2026-06-18 — views
피지컬 AI 에너지 기준——AV 차량대 충전, Dojo 전력 소비, 휴머노이드 배터리 수명
AV 차량대 충전 수요, Dojo 훈련 전력 소비, 휴머노이드 로봇 배터리 수명을 정량화——에너지 비용은 피지컬 AI 경제학에서 과소평가된 변수다.
피지컬 AI 벤치마크 시리즈 제114편——피지컬 AI 에너지 인프라: AV 차량대 충전 수요, Dojo 훈련 전력 소비, 휴머노이드 로봇 배터리 수명, 그리고 에너지 비용이 AV 경제학에서 과소평가되는 이유
피지컬 AI는 에너지 집약적 산업입니다. 수백만 건의 추론 호출에 에너지 비용이 분산되는 중앙 집중식 데이터센터 하드웨어에서 실행되는 소프트웨어 AI와 달리, 피지컬 AI 시스템은 현실 세계——공공 도로, 창고, 공장——에서 작동하며, 에너지 소비는 단위당·시간당으로 계산되어 배포된 각 기계의 운영 경제성과 직결됩니다. AV 차량대는 고용량 디포 충전 인프라를 필요로 합니다. Tesla Dojo와 Google TPU 팜 같은 훈련 컴퓨팅 클러스터는 해당 차량에서 실행되는 모델을 생산하기 위해 상당한 전력을 소비합니다. 휴머노이드 로봇은 재충전 또는 배터리 교체 전에 얼마나 많은 시간의 유용한 작업을 제공할 수 있는지를 결정하는 탑재형 배터리를 갖춥니다. 그리고 이러한 각 경우에서 아웃풋 단위당 에너지 비용은, 업계가 아직 공개 벤치마킹에 충분히 반영하지 못한 방식으로 피지컬 AI 배포의 경제성에 영향을 미칩니다.
본 기사는 피지컬 AI 성장의 구조적 벤치마크 차원으로서 에너지를 매핑합니다. 제1절에서는 스케일에서의 AV 차량대 충전 수요를 정량화합니다. 제2절에서는 디포 충전 인프라 요구 사항과 비용을 분석합니다. 제3절에서는 Dojo 및 비교 가능한 GPU 클러스터의 훈련 컴퓨팅 에너지를 검토합니다. 제4절에서는 현재 상업용 및 연구용 플랫폼 전반의 휴머노이드 로봇 배터리 수명 제약을 목록화합니다. 제5절에서는 전력 가격이 의미 있게 다른 지역에 걸쳐 AV 경제 모델에 에너지 비용을 통합합니다.
제1절 — AV 차량대 충전: 스케일에서의 에너지 수요
AV 차량대의 에너지 수요는 차량 수와 주행 패턴에 비례하여 선형적으로 확대되지만, 디포 인프라 계획 및 운영 비용 평가 시 무시할 수 없는 규모의 절대값이 됩니다. 아래 표는 현재 및 가상의 AV 배포에서 공개된 차량 수와 배터리 사양으로부터 차량대 에너지 수요 모델을 구축합니다.
| 차량대 시나리오 | 차량 수 | 차량당 1일 에너지 | 차량대 1일 총 에너지 수요 | 연간 수요 |
|---|---|---|---|---|
| Waymo 피닉스 차량대 (추정) | ~1,100대 (추정) | ~80 kWh/일 (추정, 재규어 I-PACE 배터리 ~90 kWh, 1사이클) | ~88 MWh/일 (추정) | ~32 GWh/년 (추정) |
| Waymo SF 차량대 (추정) | ~700대 (추정) | ~80 kWh/일 (추정) | ~56 MWh/일 (추정) | ~20 GWh/년 (추정) |
| Tesla 로보택시 차량대 (가상 1만 대) | 10,000 | ~70 kWh/일 (추정, Model Y LR) | ~700 MWh/일 (추정) | ~255 GWh/년 (추정) |
| Cybercab 차량대 (가상 10만 대) | 100,000 | ~40 kWh/일 (추정, 소형 배터리 목표) | ~4,000 MWh/일 (추정) | ~1.46 TWh/년 (추정) |
| 참고: 미국 연간 전력 소비 | — | — | ~4,000 TWh/년 (미국 총계) | 10만 대 Cybercab 차량대 = 미국 전력의 ~0.037% (추정)——관리 가능한 수준 |
이 수요 모델에서 몇 가지 중요한 관찰이 도출됩니다. 첫째, 피닉스의 1,100대 차량대는 연간 약 32 GWh를 소비합니다——미국 평균 가정 약 3,000세대의 연간 에너지 소비에 해당하지만, 전용 디포에서 상업 전력 회사가 서비스를 제공하기에 충분히 대응 가능한 규모입니다. 둘째, Tesla의 가상 1만 대 로보택시 차량대는 연간 약 255 GWh를 필요로 하며, 이는 1자릿수 더 큰 수치입니다. 셋째, 10만 대 Cybercab 시나리오의 연간 1.46 TWh는 미국 전력 공급의 상당하지만 관리 가능한 비율입니다. 차량대 운영자에게 중요한 것은 전국적 비율이 아니라 특정 디포 위치의 로컬 그리드 용량입니다.
제2절 — 디포 충전 인프라 요구 사항
AV 차량대 운영자는 차량 수와 운영 일정에 맞게 디포 충전 인프라를 구축하거나 임대해야 합니다. 충전 유형 선택은 디포의 자본 비용과 차량대의 운영 유연성——구체적으로는 충전 사이클 후 차량이 얼마나 빨리 서비스에 복귀할 수 있는지——을 모두 결정합니다.
| 충전 유형 | 스탈당 전력 | 완전 충전 시간 | 최적 용도 | 스탈당 비용 (추정) |
|---|---|---|---|---|
| Level 2 AC (J1772) | 7-19 kW | 4-12시간 | 야간 디포 충전 | 설치 포함 $3K-8K (추정) |
| DC 급속 충전 (CCS/CHAdeMO) | 50-150 kW | 30-60분 | 교대 중 보충전, 높은 회전율 차량대 | 설치 포함 $15K-40K (추정) |
| 초고속 DC (350 kW) | 350 kW | 10-15분 | 거의 연속 운영 차량대 | 설치 포함 $50K-100K (추정) |
| Tesla Supercharger V3 | 250 kW | 15-25분 | Tesla 로보택시 (Supercharger 네트워크) | 인프라 이미 구축됨 |
| AV 차량대에 최적 | 야간에 Level 2 + 주간 보충전에 DC 급속 | — | 차량대 혼합 충전 전략 | Level 2가 기본; DC는 높은 회전율용 |
| Waymo 피닉스 디포 (추정) | ~100-200개 Level 2 스탈 (추정) | 야간 충전 윈도우 | 피닉스 차량대: 오전 2-6시 저수요 시간대 충전 | 디포 충전 설치 $1M-3M (추정) |
예측 가능한 야간 윈도우에 차량을 디포로 반납할 수 있는 차량대의 경우, 7-19 kW의 Level 2 AC 충전이 비용 효율적인 기본 솔루션입니다. 11 kW(L2)에서 90 kWh 배터리를 거의 방전 상태에서 완전 충전까지 약 8시간이 걸리며, 야간 디포 윈도우에 딱 맞습니다. 스탈당 $3K-8K의 설치 비용은 기본 충전 부하에 대해 경제적으로 지배적인 선택입니다.
Tesla의 Supercharger 네트워크는 로보택시 시나리오에서 구조적 우위입니다: 250 kW V3 Supercharger가 이미 수천 곳에 배포되어 있어, 상업 차량대 운영자가 처음부터 구축해야 하는 분산형 교대 중 보충전 옵션을 제공합니다.
제3절 — 훈련 컴퓨팅 에너지: Dojo와 TPU 클러스터
피지컬 AI 시스템을 구동하는 AI 모델 훈련에 소비되는 에너지는 차량대 운영 충전과는 별개의 비용 범주입니다. 훈련 에너지는 자본 지출과 유사합니다——전체 차량대에 배포되는 모델 능력을 생성하기 위해 선행 투자됩니다.
| 시스템 | 전력 소비 (추정) | 연간 에너지 (추정) | $0.05/kWh 기준 비용 (추정) | 비고 |
|---|---|---|---|---|
| Tesla Dojo ExaPOD (1기) | ~3-10 MW 연속 (추정) | ~26-88 GWh/년 (추정) | $1.3M-4.4M/년 (추정) | Dojo D1은 효율 최적화; 정확한 TDP 미공개 |
| NVIDIA H100 클러스터 (1만 GPU 상당) | ~4 MW 연속 (추정, 클러스터 레벨 GPU당 유효 ~400W) | ~35 GWh/년 (추정) | $1.75M/년 (추정) | H100 TDP ~700W; 냉각 포함 클러스터는 ~400W/GPU 유효 (추정) |
| Google TPU v4 Pod (Waymo 훈련) | H100 클러스터 범위와 유사 (추정) | — | — | Google은 재생 에너지 사용; 유효 탄소 비용 낮음 |
| 맥락 | Dojo 에너지 비용은 스케일에서 중요한 OpEx 항목 | — | 다중 ExaPOD Dojo: 연간 전기료 잠재적 $10M-50M (추정) | 하지만 사고 감소 모델 훈련 가치는 훈련 에너지 비용을 상회 |
| 에너지 효율 지표 | 훈련 FLOP당 비용: 경쟁의 핵심 | Dojo 대 H100의 FLOP/Watt: 미공개 | — | Dojo의 FLOP/Watt가 H100을 상회하면 스케일에서 에너지 우위가 복리 성장 |
가장 중요한 관찰은, 높은 추정값에서도(ExaPOD 1기당 연간 $4.4M), 훈련 에너지 비용은 경쟁력 있는 자율 주행 시스템 개발에 필요한 총 투자 대비 상대적으로 작은 부분이라는 것입니다. Tesla의 Dojo 투자는 수십억 달러의 하드웨어 자본으로 측정됩니다; 해당 하드웨어를 운영하는 연간 전기료는 하드웨어 감가상각 비용보다 1자릿수 작습니다.
진정으로 중요한 것은 FLOP/Watt 효율——소비 전력 와트당 유효 훈련 부동소수점 연산 수입니다. Tesla는 이 지표를 염두에 두고 Dojo D1 칩을 설계하여 비디오 기반 자율 주행 훈련의 특정 계산 패턴에서 일반 GPU 클러스터를 능가하는 것을 목표로 했습니다. Dojo가 H100보다 의미 있게 높은 FLOP/Watt를 달성한다면, 스케일에서 에너지 우위가 복리로 증가합니다.
제4절 — 휴머노이드 로봇 배터리 수명: 운영 시간의 제약
휴머노이드 로봇에게 탑재형 배터리 수명은 모든 배포 시나리오의 상업적 실행 가능성을 직접 결정하는 운영 제약입니다. 90분마다 충전이 필요한 로봇은 여러 번의 배터리 교환이나 장시간 가동 중단 없이 연속적인 공장 교대를 수행할 수 없습니다.
| 로봇 | 배터리 용량 (추정) | 1회 충전당 가동 시간 (추정) | 충전 시간 (추정) | 운영상 의미 |
|---|---|---|---|---|
| Tesla Optimus | 미공개; ~2 kWh (추정, 폼팩터 기반) | ~4-8시간 활성 작동 (추정) | ~1-2시간 (추정) | 공장 배포: 교대당 1회 충전; 연속 작업에는 배터리 교환 |
| Boston Dynamics Atlas | ~2-3 kWh (추정) | ~1-2시간 (추정) | ~1시간 (추정) | 연구 로봇; 낮은 가동 시간이 상업적 효용 제한 |
| Unitree H1 | ~1.2 kWh (공개됨 ~500 Wh x 2) | ~1.5-2시간 (추정) | ~2-3시간 (추정) | 연구 등급; 상업 목표보다 짧은 가동 시간 |
| Unitree G1 | ~400 Wh (추정) | ~1-2시간 (추정) | ~1-2시간 (추정) | 낮은 비용 = 소형 배터리; 명시적 트레이드오프 |
| Figure 02 | 미공개 | ~4-8시간 목표 (추정) | — | 상업 배포에는 교대 길이 가동 시간 필요 |
| Agility Digit | 미공개 | ~4시간 (추정) | — | Amazon 창고 배포; 휴식 중 충전 |
| 상업 목표 | 1회 충전당 8시간 이상 또는 30분 미만 핫스왑 배터리 | — | 가동 중단 없는 교대 길이 작동 | — |
| 현재 격차 | 대부분의 휴머노이드 1-4시간; 상업 목표 8시간 이상 | — | — | 배터리 기술이 운영 시간의 병목 |
배터리 제약은 표가 보여주는 것보다 더 심각합니다. 가동 시간 수치는 보통 실험실 또는 가벼운 부하 조건을 나타냅니다. 고토크 조작 작업——박스 운반, 도구 작동, 계단 오르기——에서 로봇은 경도 검사나 정지 상태보다 훨씬 더 많은 전류를 소비합니다. 상업적 작업 부하에서의 실제 운영 가동 시간은 공칭 배터리 수명보다 30-50% 낮을 수 있습니다 (추정).
현재 배터리 수명(연구 플랫폼 1-4시간; 상업 목표 플랫폼 잠재적 4-8시간)과 8시간 이상의 교대 길이 운영 요구 사항 사이의 격차에는 두 가지 잠재적 해결책이 있습니다: 배터리 에너지 밀도 향상과 핫스왑 배터리 시스템입니다. 두 가지 모두 공학적으로 해결 가능한 문제이지만, 설계 복잡성과 비용이 증가합니다.
제5절 — AV 경제학 변수로서의 에너지 비용
전력 요금의 지리적 변동은 AV 차량대 운영 비용에 의미 있는 차이를 만들어내지만, 이 요인은 아직 공개 AV 경제 모델에 체계적으로 통합되지 않았습니다. 미국의 상업용 전력 요금은 최저 비용 시장(텍사스주 및 애리조나주 일부)과 최고 비용 시장(캘리포니아주) 사이에서 약 4배의 차이가 있습니다.
| 지역 | 상업용 전력 요금 (추정) | AV 마일당 에너지 비용 (추정) | 차량당 연간 에너지 비용 (추정) |
|---|---|---|---|
| 애리조나주 피닉스 | ~$0.06-0.08/kWh (추정, APS/SRP 상업용) | ~$0.003-0.004/마일 (추정) | ~$150-200/대/년 (추정) |
| 캘리포니아주 샌프란시스코 | ~$0.20-0.25/kWh (추정, PG&E 상업용) | ~$0.010-0.013/마일 (추정) | ~$500-650/대/년 (추정) |
| 뉴욕시 | ~$0.15-0.20/kWh (추정, ConEd 상업용) | ~$0.008-0.010/마일 (추정) | ~$400-500/대/년 (추정) |
| 텍사스주 (ERCOT) | ~$0.06-0.09/kWh (추정, 규제 완화 시장) | ~$0.003-0.005/마일 (추정) | ~$150-250/대/년 (추정) |
| 시사점 | 피닉스와 텍사스의 전력 요금은 SF보다 약 3-4배 낮음 | — | 피닉스/TX AV는 SF 대비 차량당 연간 $300-450의 에너지 비용 우위 (추정) |
| 1,000대 차량대 | SF 대 피닉스 에너지 비용 차이: 연간 ~$300K-450K (추정) | — | $15M-30M의 디포 운영 대비 지배적이지 않지만 최적화 가치 있음 |
차량당 연간 $300-450의 에너지 비용 격차는 실재하지만 지배적이지 않은 AV 비용 구조 요인입니다. 에너지 비용이 전략적으로 중요한 이유는 다른 지리적 변수와의 상호작용에 있습니다. 피닉스는 전력 요금이 저렴할 뿐만 아니라 AV 연속 운영에 유리한 기후, 낮은 도시 주행 복잡성, 허용적인 규제 환경을 갖추고 있습니다. 에너지 비용 차이는 여러 비용 범주에 걸쳐 동시에 복합 효과를 발생시키는 더 광범위한 지리적 경제 우위의 한 구성 요소일 뿐입니다.
디포 인프라의 경우, 디포 위치의 전력 요금은 DCFC 대 Level 2 충전의 경제성에도 영향을 미칩니다. $0.06/kWh(피닉스)에서는 90 kWh 배터리를 완전 방전에서 완전 충전까지 약 $5.40가 듭니다; $0.23/kWh(PG&E 상업용)에서는 동일한 충전이 약 $20.70입니다. 하루 1회 완전 충전 사이클을 수행하는 1,000대 차량대의 경우, 이는 연간 약 $550만 대 $2,070만의 전기료 차이(추정)——Waymo가 목표로 하는 차량대 규모에서 무시할 수 없는 차이입니다.
제6절 — 에너지가 과소평가된 벤치마크 차원인 이유
에너지 비용은 현재의 AV 차량대 규모에서 차량 감가상각, 디포 운영, 원격 지원 인력 대비 실제로 작기 때문에 합리적 이유로 과소평가되어 왔습니다. 그러나 규모가 수십만 대로 확대될 때, 절대적인 차량대 레벨의 연간 전력 지출, 디포 인프라 자본 요건, 그리고 전력 요금과 지리적 배포 전략의 상호작용이 에너지를 1차 변수로 만듭니다.
$0.20/kWh에서 10만 대 AV 차량대는 연간 $2.92억의 전기료가 듭니다; $0.07/kWh에서는 $1.02억입니다. 이 $1.9억의 차이는 전국 규모의 AV 경제성에서 중요합니다. 훈련 컴퓨팅 에너지도 모델이 대형화되고 훈련이 길어짐에 따라 FLOP/Watt 효율이 점점 더 중요한 경쟁 차별화 요인이 됩니다.
휴머노이드 로봇에게 배터리 수명은 과소평가된 변수가 아닙니다——업계는 이를 핵심 제약으로 널리 인식합니다. 과소평가된 것은 시스템 레벨의 에너지 경제성입니다: 유효 작업 시간당 에너지 비용, 그리고 그것이 대체하는 인건비와의 비교입니다. 4시간 교대에 2 kWh를 소비하는 휴머노이드 로봇의 경우 $0.10/kWh에서 교대당 에너지 비용이 $0.20에 불과합니다——무시할 수 있는 변동 비용입니다. 구속력 있는 제약은 배터리 수명(운영 시간)과 로봇 자체의 자본 비용입니다.
벤치마크 결론은 에너지가 현재 피지컬 AI 경제에서 2차 변수라는 것입니다——추적할 가치가 있고, 스케일에서 중요하지만, 현재 차량대 규모에서는 성패를 결정하는 주요 차별화 요인이 아닙니다. 피지컬 AI가 수천 대에서 수십만 대의 배포 단위로 확대될 때 에너지는 1차 변수가 됩니다.
주의: “（추정）“으로 표시된 모든 수치는 2026년 중반 기준 공개 사양, EIA 전력 요금 데이터, 제1원칙 모델링에 기반한 방향성 추정입니다. AV 차량대 규모, Dojo 전력 소비, 휴머노이드 로봇 배터리 사양은 운영자가 일률적으로 공개하지 않으므로 추정값은 자릿수 규모의 벤치마크로 취급해야 합니다. 본 기사는 투자 조언을 구성하지 않습니다.
출처
- Tesla 에너지 소비 데이터 — Tesla ↗
- Waymo 차량대 운영 — Waymo ↗
- NVIDIA H100 전력 사양 — NVIDIA ↗
- Unitree G1 사양 — Unitree ↗
- 미국 상업용 전기 요금 — EIA ↗