Physical AI 101 - 6편 실행 환경 — 클라우드 위의 시뮬레이션 · 학습 · 배포

세 가지 워크로드

앞의 다섯 편은 개념이었습니다. 이 편은 무거운 시뮬레이션과 학습을 어디서 돌리는지 다룹니다. Physical AI 워크로드는 세 종류이고, 셋 다 GPU 와 대용량 스토리지를 많이 씁니다.

이 편은 AWS 서비스 이름으로 설명합니다. 서비스 이름은 벤더마다 다르지만 구조는 같습니다. 데이터 → 시뮬레이션 → 학습 → 배포 → 운영 데이터 회수의 순환입니다.

실물 셀 vs 시뮬레이션 — 설비 비용 비교

1편에서 본 "현실은 비싸다" 를 설비 목록으로 보면 더 분명합니다.

안전을 신경 쓸수록 시뮬레이션의 가치가 커집니다. 이 시뮬레이션을 돌리는 곳이 클라우드입니다.

여섯 개 capability 가 맞물린 flywheel

AWS 는 Physical AI 를 서로 맞물린 여섯 개 capability 로 정리합니다. 한 번 흐르고 끝나는 파이프라인이 아니라 계속 도는 flywheel 입니다. 엣지에서 로봇이 실제로 움직이며 만든 운영 데이터가 다시 데이터 수집으로 되돌아와 모델이 갈수록 똑똑해집니다. 클라우드 쪽 네 단계를 Training Loop, 엣지 쪽 두 단계를 Autonomy Loop 라 부릅니다.

규모에 맞는 학습 인프라

무조건 대형 클러스터가 필요하다고 생각하기 쉽지만, 실제로는 데이터 규모와 학습 시간에 따라 맞는 서비스가 다릅니다. 아래 표는 3B 파라미터급 VLA 기준입니다.

핵심 구성요소는 넷입니다. 시뮬레이션·학습용 GPU 인스턴스(G5 / G6e / G7e / P5), 로봇 에셋과 checkpoint 를 여러 인스턴스가 공유하는 EFS / FSx for Lustre, 컨테이너 이미지를 담는 ECR, 데이터 레이크 S3 입니다. 시각화가 무거운 Isaac Sim 에는 96 GB 메모리 GPU 기반 G7e 가 맞습니다.

비용 감각. 서울 리전 기준 g6e.xlarge(L40S 48 GB)가 시간당 약 2.3달러, Spot 이면 약 1달러입니다(2026-08 조회, 시점·가용영역에 따라 변동). 로봇 한 대 값이면 수만 GPU 시간을 살 수 있고, 4,096개 환경 병렬 학습 한 판이 Spot 으로 십여 달러입니다. 실물 시행착오에는 마모·사고·인건비가 더해지지만 시뮬레이션은 이 시간당 요금이 전부입니다.

학습에서 현장까지 — end-to-end 참조 구조

학습된 모델을 현장 로봇까지 보내는 구조입니다. 무거운 VLA 는 로봇 위에서 직접 돌리기 어려운 경우가 많아, 클라우드 서빙 허브가 action chunk 를 만들어 로봇으로 보내고 로봇은 관측을 되돌려 보내는 구조를 씁니다. 4편의 "느린 추론과 빠른 제어의 주파수 불일치" 가 인프라 문제로 나타나는 지점입니다.

fleet 규모가 커지면 배포 도구를 직접 만드는 방식이 한계에 부딪히는 문제가 셋 있습니다. 나중에 fleet 에 추가된 장치가 배포 rollout 속도 제한을 우회하는 문제, 바꿀 수 없는 한도를 뒤늦게 발견해 배포 구조를 고쳐야 하는 문제, 그리고 중단(abort)이 대기 중인 배포만 취소하고 진행 중인 배포는 되돌리지 못하는 문제입니다. 되돌리기는 rollback 정책과 장치 쪽 복구 경로로 따로 설계해야 합니다.

규모의 증거 — 100만 대의 로봇과 하나의 조율 AI

대규모 운영의 가장 큰 실사례입니다. Amazon 은 자사 물류센터에서 100만 대가 넘는 로봇을 운영합니다(2025년 7월 기준). 입고 → 적치 → 보관 → 피킹 → 포장 → 분류 → 출하 각 단계에 서로 다른 로봇이 있고, 그 위에 모든 단계를 관통해 fleet 의 이동을 조율하는 하나의 AI(DeepFleet)가 있습니다. 수백만 시간의 fleet 데이터로 학습해 이동 시간을 약 10% 줄였습니다.

로봇 하드웨어는 점점 흔해지고, 차별화는 수십만 대 규모의 fleet 을 학습·조율하는 모델 에서 나옵니다. 그 모델은 벤더가 파는 물건이 아니라 자사 데이터·컴퓨트·클라우드에서만 나옵니다.

물리 장치의 공통 규격 — MHS 와 Strands Robots

2026년 8월 Anthropic 이 Model Hardware Standard(MHS) 의 research preview 를 열었습니다. AI 에이전트가 현미경·liquid handler·로봇 팔 같은 물리 장치를 안전하게 조작하고 여러 대를 병렬로 다루게 하는 공유 규격입니다. MCP(Model Context Protocol)가 데이터·도구 연결을 표준화했듯이, MHS 는 하드웨어 연결을 표준화합니다.

표준화된 드라이버로 동작합니다. 장치의 기능을 read(온도 읽기)와 write(온도 설정) 같은 작은 primitive 로 나누고, 각 장치를 표준 포맷으로 찾을 수 있게 하며, 측정·조정 항목과 지켜야 할 안전 한계를 자연어 태그와 함께 참조 파일에 적어 둡니다. AWS 는 에이전트를 물리 장치에 잇는 라이브러리 Strands Robots 로 MHS 를 지원한다고 밝혔습니다. 한국의 Doosan Robotics 가 런치 파트너로 로봇 팔의 자동 품질검사와 다중 로봇 협조에 MHS 를 테스트하고 있습니다.

바로 써 볼 공개 자산

모두 로그인 없이 열립니다. 개요 문서부터 읽고, 그다음 코드 저장소를 보는 순서입니다.

서비스 사양·요금·권장 패턴은 작성 시점 기준입니다. 실제 설계는 최신 공식 문서를 우선하시면 됩니다.

요약

• Physical AI 워크로드는 시뮬레이션·fine-tuning·엣지 배포 셋이고, 셋 다 GPU 와 스토리지를 많이 씁니다. 안전 설비가 필요 없는 시뮬레이션은 클라우드에서 돌립니다.
• 수집 → 저장 → 이해 → 시뮬·학습 → 배포 → 엣지 운영이 한 바퀴 돌고, 운영 데이터가 다시 수집으로 돌아오는 flywheel 입니다.
• 학습 인프라는 시연 수와 학습 시간에 맞춰 고릅니다. 작으면 Spot 한 장, 크면 멀티노드입니다. checkpoint 공유 스토리지와 컨테이너 레지스트리가 핵심 구성요소입니다.