AI 데이터센터가 산업단지의 중심이 되는 이유 | 다크팩토리와 피지컬 AI

다크팩토리와 AI 데이터센터가 동시에 주목받는 이유

2026년 여름, 뉴스 두 개를 연달아 읽었다. 하나는 서울발, 하나는 베이징발. 처음엔 다른 얘기인 줄 알았는데, 며칠 묵혀 두고 보니 같은 질문이었다.

하나는 서울발이다. 정부가 반도체, AI 데이터센터, 피지컬 AI를 '3대 메가프로젝트'로 묶어 국가 성장전략의 중심에 놓았다. AI 데이터센터에 들어가는 기술과 장비를 국산화해 국가 전략산업으로 키우고, AI 데이터센터 특별법에 따라 클러스터를 지정해 전후방 산업의 육성 거점을 만들겠다는 계획이다. 범부처 TF가 부지·전력·용수·인허가를 묶어서 지원한다는 내용도 담겼다.

다른 하나는 베이징발이다. 샤오미는 창핑 스마트팩토리가 연간 최대 1,000만 대의 플래그십 스마트폰을 생산할 수 있으며, 자체 개발 장비를 통해 핵심 공정 자동화율 100%와 산업 생산 전 과정의 디지털화를 달성했다고 밝혔다.

따로 보면 하나는 인프라 정책이고 하나는 제조 혁신이다. 겹쳐 보면 하나의 질문이 남는다.

사람이 사라진 공장에서, 판단은 누가 하는가? 그 두뇌는 물리적으로 어디에 놓이는가?

다크팩토리에서 꺼진 것은 조명이다. 지능이 아니다. 오히려 무인 공장이 요구하는 지능의 밀도는 유인 공장보다 압도적으로 높다. 사람이 하던 눈, 손, 그리고 판단을 전부 추론 토큰 연산으로 대체해야 하기 때문이다. 이 글은 그 추론 토큰 연산이 어디에 자리 잡을지, 그리고 그 답이 한국의 산업단지 지도를 어떻게 바꿀지에 대한 우리의 전망이다.

피지컬 AI와 다크팩토리가 확산되면 공장에는 로봇뿐 아니라 저지연 AI 연산 인프라가 필요해진다. 안전과 생산 제어를 담당하는 연산은 온디바이스와 현장형 마이크로 AI 데이터센터가 맡고, 대규모 학습과 시뮬레이션은 권역별 매크로 AI 데이터센터가 담당하게 된다. 이에 따라 산업단지가 데이터센터를 유치하는 관계를 넘어, AI 데이터센터를 중심으로 제조 클러스터가 재편될 가능성이 커지고 있다.

피지컬 AI 데이터센터란?
로봇, 자율주행 장비, 머신비전, 디지털 트윈 등 물리적 시스템에 필요한 AI 추론·학습 연산을 제공하는 데이터센터다. 로봇 내부의 온디바이스 컴퓨팅, 공장 가까이의 현장형 데이터센터, 대규모 학습을 담당하는 권역형 데이터센터로 계층화된다.

피지컬 AI는 왜 공장 가까운 데이터센터를 요구하는가

산업혁명 초기의 공장 입지는 동력원이 결정했다. 수차에 의존하던 방직공장은 강가에 섰고, 증기기관의 시대에는 석탄 산지 곁에 공업도시가 자랐다. 전기가 등장하면서 비로소 동력이 '배달 가능'해졌고, 공장은 동력원으로부터 자유로워졌다. 20세기의 입지론이 원료·노동·시장의 삼각형 위에서 전개될 수 있었던 것은 전기가 거리의 제약을 지워 준 덕분이다.

AI 시대의 지능은 전기를 닮았다. 추론 결과는 토큰의 형태로 어디로든 배달된다. API 한 줄이면 시골의 공장도 세계 최고 모델의 답을 받는다. 그래서 많은 사람이 "AI도 전기처럼, 데이터센터가 어디 있든 상관없다"고 생각한다.

그런데 배달할 수 없는 것이 하나 있다. 시간이다. 광섬유 속에서 빛은 초속 약 20만 km(진공 대비 약 2/3 속도)로 이동한다. 왕복 기준으로 대략 100km마다 1ms가 쌓이고, 여기에 라우터 홉과 큐잉 지터가 얹힌다. 전력망은 증설하면 되지만, 광속은 무엇으로도 단축되지 않는다.

보고서 작성, 코드 생성, 데이터 분석처럼 지연에 둔감한 지능은 어디서 생산해도 좋다. 그러나 물리 세계에서 움직이는 지능(로봇의 손끝, 자율이동로봇 군집의 이동, 라인 위를 흐르는 제품을 판정하는 비전)은 지연 예산이 곧 품질이고 안전이다. 그래서 실시간 지능을 대량으로 소비하는 산업에게는, 지능의 생산지 근처로 이동할 강력한 유인이 생긴다.

이것은 새로운 논리가 아니다. 제철소 옆에 자동차 공장이 서고, 유화단지 옆에 정밀화학이 자리 잡던 논리의 반복이다. 달라진 것은 중간재의 형태뿐이다. 이번의 중간재는 열연강판이 아니라 밀리초 안에 도착해야 하는 추론 토큰이다. 산업단지가 데이터센터를 유치하는 시대에서, AI 데이터센터가 산업 클러스터의 앵커가 되는 시대로 입지론이 역전된다.

피지컬 AI의 3계층 구조: 온디바이스·마이크로·매크로

미래의 산업 인프라가 어떤 모양일지 궁금하다면, 휴머노이드 로봇 한 대의 내부를 들여다보는 것이 가장 빠르다.

휴머노이드 개발사 Figure의 제어 스택 Helix는 '빠른 시스템과 느린 시스템'의 분업으로 설계되어 있다. 장면을 이해하고 언어를 해석해 목표를 세우는 System 2는 초당 7~9회 주기로 돌고, 그 의도를 실제 관절 동작으로 번역하는 System 1은 초당 200회로 돈다. 2026년 초 공개된 Helix 02에서는 그 아래에 System 0이 추가됐다. 1kHz, 즉 초당 1,000회 주기로 전신 관절에 액추에이터 명령을 내보내는 경량 신경망이다. 균형 회복 같은 '반사'는 S0가, 손의 궤적은 S1이, "이 부품을 어디에 놓을까"라는 판단은 S2가 맡는다. 각 계층이 자기 시간 척도에서 작동한다. 이것이 설계의 핵심이다.

이 구조가 흥미로운 이유는, 로봇 한 대 안의 설계 원리가 공장 스케일과 국가 스케일로 프랙탈처럼 확장되기 때문이다.

사람의 신경계에 빗대면 이해가 쉽다. 뜨거운 것에 손이 닿았을 때 손을 떼는 것은 척수 반사다. 뇌까지 신호가 갈 시간이 없다. 걸음의 리듬과 균형은 소뇌가, 오늘 저녁 메뉴와 내년 계획은 대뇌가 맡는다. 진화가 수억 년에 걸쳐 도달한 답과, 로봇 엔지니어들이 도달한 답이 같다. 지능은 하나의 덩어리가 아니라 시간 척도별 계층이고, 각 계층은 자기에게 맞는 물리적 위치를 요구한다.

한 가지 용어를 분명히 해 두자. 이 글에서 마이크로와 매크로는 시설의 절대 크기가 아니라 담당하는 시간 척도의 구분이다. 개별 공장에 붙는 수백 kW 시설도, 산업단지가 공유하는 수십 MW 시설도 밀리초의 세계를 맡는다는 점에서 마이크로다. 권역 거점의 기가와트급 캠퍼스는 시간과 날짜의 세계, 즉 매크로를 맡는다.

온디바이스 AI만으로 충분하지 않은 세 가지 이유

업계의 한 흐름은 반대 방향, 즉 지능을 로봇 몸체 안으로 밀어 넣는 쪽으로 움직이고 있다. Figure의 Helix는 전 계층이 로봇에 내장된 저전력 GPU에서 돌아가며 클라우드 연결을 요구하지 않는다. 구글 딥마인드도 2025년 6월, 네트워크 없이 로봇에서 완전히 로컬로 도는 VLA 모델 'Gemini Robotics On-Device'를 내놓았다.

그렇다면 현장 데이터센터라는 계층은 애초에 필요 없는 것 아닌가? 한동안 우리도 이 질문을 붙들고 있었다. 지금의 답은 이렇다. 현장 계층은 사라지기는커녕 더 커진다. 이유는 셋이다.

첫째, 전력 예산의 물리학이다. 공개된 사양 기준으로 Figure 02는 약 2.25kWh 배터리로 5시간을 연속 가동한다. 로봇 전체의 전력 예산이 수백 와트, 그중 컴퓨트에 쓸 수 있는 것은 일부라는 뜻이다. 반면 가장 똑똑한 모델들은 킬로와트급 서버를 요구한다. 구글의 로봇 모델 RT-2는 55B 파라미터 버전이 초당 1~3회 추론에 그쳤다는 실측이 보고된 바 있다. 온디바이스 모델은 연산량과 전력소비를 줄이기 위해 서버급 모델보다 작거나 효율적으로 최적화되는 경우가 많으며, 대규모 모델의 최신 기능은 서버 환경에 먼저 적용되는 경향이 있다.

둘째, 플릿(fleet) 지능은 본질적으로 공유 인프라다. 로봇 한 대가 눈앞의 작업을 자율 수행하는 것과, 로봇 백 대가 움직이는 공장 전체의 흐름을 최적화하는 것은 다른 문제다. 작업 재배분, 병목 해소, 라인 전체의 이상 탐지, 디지털 트윈과의 실시간 대조. 샤오미 다크팩토리에서 "AI가 스스로 문제를 파악해 공정을 개선한다"고 할 때의 그 지능은 개별 로봇의 것이 아니라 공장 단위의 것이다. 로봇 수가 늘고 작업이 표준화될수록, 공장 단위의 공유 인프라가 개별 로봇의 컴퓨팅을 반복적으로 확장하는 것보다 경제적일 가능성이 커진다.

셋째, 온디바이스가 좋아질수록 현장 두뇌의 일은 오히려 커진다. 온디바이스 성능이 좋아져 반사와 기본 조작이 로봇 안으로 들어갈수록, 현장 데이터센터는 더 큰 월드 모델, 더 정밀한 실시간 시뮬레이션, 더 넓은 군집 조정을 맡게 된다. 지난 20년간 스마트폰과 같은 단말기의 연산력이 수백 배 좋아졌지만 인터넷 패킷 제공을 위한 데이터센터 수요는 오히려 폭증했던 것과 같은 구조다.

메모리 업계의 관측도 이 방향을 가리킨다. 마이크론 CEO는 휴머노이드 로봇이 레벨2+ 자율주행차의 약 10배에 달하는 메모리를 탑재하게 될 것이라며, 300GB급 D램을 실은 '움직이는 AI 서버'가 될 것으로 전망했다. AI 수요의 축이 데이터센터에서 거리와 공장으로 확장된다는 이야기다. 로봇 한 대가 서버급이 되는 세계에서, 그 서버들을 조율하는 상위 계층이 작아질 리 없다.

온디바이스 모델은 전력과 연산 제약 탓에 서버급 모델의 축소판이 되는 것이 일반적이고, 최신·최대 모델은 서버 환경에 먼저 온다. 구글이 클라우드 플래그십과 온디바이스 버전을 이원화한 것이 이를 보여준다.

마이크로 AI 데이터센터란 무엇인가

시장은 이미 이 분화를 가격에 반영하기 시작했다. 부동산 컨설팅사 JLL은 2025년 시점에 AI 워크로드의 대부분을 차지하던 학습 수요가 2027년경 추론에 역전될 것으로 보며, 추론은 사용자와 현장 가까이의 지리적 분산 배치를 요구한다고 분석했다. 시장조사기관 Global Market Insights는 엣지 데이터센터 시장이 2025년 약 147억 달러에서 2035년 약 719억 달러로 연평균 17.5% 성장하고, 그중에서도 중소형 시설과 제조업 버티컬이 가장 빠르게 큰다고 전망한다.

그런데 여기서 흔한 오해를 걷어내야 한다. 공장 옆의 수 MW급 시설은 하이퍼스케일 데이터센터를 100분의 1로 축소한 것이 아니다. 요구사항의 구조가 다른, 다른 종(種)의 시설이다. 네 가지가 다르다.

밀도가 곧 부지 경제성이다. 공장의 땅은 생산 설비를 위한 것이다. AI 인프라에 내줄 수 있는 면적은 라인 한 켠, 유틸리티동 일부가 전부다. 같은 연산을 최소 풋프린트에 넣으려면 랙당 100kW를 넘는 초고밀도로 가야 하고, 이 밀도에서는 일반적인 공랭 방식만으로 경제성과 안정성을 확보하기 어려워지며, 직접액체냉각의 필요성이 급격히 커진다. 다이렉트 리퀴드 쿨링(DLC)이 선택이 아니라 전제가 되는 이유다. 실제로 엣지 데이터센터 업계 전반이 고밀도 연산의 열부하 대응을 위해 direct-to-chip 액체냉각을 채택한다.

무인 자율 운영이 기본값이다. 다크팩토리를 지어 놓고 그 옆의 데이터센터에만 교대 인력을 상주시킨다면 근데 그건 좀 이상하지 않나. 현장 인프라는 원격 텔레메트리와 예지보전으로 시작해, 궁극적으로는 순찰·점검·부품 교체까지 무인화되어야 한다. NTT데이터가 AI 순찰 로봇을 데이터센터에 투입해 점검 시간을 최대 80% 줄이겠다고 나선 것은 이 방향의 초기 신호다. 그 종착점에는 로봇이 정비할 수 있는 설계, 즉 공구 없이 체결되는 블라인드메이트 배관과 커넥터, 표준화된 교체 단위가 있다.

에너지가 순환해야 한다. 정부가 추진하는 공장 지붕 태양광 의무화가 현실이 되면, 산업단지의 지붕은 거대한 분산 발전소가 된다. 지붕에서 생산한 전력을 ESS를 거쳐 현장 AI 인프라가 소비하고, 서버에서 회수한 폐열은 액체-액체(L2L) 열교환을 통해 공정 예열·건조·난방으로 되돌아간다. 데이터센터 효율 논의가 PUE를 넘어 에너지 재사용으로 확장되는 흐름과 정확히 맞물린다. 전력을 생산지에서 소비하고, 지능도 생산지에서 소비하는 구조다.

모듈로 복제되어야 한다. 하이퍼스케일은 한 번 짓는 건축이지만, 마이크로는 산업단지마다 공장마다 반복 배포되는 제품에 가깝다. 컨테이너 또는 스키드 단위의 사전 검증된 레퍼런스 디자인, 수 주 단위의 증설 리드타임, 원격 커미셔닝이 요구된다.

정리하면 마이크로 AI 데이터센터의 설계 언어는 '작은 건물'이 아니다. '고밀도 + 무인 + 에너지 순환 + 모듈화'이다.

매크로 AI 데이터센터와 마이크로 데이터센터의 차이

스펙트럼의 반대편, 기가와트의 세계는 다른 물리 법칙을 따른다. 이쪽의 입지 변수는 레이턴시가 아니라 전력, 용수, 부지다.

정부와 업계가 공유하는 로드맵은 2029년까지 AI 데이터센터 8.4GW, 2035년까지 18.4GW 구축이다. SK 5GW, GS 2.4GW, 네이버 1GW 등 권역별 분산 입지가 거론되고, 과기정통부 장관은 1GW급 AI 데이터센터 하나에 최소 30만 평 이상의 부지와 안정적 전력 계통이 필요하다고 말한다. 이 조건을 수도권에서 맞추기는 불가능에 가깝다. 지방주도 성장 기조에 GW급 거점의 전력·부지 조건까지 겹치면, 권역별 분산 입지는 사실상 필연에 가깝다.

매크로 거점이 맡는 일은 마이크로와 겹치지 않는다. 파운데이션 모델과 업종 특화 모델의 학습, 물리 시뮬레이션과 합성데이터 생산, 그리고 무엇보다 플릿 러닝이다. 낮 동안 전국의 공장에서 로봇들이 수집한 작업 에피소드가 밤에 권역 거점으로 모여 재학습되고, 개선된 정책이 아침에 전 로봇에 배포된다. 사람이 자는 동안 기억을 정리하듯, 산업 전체가 매일 밤 학습하는 '수면-학습 사이클'이다.

마이크로가 오늘의 공장을 돌리고, 매크로가 내일의 공장을 만든다. 두 계층은 대역폭에는 민감하되 지연에는 관대한 전용 링크로 묶인 국가 AI 인프라의 신경계를 이룬다.

AI 데이터센터가 한국 산업단지를 어떻게 바꾸는가

이제 처음의 질문으로 돌아오자. 이 재편에서 한국의 산업단지는 어디에 서게 되는가.

한국에는 다른 나라에 흔치 않은 자산이 있다. 수십 년에 걸쳐 조성된 국가·일반 산업단지이다. 제조업의 밀집, 이미 깔린 전력·용수 인프라, 계획입지, 배후의 물류와 인력이다. 여기에 필요한 것은 대형 데이터센터 '유치' 경쟁이 아니다. 각 산업단지의 시간 척도에 맞는 두뇌의 이식이다.

구체적인 시나리오는 이렇다. 개별 중소 제조사는 GPU 수백 장 규모의 인프라를 감당할 수 없다. 그러나 산업단지 단위라면 이야기가 다르다. 입주 기업들이 공유하는 수십 MW급 추론 인프라가 용접 비전, 프레스 예지보전, 물류 VLA 같은 업종 특화 모델을 현장 지연으로 서빙하고, 입주사는 구독형으로 쓰는 산단 공유형 AI 팩토리다. 정부가 AI 데이터센터 특별법으로 클러스터를 지정하고 부품·장비 국산화와 전후방 생태계 육성을 내건 지금, 정책과 가장 정확히 맞물리는 그림이기도 하다.

이 전환이 완성되면 산업단지의 정의 자체가 바뀐다. 같은 업종이 모인 곳에서, 같은 두뇌를 공유하는 곳으로.

이 시나리오가 언제 현실이 될지는 사실 우리도 모른다. 3년일 수도, 10년일 수도 있다. 다만 방향이 그쪽이라는 것에는 회사의 모든 것을 걸고 있다.

공장형 AI 데이터센터에 필요한 인프라

솔직히 이 그림이 낯설지 않다. 2012년 천둥을 만들 때 우리가 받은 공간도 그럴싸한 데이터센터가 아니라 연구동의 방이었다. 냉각 배관을 어디로 빼야 하나, 그것부터 막혔던 기억이 난다.

매니코어소프트는 2012년부터 한 가지 일을 해 왔다. 데이터센터가 아닌 곳에 데이터센터급 밀도를 만드는 일이다. 190여 곳의 DLC 서버 설치 및 구축 현장 대부분은 상면과 항온항습이 갖춰진 전산센터가 아니라 대학 연구실, 사내 서버실, 실험동의 한 켠, 혹은 좁은 오피스 한복판이었다. 제한된 공간, 제한된 전력, 상주 인력 없음. 공장 부지 안에 마이크로 AI 데이터센터를 넣는 문제와 구조적으로 같은 문제를, 우리는 15년 가까이 풀어 왔다.

그 결과물이 현재 구축 중인 제품·기술 스택이다. 액체냉각 시스템을 서버에 내장하면서도 서버당 10kW, 랙당 100kW급 밀도를 내는 Deep Gadget DLC 서버, 시설 냉각수가 없는 현장에서도 바로 시작할 수 있는 In-Rack L2A CDU와 초고열밀도를 해결할 수 있는 L2L CDU, 그리고 상주 인력 없이 원격으로 인프라를 관제하고 제어하고 운영하는 SW 플랫폼 Gadgetini/Gadgetron. 여기에 더해 우리는 무인 운영의 끝단인 공구 없이 체결되는 결합 구조를 가진 로봇에 최적화된 로봇 친화형 데이터센터를 향한 기술 개발을 진행하고 있다. 데이터센터 인프라를 국산화해 수출 산업으로 키우겠다는 정부 기조와도 같은 방향이다.

공장에 로봇이 출근하기 시작할 때, 그 두뇌를 어디에 둘 것인가. 이 질문에 대한 답이 다음 10년의 산업 지도를 그릴 것이라고 우리는 믿는다.