Physical Intelligence Infrastructure
로봇은 본다.
그러나 느끼지 못한다.
로봇에게 비어 있는 힘의 감각을 채운다.
The bottleneck
언어와 시각은 풀렸다.
로봇에게 남은 것은 힘(Force)이다.
두부를 으스러뜨리지 않고 집으려면 로봇은 얼마나 세게 쥘 수 있는지 알아야 합니다.
실제 물성을 반영하지 않은 시뮬레이션만 학습하면 파지 성공률은 61.5%.
실측으로 물성을 반영한 합성 데이터로 학습하면 84.2%.
차이는 학습 데이터 구성뿐이었습니다.
시뮬레이션(Isaac Sim)만 학습
쥐는 순간 으스러진다.
보정 합성 + 소량 실측 학습
형태를 유지한 채 집어 올린다.
61.5%
시뮬레이션만 배운 로봇의 파지 성공률.
열에 넷은 놓치거나 으깹니다
자체 벤치마크 · 10종 평균
90%+
공장이 로봇을 들이는 최소 기준.
여기 못 미치면 라인에 올릴 수 없습니다
라인 도입 기준
Market
사람이 안 오는 자리가 있습니다.
로봇이 채워야 합니다.
2030년까지 미국 제조업에서 일자리 210만 개가 빌 수 있다는 전망이 있습니다.
부드러운 것을 제대로 잡지 못하는 로봇은 그 빈자리를 채울 수 없습니다.
시장은 바로 여기서 열립니다.
1,500조 원
2030년 한 해, 미국 제조업이 사람을 못 구해 잃을 수 있는 돈
Deloitte × Manufacturing Institute, 2021
210만
2030년까지 미국 제조업에서 사람을 못 구해 빌 수 있는 일자리
Deloitte × Manufacturing Institute, 2021
큰 시장이 아니라, 막힌 공정 하나부터
-
7,500조 원
TAM · 2050
Physical AI 전체 · Morgan Stanley
-
425조 원
SAM · 2030
시험 · 검사 · 인증(TIC)
-
20조 원
SOM · 2030
IFR 상향 방식: 로봇 대수 × 연성체 공정 비중 × 적용률 × 연 단가
-
495억 원
교두보 · 2027
침투율 3% 기준 연 매출 15억 원
Why now
현실의 시행착오는 비싸다.
가상에서는 몇 번을 틀려도 된다.
로봇 학습은 가상 무대(NVIDIA Isaac Sim·Isaac Lab) 위로 옮겨가고 있습니다.
그런데 그 가상 공장에는 ‘얼마나 세게 쥐어야 하는지’가 비어 있습니다.
Space AI는 그 빈칸을 실제로 재서 채웁니다.
-
①
현실
시행착오 비용이 가장 비싼 곳
부서진 장비도, 멈춘 라인도, 쓴 시간도 돌아오지 않습니다.
-
②
가상 공장
Isaac Sim · Isaac Lab · Omniverse 위에서 안전하게
실패에 값이 붙지 않으니, 같은 실험을 수만 번으로 늘릴 수 있습니다.
가상 무대의 마지막 조각은 힘의 감각이다.
무대를 짓는 쪽은 이미 있습니다.
채우는 쪽은 Space AI입니다.
물성을 옮깁니다
Space AI · 한국
가상 공장을 아무리 잘 지어도 ‘얼마나 세게 쥐어야 하는지’는 비어 있습니다.
안전하고 정확한 공장을 위한 그 빈 공간을 채웁니다.
앞으로 기하급수적으로 성장할 가상 무대, 그 빈 공간을 채웁니다.
공간을 옮깁니다
MetAI · 대만
CAD 도면을 시뮬레이션에 바로 넣을 수 있는 3D 공장으로 바꿉니다.
NVIDIA가 대만 스타트업에 처음 투자한 회사 · 400만 달러 시드, 2025년 1월
가상 공장을 아무리 잘 지어도, 힘을 모르면 로봇은 부드러운 것을 다루지 못합니다.
물체가 어느 정도의 힘을 견디는지는 누가 그 공장을 만들든 필요합니다.
그 자리를 우리가 채웁니다.
What we make
겉모습이 아니라,
속의 물리 상태를 생성한다.
시뮬레이터도 힘과 응력을 숫자로 내놓습니다.
다만 그 숫자가 실물과 맞지 않습니다.
Space AI는 실물을 재서 그 값을 실제에 맞춥니다.
저응력 고응력
사진의 한 점을 짚으면 그 점의 깊이와 힘, 응력이 그대로 따라옵니다.
네 장이 한 번의 계산에서 같이 나오기 때문입니다.
한 장면을 만드는 것과, 학습에 쓸 만큼 쌓는 것은 다른 문제입니다.
적게 재고, 많이 만든다.
-
01
실물 측정(소량)
정밀 장비로 실제 물성을 측정
-
02
시뮬레이션 보정
실측값으로 시뮬레이션 오차를 교정
-
03
대량 합성(FEM · MPM)
H200×32 기반 대규모 병렬 생성
-
04
네 레이어 라벨
RGB · Depth · Force · Stress 정렬
-
05
표준 로봇 학습 데이터
HDF5 · OpenUSD · LeRobot 호환
이 다섯 단계는 실물을 재는 데서 시작합니다.
그래서 이 데이터는 웹에 없습니다.
크롤링으로는 모이지 않고, 실물을 재야 생깁니다.
Proof of results
직접 모은 데이터보다,
보정한 합성 데이터가 앞섰다.
로봇을 직접 돌려 모은 데이터로만 학습하면 72.3%입니다.
실물을 재서 보정한 합성 데이터로만 학습하면 78.6%가 됩니다.
실제 파지 데이터는 한 건도 쓰지 않았습니다.
84.2%
우리 데이터로 학습했을 때,
부드러운 물체를 집는 성공률.
Where we're headed
이 시장의 기준을 우리가 만들려 합니다.
2026년 12월, 벤치마크와 원시 데이터를 오픈소스로 공개합니다.
누구나 같은 조건에서 다시 해 볼 수 있게 하는 것이 그 방법입니다.
출발선은 물체 10종 · 로봇 한 종(FR3)입니다.
여기서 연성체 종류와 로봇 기종을 계속 늘려 갑니다.
데이터를 바꿨더니 성공률이 22.7%p 올랐다
| 데이터 구성 | 실측 파지 데이터 | 시뮬레이션 데이터 | 실측 기반 물성 보정 | 파지 성공률 |
|---|---|---|---|---|
| 시뮬레이션 단독 | 미포함 | 포함 | 미포함 | 61.5% |
| 실측 단독 | 포함 | 미포함 | 해당 없음 | 72.3% |
| 보정 합성 단독 | 미포함 | 포함 | 포함 | 78.6% |
| 하이브리드(Space AI) | 포함 | 포함 | 포함 | 84.2% |
| 산업 1차 통과율 목표 | 해당 없음 | 90% 이상 | ||
물체 10종 전체 결과 보기
| 물체 | 시뮬 단독 | 실측 단독 | 보정 합성 | 하이브리드 | 개선폭 |
|---|---|---|---|---|---|
| 두부 | 48.9 | 67.5 | 74.8 | 80.7 | +31.8 |
| 젤리 | 51.4 | 66.8 | 75.5 | 81.8 | +30.4 |
| 실리콘 | 54.0 | 69.9 | 78.4 | 84.1 | +30.1 |
| 하이드로겔 | 56.2 | 66.5 | 72.6 | 77.3 | +21.1 |
| 바나나 | 63.7 | 72.5 | 80.7 | 86.1 | +22.4 |
| 폼 블록 | 65.8 | 73.4 | 81.4 | 87.0 | +21.2 |
| 스펀지 | 72.4 | 76.9 | 86.6 | 91.4 | +19.0 |
| 의류 조각 | 67.1 | 73.0 | 83.4 | 88.4 | +21.3 |
| 종이컵 | 73.5 | 83.1 | 81.7 | 89.1 | +15.6 |
| 플라스틱 백 | 61.5 | 73.2 | 71.0 | 75.8 | +14.3 |
| 평균 10종 | 61.5 | 72.3 | 78.6 | 84.2 | +22.7 |
단위 % · Wilson 95% CI · 자체 벤치마크 환경 · 2026년 12월 원시 데이터 공개 · 제3자 재현 목표
실측: 실제 로봇을 돌려 모은 데이터.
보정 합성: 실측과 시뮬레이션의 차이를 반복해서 줄여 만든 합성 데이터.
성공: 12cm 이상 들어 올려 4초 이상 유지.
실패: 낙하, 파지력 30% 초과, 변형 한계 초과.
같은 로봇 · 같은 평가셋 · 데이터 구성만 변경 · 물체 10종 평균 · Wilson 95% CI · 자체 벤치마크
10종
두부 · 젤리 · 실리콘 등 부드럽고 모양이 일정하지 않은 물체
38,760
총 시행 횟수 · 조건마다 9,690번씩 네 조건 · 실패 기준은 미리 정해 두었습니다
코드는 공개해도, 2년치 측정은 복제되지 않는다.
Space AI 데이터를 산다
2주
1,000만~2,000만 원
- 측정 장비이미 있음
- 실측 데이터이미 있음
- 물리 엔진이미 있음
- 검증 벤치마크이미 있음
네 가지가 이미 갖춰져 있습니다.
라인 실증까지 12주 더.
직접 만든다
2년
20억 원+
- 측정 장비20억 원 상당
- 실측 데이터박사급 인건비
- 물리 엔진직접 개발
- 검증 벤치마크직접 구축
NIPA 평가 장비값 · 박사급 인건비 2년
2026년 8월 전수 조사, 후보 45곳 이상.
연성체의 힘·응력을 실측으로 보정해 만든 합성 데이터를 파는 곳은 없었습니다.
우리 보정 합성 데이터가 들어가는 순간, 실측도 단순 시뮬레이션도 넘어섭니다.
모델 학습에 실측 파지는 한 건도 쓰지 않았습니다.
학습에 쓰지 않은 같은 평가셋에서, 78.6%가 실측 단독 72.3%를 넘었습니다.
소량의 실측에서 시작한 보정 합성이 연성체를 다루는 핵심 기술입니다.
원시 데이터 공개 및 제3자 재현, 2026년 12월 예정
External validation · 2026년 7월 기준
자체 검증이 아니다.
서로 다른 다섯 기관이 만든 신호.
NVIDIA는 무대를, Tier-1 부품사는 라인 검증을, NIPA는 장비와 자금을 내줬습니다.
우리가 한 주장이 아니라 서로 다른 기관이 각자 판단해 남긴 기록입니다.
Inception × StarFab 공동 주최 · TAI1 Summit(InnoVEX)
APAC 대표 4팀 · 무대 발표 완료
-
APAC 대표 4팀
NVIDIA GTC Taipei
Inception × StarFab 공동 주최
글로벌 200명 앞에서 무대 발표(2026년 6월)
N-UP 글로벌 협업 트랙 최종 선정 -
MOU 체결
SOSLAB
국내 라이다 Tier-1
라이다 3D 센싱과 물리 데이터 융합 착수(2026년 5월) -
MOU · NDA 체결
RLWRLD · DexBench
NVIDIA Isaac Lab Arena에 들어갈 산업 벤치마크 공동 개발(2026년 7월 21일 착수)
연성체 부문 Space AI 단독 소유
비독점 공동 크레딧 -
1차 벤치마크 완료
국내 대기업 · 자동차 부품
비정형 부품 조립 공정 1차 내부 벤치마크 완료(2026년 6월)
2차 PoC 협의 중 -
22.5억 원 선정
NIPA · 산업부
첨단 GPU 전국 12위 · H200 32장(현물 20억 원 상당)
오픈소스 사업화 전국 4팀 중 2위
2.5억 원 · 민간 부담 0%
Team
연성체 물리 × 대규모 시뮬레이션 × Sim-to-Real.
세 영역이 겹치는 사람들이 만듭니다.
CEO · Founder
김현규
- GIST 전기전자컴퓨터공학 졸업
- NVIDIA GTC Taipei APAC 대표 4팀 선정 · 무대 발표
- 국내 Tier-1 자동차 부품 라인 벤치마크 주도
- SOSLAB 업무협약 체결 주도
- Force · Stress 정답 데이터 특허 4건 권리화
- 정부 R&D 과제 8건 관리
- 이호준 · CTO
- GIST AI융합학부 수석 입학·졸업
NVIDIA 공인 생성형 AI 전문가
삼성 공동 특허 - 코어 엔지니어링 팀
- LG AI Research 출신
Microsoft Research 출신
서울대·KAIST 박사과정 - 연구 컨소시엄 · 인프라
- GIST AI Lab 공동연구 컨소시엄 박사급 10명
NVIDIA H200 32장(VRAM 4,512GB)
핵심 IP와 사업화 권리는 Space AI 귀속
여기 없는 건은 계약상 비공개입니다.
검토에 필요하시면 문의 주십시오.
Journey · 2023–2028
연성체를 쥐는 힘에는 정답이 없었다.
3년 동안 그 정답 데이터를 만들어 왔다.
2023년에 세운 가설은 하나입니다.
실측으로 보정한 힘·응력 정답 데이터가 연성체 로봇 성능의 전제 조건이다.
그 가설은 3년간 바뀌지 않았고, 지금은 외부 신호가 쌓이는 단계입니다.
-
2023
법인 설립 · 아이디어 검증
- GIST 창업진흥센터 입주
- 예비창업패키지 선정
- ICT 공모전 최우수상
- 연성체 Force 정답 데이터 개념 정립
-
2024
기술 검증 · R&D 본격화
- TIPS R&D 선정
- K-STARTUP 본선 진출
- AI 바우처 · Force 정답 데이터 v1 프로토타입
-
2025
산업 검증 · 글로벌 진입
- 국내 Tier-1 부품사 Force 데이터 협업 개시
- Force · Stress 정답 데이터 특허 4건 권리화 준비
- 딥테크 패키지 선정
- Sim-to-Real 84.2% 내부 검증 달성
-
2026
지금 · 외부 신호가 모인 해
- NVIDIA × RLWRLD DexBench 공동 개발 참여(2026년 7월)
- NVIDIA GTC Taipei APAC 대표 4팀 · 무대 발표(2026년 6월)
- SOSLAB 업무협약 체결(2026년 5월)
- Tier-1 라인 1차 내부 벤치마크 완료(2026년 6월) · 2차 PoC 협의 중
- 정부 R&D 6건 동시 선정 · NIPA 첨단 GPU 전국 12위
-
2026.12
앞으로 · 오픈소스 공개
- 벤치마크 · 원시 데이터 공개
- 제3자 외부 재현
-
2027
앞으로 · 유료 전환
- 유료 PoC에서 연간 구독으로 전환
- 교두보 ARR 15억 원 · 침투율 3.0%
-
2028
앞으로 · 검증 권한
- 검증 수수료 · API 정식 공개
- 공개 리더보드 운영 · 표준 후보 레이어
2026년 12월부터는 목표이며 확정된 약속이 아닙니다.
진행은 KPI 달성 여부에 달려 있습니다.
2026 · Physical Intelligence Infrastructure
ImageNet이 시각 AI의 기준을 세웠듯,
우리는 힘 데이터의 기준을 세웁니다.
로봇 시대의 패권은 껍데기가 아니라 물리 지능에 있습니다.
그 지능이 서는 바닥을 만듭니다.
지금은 새 물체 하나를 늘리려면 실물을 재야 합니다.
데이터가 쌓일수록 재지 않고 예측할 수 있는 물체가 늘어납니다.
그만큼 원가가 내려가고, 납품이 아니라 인프라가 됩니다.
Force DaaS 패키지화 → 합성 SaaS + 카메라 지능 → API 라이선스 기반 핵심 인프라
-
01표준이 되는 경로
표준은 선언으로 생기지 않습니다.
기준이 되는 데이터를 보유한 쪽이 정합니다.-
2026–2027
권고 단계
벤치마크 · 원시 데이터 공개
힘 데이터를 학습할 때 참조하는 기본 포맷이 됩니다.
-
2028–2029
요구 단계
검증 API · 공개 리더보드 운영
현장 투입 전에 통과해야 하는 검증 항목이 됩니다.
-
2030–2031
구속 단계
인증 · 품질 규격에 검증 항목 등재
합격 여부가 출하 판정과 보증 조건을 결정합니다.
-
-
02보험이 값을 매긴다
자동차보험이 주행기록으로 보험료를 매기듯,
로봇보험은 힘과 접촉 데이터로 매겨질 것입니다.우리는 보험을 팔지 않습니다.
보험사가 값을 매길 데이터를 팝니다.- 손상 임계값이 기록된 시행
- 38,760회
- 움직이는 규제
- ISO 10218 개정 2025 · UL 3300 표준 2024
-
03하드웨어와 독립인 이유
로봇 팔은 계속 바뀝니다.
바뀌지 않는 것은 물체의 물성입니다.물성을 확보해 두면 어떤 로봇팔이 잡든 접촉을 계산할 수 있습니다.
하드웨어는 세대마다 바뀌지만, 이 데이터는 쌓일수록 가치가 커집니다. -
04목적지
10조 원
2031년의 목표입니다.
표준이 되고, 인증 항목에 들어가고, 출하를 감독하는 자리까지.
Get in touch
여기까지 읽으셨다면,
이야기를 시작할 차례입니다.
투자 · 기술 검증 · 팀 합류.
어느 쪽이든 대표에게 직접 연결됩니다.
전송 완료.
김현규 대표에게 바로 전달했습니다.
1영업일 안에 회신드리겠습니다.
전송 완료.
김현규 대표에게 바로 전달했습니다.
1영업일 안에 회신드리겠습니다.
Careers
가장 어려운 문제입니다.
함께 풀 사람을 찾습니다.
연성체 물리 × 대규모 시뮬레이션 × Sim-to-Real.
세 영역이 겹치는 문제를 함께 풀 사람을 찾고 있습니다.
지원서를 받았습니다.
김현규 대표가 1영업일 이내 직접 회신드립니다.