Executive Summary

싱가포르 AI 전략, 숫자로 보면

아래 수치는 모두 본문에서 근거와 함께 다룬다. 회원 수·인증 건수는 공개 시점(2026-07 기준)에 따라 변할 수 있어 변화량·희소성으로 표기한다.

개별 발표를 하나로 묶으면 싱가포르의 전략은 아래 세 층의 스택으로 그려진다. 위층은 아래층에 의존한다. 정책이 자원을 배분해 인프라를 세우고, 인프라가 실세계 데이터를 만들며, 증빙이 그 데이터를 신뢰 가능하게 만든다.

싱가포르의 2026년 예산(Budget 2026)은 AI를 성장 논의의 곁가지가 아니라 국가 전략의 중심축으로 올려놨다. 예산 문서는 "AI를 전략적 우위로 활용한다(Harness AI as a Strategic Advantage)"는 표현으로 방향을 못 박았다. 자원이 풍부하지 않은 도시국가가 다음 10년의 생산성을 어디서 끌어올릴 것인가에 대한 대답으로 AI를 지목한 셈이다.

이 선언을 집행으로 옮기는 장치가 국가 AI 위원회(National AI Council)다. 총리 로런스 웡(Lawrence Wong)이 직접 의장을 맡고 부총리와 주요 장관이 참여하는 부처 간 최상위 기구로, R&D·규제·투자 유치를 한 방향으로 정렬하는 역할을 한다. 정부 조직에서 누가 회의를 주재하느냐는 그 의제의 우선순위를 드러낸다. 총리가 의장인 위원회는, AI를 특정 부처의 사업이 아니라 국가 경영의 문제로 다루겠다는 신호다.

1.1자원이 몰리는 곳, 4대 국가 AI 미션

위원회는 자원을 흩뿌리지 않고 4대 국가 AI 미션에 집중한다. 첨단 제조, 금융 서비스, 커넥티비티(디지털 인프라), 헬스케어다. 이 네 섹터를 고른 근거는 단순하다. 싱가포르 경제에서 차지하는 비중이 크기 때문이다. 여러 정책 분석은 이 4개 미션 영역이 싱가포르 GDP의 약 40%에 해당한다고 본다. 그중 첨단 제조가 최우선 육성 분야로 꼽힌 점이 이 보고서의 관심과 직결된다. 제조 현장은 로봇·센서·비전이 실세계에서 작동하는 대표적 Physical AI 무대이고, 그 무대의 데이터 품질이 곧 배포의 관문이 되기 때문이다.

정책이 말로 끝나지 않으려면 재정 그릇이 필요하다. 싱가포르는 5년 단위 연구·혁신·기업(RIE) 계획으로 국가 R&D를 담아 왔고, 최신판인 RIE2030에 약 S$37B(약 370억 싱가포르달러)를 배정했다. 직전 계획 대비 약 32% 늘어난 규모다. 여기에 공공 부문 AI R&D를 위한 별도 재원(S$1B 규모)이 함께 발표되면서, 정책 선언과 예산이 같은 방향을 가리키게 됐다.

정책이 방향을 정했다면, 인프라는 그 방향으로 실제 데이터를 만들어 낸다. 싱가포르가 고른 무대는 북동부의 신도시 Punggol Digital District(PDD)다. 정보통신미디어개발청(IMDA)이 주택·산업단지 개발을 맡는 JTC, 싱가포르 기술대학(SIT), 그리고 8개 산업 파트너와 함께, 배송·보안·청소 로봇을 실제 공공 공간에서 시범하는 Physical AI 테스트베드를 세우고 있다.

먼저 자연스러운 질문 하나. 로봇 시범은 세계 어디서나 하는데, 이게 왜 특별한가. 배경을 보면 답이 나온다. 싱가포르는 이미 세계에서 가장 자동화된 나라 중 하나다. 국제로봇연맹(IFR)의 「World Robotics 2025」에 따르면 싱가포르의 산업용 로봇 밀도는 노동자 1만 명당 818대로 세계 2위이며(1위는 한국), 세계 평균의 약 5배에 이른다. 이미 자동화가 포화에 가까운 나라가 다음 단계로 "실세계에서 스스로 학습하고 판단하는" Physical AI로 넘어간다는 점이, 이 테스트베드를 단순한 로봇 전시가 아니라 국가 전략의 다음 수순으로 만든다.

국가별 산업용 로봇 밀도를 나란히 놓으면 싱가포르의 출발선이 어디인지 분명해진다.

2.1왜 '다중 운영자·복합 용도 공공 공간'인가

PDD 테스트베드의 핵심 성격은 여러 운영자의 여러 로봇이 같은 공공 공간에서 동시에 움직인다는 데 있다. 단일 기업이 통제된 물류창고 한 곳에서 로봇을 돌리는 것과는 문제의 난이도가 다르다. 배송 로봇과 보안 로봇, 청소 로봇이 같은 보행로에서 사람과 뒤섞이면, 각 로봇의 센서·비전 데이터가 서로 다른 포맷·품질로 쏟아진다. 이 데이터가 표준화·검증되지 않으면 로봇 간 상호운용성도, 배포 신뢰성도 성립하지 않는다. 즉 이 테스트베드는 그 자체로 "실세계 데이터 품질 문제"를 국가 규모로 노출시키는 장치다.

이 실증을 제도가 뒷받침한다. 육상교통청(LTA)은 구역 단위 규제 면제(precinct-level exemption)로 PDD 구역 안 공공 보행로에서의 로봇 주행을 개별 허가 없이 허용했다. 로봇 하나하나에 허가를 받아야 하던 방식에서, 정해진 구역 안에서는 실증을 열어 주는 방식으로 규제를 바꾼 것이다. 실세계 데이터를 대규모로 모으려면 이런 규제 설계가 데이터 인프라만큼 중요하다.

2.2R&D 앵커 — NVIDIA 현지 연구소

인프라 층의 또 다른 축은 NVIDIA의 싱가포르 연구소다. 2026년 상반기 발표된 이 거점은 embodied AI(제조 현장에서 지각·추론·행동을 수행하는 AI)와 efficient AI computing(비용·에너지 효율) 두 방향을 연구하는 것으로 알려져 있다. Punggol 테스트베드가 만드는 센서·비전 데이터와 이 연구 어젠다는 직결된다. 실세계에서 데이터를 만드는 테스트베드와, 그 데이터로 모델을 학습·최적화하는 연구소가 같은 도시 안에 놓이면서, 데이터에서 모델까지의 고리가 지리적으로도 좁혀졌다.

싱가포르가 왜 "증빙" 층까지 국가가 나서서 세우는지 이해하려면, Physical AI 배포의 진짜 병목이 어디인지 짚어야 한다. 결론부터 말하면, 병목은 모델이 아니라 데이터다. 더 정확히는, 로봇·센서가 실세계에서 만드는 데이터의 품질이다.

3.1시뮬레이션에서 현실로 넘어갈 때 무너진다

로봇 학습은 대개 시뮬레이션에서 시작한다. 가상 환경은 값싸고 빠르고 안전하기 때문이다. 문제는 그렇게 배운 정책(policy)을 실세계에 옮길 때 성능이 급격히 떨어지는 현상, 이른바 sim-to-real 격차다. 시뮬레이션의 데이터 분포와 현실의 데이터 분포가 어긋나 있기 때문이다. 로보틱스 연구는 이 격차를 좁히려고 학습 데이터에 의도적으로 잡음·조명·질감 변화를 주입하는 도메인 랜덤화(domain randomization) 같은 기법을 발전시켜 왔다. 이 계열의 초기 랜드마크로 흔히 Tobin 등의 도메인 랜덤화 연구(IROS 2017)가 인용되며, 이후 방법론은 여러 sim-to-real 서베이로 정리됐다. 요점은 방법이 무엇이든 결국 데이터 분포를 다루는 문제라는 것이다.

3.2규모만으로는 부족하다, 품질이 곧 성능

로봇 학습 데이터는 점점 커지고 있다. 여러 기관·로봇의 데이터를 한데 모아 일반화 성능을 끌어올린 Open X-Embodiment 같은 대규모 협업 데이터셋이 대표적이다. 이런 시도는 데이터의 규모와 다양성이 embodied AI의 핵심 자원임을 보여준다. 그러나 규모가 크다고 좋은 데이터가 되는 것은 아니다. "모델을 고정하고 데이터를 개선해 성능을 높인다"는 데이터 중심 AI(data-centric AI)의 문제의식이 여기서 나온다. 같은 모델이라도 라벨의 정확성, 편향의 유무, 특정 상황의 과소·과대 표집 여부에 따라 성능이 크게 달라진다.

데이터 품질을 방치하면 비용은 조용히, 그러나 하류에서 증폭된다. Sambasivan 등의 「Data Cascades」 연구(CHI 2021)는 고위험 AI에서 초기 데이터 문제가 파이프라인을 따라 연쇄적으로 커지며 결국 배포 실패로 번지는 양상을 실증했다. "모두가 모델 작업을 하고 싶어 하고 데이터 작업은 하려 하지 않는다"는 이 연구의 관찰은, 데이터 품질이 왜 방치되기 쉬운 병목인지를 정확히 짚는다.

▲ 페블러스 원본 도식 (Sambasivan et al., "Data Cascades," CHI 2021 — Fig. 개념 재해석)

※ 이 섹션에서 언급한 학술 문헌의 정확한 서지 정보(저자·연도·식별자)는 참고문헌 절에 정리했으며, arXiv·DOI 링크는 원문 대조로 확정한 것만 표기했다.

데이터가 병목이라면, 그 데이터를 "신뢰할 수 있다"고 어떻게 증명할까. 싱가포르의 대답은 증빙(assurance)을 하나의 산업으로 키우는 것이다. 이 층의 중심에 AI Verify Foundation이 있다. 2023년 출범한 이 조직은 신뢰할 수 있는 AI를 위한 글로벌 오픈소스 커뮤니티를 표방하며, 정부(IMDA)가 씨앗을 뿌리고 산업이 참여하는 구조로 운영된다.

4.1테스트를 실제로 돌린다 — 4대 프로그램

AI Verify Foundation의 특징은 원칙 선언에 그치지 않고 실제로 테스트를 돌리는 도구와 절차를 제공한다는 데 있다. 네 가지 프로그램이 그 뼈대다.

• AI Verify 테스팅 프레임워크·툴킷 — 공정성·설명가능성·견고성 등을 표준화된 방식으로 점검하는 오픈소스 도구.
• Project Moonshot — 대규모 언어모델(LLM)의 안전성·성능을 평가하고 레드팀 테스트를 돕는 도구.
• Global AI Assurance Sandbox — 실세계 애플리케이션을 실제 환경에서 검증하는 샌드박스. 2025년 초 파일럿(배포기관 17곳과 테스터 16곳의 첫 페어링)을 거쳐 그해 7월 정식 전환됐고, 2026년 중반까지 14개 산업 섹터에 걸쳐 30개 AI 애플리케이션이 이곳에서 검증을 거쳤다. 원칙이 아니라 실제로 돌아가는 증빙 인프라라는 뜻이다.
• AI Tester Accreditation Programme(AI TAP) — AI를 검증하는 '테스터' 자체를 인증하는 프로그램. 설계상 아시아 최초로 알려졌으며 2026년 3분기 출범 예정이다. 아직 첫 인증 사례는 나오지 않았다.

생태계의 성장세도 뚜렷하다. AI Verify Foundation의 회원은 출범 초기 소수(프리미어 회원 7개 수준)에서 시작해, 공식 페이지 기준(2026년 7월) 300개가 넘는 기관으로 늘었다. 로고 카운트라 정확한 숫자는 시점마다 흔들리지만, "출범 3년 만에 수십 배 규모의 생태계"라는 성장 자체가 신뢰 증빙이 하나의 시장으로 성립하고 있음을 보여준다.

4.2표준으로 못 박기: ISO/IEC 5259와 세계 최초 인증

테스트를 돌리려면 "무엇을 좋은 데이터로 볼 것인가"의 기준이 있어야 한다. 그 국제 표준이 ISO/IEC 5259 시리즈다. 분석·머신러닝용 데이터 품질을 데이터 생애주기 전반에서 다루는 표준군으로, 아래처럼 여러 파트로 나뉜다.

여기서 상징적인 사건이 하나 있다. 2025년 말, 인증기관 SGS가 세계 최초로 ISO/IEC 5259-3(데이터 품질 관리) 인증을 발급했다. 그리고 이 글을 쓰는 시점까지 전 세계에서 이 인증은 여전히 그 한 건뿐이다. 표준 문서가 존재하는 것과, 실제로 그 표준으로 조직을 인증하는 것은 다른 일이다. 세계에 단 하나의 인증만 있다는 사실은, 데이터 품질 증빙이 성숙한 시장이 아니라 이제 막 문이 열린 초기 국면임을 정확히 보여준다.

여기까지 보면 흥미로운 구조가 눈에 들어온다. 싱가포르가 국가 단위로 쌓는 스택은, 데이터 품질 회사인 페블러스가 기업 단위로 걸어온 길과 층위별로 겹친다. 규모(국가 대 기업)와 인정 경로가 다를 뿐, 목적지는 같다. "데이터 품질을 검증 가능하게 만든다"는 것이다.

먼저 오해를 하나 짚고 가자. 싱가포르는 KOLAS로 검증하지 않는다. KOLAS는 한국의 국가 인정기구이고, 싱가포르의 국가 인정기구는 SAC-SINGLAS다. 싱가포르는 AI Verify Foundation과 SGS(ISO/IEC 5259-3)라는 경로로, 페블러스는 한국에서 KOLAS 인정 추진과 ISO/IEC 5259-2, 그리고 DataClinic이라는 경로로 신뢰를 증빙한다. 서로 다른 기관, 서로 다른 표준 파트를 통하지만 향하는 곳은 같다. 아래 표는 그 평행 관계를 층위별로 정리한 것이다. 두 주체를 동일시하는 표가 아니라, 같은 문제를 다른 규모에서 어떻게 푸는지를 나란히 놓은 대조표다.

이 표에서 읽어야 할 것은 "페블러스가 싱가포르와 같다"가 아니라, 같은 성숙도 모델이 국가와 기업 두 규모에서 동시에 진행 중이라는 사실이다. 싱가포르는 국가가 정책을 선언하고 인프라를 세우고 증빙 생태계를 만든다. 페블러스는 그 세 층을 고객·프로젝트 단위로 축소해 재현한다. 데이터를 진단하고(DataClinic), 국제 표준으로 측정하며(ISO/IEC 5259-2), 그 결과를 제3자가 인정하는 체계(KOLAS 인정 추진)로 뒷받침하는 흐름이다. 페블러스의 KOLAS 인정은 아직 추진 단계이며, 구체 일정·범위는 확정 시점에 별도로 밝히는 것이 정확하다.

그렇다면 한국은 어디쯤 있을까. 절대 규모만 보면 한국이 앞선다. 2026년 한국의 AI 관련 예산은 약 10조 원으로 전년 대비 약 3배 늘었고, 산업용 로봇 밀도는 1만 명당 1,220대로 세계 1위다. 싱가포르(818대)보다 높고, 컴퓨팅·반도체·하드웨어 투자에서도 규모의 우위가 뚜렷하다.

그런데 이 보고서가 추적해 온 축, 곧 '국가 단위의 신뢰 증빙 인프라'로 시선을 좁히면 그림이 달라진다. 오픈 생태계(AI Verify Foundation), 총리 의장의 조율 기구(국가 AI 위원회), 국제 표준 기반 인증(SGS·ISO/IEC 5259-3)을 하나의 스택으로 구조화한 것은 싱가포르가 먼저다. 한국의 대규모 투자는 대체로 컴퓨팅·모델·하드웨어 층에 집중돼 있고, "데이터가 신뢰할 만한지를 제3자가 증빙하는" 층은 상대적으로 얇다. 규모의 문제가 아니라 스택의 완성도 문제다.

이 대비는 한국을 낮춰 보려는 것이 아니다. 오히려 반대다. 한국은 데이터를 만들고 모델을 돌릴 하드웨어·인력·시장을 이미 갖췄다. 여기에 증빙 층을 얹으면 스택이 완성된다. 싱가포르가 그 증빙 층을 어떻게 설계했는지가 한국에게 그대로 참조 설계가 된다.

※ 위 대비는 본문에 서술된 정성적 강약을 요약한 것이며, 층위별 성숙도를 단일 점수로 계량화한 것은 아니다.

6.1동남아 진출 기업이 챙겨야 할 세 가지

동남아, 특히 싱가포르를 거점으로 검토하는 한국 AI·데이터 기업이라면, 싱가포르의 증빙 생태계는 진입 실무의 구체적 관문이 된다. 추상적 조언 대신 실제 진입점 세 가지를 정리하면 다음과 같다.

• AI Verify Foundation 참여 — 300개 이상 기관이 모인 오픈 생태계에 합류해 테스팅 프레임워크·툴킷을 실제 검증 절차로 채택한다.
• 인증기관을 통한 국제 표준 인증 — SGS 같은 기관을 통해 ISO/IEC 5259(데이터 품질)·42001(AI 경영시스템) 인증을 받아 신뢰를 문서로 증빙한다.
• Global AI Assurance Sandbox 테스트 — 실제 애플리케이션을 규제 친화적 환경에서 검증해 배포 전 리스크를 줄인다.

핵심 질문은 언제나 같다. "어떤 인증을, 어느 기관에서, 어떤 표준으로 받을 것인가." 이 세 가지를 진출 로드맵의 앞머리에 놓는 기업과, 시장에 들어간 뒤에야 고민하는 기업 사이에는 시간과 신뢰의 격차가 벌어진다.

페블러스가 싱가포르의 움직임을 눈여겨보는 데는 네 가지 이유가 있다. 자사 홍보를 위해서가 아니라, 우리가 매일 다루는 문제가 국가 규모에서 그대로 재현되고 있기 때문이다.

1비즈니스·기술 연결

Punggol 테스트베드는 페블러스가 다루는 Physical AI 실증 인프라의 국가 단위 사례다. 여러 운영자의 로봇이 같은 공공 공간에서 만드는 센서·비전 데이터는 표준화와 품질 검증 없이는 배포 신뢰성을 담보할 수 없다. 이것이 정확히 DataClinic이 진단하는 문제이자 AI-Ready Data가 해결하려는 지점이다.

2데이터 품질 관점

저품질·편향 센서 데이터가 모델의 내부 표현을 왜곡해 sim-to-real 실패로 이어진다는 인과 사슬(섹션 3)은, 페블러스가 데이터 품질을 사업의 출발점으로 삼는 이유와 같다. 싱가포르가 ISO/IEC 5259-3 인증과 AI Verify 테스팅으로 이 사슬을 표준화하려는 방향은, 페블러스가 ISO/IEC 5259-2와 KOLAS 인정 추진으로 데이터 품질을 검증 가능하게 만들려는 방향과 같은 사슬 위에 있다.

3고객·파트너 실무 함의

동남아 진출을 검토하는 한국 AI·데이터 기업에게 싱가포르는 명확한 신뢰 증빙 진입점(AI Verify Foundation, SGS 인증)을 제공한다. "어떤 인증을, 어느 기관을 통해, 어떤 표준으로" 받는지가 곧 진출 실무의 핵심이며, 데이터 품질 검증 서비스의 잠재 접점은 국가 AI 위원회·제조 미션·Punggol·AI Verify 네 축 모두에 걸쳐 있다.

4포지셔닝

"정책 선언 → 실증 인프라 → 신뢰 증빙"이라는 국가 단위 성숙도 모델은, 규모를 줄이면 기업·고객 단위에서 그대로 반복된다. 싱가포르 국가 스택과 페블러스의 데이터 품질 여정이 층위별로 평행하다는 사실은, 신뢰를 증빙 가능하게 만드는 이 흐름이 한 회사의 사업 계획이 아니라 시대의 방향임을 보여준다. 페블러스는 그 흐름 안에서 데이터 품질이라는 한 층을 맡는다.

1차 정책·정부 출처

• 1.Government of Singapore. (2026). "Budget 2026 — Harness AI as a Strategic Advantage." singaporebudget.gov.sg
• 2.IMDA. (2026). "Research, Test and Deploy Physical AI in Punggol Digital District" (Factsheet, 2026-05). imda.gov.sg
• 3.JTC Corporation. (2026). "Singapore Government and Industry Leaders to Research, Test and Deploy Physical AI in Punggol Digital District" (Press release). jtc.gov.sg
• 4.National Research Foundation Singapore. "RIE2030 — Research, Innovation and Enterprise 2030." nrf.gov.sg/rie2030
• 5.AI Times. (2026-01-25). "싱가포르, 공공 AI R&D에 10억 싱가포르달러 투입" (조세핀 테오 MDDI 장관 발표 보도). aitimes.com/205889

증빙·표준 출처

• 6.AI Verify Foundation. "About / Members / Programmes." aiverifyfoundation.sg
• 7.AI Verify Foundation. "Global AI Assurance Sandbox — Main Report." assurance.aiverifyfoundation.sg
• 8.SGS. (2025). "SGS Issues the World's First ISO/IEC 5259-3 Certification for AI Data Quality Management." sgs.com
• 9.ISO/IEC. "ISO/IEC 5259 series — Data quality for analytics and machine learning (Parts 1–6)." iso.org

데이터·시장 출처

• 10.International Federation of Robotics (IFR). (2025). "World Robotics 2025 — Industrial Robots" (robot density, 2024 data). ifr.org
• 11.The Edge Singapore / OpenGov Asia. "National AI Missions and their share of Singapore's GDP." (industry coverage)
• 12.CNBC / Mothership.sg. (2026). "NVIDIA to set up research presence in Singapore for embodied and efficient AI." (industry coverage)

학술 (데이터 품질·sim-to-real)

• 13.Tobin, J., Fong, R., Ray, A., Schneider, J., Zaremba, W., & Abbeel, P. (2017). "Domain Randomization for Transferring Deep Neural Networks from Simulation to the Real World." IROS. arXiv:1703.06907. arxiv.org/abs/1703.06907
• 14.Open X-Embodiment Collaboration. (2023). "Open X-Embodiment: Robotic Learning Datasets and RT-X Models." arXiv:2310.08864. arxiv.org/abs/2310.08864
• 15.Sambasivan, N., Kapania, S., Highfill, H., Akrong, D., Paritosh, P., & Aroyo, L. M. (2021). "'Everyone wants to do the model work, not the data work': Data Cascades in High-Stakes AI." CHI 2021. doi.org/10.1145/3411764.3445518

학술 출처의 서지 정보는 원문 대조로 확정했으며, 정책·시장 출처 중 일부는 발표 시점 기준 공개 자료다. 회원 수·인증 건수 등 시점 의존 수치는 본문에서 기준 시점(2026-07)을 명시했다.