Physical Intelligence Infrastructure

로봇은 본다. 그러나 느끼지 못한다.

The missing data layer for Physical AI · 2026

로봇이 두부를 잡으려면 '얼마나 세게 쥐어야 부서지지 않는지' 알아야 합니다.
이 데이터는 세상에 없습니다. Space AI는 그 데이터를 만듭니다.

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
FEM_MESH FORCE_FIELD |F| = 0.32 N 0.32 N 0.18 N contact SIM-TO-REAL · 84.2 % GROUND TRUTH · 99.9 %
Era · Internet
Google
검색 데이터 표준.
₩440조
Annual ad revenue
Era · Mobile
Arm
칩 IP 라이선싱.
₩230조
Market cap
Era · LLM
Scale AI
학습 데이터 공급자.
₩43조
Meta backed · 2025
Era · Robotics
Space AI
촉감/Force 데이터 선점.
Next.
2026 —
The bottleneck

시각은 해결됐다.
감각은 비어있다.

로봇이 두부를 잡으려면 '얼마나 세게 쥐어야 부서지지 않는지' 알아야 합니다. 이 데이터는 세상에 없습니다.

Vision-only 학습 로봇이 두부를 압착해 부수는 실패 시나리오 (Franka Panda)
Vision only · 눈만 있는 로봇

시각만으로는 두부가
뭉개질지 알 수 없다.

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

힘을 정밀 제어해 두부를
부수지 않고 잡는다.

연성체 자동화의 유일한 해법 · Space AI Force GT 데이터
연성체 부품 자동화의 마지막 10% — 우리가 자동화해 드립니다.
자동차 (O-ring · 와이어) · 식품 (두부 · 반죽) · 전자 (FPC · 광섬유) · 물류 (변형 페이로드)
PoC 검토 시작 →
Already Working With Tier-1

글로벌 대기업·정부가
먼저 검증한 인프라.

모두 공시 가능한 사실 — LOI 체결 · 정부 R&D 선정 · APAC 4팀 선정 · 자문 교수 합류

APAC 4팀 선정
NVIDIA Inception × StarFab
GTC Taipei 2026 · TAI1 Summit 발표
논의 중
현대 위아
Force 데이터 협업 논의 중
LOI 체결
AWS
CES 2026 · AWS
정부 R&D 선정
NIPA · 산업부
H200 × 32 · 민관공동 R&D
CSO · 조교수
GIST AI Lab
이규빈 교수 합류
What We Make

픽셀이 아닌
물리 상태를 생성한다.

F=ma를 직접 연산해 RGB · Depth · Force · Stress 4중 레이어를 동시에 출력합니다. L3·L4는 다른 합성 데이터에서 제공할 수 없는 영역입니다.

RGB · 1920×1080 L1 photoreal render
L1 / Visual Layer
RGB Image
정밀 렌더링된 시각 레이어. 1920×1080 고해상도, 실사 수준 텍스처.
d = 0.42 m far near DEPTH MAP L2 mm-accuracy z-axis data
L2 / Spatial Layer
Depth Map
3차원 공간 구조와 거리. mm 단위 정밀도의 z-축 데이터.
세상에 없던
0.27 N 0.45 N 0.15 N 0.31 N 0.21 N 0.24 N FORCE VECTORS Space AI 독점 contact force · 영상 미가시
L3 / Force Layer
Force Vectors
접촉면의 힘 방향과 크기. 세상 어디에도 없던 데이터.
σ_max low high σ_max = 4.2 MPa STRESS · σ L4 Space AI 독점
L4 / Internal Stress
Stress / FEM Mesh
물체 내부 응력 분포. 변형과 파손까지 미리 예측합니다.
시간당 100M+ 프레임 생성 — 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 엔진 상세 보기 →
Proof of Results

이론이 아니라,
학회 · 논문으로 검증된 실측 데이터.

PoC 검토 전에 가장 자주 받는 질문 — "진짜 작동하나요?" 답은 자체 시연 영상이 아니라 외부 학회 채택과 정량 검증 결과입니다. 모든 수치는 재현 가능한 controlled experiment 기반.

CASE 01 · ManipForce Paper

같은 로봇, 같은 작업 ―
데이터 한 줄 추가로 4배 향상.

arXiv:2509.19047 · ICRA 2026 채택 (2년 연속)

기존 · Vision-only RGB 카메라만 사용
20%
Space AI · + Force GT RGB + Force / Stress Ground Truth
83%
×4 향상 같은 Franka 로봇 / 같은 정밀 객체 / 다른 학습 데이터
의미 — 시뮬레이터·하드웨어를 바꾸지 않고, 학습 데이터에 Force / Stress Ground Truth를 추가한 것만으로 정밀 객체 파지 성공률이 4배 도약. 기업 라인 개조 없이 데이터 레이어 추가만으로 검증 가능합니다.
CASE 02 · Sim-to-Real Protocol

10종 물체 × 1,000회 반복 ―
총 10,000회 trial에서 84.2%.

내부 controlled validation · 외부 benchmark 검증 진행 중

NVIDIA Isaac Sim 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 — 10종 물체 × 1,000회 반복 = 총 10,000회 grasp 시도. 성공 조건 3개: ① 지면에서 들어 올림 ② 30 cm 이상 이송 ③ 외관 손상 · 변형 없음. 고객사 PoC에서 동일 프로토콜로 재측정합니다.
CASE 03 · Track Record

학회 · 산업 · 정부 ―
3개 트랙에서 다층 검증.

2024 ~ 2026 누적 검증 활동

학회 / 논문
  • ICRA 2025 · 2026 2년 연속 채택 · 로봇 조작 분야 최상위
  • AAAI 2026 RoCo Challenge Excellence Award 수상 · 결선 진출
  • arXiv:2509.19047 (ManipForce) Force GT 합성 데이터 검증 논문
산업 / 글로벌
  • NVIDIA Inception × StarFab APAC AI Accelerator 단 4팀 선정
  • 현대 위아 Force 데이터 협업 논의 중
  • AWS CES 2026 LOI 체결 · PoC 범위 협의
정부 / 인프라
  • NIPA 첨단 GPU H200 × 32 전국 12위 선정 · ₩20억+ 상당 인프라
  • 민관공동기술사업화 R&D GIST 이규빈 교수 랩 컨소시엄 · 1년차 ₩1억 / 2년차 ₩10억
  • NVIDIA N-UP 글로벌 기업 협업 프로그램 ₩1.55억 선정
  • NIPA 오픈소스 사업화 ₩2.5억 선정 · 최종 4팀 중 전국 2위
의미 — 학회 채택은 독립적 학술 검증, 산업 트랙은 대기업 기술 평가 통과, 정부 R&D는 국가 단위 인프라 신뢰를 의미합니다. 세 트랙이 동시에 진행되는 회사는 글로벌에서도 소수입니다.
요약 — PoC를 시작하기 전에 알아야 할 사실: 우리 기술은 이미 외부 학회 · 글로벌 산업 · 국가 R&D에서 다층 검증되었습니다. 고객사 라인에서의 PoC는 이 검증된 파이프라인을 회사별 환경으로 재측정하는 단계입니다.
Proof · ICRA 2026 Verified
84.2%
Force / Stress GT 결합 시,
Isaac Sim 위에 보완 레이어로 동작.
Grasp success rate · 내부 controlled validation
arXiv:2509.19047 (ManipForce) · AAAI 2026 RoCo Finalist Excellence Award · 외부 benchmark 검증 진행 중
SpaceAI 시뮬레이션 환경과 실물 Franka Panda 로봇의 동일 작업 비교
동일한 작업 · 시뮬레이션 환경에서 학습한 정책이 실제 로봇에서 그대로 작동
NVIDIA Isaac Sim
61.5%
실측 only
72.3%
자체 합성
78.6%
실측 + 합성 결합
84.2%
검증 프로토콜
10,000회 파지 시도
10
종 물체
1,000
회 반복
성공 조건
  1. 지면에서 들어 올림
  2. 30cm 이상 이송
  3. 외관 손상 · 변형 없음
내부 controlled validation · 동일 task · 다중 seed 반복 · 외부 benchmark 및 외부 PoC 검증 진행 중
Team

물리 시뮬·AI·로보틱스가
한 팀에 모였다.

CEO · Founder · 대표
김현규
창업자 · 대표이사. 누적 ₩24억+ 정부·민간 조달 총괄 · 현대 위아 · AWS · 나우로보틱스 실증 주도 · NVIDIA Inception × StarFab APAC 4팀 선정 견인
CSO · Co-founder
이규빈 교수
GIST AI 융합학과 조교수 · KAIST 학·석·박사 · Stanford 방문연구원 · Yale 박사후 · 삼성종합기술원(SAIT) 5년 · Google Scholar 2,500+ 인용
CTO · Co-founder
이호준
FEM/MPM 하이브리드 엔진 PhysGraspGen 리드
COO · Co-founder
김현주
조직 운영 · IR · 정부과제 8건+ 관리
Latest

진행 중인 검증과
학술 채택.

2026.06.02 · Taipei PARTNERSHIP

NVIDIA GTC Taipei 2026
TAI1 Summit 발표

NVIDIA Inception × StarFab APAC 4팀 선정. 250+ VC 청중 · 9 VC matchmaking. Force GT 인프라 공개 발표.

2026.01 · CES CUSTOMER

AWS
LOI 체결

CES 2026 현장에서 AWS (Aaron Parness)와 Letter of Intent 체결. Tactile data infrastructure 검토 진입.

2026 · arXiv:2509.19047 RESEARCH

AAAI 2026 RoCo
Excellence Award

AAAI 2026 RoCo Challenge Excellence Award 수상. ManipForce ICRA 2025 발표 · ICRA 2026 추가 논문 in-review.

2026 · Pre-A Round

₩43조의
다음.

PRE-A ₩30억 · 13% DILUTION · 24M RUNWAY
Technology
누적 조달 ₩24억 · Series A 12M: ₩500~1,000억 · 2.2x ~ 4.3x return scenario
Technology Briefing

로봇 접촉(Contact)
데이터 인프라.

피지컬 AI는 5개 단계로 작동합니다. 반도체·하드웨어·시뮬 환경은 이미 성숙했고, 4단계 '부드러운 물체용 힘·응력 합성 데이터'가 글로벌 미해결 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
연성체 미비
04
힘 · 응력 합성 데이터
부드러운 물체용 정답 데이터
글로벌 미해결
04*
Space AI · 자체 물리 엔진
비어 있던 단계를 채우는 회사
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 · 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 · 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 · 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
시간당 1억+ 프레임 합성 데이터 생성 — 사람이 직접 시연해 데이터를 모으는 것보다 1,000~10,000배 빠릅니다.
H200 × 32대 GPU 클러스터로 병렬 가속 · NIPA 첨단 GPU 지원사업 전국 12위 선정
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 (F = ma)
  3. 034가지 정보 동시 출력
◆ 완벽한 이미지 + 완벽한 정답 데이터 — 물리적으로 일관된 학습 데이터
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 — 8~12주 PoC로 정량 검증 가능합니다.

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 8주 안에 1건 정량 검증 — Off-line Test Cell 운영, 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 8주 안에 검증 가능한 공정 후보 — 1차 미팅에서 우선순위 1건 확정
공정 후보
현장 Pain
Space AI 적용 / 8주 산출물
정량 성공 기준
★ 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 ↓
현대 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)
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 — Franka Dual-arm 사전 검증 완료.
  • 위생 표준 호환 시뮬레이션 환경 HACCP 라인 설계 사전 검증 — 실 라인 무중단으로 신제품 학습.
  • 제품별 합성 데이터셋 시간당 100M+ 프레임. 신제품 출시 시 기존 모델 fine-tune만으로 대응.
PoC Candidate Matrix 8주 안에 검증 가능한 공정 후보 — 1차 미팅에서 우선순위 1건 확정
공정 후보
현장 Pain
Space AI 적용 / 8주 산출물
정량 성공 기준
★ 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 (Franka 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
100M/h
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
M ≠ const
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 8주 안에 검증 가능한 공정 후보 — 1차 미팅에서 우선순위 1건 확정
공정 후보
현장 Pain
Space AI 적용 / 8주 산출물
정량 성공 기준
★ 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 ≥ 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
AWS 현대 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
align ≤ 0.1 mm
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 자사 PCT 4건 단독 출원 실적 — 도메인 특화 IP 공동 보유 가능.
PoC Candidate Matrix 8주 안에 검증 가능한 공정 후보 — 1차 미팅에서 우선순위 1건 확정
공정 후보
현장 Pain
Space AI 적용 / 8주 산출물
정량 성공 기준
★ 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 ≥ 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 ↓
PCT 4건
자사 단독 출원
→ 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 자사 PCT 실적 = 검증된 학술 토대 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.
Validated Engagements

이미 Tier-1 기업이
먼저 검증한 회사.

투자 유치 마케팅이 아닙니다. PCT 출원 · LOI 체결 · 정부 선정 · NVIDIA 큐레이션 등 공시 가능한 사실로만 구성됐습니다.

학술 · 정부 검증
학회 채택
ICRA 2025·2026
2년 연속 채택 · IEEE
학회 수상
AAAI 2026
RoCo Challenge Excellence
정부 인프라
NIPA H200×32
첨단 GPU 전국 12위 선정
정부 R&D
민관공동 + N-UP
1년차 ₩1억/2년차 ₩10억 · N-UP ₩1.55억
Build · Buy · Partner

왜 NVIDIA·Siemens가
아니라 Space AI인가.

Space AI는 NVIDIA·Siemens·Ansys를 대체하지 않습니다. 그 위에 부족한 접촉/변형체 데이터 레이어를 보완합니다. NVIDIA Isaac Sim은 훌륭한 공장 뼈대를 제공하지만, 그 안에서 고무 호스나 와이어가 어떻게 휠지 계산하는 두뇌는 제공하지 않습니다.

옵션
장점
한계
Build
자체 개발
보안 · 통제 · IP 전사 보유
FEM/MPM + Force 데이터 축적에 수년 소요 · 학술 베이스 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 · ICRA 2026 검증 · ManipForce
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
8 ~ 12 주
  • 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% / force 오차 ≤ 20% / 작업 성공률 +15%p
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 Partnership
1 년 +
  • 도메인 특화 모델 공동개발
  • 공동 IP 출원 협의
  • 글로벌 라인 동반 적용 검토
  • Tier 1·2 검증 후 별도 논의
Note 전략적 파트너십 구조는 Tier 1·2 성과 후 별도 논의
Engagement Process

PoC는
8주면 끝납니다.

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~
8~12주
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

8~12주 안에 정량 KPI를
검증해 드립니다.

투자 유치가 아닌, "고객사 내부에서 바로 검토할 수 있는 PoC 패키지"가 산출물입니다. 1차 미팅에서 우선 검증 공정 1건 선정 → PoC 제안서 송부 → 8~12주 PoC 착수.

홈으로
For Investors

Pre-A 라운드
₩30억 조달

13% dilution · 8주 PoC 매출 기반 · Tier-1 검증 끝난 인프라 · KOSDAQ 상장 또는 NVIDIA/Amazon M&A 트랙. 모든 자료 공시 가능 — 1차 미팅 후 데이터룸 접근 가능.

← 제품 페이지로
Why Now

데이터 인프라를 먼저 잡은 자가
표준이 된다.

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

2024 – 2025
휴머노이드
투자 폭발
글로벌 누적 ₩19조
+77% YoY 성장
June 2025
Scale AI
Meta 베팅
₩43조 valuation 인정
데이터 인프라 = 시대 표준
2025 – 2026
Jensen Huang
"Physical AI"
"다음 AI의 물결은
물리 세계의 이해" 선언
Now · 2026
Space AI
선점 위치
실측 데이터 + 물리 엔진
전 세계 유일
The Shift

자율주행은 끝났다.
로봇이 시작됐다.

Scale AI가 픽셀 라벨로 ₩43조가 됐다. 다음은 촉감이다.

2018 — 2024
자율주행의
학습 데이터
Scale AI

픽셀에 사람이 라벨을 붙이던 시대. 보이는 것에 한정.

₩43조
META ₩21조 베팅 · JUNE 2025
2026 —
로봇의
촉감 데이터
Space AI

FEM/MPM 물리 엔진이 보이지 않는 힘(Force)을 직접 연산.

Next.
FEM · MPM · PBD HYBRID
Irresistible Economics

고객이 거절할 수 없는
경제학.

대기업 자동화 라인의 실제 TCO 비교. 첫 분기에 ROI 회수.

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
결과: 연 ₩10.8억 절감,
도입 첫 분기에 ROI 회수.
Business Model

현금부터,
그리고 표준까지.

즉각적인 DaaS 매출로 시작해, 반복형 SaaS로 마진을 높이고, 글로벌 표준 API에 도달합니다.

동시 운영 중인 B2C 트랙 RIPLY (감성 AI 챗봇, 89K+ 사용자)는 월 흑자 운영 중이며, 회사 운영비를 상시 지원합니다.
Stage 1 · Now
Force DaaS
대기업 맞춤형 ManipForce 실측 + 합성 데이터셋. 현장 방문 → 실측 → 납품 (2~4주).
PoC 건당₩1,000~1,500만
전사 도입연 ₩1~3억
현 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 표준
API · IP 라이선싱
Arm이 칩 설계도를 라이선싱하듯, Space AI가 물리 엔진 IP를 라이선싱. 모든 로봇이 학습할 때 거치는 인프라.
벤치마크Arm Holdings
시총 (Arm)₩230조+
모델IP licensing
3-Year Projection

매출이 9배로,
그리고 표준이 된다.

PoC 1건 기준 보수적 시나리오. Series A 타깃은 2027 ARR $3M 돌파 시점.

₩300억 ₩200억 ₩100억 0 ₩31.9억 ₩92.8억 ₩275.5억 2026 투자 후 3개월 2027 Series A 타깃 2028 글로벌 표준 진입 ARR $3M · SERIES A
Key Assumptions
PoC 건당 단가₩1,000~1,500만
연간 신규 OEM2~3곳
고객당 ARPU (1단계)₩1,000~1,500만
고객당 ARPU (2단계)연 ₩2~5억
Gross Margin80%+
LTV / CAC> 5.0
초기 비용 회수< 6개월
런웨이24개월 보장
Market

로봇 AI 데이터 시장,
CAGR 37%로 폭발 중.

단순 SW 판매가 아닌, AI 인프라 생태계의 필수 데이터 제공자로 포지셔닝합니다.

TAM 글로벌 로봇 AI 데이터 SAM 연성체 / Force 특화 SOM ₩200~500억 3년 목표 ₩14.6조 CAGR 37% ₩5.9조
TAM
글로벌 로봇 AI 데이터$9.7B · CAGR 37%
₩14.6조
SAM
연성체 / Force 특화$3.9B
₩5.9조
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.

Figure(₩58조) · Skild AI(₩20.7조) · Physical Intelligence(₩8.3조) — 모두 로봇의 뇌(Model)에 집중합니다. 학습용 촉감(Force) Ground Truth 공급자 자리는 글로벌 누구도 채우지 못한 시장 공백입니다.

Figure AI
₩58조
Scale AI
₩43조
Skild AI
₩20.7조
Physical Intelligence
₩8.3조
Space AI · Pre-A
검토 시 공개
글로벌 Physical AI는 모두 학습할 촉감 데이터가 없습니다.
Space AI 밸류에이션 근거: 확정 매출 + LOI + 정부 R&D 현금 + IP 자산 + 누적 인프라 가치 ₩24억+ — bottom-up 산정. 구체 조건은 1차 미팅 후 데이터룸에서 공개합니다.

Isaac Sim은 시각을 만든다.
Space AI는 그 위에 촉감을 더한다.

— Physical AI는 두 레이어가 모두 필요하다

Exit Path

₩5,000억 ~ 1조
3가지 경로.

단순 M&A 타깃을 넘어, 로봇 물리 엔진의 글로벌 IP 라이선싱 기업으로 ₩1조+ 독립 성장이 가능한 구조입니다.

Path 01
코스닥 상장
Physical AI 산업 성장(TAM CAGR 37%) + 해외사업 진출 + 국내 첫 상장 사례.
Series A 12개월 후₩500~1,000억
Path 02
NVIDIA M&A
N-UP 프로그램 선정 · GTC Taipei 2026 발표 · Isaac Sim 보완재 포지션. NVIDIA 입장에서 가장 합리적인 인수 후보.
전략적 가치NVIDIA 보완 IP
Path 03
'Physical AI의 Arm'
독립 성장
IP 라이선싱 ARR ₩500억+ 달성 시 Series B/C로 독립 성장. Arm처럼 표준이 됩니다.
벤치마크 (Arm)시총 ₩230조+
시뮬레이션 · Series A ₩500억 기준 2.2x 회수 · ₩1,000억 기준 4.3x 회수 (18개월)
학술 토대 · CSO · Co-founder

이규빈 교수

GIST AI 융합학과 조교수 · KOSDAQ 상장사 사외이사

학력 KAIST 학·석·박사
방문 Stanford 방문연구원 · Yale 박사후
산업 삼성종합기술원 (SAIT) 5년 핵심연구
학술 Google Scholar 2,500+ 인용 · 정부과제 8건+
Next Step

데이터룸 접근.

전체 재무 자료, 기술 검증 리포트, IP 포트폴리오, 고객 LOI 사본 — 모두 데이터룸에서 NDA 후 공개. 1차 미팅 후 접근 권한 부여.