Sim-to-real 갭은 정제된 시뮬레이션이 아니라 현장의 사고·예외 데이터가 메운다

물리 AI에서 가치 있는 데이터는 책상에서 정제된 시뮬레이션 데이터가 아니라, 실제 현장에서 발생하는 사고·예외·충돌·엣지 케이스 같은 지저분한(messy) 물리 데이터다. 로봇이 넘어지고, 바퀴가 헛돌고, 날씨 때문에 센서가 오작동하는 순간들만이 시뮬레이션이 만들어낼 수 없는 노이즈와 물리 법칙을 담고 있으며, sim-to-real gap을 메우는 유일한 진짜 원천이다. 따라서 물리 AI 경쟁력은 모델 크기보다 현장 데이터를 대량으로 수집할 수 있는 물리적 배치 규모(physical scalability)와 데이터 생산 파이프라인에서 갈린다.

ROAS Global Robotics Forum 2026에서 여러 기업이 서로 다른 방식으로 같은 결론에 도달해 있었다. 저가 하드웨어를 수십~수백 대 깔아 현장 데이터를 긁는 방식(예: Unitree), 데이터 생성 시설을 직접 운영해 자체 모델에 주입하는 방식(예: Discover Robotics의 Data Farm), 하드웨어·시뮬레이션·데이터 인프라를 묶어 파는 방식(예: Agile Robots의 AI Factory). 접근은 달라도 "현장의 예외가 곧 자산"이라는 전제는 동일했다.

이 원리는 로봇에만 국한되지 않는다. 현장 솔루션을 만드는 입장에서도, 깔끔한 데모 환경이 아니라 실제 운영 중 발생하는 예외·사고 기록이 제품을 단련시키는 데이터다.

---

이어지는 생각: 조선소 등 비정형 환경에서의 로봇 운영 과제 · K-Palantir 현상 — 구호가 아니라 현장의 문제 정의가 본질