로봇의 뇌: 곡괭이는 칩에 없다

로봇 칩의 70%쯤은 엔비디아일 것 같지만, 아닙니다. 로봇 몸에 실제로 박히는 추론 칩에서 엔비디아 점유율은 열에 하나 정도입니다. 데이터센터에서는 정반대였습니다. 자매 시리즈 「혁명의 해부학」 8편에서 우리는 엔비디아가 칩 한 장이 아니라 세 겹의 방어벽(CUDA라는 소프트웨어 토대, GPU를 묶는 NVLink, 거대한 개발자 생태계)으로 데이터센터를 거의 독점한 것을 봤습니다. 칩은 따라 만들어도 그 세 겹은 못 따라 만들기에, 거기서 엔비디아의 곡괭이는 좀처럼 흔들리지 않았습니다.

그런데 같은 신이 로봇의 몸 안으로 내려오면, 그 곡괭이가 흩어집니다. 데이터센터에서는 가르치는 일(학습)과 일하는 일(추론)이 둘 다 같은 GPU 계열 인프라 위에서 일어났습니다. 8편에서 봤듯 추론은 칩 수가 줄어들 뿐, 여전히 같은 데이터센터 컴퓨트의 일이었습니다. 로봇에서는 둘이 하드웨어 계열 자체로 갈라집니다. 로봇을 가르치는 일은 클라우드의 거대한 시뮬레이터 안에서 일어나고, 다 배운 로봇이 일하는 일은 몸 안에 박힌 저전력 칩 위에서 일어납니다. 가르치는 자리와 배포되는 자리가 다른 하드웨어, 다른 시장으로 분리되는 것입니다.

이 분리가 곡괭이의 지형을 바꿉니다. 로봇의 뇌, 곧 추론 칩(엣지 AI 컴퓨트)은 휴머노이드 한 대 몸값(BOM, 부품 원가 명세)의 약 8%에 불과하고, 양산이 진행될수록 2035년경 약 5%까지 더 줄어들 작은 부위입니다 (Yole Group, McKinsey). 작고 줄어드는 부위입니다. 그런데 3편에서 우리는 이 작은 부위에 단단한 곡괭이가 숨어 있되, 그 곡괭이가 칩 자체가 아니라 "그 칩 위에서 로봇을 개발하고 학습시키는 도구사슬"에 있다는 가설을 세웠습니다. 이 편은 그 가설을 기업 단위로 검증합니다.

먼저 이 글의 지도를 한 장으로 깔아 둡니다. 로봇 지능은 세 층으로 쌓입니다. 맨 위는 모델을 거대하게 학습시키는 공유 컴퓨트(데이터센터 GPU), 가운데는 로봇만을 위한 전용 층(가르치는 파이프라인·배포 칩·모델), 맨 아래는 로봇이 현장에서 모으는 실제 경험 데이터입니다. 이 편이 파는 곳은 가운데, 로봇 전용 층입니다. 미리 결론을 비추면, 가운데 층에서 가장 단단한 곡괭이도 그 가치가 위층(컴퓨트)과 아래층(데이터)으로 새어 나갑니다. 그래서 위층은 「혁명의 해부학」이, 아래층은 다음 편이 따로 잽니다.

개념적 시각화. 이 3단 지도가 이후 "위로 샌다·아래로 샌다" 서술의 좌표입니다.

1장. 칩은 곡괭이가 아니었다

상식은 "로봇 칩은 거의 다 엔비디아"라고 답합니다. 데이터센터의 기억 때문입니다. 그러나 로봇 몸 안에 실제로 박히는 배포 추론 칩만 보면, 그 상식은 데이터를 정면으로 거스릅니다.

1.1 배포되는 칩은 파편화되어 있다

엣지 AI 추론 실리콘의 점유율은 엔비디아 11.15%, 퀄컴 9.65%, 애플 8.02%이고, 여기에 화웨이·삼성을 더한 상위 5개사를 합쳐도 약 42.4%입니다. 한 조사기관은 이 시장을 "적당히 파편화된(moderately fragmented)" 경쟁 지형으로 표현합니다 (GM Insights). 데이터센터 AI 가속기에서 엔비디아가 70%를 넘는 사실상의 독점을 쥔 것과 (「혁명의 해부학」 8편) 정반대입니다. 같은 회사가 데이터센터에서는 압도적 1위인데, 로봇 몸 안에서는 열에 하나일 뿐입니다.

세그먼트마다 지배자가 다르다는 점이 파편화를 더 또렷이 보여줍니다. 자동차 추론은 따로, 스마트폰은 또 따로, 산업 로봇은 다시 따로 강자가 갈립니다. 그래서 "엣지 칩 점유율"을 한 숫자로 집계하는 것 자체가 거의 무의미합니다. 칩 자체는 한 좁은 문이 아닌 것입니다.

여기에 자체 칩 설계가 파편화를 더 키웁니다. 테슬라는 옵티머스와 자율주행에 같은 자체 AI4 SoC를 쓰며 이미 수백만 대 차량에 양산 출하 중이고 (notateslaapp), 퀄컴은 출하 중인 드래곤윙 RB6 플랫폼에 더해 로봇 개발용 IQ10 시리즈를 내놓으며 젯슨을 정조준했습니다 (Qualcomm RB6). 완성품 회사가 자기 칩을 직접 깎고, 칩 회사들이 저마다 로봇용 플랫폼을 내미는 시장에서, 배포 실리콘 브랜드는 곡괭이가 서기 어려운 자리입니다.

단, 한 가지를 정밀하게 갈라야 합니다. 칩이 곡괭이가 아니라는 말은 "칩 브랜드"가 파편화됐다는 뜻이지, 그 칩을 떠받치는 기반층까지 파편화됐다는 뜻은 아닙니다. 브랜드는 열에 하나로 갈려도, 한 층 아래로 내려가면 다시 좁아집니다. 엣지 SoC 대부분이 ARM 명령어 집합 위에 설계되고, 그 칩을 깎는 곳은 TSMC와 삼성 두 파운드리이며, 그 위에 얹히는 저전력 메모리는 SK하이닉스·마이크론·삼성 세 곳으로 수렴합니다. 다만 이 기반층의 곡괭이는 우리가 여기서 새로 팔 자리가 아닙니다. 설계도구(EDA)와 제조(노광·파운드리)는 자매 시리즈 「혁명의 해부학」이 데이터센터 칩에서 이미 깊이 판 자리이기 때문입니다 (6편 설계도구, 7편 제조). 로봇 칩도 같은 기반층을 공유하므로, 여기서는 그 자리를 로봇 각도로 연결만 하고, 로봇 고유의 곡괭이를 찾아 계속 내려갑니다.

1.2 그런데 배포는 아직 과도기다: 성능이 모자란다

여기까지만 보면 "로봇 칩에는 곡괭이가 없다"가 결론처럼 보입니다. 그러나 결정적인 반전이 있습니다. 칩 자체가 구조적 곡괭이가 아닌 것은 맞지만, 지금 이 순간의 배포 단계에서는 엔비디아 젯슨이 과도기적으로 붙잡혀 있습니다. 이유는 점유율이 아니라 성능입니다.

다 배운 로봇이 현장에서 일하려면, 카메라로 본 장면을 충분히 빠른 박자로 행동으로 바꿔야 합니다. 그런데 대표적 휴머노이드 모델 π0(파이제로)을 엔비디아 최신 로봇 칩인 젯슨 토르(Jetson AGX Thor) 위에서 돌리면 추론 속도가 초당 19.0회(19.0Hz)에 그칩니다. 한 벤치마크는 이 속도가 "대부분의 카메라 프레임 속도에도 못 미친다"고 적었습니다. 더 큰 변형 모델 π0-L은 3.9Hz까지 떨어집니다 (arXiv 2602.18397). 같은 논문이 둔 기준선에서 10Hz가 겨우 "수용 가능", 100Hz가 "고성능"인데, 가장 좋은 로봇 칩 위에서도 대표 모델이 그 사이 바닥 근처에 머무는 것입니다.

병목의 정체는 메모리 대역폭입니다. 젯슨 토르는 저전력을 위해 LPDDR 메모리를 쓰는데, 그 대역폭이 270GB/s로, 데스크톱 GPU인 RTX 4090의 GDDR(1TB/s)의 약 3.7분의 1, 데이터센터 칩 B100의 HBM(8TB/s)의 약 30분의 1에 불과합니다 (arXiv 2602.18397). 로봇은 몸 안의 작은 배터리로 돌아야 해서 전력을 아끼는 메모리를 쓸 수밖에 없고, 그 절약이 곧 추론 속도의 천장이 됩니다. 몸 안의 물리 제약이 배포 성능을 누르는 것입니다.

19Hz는 모델을 한 번 끝까지 돌리는 풀추론 빈도이지 로봇의 제어 빈도가 아닙니다. π0는 행동을 한 번에 다발로 뽑아내는 방식(flow matching)으로 모터 명령을 최대 50Hz로 내보내고, 컨트롤러가 그 행동 다발을 고빈도로 실행합니다. 즉 19Hz가 곧 "로봇이 끊겨 보인다"는 뜻은 아니되, 풀추론이 카메라 프레임만큼도 안 돈다는 점에서 온디바이스 성능에 여유가 없다는 신호입니다. (출처: π0, pi.website)

1.3 자체 SoC는 아직 준비가 안 됐다

성능이 모자라면 더 좋은 자체 칩으로 바꾸면 됩니다. 문제는 그 자체 칩이 아직 준비되지 않았다는 점입니다. 테슬라의 차세대 AI5 SoC는 특정 추론 작업에서 약 40배의 성능과 약 250와트라는 낮은 전력을 노리지만(엔비디아 블랙웰의 500와트 이상은 옵티머스의 배터리를 몇 시간 만에 비웁니다), 양산은 2027년 중반으로 미뤄졌습니다. 그때까지 옵티머스와 자율주행은 현행 AI4로 버팁니다 (notateslaapp).

그 공백을 엔비디아 젯슨 토르가 메웁니다. 2025년 8월 정식 출시된 젯슨 토르는 블랙웰 기반으로 2,070 FP4 테라플롭스(숫자를 4비트로 잘게 쪼개 연산하는 AI 전용 방식)에 128GB 메모리를 담고, 이전 세대 오린 대비 7.5배 연산과 3.5배 효율을 냅니다. 개발 키트 가격은 3,499달러부터입니다 (NVIDIA). 그리고 초기 채택 기업 명단이 이 과도기 수혜를 증명합니다. 피규어, 아마존 로보틱스, 보스턴 다이내믹스, 캐터필러, 어질리티 로보틱스, 메타, 헥사곤, 메드트로닉이 이미 채택했고, 1X·존디어·OpenAI·피지컬 인텔리전스가 평가 중입니다 (NVIDIA).

여기서 배포칩의 강도를 정확히 짚어야 합니다. 브랜드 점유율은 파편화돼 있지만, 젯슨의 소프트웨어 스택(JetPack·TensorRT·CUDA·GR00T)에는 가르치는 자리와 동종의 전환비용이 실재합니다. 오픈 런타임(ONNX)으로 짠 모델도 다른 벤더 칩에 올리려면 재양자화(숫자 정밀도를 칩에 맞게 다시 줄이는 작업)와 재검증이라는 실제 작업이 따르기 때문입니다. 그래서 토르급 통합 모듈을 지금 당장 조달할 거의 유일한 통로가 젯슨인 것은, 단순한 공급 부족이 아니라 소프트웨어 락인으로 굳습니다. 다만 그 시한은 두 가지가 한정합니다. 칩을 직접 깎는 자체 SoC 탈출로(테슬라급 소수만 가능)와, 퀄컴·자체 칩이 늘수록 약해지는 브랜드 파편화입니다.

개념적 시각화. (출처: GM Insights 점유율·arXiv 2602.18397 추론속도·notateslaapp AI5 일정·NVIDIA Jetson)

2장. 곡괭이는 가르치는 자리에 있다

칩이 곡괭이가 아니라면, 그 칩 위에서 무엇이 곡괭이일까요. 답은 로봇을 가르치는 파이프라인입니다. 운전을 배울 땐 학원과 강사가 꼭 필요하지만 면허를 딴 뒤엔 그 학원 없이 운전하는 것처럼, 로봇을 가르치는 단계와 다 배운 로봇이 일하는 단계는 다릅니다. 그리고 가르치는 단계에 가치가 고이는데, 그 가치는 닫아건 자물쇠가 아니라 한번 구축한 파이프라인의 전환비용, 시뮬레이션과 합성데이터의 통합, 도구사슬에 익은 손에서 나옵니다. 그 한가운데 엔비디아가 섭니다.

2.1 곡괭이는 폐쇄가 아니라 구축된 파이프라인의 전환비용에 있다

먼저 흔한 오해부터 깨야 합니다. "엔비디아가 시뮬레이터를 비공개로 잠가서 곡괭이를 쥐었다"는 그림은 사실과 다릅니다. 엔진 자체는 오히려 열리고 있습니다. 엔비디아는 구글 딥마인드, 디즈니 리서치와 함께 오픈소스 물리엔진 뉴턴(Newton)을 공동 개발했습니다. 뉴턴은 엔비디아의 GPU 가속 라이브러리 Warp 위에 지어졌고, MuJoCo의 솔버(MuJoCo-Warp)를 기본 백엔드로 통합했으며, 아파치 2.0 라이선스로 풀려 리눅스 재단이 커뮤니티로 관리합니다 (Newton, GitHub). 게다가 손으로 물건을 정교하게 다루는 일(컨택트가 많은 매니퓰레이션)의 현재 사실상 표준 시뮬레이터는 구글 딥마인드의 완전 오픈소스 MuJoCo입니다. 곧 엔비디아조차 물리 엔진을 오픈하고, 학습의 핵심 도구는 이미 열려 있습니다.

이제부터 도구 이름이 여럿 나오지만, 두 묶음으로만 기억하면 됩니다. 하나는 엔비디아 학습 도구 묶음(시뮬레이터 아이작 심, 합성데이터 GR00T·코스모스)이고, 다른 하나는 그에 맞서는 오픈 대안 묶음(MuJoCo·제네시스·뉴턴·LeRobot)입니다. 앞으로 개별 이름 대신 이 두 묶음으로 따라오면 됩니다.

그렇다면 곡괭이는 폐쇄 라이선스가 아니라 다른 세 곳에서 나옵니다. 첫째는 한번 구축한 파이프라인의 전환비용입니다. 엔비디아 묶음으로 개발 파이프라인을 짜 놓으면, 엔진을 오픈으로 바꾸더라도 거기 얽힌 자산과 검증을 다시 치러야 합니다. 둘째는 통합입니다. 엔비디아 묶음은 시뮬·합성데이터·학습 도구가 한 스택으로 맞물려 돌아가, 흩어진 오픈 도구를 직접 엮는 것보다 빠릅니다. 셋째는 익숙도입니다. 그 묶음에 손이 익은 엔지니어일수록 다른 환경으로 옮기는 비용이 큽니다. 엔진을 공짜로 풀어도 이 셋은 따라 풀리지 않습니다.

단 이 세 기둥의 무게가 같지는 않습니다. 가장 내구적인 락인은 로봇 전용 도구가 아니라, 그 아래에서 대규모 모델을 학습시키는 공유 컴퓨트(데이터센터 GPU)입니다. 그건 도입에서 깐 지도의 위층, 곧 「혁명의 해부학」 8편이 다루는 자리입니다. 로봇 전용 도구 묶음은 그 위에 얹힌 더 무른 외피입니다. 그래서 가운데 층에서 가장 단단한 곡괭이가 가르치는 파이프라인이라 해도, 그 내구 코어는 위층(컴퓨트)에 빚지고 있습니다. 이것이 첫 번째 누수, 곧 가치가 위로 새는 지점입니다.

비공개 런타임과 과금은 이 통합 스택의 한 요소일 뿐, 곡괭이의 본질이 아닙니다. 실제로 아이작 심은 소스가 아파치 2.0이지만 기반 런타임 옴니버스 키트(Omniverse Kit)는 비공개이고, 이를 제3자에게 재배포하거나 서비스로 제공하거나 고객 하드웨어에 설치해 주는 턴키 사업을 하려면 엔비디아 AI 엔터프라이즈(GPU당 연 4,500달러로 알려짐)가 강제됩니다. 반면 사내 연구개발로 쓰거나 시뮬레이션 결과물만 파는 것은 라이선스 없이 가능합니다 (NVIDIA License FAQ, introl 2차 출처). 자물쇠가 "쓰는 사람"이 아니라 "이걸로 사업하는 사람"에게만 채워진다는 사실 자체가, 이 곡괭이의 힘이 폐쇄가 아니라 통합·익숙도에 있음을 보여줍니다.

2.2 합성데이터: 속도는 commodity, 곡괭이는 통합에 있다

가르치는 둘째 자리는 합성데이터입니다. 로봇이 배울 경험은 인터넷에 없어 누군가 직접 만들어야 하는데, 사람이 로봇을 원격조종해 한 동작씩 모으는 일은 느리고 비쌉니다. 시뮬레이터는 이 경험을 폭발적인 속도로 찍어냅니다. 엔비디아 아이작 GR00T 파이프라인은 75만 개가 넘는 합성 궤적을 단 11시간에 생성했는데, 이는 사람이 직접 시연하면 6,500시간, 곧 아홉 달을 꼬박 일해야 모을 분량입니다 (NVIDIA Developer).

그런데 이 속도 자체는 곡괭이가 아닙니다. 양날이기 때문입니다. 빠르게 찍어낼수록 누구나 합성 경험을 싸게 대량으로 만들 수 있어, 합성데이터는 빠르게 commodity(흔한 범용재)가 됩니다. 실제로 합성데이터 전업으로는 단독 생존이 어려워, 선도 업체 그레텔(Gretel)도 2025년 엔비디아에 인수돼 스택의 한 부품으로 들어갔습니다 (siliconangle). 그래서 가르치는 자리의 곡괭이는 합성데이터의 속도가 아니라, 그것을 한 스택으로 묶는 통합에 있습니다.

이 통합이 한 회사로 수렴하는 모습을 가장 잘 보여주는 사례가 스킬드 AI(Skild AI)입니다. 스킬드는 시뮬레이션부터 학습까지 엔비디아의 전 스택 위에 자사 모델을 올렸고, 정작 엔비디아 자신이 스킬드의 투자자입니다 (NVIDIA Case Study). 로봇을 가르치는 신생 기업이 가장 앞선 통합 스택을 찾아가면, 그 길 끝에 다시 엔비디아가 서 있는 구조입니다. 곡괭이는 합성데이터 속도가 아니라, 그 스택의 통합과 전환비용에 고입니다. 한번 이 사슬로 파이프라인을 짜면 다른 환경으로 옮기는 데 재교육과 재검증을 다시 치러야 하는, 전형적인 경제적 해자입니다.

개념적 시각화. 곡괭이는 가르치는 단계의 도구사슬에 있고, 배포 단계는 그 밖이다. 단 배포된 로봇은 무선 업데이트(OTA)로 재학습되어 사슬로 되돌아온다. (출처: NVIDIA License FAQ·NVIDIA Developer·introl)

2.3 차원은 비가역이되, 수위는 진동한다

여기서 이 곡괭이를 영구 병목으로 단정하면 1편의 원칙을 어깁니다. 1편은 가치가 "대체 불가능성이 오래 유지되는 좁은 길목"에만 고이고, 표준화·대량 양산되면 한때의 곡괭이가 흔한 흥정칩으로 무너진다는 지속성 원칙을 세웠습니다. 이 지속성 원칙을, 우리는 7편에서 두 층으로 재정식화합니다. 한번 올라서면 되돌아가지 않는 차원(전환비용)과, 오르내리며 진동하는 수위(오픈·표준화 압력)입니다. 가르치는 자리의 곡괭이도 이 두 층으로 읽어야 정확합니다.

차원은 비가역입니다. 한 회사가 엔비디아의 도구사슬로 로봇 개발 파이프라인 전체를 짜 놓으면, 거기 쌓인 엔지니어의 손에 익은 습관과 검증된 자산은 하루아침에 옮겨지지 않습니다. 데이터센터의 CUDA 락인이 19년에 걸쳐 그러했듯, 파이프라인 전환비용은 한 방향으로만 쌓이는 차원입니다.

그러나 수위는 세 갈래로 출렁입니다. 첫째, 엔진이 열려 있습니다. 앞서 본 오픈 대안 묶음(제네시스·MuJoCo·뉴턴)이 엔비디아 엔진의 대체재로 자랍니다. 그것도 뉴턴처럼 엔비디아 자신의 손으로도요. 둘째, 도구를 잇는 지휘대(orchestration, 흩어진 도구를 한 흐름으로 묶어 지휘하는 층)에도 개방 대안이 있습니다. 허깅페이스의 LeRobot은 표준 데이터 포맷과 하드웨어 비종속 인터페이스로, 엔비디아 스택 밖에서 시뮬·데이터·모델을 한데 묶어 줍니다 (LeRobot). 셋째, 익숙도도 양날입니다. 오픈 묶음에 익은 엔지니어가 늘수록 엔비디아와의 격차는 좁혀집니다. 흔히 드는 "로봇 개발자 수백만"은 엣지 AI 하드웨어 개발자 전체를 센 광의치이지 엔비디아 도구 사용자 수가 아니므로, 익숙도를 그 숫자로 부풀려선 안 됩니다. 이 셋이 성숙하면 가르치는 자리의 수위는 내려갑니다.

여기에 합성데이터의 근본 한계가 더해집니다. 시뮬레이션으로 만든 경험은 실제 세계와 어긋나는 차이(sim-to-real gap, 가상과 현실의 틈) 때문에, 진짜 데이터로 보정하기 전까진 반제품입니다. 업계 표준 학습법도 시뮬에 소량의 실데이터를 섞는 방식입니다. 그래서 가르치는 자리의 가치는 시뮬 도구 자체보다, 실제 데이터와 그 차이를 메우는 노하우로 흐릅니다. 이것이 두 번째 누수, 곧 가치가 아래로 새는 지점입니다. 그 자산은 다음 편 「경험을 쥔 자」가 잽니다.

단 반대 방향의 힘도 있습니다. 로봇은 배포된 뒤에도 계속 배웁니다. 현장에 깔린 로봇 무리(플릿)가 모은 경험이 클라우드로 올라가 모델을 다시 학습시키고, 그 갱신이 무선 업데이트(OTA, 기기를 회수하지 않고 무선으로 소프트웨어를 갱신하는 방식)로 다시 내려갑니다. 운전 비유를 정확히 고치면, 면허를 따면 끝이 아니라 정기 보수교육이 평생 따라붙는 면허에 가깝습니다. 가르치는 자리가 로봇의 생애 내내 반복된다면 이 곡괭이는 더 강해질 수도, 그 반복 학습의 가치가 실데이터를 소유한 자에게로 옮겨갈 수도 있습니다(다음 편).

3장. 모델은 공짜로 풀렸다

같은 뇌 부위 안에서 칩(배포)도, 도구사슬(가르치는 자리)도 봤습니다. 마지막 한 조각이 남았습니다. 로봇의 판단 그 자체를 담은 모델(VLA, 비전·언어·행동 모델)입니다. 직관은 "그 똑똑한 모델이 곡괭이겠지"라고 답합니다. 데이터는 정반대를 말합니다.

3.1 VLA는 거의 다 오픈웨이트다

대표적인 로봇 파운데이션 모델들이 가중치(weight, 모델이 학습으로 얻은 내부 숫자값 전체)를 공개해 두었습니다. 피지컬 인텔리전스의 π0·π0.5는 아파치 2.0으로 풀렸고, 그 베이스 모델은 1만 시간이 넘는 로봇 데이터로 사전학습돼 누구나 내려받아 미세조정할 수 있습니다 (openpi). 스탠퍼드·버클리 계열의 OpenVLA-7B는 MIT 라이선스로, 체크포인트와 학습 코드까지 통째로 공개됐습니다 (OpenVLA). 엔비디아의 GR00T N1.7도 오픈웨이트(가중치 공개)로, 자체 라이선스(NVIDIA Open Model License) 아래 상업·비상업 사용이 모두 열려 있습니다 (GR00T N1.7). 누구나 같은 모델을 가져다 쓸 수 있다면, 그 자리에는 통행료를 받을 좁은 문이 서지 않습니다. 모델 자체는 곡괭이가 아닙니다.

3.2 그런데 기업가치는 폭발한다

이상한 일이 벌어집니다. 모델을 공짜로 푼 회사들의 기업가치가 폭발하고 있습니다. 피지컬 인텔리전스는 56억 달러에서 약 110억 달러로 올리는 라운드를 협상 중이라고 보도됐고(아직 초기 단계의 협상입니다), 피규어 AI는 2025년 9월 390억 달러의 기업가치를 인정받았으며, 스킬드 AI는 2026년 1월 140억 달러로 평가받았습니다 (TechCrunch PI, Figure, TechCrunch Skild).

모델이 공짜인데 회사값이 수백억 달러라면, 시장은 모델을 사는 것이 아닙니다. 모델 뒤의 무언가를 사는 것입니다. 그렇다면 이 회사들 자체가 투자처 아니냐고 물을 수 있습니다. 맞습니다. 다만 그 몸값은 곧 그들이 쥔 무언가의 값이라, 그 무언가가 진짜 해자인지부터 가려야 합니다. 그 일은 다음 편이 합니다.

3.3 그 무언가는 모델 뒤의 독점 데이터다

그 무언가는 모델 뒤에 쌓인 독점 데이터입니다. 피지컬 인텔리전스의 π0 베이스 모델이 1만 시간이 넘는 자체 텔레오퍼레이션(사람이 로봇을 원격조종해 모은 시연) 데이터로 학습됐다는 사실이 핵심입니다 (openpi). 모델 구조는 공개돼도, 그 모델을 길들인 독점 경험 데이터는 공개되지 않습니다. 가중치를 공짜로 푸는 것은 생태계를 키우려는 미끼이고, 진짜 자산은 그 뒤에 잠긴 데이터인 것입니다.

단 한 가지는 정직하게 덧붙입니다. 모델이 영영 곡괭이가 아니라고 단정할 수는 없습니다. 가장 앞선 최전선 모델은 오히려 닫히는 중이기 때문입니다. 구글 딥마인드의 제미나이 로보틱스는 클로즈드 API와 SDK 대기열로만 열리고 (Gemini Robotics), 피규어의 헬릭스와 스킬드의 브레인도 사내·클라우드 API로 통행료를 받습니다. 오픈웨이트는 모델 가격을 아래로 누르는 압력이되, 프런티어(최전선 모델)가 닫히면 그 자리에 다시 좁은 문이 설 수 있습니다. 그래서 진짜 전선은 "모델이냐 아니냐"가 아니라, 닫힌 프런티어 모델과 그 뒤의 데이터 중 어디에 해자가 고이느냐입니다.

이 데이터가 정말 따라올 수 없는 해자인지, 아니면 많이 깔았다는 규모 지표일 뿐인지는 이 편이 단정할 자리가 아닙니다. 데이터 플라이휠(많이 배치할수록 더 많은 경험을 모아 더 나은 모델을 만드는 순환)이 진짜 해자가 되는지, 텔레오퍼레이션 수집 단가가 시간당 340달러에서 118달러로 빠르게 떨어지는 흐름이 그 해자를 누구나 싸게 복제할 수 있게 만드는지는, 다음 편 「경험을 쥔 자」가 데이터 부위를 통째로 열어 잽니다. 이 편은 모델에서 데이터로 넘어가는 다리만 놓고 멈춥니다.

결론: 로봇 뇌엔 단일 곡괭이가 없다, 가치는 위와 아래로 샌다

로봇의 뇌를 세 조각으로 갈라 보니, 의외의 사실이 드러났습니다. 로봇 전용 층에는 압도적인 단일 곡괭이가 없습니다. 로봇에 박히는 칩은 여러 회사로 쪼개졌고, 모델은 거의 다 무료로 풀렸습니다. 셋 중 가르치는 파이프라인이 가장 단단하고 그 중심에 엔비디아가 섭니다. 다만 그 단단함은 폐쇄가 아니라 통합과 익숙도에서 나옵니다. 엔비디아조차 학습 엔진을 오픈소스로 내놓고 있으니까요.

그리고 가장 단단한 그 곡괭이조차 로봇 전용 층에 온전히 고이지 않고, 위아래로 샙니다. 위로는, 가르치는 일의 진짜 내구 코어가 그 아래 공유 컴퓨트(데이터센터 GPU)라서 가치가 위층으로 빠집니다. 그 자리는 「혁명의 해부학」 8편이 다룹니다. 아래로는, 합성 경험이 실제와 어긋나 진짜 데이터로 보정해야 완성되므로, 가치가 실제 데이터로 흘러 다음 편 「경험을 쥔 자」로 넘어갑니다. 남은 외피(시뮬·합성데이터 통합·익숙도)는 오픈 대안 묶음(제네시스·MuJoCo·뉴턴·LeRobot)이 흔들고, 배포 칩의 소프트웨어 락인은 자체 칩과 브랜드 파편화가 시한을 깎습니다.

이것이 이 발굴편의 반전입니다. 모든 층에 엔비디아 이름이 나오지만, "결국 다 엔비디아"가 아닙니다. 엔비디아의 로봇 해자조차 그 아래 공유 컴퓨트에서 빌린 것이고, 오픈 엔진에 흔들리며, 진짜 자산은 위아래로 새어 나갑니다. 그래서 로봇 뇌엔 단일 곡괭이가 없고, 가치는 한곳이 아니라 세 층(컴퓨트·가르치는 자리·데이터)으로 분산됩니다.

그러니 로봇 시대 투자에서 가져갈 것은 하나입니다. 칩이나 모델 이름을 좇지 마십시오. 누가 로봇을 가르치는 파이프라인을 쥐고, 그 위 컴퓨트와 아래 데이터를 쥐는지를 보십시오. 그 위아래 두 층은 「혁명의 해부학」과 다음 편이 잇따라 잽니다.

강도 부연: ① 가르치는 파이프라인은 로봇 전용 층 최강이나, 내구 코어는 위층 컴퓨트에 빚지고 오픈 대안 묶음이 수위를 흔든다. ② 배포 칩은 젯슨 소프트웨어 락인이 실재하나 자체 칩과 브랜드 파편화가 시한을 깎는다. ③ 모델은 오픈웨이트라 약하되 최전선(제미나이·헬릭스·스킬드)은 닫히는 중이다. 강도는 길목 장악력이지 싼 주식이나 투자 매력도가 아니며, 정밀 적정가는 개별 기업 분석의 몫이다.