Chapter 11: 2026-2030 로드맵 — 파일럿에서 생산 운영체계까지

요약

학습 목표 - 2026-2030년을 pilot, validation, supervised production, fleet learning, operating system 단계로 나눈다. - 각 단계에서 배워야 할 기술, 만들어야 할 데이터 자산, 통과해야 할 배포 gate를 구분한다. - 제조사가 30개월 이상 유지할 internal capability roadmap을 작성한다.

촉각, force-aware VLA, human teleoperation, tactile simulation, Cosmos/virtual world 방향은 모두 같은 결론으로 모인다. 제조사는 더 많은 로봇을 사기 전에 더 나은 학습 루프를 만들어야 한다 ^[1]; ^[2]; ^[3]; ^[10].

2030년의 승자는 가장 큰 model checkpoint를 가진 기업이 아니라, 공정 실패를 가장 빨리 재현하고 승인 가능한 개선으로 되돌리는 기업일 가능성이 높다.

11.1 2026: 첫 셀과 데이터 spine

2026년의 목표는 작게 시작하되 데이터 구조를 크게 설계하는 것이다. 한두 개의 제한 셀에서 pick/place/inspect/rework primitive를 정의하고, demonstration, simulation asset, QA image, force/tactile signal, operator override를 같은 task id로 묶는다.

배워야 할 것은 세 가지다. 첫째, robot teleoperation과 demonstration capture다. Mobile ALOHA 같은 저비용 bimanual manipulation 계열은 데이터 수집의 문턱을 낮췄다 ^[5]. 둘째, tactile/force signal의 의미다. ForceVLA와 Tactile-VLA는 접촉 작업에서 force와 tactile token이 정책 성능에 영향을 준다는 방향을 보여준다 ^[2]; ^[4]. 셋째, failure taxonomy다.

2026년에 배포 목표를 과하게 잡으면 안 된다. 좋은 목표는 supervised pilot이다. 작업자가 승인하고, 로봇이 제한 행동만 수행하며, 모든 실패가 다음 simulation batch로 되돌아가는 구조를 만드는 것이 더 중요하다.

11.2 2027: Simulation과 release ladder

2027년에는 pilot을 production candidate로 바꾼다. TacEx 같은 tactile simulation, sim-to-real dexterous manipulation, real-to-sim-to-real 연구는 simulation이 단순 시각화가 아니라 failure reproduction과 policy evaluation의 핵심이 됨을 보여준다 ^[1].

이 단계의 artifact는 세 가지다. 첫째, USD asset registry다. 공장, fixture, robot, sensor, part, tolerance version을 관리한다. 둘째, regression suite다. 현실 셀에서 발생한 top failure를 simulation case로 다시 돌린다. 셋째, release ladder다. shadow mode, supervised mode, restricted production의 승인 기준을 문서화한다.

이 시점의 capex는 로봇 대수보다 measurement와 validation에 써야 한다. 좋은 카메라, force/torque, tactile fingertip, calibration workflow, edge logging이 없으면 더 많은 로봇은 더 많은 불확실성을 만든다.

11.3 2028: Multi-cell 운영

2028년에는 단일 셀의 성공을 여러 셀로 옮긴다. 이때 중요한 것은 복붙이 아니라 interface다. 각 셀이 다른 robot과 fixture를 쓰더라도 skill definition, failure class, QA metric, release record는 같은 구조를 써야 한다.

3D-ViTac, NeuralFeels, unified tactile representation 같은 연구는 visuo-tactile perception이 더 풍부한 상태 추정을 제공할 수 있음을 보여준다 ^[6]; ^[8]; ^[9]. 제조사는 이를 특정 센서 선택으로만 보지 말고, multi-cell state representation을 표준화하는 문제로 읽어야 한다.

조직적으로는 production engineering, data engineering, robotics, quality, safety가 하나의 release board를 공유해야 한다. 2028년의 병목은 모델 성능보다 부서 간 승인 속도일 수 있다.

11.4 2029-2030: Fleet learning과 운영체계

2029년부터는 fleet learning이 핵심이다. 여러 셀에서 발생한 실패를 공통 taxonomy로 모으고, simulation regression suite에 추가하며, 후보 모델을 offline, shadow, supervised, restricted 순서로 비교한다.

2030년의 목표는 physical-AI operating system이다. 이는 별도 소프트웨어 제품을 뜻하지 않는다. 공장이 제품, 데이터, 검증, 학습을 함께 생산하는 운영 체계를 뜻한다. Siemens와 NVIDIA의 industrial AI operating system 방향, PwC의 2030 제조 전망은 이 전환이 기술 도입을 넘어 운영 모델 변화라는 점을 보여준다 ^[12]; ^[13].

이 단계에서 제조사는 supplier도 바꿔야 한다. robot vendor, fixture vendor, sensor vendor, automation integrator에게 데이터 lineage와 simulation asset을 요구해야 한다. 공급망이 physical AI loop에 들어오지 않으면 공장 내부 루프만 빨라지고 외부 변경은 여전히 느리다.

11.5 제조 셀 체크포인트

체크포인트의 방향은 분명하다. 처음에는 하나의 셀에서 배우고, 마지막에는 공장 전체가 같은 학습 언어를 사용해야 한다.

11.6 무엇을 배워야 하는가

2026년에는 robot learning의 기초보다 데이터 계약을 먼저 배워야 한다. task schema, demonstration capture, quality labeling, safety stop, versioning이다. 2027년에는 simulation과 evaluation을 배워야 한다. USD asset, Isaac workflow, tactile simulation, sim-to-real gap 분석이다. 2028년에는 MLOps가 아니라 "robot policy ops"를 배워야 한다. edge deployment, rollback, model comparison, operator feedback이다.

2029-2030년에는 조직 설계를 배워야 한다. physical AI는 AI팀의 프로젝트가 아니라 제조 운영 방식이다. 품질팀이 reward signal을 정의하고, 안전팀이 release envelope을 정의하며, 생산기술팀이 failure taxonomy를 관리하는 구조가 필요하다.

다음 장으로

마지막 장은 이 roadmap을 실천 가능한 30/60/90일 계획으로 압축한다. 독자는 5년 전망을 읽고 끝내지 말고, 다음 30일에 어떤 셀을 고르고, 60일에 어떤 데이터를 묶고, 90일에 어떤 supervised pilot을 시작할지 결정해야 한다.

참고문헌

1. Various (2024). TacEx: GelSight Tactile Simulation in Isaac Sim. arXiv preprint. https://arxiv.org/abs/2411.04776
2. Jiawen Yu et al. (2025). ForceVLA: Enhancing VLA Models with a Force-aware MoE for Contact-rich Manipulation. NeurIPS 2025. https://arxiv.org/abs/2505.22159
3. Pei Lin et al. (2025). PP-Tac: Paper Picking Using Omnidirectional Tactile Feedback in Dexterous Robotic Hands. RSS 2025. https://arxiv.org/abs/2504.16649
4. Jialei Huang et al. (2025). Tactile-VLA: Unlocking Vision-Language-Action Model's Physical Knowledge for Tactile Generalization. arXiv preprint arXiv:2507.09160. https://arxiv.org/abs/2507.09160
5. Zipeng Fu et al. (2024). Mobile ALOHA: Learning Bimanual Mobile Manipulation with Low-Cost Whole-Body Teleoperation. arXiv preprint. https://arxiv.org/abs/2401.02117
6. Binghao Huang et al. (2024). 3D-ViTac: Learning Fine-Grained Manipulation with Visuo-Tactile Sensing. CoRL 2024. https://arxiv.org/abs/2410.24091
7. Qian Mao et al. (2024). Multimodal Tactile Sensing Fused with Vision for Dexterous Robotic Housekeeping. Nature Communications. https://doi.org/10.1038/s41467-024-51261-5
8. Sudharshan Suresh et al. (2024). NeuralFeels with Neural Fields: Visuotactile Perception for In-Hand Manipulation. Science Robotics. https://doi.org/10.1126/scirobotics.adl0628
9. Fengyu Yang et al. (2024). Binding Touch to Everything: Learning Unified Multimodal Tactile Representations. CVPR 2024. https://openaccess.thecvf.com/content/CVPR2024/papers/Yang_Binding_Touch_to_Everything_Learning_Unified_Multimodal_Tactile_Representations_CVPR_2024_paper.pdf
10. NVIDIA Cosmos team (2026). Cosmos 3: Omnimodal World Models for Physical AI. arXiv / GTC Taipei 2026. https://arxiv.org/abs/2606.02800
11. NVIDIA (2026). NVIDIA GTC Showcases Virtual Worlds Powering the Physical AI Era. NVIDIA Blog / GTC 2026. https://blogs.nvidia.com/blog/gtc-2026-virtual-worlds-physical-ai/
12. Siemens and NVIDIA (2026). Siemens and NVIDIA Expand Partnership to Build the Industrial AI Operating System. NVIDIA Newsroom.
13. PwC (2026). Industrial Manufacturing's Race to 2030. PwC Global Industrial Manufacturing Sector Outlook.