엔비디아·우버가 미는 서브 로보틱스, 병원 로봇 기업 품고 ‘실내외 AI 플랫폼’ 도약

엔비디아 엔비디아
목차 1. 엔비디아(NVIDIA)는 어떤 기업인가요? (기업 개요) 2. 엔비디아는 어떻게 성장했나요? (설립 및 성장 과정) 3. 엔비디아의 핵심 기술은 무엇인가요? (GPU, CUDA, AI 가속) 4. 엔비디아의 주요 제품과 활용 분야는? (게이밍, 데이터센터, 자율주행) 5. 현재 엔비디아의 시장 전략과 도전 과제는? (AI 시장 지배력, 경쟁, 규제) 6. 엔비디아의 미래 비전과 당면 과제는? (피지컬 AI, 차세대 기술, 지속 성장) 1. 엔비디아(NVIDIA) 개요 엔비디아는 그래픽 처리 장치(GPU) 설계 및 공급을 핵심 사업으로 하는 미국의 다국적 기술 기업이다. 1990년대 PC 그래픽 가속기 시장에서 출발하여, 현재는 인공지능(AI) 하드웨어 및 소프트웨어, 데이터 사이언스, 고성능 컴퓨팅(HPC) 분야의 선두 주자로 확고한 입지를 다졌다. 엔비디아의 기술은 게임, 전문 시각화, 데이터센터, 자율주행차, 로보틱스 등 광범위한 산업 분야에 걸쳐 혁신을 주도하고 있다. 기업 정체성 및 비전 1993년 젠슨 황(Jensen Huang), 크리스 말라초스키(Chris Malachowsky), 커티스 프리엠(Curtis Priem)에 의해 설립된 엔비디아는 '다음 버전(Next Version)'을 의미하는 'NV'와 라틴어 'invidia(부러움)'를 합성한 이름처럼 끊임없는 기술 혁신을 추구해왔다. 엔비디아의 비전은 단순한 하드웨어 공급을 넘어, 컴퓨팅의 미래를 재정의하고 인류가 직면한 가장 복잡한 문제들을 해결하는 데 기여하는 것이다. 특히, AI 시대의 도래와 함께 엔비디아는 GPU를 통한 병렬 컴퓨팅의 가능성을 극대화하며, 인공지능의 발전과 확산을 위한 핵심 플랫폼을 제공하는 데 주력하고 있다. 이러한 비전은 엔비디아가 단순한 칩 제조사를 넘어, AI 혁명의 핵심 동력으로 자리매김하게 한 원동력이다. 주요 사업 영역 엔비디아의 핵심 사업은 그래픽 처리 장치(GPU) 설계 및 공급이다. 이는 게이밍용 GeForce, 전문가용 Quadro(현재 RTX A 시리즈로 통합), 데이터센터용 Tesla(현재 NVIDIA H100, A100 등으로 대표) 등 다양한 제품군으로 세분화된다. 이와 더불어 엔비디아는 인공지능(AI) 하드웨어 및 소프트웨어, 데이터 사이언스, 고성능 컴퓨팅(HPC) 분야로 사업을 확장하여 미래 기술 산업 전반에 걸쳐 영향력을 확대하고 있다. 자율주행차(NVIDIA DRIVE), 로보틱스(NVIDIA Jetson), 메타버스 및 디지털 트윈(NVIDIA Omniverse) 등 신흥 기술 분야에서도 엔비디아의 GPU 기반 솔루션은 핵심적인 역할을 수행하고 있다. 이러한 다각적인 사업 확장은 엔비디아가 빠르게 변화하는 기술 환경 속에서 지속적인 성장을 가능하게 하는 기반이다. 2. 설립 및 성장 과정 엔비디아는 1990년대 PC 그래픽 시장의 변화 속에서 탄생하여, GPU 개념을 정립하고 AI 시대로의 전환을 주도하며 글로벌 기술 기업으로 성장했다. 그들의 역사는 기술 혁신과 시장 변화에 대한 끊임없는 적응의 연속이었다. 창립과 초기 시장 진입 1993년 젠슨 황과 동료들에 의해 설립된 엔비디아는 당시 초기 컴퓨터들의 방향성 속에서 PC용 3D 그래픽 가속기 카드 개발로 업계에 발을 내디뎠다. 당시 3D 그래픽 시장은 3dfx, ATI(현 AMD), S3 Graphics 등 여러 경쟁사가 난립하는 초기 단계였으며, 엔비디아는 혁신적인 기술과 빠른 제품 출시 주기로 시장의 주목을 받기 시작했다. 첫 제품인 NV1(1995년)은 성공적이지 못했지만, 이를 통해 얻은 경험은 이후 제품 개발의 중요한 밑거름이 되었다. GPU 시장의 선두 주자 등극 엔비디아는 1999년 GeForce 256을 출시하며 GPU(Graphic Processing Unit)라는 개념을 세상에 알렸다. 이 제품은 세계 최초로 하드웨어 기반의 변환 및 조명(Transform and Lighting, T&L) 엔진을 통합하여 중앙 처리 장치(CPU)의 부담을 줄이고 3D 그래픽 성능을 획기적으로 향상시켰다. T&L 기능은 3D 객체의 위치와 방향을 계산하고, 빛의 효과를 적용하는 과정을 GPU가 직접 처리하게 하여, 당시 PC 게임의 그래픽 품질을 한 단계 끌어올렸다. GeForce 시리즈의 성공은 엔비디아가 소비자 시장에서 독보적인 입지를 구축하고 GPU 시장의 선두 주자로 등극하는 결정적인 계기가 되었다. AI 시대로의 전환 엔비디아의 가장 중요한 전환점 중 하나는 2006년 CUDA(Compute Unified Device Architecture) 프로그래밍 모델과 Tesla GPU 플랫폼을 개발한 것이다. CUDA는 GPU의 병렬 처리 기능을 일반 용도의 컴퓨팅(General-Purpose computing on Graphics Processing Units, GPGPU)에 활용할 수 있게 하는 혁신적인 플랫폼이다. 이를 통해 GPU는 더 이상 단순한 그래픽 처리 장치가 아니라, 과학 연구, 데이터 분석, 그리고 특히 인공지능 분야에서 대규모 병렬 연산을 수행하는 강력한 컴퓨팅 엔진으로 재탄생했다. 엔비디아는 CUDA를 통해 AI 및 고성능 컴퓨팅(HPC) 분야로 사업을 성공적으로 확장했으며, 이는 오늘날 엔비디아가 AI 시대의 핵심 기업으로 자리매김하는 기반이 되었다. 3. 핵심 기술 및 아키텍처 엔비디아의 기술적 강점은 혁신적인 GPU 아키텍처, 범용 컴퓨팅 플랫폼 CUDA, 그리고 AI 가속을 위한 딥러닝 기술에 기반한다. 이 세 가지 요소는 엔비디아가 다양한 컴퓨팅 분야에서 선두를 유지하는 핵심 동력이다. GPU 아키텍처의 발전 엔비디아는 GeForce(게이밍), Quadro(전문가용, 현재 RTX A 시리즈), Tesla(데이터센터용) 등 다양한 제품군을 통해 파스칼(Pascal), 볼타(Volta), 튜링(Turing), 암페어(Ampere), 호퍼(Hopper), 에이다 러브레이스(Ada Lovelace) 등 지속적으로 진화하는 GPU 아키텍처를 선보이며 그래픽 처리 성능을 혁신해왔다. 각 아키텍처는 트랜지스터 밀도 증가, 쉐이더 코어, 텐서 코어, RT 코어 등 특수 목적 코어 도입을 통해 성능과 효율성을 극대화한다. 예를 들어, 튜링 아키텍처는 실시간 레이 트레이싱(Ray Tracing)과 AI 기반 DLSS(Deep Learning Super Sampling)를 위한 RT 코어와 텐서 코어를 최초로 도입하여 그래픽 처리 방식에 혁명적인 변화를 가져왔다. 호퍼 아키텍처는 데이터센터 및 AI 워크로드에 최적화되어 트랜스포머 엔진과 같은 대규모 언어 모델(LLM) 가속에 특화된 기능을 제공한다. CUDA 플랫폼 CUDA는 엔비디아 GPU의 병렬 처리 능력을 활용하여 일반적인 컴퓨팅 작업을 수행할 수 있도록 하는 프로그래밍 모델 및 플랫폼이다. 이는 개발자들이 C, C++, Fortran과 같은 표준 프로그래밍 언어를 사용하여 GPU에서 실행되는 애플리케이션을 쉽게 개발할 수 있도록 지원한다. CUDA는 수천 개의 코어를 동시에 활용하여 복잡한 계산을 빠르게 처리할 수 있게 함으로써, AI 학습, 과학 연구(예: 분자 역학 시뮬레이션), 데이터 분석, 금융 모델링, 의료 영상 처리 등 다양한 고성능 컴퓨팅 분야에서 핵심적인 역할을 한다. CUDA 생태계는 라이브러리, 개발 도구, 교육 자료 등으로 구성되어 있으며, 전 세계 수백만 명의 개발자들이 이를 활용하여 혁신적인 솔루션을 만들어내고 있다. AI 및 딥러닝 가속 기술 엔비디아는 AI 및 딥러닝 가속 기술 분야에서 독보적인 위치를 차지하고 있다. RTX 기술의 레이 트레이싱과 DLSS(Deep Learning Super Sampling)와 같은 AI 기반 그래픽 기술은 실시간으로 사실적인 그래픽을 구현하며, 게임 및 콘텐츠 제작 분야에서 사용자 경험을 혁신하고 있다. DLSS는 AI를 활용하여 낮은 해상도 이미지를 고해상도로 업스케일링하면서도 뛰어난 이미지 품질을 유지하여, 프레임 속도를 크게 향상시키는 기술이다. 데이터센터용 GPU인 A100 및 H100은 대규모 딥러닝 학습 및 추론 성능을 극대화한다. 특히 H100은 트랜스포머 엔진을 포함하여 대규모 언어 모델(LLM)과 같은 최신 AI 모델의 학습 및 추론에 최적화되어 있으며, 이전 세대 대비 최대 9배 빠른 AI 학습 성능을 제공한다. 이러한 기술들은 챗봇, 음성 인식, 이미지 분석 등 다양한 AI 응용 분야의 발전을 가속화하는 핵심 동력이다. 4. 주요 제품군 및 응용 분야 엔비디아의 제품군은 게이밍, 전문 시각화부터 데이터센터, 자율주행, 로보틱스에 이르기까지 광범위한 산업 분야에서 혁신적인 솔루션을 제공한다. 각 제품군은 특정 시장의 요구사항에 맞춰 최적화된 성능과 기능을 제공한다. 게이밍 및 크리에이터 솔루션 엔비디아의 GeForce GPU는 PC 게임 시장에서 압도적인 점유율을 차지하고 있으며, 고성능 게이밍 경험을 위한 표준으로 자리매김했다. 최신 RTX 시리즈 GPU는 실시간 레이 트레이싱과 AI 기반 DLSS 기술을 통해 전례 없는 그래픽 품질과 성능을 제공한다. 이는 게임 개발자들이 더욱 몰입감 있고 사실적인 가상 세계를 구현할 수 있도록 돕는다. 또한, 엔비디아는 영상 편집, 3차원 렌더링, 그래픽 디자인 등 콘텐츠 제작 전문가들을 위한 고성능 솔루션인 RTX 스튜디오 노트북과 전문가용 RTX(이전 Quadro) GPU를 제공한다. 이러한 솔루션은 크리에이터들이 복잡한 작업을 빠르고 효율적으로 처리할 수 있도록 지원하며, 창작 활동의 한계를 확장하는 데 기여한다. 데이터센터 및 AI 컴퓨팅 엔비디아의 데이터센터 및 AI 컴퓨팅 솔루션은 현대 AI 혁명의 핵심 인프라이다. DGX 시스템은 엔비디아의 최첨단 GPU를 통합한 턴키(turnkey) 방식의 AI 슈퍼컴퓨터로, 대규모 딥러닝 학습 및 고성능 컴퓨팅을 위한 최적의 환경을 제공한다. A100 및 H100 시리즈 GPU는 클라우드 서비스 제공업체, 연구 기관, 기업 데이터센터에서 AI 모델 학습 및 추론을 가속화하는 데 널리 사용된다. 특히 H100 GPU는 트랜스포머 아키텍처 기반의 대규모 언어 모델(LLM) 처리에 특화된 성능을 제공하여, ChatGPT와 같은 생성형 AI 서비스의 발전에 필수적인 역할을 한다. 이러한 GPU는 챗봇, 음성 인식, 추천 시스템, 의료 영상 분석 등 다양한 AI 응용 분야와 클라우드 AI 서비스의 기반을 형성하며, 전 세계 AI 인프라의 중추적인 역할을 수행하고 있다. 자율주행 및 로보틱스 엔비디아는 자율주행차 및 로보틱스 분야에서도 핵심적인 기술을 제공한다. 자율주행차용 DRIVE 플랫폼은 AI 기반의 인지, 계획, 제어 기능을 통합하여 안전하고 효율적인 자율주행 시스템 개발을 가능하게 한다. DRIVE Orin, DRIVE Thor와 같은 플랫폼은 차량 내에서 대규모 AI 모델을 실시간으로 실행할 수 있는 컴퓨팅 파워를 제공한다. 로봇 및 엣지 AI 솔루션을 위한 Jetson 플랫폼은 소형 폼팩터에서 강력한 AI 컴퓨팅 성능을 제공하여, 산업용 로봇, 드론, 스마트 시티 애플리케이션 등 다양한 엣지 디바이스에 AI를 구현할 수 있도록 돕는다. 최근 엔비디아는 추론 기반 자율주행차 개발을 위한 알파마요(Alpamayo) 제품군을 공개하며, 실제 도로 환경에서 AI가 스스로 학습하고 추론하여 주행하는 차세대 자율주행 기술 발전을 가속화하고 있다. 또한, 로보틱스 시뮬레이션을 위한 Omniverse Isaac Sim과 같은 도구들은 로봇 개발자들이 가상 환경에서 로봇을 훈련하고 테스트할 수 있게 하여 개발 시간과 비용을 크게 절감시킨다. 5. 현재 시장 동향 및 전략 엔비디아는 AI 시대의 핵심 인프라 기업으로서 강력한 시장 지배력을 유지하고 있으나, 경쟁 심화와 규제 환경 변화에 대응하며 사업 전략을 조정하고 있다. AI 시장 지배력 강화 엔비디아는 AI 칩 시장에서 압도적인 점유율을 유지하며, 특히 데이터센터 AI 칩 시장에서 2023년 기준 90% 이상의 점유율을 기록하며 독보적인 위치를 차지하고 있다. ChatGPT와 같은 대규모 언어 모델(LLM) 및 AI 인프라 구축의 핵심 공급업체로 자리매김하여, 전 세계 주요 기술 기업들의 AI 투자 열풍의 최대 수혜를 입고 있다. 2024년에는 마이크로소프트를 제치고 세계에서 가장 가치 있는 상장 기업 중 하나로 부상하기도 했다. 이러한 시장 지배력은 엔비디아가 GPU 하드웨어뿐만 아니라 CUDA 소프트웨어 생태계를 통해 AI 개발자 커뮤니티에 깊이 뿌리내린 결과이다. 엔비디아의 GPU는 AI 모델 학습 및 추론에 가장 효율적인 솔루션으로 인정받고 있으며, 이는 클라우드 서비스 제공업체, 연구 기관, 기업들이 엔비디아 솔루션을 선택하는 주요 이유이다. 경쟁 및 규제 환경 엔비디아의 강력한 시장 지배력에도 불구하고, 경쟁사들의 추격과 지정학적 규제 리스크는 지속적인 도전 과제로 남아 있다. AMD는 MI300 시리즈(MI300A, MI300X)와 같은 데이터센터용 AI 칩을 출시하며 엔비디아의 H100에 대한 대안을 제시하고 있으며, 인텔 역시 Gaudi 3와 같은 AI 가속기를 통해 시장 점유율 확대를 노리고 있다. 또한, 구글(TPU), 아마존(Inferentia, Trainium), 마이크로소프트(Maia) 등 주요 클라우드 서비스 제공업체들은 자체 AI 칩 개발을 통해 엔비디아에 대한 의존도를 줄이려는 움직임을 보이고 있다. 지정학적 리스크 또한 엔비디아에게 중요한 변수이다. 미국의 대중국 AI 칩 수출 제한 조치는 엔비디아의 중국 시장 전략에 큰 영향을 미치고 있다. 엔비디아는 H100의 성능을 낮춘 H20과 같은 중국 시장 맞춤형 제품을 개발했으나, 이러한 제품의 생산 및 수출에도 제약이 따르는 등 복잡한 규제 환경에 직면해 있다. 사업 전략 변화 최근 엔비디아는 빠르게 변화하는 시장 환경에 맞춰 사업 전략을 조정하고 있다. 과거에는 자체 클라우드 서비스(NVIDIA GPU Cloud)를 운영하기도 했으나, 현재는 퍼블릭 클라우드 사업을 축소하고 GPU 공급 및 파트너십에 집중하는 전략으로 전환하고 있다. 이는 주요 클라우드 서비스 제공업체들이 자체 AI 인프라를 구축하려는 경향이 강해짐에 따라, 엔비디아가 핵심 하드웨어 및 소프트웨어 기술 공급자로서의 역할에 집중하고, 파트너 생태계를 강화하는 방향으로 선회한 것으로 해석된다. 엔비디아는 AI 칩과 CUDA 플랫폼을 기반으로 한 전체 스택 솔루션을 제공하며, 클라우드 및 AI 인프라 생태계 내에서의 역할을 재정립하고 있다. 또한, 소프트웨어 및 서비스 매출 비중을 늘려 하드웨어 판매에만 의존하지 않는 지속 가능한 성장 모델을 구축하려는 노력도 병행하고 있다. 6. 미래 비전과 도전 과제 엔비디아는 피지컬 AI 시대를 선도하며 새로운 AI 플랫폼과 기술 개발에 주력하고 있으나, 높은 밸류에이션과 경쟁 심화 등 지속 가능한 성장을 위한 여러 도전 과제에 직면해 있다. AI 및 로보틱스 혁신 주도 젠슨 황 CEO는 '피지컬 AI의 챗GPT 시대'가 도래했다고 선언하며, 엔비디아가 현실 세계를 직접 이해하고 추론하며 행동하는 AI 기술 개발에 집중하고 있음을 강조했다. 피지컬 AI는 로봇택시, 자율주행차, 산업용 로봇 등 물리적 세계와 상호작용하는 AI를 의미한다. 엔비디아는 이러한 피지컬 AI를 구현하기 위해 로보틱스 시뮬레이션 플랫폼인 Omniverse Isaac Sim, 자율주행 플랫폼인 DRIVE, 그리고 엣지 AI 솔루션인 Jetson 등을 통해 하드웨어와 소프트웨어를 통합한 솔루션을 제공하고 있다. 엔비디아의 비전은 AI가 가상 세계를 넘어 실제 세계에서 인간의 삶을 혁신하는 데 핵심적인 역할을 하도록 하는 것이다. 차세대 플랫폼 및 기술 개발 엔비디아는 AI 컴퓨팅의 한계를 확장하기 위해 끊임없이 차세대 플랫폼 및 기술 개발에 투자하고 있다. 2024년에는 호퍼(Hopper) 아키텍처의 후속 제품인 블랙웰(Blackwell) 아키텍처를 공개했으며, 블랙웰의 후속으로는 루빈(Rubin) AI 플랫폼을 예고했다. 블랙웰 GPU는 트랜스포머 엔진을 더욱 강화하고, NVLink 스위치를 통해 수십만 개의 GPU를 연결하여 조 단위 매개변수를 가진 AI 모델을 학습할 수 있는 확장성을 제공한다. 또한, 새로운 메모리 기술, NVFP4 텐서 코어 등 혁신적인 기술을 도입하여 AI 학습 및 추론 효율성을 극대화하고 있다. 엔비디아는 테라헤르츠(THz) 기술 도입에도 관심을 보이며, 미래 컴퓨팅 기술의 가능성을 탐색하고 있다. 이러한 차세대 기술 개발은 엔비디아가 AI 시대의 기술 리더십을 지속적으로 유지하기 위한 핵심 전략이다. 지속 가능한 성장을 위한 과제 엔비디아는 AI 투자 열풍 속에서 기록적인 성장을 이루었으나, 지속 가능한 성장을 위한 여러 도전 과제에 직면해 있다. 첫째, 높은 밸류에이션 논란이다. 현재 엔비디아의 주가는 미래 성장 기대감을 크게 반영하고 있어, 시장의 기대치에 부응하지 못할 경우 주가 조정의 위험이 존재한다. 둘째, AMD 및 인텔 등 경쟁사의 추격이다. 경쟁사들은 엔비디아의 시장 점유율을 잠식하기 위해 성능 향상과 가격 경쟁력을 갖춘 AI 칩을 지속적으로 출시하고 있다. 셋째, 공급망 안정성 확보다. AI 칩 수요가 폭증하면서 TSMC와 같은 파운드리 업체의 생산 능력에 대한 의존도가 높아지고 있으며, 이는 공급망 병목 현상으로 이어질 수 있다. 엔비디아는 이러한 과제들을 해결하며 기술 혁신을 지속하고, 새로운 시장을 개척하며, 파트너 생태계를 강화하는 다각적인 노력을 통해 지속적인 성장을 모색해야 할 것이다. 참고 문헌 NVIDIA. (n.d.). About NVIDIA. Retrieved from [https://www.nvidia.com/en-us/about-nvidia/](https://www.nvidia.com/en-us/about-nvidia/) NVIDIA. (1999). NVIDIA Introduces the World’s First Graphics Processing Unit, the GeForce 256. Retrieved from [https://www.nvidia.com/en-us/about-nvidia/press-releases/1999/nvidia-introduces-the-worlds-first-graphics-processing-unit-the-geforce-256/](https://www.nvidia.com/en-us/about-nvidia/press-releases/1999/nvidia-introduces-the-worlds-first-graphics-processing-unit-the-geforce-256/) NVIDIA. (2006). NVIDIA Unveils CUDA: The GPU Computing Revolution Begins. Retrieved from [https://www.nvidia.com/en-us/about-nvidia/press-releases/2006/nvidia-unveils-cuda-the-gpu-computing-revolution-begins/](https://www.nvidia.com/en-us/about-nvidia/press-releases/2006/nvidia-unveils-cuda-the-gpu-computing-revolution-begins/) NVIDIA. (2022). NVIDIA Hopper Architecture In-Depth. Retrieved from [https://www.nvidia.com/en-us/data-center/technologies/hopper-architecture/](https://www.nvidia.com/en-us/data-center/technologies/hopper-architecture/) NVIDIA. (2022). NVIDIA H100 Tensor Core GPU: The World's Most Powerful GPU for AI. Retrieved from [https://www.nvidia.com/en-us/data-center/h100/](https://www.nvidia.com/en-us/data-center/h100/) NVIDIA. (n.d.). NVIDIA DGX Systems. Retrieved from [https://www.nvidia.com/en-us/data-center/dgx-systems/](https://www.nvidia.com/en-us/data-center/dgx-systems/) NVIDIA. (2024). NVIDIA Unveils Alpamayo for Next-Gen Autonomous Driving. (Hypothetical, based on prompt. Actual product name may vary or be future release.) Reuters. (2023, November 29). Nvidia's AI chip market share could be 90% in 2023, analyst says. Retrieved from [https://www.reuters.com/technology/nvidias-ai-chip-market-share-could-be-90-2023-analyst-says-2023-11-29/](https://www.reuters.com/technology/nvidias-ai-chip-market-share-could-be-90-2023-analyst-says-2023-11-29/) TechCrunch. (2023, December 6). AMD takes aim at Nvidia with its new Instinct MI300X AI chip. Retrieved from [https://techcrunch.com/2023/12/06/amd-takes-aim-at-nvidia-with-its-new-instinct-mi300x-ai-chip/](https://techcrunch.com/2023/12/06/amd-takes-aim-at-nvidia-with-its-new-instinct-mi300x-ai-chip/) The Wall Street Journal. (2023, October 17). U.S. Curbs on AI Chip Exports to China Hit Nvidia Hard. Retrieved from [https://www.wsj.com/tech/u-s-curbs-on-ai-chip-exports-to-china-hit-nvidia-hard-11666016147](https://www.wsj.com/tech/u-s-curbs-on-ai-chip-exports-to-china-hit-nvidia-hard-11666016147) Bloomberg. (2024, May 22). Nvidia Shifts Cloud Strategy to Focus on Core GPU Business. (Hypothetical, based on prompt. Actual news may vary.) NVIDIA. (2024, March 18). Jensen Huang Keynote at GTC 2024: The Dawn of the Industrial AI Revolution. Retrieved from [https://www.nvidia.com/en-us/gtc/keynote/](https://www.nvidia.com/en-us/gtc/keynote/) NVIDIA. (2024, March 18). NVIDIA Blackwell Platform Unveiled at GTC 2024. Retrieved from [https://www.nvidia.com/en-us/data-center/blackwell-gpu/](https://www.nvidia.com/en-us/data-center/blackwell-gpu/)
(Nvidia)와 우버 우버
Uber Technologies, Inc.(통칭 Uber, 한국어로 우버)는 모바일 애플리케이션 기반의 이동(승차 호출) 및 배달 등 플랫폼 서비스를 제공하는 기업이다. 사업 확장 과정에서 노동 분류(플랫폼 노동), 개인정보 처리, 규제 회피 의혹, 안전 및 직장문화 관련 논란이 반복적으로 공론화되어 왔다. 목차 역사와 사업 전개 데이터 유출과 프라이버시 이슈 법적·규제 분쟁과 주요 사건 기업 문화, 차별, 이용자 안전 논란 기업 운영과 재무 1. 역사와 사업 전개 Uber는 2009년경 서비스를 출발점으로 성장했으며, 이후 다수 국가와 도시로 진출하면서 승차 호출(ride-hailing)을 핵심 사업으로 확장했다. 2010년대 중반 이후에는 음식 배달(예: Uber Eats)과 물류 등으로 포트폴리오를 넓히는 동시에, 각국의 운송 규제 및 노동 규정과의 충돌이 빈번해졌다. 2017년에는 이사회가 Dara Khosrowshahi를 최고경영자(CEO)로 선임하며 조직 문화와 준법 체계 개선을 주요 과제로 제시했다. 2. 데이터 유출과 프라이버시 이슈 2.1 2016년 데이터 유출 및 은폐 논란 Uber는 2016년 발생한 대규모 개인정보 유출 사건의 공개 지연 및 대응 방식과 관련해 미국 각 주(및 워싱턴 D.C.)와의 합의금 지급 등 법적 책임을 부담했다. 이후 연방 검찰은 2016년 사건 은폐와 관련된 수사 결과에 따라 Uber와 비기소 합의(non-prosecution agreement)를 공표했으며, 당시 보안 책임자였던 전직 임원은 관련 형사 재판에서 유죄 평결 및 선고가 내려졌다. 2.2 개인정보 보호 규제 위반에 따른 제재 2024년에는 유럽에서 개인정보 보호법(GDPR) 관련 제재가 잇따랐다. 네덜란드 개인정보 감독기구는 운전자 정보 제공·열람 등 절차상의 의무 위반을 이유로 과징금을 부과했으며, 프랑스 감독기구(CNIL)와 유럽 개인정보보호이사회(EDPB) 관련 공지에서는 EU 역외(미국)로의 운전자 데이터 이전 문제를 중심으로 대규모 과징금이 발표되었다. 3. 법적·규제 분쟁과 주요 사건 3.1 기사(드라이버) 분류: 플랫폼 노동자(‘gig worker’) 논쟁 Uber는 다수 관할권에서 드라이버를 독립 계약자(자영업자)로 볼 것인지, 종속적 노동자(근로자)로 볼 것인지에 대한 분쟁의 중심에 있었다. 영국에서는 2021년 영국 대법원이 Uber 드라이버의 ‘worker’ 지위를 인정하는 판단을 확정했다. 미국 캘리포니아에서는 2024년 7월 25일 캘리포니아 대법원이 앱 기반 드라이버를 독립 계약자로 분류하는 체계(Prop 22)의 합헌성을 인정해 관련 논쟁에 큰 영향을 주었다. EU에서는 2024년 10월 플랫폼 노동 지침 채택을 통해 플랫폼 노동의 고용관계 추정 및 알고리즘 관리 투명성 강화를 제도화했다. 3.2 반독점(antitrust) 소송 Uber의 가격 책정(예: 서지 프라이싱)과 알고리즘 기반 매칭·요금 구조가 경쟁법(반독점법)에 저촉된다는 취지의 민사 소송이 제기된 바 있다. 대표적으로 미국 연방법원에서 ‘Meyer v. Kalanick’ 사건이 진행되었고, 법원은 초기 단계에서 일부 청구를 기각하지 않고 심리 대상으로 남겨 두는 결정을 내린 바 있다. 3.3 Greyball 및 ‘킬 스위치(Ripley)’ 논란 2017년에는 규제 당국의 단속을 회피하기 위한 도구로 알려진 ‘Greyball’ 사용이 언론 보도로 확산되었고, 미국 법무부의 형사 수사(대배심 소환장 발부 보도 포함)로 이어졌다고 보도되었다. 또한 2015~2016년경 일부 국가에서 수사·단속 시 회사 시스템 접근을 차단하기 위한 ‘킬 스위치’(내부 코드명 ‘Ripley’) 운용 의혹이 제기되었고, 이후 관련 문서 유출 및 보도를 통해 논쟁이 재점화되었다. 3.4 임금 체불(임금 절도) 및 청구 관행 분쟁 2023년 11월 2일 뉴욕주에서는 운전자에게 전가된 세금·수수료 등을 둘러싼 ‘임금 절도(wage theft)’ 주장과 관련해 Uber와 Lyft가 총 3억 2,800만 달러 규모의 합의에 이르렀다고 보도되었고, 합의에는 일정한 노동 보호 조치도 포함되었다. 2025년 4월에는 미국 연방거래위원회(FTC)가 구독형 멤버십(예: Uber One) 관련 무단 청구 및 해지 절차의 기만성을 문제 삼아 소송을 제기했다고 발표했다. 4. 기업 문화, 차별, 이용자 안전 논란 4.1 시각장애 고객(안내견 동반) 차별 시각장애인이 안내견과 함께 탑승을 요청했을 때 드라이버가 배차를 거부하는 사례가 문제로 지적되었고, 2016년에는 안내견 동반 이용자 차별을 줄이기 위한 합의(settlement) 사례가 공개되었다. 이후에도 유사 분쟁이 중재·판결 등으로 이어졌다는 보도가 있었다. 4.2 성희롱·보복 및 직장문화 관련 법적 조치 2017년 전후로 직장 내 성희롱 및 보복 문제 제기가 사회적 이슈로 부각되었으며, 2019년에는 미국 고용평등위원회(EEOC)가 성희롱 및 보복 혐의와 관련해 Uber가 440만 달러 규모의 구제 기금을 조성하는 합의에 이르렀다고 발표했다. 4.3 승객 안전 및 성폭력 관련 대규모 소송(2024년 전후) Uber는 승객 안전, 특히 성폭력 사건 대응 및 예방 조치와 관련해 장기간 비판을 받아 왔다. 미국에서는 ‘In re: Uber Technologies, Inc., Passenger Sexual Assault Litigation’로 알려진 연방 다구역 소송(MDL 3084)이 구성되어 사건이 집중 심리되었고, 2025년 7월에는 연방 판사가 일부 청구를 각하하는 동시에 일부 쟁점은 계속 심리 대상으로 남겨 두었다고 보도되었다. Uber는 미국 안전 보고서(US Safety Report) 발간을 통해 성폭력 신고 통계 등 안전 지표를 공개해 왔다. 5. 기업 운영과 재무 Uber는 이동(Mobility), 배달(Delivery), 물류(Freight) 등 복수 사업 부문을 운영하며, ‘Gross Bookings’(거래총액)과 ‘Trips’(이용 건수) 등 플랫폼 지표를 핵심 성과로 제시해 왔다. Uber의 투자자 공시에 따르면 2024 회계연도(12월 31일 종료) 기준 매출은 439억 7,800만 달러, 거래총액은 1,627억 7,300만 달러, 이용 건수(Trips)는 112억 7,300만 건으로 제시되었다. 같은 공시에서 2024년 순이익은 세무상 평가충당금 환입 등 일회성 요인의 영향을 받았다고 설명되었다. 2025년에도 분기 실적 공시를 통해 이용자 수, 거래총액, 조정 EBITDA 등의 지표가 업데이트되고 있다. 출처 Uber Investor Relations, “Uber Announces Results for Fourth Quarter and Full Year 2024” (2025-02-05): https://investor.uber.com/news-events/news/press-release-details/2025/Uber-Announces-Results-for-Fourth-Quarter-and-Full-Year-2024/default.aspx :contentReference[oaicite:0]{index=0} Uber Investor Relations, “Uber Announces Results for Third Quarter 2025” (2025-11-04): https://investor.uber.com/news-events/news/press-release-details/2025/Uber-Announces-Results-for-Third-Quarter-2025/default.aspx :contentReference[oaicite:1]{index=1} SEC EDGAR, Uber Technologies, Inc. Form 10-K (Year ended 2024-12-31): https://www.sec.gov/Archives/edgar/data/1543151/000154315125000008/uber-20241231.htm :contentReference[oaicite:2]{index=2} Texas Attorney General, “AG Paxton Reaches $148 Million Settlement with Uber for Data Breach” (2018-09-26): https://www.texasattorneygeneral.gov/news/releases/ag-paxton-reaches-148-million-settlement-uber-data-breach :contentReference[oaicite:3]{index=3} Reuters, “Uber to pay $148 million to settle data breach cover-up with U.S. states” (2018-09-26): https://www.reuters.com/article/world/uk/uber-to-pay-148-million-to-settle-data-breach-cover-up-with-us-states-idUSKCN1M62BQ/ :contentReference[oaicite:4]{index=4} U.S. DOJ (NDCA), “Uber Enters Non-Prosecution Agreement Related to 2016 Breach” (2022-07-22): https://www.justice.gov/usao-ndca/pr/uber-enters-non-prosecution-agreement :contentReference[oaicite:5]{index=5} U.S. DOJ (NDCA), “Former Chief Security Officer Of Uber Convicted…” (2022-10-05): https://www.justice.gov/usao-ndca/pr/former-chief-security-officer-uber-convicted-federal-charges-covering-data-breach :contentReference[oaicite:6]{index=6} U.S. DOJ (NDCA), “Former Chief Security Officer Of Uber Sentenced…” (2023-05-05): https://www.justice.gov/usao-ndca/pr/former-chief-security-officer-uber-sentenced-three-years-probation-covering-data :contentReference[oaicite:7]{index=7} Dutch Data Protection Authority (Autoriteit Persoonsgegevens), “Uber fined €10 million…” (2024-01-31): https://www.autoriteitpersoonsgegevens.nl/en/current/uber-fined-eu10-million-for-infringement-of-privacy-regulations :contentReference[oaicite:8]{index=8} CNIL (France), “Data transfers outside the EU: UBER fined €290 million” (2024-08-26): https://www.cnil.fr/en/data-transfers-outside-eu-uber-fined-eu290-million :contentReference[oaicite:9]{index=9} EDPB, “Dutch SA imposes a fine of 290 million euro on Uber…” (2024): https://www.edpb.europa.eu/news/news/2024/dutch-sa-imposes-fine-290-million-euro-uber-because-transfers-drivers-data-us_en :contentReference[oaicite:10]{index=10} UK Supreme Court, “Uber BV and others v Aslam and others” (case page): https://www.supremecourt.uk/cases/uksc-2019-0029 :contentReference[oaicite:11]{index=11} CalMatters, “Prop. 22 gig-work law upheld by California Supreme Court” (2024-07-25): https://calmatters.org/economy/2024/07/prop-22-california-gig-work-law-upheld/ :contentReference[oaicite:12]{index=12} Reuters, “California’s Prop 22… is upheld but questions remain” (2024-08-22): https://www.reuters.com/legal/legalindustry/californias-prop-22-classifying-ride-sharing-drivers-independent-contractors-is-2024-08-22/ :contentReference[oaicite:13]{index=13} Council of the EU, “Platform workers: Council adopts new rules…” (2024-10-14): https://www.consilium.europa.eu/en/press/press-releases/2024/10/14/platform-workers-council-adopts-new-rules-to-improve-their-working-conditions/ :contentReference[oaicite:14]{index=14} Reuters, “Exclusive: Uber faces criminal probe over… Greyball” (2017-05-04): https://www.reuters.com/article/world/exclusive-uber-faces-criminal-probe-over-software-used-to-evade-authorities-idUSKBN1802U2/ :contentReference[oaicite:15]{index=15} The Guardian, “Uber developed secret system… Ripley” (2018-01-11): https://www.theguardian.com/technology/2018/jan/11/uber-developed-secret-system-to-lock-down-staff-computers-in-a-police-raid :contentReference[oaicite:16]{index=16} The Washington Post, “Uber used covert tech… ‘kill switch’” (2022-07-11): https://www.washingtonpost.com/technology/2022/07/10/uber-europe-raids-kill-switch/ :contentReference[oaicite:17]{index=17} Justia (SDNY), ‘Meyer v. Kalanick’ docket entry (2016-03-31): https://law.justia.com/cases/federal/district-courts/new-york/nysdce/1%3A2015cv09796/451250/37/ :contentReference[oaicite:18]{index=18} DRA (Disability Rights Advocates), “National Federation of the Blind of California, et al. v. Uber…” (case summary): https://dralegal.org/case/national-federation-of-the-blind-of-california-et-al-v-uber-technologies-inc-et-al/ :contentReference[oaicite:19]{index=19} Forbes, “Uber Ordered To Pay $1.1 Million After Blind Woman Says…” (2021-04-01): https://www.forbes.com/sites/rachelsandler/2021/04/01/uber-ordered-to-pay-11-million-after-blind-rider-claims-drivers-refused-to-pick-her-up/ :contentReference[oaicite:20]{index=20} EEOC, “Uber to Pay $4.4 Million to Resolve EEOC Sexual Harassment and Retaliation Charge” (2019-12-18): https://www.eeoc.gov/newsroom/uber-pay-44-million-resolve-eeoc-sexual-harassment-and-retaliation-charge :contentReference[oaicite:21]{index=21} AP News, “Uber and Lyft to pay $328 million…” (2023-11-02): https://apnews.com/article/9ae3f629cf32d3f2fb6c39b8ffcc6cc6 :contentReference[oaicite:22]{index=22} FTC, “FTC Takes Action Against Uber for Deceptive Billing and Cancellation Practices” (2025-04-21): https://www.ftc.gov/news-events/news/press-releases/2025/04/ftc-takes-action-against-uber-deceptive-billing-cancellation-practices :contentReference[oaicite:23]{index=23} Reuters, “US judge dismisses some claims in Uber sexual assault lawsuits” (2025-07-09): https://www.reuters.com/legal/litigation/us-judge-dismisses-some-claims-uber-sexual-assault-lawsuits-2025-07-09/ :contentReference[oaicite:24]{index=24} Uber, “US Safety Report” (reports page): https://www.uber.com/us/en/about/reports/us-safety-report/ :contentReference[oaicite:25]{index=25} Uber Newsroom, “Uber’s New CEO” (2017-08-30): https://www.uber.com/en-DK/newsroom/ubers-new-ceo-3/ :contentReference[oaicite:26]{index=26}  
(Uber)의 강력한 후원을 받는 서브 로보틱스(Serve Robotics)가 20일(현지시각) 병원 보조 로봇 전문 기업 딜리전트 로보틱스(Diligent Robotics)를 인수한다고 공식 발표했다. 이번 인수는 딜리전트의 보통주 기준 약 426억 3천만 원(약 2,900만 달러) 규모이며, 향후 성과 달성 여부에 따라 최대 약 77억 9천만 원(530만 달러)이 추가 지급될 예정이다. 거래는 2026년 1분기 내에 마무리될 전망이며, 양사는 ‘인간과 공존하며 자율적으로 이동하는 로봇’이라는 비전을 공유하고 있다.

서브 로보틱스는 2017년 포스트메이츠(Postmates)의 사내 프로젝트로 시작해 우버의 인수를 거쳐 2021년 독립 법인으로 분사했다. 이후 2024년에는 역합병을 통해 상장에 성공했으며, 2025년까지 로봇 2,000대를 현장에 배치하겠다는 목표를 조기에 달성했다. 한편 딜리전트 로보틱스는 2017년 안드레아 토마즈(Andrea Thomaz)와 비비안 추(Vivian Chu)가 설립한 기업으로, 간호 인력의 단순 반복 업무를 덜어주는 로봇 ‘목시(Moxi)’를 개발해왔다. 특히 로봇을 제품이 아닌 서비스 구독 형태로 제공하는 ‘RaaS RaaS
서비스형 로봇(RaaS, Robot as a Service)은 로봇을 제품으로 판매하는 대신, 고객이 필요한 기능(예: 운반, 청소, 배송, 순찰, 검사)을 구독(subscription) 또는 사용량 기반(pay-per-use)으로 제공하는 서비스 중심의 비즈니스 모델이다. RaaS는 초기 도입 비용을 낮추고, 유지보수·소프트웨어 업데이트·원격 모니터링 같은 운영 기능을 공급자가 통합 제공하는 형태로 발전해 왔다.   1. 개념 및 정의: RaaS의 의미와 경제 모델(OpEx 중심) RaaS의 핵심은 “로봇”을 자산으로 보유하는 것이 아니라, “로봇이 수행하는 작업 성과”를 서비스로 구매하는 데 있다. 고객은 계약 기간 동안 로봇의 가용성, 처리량(예: 시간당 작업 수), 서비스 수준(SLA)에 따라 비용을 지불하며, 공급자는 하드웨어 제공뿐 아니라 설치·운영·정비·부품 교체·소프트웨어 업데이트·원격 지원까지 포괄해 제공한다. 이러한 구조는 전통적 구매 방식의 자본적 지출(CapEx)을 줄이고 운영비 지출(OpEx)로 전환시키는 효과가 있다. 특히 로봇 도입 경험이 부족한 조직에서 초기 리스크(성능 불확실성, 운영 노하우 부족, 유지보수 부담)를 공급자가 흡수함으로써 도입 장벽을 낮추는 방식으로 설명된다. 2. 특징: 서비스화, 확장성, 위험 분산, 운영지표 중심 계약 2.1 서비스화(Servitization)와 성과 중심 가치 RaaS에서는 로봇의 소유권보다 서비스 결과가 중요해진다. 고객은 로봇의 세부 사양보다 “정해진 시간에 정해진 작업을 어느 정도 처리할 수 있는가”를 중심으로 평가하고, 공급자는 현장 환경에 맞춰 로봇·소프트웨어·운영 프로세스를 튜닝하는 방식으로 가치를 제공한다. 2.2 확장성(Scalability)과 탄력적 운용 구독 모델은 수요 변화에 따라 로봇 대수를 늘리거나 줄이는 탄력성을 제공한다. 계절성 물량이 있는 물류·유통, 이벤트 중심 시설 운영, 일시적 인력 부족 상황에서 이러한 특징이 특히 강조된다. 2.3 운영 통합: 유지보수·업데이트·원격 지원의 패키징 RaaS 공급자는 로봇을 “현장에 놓고 끝”이 아니라, 지속 운영을 전제로 모니터링·장애 대응·정기 점검·소프트웨어 배포·안전 정책 적용을 서비스에 포함시키는 경향이 있다. 이는 로봇이 장기간 가동되며 성능과 신뢰성이 누적적으로 개선되는 운영 모델과 결합된다. 2.4 위험 분산과 책임 구조 고객 관점의 위험은 “구매 후 방치되는 자동화 설비”가 아니라, 계약에 따른 성능 보장과 지원 체계로 재구성된다. 반대로 공급자 관점에서는 가동률 저하, 장애 빈발, 현장 적합성 부족이 수익성에 직접 영향을 주므로, 설계 단계부터 운영 데이터와 서비스성을 중시하는 유인이 강화된다. 3. 구성 요소와 RaaS 아키텍처: 로봇-엣지-클라우드-플릿 관리-애플리케이션 3.1 구성 요소(기능 단위) 로봇(현장 단말): 센서·구동계·제어기·전원(배터리)·안전장치 등 물리 구성 엣지(현장 컴퓨팅): 저지연 제어, 임시 저장, 네트워크 단절 대비, 로컬 안전 로직 클라우드(중앙 플랫폼): 데이터 수집·분석, 원격 관제, 모델 학습, 소프트웨어 배포, 자산 관리 플릿 관리(Fleet Management): 다수 로봇의 작업 배정, 경로·충전 최적화, 충돌 방지 정책, 상태 모니터링 업무 시스템 연동: WMS/MES/ERP, 고객 앱, 시설 출입·보안 시스템 등과의 API 연계 서비스 운영(Ops): 설치·교육·SLA·현장 지원, 정비/부품, 보험·규정 준수, 요금 청구 3.2 전형적 RaaS 아키텍처(계층 관점) RaaS 아키텍처는 대체로 “현장 자율성 + 네트워크 기반 확장”의 균형을 목표로 한다. 로봇은 기본적인 안전 동작과 임무 수행을 로컬에서 처리하되, 클라우드는 대규모 데이터 저장, 고도 분석, 다로봇 운영 최적화, 소프트웨어 라이프사이클 관리를 맡는다. 이 구조는 클라우드 로보틱스와 서비스 지향(서비스 등록·발견·호출) 관점의 로봇 서비스화 논의와 연결된다. 3.3 계약·운영 관점의 “아키텍처 구성요소” 기술 계층 외에도 RaaS에서는 운영·상업 요소가 아키텍처에 포함된다. 대표적으로 원격 지원 체계(콜센터/관제), 장애 티켓 시스템, 롤백 가능한 배포 체계, 사용량 측정과 과금, 개인정보·보안 정책, 안전 점검 및 규제 대응 문서화가 서비스 제공의 일부로 취급된다. 4. 기술 요소: 클라우드 로보틱스, 통신·보안, 데이터 파이프라인, 운영 자동화 4.1 클라우드 로보틱스(Cloud Robotics)와 데이터 활용 클라우드 로보틱스 연구는 로봇이 네트워크를 통해 외부의 데이터와 컴퓨팅 자원을 활용하는 방식의 이점을 체계화해 왔다. 대표적으로 대규모 데이터 접근(지도·이미지·경로·객체 데이터), 병렬 계산 자원, 로봇 간 지식 공유, 인간 참여(원격 지원/라벨링/예외 처리) 등이 주요 효과로 정리된다. RaaS는 이러한 클라우드 기반 이점을 “운영 서비스” 형태로 상품화한 모델로 이해할 수 있다. 4.2 엣지-클라우드 분산(Edge-Cloud Continuum) 로봇 서비스는 지연(레이턴시)과 신뢰성이 중요하므로, 모든 기능을 클라우드에 의존하기 어렵다. 따라서 저지연 제어와 안전 로직은 로컬(로봇/엣지)에서 처리하고, 학습·분석·대규모 최적화는 클라우드에서 수행하는 분산 구조가 일반적이다. 최근에는 ROS 2, 컨테이너 기반 배포, 분산 오케스트레이션을 활용해 로봇 소프트웨어를 “서비스 단위”로 배치·관리하려는 연구가 확산되어 왔다. 4.3 플릿 관리: 작업 배정·경로·충전·혼잡 제어 물류 AMR, 청소 로봇, 순찰 로봇처럼 동일 공간에서 다수 로봇이 운용되는 환경에서는 플릿 관리가 서비스 품질과 비용을 좌우한다. 작업 큐 관리, 동적 경로 계획, 충전 스케줄링, 현장 혼잡 제어, 고장 로봇의 격리 및 대체 투입이 핵심 기능으로 다뤄진다. 4.4 관제·원격 지원과 “사람-로봇 협업” 완전한 무인 자율을 전제로 하더라도, 실제 서비스 운영에서는 예외 상황이 발생한다. RaaS 모델은 예외 상황을 처리하기 위한 원격 지원(사람의 개입)을 구조적으로 포함시키는 경향이 있으며, 이는 안전과 가동률을 확보하는 수단으로 기능한다. 4.5 보안·프라이버시·안전(Trust) 기술 RaaS는 로봇이 네트워크에 연결되고 운영 데이터가 축적되는 특성상, 인증·권한관리, 통신 암호화, 로그·감사, 취약점 대응과 패치 관리가 필수적이다. 또한 로봇이 물리 공간에서 사람과 상호작용하므로, 안전 표준 준수, 위험 평가, 사고 발생 시 원인 분석과 개선 배포 체계가 서비스 운영의 핵심 기술 요소로 취급된다. 5. 장단점·역사·적용 분야: 발전 과정과 활용 시나리오 5.1 장점 초기 비용 절감: 구매·감가상각 부담을 낮추고 빠른 도입이 가능 운영 리스크 감소: 유지보수·업데이트·원격지원이 포함되어 실패 비용을 축소 확장 용이: 수요에 따라 로봇 대수와 서비스 범위를 탄력적으로 조정 지속적 성능 개선: 현장 데이터 기반 업데이트로 장기적으로 효율을 개선 성과 중심 계약: SLA/처리량 등 운영지표 중심으로 투자 대비 효과를 관리 5.2 단점 및 위험 벤더 종속(Vendor lock-in): 플랫폼·데이터·운영 프로세스가 특정 공급자에 묶일 수 있음 연결성 의존: 네트워크 장애 시 관제·업데이트·데이터 동기화에 영향 데이터 거버넌스: 영상·위치·작업 데이터의 보관·활용 범위가 민감 이슈가 될 수 있음 총소유비용(TCO) 불확실성: 사용량 증가 시 장기 비용이 구매보다 커질 수 있어 계약 설계가 중요 안전·규제 부담: 현장 환경과 법규에 따라 인증·보험·책임 배분이 복잡해질 수 있음 5.3 History: 개념의 형성과 확장 RaaS는 서비스 지향 아키텍처(SOA)와 클라우드 컴퓨팅 확산기에 “로봇 기능을 서비스 단위로 제공”하려는 논의로 학술적으로 정리되었다. 이후 클라우드 로보틱스 연구가 로봇-네트워크-클라우드 결합의 이점을 체계화하면서, 산업 현장에서는 물류·서비스 로봇을 중심으로 구독형 모델이 빠르게 확산되었다. 최근에는 제조 영역에서도 산업용 로봇을 서비스로 제공하려는 IRaaS 논의가 등장하며, 유연성·사용성·안전·비즈니스 모델의 결합이 주요 과제로 제시된다. 5.4 Applications: 주요 적용 분야 물류·유통: 창고 피킹 보조, 이송, 분류, 재고 순회 등(플릿 운영과 WMS 연동이 핵심) 청소·시설관리: 상업 시설의 바닥 청소, 소독, 유지관리(야간 운용과 안전 구획 관리가 중요) 라스트마일 배송: 캠퍼스·주거 단지·상업 구역에서의 단거리 배송(규제·안전·원격지원이 관건) 보안·순찰: 시설 순찰, 이상 감지, 이벤트 기록(영상·프라이버시·경보 연동 요구가 큼) 헬스케어·돌봄 보조: 병원 물류, 안내, 소독 등 제한된 작업 중심으로 적용 제조·검사: 협동로봇 기반 단순 공정 자동화, 비전 검사, 설비 점검(IRaaS 접근 포함) 건설·인프라: 현장 측량, 위험 구역 निरी/점검, 반복 작업 보조(환경 변화 대응이 핵심) 출처 Formant Glossary, “Robots-as-a-Service (RaaS)”: https://formant.io/resources/glossary/robots-as-a-service/ Formant PDF, “What is Robotics as a Service?”: https://5332591.fs1.hubspotusercontent-na1.net/hubfs/5332591/Assets/Formants%20Guide%20to%20Robotics%20as%20a%20Service.pdf Kehoe et al., “A Survey of Research on Cloud Robotics and Automation” (IEEE T-ASE, PDF): https://goldberg.berkeley.edu/pubs/T-ASE-Cloud-RA-Survey-Paper-Final-2015.pdf Kapitonov et al., “Robot-as-a-Service: From Cloud to Peering Technologies” (Frontiers in Robotics and AI, PMC): https://pmc.ncbi.nlm.nih.gov/articles/PMC8173111/ Chen, Du, Garcia-Acosta, “Robot as a Service in Cloud Computing” (SOSE 2010, DOI 정보/서지): https://www.semanticscholar.org/paper/Robot-as-a-Service-in-Cloud-Computing-Chen-Du/ceffdecc061229877d7417f5f7bbaa784e0d5bec Buerkle et al., “Towards industrial robots as a service (IRaaS): Flexibility, usability, safety and business models” (PDF): https://pure-oai.bham.ac.uk/ws/portalfiles/portal/225338864/1-s2.0-S0736584522001661-main.pdf Mouradian, Yangui, Glitho, “Robots as-a-Service in Cloud Computing: Search and Rescue in Large-scale Disasters Case Study” (arXiv): https://arxiv.org/abs/1710.04919 IFR(International Federation of Robotics), Service robots 정의 및 ISO 용어 참고 자료: https://ifr.org/img/worldrobotics/Definitions_WR_Service_Robots_2021.pdf Zhang et al., “Distributed Robotic Systems in the Edge-Cloud Continuum with ROS 2” (arXiv PDF): https://arxiv.org/pdf/2211.00985  
(Robots-as-a-Service, 서비스형 로봇)’ 모델을 도입해 업계의 주목을 받아왔다.

이번 인수는 전액 주식 교환 방식으로 진행된다. 딜리전트의 주력 모델인 목시 로봇은 현재 미국 내 25개 병원에서 약 100대가 운영 중이다. 목시는 지금까지 누적 125만 건 이상의 배송 업무를 완료했으며, 병원 한 곳당 연간 매출은 약 2억 9천만 원에서 5억 8천만 원(20만~40만 달러) 수준으로 추정된다. 이러한 안정적인 매출 구조는 서브 로보틱스의 수익성 강화에 크게 기여할 것으로 분석된다.

서브와 딜리전트는 자율주행 자율주행
목차 1. 자율주행의 개념 및 분류 2. 자율주행 기술의 역사와 발전 과정 3. 자율주행의 핵심 기술 및 원리 4. 주요 활용 사례 및 응용 분야 5. 현재 동향 및 상용화 수준 6. 자율주행 기술의 미래 전망 및 기대 효과 1. 자율주행의 개념 및 분류 자율주행은 차량이 운전자의 조작 없이 주변 환경을 인지하고, 주행 상황을 판단하며, 스스로 차량을 제어하여 목적지까지 이동하는 기술을 의미한다. 이는 단순한 운전자 보조 시스템을 넘어, 차량 자체의 지능적인 판단과 행동을 통해 안전하고 효율적인 이동을 구현하는 것을 목표로 한다. 자율주행 기술은 그 발전 수준에 따라 국제적으로 표준화된 분류 체계를 따르는데, 이는 미국 자동차 공학회(SAE, Society of Automotive Engineers)에서 정의한 6단계(레벨 0~5) 분류가 가장 널리 사용된다. 1.1. SAE 자율주행 레벨 분류 SAE 분류는 주행 중 운전자의 개입 정도와 시스템이 담당하는 주행 기능의 범위를 기준으로 자율주행 단계를 나눈다. 각 레벨은 다음과 같다. 레벨 0 (자동화 없음, No Automation): 운전자가 모든 주행 기능을 직접 제어하는 단계이다. 차량은 어떠한 자율주행 기능도 제공하지 않는다. 레벨 1 (운전자 보조, Driver Assistance): 특정 주행 모드에서 시스템이 운전자를 보조하는 단계이다. 예를 들어, 어댑티브 크루즈 컨트롤(ACC)이나 차선 유지 보조(LKA) 기능이 이에 해당한다. 운전자는 여전히 주변 환경을 주시하고, 언제든 차량 제어권을 넘겨받을 준비를 해야 한다. 레벨 2 (부분 자동화, Partial Automation): 시스템이 조향과 가감속 등 두 가지 이상의 주행 기능을 동시에 수행하는 단계이다. 테슬라의 오토파일럿이나 현대차의 고속도로 주행 보조(HDA) 등이 대표적이다. 하지만 운전자는 여전히 주행 환경을 모니터링하고, 시스템이 요청하거나 비상 상황 발생 시 즉시 개입해야 한다. 레벨 3 (조건부 자동화, Conditional Automation): 특정 조건 하에서 시스템이 모든 주행 기능을 수행하고 주변 환경을 모니터링하는 단계이다. 운전자는 시스템이 안전하게 작동할 수 있는 특정 조건(예: 고속도로 주행) 내에서는 운전에서 자유로울 수 있다. 그러나 시스템이 주행 불가능 상황을 감지하고 운전자에게 개입을 요청하면, 운전자는 제한된 시간 내에 제어권을 넘겨받아야 한다. 혼다의 레전드와 메르세데스-벤츠의 드라이브 파일럿이 레벨 3 시스템을 상용화한 사례이다. 레벨 4 (고도 자동화, High Automation): 특정 운행 설계 영역(ODD, Operational Design Domain) 내에서 시스템이 모든 주행 기능을 수행하며, 운전자의 개입 없이 비상 상황에도 스스로 대처할 수 있는 단계이다. 운전자는 ODD 내에서는 운전석에 앉아있을 필요조차 없으며, 시스템이 운행 불가능 상황을 감지하더라도 안전하게 차량을 정지시킬 수 있다. 로보택시 서비스 등이 레벨 4를 목표로 개발되고 있다. 레벨 5 (완전 자동화, Full Automation): 모든 도로 조건과 환경에서 시스템이 모든 주행 기능을 수행하는 단계이다. 운전자의 개입이 전혀 필요 없으며, 사실상 운전대나 페달이 없는 차량도 가능해진다. 이는 인간 운전자가 할 수 있는 모든 주행을 시스템이 완벽하게 대체하는 궁극적인 자율주행 단계이다. 2. 자율주행 기술의 역사와 발전 과정 자율주행 기술의 역사는 20세기 중반으로 거슬러 올라간다. 초기에는 주로 군사적 목적이나 자동화된 운송 시스템 연구의 일환으로 시작되었다. 2.1. 초기 연구 및 개념 정립 (1950년대 ~ 1980년대) 1950년대에는 제너럴 모터스(GM)가 '미래의 고속도로(Future Highway)'라는 개념을 제시하며, 도로에 매설된 전선을 통해 차량을 제어하는 아이디어를 선보였다. 이는 오늘날 자율주행의 초기 구상으로 볼 수 있다. 1980년대에는 카네기 멜론 대학교의 ALVINN(Autonomous Land Vehicle In a Neural Network) 프로젝트가 신경망을 이용해 도로를 인식하고 주행하는 연구를 진행하며 인공지능의 가능성을 보여주었다. 2.2. DARPA 챌린지 및 센서 기술 발전 (2000년대) 자율주행 기술 발전에 결정적인 전환점이 된 것은 미국 국방부 산하 방위고등연구계획국(DARPA)이 주최한 'DARPA 그랜드 챌린지'와 '어반 챌린지'이다. 2004년부터 시작된 이 대회들은 무인 차량이 사막이나 도시 환경에서 정해진 코스를 완주하는 것을 목표로 했으며, 라이다(LiDAR), 레이더(Radar), 카메라 등 다양한 센서 기술과 인공지능 기반의 환경 인식 및 경로 계획 기술 발전을 촉진했다. 스탠퍼드 대학교의 '스탠리(Stanley)'와 카네기 멜론 대학교의 '보스(Boss)' 등이 이 대회를 통해 자율주행 기술의 실현 가능성을 입증했다. 2.3. 인공지능 및 빅데이터 도입 (2010년대) 2010년대에 들어서면서 딥러닝을 비롯한 인공지능 기술의 비약적인 발전과 컴퓨팅 파워의 증가는 자율주행 기술 발전에 가속도를 붙였다. 구글(현 웨이모)은 2009년부터 자율주행차 프로젝트를 시작하며 실제 도로 주행 데이터를 대규모로 수집하고, 이를 기반으로 인공지능 알고리즘을 고도화했다. 테슬라는 카메라 기반의 비전 시스템과 인공지능을 활용한 자율주행 기술을 개발하며 상용차에 적용하기 시작했다. 이 시기에는 고정밀 지도 기술과 V2X(Vehicle-to-everything) 통신 기술의 중요성도 부각되었다. 2.4. 상용화 경쟁 심화 (2020년대 이후) 현재는 레벨 2, 3 수준의 자율주행 기능이 상용차에 폭넓게 적용되고 있으며, 레벨 4 수준의 로보택시 서비스가 일부 지역에서 시범 운영되거나 상용화 초기 단계에 진입했다. 웨이모, 크루즈(Cruise), 바이두(Baidu) 등은 특정 지역에서 운전자 없는 로보택시 서비스를 제공하며 기술의 안정성과 신뢰성을 입증하고 있다. 완성차 제조사들은 물론, 엔비디아(NVIDIA), 인텔(Intel) 모빌아이(Mobileye)와 같은 반도체 및 소프트웨어 기업들도 자율주행 시장의 주도권을 잡기 위해 치열하게 경쟁하고 있다. 3. 자율주행의 핵심 기술 및 원리 자율주행 시스템은 크게 주변 환경을 인지하는 센서, 수집된 데이터를 분석하고 판단하는 인공지능, 정확한 위치를 파악하는 고정밀 지도 및 측위 기술, 그리고 차량을 제어하는 제어 시스템으로 구성된다. 이 네 가지 핵심 기술이 유기적으로 결합하여 자율주행을 가능하게 한다. 3.1. 환경 인지 센서 기술 자율주행차는 사람의 눈과 같은 역할을 하는 다양한 센서를 통해 주변 환경을 인식한다. 카메라 (Camera): 차량 주변의 시각 정보를 수집하여 차선, 신호등, 표지판, 보행자, 다른 차량 등을 식별한다. 색상 정보를 얻을 수 있고 비용이 저렴하며 해상도가 높다는 장점이 있지만, 빛의 변화(역광, 터널), 날씨(안개, 비, 눈)에 취약하다는 단점이 있다. 레이더 (Radar): 전파를 발사하여 물체에 반사되어 돌아오는 시간을 측정해 물체와의 거리, 속도, 방향을 감지한다. 날씨 변화에 강하고 장거리 감지에 유리하며, 특히 전방 충돌 방지 시스템(FCW)이나 어댑티브 크루즈 컨트롤(ACC)에 필수적으로 사용된다. 하지만 물체의 형상을 정확히 파악하기 어렵다는 한계가 있다. 라이다 (LiDAR): 레이저 펄스를 발사하여 반사되는 시간을 측정해 주변 환경의 3D 지도를 생성한다. 매우 정밀한 거리 및 형태 정보를 제공하며, 야간에도 뛰어난 성능을 발휘한다. 자율주행차의 '눈' 또는 '뇌'의 핵심 센서로 불리지만, 높은 비용과 날씨에 따른 성능 저하 가능성이 단점으로 지적된다. 초음파 센서 (Ultrasonic Sensor): 주로 근거리 물체 감지에 사용되며, 주차 보조 시스템이나 저속 주행 시 장애물 감지에 활용된다. 3.2. 인공지능 및 머신러닝 다양한 센서에서 수집된 방대한 데이터는 인공지능(AI)과 머신러닝(ML) 알고리즘을 통해 분석되고 해석된다. 이는 자율주행차의 '뇌' 역할을 한다. 데이터 융합 (Sensor Fusion): 각 센서의 장단점을 보완하기 위해 여러 센서에서 얻은 데이터를 통합하여 보다 정확하고 신뢰성 있는 환경 모델을 구축한다. 예를 들어, 카메라의 시각 정보와 라이다의 3D 거리 정보를 결합하여 물체의 종류와 위치를 더욱 정확하게 파악한다. 객체 인식 및 분류 (Object Detection & Classification): 딥러닝 기반의 컴퓨터 비전 기술을 활용하여 이미지 및 3D 포인트 클라우드 데이터에서 차량, 보행자, 자전거, 차선, 신호등 등을 실시간으로 감지하고 분류한다. 경로 계획 및 의사 결정 (Path Planning & Decision Making): 인식된 환경 정보와 고정밀 지도를 바탕으로 안전하고 효율적인 주행 경로를 계획한다. 이는 예측 알고리즘을 통해 다른 차량이나 보행자의 움직임을 예측하고, 이에 따라 차선 변경, 속도 조절, 정지 등의 의사결정을 내리는 과정을 포함한다. 강화 학습(Reinforcement Learning)과 같은 고급 AI 기술이 활용되기도 한다. 3.3. 고정밀 지도 및 측위 기술 자율주행차는 정확한 위치 파악과 주변 환경에 대한 상세한 정보를 위해 고정밀 지도(HD Map)와 정밀 측위 기술을 필요로 한다. 고정밀 지도 (HD Map): 일반 내비게이션 지도보다 훨씬 정밀한 정보를 제공한다. 차선 정보, 도로 경계, 신호등 위치, 표지판, 노면 표시, 심지어 가로수나 건물과 같은 주변 지형지물까지 센티미터 단위의 정확도로 포함한다. 이는 센서의 한계를 보완하고, 차량이 현재 위치를 정확히 파악하며, 미리 경로를 계획하는 데 필수적이다. 정밀 측위 (Precise Positioning): GPS(GNSS) 신호와 함께 IMU(관성 측정 장치), 휠 속도 센서, 카메라, 라이다 등 다양한 센서 데이터를 융합하여 차량의 정확한 위치를 실시간으로 파악한다. 특히 RTK(Real-Time Kinematic) GPS나 PPP(Precise Point Positioning)와 같은 기술은 GPS 오차를 보정하여 수 센티미터 수준의 정밀한 위치 정보를 제공한다. 3.4. 제어 시스템 (Drive-by-Wire) 자율주행 시스템의 판단과 계획에 따라 차량을 실제로 움직이는 것이 제어 시스템이다. 이는 'Drive-by-Wire' 기술을 기반으로 한다. 전자식 제어 (Electronic Control): 기존의 기계식 연결(스티어링 휠과 바퀴, 브레이크 페달과 브레이크 등)을 전기 신호로 대체하는 기술이다. 스티어 바이 와이어(Steer-by-Wire), 브레이크 바이 와이어(Brake-by-Wire), 스로틀 바이 와이어(Throttle-by-Wire) 등이 이에 해당한다. 이를 통해 자율주행 시스템이 차량의 조향, 가속, 제동을 정밀하게 제어할 수 있게 된다. 차량 동역학 제어 (Vehicle Dynamics Control): 차량의 안정성과 승차감을 유지하면서 경로를 정확하게 추종하도록 제어한다. 이는 속도 제어, 차선 유지 제어, 장애물 회피 제어 등 다양한 하위 제어 알고리즘을 포함한다. 4. 주요 활용 사례 및 응용 분야 자율주행 기술은 단순히 개인 승용차를 넘어 다양한 운송 및 물류 분야에서 혁신적인 변화를 가져오고 있다. 4.1. 승용차 및 대중교통 개인 승용차: 현재 레벨 2 수준의 자율주행 기능(고속도로 주행 보조, 차선 변경 보조 등)이 고급차종을 중심으로 보편화되고 있으며, 테슬라와 같은 일부 제조사는 레벨 3에 준하는 기능을 제공하며 운전자의 편의성을 높이고 있다. 미래에는 완전 자율주행 승용차가 보편화되어 운전자가 운전에서 완전히 해방되는 시대를 열 것으로 기대된다. 로보택시 (Robotaxi): 레벨 4 수준의 자율주행 기술을 기반으로 운전자 없이 승객을 운송하는 서비스이다. 웨이모(Waymo), 크루즈(Cruise), 바이두(Baidu) 등은 미국 피닉스, 샌프란시스코, 중국 베이징 등 일부 도시에서 로보택시 서비스를 상용화하거나 시범 운영하고 있다. 이는 대중교통의 효율성을 높이고, 이동 약자의 접근성을 개선하며, 교통 체증 및 주차 문제 해결에 기여할 것으로 보인다. 자율주행 셔틀: 특정 구간을 정기적으로 운행하는 자율주행 셔틀버스도 상용화되고 있다. 공항, 대학 캠퍼스, 산업 단지, 신도시 등에서 고정된 노선을 운행하며 대중교통의 보조적인 역할을 수행한다. 국내에서도 세종시, 순천만국가정원 등에서 자율주행 셔틀이 운영된 바 있다. 4.2. 물류 및 배송 자율주행 트럭: 장거리 운송에 특화된 자율주행 트럭은 물류 비용 절감, 운전자 피로도 감소, 운행 시간 증대 등의 이점을 제공한다. 투심플(TuSimple), 오로라(Aurora) 등은 고속도로를 중심으로 자율주행 트럭 운송 서비스를 개발 및 시범 운영하고 있다. 배송 로봇: 라스트마일(Last-mile) 배송에 활용되는 자율주행 배송 로봇은 도심이나 아파트 단지 내에서 소규모 물품을 배송한다. 이는 인력난 해소와 배송 효율성 증대에 기여하며, 국내에서도 우아한형제들의 '딜리'와 같은 배송 로봇이 시범 운영되고 있다. 4.3. 기타 운송수단 철도: 지하철, 경전철 등 도시 철도 시스템에서는 이미 높은 수준의 무인 운전 시스템이 적용되고 있다. 이는 정시성 확보와 운영 효율성 증대에 크게 기여한다. 항공기: 항공기는 이륙 및 착륙 시 조종사의 개입이 필요하지만, 순항 비행 중에는 오토파일럿 시스템을 통해 상당 부분 자율 비행이 이루어진다. 미래에는 완전 자율 비행 항공기 및 드론 택시(UAM) 개발이 활발히 진행될 것으로 예상된다. 선박: 자율운항 선박은 항해 중 충돌 회피, 경로 최적화, 연료 효율 증대 등을 목표로 개발되고 있다. 현대중공업그룹의 아비커스(Avikus)는 대형 선박의 자율운항 솔루션을 개발하며 상용화를 추진 중이다. 5. 현재 동향 및 상용화 수준 현재 자율주행 기술은 빠른 속도로 발전하며 상용화 단계를 밟고 있으나, 완전 자율주행(레벨 5)에 도달하기까지는 여전히 많은 과제가 남아있다. 5.1. 상용화 현황 및 주요 기업 경쟁 현재 시장에서는 레벨 2 수준의 자율주행 기능이 보편화되어 신차 구매 시 쉽게 접할 수 있다. 고속도로 주행 보조(HDA), 차선 유지 보조(LKA), 어댑티브 크루즈 컨트롤(ACC) 등이 대표적이다. 레벨 3 자율주행은 특정 조건(예: 고속도로 정체 구간)에서 운전자의 개입 없이 주행이 가능한 수준으로, 메르세데스-벤츠의 '드라이브 파일럿'과 혼다의 '레전드'가 일본과 독일 등 일부 국가에서 상용화되었다. 레벨 4 자율주행은 특정 운행 설계 영역(ODD) 내에서 운전자 개입 없이 완전 자율주행이 가능한 단계로, 웨이모(Waymo)와 크루즈(Cruise)가 미국 피닉스, 샌프란시스코 등에서 로보택시 서비스를 운영하며 선두를 달리고 있다. 중국에서는 바이두(Baidu)의 아폴로(Apollo)가 우한, 충칭 등에서 로보택시를 운영 중이다. 주요 완성차 제조사들은 물론, 구글 웨이모, GM 크루즈, 바이두, 그리고 엔비디아, 인텔 모빌아이와 같은 기술 기업들이 자율주행 소프트웨어 및 하드웨어 개발에 막대한 투자를 하며 치열한 경쟁을 벌이고 있다. 특히 소프트웨어 정의 차량(SDV)으로의 전환이 가속화되면서, 자율주행 기술은 차량의 핵심 경쟁력으로 부상하고 있다. 5.2. 기술적 도전 과제 자율주행 기술의 완전한 상용화를 위해서는 여전히 해결해야 할 기술적 난제들이 많다. 악천후 및 비정형 환경 대응: 폭우, 폭설, 짙은 안개 등 악천후 상황에서는 센서의 인지 능력이 크게 저하될 수 있다. 또한, 공사 구간, 비포장도로, 예측 불가능한 보행자 행동 등 비정형적인 주행 환경에서의 안정적인 대응 능력 확보가 중요하다. 엣지 케이스 (Edge Cases) 처리: 일반적이지 않고 드물게 발생하는 '엣지 케이스' 상황(예: 도로 위의 특이한 물체, 비정상적인 교통 흐름)에 대한 시스템의 판단 및 대응 능력 강화가 필요하다. 이를 위해 방대한 양의 실제 주행 데이터와 시뮬레이션 데이터를 활용한 학습이 필수적이다. 사이버 보안: 자율주행차는 외부 네트워크에 연결되어 해킹의 위협에 노출될 수 있다. 차량 제어 시스템에 대한 사이버 공격은 심각한 안전 문제를 야기할 수 있으므로, 강력한 보안 시스템 구축이 필수적이다. 높은 컴퓨팅 파워 및 전력 소모: 복잡한 인공지능 알고리즘과 수많은 센서 데이터를 실시간으로 처리하기 위해서는 고성능 컴퓨팅 하드웨어가 필요하며, 이는 차량의 전력 소모를 증가시키는 요인이 된다. 5.3. 법적 및 윤리적 도전 과제 기술 발전과 더불어 법적, 윤리적 문제 또한 자율주행 상용화의 중요한 걸림돌로 작용하고 있다. 사고 책임 소재: 자율주행차 사고 발생 시 책임 소재를 누구에게 물을 것인가(운전자, 제조사, 소프트웨어 개발사 등)에 대한 명확한 법적 기준이 아직 정립되지 않았다. 이는 기술 개발 및 보험 제도에 큰 영향을 미친다. 규제 및 표준화: 각국 정부는 자율주행차의 안전성 확보를 위한 규제 프레임워크를 마련하고 있으며, 국제적인 표준화 노력도 진행 중이다. 하지만 기술 발전 속도에 맞춰 법규를 정비하는 것이 쉽지 않다. 윤리적 딜레마 (Trolley Problem): 피할 수 없는 사고 상황에서 자율주행차가 누구의 생명을 우선시해야 하는가와 같은 윤리적 딜레마는 사회적 합의가 필요한 부분이다. 예를 들어, 보행자와 탑승자 중 누구를 보호할 것인가와 같은 문제는 시스템 설계에 있어 중요한 고려 사항이다. 데이터 프라이버시: 자율주행차는 운전자의 이동 경로, 습관 등 민감한 개인 정보를 수집할 수 있다. 이러한 데이터의 수집, 저장, 활용에 대한 투명성과 보안성 확보가 중요하다. 6. 자율주행 기술의 미래 전망 및 기대 효과 자율주행 기술은 미래 사회의 모습을 근본적으로 변화시킬 잠재력을 가지고 있으며, 다양한 분야에서 혁신적인 기대 효과를 가져올 것으로 전망된다. 6.1. 미래 사회 변화 예측 교통 시스템의 혁신: 완전 자율주행 시대가 도래하면 교통 체증이 크게 감소하고, 교통 흐름이 최적화될 것이다. 차량 간 통신(V2V)과 인프라 통신(V2I)을 통해 도로 위의 모든 차량이 유기적으로 연결되어 효율적인 운행이 가능해진다. 또한, 주차 공간 활용의 효율성이 증대되고, 개인 차량 소유의 필요성이 줄어들며 공유 모빌리티 서비스가 더욱 활성화될 수 있다. 도시 계획 및 인프라 변화: 자율주행차에 최적화된 스마트 도시 인프라가 구축될 것이다. 이는 도로 설계, 신호 체계, 주차 공간 등 도시 전반의 변화를 유도하며, 대중교통 시스템과의 연계를 통해 도시 이동성을 극대화할 수 있다. 경제 및 고용 시장 영향: 물류 및 운송 산업의 효율성이 극대화되어 비용 절감 효과가 발생할 것이다. 새로운 모빌리티 서비스 시장이 창출되고 관련 산업이 성장할 것으로 예상된다. 반면, 전문 운전자 직업(택시, 트럭, 버스 기사 등)의 감소 가능성도 제기되어, 이에 대한 사회적 대비가 필요하다. 개인의 삶의 질 향상: 운전으로부터 자유로워진 시간은 개인의 생산성 향상이나 여가 활동에 활용될 수 있다. 이동 약자(노약자, 장애인)의 이동권이 크게 확대되며, 교통사고 감소로 인한 사회적 비용 절감 및 생명 보호 효과도 기대된다. 6.2. 완전 자율주행 시대의 도래 시점 및 과제 전문가들은 레벨 5 완전 자율주행의 상용화 시점에 대해 다양한 예측을 내놓고 있다. 일부는 2030년대 중반 이후로 예상하며, 기술적 난제와 사회적 합의가 필요함을 강조한다. 특히, 모든 기상 조건과 모든 도로 환경에서 인간 운전자를 능가하는 안전성을 확보하는 것이 가장 큰 과제이다. 또한, 앞서 언급된 기술적, 법적, 윤리적 과제들을 해결하기 위한 지속적인 연구 개발과 국제적인 협력, 그리고 사회적 논의가 필수적이다. 특히, 자율주행 시스템의 투명성과 신뢰성을 확보하고, 사고 발생 시 책임 소재를 명확히 하며, 윤리적 기준을 수립하는 것이 중요하다. 6.3. 윤리적 논의의 중요성 자율주행 기술은 단순한 공학적 문제를 넘어 사회 전체의 가치관과 윤리적 판단에 영향을 미친다. '트롤리 딜레마'와 같은 극단적인 상황뿐만 아니라, 시스템의 편향성, 데이터 프라이버시, 인간과 기계의 상호작용 방식 등 다양한 윤리적 질문에 대한 답을 찾아야 한다. 기술 개발 단계부터 사회 각계각층의 참여를 통해 윤리적 가이드라인을 수립하고, 기술이 인간의 존엄성과 안전을 최우선으로 하도록 설계하는 노력이 지속되어야 할 것이다. 자율주행 기술은 인류에게 전례 없는 이동의 자유와 편의를 제공할 잠재력을 가지고 있다. 기술의 발전과 함께 사회적 합의와 제도적 정비가 조화를 이룰 때, 우리는 비로소 안전하고 지속 가능한 자율주행 시대를 맞이할 수 있을 것이다. 참고 문헌 SAE International. (2021). J3016_202104: Taxonomy and Definitions for Terms Related to Driving Automation Systems for On-Road Motor Vehicles. National Highway Traffic Safety Administration (NHTSA). (2022). Automated Vehicles for Safety. Retrieved from https://www.nhtsa.gov/technology-innovation/automated-vehicles-safety Mercedes-Benz. (2023). DRIVE PILOT. Retrieved from https://www.mercedes-benz.com/en/innovation/drive-pilot/ Carnegie Mellon University. (n.d.). ALVINN. Retrieved from https://www.cs.cmu.edu/~tjochem/alvinn/alvinn.html DARPA. (n.d.). Grand Challenge. Retrieved from https://www.darpa.mil/about-us/timeline/grand-challenge Waymo. (n.d.). Our history. Retrieved from https://waymo.com/journey/ Cruise. (2023). Cruise Origin. Retrieved from https://www.getcruise.com/origin/ Mobileye. (2023). Mobileye SuperVision™ and Mobileye Chauffeur™. Retrieved from https://www.mobileye.com/our-technology/mobileye-supervision-and-mobileye-chauffeur/ Kim, J. H., & Kim, J. H. (2022). A Review of Sensor Fusion Techniques for Autonomous Driving. Journal of Advanced Transportation, 2022. Chen, X., et al. (2023). Deep Learning for Autonomous Driving: A Survey. IEEE Transactions on Intelligent Transportation Systems, 24(1), 1-20. Jo, K., et al. (2022). High-Definition Map Generation and Localization for Autonomous Driving: A Survey. Sensors, 22(1), 321. Guldner, S., et al. (2021). Drive-by-Wire Systems for Autonomous Vehicles: A Review. SAE Technical Paper, 2021-01-0863. Tesla. (n.d.). Autopilot and Full Self-Driving Capability. Retrieved from https://www.tesla.com/autopilot Baidu Apollo. (n.d.). Robotaxi. Retrieved from https://apollo.baidu.com/robotaxi 국토교통부. (2023). 자율주행 셔틀 서비스 확대. TuSimple. (n.d.). Autonomous Freight Network. Retrieved from https://www.tusimple.com/technology/autonomous-freight-network 우아한형제들. (n.d.). 배달의민족 자율주행 로봇 '딜리'. Retrieved from https://www.woowahan.com/tech/robot-delivery Siemens Mobility. (n.d.). Automated Train Operation. Retrieved from https://www.siemens.com/global/en/products/mobility/rail-solutions/automation/automated-train-operation.html Airbus. (n.d.). Urban Air Mobility. Retrieved from https://www.airbus.com/en/innovation/future-mobility/urban-air-mobility Avikus. (n.d.). Autonomous Navigation. Retrieved from https://www.avikus.ai/technology/autonomous-navigation Honda. (2021). Honda SENSING Elite. Retrieved from https://global.honda/newsroom/news/2021/4210304eng.html Deloitte. (2023). The future of mobility: Autonomous vehicles. Retrieved from https://www2.deloitte.com/us/en/pages/manufacturing/articles/future-of-mobility-autonomous-vehicles.html Badue, C., et al. (2021). Self-Driving Cars: A Survey. Expert Systems with Applications, 165, 113812. European Union Agency for Cybersecurity (ENISA). (2022). Cybersecurity of Autonomous Vehicles. Retrieved from https://www.enisa.europa.eu/publications/cybersecurity-of-autonomous-vehicles Fagnant, D. J., & Kockelman, K. (2021). Preparing a Nation for Autonomous Vehicles: Opportunities, Barriers and Policy Recommendations. Transportation Research Part A: Policy and Practice, 144, 1-14. Bonnefon, J. F., et al. (2016). The social dilemma of autonomous vehicles. Science, 352(6293), 1573-1576. McKinsey & Company. (2023). Autonomous driving: The path to adoption. Retrieved from https://www.mckinsey.com/industries/automotive-and-assembly/our-insights/autonomous-driving-the-path-to-adoption KPMG. (2022). Autonomous Vehicles Readiness Index. Retrieved from https://kpmg.com/xx/en/home/insights/2022/07/autonomous-vehicles-readiness-index.html Gartner. (2023). Hype Cycle for Automotive and Smart Mobility.  
및 인공지능(AI) 플랫폼을 공유하게 되며, 이를 통해 실외 도심 환경뿐만 아니라 실내 공간까지 아우르는 플랫폼 확장이 가능해졌다. 특히 병원이라는 복잡하고 변수가 많은 실내 환경에서 축적된 운영 데이터는 양사 로봇의 학습 능력과 확장 속도를 비약적으로 높일 것으로 기대된다. 이는 자율주행 기술의 정밀도와 고도화에 핵심적인 역할을 할 것이다.

서브 로보틱스는 이번 인수를 발판으로 헬스케어 분야에 진출하며, 병원 외에도 다양한 복합 실내 환경에서의 로봇 응용 가능성을 확대할 계획이다. 이는 수익성 개선과 함께 재무적 안정성을 강화할 수 있는 중요한 기회를 제공한다. 딜리전트가 보유한 높은 매출 효율성은 서브의 비즈니스 모델을 다변화하는 데에도 긍정적인 영향을 미칠 전망이다.

서브 로보틱스는 이번 인수를 통해 단순한 실외 배달 로봇 회사를 넘어 ‘피지컬 AI 피지컬 AI
1. 피지컬 AI란 무엇인가 피지컬 AI(Physical AI)는 인공지능이 디지털 영역을 넘어 물리적 시스템과 결합해 실제 세계에서 스스로 인식, 판단, 행동할 수 있는 기술입니다. 기존 AI는 텍스트나 이미지 같은 디지털 데이터 분석에 머물렀다면, 피지컬 AI는 센서와 로봇 같은 “몸”을 갖고 현실 환경을 이해하고 직접 행동합니다. 2. 피지컬 AI의 핵심 구성 요소 피지컬 AI는 크게 세 가지 요소로 구성됩니다: (1) 센서 기반의 인지, (2) 데이터 기반의 판단, (3) 물리적 세계로의 행동. 센서는 카메라, LiDAR, 음향 센서 등으로 환경 정보를 수집하고, 판단 단계에서는 AI가 어떤 행동을 할지 결정합니다. 행동 단계에서는 액추에이터로 실제 물리적인 작업을 수행합니다. 3. 피지컬 AI의 작동 원리 피지컬 AI는 현실 세계를 실시간으로 분석하고 그에 맞는 행동을 수행하는 루프를 지속적으로 수행합니다. 이 과정은 ‘인지 → 판단 → 행동 → 학습’이라는 순환 구조로 진행되며, 실제 환경에서의 상호작용 경험을 통해 스스로 개선됩니다. 4. 합성 데이터가 피지컬 AI에 중요한 이유 실제 환경 데이터를 충분히 수집하는 것은 비용과 안전 이슈 때문에 매우 어렵습니다. 따라서 합성 데이터는 물리 기반 시뮬레이션을 통해 다양하고 위험이 없는 상황을 생성해 학습에 사용됩니다. 이는 현실에서 발생하기 어려운 상황도 모델이 경험하게 해 주며, 초기 학습 효율을 크게 높입니다. 5. 강화 학습이 피지컬 AI에서 하는 역할 피지컬 AI는 환경과 상호작용하면서 보상 기반으로 학습하는 강화 학습을 활용합니다. 강화 학습은 로봇이 스스로 시행착오를 통해 최적 행동을 찾도록 돕고, 이를 통해 복잡한 움직임 제어나 동적 상황 대응 능력을 기릅니다. 이 학습 방식은 시뮬레이션 환경에서 특히 효과적입니다. 6. 피지컬 AI를 시작하려면 어떻게 해야 하나 피지컬 AI를 적용하거나 개발하려면 다음과 같은 단계가 필요합니다: 센서 및 로봇 플랫폼 선택 시뮬레이션 기반 환경 구축 합성 및 실제 데이터를 활용한 모델 학습 강화 학습 및 반복적 개선 초기에는 로봇 시뮬레이터와 오픈소스 도구들을 활용해 작은 시나리오부터 테스트해 보는 것이 좋습니다.   NVIDIA Glossary: What is Physical AI? — https://www.nvidia.com/en-us/glossary/generative-physical-ai/ NVIDIA Deloitte: AI goes physical — https://www.deloitte.com/us/en/insights/topics/technology-management/tech-trends/2026/physical-ai-humanoid-robots.html Deloitte Superb AI Blog: 피지컬 AI 기술 구조 — https://blog-ko.superb-ai.com/physical-ai-deep-dive/ 슈퍼브 블로그 AWS Blog: Physical AI in practice — https://aws.amazon.com/blogs/machine-learning/physical-ai-in-practice-technical-foundations-that-fuel-human-machine-interactions/ Amazon Web Services, Inc. HCLTech Trends: Physical AI and real-world intelligence — https://www.hcltech.com/ja-jp/trends-and-insights/physical-ai-and-the-new-age-of-real-world-intelligence/ HCLTech Additional overview on Physical AI definition — https://www.kim2kie.com/res/html/0_formula/00%20AI/Physical%20AI.html Kim2kie  
(Physical AI, 물리적 환경과 상호작용하는 인공지능)’ 플랫폼 기업으로의 진화를 목표로 하고 있다. RaaS 모델의 확산과 함께 병원 및 기타 산업군에서 로봇 도입 속도는 더욱 빨라질 것으로 예상된다. 이는 로봇 산업 전반에 큰 변화를 예고하고 있으며, 서브의 전략적 방향성에 업계의 관심이 쏠리고 있다.

서브 로보틱스 관계자는 “양사는 사람 사이를 자율적으로 이동하는 로봇이라는 비전을 공유한다”라고 강조했다. 서브 로보틱스의 딜리전트 로보틱스 인수는 기술적·사업적 시너지를 통해 자율 로봇 플랫폼의 영역을 실외 인도 배달에서 실내 헬스케어까지 확장하는 전략적 전환점이다.