년 3월 AI 및 로봇 연구 동향

1. 서론

2025년 3월은 인공지능(AI)과 로봇공학이 가상 공간의 지능을 물리적 세계로 본격적으로 확장하기 시작한 결정적 시기로 기록된다. NVIDIA의 GTC 2025에서 발표된 차세대 컴퓨팅 아키텍처는 물리적 AI(Physical AI)라는 새로운 패러다임을 뒷받침하는 하드웨어 기반을 제시했으며, 동시에 Google, NVIDIA 등 주요 기업들은 로봇의 행동과 추론을 위한 파운데이션 모델을 공개하며 소프트웨어의 진화를 이끌었다. 학계에서는 이러한 기술의 실제적 적용, 사회경제적 영향, 그리고 윤리적 과제에 대한 심도 깊은 논의가 이루어졌다. 본 보고서는 이와 같은 산업계와 학계의 주요 발표를 종합적으로 분석하여, 기술적 성취의 세부 사항을 파고들고 이들이 상호작용하며 형성하는 거시적 동향과 미래 전망을 제시하는 것을 목표로 한다.

2. 차세대 AI 인프라의 도래: NVIDIA GTC 2025 핵심 발표

2025년 3월 NVIDIA GTC 행사는 단순한 신제품 발표를 넘어, AI 기술의 다음 단계를 가능하게 할 컴퓨팅 인프라의 근본적인 재설계를 선언하는 장이었다. Blackwell 아키텍처의 등장은 AI 연산 능력의 양적 팽창을 넘어 질적 전환을 예고하며, ’AI 팩토리’라는 개념은 데이터 센터의 역할을 재정의했다.

2.1 Blackwell 아키텍처: AI 연산의 새로운 지평

NVIDIA의 CEO Jensen Huang이 GTC 2025 기조연설에서 공개한 Blackwell 아키텍처는 기존 Hopper 아키텍처를 압도하는 성능 향상을 통해 AI 연산의 새로운 지평을 열었다.1 이는 추론 성능에서 최대 30배, 에너지 효율성에서 최대 25배의 향상을 목표로 한다.3

이 아키텍처의 핵심은 다음과 같은 기술적 세부사항에 있다.

B200 GPU: 2080억 개의 트랜지스터를 집적한 듀얼 다이(dual-die) 설계로, FP4 정밀도에서 20 페타플롭스의 AI 연산 성능을 제공한다. 이는 이전 세대 대비 비약적인 발전이다.3
Grace Blackwell GB200 Superchip: 2개의 B200 GPU와 1개의 Grace CPU를 결합하여, 특히 거대 언어 모델(LLM)의 실시간 추론 성능을 극대화했다.3
NVL72 플랫폼: 이 플랫폼은 Blackwell 아키텍처의 진정한 잠재력을 보여주는 랙 스케일(rack-scale) 솔루션이다. 72개의 Blackwell GPU와 36개의 Grace CPU를 5세대 NVLink Switch System으로 상호 연결하여, 전체 시스템이 통신 병목 현상 없이 마치 하나의 거대한 단일 GPU처럼 작동하게 한다.3 이를 통해 720 페타플롭스의 AI 학습 성능과 1.4TB의 고속 메모리를 제공하며, 120kW의 전력을 소비하는 고밀도 시스템을 효율적으로 운영하기 위해 액체 냉각(liquid cooling) 방식을 채택했다.4

Blackwell의 등장은 단순히 연산 속도를 높이는 것을 넘어, 1조 개 이상의 파라미터를 가진 초거대 AI 모델의 훈련과 실시간 추론을 현실화하는 것을 목표로 한다.3 이는 AI 모델의 복잡성과 규모가 하드웨어의 제약에서 벗어나 한 단계 더 도약할 수 있는 기반을 마련했음을 의미한다. 이러한 발전은 GTC 2025에서 드러난 NVIDIA의 거시적 전략과 깊이 연관되어 있다. Blackwell, 특히 NVL72와 같은 시스템 수준의 혁신은 단지 더 빠른 범용 GPU를 만드는 것이 아니라, 물리적 AI라는 특정 패러다임을 실현하기 위한 목적 지향적 생태계를 구축하려는 전략적 전환을 보여준다. 즉, 하드웨어(Blackwell), 운영 개념(AI 팩토리), 그리고 목표 애플리케이션(물리적 AI)이 하나의 통합된 비전 아래 수직적으로 결합된 것이다.

기능	Hopper (H100)	Blackwell (B200)	Grace Blackwell (GB200)	NVL72 플랫폼	성능 향상 (Hopper 대비)
트랜지스터 수	800억 개	2080억 개	2개의 B200 + 1개의 Grace CPU	72개의 B200 + 36개의 Grace CPU	GPU당 2.6배 증가
AI 연산 성능	-	20 PFLOPS (FP4)	-	720 PFLOPS (학습)	-
메모리	80 GB HBM3	192 GB HBM3e	384 GB HBM3e	1.4 TB (통합 메모리)	-
상호연결 대역폭	900 GB/s (NVLink 4)	1.8 TB/s (NVLink 5)	1.8 TB/s (NVLink 5)	570 TB/s (전체)	칩 간 2배, 시스템 수준에서 극대화
LLM 추론 속도	1배	-	-	-	최대 30배
에너지 효율	1배	-	-	-	최대 25배

표 1.1: NVIDIA Blackwell 아키텍처와 Hopper 아키텍처 주요 제원 비교. 데이터는 1를 기반으로 재구성됨.

2.2 AI 팩토리와 미래 로드맵: Rubin에서 Feynman까지

Huang은 GTC 2025에서 데이터 센터를 단순히 데이터를 저장하고 처리하는 공간이 아닌, 지능을 대규모로 생산하는 ’AI 공장(AI Factory)’으로 재정의했다.2 이 개념은 미래 산업 구조가 물리적 제품을 만드는 전통적 공장과 AI 모델, 시뮬레이션, 디지털 트윈 등 무형의 지능을 컴퓨팅하는 공장이 병존하는 형태로 진화할 것을 예고한다.4 NVIDIA Omniverse 플랫폼을 활용한 디지털 트윈 기술은 이러한 AI 팩토리의 설계, 구축, 테스트 및 최적화를 가상 환경에서 효율적으로 수행할 수 있게 하여, 현실 세계에서의 시행착오를 최소화한다.2

더 나아가 NVIDIA는 연간 단위의 기술 발전 주기(annual rhythm)를 약속하며 장기적인 기술 로드맵을 명확히 제시했다.1 이 로드맵은 Blackwell Ultra (2025년 하반기), Vera Rubin (2026년), Rubin Ultra (2027년), 그리고 Feynman (2028년)으로 이어지며, 기업과 연구 기관이 미래의 컴퓨팅 성능을 예측하고 장기적인 AI 인프라 투자 및 연구개발 전략을 수립할 수 있도록 높은 수준의 예측 가능성을 제공한다.2

3. 물리적 세계와 상호작용하는 AI: 로봇 파운데이션 모델의 진화

하드웨어 인프라의 발전은 AI가 물리적 세계와 상호작용하는 방식에 근본적인 변화를 가져오고 있다. 2025년 3월, NVIDIA와 Google은 각각 로봇의 행동 생성과 물리적 추론을 위한 새로운 파운데이션 모델을 발표하며, 체화된 AI(Embodied AI) 시대의 서막을 열었다.

3.1 NVIDIA Isaac GROOT N1과 Cosmos: 휴머노이드 로봇 개발의 패러다임 전환

NVIDIA는 GTC 2025에서 휴머노이드 로봇 개발을 위한 통합 플랫폼을 공개하며, 이 분야의 패러다임 전환을 선언했다.

GROOT N1 (Generalist Robot 00 Technology): 인간의 자연어 지시, 비디오 시연, 그리고 모방 학습을 통해 로봇의 행동을 생성하는 범용 휴머노이드 로봇 파운데이션 모델이다.2 이는 개발자가 특정 작업을 위해 로봇의 움직임을 일일이 코딩하는 대신, 인간의 행동을 보고 배우는 방식으로 로봇이 새로운 기술을 습득하게 하는 것을 목표로 한다.
Cosmos World Foundation Model: NVIDIA Omniverse 플랫폼을 기반으로, 물리 법칙을 따르는 고충실도의 가상 세계(디지털 트윈)를 생성하는 시뮬레이션 엔진이다.2 로봇은 이 가상 환경에서 수많은 시행착오를 통해 안전하고 효율적으로 학습할 수 있으며, 이는 실제 환경으로 기술을 이전하는 ’sim-to-real’의 성공률을 극대화한다. Disney Research 등과의 협력은 엔터테인먼트 로봇과 같은 구체적인 적용 사례를 통해 Cosmos의 잠재력을 입증하고 있다.2

GROOT와 Cosmos의 결합은 로봇 개발의 진입 장벽을 낮추고 비용을 절감하며, 현실 세계에서 수집하기 어려운 대규모 데이터를 합성 데이터(synthetic data)로 대체하여 데이터 부족 문제를 해결하려는 NVIDIA의 전략적 목표를 명확히 보여준다.2

3.2 Google Gemini Robotics: 에이전트적 행동과 물리적 추론의 구현

2025년 3월 12일, Google DeepMind는 Gemini Robotics-ER 1.5를 발표하며, 로봇이 단순히 명령에 반응하는 수동적 존재를 넘어 스스로 추론하고 계획하는 능동적 주체로 진화할 가능성을 제시했다.5

이 모델의 핵심 특징은 다음과 같다.

‘행동 전 사고 (Thinks before acting)’: 복잡한 작업을 수행하기 전에, 모델은 자연어로 된 내부적인 추론과 계획의 순차적 과정을 생성한다. 예를 들어, “색깔별로 빨래를 분류하라“는 명령에 대해, 모델은 먼저 최종 목표(흰 옷은 흰 통, 색깔 옷은 검은 통)를 이해하고, 그 다음 구체적인 계획(빨간 스웨터를 집어 검은 통에 넣는다)을 세우며, 마지막으로 세부 동작(스웨터를 더 쉽게 집기 위해 몸 쪽으로 당긴다)을 고려하는 다단계 사고 과정을 거친다. 이 능력은 작업의 성공률을 높이고 환경 변화에 대한 강인성을 부여한다.5
다양한 로봇 개체 간 학습 전이 (Cross-embodiment learning): 특정 형태의 로봇(예: 양팔 로봇 ALOHA 2)에서 학습된 기술이 별도의 미세 조정 없이 전혀 다른 형태의 로봇(예: Apptronik의 휴머노이드 로봇 Apollo)에서도 성공적으로 작동하는 능력을 보여준다. 이는 로봇 기술의 일반화와 확장성을 획기적으로 향상시키는 중요한 성과다.5

Gemini Robotics-ER 1.5는 15개의 학술적 체화 추론(embodied reasoning) 벤치마크에서 최고 수준의 성능을 달성했으며, ASIMOV 벤치마크를 통해 의미론적 안전성(semantic safety)을 지속적으로 평가하고 개선하고 있다.5

NVIDIA와 Google의 발표는 범용 로봇을 구현하기 위한 두 가지 서로 다른 철학적 접근법을 드러낸다. NVIDIA는 고충실도의 디지털 트윈(Cosmos)이 로봇을 학습시키기에 충분한 양질의 합성 데이터를 생성할 수 있다는 ‘세계 중심적(world-centric)’ 시뮬레이션 우선 전략을 추구한다. 반면, Google은 로봇 모델 자체에 정교한 계획 및 인과 추론 능력(“행동 전 사고”)을 내장하는 ‘에이전트 중심적(agent-centric)’ 추론 우선 전략에 집중한다. 이 두 접근법은 상호 보완적이며, 미래의 로봇 개발은 이 둘의 통합, 즉 Gemini와 같은 추론 에이전트가 Cosmos와 같은 고충실도 시뮬레이션 환경에서 자신의 계획을 검증하고 학습하는 형태로 발전할 가능성이 높다.

기능	NVIDIA Isaac GROOT N1 / Cosmos	Google Gemini Robotics-ER 1.5
핵심 철학	세계 중심적 (World-centric): 시뮬레이션을 통한 데이터 생성 및 학습	에이전트 중심적 (Agent-centric): 모델 내 추론 및 계획 능력 강화
핵심 기술	Cosmos (물리 기반 월드 파운데이션 모델), Omniverse (디지털 트윈)	Gemini 2.5 기반 멀티모달 모델, 내부 추론 생성(“행동 전 사고”)
입력 양식	자연어, 비디오, 인간 시연	자연어, 비디오, 실시간 센서 데이터
학습 방법	모방 학습, 강화 학습 (주로 Sim-to-Real)	멀티모달 사전학습, 강화 학습, 행동 복제
주요 응용 분야	범용 휴머노이드 로봇, 산업 자동화, 엔터테인먼트	범용 로봇 조작, 복잡한 다단계 작업 수행
발표된 파트너십	Disney Research	Apptronik 등 다수 로봇 하드웨어 파트너

표 2.1: 2025년 3월 주요 로보틱스 파운데이션 모델 비교. 데이터는 2를 기반으로 재구성됨.

4. 대규모 언어 및 멀티모달 모델의 발전 동향

로봇공학의 발전과 병행하여, AI의 핵심 두뇌 역할을 하는 대규모 언어 및 멀티모달 모델 역시 각자의 전략적 방향성을 구체화하며 진화하고 있다. 2025년 3월, Google, Meta, OpenAI는 각기 다른 시장 접근 방식을 통해 AI 기술의 상업화 및 생태계 구축 경쟁을 본격화했다.

4.1 Google Gemini 2.5 Pro: 고도화된 추론 및 멀티모달 이해

2025년 3월 25일 발표된 Gemini 2.5 Pro는 복잡한 문제 해결을 위해 설계된 ’사고 모델(thinking model)’로서, 특히 추론과 코딩 능력에서 기존 모델을 크게 능가하는 성능을 보여주었다.6 여러 데이터 유형을 원활하게 통합하고 이해하는 멀티모달 능력의 향상은 이 모델의 핵심적인 특징이다.6

Google은 I/O 2025 행사를 통해 단순히 모델의 성능을 과시하는 것을 넘어, Gemini 2.5를 자사의 방대한 제품 생태계에 깊숙이 통합하는 전략을 명확히 했다. 구체적으로 ▲Google 검색의 대화형 ‘AI 모드’ ▲음성, 카메라, 웹 데이터를 결합한 AI 어시스턴트 ‘Gemini Live’ ▲애플리케이션 간 원활한 작업 수행을 위한 지능형 에이전트 ‘Project Astra’ ▲고품질 영상 및 이미지 생성 도구 ‘Veo 3’ 및 ‘Imagen 4’ 등에 Gemini 2.5가 핵심 엔진으로 탑재되었다.6

4.2 Meta의 개방형 생태계 전략

Meta는 3월에 새로운 주력 모델을 발표하지는 않았으나, 기존의 Llama 모델을 중심으로 한 개방형 AI 생태계의 경제적, 사회적 파급력을 강조하는 데 집중했다. SXSW와 같은 주요 기술 행사에서 오픈소스 AI가 어떻게 중소기업과 개발자들의 혁신을 촉진하고 새로운 경제 성장의 동력이 되는지를 다양한 사례를 통해 공유했다.8

Cornerstone(XR 교육), Smartly(디지털 광고 자동화), Sofya(라틴 아메리카 헬스케어 솔루션), Mendel AI(임상시험 환자 매칭) 등 여러 산업 분야의 기업들이 Llama를 활용하여 특정 도메인의 문제를 해결하는 성공 사례를 적극적으로 홍보했다.8 이는 Meta가 모델 자체의 성능 경쟁을 넘어, 실제 산업에서의 적용성과 개발자 생태계 구축에 전략적 우선순위를 두고 있음을 보여준다. 차세대 모델인 Llama 4에 대한 시장의 기대감이 높은 가운데, Meta는 600억~650억 달러 규모의 막대한 자본 투자를 통해 AI 연구 및 인프라를 지속적으로 확장할 계획임을 밝혔다.9

4.3 OpenAI의 엔터프라이즈 및 개발자 중심 전략

OpenAI는 3월 발표를 통해 단순히 최고의 AI 모델을 개발하는 것을 넘어, 이를 활용한 비즈니스 생태계를 직접 구축하려는 야심을 드러냈다. GTM Assistant, DocuGPT, Support Agent 등 ChatGPT를 기반으로 한 자체 SaaS(Software-as-a-Service) 애플리케이션을 선보이며, 기존 엔터프라이즈 소프트웨어 시장의 ’파괴자’가 될 가능성을 시사했다.10

동시에 OpenAI는 개발자 생태계를 강화하기 위한 노력도 병행했다. 3월 한 달간 Responses API, Agents SDK, File Search API 등 개발자들이 복잡한 AI 기반 워크플로우와 애플리케이션을 쉽게 구축할 수 있도록 지원하는 다양한 도구와 상세한 가이드(Cookbook)를 연이어 발표했다.11 이는 OpenAI가 자사 모델을 기반으로 한 서드파티 애플리케이션 개발을 촉진하여, 단순한 모델 제공자를 넘어 AI 시대의 핵심 플랫폼으로서의 입지를 공고히 하려는 전략적 의도를 보여준다.

이러한 주요 AI 연구소들의 움직임은 ’최고의 모델’을 향한 단일 차원의 경쟁이 끝나고, 각기 다른 시장 전략을 통한 다각화된 경쟁이 시작되었음을 시사한다. Google은 자사의 기존 소비자 및 기업 제품 생태계에 AI를 깊숙이 통합하는 ‘수직적 통합’ 전략을 구사한다. Meta는 오픈소스 모델을 통해 기반 기술을 보편화하고 광범위한 외부 개발자 생태계를 활성화하는 ‘수평적 생태계 구축’ 전략을 편다. 마지막으로 OpenAI는 핵심 API를 제공하는 동시에 직접 최종 애플리케이션 시장에 진출하여 경쟁하는 ‘플랫폼 파괴’ 전략을 실행하고 있다. 이 세 가지 서로 다른 전략의 충돌과 상호작용이 향후 AI 산업의 지형을 결정할 것이다.

5. 학계의 최신 연구 동향: 컨퍼런스 및 주요 대학 발표

산업계가 대규모 파운데이션 모델과 인프라 구축에 집중하는 동안, 학계에서는 이러한 기술을 특정 문제에 적용하고, 그 이론적 기반을 탐구하며, 사회적 영향을 분석하는 연구가 활발히 진행되었다. 2025년 3월은 European Robotics Forum과 같은 주요 학회를 비롯해 Stanford, MIT, CMU 등 세계 유수 대학 연구소들의 발표를 통해 학계의 역할과 연구 방향성이 뚜렷하게 드러난 시기였다.

5.1 European Robotics Forum 2025: AI와 로보틱스의 융합

3월 25일부터 27일까지 독일 슈투트가르트에서 개최된 European Robotics Forum (ERF) 2025는 “로보틱스와 AI 간의 시너지 증폭을 통한 유럽 강화“를 주제로, 두 분야의 융합을 통한 혁신을 모색했다.12

특히 ‘AI for Robotics’ 과학 트랙에서는 AI 기술을 로봇공학의 난제에 적용하는 최신 연구들이 발표되었다. 제출된 100편의 논문 중 49편이 채택되었으며, 기계 학습, 파운데이션 모델, 컴퓨터 비전 등이 주요 주제로 다뤄졌다.14 주요 발표 내용은 다음과 같다.

시각-언어 모델(VLM)의 활용: 로봇이 작업 수행 중 실패했을 때, 그 상황을 시각 및 언어적으로 이해하고 행동 트리(Behavior Trees)를 통해 스스로 문제를 해결하는 연구가 발표되었다 (Faseeh Ahmad et al.).14
LLM을 이용한 계획 도메인 생성: 과거의 해상 사고 대응 계획 문서들을 학습하여, 새로운 상황에 맞는 로봇의 행동 계획 도메인을 자동으로 생성하는 MarineLLM-PDDL 연구가 소개되었다 (Mahya Mohammadi Kashani et al.).14
Sim-to-Real 및 인과 발견: 인과 관계 발견(Causal Discovery) 기법을 사용하여 로봇이 액체를 따르는(pouring) 복잡한 물리적 작업을 모델링하고, 시뮬레이션 환경에서의 학습 결과를 실제 로봇으로 성공적으로 이전하는 연구가 주목받았다 (Jaime Maldonado et al.).14

이와 함께, 자율주행차 사고나 자율 무기 시스템의 등장에 따른 윤리적 책임 소재, AI의 편향성 문제, 기술의 신뢰성 확보 방안 등 AI 로봇 도입에 따른 사회적, 윤리적 과제를 심도 있게 논의하는 워크숍도 다수 진행되었다.15

논문 제목	주 저자	소속 기관	핵심 기여 및 주제
Addressing Failures in Robotics using Vision-Based Language Models (VLMs) and Behavior Trees (BT)	Faseeh Ahmad	Lund University	VLM을 활용하여 로봇의 실패 원인을 진단하고 행동 트리를 통해 자율적으로 복구하는 방법론 제시
MarineLLM-PDDL: Generation of Planning Domains for Marine Vessels Using Past Incident Response Plans	Mahya Mohammadi Kashani	IT University of Copenhagen	LLM을 이용해 비정형 텍스트(사고 보고서)로부터 정형화된 로봇 계획 도메인을 자동 생성
Robot Pouring: Modeling and Sim-to-Real Evaluation Using Causal Discovery	Jaime Maldonado	University of Bremen	인과 발견 기법을 통해 액체 따르기 작업의 핵심 물리 변수를 식별하고 Sim-to-Real 성능 향상
Task-oriented Visual Object Pose Estimation for Robot Manipulation: A Modular Approach	Ahmed Abdelrahman	Technical University of Munich	로봇 조작 작업을 위한 효율적이고 모듈화된 방식의 시각적 물체 자세 추정 기법

표 4.1: European Robotics Forum 2025 ‘AI for Robotics’ 세션 주요 발표 논문. 데이터는 14을 기반으로 재구성됨.

5.2 주요 대학 연구소 및 arXiv 핵심 동향

Stanford University: Stanford HAI(Human-Centered AI) 연구소는 연례 보고서인 AI Index Report 2025를 통해 AI 기술의 거시적 동향을 분석했다. 보고서는 AI 모델의 벤치마크 성능은 급격히 향상되고 있으나, AI 기업에 대한 대중의 신뢰도는 여전히 낮고 책임 있는 AI(RAI) 평가의 표준화가 시급함을 지적했다.16 또한, Digital Economy Lab에서는 생성형 AI에 노출된 직업군, 특히 22-25세 신입 근로자의 고용이 상대적으로 13% 감소했다는 실증 분석 결과를 발표하여 AI의 사회경제적 영향에 대한 구체적인 데이터를 제시했다.18 이 외에도 컴퓨터 비전, 기계 학습 분야의 다수 논문이 CVPR, ICCV 등 최상위 학회에 발표되었다.19
MIT CSAIL: MIT는 현재 주류를 이루는 대규모 모델 중심의 연구와는 결을 달리하는, AI와 컴퓨팅의 근본 원리를 탐구하는 연구들을 선보였다. Nancy Lynch 교수 연구 그룹은 분산 시스템 이론, 스파이킹 신경망에서의 계층적 개념 표현 등 AI 시스템의 이론적 기반에 대한 다수의 논문을 3월에 arXiv를 통해 공개했다.20 Shavit Lab에서는 뇌 신경망 데이터인 커넥토믹스(connectomics) 분석을 위한 도메인 적응 모델(NeuroADDA)에 대한 연구를 발표했다.21
CMU Robotics Institute: CMU는 구체적이고 도전적인 로봇 응용 분야를 다루는 석박사 학위 논문들을 다수 공개하며 차세대 연구 인력 양성의 성과를 보여주었다. 3월에 발표된 Abena Boadi-Agyemang의 논문은 이동성 보조 기기 설계를 위한 시뮬레이션 기반 접근법을 다루었으며 22, Reid Simmons 교수는 고령층을 위한 AI 보조 에이전트 개인화 연구를 발표하며 인간-로봇 상호작용(HRI)의 중요성을 강조했다.23
arXiv 동향: 사전 논문 공개 사이트인 arXiv에서는 3월 한 달간 다양한 연구가 발표되었다. cs.RO (Robotics) 분야에서는 SLAM(동시적 위치추정 및 지도작성), 자율주행, 강인 제어, 인간-로봇 상호작용 등 전통적인 로봇공학 문제에 확산 모델(diffusion models)과 같은 최신 AI 기술을 접목하는 연구가 주를 이루었다.24
cs.AI (Artificial Intelligence) 분야에서는 LLM 및 AI 에이전트의 성능과 안전성을 평가하는 새로운 방법론, 형식적 검증과 비공식적 추론을 결합한 수학 문제 해결 시스템(Aristotle), 임상 의사결정 지원 등 AI의 추론 능력과 신뢰성을 높이려는 연구들이 주목받았다.26

이러한 학계의 동향은 산업계와 학계 간의 명확한 역할 분담이 형성되고 있음을 보여준다. 산업계가 범용 파운데이션 모델의 규모를 확장하는 데 주력하는 반면, 학계는 ▲이러한 모델을 특정 실제 문제에 적용하고 통합하는 ‘하류(Downstream) 연구’ (ERF 발표 사례) ▲미래 AI 아키텍처의 기반이 될 수 있는 이론을 탐구하는 ‘상류(Upstream) 연구’ (MIT의 이론 연구) ▲기술이 사회에 미치는 영향을 객관적으로 분석하고 감시하는 ‘외부적 검증 연구’ (Stanford의 보고서 및 경제 분석)라는 세 가지 핵심적인 역할을 수행하고 있다. 이는 AI 분야가 성숙해짐에 따라 다양한 주체들이 각자의 고유한 영역에서 생태계를 구성해 나가는 자연스러운 과정으로 해석될 수 있다.

6. AI의 사회경제적 영향과 윤리적 고찰

AI 기술의 발전이 가속화되면서 그 사회경제적 파급효과와 윤리적 문제에 대한 논의 역시 추상적인 예측을 넘어 구체적인 데이터와 정책을 기반으로 심화되고 있다. 2025년 3월에는 노동 시장 변화에 대한 실증적 분석과 AI 안전성에 대한 기업의 구체적인 정책이 발표되며 이러한 경향이 뚜렷해졌다.

6.1 생성형 AI가 노동 시장에 미치는 영향 분석

Stanford Digital Economy Lab에서 발표한 연구는 생성형 AI의 광범위한 채택 이후 노동 시장에서 발생한 실제 변화를 대규모 급여 데이터를 통해 분석했다는 점에서 큰 주목을 받았다.18 이 연구의 핵심 발견은 다음과 같다.

AI 기술에 가장 많이 노출된 직업군(예: 소프트웨어 개발자, 고객 서비스 담당자)에 종사하는 22-25세의 신입(early-career) 근로자들의 고용이 다른 직업군에 비해 상대적으로 13% 감소했다.18 이는 AI가 특히 경력이 적고 정형화된 업무를 수행하는 젊은 근로자들의 일자리를 대체할 수 있다는 우려를 실증 데이터로 뒷받침한다.
반면, 동일한 직업군에 속한 더 나이 많은 경력 근로자들의 고용은 오히려 6-9% 증가했다.18 이는 풍부한 경험과 비정형적 문제 해결 능력이 AI에 의한 대체 효과에 대한 중요한 완충재 역할을 할 수 있음을 시사한다.

이 연구는 AI의 고용 효과에 대한 논의를 막연한 예측의 단계에서 실제 데이터에 기반한 실증 분석의 단계로 전환시켰다는 점에서 중요한 의미를 가진다. 이러한 분석 결과는 향후 AI 시대에 필요한 교육 시스템 개편, 직업 재훈련 프로그램 설계, 사회 안전망 구축 등 구체적인 정책 수립에 필수적인 근거 자료로 활용될 것이다.

6.2 AI 안전성, 개인정보보호, 그리고 책임 있는 AI

기술의 영향력이 커짐에 따라 안전성과 윤리적 사용을 보장하기 위한 노력 또한 구체화되고 있다.

기업의 정책 수립: OpenAI는 3월, 13세 이상의 청소년 사용자를 보호하기 위한 구체적인 안전 정책을 발표했다.27 이 정책은 사용자의 행동 패턴을 기반으로 연령을 추정하는 시스템을 도입하고, 의심스러운 경우 신분증(ID) 확인을 요구하며, 자살 충동과 같은 심각한 위험이 감지될 경우 사용자의 부모나 관련 당국에 연락하는 조치를 포함한다. 이는 개인정보보호의 가치와 청소년 안전의 가치가 상충하는 상황에서 ’안전’을 우선시하겠다는 명확한 정책적 결정을 보여주는 사례이다.
학계의 윤리적 논의: ERF 2025에서는 AI와 로봇의 도입에 따른 윤리적 문제, 특히 인간의 책임 소재, 사회적 편향성 증폭 방지, 기술의 신뢰성 확보 방안 등이 주요 의제로 다뤄졌다.15 이는 기술 개발과 윤리적 가이드라인 수립이 분리될 수 없으며, 반드시 병행되어야 함을 강조한다.
거시적 동향: Stanford AI Index Report는 AI 기술과 관련된 사고(incidents)의 수는 급증하고 있으나, 주요 기술 기업들의 표준화된 책임 있는 AI(RAI) 평가는 여전히 드물다고 지적하며 기술 발전 속도와 안전성 확보 노력 간의 격차를 드러냈다.16 동시에 AI 기술에 대한 대중의 낙관론이 일부 국가에서 증가하는 등 17, AI 기술의 사회적 수용성과 신뢰 문제가 미래 기술 발전에 중요한 변수로 작용할 것임을 보여준다.

이처럼 AI의 사회적 영향에 대한 담론은 중요한 전환점을 맞이하고 있다. 노동 시장에 대한 추상적 논쟁은 실증적 데이터 분석으로, 윤리에 대한 원론적 논의는 구체적인 상황에 적용되는 운영 정책으로 성숙하고 있다. 이는 AI 분야의 ’소프트’한 측면들이 기술 개발이라는 ’하드’한 측면과 동일한 수준의 경험적 엄밀함과 운영적 구체성을 가지고 다뤄지기 시작했음을 의미한다.

7. 결론

2025년 3월은 AI 기술이 물리적 세계로의 확장을 위한 인프라(Blackwell), 소프트웨어(GROOT, Gemini Robotics), 그리고 학술적 기반(ERF, 대학 연구)을 동시에 갖추기 시작한 중요한 변곡점으로 평가된다. 이는 ’AI 팩토리’에서 생성된 고도의 지능이 로봇이라는 물리적 매개체를 통해 현실 세계와 상호작용하는 ‘체화된 AI(Embodied AI)’ 시대의 본격적인 개막을 예고한다.

향후 전망은 다음과 같이 요약할 수 있다.

기술적 선순환 구조의 형성: Blackwell과 같은 강력한 컴퓨팅 인프라는 Cosmos와 같은 복잡하고 현실적인 시뮬레이션 환경의 구현을 가능하게 한다. 이러한 환경은 다시 GROOT나 Gemini Robotics와 같은 고도화된 로봇 파운데이션 모델의 학습을 가속화하는 역할을 한다. 이 모델들이 실제 및 가상 환경에서 생성하는 방대한 데이터와 상호작용 경험은 다시 차세대 인프라의 발전을 요구하는 강력한 기술적 선순환 구조를 형성할 것이다.
산업 구조의 재편: 로봇 기술의 경쟁력은 더 이상 정밀한 하드웨어 제작 능력에만 의존하지 않게 될 것이다. 대신, 범용 파운데이션 모델을 특정 산업 도메인에 얼마나 효과적으로 적용하고, 관련 데이터를 어떻게 수집 및 활용하는지가 핵심 경쟁력으로 부상할 것이다. 이는 로봇 기술의 대중화를 촉진하고, 제조업을 넘어 물류, 헬스케어, 서비스 등 다양한 산업으로의 확산을 가속화할 것이다.
사회적 과제의 심화: 기술 발전이 가속화됨에 따라, 그 이면에 존재하는 사회적 과제들 또한 더욱 중요해질 것이다. AI로 인한 노동 시장 변화에 대한 실증적 데이터 기반의 정책 대응, AI 시스템의 안전성과 신뢰성을 보장하기 위한 구체적인 정책 및 기술적 해결책 마련, 그리고 데이터 프라이버시와 윤리적 사용에 대한 사회적 합의 도출이 더욱 시급한 과제로 부상할 것이다.

결론적으로, 2025년 3월에 발표된 다양한 연구와 기술들은 인공지능과 로봇공학이 나아갈 미래의 청사진을 제시했다. 기술적 가능성의 확장과 함께 사회적 책임을 동시에 모색해야 하는 새로운 시대가 시작되었으며, 이날의 발표들은 그 미래를 향한 중요한 첫걸음이었다.

8. 참고 자료

GTC 2025 – Announcements and Live Updates | NVIDIA Blog, https://blogs.nvidia.com/blog/nvidia-keynote-at-gtc-2025-ai-news-live-updates/
Key Takeaways from 2025 NVIDIA GTC Keynote - Define Tech, https://define-technology.com/key-takeaways-from-2025-nvidia-gtc-keynote/
GTC 2025 Keynote Announcements - Boston Limited, https://www.boston.co.uk/blog/2025/03/18/gtc-2025-keynote-announcements.aspx
10 NVIDIA GTC 2025 Announcements that You Must Know - Analytics Vidhya, https://www.analyticsvidhya.com/blog/2025/03/nvidia-gtc-announcements/
Gemini Robotics 1.5 brings AI agents into the physical world …, https://deepmind.google/discover/blog/gemini-robotics-15-brings-ai-agents-into-the-physical-world/
Google DeepMind: Transforming AI with World-Building Tech - Seamgen, https://www.seamgen.com/blog/artificial-intelligence-updates-on-google-deepmind
Gemini 2.5: Our most intelligent AI model - The Keyword, https://blog.google/technology/google-deepmind/gemini-model-thinking-updates-march-2025/
AI at Meta Blog, https://ai.meta.com/blog/?page=3
2025: Meta and the Dawn of Artificial Intelligence | by Riaz Laghari | Medium, https://medium.com/@riazleghari/2025-meta-and-the-dawn-of-artificial-intelligence-7deb02bdc3d4
OpenAI’s SaaSageddon fears need perspective | Constellation Research Inc., https://www.constellationr.com/blog-news/insights/openais-saasageddon-fears-need-perspective
OpenAI Cookbook, https://cookbook.openai.com/
Best Robotics Conferences and Events to Attend in 2025, https://clearpathrobotics.com/blog/2025/01/best-robotics-conferences-and-events-to-attend-in-2025/
European Robotics Forum ERF 2025 - B2B Matchmaking - About ERF 2025, https://eurobotics-forum-2025.b2match.io/
Scientific Track - European Robotics Forum 2025, https://erf2025.eu/scientific-track/
ERF2025 ProgramME Overview - European Robotics Forum 2025, https://erf2025.eu/programme/
Artificial Intelligence Index Report 2025 | Stanford HAI, https://hai.stanford.edu/assets/files/hai_ai_index_report_2025.pdf
The 2025 AI Index Report | Stanford HAI, https://hai.stanford.edu/ai-index/2025-ai-index-report
Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence - Digital Economy Lab - Stanford University, https://digitaleconomy.stanford.edu/wp-content/uploads/2025/08/Canaries_BrynjolfssonChandarChen.pdf
Publications - Stanford Translational AI (STAI), https://stai.stanford.edu/publications
Professor Nancy Lynch’s Publications - Research - MIT, https://groups.csail.mit.edu/tds/lynch-pubs.html
Shavit Lab @ MIT CSAIL, https://shavitlab.csail.mit.edu/
Publications - CMU Robotics Institute - Carnegie Mellon University, https://www.ri.cmu.edu/pubs/page/2/
Spring 2025 GRASP on Robotics: Reid Simmons, Carnegie Mellon University - YouTube, https://www.youtube.com/watch?v=K7KLGHTGTZM
Robotics Mar 2025 - arXiv, https://www.arxiv.org/list/cs.RO/2025-03?skip=600&show=500
Robotics Mar 2025 - arXiv, https://www.arxiv.org/list/cs.RO/2025-03?skip=275&show=500
Artificial Intelligence - arXiv, https://arxiv.org/list/cs.AI/new
Teen safety, freedom, and privacy - OpenAI, https://openai.com/index/teen-safety-freedom-and-privacy/