Physical Intelligence Infrastructure

로봇은 본다. 그러나 느끼지 못한다.

The missing data layer for Physical AI · 2026

로봇이 무언가를 안전하게 쥐려면 '얼마나 세게'를 알아야 합니다. 산업 변형체 자동화에 필요한 측정 기반 Force/Stress 데이터 — 그 층은 아직 비어 있습니다. Space AI가 그 표준 후보 레이어를 가장 먼저 검증하고 있습니다.

NVIDIA Inception × StarFab
APAC AI Accelerator 단 4팀
84.2% Sim-to-Real · Force GT 결합 시 내부 검증
H200×32 전국 12위 GPU 클러스터
왜 Space AI인가
Space AI force-aware gripper FEM_MESH FORCE_FIELD |F| = 0.32 N 0.32 N 0.18 N contact SIM-TO-REAL · 84.2 % CALIBRATED FORCE / STRESS GT
22%
Vision only · 고전 파지
→
84.2%
Force + Vision
같은 로봇 · 같은 물체.
학습 데이터가 결과를 바꾼다.
내부 controlled validation · 측정 기반 Force/Stress 추가 시
Demo

Space AI 한눈에.

Pattern across eras
각 시대의 데이터 인프라가 그 시대의 가장 큰 기업이 됐다.
Era · Internet
Google
검색 데이터 인프라.
₩365조
Annual ad revenue · 2024
Era · Mobile
Arm
칩 IP 라이선싱.
₩230조
Market cap
Era · LLM
Scale AI
학습 데이터 공급자.
₩44조
Meta deal · 2025
Era · Robotics
Space AI
Force/Stress 데이터 표준 후보.
Next.
2026 —
The bottleneck

언어와 시각은 풀렸다.
빠진 감각은 '힘(Force)'이다.

딸기 하나를 으깨지 않고 집으려면 로봇은 얼마나 세게 쥘 수 있는지를 알아야 합니다. Vision만 학습한 로봇의 고전 파지 성공률은 22% — 측정 기반 Force/Stress를 더하면 84.2%로 뛰어오릅니다. 그 정답 데이터가 산업 규모로는 거의 존재하지 않습니다.

₩1,500조
2030년 미국 제조 자동화 갭 — 연간 비용
Deloitte × Manufacturing Institute, 2021
210만
2033년까지 미충원될 미국 제조 dexterity 일자리
Deloitte × Manufacturing Institute, 2021
22%
Vision-only(고전 파지) 정밀 조작 성공률 — 기술적 근본 원인
내부 검증 기준
>99%
산업 1차 통과율 임계값 — 매 1pp 미달 = scrap · rework · downtime
Industry benchmark
Vision-only 학습 로봇이 딸기를 압착해 부수는 실패 시나리오 (FR3)
Vision only · 눈만 있는 로봇

시각만으로는 딸기가
뭉개질지 알 수 없다.

연성체 부품 자동화 불가 · 라인 인력 의존도 100%
Force-aware 학습 로봇이 같은 딸기를 정밀 제어로 부수지 않고 파지하는 성공 시나리오 (FR3)
Force + Vision · 손감각을 가진 로봇

힘을 정밀 제어해 딸기를
부수지 않고 잡는다.

연성체 자동화를 위한 Force GT 데이터 레이어 · Space AI
연성체 부품 자동화의 마지막 10% — 우리가 자동화해 드립니다.
자동차 (O-ring · 와이어) · 식품 (두부 · 반죽) · 전자 (FPC · 광섬유) · 물류 (변형 페이로드)
PoC 검토 시작 →
Why Now · 가상으로의 이동

현실의 시행착오는 비싸다.
학습의 무대는 가상으로 옮겨지고 있다.

로봇 학습은 NVIDIA Isaac Sim·Lab 위로 옮겨지고 있습니다. 질문은 하나 — 그 가상 무대에 '무엇'이 채워져 있는가.

① 현실시행착오 비용이 가장 비싼 곳
② 가상 무대Isaac Sim·Lab·Omniverse — 디지털 트윈 위에서 안전하게
③ 학습 → 배포검증된 정책만 현실로
공간을 옮기는 회사
MetAI · 대만
CAD → SimReady 디지털 트윈. 공장·창고를 가상 무대로 변환한다.
NVIDIA 첫 대만 스타트업 투자(₩60억 시드) · '무대를 옮기는 일'은 이미 투자받는 카테고리.
물성을 옮기는 회사
Space AI · 한국
공간이 옮겨져도 '얼마나 세게 쥐면 으깨지나'는 비어 있다. 두부·필름·와이어의 힘·내부 응력을 실측 보정으로 가상 무대에 삽입한다.
MetAI도, 기존 시뮬 스택도 아직 못 채운 칸 · 무대가 늘어날수록 이 레이어의 수요도 커진다.
무대(공간)는 옮겨지고 있다 — 우리는 배우의 '감각(물성)' 레이어를 먼저 잡는다.
선언이 아니라, 12월 공개 검증으로.
Tier-1 Engagement · In Discussion

Tier-1 기업과
적용 가능성 검토 중.

투자 유치 마케팅이 아닙니다. IP 권리화 준비 · 협업 논의 · 정부 선정 · NVIDIA 큐레이션 등 공시 가능한 사실로만 구성됐습니다.

APAC 4팀 선정
NVIDIA Inception × StarFab
APAC AI Accelerator · TAI1 Summit
논의 중
H*** WIA
Force 데이터 협업 논의 중
크레딧 확보
AWS Activate
CES 2026 물류 로보틱스 전문가 컨택 · ₩1,500만 크레딧
정부 R&D 선정
NIPA · 산업부
H200 × 32 · 민관공동 R&D
What We Make

픽셀이 아닌
물리 상태를 생성한다.

FEM/MPM/PBD 기반 deformable-contact simulation으로 물체의 변형·접촉력·응력장을 계산해 RGB · Depth · Force · Stress 4중 레이어를 같은 좌표계에서 정렬된 ground-truth로 출력합니다. L3(Force)·L4(Stress)는 대부분의 합성 데이터셋이 제공하지 않는 레이어입니다.

MEASURE · NOW
ForceGround Rig
실제 재료의 Force / Stress ground-truth 실측 — 시뮬레이션을 보정하는 calibration 레이어.
실측 자산
AMPLIFY · SCALE
Synthetic Engine
FEM / MPM / PBD 하이브리드. 실측 ground-truth를 H200×32 기반 대규모 병렬 합성 데이터로 증폭 — 같은 모델, 확장 가능. (처리량은 장면 복잡도·해상도·물리 fidelity·렌더링 포함 여부에 따라 상이)
합성 자산
Robotic hand with 4-Layer Ground Truth: RGB + Depth + Force + Stress
ForceGround · 4-Layer Output
한 번의 시뮬 패스로 4개 레이어가 동시에 출력됩니다.
로봇 손이 부드러운 물체를 잡는 그 순간 — RGB · Depth · Force · Stress 네 종류의 정답 데이터가 픽셀 단위로 정렬되어 한꺼번에 산출됩니다. L3(Force)와 L4(Stress)는 다른 합성 데이터에서는 제공되지 않는 영역입니다. 한 번의 시뮬 패스로 데이터 수집 비용을 최대 90% 줄입니다.
L1 / Visual Layer — RGB Image
L1 / Visual Layer
RGB Image
정밀 렌더링된 시각 레이어. 1920×1080 고해상도, 실사 수준 텍스처.
L2 / Spatial Layer — Depth Map
L2 / Spatial Layer
Depth Map
3차원 공간 구조와 거리. mm 단위 정밀도의 z-축 데이터.
L3 / Force Layer — Force Vectors
L3 / Force Layer
Force Vectors
접촉면의 힘 방향과 크기. 산업 규모로 희소한 Force/Stress GT 데이터.
L4 / Internal Stress — Stress
L4 / Internal Stress
Stress
물체 내부 응력 분포. 변형과 파손까지 미리 예측합니다.
H200×32 기반 대규모 병렬 합성 — 상용 엔진(Unity/Unreal)이 모사할 수 없는 산업용 정밀 물성 데이터.
FEM · 유한요소법 (O-ring · 가스켓) MPM · 연속체 물리 (두부 · 반죽) PBD · 위치 기반 (와이어 · 케이블)
세 가지 엔진 상세 보기 →
Proof of Results

이론이 아니라,
내부 controlled validation으로 확인한 실측 기반 데이터.

PoC 검토 전에 가장 자주 받는 질문 — "진짜 작동하나요?" 답은 자체 시연 영상이 아니라, 내부 controlled validation으로 확인한 정량 데이터입니다. 외부 재현 검증은 2026.12를 목표로 준비 중입니다. 핵심은 보정 합성이 실측 단독을 상회한다는 것 (78.6% > 72.3%) — 부족한 엣지 케이스를 합성이 메워 데이터 수집 비용을 급감시킵니다. 모든 수치는 재현 가능한 controlled experiment 기반이며, 제3자 재현은 2026.12 예정입니다.

CASE 01 · Internal Validation

같은 로봇, 같은 작업 ―
데이터 한 줄 추가로 약 3.8배 향상.

내부 controlled validation · FR3 로봇 · 정밀 객체 파지

Force-blind baseline Vision-only baseline · 내부 검증 기준
22%
Space AI · + Force/Stress GT RGB + Force/Stress GT · 내부 controlled validation
84.2%
약 3.8배 같은 FR3 로봇 / 같은 정밀 객체 / 다른 학습 데이터
의미 — 시뮬레이터·하드웨어를 바꾸지 않고, 학습 데이터에 Force / Stress Ground Truth를 추가한 것만으로 정밀 객체 파지 성공률이 약 3.8배 도약. ※ 22%=Vision-only(force-blind) 기준 · 61.5%=Isaac-only 시뮬 기준 · +22.7%p=Isaac-only 61.5% 대비 Hybrid 84.2%의 절대 개선폭. 기업 라인 개조 없이 데이터 레이어 추가만으로 검증 가능합니다.
CASE 02 · Sim-to-Real Protocol

10종 물체 · 조건당 9,690 시행 ―
하이브리드 84.2%.

내부 controlled validation 기준 · 외부 공개 benchmark 아님 · 고객사 PoC 전환 시 동일 프로토콜로 재측정 예정

시뮬레이션 단독 기존 표준 시뮬레이터
61.5%
실측 only 현장 데이터만 학습
72.3%
합성 only 자체 합성 데이터만
78.6%
Space AI · 실측 + 합성 Force GT 결합 hybrid
84.2%
검증 조건 — FR3(7-DoF) · 10종 물체 · 조건당 9,690 시행 (Wilson 95% CI) · Isaac Sim 61.5% → 하이브리드 84.2% (+22.7%p). 성공 = 12cm 이상 들어 올림 & 4초 안정 유지. 실패 = 낙하 · 파지력 30% 초과 감소 · 변형 한계 초과. NVIDIA Isaac Sim 기반 · 고객사 PoC 전환 시 동일 프로토콜로 재측정할 계획입니다.
CASE 03 · Track Record

글로벌 · 산업 · 정부 ―
3개 트랙 검증 단계 진입.

2024 ~ 2026 누적 · 선정 / MOU / 협업 논의 / 내부 검증 단계별 분류

글로벌 생태계 신호
  • NVIDIA Inception × StarFab APAC AI Accelerator 단 4팀 선정 · TAI1 Summit @ InnoVEX 2026 발표 예정
  • NVIDIA N-UP 글로벌 기업 협업 트랙 · 최종 선정
  • AWS Activate CES 2026 물류 로보틱스 전문가 컨택 → AWS Korea 미팅 → ₩1,500만 크레딧 확보
산업 / 고객 논의
  • H*** WIA Force 데이터 협업 논의 중
  • SOSLAB LiDAR Tier-1 · MOU 체결 · semantic+Force 통합 라벨링 논의
  • 특허 패밀리 4건 (준비 중) Space AI 단독 권리화 목표 · 도메인 특화 IP
정부 / 인프라 · 2026 선정
  • NIPA 첨단 GPU H200 × 32 전국 12위 · 첨단 GPU 활용 지원사업
  • NIPA 오픈소스 사업화 전국 2위 · 4파이널 중 · 첨단로봇·제조
  • 창업중심대학 전국 2위 · 청년 창업 트랙
  • NVIDIA × NIPA 글로벌기업 협업 (N-UP) 최종 선정 · APAC AI Accelerator 트랙
  • 민관공동 기술사업화 R&D 1단계 협약 체결 · 다년 R&D
  • GSAT 2026 G-Pitch 본선 진출 · 수상
의미 — 글로벌 트랙은 NVIDIA · AWS 큐레이션, 산업 트랙은 Tier-1 기술 평가 단계, 정부 트랙은 국가 단위 인프라 신뢰를 의미합니다. 세 트랙이 동시에 진행되는 Pre-A 단계 회사는 글로벌에서도 소수입니다.
요약 — PoC를 시작하기 전에 알아야 할 사실: 우리 기술은 NVIDIA Inception 선정 · H*** WIA 협업 논의 · AWS Activate 크레딧 · 국가 R&D 등 다층 트랙으로 진행 중입니다. 고객사 라인에서의 PoC는 내부 controlled validation 결과를 회사별 환경에서 재현·보정하는 단계입니다.
Proof · Internal Controlled Validation
84.2%
Force / Stress GT 결합 시,
Isaac Sim 위에 보완 레이어로 동작.
Grasp success rate · 내부 controlled validation
조건당 9,690 시행 · FR3 로봇 · 고객사 PoC 전환 시 동일 프로토콜로 재측정 예정
SpaceAI 시뮬레이션 환경과 실물 FR3 로봇의 동일 작업 비교
동일한 작업 · 시뮬레이션 환경에서 학습한 정책이 실제 로봇에서 그대로 작동
시뮬레이션 단독
61.5%
실측 only
72.3%
자체 합성
78.6%
실측 + 합성 결합
84.2%
강조점은 84.2%가 아니라 78.6%입니다. 정책 학습에 실측 파지 0건으로, 동일 held-out 평가에서 실측 단독(72.3%)을 넘었습니다 — 측정 보정 기반 합성 데이터의 핵심 가치입니다. (실측분은 시뮬 물성 보정에만 사용.)
검증 프로토콜
조건당 9,690 시행
10
종 물체
1,000
회 반복
성공 / 실패 기준
  1. 성공: 12cm 이상 들어 올림
  2. 성공: 4초 안정 유지
  3. 실패: 낙하 · 파지력 30%↓ · 변형 초과
내부 controlled validation · 동일 task · 다중 seed 반복 · 외부 benchmark 재현 및 고객사 PoC 검증을 준비 중
Why now · 핵심 요약

검증 가능한 상태값,
네 가지로 요약.

Validation
84.2% Sim-to-Real
내부 controlled validation (외부 재현 2026.12 목표).
Industry
H*** WIA Force 데이터
협업 논의 진행 중.
Infra
H200×32 + 정부 R&D
비희석 인프라 확보.
18-month KPI
오픈소스 공개 → 외부 재현 → 유료 PoC/API
표준 후보 레이어를 KPI로 검증.
The horizon

공장 자동화는 시작점,
휴머노이드 시대는 지평선.

Force / Stress Ground-Truth는 오늘 제조 라인의 마지막 10%를 풀고, 내일 Physical AI의 표준 후보 데이터 레이어가 됩니다.

시장 진입 · 오늘
공장 자동화의 마지막 10%.

자동차 호스, 광섬유 정렬, 식품 가공 — 연성체가 막아온 자동화의 끝자락. 이 한 시장만으로도 검증 · 계약 · 매출이 시작됩니다.

지평 · 휴머노이드 시대
사람의 물리 작업을 점진적으로 대체하는 시점.

휴머노이드가 사람의 작업 환경에 들어오려면, 시각뿐 아니라 접촉 물리를 이해해야 합니다. 그 시대의 한계는 하드웨어가 아니라, 로봇에게 물리를 가르치는 데이터입니다.

선례 · Scale AI 평행
Scale AI: 자율주행의 데이터.
Space AI: 로봇의 물리.

Scale AI는 자율주행 데이터 인프라가 독립적인 기업 가치가 될 수 있음을 보여줬습니다.

휴머노이드·로봇 파운데이션 모델 기업들은 이미 멀티-빌리언 달러 밸류에이션을 받고 있습니다. 그러나 대부분은 모델과 하드웨어에 집중합니다.

Space AI는 그 모델들이 접촉 물리를 학습하기 위해 필요한 Force/Stress 데이터 레이어에 집중합니다.

Our Journey

2023 아이디어에서,
2026 NVIDIA GTC Taipei까지.

3년 만에 정부 · 산업 · 글로벌 3-Track 병행. 누적 외부 자금 ₩30억+, NVIDIA Inception · AWS Activate 크레딧 · H*** WIA 협업 논의, 그리고 TAI1 Summit @ InnoVEX 2026 발표 예정.

2023
법인 설립 · 아이디어 검증
  • GIST 창업진흥센터 입주
  • 예비창업패키지 선정
  • ICT 공모전 최우수상
  • 연성체 Force GT 개념 최초 정립
2024
투자 유치 · R&D 본격화
  • SEED ₩2억 투자 유치
  • TIPS R&D ₩6.67억 선정
  • K-STARTUP 본선 진출
  • AI 바우처 · Force GT v1 프로토타입
2025
산업 검증 · 글로벌 진입
  • H*** WIA Force 데이터 협업 논의
  • Force/Stress GT IP 권리화 준비
  • 신용보증 ₩5억 · 딥테크 패키지
  • Sim-to-Real 84.2% 내부 검증 달성
2026
★ 2026.06 · TAIPEI
NVIDIA GTC Taipei
Inception Special Event · 250 invitees
TAI1 Summit @ InnoVEX
APAC 대표 4팀 중 1팀
정부 R&D 6건
동시 선정 · 글로벌 협업 3건 · 학술 1건
상세 ↓ Track Record
3년 / 누적 ₩30억+ · TAI1 Summit @ InnoVEX 2026까지.
Team & Hiring

검증된 네트워크 위에서,
Physical AI 인프라를 확장합니다.

창업자는 누적 ₩30억+의 정부·민간 자금을 확보했고, NVIDIA Inception × StarFab 선정, AWS Activate 크레딧 확보, H*** WIA Force 데이터 협업 논의를 이끌었습니다. 올해 확보된 정부 R&D ₩10억은 과제 수행 인력·장비·데이터 구축 비용을 비희석 재원으로 지원합니다. Pre-A 라운드는 표준 후보 레이어 검증에 투입 — 오픈소스 우선 GTM(무료 공개 → 표준 후보 채택 검증 → 검증·보정·양산 유료 전환)입니다.

김현규 Hyeon-Gyu Kim · Founder & CEO
CEO · Founder · 대표
김현규
창업자 · 대표이사. 누적 ₩30억+ 정부·민간 조달 총괄 · H*** WIA 협업 논의 주도 · AWS Activate 크레딧 확보 · NVIDIA Inception × StarFab APAC 4팀 선정 견인 · Force/Stress GT IP 포트폴리오 4건 권리화 준비 (Space AI 단독) · 정부 R&D 과제 8건+ 관리.
CTO · Co-founder
이호준
FEM/MPM 하이브리드 엔진 리드 · Solver/API maintainer (Newton·Warp 통합) · GIST 융합학과 수석 졸업 · NVIDIA 공인 생성형 AI 멀티모달 전문가 · ManipForce(ICRA 2026 채택) 주저자.
COO
김현주
오픈소스 배포 · 문서화 · 커뮤니티 운영 총괄. 릴리스 오퍼레이션 및 대외 커뮤니케이션.
External Signals · 외부 신뢰 신호
Global Curation
NVIDIA Inception × StarFab
APAC 4팀 선정 · TAI1 Summit @ InnoVEX 2026 무대 발표
Compute Infra
NIPA H200 × 32
첨단 GPU 전국 12위 · ₩20억+ 상당
Tier-1 Engagement
H*** WIA 협업 논의 · AWS Activate 인프라 크레딧
협업 논의 · CES 2026 컨택 · 크레딧 확보
R&D Consortium
GIST 이규빈 교수 랩
민관공동 R&D · 1년차 ₩1억 / 2년차 ₩10억
Use of Funds · 18개월 Runway
정부 R&D ₩10억 → 과제 수행 인력·장비·데이터 구축 (과제별 사용 제한 내 비희석). Pre-A 라운드 → 매출 스케일이 아니라 표준 후보 레이어 검증에 투입 — R&D·인력 40 / 인프라·측정 30 / 데이터·실측 20 / 운영·오픈소스 10. 이 라운드는 생존이 아니라 표준 후보 검증 가속에 씁니다.
정부 R&D 자금으로 채용 · 1년 내 정예 15명
10
Engineering
Robotics · Simulation · Backend
3
Sales
Enterprise B2B · Tier-1 (논의 중)
2
BD
Global ecosystem signals
로봇 시대의 마지막 데이터 레이어. NVIDIA · Universal Robots · Isaac Sim 생태계와 보완하는 Stage 4 데이터 레이어 — 이 카테고리의 표준 후보가 되는 것이 목표입니다. 가장 어려운 문제를 함께 풀 사람을 모십니다.
Latest

진행 중인 검증과
생태계 신호.

2026.05 · Industry DISCUSSION

SOSLAB
MOU 체결

국내 LiDAR Tier-1 SOSLAB과 MOU 체결. 시뮬 환경 내 semantic + Force/Stress 통합 라벨링 협력 논의 — 다양한 공동 PoC · 연구 가능성 탐색.

2026.05 · Korea MILESTONE

NIPA 신산업
오픈소스 사업화

전국 2위 선정 (4파이널). PhysGraspGen 오픈소스 코어 + 100만 프레임 데이터셋 공개. ₩2.5억 사업화 지원.

2026.01 · CES GLOBAL SIGNAL

AWS Activate
크레딧 확보

CES 2026 현장에서 물류 로보틱스 전문가 컨택 → AWS Korea 후속 미팅 → AWS Activate ₩1,500만 크레딧 확보. 글로벌 클라우드 인프라 접점.

2026 · In Progress DISCUSSION

H*** WIA
Force 데이터 협업

국내 최대 자동차 부품사 중 한 곳과 Force 데이터 협업 논의 중. FEM 기반 변형체 거동 시뮬레이션 + 적용 공정 후보 탐색 단계.

The Pattern

모든 시대는 데이터 인프라를 가졌다.
Physical AI의 칸은 비어 있다.

로봇이 걷고 말하는 시대, 다음 병목은 '얼마나 세게 만져야 하는가'입니다.

시대
데이터 인프라 레이어
대표 주자
인터넷
검색 데이터 레이어
Google
모바일
칩 IP 레이어
Arm
LLM
학습 라벨 레이어
Scale AI
Physical AI
Force/Stress 물리 라벨 레이어
Space AI · 비어 있던 칸
Long-term Vision · 10년

오늘은 측정한다.
10년 뒤엔, 카메라만 본다.

측정 횟수는 0으로 수렴하고, 카메라만으로 물성을 추론하는 지능은 1로 수렴합니다. 두 곡선이 교차하는 그 지점부터, 우리는 용역이 아니라 인프라가 됩니다.

— —  측정 횟수 (시간이 갈수록 ↓) ——  카메라 지능 · 일반화 (↑)

두 곡선이 만나는 임계점부터 — 측정 없이 카메라만으로 물성을 압니다. 그 교차가 해자입니다.

카메라만으로 물성을 안다
측정 없이 비전만으로 ‘얼마나 세게 쥐면 으깨지는가’를 추론합니다. 센서 없는 손이 물성을 압니다.
휴머노이드의 안전·보험 레이어
컵 하나를 깨뜨리면 상업화는 멈춥니다. 물성을 모르는 손은 현장에 배치될 수 없습니다. Force/Stress 데이터는 휴머노이드 시대의 안전·보험 레이어 — 선택이 아니라 전제입니다.
현재
H*** WIA 협업 논의 · 12월 벤치마크 · Pre-A 라운드
1~2년
Force DaaS 패키지화 (반복 상품)
2~4년 · 교차점
합성 SaaS + 카메라 지능
4~6년
학습 파이프라인 연동 (Isaac/MuJoCo 플러그인)
6~10년
API 라이선스 기반 핵심 인프라

기간은 내부 비전 시나리오이며 투자의 확정적 약속이 아닙니다. 실제 진행은 KPI 달성 여부에 연동됩니다.

2026 · Pre-A Round

ImageNet이 시각 AI의 기준점을 만들었듯,
우리는 Force/Stress 데이터의 기준점을 만들고자 합니다.

2012년 ImageNet이 Vision AI 시대를 열었듯, 2026년 Space AI는 한국이 주도하는 Touch(Physical) AI의 Force/Stress 데이터 표준 후보 레이어를 검증합니다.

로봇 시대의 패권은 껍데기가 아닌 '물리 지능'에 있습니다. 그 지능의 핵심 후보 인프라 — 지금 합류하십시오.

PRE-A 라운드 진행 중 · 18개월 RUNWAY
Technology
Technology Briefing

로봇 접촉.
마지막 데이터 레이어.

피지컬 AI는 5개 단계로 작동합니다. 반도체·하드웨어·시뮬 환경은 이미 성숙했고, 4단계 '부드러운 물체용 힘·응력 합성 데이터'가 차세대 데이터 레이어 영역입니다. Space AI가 그 자리에 들어갑니다.

홈으로
Physical AI Stack · 5 stages

힘과 응력 데이터를 만드는
단계가 비어 있다.

자율주행과 휴머노이드 로봇이 발전해도, 로봇은 여전히 두부·천·광섬유 같은 부드러운 물질을 안정적으로 다루지 못합니다. 학습에 쓸 접촉력(Force)과 응력(Stress) 정답 데이터가 세상에 거의 없기 때문입니다.

01
반도체 · 컴퓨팅 칩
NVIDIA · TSMC · Samsung
해결됨
02
로봇 하드웨어
Universal Robots · Franka · Doosan
해결됨
03
시뮬레이션 환경
Isaac Sim · MuJoCo · Genesis
데이터 레이어 협력 영역
04
힘 · 응력 합성 데이터
부드러운 물체용 정답 데이터
차세대 영역
04*
Space AI · 자체 물리 엔진
Stage 4 데이터 레이어 공급자
채우는 중
05
로봇 두뇌 (정책 모델)
Figure · 1X · Skild · Physical Intelligence
성장 중
Figure AI가 다리를 움직이게 했다면,
Space AI는 손이 만지는 것을 가르칩니다.
Hybrid Physics Engine

3가지 물리 계산 방식을
한 엔진에 결합했습니다.

게임 엔진(Unity·Unreal)의 물리는 겉눈에 보이는 물리입니다 — 산업용 로봇 학습에는 쓸 수 없습니다. Space AI는 학계가 30년 누적한 FEM·MPM·PBD를 자체 코드로 결합해 한 엔진에서 함께 구동시킵니다.

FEM stress visualization
FEM · Finite Element Method

유한요소법
탄성체 정밀 모사

물체 내부의 힘 계산 + 압력·응력 분포 시각화. 공장에서 부품을 잡고 누르고 변형시킬 때 실제와 같은 응력을 만들어 냅니다.

O-ring · 가스켓 고무 호스 탄성 부품
MPM particle-grid soft-body simulation
MPM · Material Point Method

물질점법
흐르는 물질 표현

입자와 격자를 결합한 계산 방식. 두부·반죽·식품 가공처럼 기존 엔진이 풀 수 없던 영역의 변형·응력 데이터를 만듭니다.

두부 · 반죽 식품 가공 고점성 유체
PBD cloth simulation
PBD · Position Based Dynamics

위치 기반 시뮬
유연체 고속 처리

직물·섬유 전용 실시간 주름·장력·변형 계산. 의류·와이어 하네스·광섬유처럼 유연한 물체를 빠른 속도로 합성합니다.

와이어 하네스 직물 · 광섬유 케이블
대규모 병렬 합성 데이터 생성 — 사람이 직접 시연해 데이터를 모으는 것보다 비약적으로 빠릅니다.
H200 × 32대 GPU 클러스터로 병렬 가속 · NIPA 첨단 GPU 지원사업 전국 12위 선정
ForceGround Rig — FR3 robot + precision measurement
ForceGround Rig · Real-world Calibration
실측 force/stress가
시뮬레이션을 보정합니다.
FR3 로봇 + 정밀 측정 셋업으로 실제 물체에서 직접 측정한 힘·응력 ground truth를 수집. 합성 데이터의 calibration layer로 작동해, Sim-to-Real 정확도를 끌어올립니다.
재질·공차·온도 변동 자동 샘플링 · 250 Hz · 외부 미공개
How it works

이미지를 그리는 게 아니라,
물리 상태를 먼저 계산합니다.

Synthesis AI·Datagen 같은 기존 합성 데이터 회사들은 "이미지를 만들고 라벨을 붙이는" 방식입니다. 눈에 보이지 않는 힘과 응력 같은 정보는 누락됩니다. Space AI는 물리 상태를 먼저 계산하고 그 결과로 이미지가 도출되는 반대 방향의 파이프라인을 구축합니다.

기존 방식 · Image-centric

이미지 먼저 그리는 방식

  1. 01사람이 직접 라벨링
  2. 022D 이미지 생성
  3. 03힘·응력 라벨 추가 시도
✕ 부정확한 정답 데이터 — 눈에 보이지 않는 정보 누락 · 일관성 부족
Space AI · State-centric

물리 상태 먼저 계산

  1. 01물리 파라미터 + 환경 입력
  2. 02FEM/MPM 비선형 연산
  3. 034가지 정보 동시 출력
◆ 완벽한 이미지 + 완벽한 정답 데이터 — 물리적으로 일관된 학습 데이터
NVIDIA Stack · Label-export Layer

대체가 아니라,
라벨이 필요한 지점에 더한다.

Newton·Warp·Isaac Lab은 변형(deformation)을 GPU 위에서 시뮬레이션합니다. SpaceAI는 그 force·stress를 학습 가능한 supervision 라벨로 추출·정렬합니다 — 어떤 레이어도 대체하지 않고, 라벨이 필요한 지점에만 더하는 label-export layer입니다.

SIM
Newton · Warp · Isaac Lab + 연성체 force·stress 라벨 추출
EXPORT
HDF5 · OpenUSD · LeRobot-compatible + 4채널 GT 합성셋
TRAIN
정책 학습 + force/stress supervision (downstream)
DEPLOY
실로봇 연성체 파지 정책 (downstream)
Output Contract — 4-channel GT
RGB · Depth · Contact Force (N) · von Mises Stress (Pa, per-element) + deformation field · material failure threshold. HDF5 · OpenUSD · LeRobot-compatible 직렬화 — force frame은 world/object/end-effector 선택. DevRel 검토 포인트는 성능 수치가 아니라 이 contract가 Newton·Isaac Lab convention과 맞는지입니다.
측정 인프라 = 해자
DMA 850(점탄성 구성방정식 캘리브) · Photoneo 3D(형상) · FR3 6축 토크센서(접촉력 GT) 기반 측정 리그. 코드(FEM/MPM/XPBD)는 오픈소스로 열어도, 시간 동기화된 측정 보정 데이터셋은 별도 측정 인프라가 필요합니다 — 공개 코드 위에서 측정 레이어가 해자가 됩니다.
정확히, 주장하지 않는 것
  • ✕Isaac Sim·PhysX·Newton·OpenUSD를 대체한다 → 그 위에 붙는 보완 레이어입니다.
  • ✕NVIDIA 스택에 연성체가 없다 → 변형은 Newton이 풉니다. 비어 있는 건 학습 신호로의 변환 한 층입니다.
  • ✕real 데이터를 전혀 안 썼다 → 실측은 시뮬 calibration에만, 정책 학습엔 0건입니다.
  • ✕real-only와 same-sample-budget 비교다 → 학습량은 비대칭, 평가 프로토콜만 동일합니다.
  • ✕NVIDIA endorsement를 이미 받았다 → 성능 보증이 아니라 인터페이스 기술 검증(routing) 단계입니다.
Phased Adoption

양산 라인 리스크 통제 ―
4단계 점진 도입.

"처음부터 로봇을 직접 제어한다"는 부담을 제거. Off-line → Shadow → Assisted → Limited Automation 단계로 고객사가 통제권을 유지하며 검증합니다.

Stage 0
Offline Simulation
PoC
실제 라인 제어 없음. CAD·공정 조건 기반 실패모드 리포트 제공. 양산 라인 간섭 0%, Off-line Test Cell에서 진행.
Stage 1
Shadow Mode
검증 후
예측만 · 제어 명령 없음. 실제 라인 데이터를 받아 엔진이 예측만 수행. 작업자/제어기 명령에는 일절 개입 없음.
Stage 2
Assisted Mode
Tier 2
엔지니어 승인 후 적용. 작업자/엔지니어 승인 하에 경로·힘 프로파일 추천. 모든 명령은 고객사 승인을 거쳐야 라인 반영.
Stage 3
Limited Automation
Tier 3
검증된 공정만 자동화. 장기 검증으로 신뢰성 입증된 공정에 한해 제한적 자동화. 항상 사람 모니터링 + 비상 정지 회로 유지.
핵심 원칙 — 단계 진입은 고객사 내부 평가위원회 / 품질팀 / 안전팀 승인 시에만 가능. "성공 시 자동 전환" 없음. 각 단계에서 고객사가 중단 결정권 보유.
Industry Applications

우리 기술이
당신 회사의 어떤 KPI를 바꾸는가.

"기술이 흥미롭다"가 아닌 "당신 회사의 어느 KPI가 바뀌는가"의 답입니다. 투자 유치 미팅이 아닌, 회사의 매출·원가·품질·수주 경쟁력으로 직결되는 협업 검토 — 12주 PoC(Off-line 4주 + Shadow 8주)로 정량 검증 가능합니다.

PoC 우선순위 트랙 (지역별)
🇹🇼 Taiwan Flexible PCB assembly · Cable/wire harness · Soft-material gripping
🇰🇷 Korea 자동차 (O-ring · 와이어) · 식품 (연성체) · 전자 (FPC · 광섬유) · 물류 (변형 페이로드)
Automotive — deformable parts assembly
CASE 01 · AUTOMOTIVE

자동차 부품 조립 자동화
변형체 사각지대를 PoC로 정량 검증.

신차종 셋업 시간 조립 불량률 재작업률 SI 경쟁력
현장의 비용 = 회사의 KPI
  • 와이어 하네스 라우팅
    굽힘·비틀림·케이블 충돌 — 강체 시뮬로 거동 예측 불가. 신차종마다 로봇 재프로그래밍이 수개월.
  • 씰 · 가스켓 · O-ring 삽입
    탄성 변형 + 마찰 — 미스삽입 시 누유·누설로 워런티·클레임 비용 직결.
  • 고무 호스 · 부싱 핸들링
    비선형 변형 — 신차종마다 티칭 시간 폭증, 인건비 압박.
PoC 산출물 = 회사가 얻는 것
  • 실패 모드 리포트 + 추천 경로·힘 프로파일 12주 안에 1건 정량 검증 (Off-line Test Cell 4주 + Shadow Mode 8주) — 양산 라인 무중단.
  • 고객사 전용 폐쇄형 합성 데이터셋 재질·공차·온도 변동 자동 샘플링 — 외부 미공개. WIA 100% 소유.
  • 실측 vs 시뮬 1:1 비교 리포트 baseline 대비 정량 개선폭 측정 — 결과 자체가 의사결정 자료.
PoC Candidate Matrix 12주 안에 검증 가능한 공정 후보 — 1차 미팅에서 우선순위 1건 확정
공정 후보
현장 Pain
Space AI 적용 / 12주 산출물
목표 KPI 예시
★ 사전 추천
① O-ring · 가스켓 압입
엔진 / 변속기 / 유압 라인
미삽입 시 누유 · 누설 → 워런티 클레임 직결
탄성 변형 + 마찰 동시 제어
FEM 압축·변형 시뮬레이션
→ 실패 모드 리포트 + 추천 경로 · 힘 프로파일
삽입 성공률 +15%p
Force 오차 ≤ 20%
② 와이어 하네스 라우팅
차량 의장 / EV 배선
굽힘 · 비틀림 · 케이블 충돌 — 강체 시뮬 거동 예측 불가
신차종마다 재프로그래밍 수개월
PBD 케이블 변형 시뮬 + 충돌 예측
→ 경로 추종 모델 + 충돌 예측 정확도 리포트
경로 오차 ≤ 5mm
재작업률 30% 감소
③ 협동로봇 유연 부품 핸들링
고무 호스 · 부싱 · 댐퍼
신규 부품마다 셋업 부담 · 미끄러짐
숙련 작업자 의존, 인건비 압박
합성 데이터 파지 안정성 학습
→ 파지 정책 모델 + 셋업 자동화 도구
셋업 시간 50% 단축
파지 성공률 ≥ 90%
30~50%
신차종 셋업 사이클 단축
→ 라인 전환 비용 ↓ / 신차 대응 속도 ↑
+15%p
삽입·조립 1차 통과율
→ 재작업률 ↓ / 인건비 절감
≤ 20%
Force 오차 (실측 vs 시뮬)
→ 불량 사전 예측 / 워런티 비용 ↓
H*** WIA Tier 1 부품사 EV 부품 라인 의장 라인
왜 자동차 OEM/Tier1가 검토해야 하나 — ① 내부 라인 효율화 (신차종 대응 속도) ② 외부 솔루션 경쟁력 (ABB·KUKA 대비 변형체 영역 우위) ③ 그룹 글로벌 라인 표준화 옵션 (EV·HMGMA·물류)
Food processing — soft-body grasp
CASE 02 · FOOD PROCESSING

연성체 식품 자동화
로봇이 영원히 못 하던 영역.

인건비 의존도 위생 표준 신제품 셋업 속도 불량률
현장의 비용 = 회사의 KPI
  • 두부·연두부 라인 — 100% 사람 의존
    0.5g 단위 압력 차이로 부서짐. 자동화 시도마다 파손율 ↑ → 위생·인력 비용 동시 상승.
  • 반죽·소시지·HMR — 점탄성 미예측
    온도·수분에 따른 점도 변화. 기존 게임 엔진은 변형체 시뮬 불가 → 신제품 라인 셋업 수개월.
  • 제품 다양화 압박
    HMR·간편식 SKU 폭증 → 라인 전환 비용 폭증, 인력 재교육 부담.
PoC 산출물 = 회사가 얻는 것
  • MPM 기반 연성체 파지 정책 모델 두부·반죽·핫도그 동일 엔진 — FR3 사전 검증 완료.
  • 위생 표준 호환 시뮬레이션 환경 HACCP 라인 설계 사전 검증 — 실 라인 무중단으로 신제품 학습.
  • 제품별 합성 데이터셋 대규모 병렬 합성. 신제품 출시 시 기존 모델 fine-tune만으로 대응.
PoC Candidate Matrix 12주 안에 검증 가능한 공정 후보 — 1차 미팅에서 우선순위 1건 확정
공정 후보
현장 Pain
Space AI 적용 / 12주 산출물
목표 KPI 예시
★ 사전 추천
① 두부 · 연두부 컷팅 · 이송
자동화 시도 시 파손율 폭증
0.5N 단위 압력 차이로 부서짐 → 100% 사람 의존
위생·인력 비용 동시 상승
MPM 연성체 파지 시뮬 (FR3 사전 검증 완료)
→ 두부 전용 파지 정책 모델 + 손상률 리포트
손상률 ≤ 3%
파지 성공률 ≥ 90%
② 핫도그 · 소시지 · 반죽 가공
점탄성 / 온도 의존성 영역
기존 게임 엔진 점탄성 시뮬 불가
신제품마다 라인 셋업 수개월
FEM + MPM 하이브리드 점탄성 모델
→ 라인 시뮬 디지털 트윈 + 처리량 리포트
처리량 +30%
HACCP 위생 표준 호환
③ HMR · 간편식 SKU 셋업
제품 다양화 압박 대응
SKU 폭증 → 라인 전환 비용 폭증
인력 재교육 부담
제품별 합성 데이터셋 + Fine-tune 파이프라인
→ 신제품별 파지 정책 모델
신제품 셋업 50% 단축
신제품 출시 속도 2배
≥ 90%
파지 성공률 (외관 손상 없음)
→ 폐기율 ↓ / 위생·인건비 절감
50%
신제품 라인 셋업 단축
→ HMR·신제품 출시 속도 2배
H200×32
합성 학습 데이터 생성
→ 실 데이터 수집 인력·시간 절감
식품 대기업 식품 OEM HMR 제조사 대형 급식
왜 식품 제조사가 검토해야 하나 — ① 100% 인력 의존 공정의 첫 자동화 ② HMR·간편식 SKU 폭증 대응 ③ 위생·품질 표준 강화 (HACCP 호환) ④ 신제품 출시 속도 = 매출 직결
Logistics — deformable payload handling
CASE 03 · ROBOTICS & LOGISTICS

협동로봇 학습 데이터 공급
신규 어플리케이션 사이클 단축.

신규 어플 개발 속도 실 데이터 수집 비용 외부 수주 차별화 로봇 매출 GP
현장의 비용 = 회사의 KPI
  • 변형 페이로드 핸들링 부재
    박스·봉지·소프트 패키지의 무게 분포 변화 — 강체 가정 실패. 글로벌 풀필먼트 자동화의 마지막 1마일.
  • 협동로봇 신규 어플 셋업 = 수개월
    새 작업마다 데이터 수집·라벨링·티칭. 데이터 부족이 매출 확대의 병목.
  • 외부 수주 차별화 부재
    ABB·KUKA·UR 대비 패키지에 "변형체 처리" 모듈 없음 → 솔루션 차별화 실패.
PoC 산출물 = 회사가 얻는 것
  • 고객사 로봇 모델별 디지털 트윈 WIA CAD · 키네매틱스 · 그리퍼 · 작업 환경 — FEM/MPM 통합 시뮬 환경.
  • 고객사 전용 폐쇄형 데이터셋 4-Layer (RGB + Depth + Force + Stress) 동시 출력. 외부 미공개.
  • "변형체 처리" 솔루션 모듈 고객사 패키지에 내재화 가능 — 외부 고객 제안 시 차별화 무기.
PoC Candidate Matrix 12주 안에 검증 가능한 공정 후보 — 1차 미팅에서 우선순위 1건 확정
공정 후보
현장 Pain
Space AI 적용 / 12주 산출물
목표 KPI 예시
★ 사전 추천
① 변형 페이로드 픽킹
박스 · 봉지 · 소프트 패키지
무게 분포 변화 → 강체 가정 실패
글로벌 풀필먼트 자동화의 마지막 1마일
페이로드 변형 시뮬 + 파지 정책 학습
→ 페이로드 인식 + 파지 정책 모델
픽킹 성공률 ≥ 90~95%
Drop 사고 0건
② 협동로봇 신규 어플리케이션
새 작업마다 학습 수개월 → 매출 병목
작업별 데이터 수집 · 라벨링 · 티칭 부담
신규 어플 수주 사이클 6~12개월
로봇 디지털 트윈 + 합성 데이터셋
→ 어플별 정책 모델 + 학습 파이프라인
데이터 수집 비용 60% ↓
어플 개발 사이클 수배 단축
③ AMR/AGV 페이로드 진동 안정성
변형 페이로드 주행 동역학
페이로드 변형이 주행 동역학에 영향
실차 테스트 비용 폭증
변형 동역학 시뮬 + 진동 응답 분석
→ 주행 안정성 리포트 + 경로 최적화
진동 응답 검증 100%
실차 테스트 비용 40% ↓
최대 60%
실 데이터 수집 비용 절감
→ 신규 어플 개발 ROI ↑
수배 단위
신규 어플 개발 사이클 단축
→ 시장 진입 속도 ↑ / 수주 경쟁력
4-Layer
RGB+Depth+Force+Stress
→ 글로벌 경쟁사 대비 데이터 우위
글로벌 물류 로보틱스 H*** WIA AMR 3PL 오퍼레이터 이커머스 풀필먼트
왜 로봇 제조사·SI가 검토해야 하나 — ① 협동로봇 라인업의 신규 어플 학습 사이클 단축 ② ABB·KUKA 대비 "변형체 처리" 모듈 차별화 ③ 외부 고객 제안 경쟁력 ④ AMR/AGV 페이로드 변형 시뮬 보조 활용
Electronics — precision deformable assembly
CASE 04 · ELECTRONICS

정밀 변형체 부품 조립
FPC · 광섬유 · 마이크로 커넥터.

1차 통과율 (FPT) 정밀도 ≤ 0.1mm 미세 부품 자동화율 품질 클레임 비용
현장의 비용 = 회사의 KPI
  • 플렉시블 PCB (FPC) — 굽힘 한계 미예측
    0.1mm 균열은 불량 직결. 굽힘 응력을 라벨링할 수 있는 데이터 부재.
  • 광섬유 연결 — 작업자 의존
    굽힘 반경·인장 제어 = 숙련 작업자 노하우. 자동화율 답보, 인건비 압박.
  • 마이크로 커넥터 삽입 — 0.1mm 정렬
    탄성 변형 + 마찰력 동시 제어. 미스삽입 시 폐기 비용 ↑.
PoC 산출물 = 회사가 얻는 것
  • PBD 기반 굽힘 응력 시뮬레이션 FPC·광섬유·케이블 전용 실시간 굽힘 응력 분포 데이터.
  • 삽입 정책 모델 (force-aware) 0.1mm 정렬 + 0.1N 단위 force profile — 1차 통과율 학습.
  • 공동 R&D 출원 옵션 Force/Stress GT IP 포트폴리오 4건 권리화 준비 (Space AI 단독) — 도메인 특화 IP 공동 보유 옵션.
PoC Candidate Matrix 12주 안에 검증 가능한 공정 후보 — 1차 미팅에서 우선순위 1건 확정
공정 후보
현장 Pain
Space AI 적용 / 12주 산출물
목표 KPI 예시
★ 사전 추천
① FPC · 플렉시블 PCB 정밀 삽입
모바일 · 디스플레이 후공정
0.1mm 균열은 불량 직결
굽힘 응력 라벨링 데이터 부재
PBD 굽힘 응력 시뮬 + force-aware 삽입 정책
→ FPC 삽입 정책 모델 + force profile
정렬 정밀도 ≤ 0.1mm
1차 통과율 (FPT) +15%p
② 광섬유 · 광 케이블 연결
데이터센터 · 통신 인프라
굽힘 반경 · 인장 = 작업자 노하우 의존
자동화율 답보, 인건비 압박
PBD 굽힘·인장 시뮬
→ 자동화 정책 + 굽힘 한계 force profile
연결 성공률 ≥ 90~95%
작업자 의존도 50% ↓
③ 마이크로 커넥터 · 단자 삽입
반도체 후공정 · 부품 조립
0.1mm 정렬 + 탄성 변형 + 마찰력
미스삽입 → 폐기 비용 ↑
FEM 탄성 + 마찰 통합 모델
→ 삽입 정책 모델 + 폐기 예측 리포트
1차 통과율 (FPT) +15%p
폐기 비용 30% ↓
≤ 0.1mm
정렬 정밀도 목표
→ 마이크로 부품 자동화 가능
+15%p
1차 통과율 (FPT) 개선
→ 폐기·재작업 비용 ↓
IP 4건 준비
출원 준비 중 · Space AI 단독 권리화 목표
→ 도메인 IP 공동 보유 옵션
전자 대기업 반도체 후공정 FPC 제조사 전자 OEM
왜 전자 제조사가 검토해야 하나 — ① 0.1mm 정밀도 = 마이크로 부품 자동화율 ↑ ② FPC·광섬유 폐기 비용 = 직접 GP 영향 ③ Force/Stress GT 관련 IP 권리화 준비 중 ④ 도메인 특화 IP 공동 보유 옵션 (Tier 3)
당신 회사 라인에서 어떤 KPI를 바꿀 수 있는지, 1차 미팅에서 우선 검증 공정 1건을 함께 정합니다.
주의 — 모든 KPI 목표값은 Space AI 내부 PoC 데이터 기반 추정이며, 고객사 라인 조건에서의 실제 개선폭은 PoC 검증 결과에 따릅니다. Space AI는 PoC 전 ROI를 보장하지 않습니다. Baseline 데이터는 고객사가 제공하며, PoC 종료 시 1:1 비교 리포트로 제공됩니다.
Ecosystem Signals

Tier-1 기업과
적용 가능성 검토 중.

투자 유치 마케팅이 아닙니다. IP 권리화 준비 · 협업 논의 · 정부 선정 · NVIDIA 큐레이션 등 공시 가능한 사실로만 구성됐습니다. 표준은 주장하지 않습니다 — 18개월, KPI로 검증합니다.

글로벌 · 정부 검증
글로벌 접점
AWS Activate
CES 2026 물류 로보틱스 전문가 컨택 · ₩1,500만 크레딧
정부 인프라
NIPA H200×32
첨단 GPU 전국 12위 선정
정부 R&D · 2026
민관공동 · N-UP · 오픈소스
민관공동 1단계 · NIPA N-UP · NIPA 오픈소스 전국 2위
Build · Buy · Partner

왜 NVIDIA·Siemens가
아니라 Space AI인가.

Space AI는 NVIDIA·Siemens·Ansys와 싸우지 않습니다. 레이어가 다릅니다 — Isaac Sim이 만든 무대 위에 접촉·물성(Force/Stress) 레이어를 얹습니다. 스택이 커질수록 그 위에서 검증할 Force/Stress 데이터 레이어 수요도 커집니다 — 경쟁이 아니라 보완재입니다. 코드는 열고, 데이터로 이깁니다.

옵션
장점
한계
Build
자체 개발
보안 · 통제 · IP 내부 관리
FEM/MPM + Force 데이터 축적에 수년 소요 · 전문 인력·데이터셋 부재
Buy
NVIDIA · Siemens · Ansys
안정성 · 글로벌 브랜드 · 일반 시뮬레이션 성숙
접촉·변형체·Force 데이터 특화 부족 · Sim-to-Real 한계
Partner
Space AI
접촉 데이터 + FEM/MPM 특화 · NVIDIA Inception 선정 · Tier-1 협업 논의 진행 중
스타트업 리스크 → 소스코드 Escrow · 단계 도입(Stage 0~3)으로 통제
Collaboration Model

PoC → License → Joint Development.
정량 KPI 기반 단계 협의.

"자동 전환" 없음. 각 단계마다 고객사 내부 평가위원회 / 구매 / 법무 절차 존중.

Tier 1
Proof of Concept
12주
  • 고객사 우선영역 1건 선정
  • Space AI 엔지니어 1~2명 현장 파견
  • Sim-to-Real 정량 검증 + 실패모드 리포트
  • 성공 기준 충족 시 Tier 2 협의 진입
KPI Sim-to-Real ≥ 80% 목표 / force 오차 ≤ 20% 목표 / 작업 성공률 +10~15%p 목표 (고객 baseline 대비)
Tier 2
License + Integration
6 ~ 12 개월
  • PhysGraspGen 오픈소스 코어 + 도메인 튜닝·SLA 상용 라이선스
  • 고객사 협동로봇 · AMR/AGV 라인업 통합
  • 고객사 자체 합성 데이터 생성 역량 이관
  • SLA 24시간 지원 · 분기별 성능 리뷰 · 소스코드 Escrow
KPI 적용 라인 수 · 배포 방식 · SLA에 따라 비용 별도 산정
Tier 3
Strategic Collaboration
1 년 +
  • 도메인 특화 모델 공동개발
  • 공동 IP 권리화 협의
  • 글로벌 라인 동반 적용 검토
  • Tier 1·2 협업 후 별도 논의
Note 전략적 협업 구조는 Tier 1·2 성과 후 별도 논의
Engagement Process

PoC는
12주면 끝납니다.

For Enterprise Customers — 투자 유치가 아닙니다. 회사 내부에서 즉시 검토 가능한 PoC 패키지가 산출물입니다. 미팅부터 검증 리포트까지 명확한 타임라인 + KPI 미달 시 회사 리스크 0의 Exit Plan.

Week 1
60분
1차 미팅
우선 검증 공정 1건 함께 선정. Space AI 데모 + Q&A. 회사 현장 우선순위 청취 후 PoC 후보 매트릭스 검토.
  • 회사 우선 공정 1건 합의
  • NDA 초안 송부
Week 2~3
10영업일
PoC 제안서
성공 지표 · 일정 · 인력 · 보안 · 데이터 처리 방식 명문화. 회사 법무 · 보안 팀 검토 통과 가능 수준으로 작성.
  • PoC 제안서 송부
  • NDA 체결
  • 비용 · 일정 확정
Month 2~
12주
PoC 착수
엔지니어 1~2명 현장 파견. Off-line Test Cell에서 진행 — 양산 라인 무중단. 시뮬 환경 구축 · 실측 비교 측정.
  • 디지털 트윈 구축
  • 실측 vs 시뮬 1:1 비교
  • 실패 모드 리포트
PoC 종료
의사결정
결과 리포트
KPI 충족 여부 정량 리포트. 충족 시 Tier 2 협의 진입, 미달 시 추가 비용 없이 종료 + 리포트 회사 내부 자료 활용.
  • 1:1 정량 비교 리포트
  • 다음 단계 의사결정 자료
회사가 준비할 것

PoC 즉시 가속 체크리스트

  • 1 대상 부품 CAD (STEP/IGES) + 사진
  • 2 공정 영상 (작업자 시연 · 1~3분)
  • 3 실패 사례 샘플 (선택)
  • 4 로봇 · 그리퍼 모델 (URDF 또는 사양)
  • 5 현재 takt time · 불량률 baseline
  • 6 내부 PoC 담당자 1명 (60min 미팅 가능)
PoC Exit Plan

회사 리스크 0 — 안전장치

  • KPI 미달 시 추가 비용 청구 없이 PoC 종료. 결과 리포트는 회사 내부 학습용으로 활용 가능.
  • NDA 범위 PoC 기간 + 종료 후 2년. 양사 모두에 적용. 기밀 정보 즉시 반환 · 파기.
  • 데이터 처리 회사 제공 CAD · 공정 데이터는 회사 100% 소유. PoC 종료 시 즉시 반환 + Space AI 사본 전량 파기.
  • 비용 분담 Tier 2 진입 시 PoC 비용 일부 라이선스 비용 차감 가능.
Get Started

12주 안에 정량 KPI를
검증해 드립니다.

For Enterprise Customers — 투자 유치가 아닌, "고객사 내부에서 바로 검토할 수 있는 PoC 패키지"가 산출물입니다. 1차 미팅에서 우선 검증 공정 1건 선정 → PoC 제안서 송부 → 12주 PoC 착수.

Investors
For Investors

Pre-A 라운드
진행 중

Pre-A 라운드 진행 중 · 18개월 표준 후보 레이어 검증 · 12주 PoC 매출 기반 · 외부 재현 검증 · 데이터룸 기반 DD 준비.
1차 미팅 후 데이터룸 접근 가능합니다.

← 제품 페이지로
Capital Allocation
기초 R&D·인프라는 비희석 자금으로 방어.
Pre-A 자금은 표준 후보 레이어 검증에 집중.
비희석 자금 · 자체 조달
정부 R&D ₩10억
올해 확보. 과제 수행 인력(팀 15명)·장비·데이터 구축 — 과제별 사용 제한 내 비희석 재원. 지분 희석 0%.
누적 비희석 ₩30억+ — 정부 R&D·인프라 가치(NIPA H200×32 등) 포함.
Pre-A 자금 · 성장 투자
Pre-A 라운드 진행 중
오픈소스 우선 GTM. PhysGraspGen 무료 공개 → 표준 후보 채택 검증 → 검증·보정·양산에서 유료 전환. 장기 벤치마크는 Ansys 같은 검증·보정 인프라 기업입니다.
Roadmap · KPI

표준화는 주장하지 않는다.
18개월, KPI로 검증한다.

대부분의 오픈소스는 묻힙니다. 그래서 우리는 '팔면 된다'가 아니라 시점별 KPI로 검증합니다.

공개
3개월
GitHub 릴리스 · pip install · Colab 데모
채택
6개월
GitHub ★ 500+ · 활성 사용자 100+ · 벤치마크 제출 10+
공인
9개월
외부 연구실 재현 1곳+ · 리더보드 등재
수요
12개월
기업 인바운드 3건+ · 비공개 PoC 1건+ · 유료 PoC 전환
전환
18개월
유료 API · 엔터프라이즈 1건+ → Series A 준비 트리거
현 단계 = 공개 직전 · 숫자는 내부 관리 목표 KPI · 자체측정 84.2% S2R 기반
Why Now

데이터 인프라를 먼저 잡은 자가
표준 후보가 된다.

2025–2026년, 4가지 신호가 동시에 떴다. 이 창은 길어야 18개월이다.

2024 – 2025
휴머노이드
투자 폭발
글로벌 휴머노이드 투자 급증
전년 대비 가파른 성장
June 2025
Scale AI
Meta 베팅
대형 데이터 인프라 기업
전략 가치 재평가
2025 – 2026
Jensen Huang
"Physical AI"
"다음 AI의 물결은
물리 세계의 이해" 선언
Now · 2026
Space AI
선점 위치
실측 데이터 + 물리 엔진
선점 위치
Irresistible Economics

PoC로 검증 가능한
경제성.

대기업 자동화 라인 기준 예시 TCO 모델. 실제 ROI는 고객사 baseline·PoC 결과에 따라 산정.

As-Is · 기존 방식
전담 인력 + 외주 라벨링
전담 엔지니어 2~3명
실측 장비 자체 구축
외주 라벨링 비용
수개월의 데이터 구축 시간
₩12억연간 TCO
→
To-Be · Space AI 도입
GPU + 물리 엔진
GPU 리소스 비용 (가변)
FEM/MPM 엔진 라이선스
물리 기반 자동 라벨
며칠 단위로 압축
₩1.2억연간 총 비용
예시 모델 기준 최대 연 ₩10.8억 절감 가능.
실제 절감폭은 라인 조건·PoC 결과에 따라 달라집니다.
Pipeline

논의 중인 파이프라인은
데이터룸에서 공개합니다.

현재 공개 단계의 핵심은 H*** WIA 중심의 Force 데이터 협업 논의와 오픈소스 표준화 KPI입니다. 고객사명·개별 파이프라인·고객별 ARR 잠재치는 공개 사이트에 노출하지 않습니다.

논의 중인 기업 파이프라인은 NDA 및 1차 미팅 후 데이터룸에서 공개합니다. 진척은 18개월 KPI — 오픈소스 공개 · 외부 연구실 재현 · 기업 인바운드 · 유료 PoC 1건+ · 유료 API 1건+ — 로 검증합니다.
Business Model

현금부터,
그리고 표준 후보까지.

즉각적인 DaaS 매출로 시작해, 반복형 SaaS로 마진을 높이고, 글로벌 확장형 Force/Stress API 후보로 확장합니다.

별도 B2C 운영 경험으로 빠른 제품화·운영 역량을 검증했습니다. 상세 수치는 요청 시 공유합니다.
Stage 1 · Now
Force DaaS
대기업 맞춤형 Force GT 실측 + 합성 데이터셋. 현장 방문 → 실측 → 납품 (2~4주).
PoC 패키지 예시₩1,000~1,500만
전사 도입 시나리오연 ₩1~3억
1년차 내부 목표 ARR₩3.5억
Stage 2 · 2027
Force + 합성
SaaS
중견 로봇 제조사·연구소 대상 Force + 합성 통합 엔진 구독. 실측이 합성을 보정하는 Data Flywheel.
월 구독료₩1,000~2,000만
대형 계약연 ₩2~5억
목표 NRR118%
Stage 3 · 2028+
글로벌 확장형
Force/Stress API · IP 라이선싱
장기적으로는 물리 엔진 IP와 Force/Stress API를 라이선싱하는 인프라 모델을 목표로 합니다. 모든 로봇이 학습할 때 거치는 레이어.
장기 벤치마크IP 라이선싱 인프라
장기 벤치마크IP 라이선싱 인프라
모델IP licensing
3-Year Projection

ARR ₩30억 목표 시나리오
= Series A 준비 트리거.

보수 시나리오. 핵심은 규모가 아니라 속도 — 투자 후 약 18개월 내 Series A 트리거가 결판납니다.

₩80억 ₩55억 ₩28억 0 ₩5.5억 ₩30.1억 ₩76.6억 2026 H2 투자 후 6개월 2027 18개월 · Series A 2028 Series B 준비
ARR ₩30억 목표 시나리오 · SERIES A
Key Assumptions · 3년 기준
PoC 단가초기 ₩1,250만 / 센터급 ₩1.2억
전사 도입 연 단가₩2~3억
Stage 2 SaaS 구독연 ₩2.1억 + 합성 ₩2.5~3억
고객당 ARPU (Stage 2)연 ₩4.6~5.1억
신규 핵심고객1년차 3 / 2년차 +2 / 3년차 +6
Gross Margin80%+ · LTV/CAC > 5.0
초기 비용 회수< 6개월
3년 누적 매출₩112억 (GP ~₩90억)
M1 · 2026 H2
₩5.5억
H*** WIA 협업 논의 구체화 + 정부 R&D 과제 수행 + 첫 유료 PoC 전환 목표
M2 · 2027 · 18개월
₩30.1억
전사 도입 + Stage 2 SaaS 출시 → ARR ₩30억 목표 시나리오 · Series A 준비 트리거
M3 · 2028 · 30개월
₩76.6억
일본·대만 OEM 확장 + 구독 안착 목표 → ARR ₩77억 목표 · Series B 준비

※ 본 수치는 확정 매출이 아닌 내부 목표 시나리오입니다. 고객 전환율·PoC 성공률·전사 도입 여부에 따라 달라질 수 있습니다.

ARR ₩30억 목표 시나리오의 핵심 가정
  • 유료 PoC 3~5건
  • Enterprise 전환 2~3건
  • API/라이선스 초기 계약 1~2건
  • 고객사 라인별 재측정 protocol 확보
상세 가정은 데이터룸에서 공개합니다.
Market

공장 자동화에서 휴머노이드 시대까지,
₩587조 → ₩6,750조로 확장.

우리가 푸는 시장은 공장 자동화의 마지막 30% — Goldman Sachs가 "수동 노동 20%" 라고 부른 영역. 그 위에 휴머노이드 시대가 열립니다. 단순 SW 판매가 아닌, Physical AI 인프라에서 Force/Stress 데이터 레이어의 초기 표준 후보로 포지셔닝합니다.

※ 시장 규모는 공개 리포트(Morgan Stanley · Strategic Market Research 등) 기반 환산치이며, Space AI의 직접 매출 가능 시장이 아닌 장기 인프라 기회로 제시합니다.

TAM 휴머노이드 시대 · 2050 SAM 공장 100% 자동화 · 2030 SOM ₩200~500억 3년 목표 ₩6,750조 2050 · Morgan Stanley ₩587조
TAM
휴머노이드 시대 데이터 인프라2050 · ₩7,500조 · Morgan Stanley 2025
₩6,750조
SAM
공장 100% 자동화 시장2030 · ₩587조 · Strategic Market Research 2025
₩587조
SOM
Space AI 초기 3년2026~2028
₩200~500억
추가 임팩트: ₩148조 — 자동화 산업의 마지막 10%(연성체)가 풀리지 못해 발생하는 글로벌 산업 손실.
Comparable Valuation

Force GT 공급자
자리는 비어 있다.

Physical AI에서 모델·하드웨어 레이어는 빠르게 가격이 매겨지고 있습니다. Space AI는 그 모델들이 학습할 Force/Stress 데이터 레이어에 집중합니다. 상세 비교 밸류에이션은 1차 미팅 후 데이터룸에서 공개합니다.

Exit Path

장기 구조는
IP 라이선싱 인프라.

장기적으로는 Force/Stress 데이터 API와 물리 엔진 IP를 라이선싱하는 인프라 모델을 목표로 합니다. 상세 Exit 시나리오와 Comparable Valuation은 1차 미팅 후 데이터룸에서 공개합니다.

Next Step

데이터룸 접근.

기술 검증 프로토콜 · 고객 상태값표 · IP 권리화 현황 · 재무 모델 · 정부 R&D·인프라 증빙 — 1차 미팅 후 데이터룸에서 공개합니다. 1차 미팅 후 접근 권한 부여.

84.2%
Sim-to-Real · 내부 검증
+22.7%p
Isaac-only 대비
IP 4건 준비
출원 준비 중 · Space AI 단독 권리화 목표
₩30억+
누적 외부 자금