Two layers of the same physical-AI stack

DEEPX used CES 2026 to position itself as physical-AI infrastructure. Its roadmap emphasized the DX-M2, an advanced-process edge processor targeting generative models under a sub-5-watt envelope, plus an open-source alliance with ecosystems including Ultralytics and Baidu PaddlePaddle. DeepFusion AI approached the problem from the sensor side, integrating 4D imaging radar, cameras, and LiDAR with deep-learning-based fusion and receiving a Best of Innovation recognition in AI.

The two companies should not be read as separate CES stories. Physical AI requires a chain from noisy measurements to a bounded action. DeepFusion AI works on extracting stable scene structure from complementary sensing modalities; DEEPX works on making inference deployable near the machine. The product boundary between them is the representation: detections, occupancy, tracks, uncertainty, or learned features that must move across a constrained bus under a deadline.

하나의 Physical AI 스택에 있는 두 계층

DEEPX는 CES 2026에서 자신을 Physical AI 인프라 기업으로 포지셔닝했다. 로드맵의 중심은 5W 미만 전력에서 생성형 모델을 목표로 하는 첨단 공정 엣지 프로세서 DX-M2와 Ultralytics·Baidu PaddlePaddle 등을 포함한 오픈소스 연합이었다. DeepFusion AI는 센서 측면에서 접근했다. 4D 이미징 레이더, 카메라, LiDAR를 딥러닝으로 융합하며 AI 부문 최고혁신상을 받았다.

두 회사를 서로 분리된 CES 이야기로 볼 필요는 없다. Physical AI는 노이즈가 있는 측정에서 제한된 행동까지 이어지는 체인이다. DeepFusion AI는 상호 보완적 센서에서 안정된 장면 구조를 추출하고, DEEPX는 추론을 기계 가까이 배치 가능하게 만든다. 두 기술 사이의 제품 경계는 표현이다. 검출, occupancy, track, 불확실성 또는 학습 특징이 제한된 버스와 마감시간 안에서 이동해야 한다.

The benchmark should be end-to-end

An NPU benchmark that reports throughput without preprocessing, memory transfer, thermal throttling, and compiler fallback is incomplete. A sensor-fusion benchmark that reports average precision without rain, multipath, sparse returns, temporal misalignment, and calibration drift is also incomplete. For a vehicle or robot, the correct unit is end-to-end risk under power and latency limits.

A credible joint evaluation would stream synchronized radar, camera, and LiDAR data through the deployed model, measure 95th- and 99th-percentile latency, energy per frame, calibration error, and missed-object rate by weather and range, then propagate the output into a planner. This reveals whether a small perception gain actually changes braking distance or collision probability. It also prevents attractive component metrics from hiding system-level regressions.

벤치마크는 종단 간이어야 한다

전처리, 메모리 전송, 열 스로틀링, 컴파일러 폴백을 제외한 NPU 처리량 벤치마크는 불완전하다. 비, 다중 경로, 희소 반사, 시간 불일치, 캘리브레이션 드리프트 없이 평균 정밀도만 보고하는 센서 융합 벤치마크도 불완전하다. 차량이나 로봇에서 올바른 단위는 전력과 지연 제한 아래의 종단 간 위험이다.

설득력 있는 공동 평가는 동기화된 레이더·카메라·LiDAR 데이터를 배포된 모델에 스트리밍하고, 95·99백분위 지연, 프레임당 에너지, 캘리브레이션 오차, 날씨·거리별 미검출률을 측정한 뒤 출력을 플래너까지 전달해야 한다. 그래야 작은 인지 성능 향상이 실제 제동거리나 충돌 확률을 바꾸는지 알 수 있다. 또한 매력적인 부품 지표가 시스템 회귀를 숨기는 것을 막는다.

Where a Korean startup can win

The opportunity is not to reproduce the largest cloud model. It is to own the difficult deployment layer: quantized models, sensor timing, deterministic runtime, diagnostics, and reference designs validated with domestic mobility and industrial partners. Korea has dense manufacturing, automotive, robotics, and semiconductor supply chains. If startups publish reproducible toolchains and failure envelopes—not only peak specifications—they can become infrastructure suppliers for global physical-AI products.

한국 스타트업이 이길 수 있는 지점

기회는 가장 큰 클라우드 모델을 복제하는 데 있지 않다. 양자화 모델, 센서 타이밍, 결정적 런타임, 진단, 국내 모빌리티·산업 파트너와 검증된 레퍼런스 설계라는 어려운 배포 계층을 소유하는 데 있다. 한국은 제조, 자동차, 로봇, 반도체 공급망이 밀집해 있다. 스타트업이 최고 사양뿐 아니라 재현 가능한 툴체인과 실패 범위를 공개한다면 글로벌 Physical AI 제품의 인프라 공급자가 될 수 있다.