국가미션 임무중심 피지컬 AI는 “AI가 탑재된 로봇”의 확장판이 아니다. 국가가 달성해야 할 공공적 결과를 기계판독 가능한 임무계약으로 바꾸고, 복수의 체화형 에이전트가 인간의 권한 아래 현실에 개입하며, 안전·책임·회복탄력성·데이터 주권을 증거로 남기는 사회기술적 시스템이다.
중요한 전제가 있다. 현재 학계에는 아직 “국가미션 임무중심 피지컬 AI”라는 합의된 고유 연구분야가 확립되어 있지 않다. 이 글은 2025년 1월부터 2026년 9월 15일까지의 피지컬 AI, Embodied AI, Vision–Language–Action(VLA), 로봇 파운데이션 모델, 다중로봇 임무계획, 안전보증 연구의 공통 흐름을 Mission-Oriented Physical AI(MPAI)라는 제안적 프레임워크로 재구성한다.
피지컬 AI에서 임무중심 피지컬 AI로
지각–추론–월드모델–상호작용의 폐루프에 공공목적, 법·권한, 인간 지휘, 안전보증, 주권적 운영을 추가해야 국가미션 수준의 시스템이 된다.
감각·물리추론·미래예측·행동이 닫힌 고리를 이룬다
Source fact최근 연구에서 피지컬 AI는 단순히 AI가 탑재된 로봇을 뜻하지 않는다. 감각으로 물리세계를 관찰하고, 물체의 성질과 인과관계를 추론하고, 미래를 예측한 뒤 행동하고, 그 결과에서 다시 학습하는 폐루프형 지능 시스템을 뜻한다.
Xiang 등은 이를 물리적 지각 → 물리 추론 → 월드모델 → 체화된 상호작용의 발전경로로 체계화하며 이미지 패턴 인식과 질량·마찰·충돌·변형·인과관계 이해를 구분한다. Wu 등은 Physics-Informed AI, Generative Physical AI, Embodied AI라는 세 영역의 결합으로 분류한다.
Capability-centric에서 outcome-, constraint-, assurance-centric으로
MPAI의 제안적 정의는 다음과 같다.
국가미션의 범위는 국방만이 아니다. 재난 대응과 국민 생명 보호, 국방·국경·해양 안전, 원전·철도·교량·전력망 유지, 감염병·응급의료·고령사회 대응, 우주·극지·심해 탐사, 식량·에너지·물류 안보, 제조·공급망 회복탄력성을 모두 포함한다.
언어에서 행동으로가 아니라 공공목적에서 검증 가능한 성과로
전통적 산업로봇은 구조화된 환경에서 미리 작성된 동작을 반복했다. 반면 산불, 붕괴건물, 원전 손상, 우주표면, 다수사상자 상황은 사전에 완전히 모델링할 수 없다. 2025년 이후 연구는 LLM·VLM·VLA와 월드모델을 로봇에 결합해 이 간극을 줄이고 있다.
그러나 국가미션에서는 범용성이 충분조건이 아니다. 명령 자체가 위험하거나 권한 밖인지, 장기행동의 누적위험을 어떻게 계산하는지, 센서가 오염되거나 통신이 끊길 때 안전하게 대처하는지, 판단근거를 지휘관과 규제기관에 설명할 수 있는지, 업데이트 이후 기존 안전성이 유지되는지, 일부 로봇이 실패해도 임무를 재구성하는지가 중요하다.
피지컬 AI의 다음 단계는 “언어 → 행동”이 아니라 “공공목적 → 검증 가능한 임무성과”의 변환이다.
과업이 아니라 임무를 기계가 읽게 한다
“밸브를 잠근다”는 task지만 “유해물질 확산을 차단하면서 인명피해를 최소화한다”는 mission이다. 목표, 환경, 권한, 위험, 시간, 증거를 한 계약으로 묶어야 한다.
목표·환경·행위자·권한·제약·위험·시간·증거
G · Goal & Public Value
임무목표와 보호해야 할 공공가치를 표현한다.
E · Environment
동적이고 부분관측인 현실환경을 표현한다.
A · Actors
로봇, 드론, 센서, 인간 지휘자를 포함한다.
H · Authority
권한·책임·지휘구조를 명시한다.
C · Constraints
법률·윤리·안전·자원 제약을 표현한다.
R · Risk
고장·적대행위·복합위협의 threat model이다.
T · Time
지연·통신·시간제약을 포함한다.
V · Verifiable Evidence
임무수행을 사후에 재구성하고 감사할 증거다.
안전은 보상과 교환할 수 없는 hard constraint다
핵심은 생명·법률·권한 제약을 평균 보상의 한 항으로 상쇄하지 않는 것이다. “더 많은 사람을 구조했으므로 금지구역 침범을 상쇄한다”는 계산은 국가임무에서 허용되기 어렵다. hard constraint 또는 사전식 우선순위가 필요하다.
MPAI를 구성하는 아홉 개의 핵심개념
| 개념 | 의미 | 국가미션에서의 역할 |
|---|---|---|
| 임무계약 | 목표, 금지행동, 우선순위, 종료·중단 조건의 기계판독 표현 | 지시의 모호성과 임무표류 방지 |
| 물리적 기반성 | 언어·영상 개념을 위치, 힘, 재료, 위험 등 실제 상태와 연결 | 환각이 물리행동으로 전환되는 것을 차단 |
| 월드모델 | 행동에 따른 미래상태와 불확실성 예측 | 행동 전 모의실험과 위험 비교 |
| 계층적 임무계획 | 전략목표를 임무–과업–행동으로 분해 | 복잡한 국가목표를 실행단위로 변환 |
| 이질적 다중에이전트 | UAV·UGV·수중로봇·고정센서의 협력 | 개별 플랫폼의 한계를 팀 능력으로 보완 |
| 보증된 자율성 | 행동근거, 안전성, 규정준수를 증거로 제시 | 인증·규제·사후감사 가능성 확보 |
| 인간의 의미 있는 통제 | 승인·감독·개입·중단 권한을 상황별 배분 | 책임공백과 자동화 편향 방지 |
| 회복탄력성 | 고장·공격·통신두절 후 안전한 성능저하와 복구 | 정상조건 정확도보다 임무 지속성 확보 |
| 주권적 운영 | 데이터·모델·컴퓨팅·업데이트 공급망 통제 | 해외 클라우드·폐쇄형 모델 의존 위험 완화 |
Gupta 등의 2025년 연구는 복합임무를 계층 tree로 분해하고 로봇의 능력과 제약에 따라 스케줄링한다. 이는 임무계약을 실행계획으로 변환하는 초기 형태로 볼 수 있다.
국가문제는 결국 물리적 행위로 완결된다
재난현장 접근, 환자 탐색, 전력설비 점검, 오염원 차단, 우주·해양 장비 유지처럼 중요한 국가문제는 디지털 공간에서 끝나지 않는다. 희소 전문인력과 위험노출을 고려하면 목표는 인간 제거가 아니라 다음 곱셈관계에 가깝다.
인간은 목적·가치·예외판단을 담당하고 기계는 위험지역 접근, 반복관측, 대규모 탐색, 정밀조작을 담당한다. 규칙 기반 자율성은 모든 예외를 미리 열거할 수 없다는 한계가 있고, 최근 드론 비상착륙 연구는 VLM으로 상황별 착륙장소를 판단하는 적응적 복구 가능성을 보여주지만 아직 시뮬레이션 중심이다.
따라서 국가미션의 평가는 평균성공률보다 최악조건, 희귀사건, 실패탐지, 안전한 중단에 더 큰 비중을 둬야 한다.
평균성능이 숨기는 여덟 개의 실패면
국가미션에서는 “대부분 잘한다”가 충분하지 않다. 물리적 인과, 개방세계 일반화, 안전행동, sim-to-real, 실시간성, 사이버공격, 지속학습, 거버넌스가 모두 임무 실패로 연결될 수 있다.
지능·물리·운영·거버넌스가 동시에 깨질 수 있다
- 상관관계 학습과 물리적 인과의 간극. 장면 묘사는 잘해도 마찰·질량·재료강도·충돌·장기동역학·반사실 추론은 취약할 수 있다.
- 개방세계 일반화. 훈련에 없던 장비, 날씨, 언어표현, 시점, 장애물에서 VLA가 피상적 패턴에 의존할 수 있다. VLA-Arena는 암기 중심 행동, 피상적 시각인식, 안전제약 무시를 보고한다.
- 위험 인식과 안전행동의 불일치. AGENTSAFE는 hazard를 언어적으로 식별해도 안전한 planning과 execution으로 이어지지 않는 실패를 보고한다.
- Sim-to-Real 간극. 센서노이즈, 마모, 통신지연, 인간행동을 simulation이 완전히 재현하지 못한다. Space Robotics Bench는 일반화와 현실이전을 핵심난제로 둔다.
- 실시간·온디바이스 제약. VLA의 배치 가능성은 정확도뿐 아니라 latency, memory, power에 의해 결정되며 전력제약에서 성능저하가 비선형일 수 있다.
- 통신단절과 사이버–물리 공격. spoofing, adversarial visual pattern, command injection, sensor tampering, supply-chain attack, update compromise가 물리적 피해로 이어질 수 있다.
- 지속학습과 검증의 충돌. 현장에서 학습하지 않으면 적응하기 어렵지만 모델이 바뀌면 기존 안전인증 근거가 약해질 수 있다.
- 거버넌스의 실행 가능성. 생애주기 거버넌스 원칙을 software requirement, test procedure, operational authority로 변환해야 한다.
피지컬 AI 안전성은 최종 task success가 아니라 perception–planning–execution 전 과정에서 검사되어야 한다.
연구질문은 로봇 정확도보다 임무신뢰도를 겨냥해야 한다
기계판독 mission, physical grounding, runtime assurance, human authority, collective reliability, adversarial robustness, sovereignty, mission value를 하나의 연구프로그램으로 묶는다.
MPAI를 위한 9개의 연구질문
하나의 거대모델이 아니라 검증 가능한 계층 구조
foundation model의 유연성은 유지하되 mission, deliberation, skill, safety, assurance를 분리한다. 행동권한은 생성모델에 직접 주지 않고 검증 제어기와 독립 safety plane을 거치게 한다.
Mission → Deliberative → Skill, 그리고 독립 Safety/Assurance
LLM은 복합임무의 의미적 분해에 유용하지만 최종 actuator command는 형식검증·제약최적화·안전제어기를 통과해야 한다. 지능과 권한을 분리하는 구조가 핵심이다.
유연한 의미이해와 예측 가능한 제어를 분업한다
- 파운데이션 모델은 개방어휘 이해와 일반화를 담당한다.
- 지식그래프와 규칙은 법률, 장비관계, 절차를 표현한다.
- 물리모델은 동역학과 반사실 예측을 담당한다.
- 검증 제어기는 충돌·힘·속도·접근금지 제약을 보장한다.
하나의 미래가 아니라 가능한 미래의 분포를 예측한다
위험도가 임계값을 넘으면 행동을 거부하거나 추가관측을 요구해야 한다. 2026년 월드모델 조사도 uncertainty representation과 control의 결합을 피지컬 AI의 핵심문제로 제시한다.
로봇 simulator를 넘어 조직·위험·공격까지 포함한다
National Mission Digital Twin은 지형·시설·기상·군중, 로봇·통신·에너지 상태, 위험확산 모델, 조직별 권한과 대응절차, 사이버공격과 장비고장, 실제사건의 희귀시나리오를 함께 포함해야 한다. 학습용·평가용·인증용 simulation은 데이터와 scenario를 분리해야 한다.
역할을 능력과 상황에 따라 재배분한다
탐색, 운반, 의료측정, 통신중계처럼 서로 다른 역할을 이질적 robot team에 동적으로 배분한다. DARPA Triage Challenge 관련 2025년 연구는 UAV와 UGV를 결합해 환자탐색, 활력징후 측정, 손상분류, 정보통합을 수행하는 종단 구조를 제시했다.
설명보다 강한 감사 가능한 행동증거
시스템은 “왜 그렇게 생각했는가”만 답해서는 부족하다. 어떤 규칙과 모델버전 아래에서 누가 승인했고, 위험을 어떻게 계산했으며 결과가 무엇이었는지 재구성할 수 있어야 한다.
국가미션은 로봇의 사용처가 아니라 평가단위다
재난, 인프라, 의료, 우주·극지·심해, 식량·환경·에너지, 국방·국경·해양 안전에서 성공률보다 임무성과·공공가치·인간의 통제가 평가 중심이 된다.
여섯 개의 대표 국가미션 영역
재난·대형사고
광역탐색, 근접검사, 환자분류, 통신중계, 위험지도를 하나의 mission으로 묶는다. 목표는 로봇별 success rate가 아니라 골든타임 내 구조 가능한 인명 수의 극대화다.
핵심 인프라
교량·철도·댐·원전·전력망을 장기 관찰하고 여러 시점의 evidence를 연결해 손상등급을 추론한다. BridgeEQA는 최신 VLM이 장기·다시점 기억기반 점검에서 여전히 큰 격차가 있음을 보고한다.
응급의료·보건·돌봄
임상개입, 일상돌봄, 병원 인프라 지원, biomedical research까지 확장되지만 안전·표준 benchmark·sim-to-real·윤리가 핵심제약이다.
우주·극지·심해
통신지연과 제한된 human intervention 때문에 현장 autonomy가 필수다. 생존–탐사–복구–과학가치를 공동 최적화해야 한다.
식량·환경·에너지
농업로봇, 산불탐지, 해양오염 대응, 송전망·재생에너지 설비점검을 통합하며 생태피해, 자원사용, 지역별 서비스 형평성까지 본다.
국방·국경·해양 안전
감시정찰, 위험물 처리, 후방보급, 구조·의무지원에 적용할 수 있으나 오인·권한초과·사이버기만의 결과가 커서 meaningful human control과 독립 safety supervisor가 필수다.
현장배치를 막는 열 개의 구조적 난제
- 임무성공의 표준정의 부재. robot task success를 국가성과로 바꾸는 공통지표가 없다.
- 희귀·재난적 실패데이터 부족. 실제 사고는 적고 공유가 어렵고 synthetic data가 tail risk를 충분히 표현하는지 불명확하다.
- 월드모델의 교정되지 않은 확신. 틀린 예측보다 틀렸음을 모르는 상태가 더 위험하다.
- 장기 임무의 오차누적. 짧은 manipulation success가 수 시간·수 일 mission stability를 보장하지 않는다.
- 설명가능성과 실제 안전성의 불일치. 자연어 설명은 safety evidence가 아니다.
- 지속학습 시스템의 재인증. 현장 업데이트 때마다 전체 시스템을 다시 인증하기 어렵다.
- 집단행동의 비창발적 안전성. 개별 robot이 안전해도 communication storm, deadlock, risk concentration이 생길 수 있다.
- benchmark–field 성능의 외적 타당성. simulation score가 재난·원전·병원 performance를 얼마나 예측하는지 불확실하다.
- 책임의 분절. model developer, robot maker, mission operator, data provider 사이에 사고책임이 분산된다.
- 주권성과 글로벌 foundation model 의존의 긴장. 외부모델 성능을 택하면 데이터반출, update control, supply-chain dependency가 생긴다.
궁극적 목표는 공공목적형 물리적 집단지능이다
National Mission Foundation Model, Mission Constitution, Safety Kernel, Mission Benchmark, Living Safety Case, resilience engineering, sovereign data space, human–AI joint mission intelligence가 하나의 ecosystem으로 결합된다.
8개의 발전방향
National Mission Foundation Model
하나의 초대형 범용모델보다 국가공통 기반모델과 분야별 mission adapter를 결합한다. 공통모델은 언어·공간·물리·계획 능력을 제공하고 재난·원전·의료·우주 분야는 검증 가능한 전문 adapter를 가진다.
Mission Constitution
시스템 prompt보다 강한 실행 가능한 mission constitution이 필요하다. 보호할 사람과 가치, 절대금지행동, 권한과 관할, 불확실 시 보고의무, human approval 조건, 통신두절 시 권한축소, 중단·철수기준을 포함한다.
검증 가능한 Safety Kernel
생성모델은 후보계획을 제안하되 별도의 소형·검증가능 kernel이 모든 행동을 감시한다. 생성모델의 오류가 곧 물리사고가 되지 않도록 지능과 권한을 분리한다.
National Mission Benchmark
정상상황뿐 아니라 rare event, communication loss, adversarial attack, partial platform failure를 단계적으로 포함해야 한다.
Living Safety Case
배치 전 한 번 작성하는 문서가 아니라 sensor state, software version, incident log와 연결되어 계속 갱신되는 safety case가 필요하다.
Mission Resilience Engineering
성능저하를 조기에 인식하고 임무를 재분해하며 고장난 robot의 역할을 재배정하고, 제한된 통신·전력에서도 핵심목표를 유지하며, 불가능한 임무는 무리하게 수행하지 않고 안전하게 포기할 수 있어야 한다.
Sovereign Embodied Data Space
재난·의료·인프라 데이터의 중앙집중이 어렵기 때문에 federated learning, privacy-preserving computation, data lineage, policy-based access control을 결합한다.
Human–AI Joint Mission Intelligence
인간은 목적·가치·정당성을 제공하고 AI는 대규모 상황분석·계획·조정을 맡으며 robot은 물리적 실행과 현장증거를 제공한다.
MPAI를 다섯 요소의 결합으로 본다
이 프레임은 “더 큰 VLA를 robot에 탑재하는 사업”을 넘어선다. 실제 연구전환은 세 가지다.
- 과업 성공률 → 국가적 임무성과
- 평균적 지능 → 최악조건의 보증된 자율성
- 개별 robot 개발 → 인간·조직·데이터·법·인프라를 포함하는 mission ecosystem 설계
인간 없는 로봇이 아니라 인간 통제 아래의 증명 가능한 집단지능
Analysis국가미션 관점에서 경쟁력은 최고 benchmark score가 아니라 실패를 견디고, 권한을 넘지 않으며, 위험을 감지하고, 인간이 중단할 수 있고, 자신의 행동을 증명하는 능력에서 나온다.
2025–2026 연구근거
첨부 연구노트에 직접 포함된 피지컬 AI, VLA, 다중로봇, 월드모델, 안전보증, 거버넌스 관련 출처를 정리했다.