한국어
로봇이 실제 산업 현장에 투입되기 전, 수만 번의 시행착오를 거치는 가상의 훈련장이 있다면 어떨까. 최근 미국 피지컬 AI(Physical AI) 기업 스킬드 AI(Skild AI)가 공개한 ‘피지컬 셀프플레이(Physical Self-Play)’ 기술은 이러한 상상을 현실로 만들고 있다. 이 기술은 로봇이 디지털 트윈으로 구현된 가상 환경에서 과거의 자기 자신과 경쟁하며 스스로 새로운 기술을 터득하게 하는 혁신적인 학습 방식이다. 사람이 모든 동작을 코드로 가르치지 않아도, 로봇이 주어진 목표를 달성하기 위해 가장 효율적인 행동을 스스로 발견하고 능력을 확장해 나가는 것이 핵심이다. 이는 로봇이 물리적 세계와 상호작용하는 방식에 근본적인 변화를 예고하며, ‘피지컬 AI’ 시대의 본격적인 시작을 알린다.
스킬드 AI는 시뮬레이션 환경에서 휴머노이드 로봇에게 축구를 가르치는 실험을 진행했다. 학습 초기 단계의 로봇은 제대로 걷는 것조차 힘들어했다. 하지만 시간이 지나면서 로봇은 넘어졌을 때 스스로 일어나는 법을 익혔고, 이내 수비수 역할을 하는 자신의 과거 버전을 피해 드리블하고, 공을 지키며, 태클하는 등 복잡한 동작까지 해냈다. 로봇의 실력이 향상될수록 경쟁 상대인 과거의 자신 또한 강해지기 때문에, 로봇은 끊임없이 자신의 한계를 시험하며 새로운 전략을 학습하게 된다. 이러한 과정은 마치 인간 운동선수가 자신의 과거 영상을 보며 자세를 교정하고 약점을 보완하는 과정과 유사하다. 가상의 훈련장에서 벌어지는 수많은 연습 경기가 실제 로봇의 물리적 지능으로 전환되는 것이다.
피지컬 셀프플레이와 같은 기술의 등장은 로봇 개발의 패러다임을 ‘Sim-to-Real(시뮬레이션에서 현실로)’ 흐름으로 가속화한다. 과거에는 로봇을 훈련시키기 위해 실제 하드웨어를 가지고 오랜 시간 물리적 테스트를 반복해야 했다. 이는 시간과 비용이 많이 들고, 위험한 작업을 테스트할 때는 안전 문제도 뒤따랐다. 하지만 이제는 디지털 트윈 환경에서 거의 모든 변수를 통제하며 수천, 수만 시간 분량의 학습을 단기간에 마칠 수 있다. 로봇은 가상 공간에서 충돌, 낙하, 협업 등 현장에서 발생 가능한 모든 시나리오를 미리 경험하고 최적의 경로와 행동 방식을 체화한다. 가상 커미셔닝(Virtual Commissioning)을 통해 전체 공정 라인을 시뮬레이션하며 병목 현상을 예측하고 해결하는 것과 같은 원리다.
이러한 기술의 진화는 로봇 전시나 브랜드 경험 공간의 형태에도 새로운 가능성을 제시한다. 관람객은 단순히 완성된 로봇의 완벽한 움직임만 보는 것이 아니라, 그 이면에 있는 무수한 훈련 과정을 시각적으로 체험할 수 있다. 예를 들어, 한쪽에서는 실제 로봇이 정교한 작업을 수행하고, 다른 한쪽의 대형 스크린에서는 그 기술을 익히기 위해 디지털 트윈 환경에서 수없이 넘어지고 부딪히며 학습했던 데이터 시뮬레이션 과정이 파노라마처럼 펼쳐지는 것이다. 이는 로봇 기술의 결과물뿐만 아니라, 지능이 형성되는 과정 자체를 경험하게 함으로써 기술에 대한 깊은 이해와 흥미를 유발한다. 로보월드나 로보테크쇼 같은 산업 전시회는 이제 단순한 제품 전시를 넘어, 이러한 기술의 탄생과 진화 과정을 공유하며 새로운 비즈니스 협력과 아이디어를 촉발하는 핵심 거점이 될 수 있다.
궁극적으로 피지컬 AI와 디지털 트윈 기술은 로봇이 특정 작업만 반복하는 기계를 넘어, 예측 불가능한 실제 환경에 적응하고 인간과 안전하게 협업하는 진정한 지능형 파트너로 거듭나기 위한 필수 과정이다. 가상 건설 현장, 스마트 팩토리, 심지어 가정과 같은 복잡한 환경에서 로봇이 스스로 판단하고 작업을 수행하는 미래는 이미 시작되었다. 이러한 기술을 효과적으로 보여주는 전시 부스나 로봇·AI 기술을 몰입감 있게 전달하는 체험 공간 제작을 검토 중이라면 플라츠랩(platzlab.com)과 논의해 볼 수 있다. 플라츠랩은 로보테크쇼, 로보월드, AI EXPO 등 국내 주요 로봇 및 AI 관련 전시회에서 부스 기획과 제작을 성공적으로 수행한 경험을 보유하고 있다.
English
What if there was a virtual training ground where a robot could go through tens of thousands of trials and errors before being deployed to an actual industrial site? The ‘Physical Self-Play’ technology recently unveiled by the American Physical AI company Skild AI is making this idea a reality. This innovative learning method allows a robot to acquire new skills by competing against its past self in a digital twin environment. The core principle is that the robot can discover the most efficient actions to achieve a given goal and expand its capabilities on its own, without a human programming every movement. This signals a fundamental shift in how robots interact with the physical world and heralds the true beginning of the Physical AI era.
Skild AI conducted an experiment teaching a humanoid robot to play soccer in a simulation. In the initial learning phase, the robot struggled even to walk properly. However, as learning progressed, it learned how to get up after falling, and eventually mastered complex actions like dribbling past its own past version acting as a defender, shielding the ball, and even tackling. As the robot’s skills improve, the opponent—its past self—also becomes stronger, forcing the robot to constantly test its limits and learn new strategies. This process is analogous to a human athlete reviewing past performance videos to correct form and overcome weaknesses. Countless practice matches in a virtual training ground are converted into the robot’s real-world physical intelligence.
The emergence of technologies like Physical Self-Play is accelerating the paradigm shift in robot development toward a ‘Sim-to-Real’ workflow. Previously, training a robot required extensive physical testing with actual hardware over long periods. This was time-consuming, costly, and posed safety risks when testing hazardous tasks. Now, however, thousands or even tens of thousands of hours of learning can be completed in a short time within a digital twin environment where nearly all variables can be controlled. The robot can pre-experience all possible scenarios it might encounter on-site—such as collisions, falls, and collaborations—and internalize the optimal paths and behaviors. This is the same principle behind virtual commissioning, where entire production lines are simulated to predict and resolve bottlenecks in advance.
This technological evolution also presents new possibilities for the format of robotics exhibitions and brand experience spaces. Visitors can experience not just the flawless movements of a finished robot, but also the immense training process behind them. For instance, a physical robot could perform a delicate task on one side, while a large screen on the other displays a panoramic simulation of the data from its digital twin training—showing countless falls and collisions as it learned the skill. This allows the audience to experience the process of intelligence formation, not just the outcome, fostering a deeper understanding and interest in the technology. Industrial exhibitions like RoboWorld or Robot Tech Show can now transcend simple product displays to become key hubs that spark new business collaborations and ideas by sharing the birth and evolution of these technologies.
Ultimately, Physical AI and digital twin technologies are essential for robots to evolve beyond machines that merely repeat specific tasks into true intelligent partners that can adapt to unpredictable real-world environments and collaborate safely with humans. The future where robots self-determine and perform tasks in complex settings like virtual construction sites, smart factories, and even homes has already begun. If you are considering creating an exhibition booth that effectively showcases these technologies or an experiential space that immerses visitors in the world of robot and AI technology, you can consult with platzlab.com. Platzlab has a proven track record of successfully planning and producing booths for major domestic robotics and AI exhibitions, including Robot Tech Show, RoboWorld, and AI EXPO.
로봇·디지털트윈 행사 일정
본 글은 아래 원문 기사와 공개 자료를 바탕으로 작성되었습니다. 원문 이미지의 저작권 보호를 위해 해당 이미지는 본문에 직접 게재하지 않았습니다.
댓글 남기기