소프트웨어 접근 방식은 다르지만, 필요한 데이터의 방향은 점점 하나로 모이고 있다. 차세대 AI는 단순화되고 전처리된 객체 목록에만 의존할 수 없다. 고도화된 생성형 네트워크와 occupancy grid는 안전한 실시간 의사결정을 위해 깊이, 속도, 공간적 흐름과 같은 고해상도의 물리 입력 데이터를 필요로 한다.

더 나은 AI는 더 나은 센서 스트림을 요구한다

신경망이 더 정교해질수록, 센서 데이터를 필터링하던 기존 방식은 점점 한계를 드러내고 있다.

AI 개발자들은 더 이상 단순화된 ‘감지 객체 목록’만을 원하지 않는다. 이들은 조밀한 포인트 클라우드, 정밀한 도플러 측정값, 원시 레이더 데이터를 필요로 한다. AI 모델이 실제 세계의 관측값으로부터 직접 학습할 수 있도록, 환경을 구성하는 풍부한 물리 데이터를 필요로 하는 것이다.

비트센싱의 차세대 이미징 레이더 개발 역시 이러한 철학에서 출발한다. AIR4D는 Physical AI 시대를 위해 설계된 시스템으로, 최신 AI 아키텍처가 학습, 검증, 실제 배포에 활용할 수 있는 고해상도 데이터 스트림과 직접적인 도플러 접근성을 제공한다.

자율주행의 다음 돌파구는 더 많은 객체를 보는 데서 오지 않을 것이다. 세상이 어떻게 움직이는지를 이해하는 데서 올 것이다. 그리고 그 이해는 움직임에서 시작된다.