엔비디아 Physical AI: 로봇에게 CUDA를 깐다
로봇의 두뇌(GR00T), 눈(Cosmos), 훈련장(Newton), 몸(Jetson). 4개 플랫폼을 모두 가진 유일한 회사
엔비디아 Physical AI는 로봇의 두뇌(GR00T), 눈(Cosmos), 훈련장(Isaac+Omniverse+Newton), 몸(Jetson)을 하나의 파이프라인으로 통합하는 플랫폼 전략이다. 현재 매출은 전체의 3%($6B)에 불과하지만, 로보틱스는 이미 $90B 산업이며 2M+ 개발자 생태계를 오픈소스로 구축 중이다. CUDA가 출시 후 킬러 앱까지 5년, 매출 의미까지 9년이 걸렸으므로, Physical AI가 같은 궤적을 따를 경우 2029~30년이 전환점이며 이 타임라인이 투자 인내의 기준이 된다.
2007년, GPU로 과학을 한 사람은 없었다
2007년에 NVIDIA는 CUDA를 출시했습니다. GPU를 범용 연산에 쓸 수 있게 해주는 프로그래밍 플랫폼이었습니다. 당시 반응은 미지근했습니다. "GPU로 과학을 한다고? 게임 칩인데?" GPU는 게임 칩이었고, 진지한 과학 연산은 CPU의 영역이었습니다. CUDA는 5년 동안 매출에 거의 기여하지 못했습니다.
그런데 2012년, AlexNet이 CUDA 위에서 이미지 인식 경쟁을 뒤집었습니다. 딥러닝 연구자들이 CUDA를 발견한 순간이었습니다. 이미 5년 동안 쌓인 생태계(라이브러리, 교육 자료, 개발자 커뮤니티)가 있었기 때문에, 연구자들은 CUDA를 선택할 수밖에 없었습니다. 플랫폼을 먼저 깔아놓으면, 킬러 앱이 올 때 이미 승부는 끝나 있습니다.
💡 핵심: 젠슨 황은 지금 Physical AI에서 똑같은 전략을 실행하고 있습니다. 로봇의 두뇌(GR00T), 눈(Cosmos), 훈련장(Isaac + Omniverse), 몸(Jetson). 아직 킬러 앱은 없습니다. 매출도 전체의 3%에 불과합니다. 하지만 이 네 조각을 모두 가진 회사는 지구상에 NVIDIA뿐입니다. CUDA가 2007년에 "쓸모없었던" 것처럼, Physical AI도 지금 같은 위치에 있습니다.
이 글은 📈NVDA엔비디아 본문의 Physical AI 섹션을 심층 확장한 분석입니다.
1. 로봇에게 부족한 것
1.1. Physical AI란 무엇인가
젠슨 황은 AI의 진화를 3단계로 정의합니다.
1단계는 보는 AI입니다. 이미지를 인식하고, 텍스트를 분류합니다. 2단계는 만드는 AI입니다. 텍스트를 쓰고, 이미지를 생성합니다. ChatGPT가 여기에 있습니다. 3단계는 행동하는 AI입니다. 현실 세계를 보고, 이해하고, 추론하고, 물리적으로 행동합니다. 로봇입니다.
"The ChatGPT moment for Physical AI is here. when machines begin to understand, reason and act in the real world." (CES 2026 키노트)
ChatGPT가 텍스트로 세상을 바꿨듯이, Physical AI는 물리적 행동으로 세상을 바꾸겠다는 비전입니다. 2022년에 "텍스트 AI가 세상을 바꿀 것"이라고 했을 때 대부분 회의적이었습니다. Physical AI도 지금 같은 위치에 있습니다.
1.2. 아직 못 하는 5가지
비전은 거대하지만, 현실은 냉정합니다. 로봇이 "범용"으로 일하려면 5가지 기술 허들을 넘어야 합니다.
| 허들 | 무엇이 문제인가 | 현재 상태 |
|---|---|---|
| 정밀 파지 | 밀리미터 수준 제어, 변형 물체(천, 케이블) 조작 | 실험실에서만 부분 성공 |
| Sim-to-Real 전이 | 시뮬레이션에서 학습한 것이 실제 환경에서 작동하지 않음 | Reality Gap 여전히 존재 |
| 장기 과제 강건성 | 다단계 작업에서 오차 누적 → 실패 | 단일 태스크는 가능, 연속은 불안정 |
| 안전 설계 | 사람 옆에서 일하려면 충돌·오작동 방지 필수 | 표준·인증 체계 미확립 |
| 고비용 데이터 수집 | 양팔·정교한 핸드 조작 데이터 확보 비용 | 합성 데이터로 해결 시도 중 |
출처: GR00T N1 논문 (arXiv 2503.14734)
前 Agility Robotics CPO Melonee Wise의 지적이 핵심을 찌릅니다. "한 시설에 수천 대가 필요한 애플리케이션을 아직 찾지 못했습니다." (Robotics 24/7) 킬러 앱이 아직 없다는 뜻입니다.
1.3. 그래도 시장은 이미 크다
킬러 앱은 없지만, 시장 자체는 이미 거대하고 빠르게 성장합니다. 로보틱스는 이미 $90B 산업입니다.
| 시장 | 2024~25 | 2030 전망 | CAGR | 출처 |
|---|---|---|---|---|
| 글로벌 로보틱스 | $90B | $206B | 15% | GlobalData |
| 휴머노이드 로봇 | $2.9B | $15.3B | 39% | MarketsandMarkets |
| 디지털 트윈 | $21B | $150B | 48% | Intellect Markets |
| Physical AI (NVIDIA 정의) | $1.5B | $15.2B ('32) | 47% | MarketsandMarkets |
| 합성 데이터 | $0.3B | $8.8B | 42% | Research and Markets |
휴머노이드 기관별 격차 주의: Grand View Research는 2030년 $4B(CAGR 17.5%), Goldman Sachs는 2035년 $38B. 시장이 초기라 전망 불확실성이 높습니다.
젠슨 황은 GTC 2025에서 "이것은 아마 최초의 수조 달러 규모 로보틱스 산업이 될 것"이라고 했습니다. (Fortune) 다만 이 "multi-trillion"은 로보틱스 단독이 아니라 Physical AI + 산업 디지털화 전체를 지칭합니다.
2. NVIDIA의 답: 4개 플랫폼
NVIDIA의 Physical AI 전략은 4개 플랫폼을 하나의 파이프라인으로 연결하는 것입니다. 각각은 로봇 개발의 한 단계를 담당합니다.
Omniverse에서 가상 공장을 만들고 → Cosmos로 현실감 있는 합성 데이터를 생성하고 → GR00T이 그 데이터로 학습하고 → Jetson 칩 위에서 실제 로봇이 실행합니다. 실제 로봇을 훈련장에 넣지 않아도, 가상에서 수백만 번 연습할 수 있는 구조입니다.
2.1. 두뇌: GR00T
GR00T(Generalist Robot 00 Technology)은 NVIDIA의 로봇 파운데이션 모델입니다. 비전(보기) + 언어(이해) + 행동(움직이기)을 하나의 모델로 통합합니다.
| 버전 | 시기 | 핵심 특징 | 상태 |
|---|---|---|---|
| GR00T N1 | GTC 2025 | 세계 최초 오픈 휴머노이드 파운데이션 모델. System 1(반사) + System 2(추론) 듀얼 아키텍처 | 공개 |
| GR00T N1.7 | 2026 EA | VLM 백본(Cosmos-Reason2/Qwen3-VL). 상용 라이선스. 의료 특화(GR00T-H) | 프로덕션 |
| GR00T N2 | GTC 2026 예고 | DreamZero 기반 WAM(World Action Model). 기존 VLA 대비 성공률 2배+ | 2026 말 예정 |
출처: NVIDIA Newsroom, HuggingFace GR00T N1.7
N1의 아키텍처는 인간의 사고 방식을 모방합니다. System 2(느린 사고)는 VLM으로 환경을 해석하고 행동 계획을 세웁니다. System 1(빠른 반사)은 Diffusion Transformer로 120Hz의 저수준 제어를 실행합니다. "생각한 다음 행동한다"는 구조입니다.
N2의 핵심 돌파구는 WAM(World Action Model)입니다. 기존 VLA(Vision-Language-Action) 모델이 "보고 → 행동"하는 반면, WAM은 "미래 월드 스테이트와 행동을 동시에 예측"합니다. MolmoSpaces #1, RoboArena #1을 달성했습니다. (The Decoder)
EgoScale: 로봇의 스케일링 법칙
GR00T 훈련에는 EgoScale이라는 데이터셋이 사용됩니다. 2만 시간의 에고센트릭(1인칭) 인간 비디오, 9,869개 씬, 6,015개 태스크, 43,237개 오브젝트로 구성됩니다. 기존 로봇 학습 데이터의 20배 규모입니다. (arXiv)
💡 핵심: EgoScale에서 LLM과 같은 스케일링 법칙이 최초로 확인되었습니다. 데이터를 20배 늘리면 검증 손실이 log-linear하게 감소합니다. "로봇 학습도 데이터를 더 넣으면 더 잘한다"는 것이 증명된 것입니다. 이것이 중요한 이유는, 데이터 문제를 컴퓨트 문제로 치환할 수 있다는 뜻이기 때문입니다. 컴퓨트 문제는 NVIDIA의 본업입니다.
오픈소스 전략
GR00T N1은 Apache 2.0 라이선스로 공개되었습니다. 수정, 재배포, 상용 탑재가 모두 가능합니다. Hugging Face의 LeRobot 프레임워크와 통합되어 NVIDIA 2M 로봇 개발자 + Hugging Face 13M AI 빌더가 연결되었습니다. CUDA를 무료로 뿌려 GPU 수요를 만든 전략의 반복입니다.
2.2. 눈: Cosmos 세계 모델
로봇이 현실에서 행동하려면, 세계가 "어떻게 작동하는지" 이해해야 합니다. 공을 던지면 포물선을 그리고, 컵을 기울이면 물이 쏟아진다는 것을. Cosmos는 이 물리적 상식을 학습한 세계 파운데이션 모델(WFM)입니다.
| 모듈 | 역할 | 핵심 스펙 |
|---|---|---|
| Cosmos Predict 2.5 | 가상 환경 생성 (Text/Image/Video→World) | 2B/14B 파라미터. 200M 영상 클립 학습 |
| Cosmos Transfer | 시뮬 데이터를 포토리얼 영상으로 변환 | 깊이맵·세그멘테이션·라이다 입력 |
| Cosmos Reason 2 | 물리 법칙 이해 + 시공간 추론 | 7B VLM. 오픈소스 |
출처: NVIDIA Newsroom
전체 훈련 데이터는 9,000T 토큰, 2천만 시간의 실세계 영상입니다. Cosmos의 역할은 합성 데이터 파이프라인의 핵심 엔진입니다. Isaac Sim에서 3D 시뮬레이션을 만들면, Cosmos Transfer가 이를 "진짜처럼 보이는" 영상으로 변환합니다. 로봇은 실제 환경에 가보지 않고도 현실적인 데이터로 학습할 수 있습니다.
채택 기업: Agility Robotics, Figure AI, Foretellix, Skild AI, Uber. (NVIDIA Newsroom)
2.3. 훈련장: Newton + Isaac + Omniverse
로봇을 실제로 수백만 번 떨어뜨리고, 부딪치고, 실패시킬 수는 없습니다. 시뮬레이션이 필수입니다. NVIDIA는 이 훈련장을 3층 구조로 구축했습니다.
| 층 | 도구 | 역할 | 핵심 스펙 |
|---|---|---|---|
| 물리 엔진 | Newton 1.0 | 물리 법칙 시뮬레이션 (중력, 충돌, 마찰) | MuJoCo-Warp 475x 빠름. 오픈소스(Linux Foundation) |
| 시뮬레이터 | Isaac Sim 5.0 + Isaac Lab 2.3 | 로봇을 가상 환경에 넣고 학습시키는 프레임워크 | 16종+ 로봇. Isaac Gym 대체 |
| 디지털 트윈 | Omniverse | 실제 공장·시설의 가상 복제본 | 300K+ DL, 252 기업. Physical AI OS |
Newton: NVIDIA + DeepMind + Disney가 함께 만든 물리 엔진
Newton은 2026년 3월 GTC에서 공개된 오픈소스 물리 엔진입니다. 흥미로운 점은 개발 주체입니다. NVIDIA, Google DeepMind, Disney Research가 공동으로 만들었습니다. Linux Foundation이 관리합니다. (NVIDIA Blog)
| 컴포넌트 | 기여 | 역할 |
|---|---|---|
| MuJoCo-Warp | Google DeepMind | MuJoCo를 GPU로 재구현. 강체 역학 처리 |
| Kamino | Disney Research | 로봇 손 등 복잡한 관절 메커니즘 |
| Differentiable Physics | NVIDIA | 그래디언트 역전파 가능 → RL 훈련 직접 활용 |
| VBD / iMPM | — | 변형체·입상 재료 시뮬레이션 |
게임·산업 범용
NVIDIA 독점
Differentiable 미지원
MuJoCo 호환 없음
로보틱스 특화
오픈소스 (Linux Foundation)
Differentiable 지원 (RL 필수)
MuJoCo-Warp 내장
왜 PhysX가 있는데 Newton을 새로 만들었을까요? PhysX는 게임 엔진용입니다. 로봇 강화학습에는 물리 시뮬레이션 결과를 역전파(backpropagation)할 수 있어야 합니다. Differentiable Physics가 필수이고, PhysX는 이를 지원하지 않습니다. Newton은 로봇 학습을 위해 처음부터 설계된 물리 엔진입니다.
성능: MuJoCo의 JAX 버전(MJX) 대비 locomotion 252배, manipulation 475배 빠릅니다. 전체 RL 학습 속도는 dexterous manipulation에서 65% 개선됩니다. (ByteIota)
Omniverse: Physical AI의 운영체제
Omniverse는 실제 공장·시설의 디지털 트윈을 만드는 플랫폼입니다. NVIDIA는 이를 "Physical AI의 운영체제(OS)"로 리브랜딩했습니다. 로봇이 훈련하는 가상 세계를 만들고, 그 세계에서 Cosmos가 합성 데이터를 생성하고, GR00T이 학습하는 전체 파이프라인의 시작점입니다.
2.4. 몸: Jetson 엣지 칩
클라우드에서 학습한 AI가 실제 로봇에서 실행되려면, 로봇 안에 들어가는 칩이 필요합니다. Jetson은 NVIDIA의 엣지 AI 플랫폼입니다.
| 모델 | AI 성능 | 전력 | 가격 | 타깃 |
|---|---|---|---|---|
| Jetson Thor | 2,070 TFLOPS (FP4) | 40~130W | $3,499 (킷) | 휴머노이드, 물류, 의료 |
| Jetson AGX Orin | 275 TOPS | 15~60W | $1,999 (킷) | 산업용 로봇, 자율주행 |
| Jetson Orin Nano Super | 67 TOPS | 25W | $249 | 소형 로봇, 프로토타입 |
Jetson Thor가 핵심입니다. Grace Blackwell 기반으로 AGX Orin 대비 AI 성능 7.5배, 에너지 효율 3.5배. 2025년 8월 GA 출시 후, 초기 채택사로 Agility Robotics, Amazon Robotics, Boston Dynamics, Caterpillar, Figure, Medtronic, Meta가 참여했습니다. (NVIDIA Newsroom)
개발자 워크스테이션으로는 DGX Spark($4,699)가 있습니다. Grace Blackwell SoC 기반, 128GB 통합 메모리, 최대 2,000억 파라미터 모델을 로컬에서 실행할 수 있습니다. Isaac ROS 개발을 DGX Spark에서 하고, 완성된 모델을 Jetson에 배포하는 워크플로우입니다. (NVIDIA)
💡 핵심: 4개 플랫폼의 전략적 의미는 "락인(lock-in)"입니다. Omniverse에서 훈련하고, Cosmos로 데이터를 만들고, GR00T으로 학습하고, Jetson에서 실행하면, 모든 단계가 NVIDIA 인프라 위에서 돌아갑니다. CUDA가 소프트웨어 생태계로 GPU를 락인했듯, Physical AI는 하드웨어+소프트웨어+모델+시뮬레이션 전체를 락인합니다.
3. 공장이 바뀌고 있다
아직 휴머노이드 로봇이 공장에서 일하는 것은 초기 단계입니다. 하지만 Physical AI의 다른 축인 디지털 트윈과 산업용 AI는 이미 실전에서 ROI를 만들고 있습니다.
3.1. BMW: 31개 공장의 디지털 트윈
BMW는 Omniverse 기반 "FactoryExplorer"를 자체 개발하여 전 세계 31개 공장, 3만 명+ 직원에게 배포했습니다.
| 지표 | 이전 | 이후 | 개선 |
|---|---|---|---|
| 생산 기획 효율 | 기준 | +30% | 30% 향상 |
| 충돌 체크 시뮬레이션 | 약 4주 | 3일 | 9배 단축 |
| 페인트라인 시뮬레이션 | 최대 12주 | 1~2주 | 6~12배 단축 |
| 레이아웃 변경 검증 | 실제 차체로 수동 테스트 | 가상에서 즉시 | 실물 불필요 |
출처: BMW Press, Design News
이전에는 페인트라인을 검증하려면 실제 차체를 주말마다 수동으로 생산라인에 통과시키고, 도장 탱크를 완전히 비워야 했습니다. 디지털 트윈으로 전환한 뒤, 이 과정이 가상에서 1~2주 만에 끝납니다. 생산 기획 비용은 최대 30% 감소했습니다.
3.2. Foxconn: 에너지 30% 절감
Foxconn은 텍사스 휴스턴 신규 시설(NVIDIA AI 인프라 생산 공장)을 건설하기 전에 Omniverse로 전체 MEP(기계·전기·배관) 시스템을 가상 검증했습니다.
| 지표 | 수치 | 출처 |
|---|---|---|
| 에너지 절감 | 30%+ (멕시코 시설) | NVIDIA Blog |
| 열 시뮬레이션 속도 | 150배 (Cadence 연동) | NVIDIA Case Study |
| AI 로봇 플릿 | Isaac Sim + Metropolis + Omniverse 통합 | NVIDIA Blog |
출처: NVIDIA Blog, NVIDIA Case Study
3.3. 의료: 수술실에 들어가는 GR00T
GR00T-H는 의료 특화 버전입니다. Johnson & Johnson MedTech, CMR Surgical, Moon Surgical이 채택했습니다. 수술 로봇은 정밀도와 안전성이 극한으로 요구되는 분야입니다. 이 분야에서 GR00T가 채택되었다는 것은 기술 성숙도의 신호입니다. (NVIDIA Newsroom)
3.4. 생태계 규모
| 지표 | 수치 | 기준 |
|---|---|---|
| Jetson 누적 개발자 | 2백만+ | 2025.09 |
| 하드웨어·SW·센서 파트너 | 150개+ | 2025.09 |
| Omniverse 다운로드 | 300K+ | 2025.08 |
| Omniverse 기업 고객 | 252개+ | 2025.08 |
| GTC 2026 전시 로봇 | 110대 | 2026.03 |
출처: NVIDIA Blog, Introl
GR00T 파트너 목록을 보면 Physical AI의 폭이 드러납니다. 휴머노이드(Figure AI, Agility, 1X, AGIBOT), 산업용(ABB, FANUC, KUKA, YASKAWA), 자동차(BMW, Mercedes, Hyundai, Foxconn), 수술(Medtronic, CMR Surgical, Disney Research), 반도체(TSMC, Samsung, SK Hynix). (NVIDIA Newsroom)
3.5. 합성 데이터가 판을 바꾸고 있다
로봇 학습의 최대 병목은 데이터입니다. 실제 환경에서 데이터를 모으는 것은 느리고, 비싸고, 위험합니다. 합성 데이터가 이 병목을 해결하고 있습니다.
Gartner 전망: 2026년까지 AI 개발 데이터의 약 3/4이 합성 데이터로 대체됩니다. 2030년까지 AI 학습 비용을 최대 70% 절감할 수 있습니다. (Cogent)
NVIDIA의 파이프라인(Isaac Sim → Cosmos Transfer → 포토리얼 합성 데이터)은 이 트렌드의 핵심 인프라입니다. 실제 공장에 로봇을 배치하기 전에, 가상에서 수백만 번 훈련시키는 것이 표준 워크플로우가 되고 있습니다.
4. Physical AI OS 전쟁
Physical AI 플랫폼을 놓고 5개 기업이 경쟁합니다. 승부의 핵심은 "누가 Physical AI의 운영체제가 되는가"입니다.
4.1. 풀스택 비교
| NVIDIA | Tesla | Amazon | Meta | ||
|---|---|---|---|---|---|
| 로봇 모델 | GR00T N1.7/N2 | Gemini Robotics | 비공개 VLA | 없음 | V-JEPA 2 |
| 세계 모델 | Cosmos | Genie 3 | 비공개 | — | V-JEPA 2 |
| 시뮬레이션 | Isaac + Omniverse | MuJoCo | 비공개 | AWS RoboMaker | — |
| 물리 엔진 | Newton | MuJoCo-Warp | — | — | — |
| 엣지 칩 | Jetson Thor | TPU Edge | AI5 칩 | Trainium(클라우드) | — |
| 오픈소스 | ✅ 모델+시뮬+엔진 | MuJoCo만 | ❌ 전면 폐쇄 | ❌ | ✅ V-JEPA |
| 외부 생태계 | 2M+ 개발자 | Atlas만 | 0 | NVIDIA 의존 | 연구 수준 |
| 실배포 로봇 | 다수 파트너 | Atlas 예정 | Optimus(자사) | 100만+ (자사) | 데모 |
4.2. 각 경쟁자의 포지션
Google DeepMind는 기술적으로 가장 강력한 경쟁자입니다. Gemini Robotics는 "종합 벤치마크에서 기존 SOTA 대비 2배" 성능을 주장합니다. On-Device 버전은 640×480 영상 → 6축 제어까지 0.3초. 하지만 모델이 비공개(API만 제공)이고, 실제 파트너가 Boston Dynamics Atlas 하나뿐입니다. (DeepMind Blog)
Tesla는 유일하게 "로봇을 직접 만드는" 회사입니다. Optimus Gen 3는 37 DoF, 손 위치 정밀도 0.08mm, 2026년 말 저량 양산 목표입니다. 대량 생산 시 대당 $20,000 이하를 목표합니다. FSD 데이터를 재활용하고, AI5 칩을 자체 제조(Terafab)합니다. 하지만 전면 폐쇄형이라 외부 생태계가 없습니다. Tesla의 Physical AI는 "Tesla 공장을 위한" 것입니다. (ChinaRoboticsDaily)
Amazon은 이미 100만 대 이상의 로봇을 물류 센터에 배포한 최대 실전 배포자입니다. 피킹 속도 3~4배 향상, 2026년 수작업 50% 자동화 목표. 그런데 시뮬레이션은 AWS RoboMaker + NVIDIA Isaac Sim on EC2를 사용합니다. 실전 규모는 최대이지만, 플랫폼 자체는 NVIDIA에 의존합니다. (AWS Blog)
Meta의 Yann LeCun은 AMI Labs를 설립(€3B 밸류, €500M 펀딩)하여 JEPA 아키텍처 기반 Physical AI 연구를 추진합니다. V-JEPA 2는 비디오 세계 모델 기반으로 제로샷 로봇 제어를 달성했습니다. 오픈소스입니다. 하지만 연구 단계이고, 엣지 칩이 없습니다. (MIT Tech Review)
4.3. NVIDIA의 차별화
💡 핵심: NVIDIA는 유일하게 4개 플랫폼(모델 + 세계 모델 + 시뮬레이션/물리 엔진 + 엣지 칩)을 모두 보유하고, 전부 외부에 판매합니다. Google은 모델은 강하지만 폐쇄형이고 Atlas만 파트너입니다. Tesla는 자체 완결이지만 외부 생태계가 없습니다. Amazon은 실배포 최대이지만 NVIDIA 기술에 의존합니다. "전체 스택을 오픈소스로 뿌리면서 외부 생태계를 구축하는" 전략은 NVIDIA만 실행하고 있습니다.
흥미로운 점은 Newton입니다. NVIDIA가 경쟁사인 Google DeepMind와 함께 물리 엔진을 만들었습니다. 이것은 "경쟁"이 아니라 "표준 장악"입니다. Newton이 로보틱스 물리 시뮬레이션의 표준이 되면, 그 위에서 돌아가는 모든 학습이 NVIDIA GPU를 필요로 합니다. CUDA가 GPU 프로그래밍의 표준이 된 것과 같은 패턴입니다.
5. 투자자 관점
5.1. $6B의 분해
CFO Colette Kress는 Q4 FY2026 어닝콜에서 "Physical AI contributed north of $6B in FY2026 revenue"라고 발언했습니다. (Motley Fool)
| 구성 | 추정 규모 | 비고 |
|---|---|---|
| 공식 Automotive & Robotics 세그먼트 | $2.3B | DRIVE Orin/Thor + Jetson 모듈 |
| DC GPU (DRIVE 플랫폼용 H100/B200) | ~$2.5B (추정) | 데이터센터 매출에 포함. NVIDIA 미분해 |
| Omniverse 라이선스 + 기타 | ~$1.2B (추정) | 미공개. GPU당 $4,500/년 구독 |
| 합계 | $6B+ | 전체 매출 $215.9B의 3% 미만 |
$6B 분해는 NVIDIA가 공식 발표하지 않은 추정치입니다. 출처: Yahoo Finance, CNBC
5.2. 솔직한 현실
5.3. CUDA 타임라인을 대입하면
CUDA의 역사를 Physical AI에 대입해보면, 지금이 어디인지 감이 잡힙니다.
| CUDA | 연도 | Physical AI (대입) | 연도 |
|---|---|---|---|
| CUDA 출시 | 2007 | GR00T N1 출시 + Omniverse 리브랜딩 | 2025 |
| 킬러 앱 등장 (AlexNet) | 2012 | 킬러 앱 등장? | 2029~30? |
| 매출 의미 있는 수준 | 2016 | 매출 의미 있는 수준? | 2033~34? |
| 시장 지배 ($10B+ DC) | 2020 | 시장 지배? | ? |
CUDA는 출시 후 킬러 앱(AlexNet)까지 5년, 매출 의미까지 9년이 걸렸습니다. Physical AI가 같은 궤적을 따른다면, 2025년 기준으로 킬러 앱은 2029~30년, 매출 의미는 2033~34년입니다. 짧아도 4~5년, 길면 8~9년의 인내가 필요합니다.
하지만 차이점도 있습니다. CUDA 시절에는 AI 시장 자체가 존재하지 않았습니다. 지금은 AI 인프라에 연간 $300B+가 투입되고 있고, 로보틱스는 이미 $90B 산업입니다. 생태계 구축 속도가 CUDA보다 빠를 가능성이 있습니다.
5.4. 모니터링 지표
5.5. 결론
- 4개 플랫폼(GR00T + Cosmos + Newton/Isaac/Omniverse + Jetson)을 모두 가진 유일한 회사
- 현재 매출 3% ($6B). 킬러 앱 부재. 휴머노이드 85% 전시용. 초기 단계
- 하지만 생태계는 이미 구축 중: 2M+ 개발자, 252 기업, 오픈소스 전략
- CUDA가 9년 걸렸다. Physical AI도 5~9년의 인내가 필요하다. 그 인내의 끝에 플랫폼 독점이 있다