이번 뉴스레터에서는 AI융합연구소의 새로운 협력 파트너인 주식회사 마음AI를 소개하며, AI가 디지털 공간을 넘어 현실 세계를 인지하고 판단하며 행동하는 Physical AI 기술이 산업과 로봇 분야에서 어떻게 구현되고 있는지를 살펴보았습니다.

언어·음성·시각·행동을 아우르는 자체 파운데이션 모델과 Vision·Language·Action(VLA), Robot Foundation Model, 엣지 AI, Physical AI Data Factory 등 Physical AI 기술의 중요성이 점차 커지는 가운데, 마음AI가 어떻게 AI 모델과 엣지 디바이스, 로봇, 데이터 및 운영·관리 기술을 하나의 플랫폼으로 연결하고 있는지, 그리고 이러한 기술을 제조·공공안전·스마트시티·국방 등 다양한 산업 현장에 적용하며 한양대학교 ERICA와 함께 연구·교육·산업 협력의 선순환 구조를 만들어가고자 하는지에 대해 다루고자 합니다.

Q1. 마음AI는 어떤 회사인가요? 회사 소개와 함께 주요 사업 분야 및 핵심 기술에 대해 소개 부탁드립니다.

마음AI는 2014년 설립되어 2021년 코스닥에 상장한 AI 전문기업입니다. 

언어, 음성, 시각 등 다양한 AI 기술을 자체적으로 개발해 왔으며, 최근에는 AI가 디지털 공간을 넘어 현실 세계를 인지하고 판단하며 행동하는 Physical AI(피지컬 AI)에 집중하고 있습니다.Physical AI에서는 좋은 AI 모델을 만드는 것뿐 아니라, 그 지능을 실제 로봇과 디바이스에서 안정적으로 구현하는 것이 중요합니다. 로봇이 주변 환경을 보고 사람의 말을 이해하고, 상황을 판단해 실제 행동으로 옮기는 전 과정이 자연스럽게 연결되어야 합니다. 

마음AI는 이 전체 과정을 하나의 기술 체계로 구축하고 있습니다.대표적인 자체 모델로는 사람의 말과 의도를 이해하는 Agentic LLM MAAL(말), 사람과 실시간으로 대화하는 Real-time Voice Conversation SUDA(수다), 카메라를 통해 주변 환경을 인식하고 이해하는 Vision Language Model(VLM) BODA(보다), 그리고 시각과 언어를 실제 로봇의 행동으로 연결하는 Vision·Language·Action Model(VLA) WoRV(워브)가 있습니다. 

이러한 AI 모델을 실제 현장에서 구동하기 위한 MAIED(Maum AI Edge Device, 메이드)도 개발하고 있습니다. AI 모델을 로봇이나 디바이스에서 직접 실행함으로써 클라우드 연결에 대한 의존도를 낮추고, 현장에서 빠르게 인지하고 판단할 수 있도록 하는 기술입니다. 실시간성과 보안이 중요한 산업이나 국방 환경에서도 활용할 수 있습니다. 로봇의 자율 판단과 임무 수행을 위한 RAISE(RAG-based Agent Intelligence on Secure Edge, 레이즈), 자율주행과 원격 운영을 위한 NAVICOM Gateway(나비컴 게이트웨이), 여러 로봇을 운영하고 관리하는 RMS(Robot Management System, 로봇 관리 시스템) 등의 기술도 함께 개발하고 있습니다. 

이러한 기술은 maum Physical AI Platform(마음 피지컬 AI 플랫폼)으로 연결됩니다. AI 모델부터 엣지 디바이스, 로봇, 자율 임무 수행, 운영·관리·관제까지 하나의 플랫폼으로 연결하고, 현장에서 생성되는 데이터를 다시 학습에 활용하는 구조입니다.마음AI가 지향하는 것은 특정 로봇 한 대를 만드는 데 그치지 않습니다. 

다양한 형태의 로봇과 디바이스에 지능을 부여하고, 현장에서 축적되는 경험과 데이터를 통해 그 지능이 계속 발전할 수 있는 Physical AI 플랫폼을 만드는 것이 목표입니다.

Q2. 마음AI가 보유한 Physical AI 및 자체 파운데이션 모델 기술은 기존 AI 기술과 비교해 어떤 강점과 차별성을 가지고 있는지 소개 부탁드립니다.

기존 AI가 주로 텍스트, 이미지, 영상과 같은 디지털 정보를 이해하고 생성하는 데 집중했다면, Physical AI는 AI의 역할을 현실 세계로 확장합니다. 

주변 환경을 인식하고 상황을 판단한 뒤, 그 결과를 로봇이나 디바이스의 실제 행동으로 연결하는 것이 핵심입니다. 현실 세계는 정해진 데이터 안에서 움직이지 않습니다. 사람이나 장애물이 갑자기 나타날 수 있고, 조명이나 날씨, 지형도 계속 달라집니다. 따라서 Physical AI는 한 번 판단하고 끝나는 것이 아니라 주변 상황을 계속 인식하면서 판단과 행동을 바꿀 수 있어야 합니다.

마음AI의 차별점은 이 과정을 하나의 모델에 모두 맡기지 않는다는 데 있습니다. 언어, 음성, 시각, 행동을 담당하는 자체 파운데이션 모델을 기반으로 로봇의 자율 판단과 제어, 엣지 AI까지 유기적으로 연결하고 있습니다. 각각의 기술이 독립적으로 동작하는 것이 아니라 인지–판단–행동이 하나의 흐름으로 이어지는 구조입니다. 

특히 중요하게 보는 것은 현장에서 다시 배우는 구조입니다. 로봇이 실제 임무를 수행하면 새로운 데이터가 만들어지고, 이 데이터를 다시 학습에 활용해 모델을 개선합니다. 개선된 모델은 다시 현장에 적용되고, 새로운 경험이 또 데이터로 축적됩니다. 실제 환경에서의 경험이 AI의 성능을 계속 높이는 선순환 구조입니다.

또한 AI를 클라우드에만 두지 않고 MAIED(Maum AI Edge Device, 메이드)를 통해 로봇과 디바이스에서 직접 구동하는 것도 중요한 차별점입니다. 네트워크 상황에 영향을 덜 받으면서 빠르게 판단할 수 있고, 외부로 데이터를 보내기 어려운 산업이나 국방 현장에서도 활용할 수 있습니다.

결국 마음AI가 생각하는 Physical AI의 경쟁력은 특정 모델 하나의 성능에만 있지 않습니다. 

AI가 보고 이해하고 판단해 행동하는 과정, 그리고 그 결과가 다시 데이터가 되어 학습으로 이어지는 전체 구조를 얼마나 안정적으로 구현할 수 있느냐가 중요합니다. 

마음AI는 이 전체 과정을 하나의 Physical AI 플랫폼으로 연결하는 데 집중하고 있습니다.

Q3. 현재 마음AI에서 중점적으로 추진하고 있는 주요 사업이나 연구개발 분야와 향후 Physical AI 기술 및 사업의 발전 방향에 대해 말씀 부탁드립니다.

Physical AI가 발전하려면 좋은 AI 모델뿐 아니라, 로봇이 실제 환경에서 보고 움직이고 작업하는 과정에서 만들어지는 양질의 행동 데이터가 필요합니다.하지만 필요한 모든 데이터를 실제 환경에서 확보하기에는 시간과 비용이 많이 들고, 위험한 상황을 반복해서 재현하기도 어렵습니다. 그래서 실제 로봇에서 수집한 데이터와 시뮬레이션에서 만든 데이터를 함께 활용하고 있습니다. 실제 데이터를 바탕으로 가상환경에서 다양한 상황을 반복 학습하고, 학습된 AI를 다시 로봇에 적용해 성능을 검증합니다. 이 과정에서 새롭게 만들어진 데이터는 다음 학습에 활용됩니다. 데이터 수집에서 학습, 검증, 로봇 적용, 그리고 다시 데이터 수집으로 이어지는 순환 구조를 만드는 것이 마음AI가 추진하는 Physical AI Data Factory의 핵심입니다. 

동시에 Vision·Language·Action(VLA) 기반의 Robot Foundation Model(로봇 파운데이션 모델)도 개발하고 있습니다. 로봇이 미리 정해진 동작만 반복하는 것이 아니라, 사람의 지시와 주변 상황을 함께 이해하고 그에 맞는 행동을 스스로 선택하도록 하는 기술입니다. 이러한 AI는 MAIED(Maum AI Edge Device, 메이드)를 통해 로봇에서 직접 구동합니다. 모든 판단을 클라우드에 의존하지 않기 때문에 빠른 대응이 가능하고, 외부로 데이터를 보내기 어려운 산업이나 국방 분야에서도 활용할 수 있습니다. 

적용 영역도 넓혀가고 있습니다. 마음AI가 자체 개발한 4족보행 로봇 JINDO BOT(진도봇)을 활용해 경비·순찰, 인프라 점검, 위험지역 탐색 등 다양한 임무를 수행하고 있으며, 제조, 공공안전, 스마트시티, 국방 등 여러 분야에서 실증과 사업화를 추진하고 있습니다. 다음 단계는 한 로봇이 학습한 경험을 다른 로봇과 공유하는 것입니다. 이를 위해 로봇의 행동 데이터를 일정한 구조로 만들고, 서로 다른 형태의 로봇이 데이터와 학습 결과를 공유할 수 있는 Cross-Embodiment Learning(크로스 임바디먼트 러닝) 기술도 개발하고 있습니다. 

Physical AI의 경쟁력은 결국 로봇 한 대의 성능만으로 결정되지 않습니다. 얼마나 좋은 행동 데이터를 확보하고, 빠르게 학습·검증해 다시 로봇에 적용하며, 축적된 지능을 다양한 로봇으로 확산할 수 있는지가 중요합니다. 

마음AI는 이러한 데이터와 AI 모델, 엣지 디바이스, 로봇, 운영·관리를 하나로 연결하는 Physical AI 플랫폼을 만들어가고 있습니다.

Q4. 다양한 산업 현장에 AI와 로봇 기술을 적용하고 고객 맞춤형 솔루션을 제공하기 위해 마음AI에서 중요하게 생각하는 기업 문화, 업무 방식 또는 핵심 가치가 있다면 소개 부탁드립니다.

마음AI가 중요하게 생각하는 것은 기술 자체보다 현장의 문제를 제대로 이해하고 해결하는 것입니다. 

같은 AI와 로봇 기술이라도 제조, 물류, 공공안전, 국방 등 적용되는 환경에 따라 필요한 기능과 조건이 모두 다르기 때문입니다.

그래서 새로운 프로젝트를 시작할 때도 기술을 먼저 정해 놓고 현장에 적용하기보다는, 고객이 실제로 어떤 문제를 해결하고 싶은지, 로봇이 어떤 환경에서 어떤 일을 해야 하는지를 먼저 살펴봅니다. 그 과정에서 필요한 AI 모델과 센서, 로봇, 엣지 디바이스, 운영 방식을 함께 설계합니다.

Physical AI는 한 분야의 기술만으로 완성하기 어렵다는 점도 중요하게 생각합니다. AI 연구자뿐 아니라 로봇 소프트웨어와 하드웨어, 시뮬레이션, 데이터, 서비스 기획 등 서로 다른 분야의 구성원들이 하나의 문제를 함께 풀어야 합니다. 연구와 개발, 사업 조직이 처음부터 함께 움직이고, 실제 로봇으로 빠르게 만들어 보고 검증하면서 기술을 발전시키는 방식을 중요하게 보고 있습니다.

또 하나는 현장에서 얻은 경험을 다시 기술에 반영하는 것입니다. 연구실에서는 예상하지 못했던 문제가 실제 환경에서는 얼마든지 발생할 수 있습니다. 

현장에서 발견한 문제를 실패로 보기보다 새로운 데이터와 학습의 기회로 보고, 이를 다음 모델과 제품 개선으로 연결하려고 합니다.

결국 마음AI가 중요하게 생각하는 문화는 현장에서 답을 찾고, 빠르게 실행하고, 함께 검증하면서 기술을 발전시키는 것입니다. 

좋은 기술을 만드는 것에 그치지 않고 실제 고객의 문제를 해결하고 산업 현장에서 지속적으로 사용할 수 있는 기술로 만드는 것이 마음AI가 추구하는 방향입니다.

Q5. 한양대학교 ERICA AI융합연구소와 함께 AX대학원 사업에 참여하시게 되었는데, 이번 산학협력을 통해 기대하고 있는 부분과 앞으로 함께 만들어가고 싶은 교육·연구 및 산업 협력 방향에 대해 말씀 부탁드립니다.

이번 산학협력에서 가장 기대하는 부분은 대학의 연구 역량과 기업의 기술, 그리고 실제 산업 현장을 연결하는 것입니다.

Physical AI는 연구실에서 좋은 모델을 개발하는 것만으로 완성되기 어렵습니다. 개발한 기술을 실제 로봇에 적용하고 다양한 환경에서 검증하면서 성능을 높여야 합니다. 

반대로 산업 현장에서 발견되는 문제는 새로운 연구 주제가 될 수 있습니다. 대학과 기업이 함께해야 하는 이유도 여기에 있다고 생각합니다.

한양대학교 ERICA는 AI와 로보틱스 분야의 연구 역량과 우수한 인재를 갖추고 있고, 마음AI는 Physical AI 모델과 엣지 디바이스, 로봇, 데이터팩토리, 그리고 다양한 산업 프로젝트를 통해 쌓은 경험을 보유하고 있습니다. 

두 역량이 결합되면 연구 성과를 실제 로봇과 산업 현장까지 연결하는 좋은 협력 모델을 만들 수 있을 것으로 기대합니다. 

연구 분야에서는 Robot Foundation Model(로봇 파운데이션 모델), Vision·Language·Action(VLA), 강화학습, Sim-to-Real(심투리얼), 자율주행과 로봇 제어 등 Physical AI의 핵심 기술을 중심으로 공동 연구를 확대하고자 합니다. 대학에서 개발한 기술을 실제 로봇으로 검증하고, 그 결과를 다시 연구에 반영하는 방식입니다.

교육에서는 학생들이 AI와 로봇을 이론으로만 배우는 것이 아니라 직접 데이터를 수집하고, 모델을 학습하고, 시뮬레이션에서 검증한 뒤 실제 로봇에 적용해 보는 경험이 중요하다고 생각합니다. 

마음AI의 Physical AI Data Factory와 로봇, 실제 산업 프로젝트를 활용한다면 이러한 전 과정을 경험할 수 있는 교육 환경을 만들 수 있습니다. 

교과과정과 프로젝트, 현장실습, 인턴십도 연계해 학생들이 대학에서 배운 기술을 실제 산업 문제에 적용해 볼 수 있는 기회를 넓히고자 합니다. 이러한 경험이 향후 Physical AI 분야에서 필요한 실무형 인재를 양성하는 데도 도움이 될 것으로 기대합니다.

궁극적으로는 대학의 연구가 산업으로 이어지고, 산업에서 발견된 문제가 다시 대학의 연구와 교육으로 돌아오는 선순환 구조를 만들고 싶습니다. 

학생과 연구자, 기업이 함께 실제 문제를 해결하고 그 과정에서 새로운 기술과 인재가 성장하는 산학협력 모델을 한양대학교 ERICA와 만들어가고자 합니다.