[1부. 웹과 앱을 넘어 현실로: 피지컬 AI 시대가 온다]
1장 왜 지금 빅테크는 피지컬 AI에 주목하는가
_1.1 챗봇을 넘어 현실 세계로 튀어나온 인공지능
_1.2 지금 피지컬 AI가 현실적인 기술 흐름이 된 이유
_1.3 “로봇 없이는 못 하나요?” 진입 장벽을 깨는 흔한 오해들
_1.4 정리: 피지컬 AI는 AI가 현실 세계로 내려오는 전환점이다
2장 생성형 AI가 로봇의 지능이 되는 과정
_2.1 텍스트를 생성하는 LLM과 행동을 만드는 피지컬 AI의 차이
_2.2 뇌(LLM)와 눈(VLM)이 합쳐져 로봇 지능을 바꾸는 원리
_2.3 인공지능이 현실 세계와 상호작용하는 프로세스
_2.4 정리: 생성형 AI의 지능은 어떻게 행동으로 이어지는가
[2부. 생각에서 행동으로: 피지컬 AI 핵심 아키텍처 이해하기]
3장 LLM 플래닝: 사람의 말을 실제 행동으로 바꾸는 첫 번째 방법
_3.1 LLM을 이용한 로봇의 행동 계획 세우기
_3.2 계획하는 모델에서 보는 모델로: PaLM-E의 멀티모달 확장
_3.3 함수 호출과 코드 생성으로 로봇을 움직이는 방법
_3.4 정리: LLM은 로봇의 상위 조정자로 출발했다
4장 VLA 모델의 탄생: 판단을 넘어 직접 행동하는 AI로
_4.1 계획에서 행동으로: 로봇 정책도 스케일링할 수 있을까?
_4.2 RT-1: 실제 로봇 제어도 Transformer로 스케일링할 수 있다
_4.3 RoboCat: 여러 로봇 몸체와 작업으로 확장되는 범용 정책
_4.4 RT-2: 웹 지식이 로봇 행동으로 전이되다
_4.5 정리: RT-1, RoboCat, RT-2가 만든 세 가지 전환점
5장 오픈 로봇 데이터와 범용 모델 생태계
_5.1 피지컬 AI의 성능을 좌우하는 로봇 데이터셋
_5.2 Open X-Embodiment와 Octo: 공통 데이터 위에서 움직이는 범용 모델 활용법
_5.3 OpenVLA: 오픈소스 생태계가 제어 명령에서 범용 AI(VLA)로 진화
_5.4 정리: 오픈 생태계는 피지컬 AI의 스케일링 조건이다
6장 VLA에는 왜 중간 표현과 연속 액션이 필요했을까?
_6.1 왜 이미지와 문장만으로는 실전에서 실패할까?
_6.2 RT-H: 행동 사이에 언어적 중간 표현을 두는 방법
_6.3 π0와 RDT-1B: 연속 액션을 부드럽게 생성하는 방법
_6.4 NaVILA: 이동 로봇에 계층형 구조가 필요한 이유
_6.5 정리: 단일 VLA에서 계층형 피지컬 AI로
7장 명시적 추론과 듀얼 시스템 설계
_7.1 복잡한 환경일수록 다시 ‘생각하는 구조’가 필요한 이유
_7.2 CoT-VLA: 행동 전에 목표 장면을 먼저 추론하는 방법
_7.3 제미나이 로보틱스: 행동 모델과 추론 모델의 분리
_7.4 GR 00T N1, π0.5: 계층형 시스템 설계가 주목받는 이유
_7.5 정리: 생각하는 층과 움직이는 층을 나누기 시작한 피지컬 AI
8장 온톨로지와 장면 그래프로 현실 세계 구조화하기
_8.1 온톨로지와 OG-RAG: 단순 검색을 넘어 구조화된 지식으로
_8.2 공간을 이해하는 AI: 3D 장면 그래프를 활용한 상위 추론 레이어 설계
_8.3 정리: 구조화된 지식 표현이 피지컬 AI에 주는 의미
[3부. 로봇 없이 시작하는 피지컬 AI 실전 개발]
9장 AI를 움직이는 행동 데이터 수집하고 가공하기
_9.1 맨땅에서 시작하는 로봇 데이터, 어디서 어떻게 수집할까?
_9.2 사람의 시연을 로봇이 이해하는 행동 데이터로 바꾸는 방법
_9.3 정리: 좋은 행동 데이터가 좋은 피지컬 AI를 만든다
10장 시뮬레이터 활용법: 로봇 장비 없이 구현하는 피지컬 AI
_10.1 디지털 트윈과 가상환경이 개발자에게 주는 이점
_10.2 가상 세계에서 물리 법칙과 센서를 재현하는 방법
_10.3 시뮬레이션으로 시간을 압축하는 병렬 학습 전략
_10.4 목적에 맞는 로봇 시뮬레이터 선택 가이드
_10.5 정리: 시뮬레이터는 피지컬 AI의 실험실이다
11장 가상환경을 데이터 공장으로: 합성 데이터 생성하기
_11.1 부족한 데이터를 채워주는 합성 데이터 생성 원리
_11.2 실제 AI 학습 파이프라인에 합성 데이터를 연결하는 방법
_11.3 정리: 합성 데이터는 실세계 데이터의 빈틈을 메운다
12장 피지컬 AI 모델 파인튜닝과 학습 전략
_12.1 백본 모델을 로봇 작업에 맞게 파인튜닝하기
_12.2 모방학습과 강화학습은 언제, 어떻게 쓸까?
_12.3 정리: 학습 전략은 데이터와 목표 작업에 따라 달라진다
13장 가볍고 빠른 온디바이스 AI 설계 전략
_13.1 온디바이스 VLA 조건 ①: 제한된 스펙에 맞는 백본 선택하기
_13.2 온디바이스 VLA 조건 ②: 행동 생성 구조를 제어 친화적으로 최적화하기
_13.3 정리: 실제 로봇에서는 성능만큼 속도와 비용이 중요하다
14장 실제 디지털 트윈 환경 구축 사례
_14.1 디지털 트윈 구축의 세 가지 접근
15장 현장 데이터로 개선되는 지속 학습 시스템
_15.1 배포된 AI가 현장 데이터를 축적하며 진화하는 구조
_15.2 실패 데이터를 다음 학습 자산으로 바꾸는 방법
_15.3 정리: 피지컬 AI는 배포 이후에도 계속 학습한다
16장 LeRobot 프레임워크로 시작하는 피지컬 AI 실습
_16.1 LeRobot이 일반 개발자의 피지컬 AI 입문에 적합한 이유
_16.2 LeRobot 프레임워크 핵심 구조와 기본 개발 파이프라인 익히기
_16.3 클론 코딩에서 나만의 프로젝트로: LeRobot 기능 확장 및 실무 활용
_16.4 정리: LeRobot은 피지컬 AI 실습의 현실적인 출발점이다
17장 빅테크의 피지컬 AI 프로젝트 핵심 구조 뜯어보기
_17.1 엔비디아 GR00T: 휴머노이드용 파운데이션 모델
_17.2 제미나이 로보틱스: 생각하는 AI를 실제 로봇 행동으로 연결하는 방식
_17.3 피지컬 인텔리전스 π 계열: 범용 로봇 정책의 실전 확장
_17.4 정리: 빅테크 사례는 피지컬 AI 시스템 설계의 종합 예시다
[4부. 피지컬 AI 시대, 넥스트 커리어 준비하기]
18장 패러다임 시프트 속에서 생존하는 개발자 커리어 전략
_18.1 엔비디아와 구글의 행보로 보는 피지컬 AI의 거대한 미래 시장
_18.2 개발자 직무의 대전환: 단순 코더에서 데이터 큐레이터로
_18.3 몸값을 높이기 위해 반드시 갖춰야 할 기술 스택
_18.4 정리: 피지컬 AI 시대의 개발자는 시스템과 데이터를 함께 설계한다
19장 피지컬 AI 개발자로 거듭나기 위한 로드맵
_19.1 주니어 및 취준생을 위한 가이드: 시장에서 먹히는 피지컬 AI 포트폴리오 만드는 법
_19.2 현업 SW 개발자를 위한 가이드: 기존 백엔드·풀스택 역량에 AI 지능을 더하는 공부법
_19.3 정리: 피지컬 AI 커리어는 작은 시스템을 끝까지 만들어보는 데서 시작된다
이 누리집은 대한민국 공식 전자정부 누리집입니다.
