피지컬 AI란? 사람처럼 보고 움직이는 AI 로봇이 주목받는 이유｜휴머노이드와 차이

[ 본 이미지는 생성형 AI로 제작되었습니다 ]

말로 시키면 로봇이 주변을 살펴보고, 해야 할 일을 판단한 뒤 직접 움직이는 시대가 정말 오고 있을까요?

최근 AI와 로봇 업계에서 자주 등장하는 용어가 바로 ‘피지컬 AI(Physical AI)’입니다.

ChatGPT 같은 생성형 AI가 글을 쓰고 질문에 답하는 데서 한 걸음 더 나아가, AI가 카메라와 센서로 현실 세계를 인식하고 로봇이나 자동차 같은 기계를 실제로 움직이도록 만드는 기술이 주목받고 있는 것입니다.

다만 여기서 주의할 점이 있습니다.

2026년 8월 현재 피지컬 AI가 발전하고 있는 것은 사실이지만, 영화 속 로봇처럼 무엇이든 사람 수준으로 이해하고 처리하는 기계가 이미 널리 상용화된 것은 아닙니다.

실제로는 물류센터나 자율주행처럼 비교적 명확한 환경에서는 상용화가 진행되고 있는 반면, 휴머노이드 로봇이 가정에서 집안일을 자유롭게 처리하는 기술은 여전히 연구·훈련·시범 운영 단계가 많습니다.

피지컬 AI란 무엇일까?

피지컬 AI를 아주 쉽게 표현하면,

“AI에게 눈과 귀, 그리고 움직일 수 있는 몸을 연결해 현실 세계에서 행동하도록 만드는 기술”

이라고 이해하면 쉽습니다.

NVIDIA는 피지컬 AI를 로봇과 자율 시스템이 현실 세계를 인식하고(perceive), 추론하고(reason), 학습하고(learn), 행동하도록(act) 만드는 기술로 설명합니다. Google DeepMind는 비슷한 방향의 기술을 ‘physical agents’, ‘embodied reasoning’ 등의 표현으로 설명하고 있습니다. 따라서 ‘Physical AI’라는 용어의 범위가 모든 기업이나 연구 분야에서 완전히 동일하게 정의돼 있는 것은 아닙니다.

핵심은 하나입니다.

AI의 결과가 컴퓨터 화면 안에서 끝나는 것이 아니라 실제 현실 세계의 변화로 이어진다는 것입니다.

생성형 AI와 피지컬 AI는 무엇이 다를까?

예를 들어 AI에게 이렇게 말해보겠습니다.

“주방에서 물 한 병 가져다줘.”

일반적인 생성형 AI라면 물을 가져오는 방법을 설명하거나, 로봇에게 어떤 순서로 행동해야 하는지 알려줄 수 있습니다.

하지만 실제 물병을 가져오려면 훨씬 많은 과정이 필요합니다.

로봇은 먼저 카메라로 주방을 확인해야 합니다.

물병이 어디에 있는지 찾아야 하고, 물병과 컵 또는 다른 물체를 구별해야 합니다.

주방까지 이동할 수 있는 길을 계산해야 하며, 사람이나 의자 같은 장애물도 피해야 합니다.

그 다음 손이나 로봇팔로 물병을 잡아야 하고, 떨어뜨리지 않으면서 사용자에게 가져와야 합니다.

즉,

인식 → 이해 → 계획 → 행동 → 결과 확인

이라는 과정이 계속 반복됩니다.

피지컬 AI가 기존 생성형 AI보다 어려운 이유가 바로 여기에 있습니다.

텍스트 답변이 조금 틀리면 다시 생성할 수 있지만, 현실에서 움직이는 로봇이 잘못 판단하면 물건을 깨뜨리거나 사람과 충돌할 수도 있기 때문입니다.

생성형 AI·피지컬 AI·휴머노이드 로봇은 서로 다른 개념입니다

초보자가 특히 혼동하기 쉬운 부분입니다.

따라서 ‘휴머노이드 로봇 = 피지컬 AI’라고 설명하면 정확하지 않습니다.

휴머노이드는 로봇의 ‘몸 형태’를 의미합니다.

피지컬 AI는 그 몸을 비롯해 로봇팔, 이동형 로봇, 자동차, 드론 등 다양한 물리적 시스템에 적용될 수 있는 AI 기술의 방향을 의미합니다.

사람 모양이 아닌 자율주행 자동차도 주변 상황을 인식하고 판단한 뒤 가속·제동·조향으로 연결하기 때문에 넓은 의미의 피지컬 AI 사례로 볼 수 있습니다.

로봇은 어떻게 보고, 판단하고, 움직일까?

테이블 위의 컵을 다른 곳으로 옮기는 로봇을 예로 들어보겠습니다.

먼저 카메라나 깊이 센서 등을 이용해 주변을 봅니다.

AI는 영상에서 컵, 테이블, 사람, 다른 물건의 위치를 파악합니다.

그 다음 “컵을 옮긴다”라는 목표에 맞춰 어떤 방향으로 팔을 움직일지 결정합니다.

로봇팔이 움직이고 손이나 그리퍼가 컵을 잡습니다.

컵을 옮긴 뒤 카메라와 센서를 다시 이용해 제대로 놓였는지 확인합니다.

잘못 놓였다면 다시 위치를 조정할 수 있습니다.

쉽게 정리하면 다음과 같습니다.

보고 → 이해하고 → 판단하고 → 움직이고 → 다시 확인

다만 실제 로봇의 구조는 이보다 훨씬 복잡합니다.

고수준 AI가 전체 작업을 계획하고, 별도의 제어 시스템이 관절과 모터를 매우 빠른 속도로 제어하는 등 여러 시스템이 함께 작동할 수 있습니다.

따라서 위 과정은 피지컬 AI를 이해하기 위해 단순화한 설명입니다.

컴퓨터 비전과 멀티모달 AI가 중요한 이유

로봇에게 가장 먼저 필요한 능력 중 하나는 ‘보는 능력’입니다.

컴퓨터 비전(Computer Vision)은 카메라로 촬영한 이미지나 영상을 AI가 분석해 물체와 주변 환경을 파악하는 기술입니다.

최근에는 멀티모달 AI도 중요해지고 있습니다.

멀티모달 AI(Multimodal AI)는 텍스트만 처리하는 것이 아니라 이미지, 영상, 음성 등 서로 다른 종류의 정보를 함께 이해하는 AI입니다.

예를 들어 사람이

“왼쪽에 있는 파란 상자를 선반 위에 올려줘.”

라고 말하면 로봇은 언어와 카메라 영상을 함께 이해해야 합니다.

‘파란색’, ‘상자’, ‘왼쪽’, ‘선반 위’라는 언어적 의미를 실제 공간과 연결해야 하기 때문입니다.

VLA 모델은 무엇일까?

최근 로봇 AI 분야에서 특히 자주 등장하는 용어가 VLA입니다.

VLA는 Vision-Language-Action의 약자입니다.

쉽게 말하면,

시각 정보(Vision)

• 사람의 언어 명령(Language)

• 로봇 행동(Action)

을 연결하려는 AI 모델입니다.

Google DeepMind의 Gemini Robotics 계열이나 NVIDIA의 GR00T 계열 등이 이런 흐름을 보여주는 대표적인 사례입니다.

기존 로봇은 특정 작업마다 사람이 동작 순서를 세밀하게 프로그래밍해야 하는 경우가 많았습니다.

VLA 연구가 발전하면 “이 물건을 저 상자 안에 넣어줘”처럼 자연어로 목표를 전달하고, AI가 카메라 정보를 이용해 적절한 행동을 결정하는 방향으로 발전할 수 있습니다.

하지만 VLA가 등장했다고 해서 어떤 로봇이든 처음 보는 환경에서 모든 일을 완벽하게 수행할 수 있다는 의미는 아닙니다.

왜 갑자기 피지컬 AI가 주목받기 시작했을까?

피지컬 AI가 갑자기 하나의 기술 때문에 등장한 것은 아닙니다.

여러 분야의 발전이 동시에 맞물리기 시작했기 때문입니다.

1. 생성형 AI와 대규모 AI 모델의 발전

대규모 AI 모델은 언어 명령을 이해하고 여러 단계의 작업을 계획하는 능력을 빠르게 발전시켰습니다.

이 기술을 로봇과 연결하려는 연구가 활발해졌습니다.

2. 비전 AI와 멀티모달 AI의 발전

로봇이 카메라 영상을 단순히 촬영하는 수준을 넘어 물체와 공간의 관계를 이해하는 능력이 발전하고 있습니다.

언어와 영상을 동시에 처리할 수 있다는 점도 자연어 명령과 로봇 행동을 연결하는 데 도움이 됩니다.

3. GPU와 로봇용 컴퓨팅 성능 향상

로봇은 카메라와 각종 센서 데이터를 실시간으로 처리해야 합니다.

AI 연산 성능이 높아지고 로봇 내부에서 사용할 수 있는 컴퓨팅 플랫폼도 발전하면서 더 복잡한 AI 모델을 실제 기계에서 실행할 수 있게 됐습니다.

4. 시뮬레이션 기술 발전

실제 로봇을 계속 움직이며 학습시키는 것은 비싸고 시간이 오래 걸리며 위험할 수도 있습니다.

그래서 가상의 공간에서 로봇을 먼저 훈련시키는 시뮬레이션이 중요합니다.

NVIDIA는 Isaac Sim, Isaac Lab, Cosmos 등의 기술을 이용해 로봇을 가상 환경에서 학습·시험하고 실제 로봇으로 연결하는 개발 환경을 확대하고 있습니다.

5. 로봇 데이터가 늘어나고 있다

텍스트 AI는 인터넷의 방대한 문서를 이용할 수 있었지만 로봇은 상황이 다릅니다.

물건을 어떻게 잡았는지, 어느 정도 힘을 줬는지, 어떤 관절을 움직였는지 같은 물리적인 행동 데이터가 필요합니다.

현재 로봇 업계가 실제 로봇 조작 데이터, 사람의 동작 영상, 원격 조작 데이터와 시뮬레이션에서 만든 합성 데이터를 대규모로 모으려는 이유입니다.

6. 로봇 하드웨어 자체도 발전했다

모터와 액추에이터, 배터리, 카메라, 힘 센서, 촉각 센서, 로봇손 등도 개선되고 있습니다.

AI만 똑똑해져서는 피지컬 AI가 완성되지 않습니다.

AI의 명령을 빠르고 정확하며 안전하게 실행할 수 있는 ‘몸’도 함께 발전해야 합니다.

지금 실제로 어디까지 왔을까?

2026년 피지컬 AI를 이해할 때 가장 중요한 것은 ‘멋진 영상’과 ‘실제 상용 운영’을 구분하는 것입니다.

NVIDIA — 로봇을 만드는 개발 도구와 AI 모델

NVIDIA는 완성된 가정용 로봇을 판매하는 회사라기보다 피지컬 AI 개발에 필요한 컴퓨팅·AI 모델·시뮬레이션 플랫폼을 폭넓게 제공하고 있습니다.

Isaac, GR00T, Cosmos, Jetson Thor 등이 대표적입니다.

GR00T는 휴머노이드와 로봇의 학습을 위한 모델과 개발 플랫폼이고, Isaac Sim과 Isaac Lab은 실제 로봇을 배치하기 전에 가상 환경에서 학습하고 시험하는 데 활용됩니다.

즉 NVIDIA 사례는 ‘이미 만능 로봇이 등장했다’는 의미보다는 피지컬 AI를 만들기 위한 개발 기반이 빠르게 구축되고 있다는 의미에 가깝습니다.

Google DeepMind — Gemini가 로봇 행동으로 확장되는 중

Google DeepMind는 2026년 7월 Gemini Robotics 2 계열을 공개했습니다.

Gemini Robotics 2는 시각과 언어 입력을 로봇의 운동 제어와 연결하는 VLA 모델이며, Gemini Robotics ER 2는 물리적 공간에서 계획과 추론을 담당하는 방향의 모델입니다.

Google은 휴머노이드의 전신 제어와 로봇 간 협업 등도 시연하고 있습니다. 하지만 이 발표들은 범용 가정용 로봇이 소비자에게 상용화됐다는 의미가 아니라 로봇 AI 모델과 연구·개발 기술이 발전하고 있다는 의미로 보는 것이 정확합니다.

Amazon — 물류 분야에서는 이미 로봇이 대규모로 사용되고 있다

피지컬 AI의 현실적인 모습을 보려면 물류센터가 좋은 예입니다.

Amazon은 운영 네트워크에 100만 대가 넘는 로봇을 배치했다고 밝혔습니다. 기존 이동 로봇뿐 아니라 물건을 집고 옮기는 로봇팔과 자율 이동 로봇 등 다양한 시스템이 사용되고 있습니다.

Vulcan은 시각 정보와 힘·접촉 정보를 이용해 물건을 집고 보관하는 로봇 시스템입니다.

2026년 Amazon은 자연어 명령을 받을 수 있는 차세대 Proteus도 공개했지만, 이 신형 모델은 현재 실험실 시험 단계이며 유럽 배치는 2027년 상반기로 계획돼 있습니다.

즉 ‘Amazon에 로봇이 있다’와 ‘새로운 AI 로봇 기능이 모두 상용 운영 중이다’는 구분해야 합니다.

Agility Robotics Digit — 제한된 업무에서는 상용 배치 사례도 등장

Agility Robotics의 두 발 로봇 Digit은 GXO의 실제 물류 시설에서 사용되고 있습니다.

GXO는 2024년 Agility와 다년 계약을 맺고 Digit을 실제 창고 운영에 배치했습니다.

주요 업무는 다른 자동화 장비에서 운반 상자를 받아 컨베이어로 옮기는 것처럼 범위가 명확한 반복 작업입니다.

Agility는 이후 해당 배치에서 Digit이 10만 개 이상의 토트를 옮겼다고 발표했습니다. 다만 이것 역시 ‘사람이 하는 모든 창고 업무를 처리하는 범용 로봇’이 아니라 특정 물류 작업을 수행하는 상용 배치로 이해해야 합니다.

Boston Dynamics Atlas — ‘훈련 중’과 ‘대규모 투입’을 구분해야 한다

Boston Dynamics는 2026년 1월 제품형 전기식 Atlas를 공개하고 생산을 시작했습니다.

그리고 2026년 9월 21일에는 미국 조지아 현대자동차그룹 메타플랜트에 Robotics Metaplant Application Center를 열고 Atlas를 실제 제조 환경에서 훈련하고 있다고 밝혔습니다.

현재는 자동차 부품의 물류·순서 배열 같은 작업을 중심으로 실제 환경에서 훈련하고 통합 방법을 시험하는 단계입니다.

Reuters에 따르면 현대차가 Atlas를 실제 제조 공정에 단계적으로 투입하려는 계획은 2028년부터 시작될 예정입니다.

따라서 2026년 현재 Atlas가 이미 자동차 공장에서 대규모로 사람을 대신해 생산 작업을 하고 있다고 설명하면 정확하지 않습니다.

Figure — 실제 공장 시험은 진행됐지만 여전히 작업 범위가 중요하다

Figure는 BMW 미국 공장에서 Figure 02를 이용해 판금 부품을 설비에 넣는 작업을 시험하고 운영했습니다.

Figure는 자사 자료에서 Figure 02가 2025년 BMW 공장 작업에 참여했고 이후 Figure 03으로 세대를 전환했다고 밝혔습니다. 2026년에는 Figure 03을 다시 BMW 공장에 투입해 물류 관련 작업을 시연하고 있습니다.

이 역시 특정 작업에서의 로봇 활용과 ‘모든 생산 업무를 자율적으로 수행하는 로봇’을 구분해서 봐야 합니다.

자율주행 자동차도 피지컬 AI의 중요한 사례다

피지컬 AI라고 하면 사람 모양의 로봇부터 떠올리기 쉽지만, 오히려 현재 상용화 수준이 더 높은 분야 중 하나가 자율주행입니다.

자율주행차는 카메라와 각종 센서로 차량, 보행자, 도로 상황을 인식한 뒤 이동 경로를 판단하고 조향·가속·제동이라는 실제 행동을 수행합니다.

2026년 9월 Reuters에 따르면 Waymo는 미국 여러 도시에서 유료 완전 자율주행 서비스를 운영하고 있으며 서비스 지역도 계속 확대하고 있습니다.

다만 자율주행 역시 모든 도로와 모든 날씨에서 인간 운전자와 동일하게 작동한다는 뜻은 아닙니다. 서비스가 허용된 지역과 운행 조건 등 운영 범위가 존재합니다.

휴머노이드 로봇이 특히 주목받는 이유

그렇다면 굳이 사람과 비슷한 형태의 로봇을 만들려는 이유는 무엇일까요?

우리 주변의 공장, 창고, 사무실과 집은 대부분 사람의 몸을 기준으로 만들어졌기 때문입니다.

계단, 문, 손잡이, 선반, 작업대, 공구 등이 사람의 키와 손에 맞춰져 있습니다.

사람과 비슷한 크기의 몸과 손을 가진 로봇이라면 기존 시설을 완전히 새롭게 설계하지 않고도 다양한 작업에 투입할 가능성이 생깁니다.

하지만 사람 형태가 항상 가장 효율적인 것은 아닙니다.

무거운 물건만 옮긴다면 바퀴 달린 이동 로봇이 더 경제적일 수 있고, 조립 작업만 한다면 고정형 산업용 로봇팔이 훨씬 빠르고 정확할 수 있습니다.

결국 휴머노이드는 피지컬 AI를 구현하는 여러 형태 중 하나입니다.

피지컬 AI는 어디에 사용될까?

제조업에서는 부품 운반, 조립 보조, 검사, 기계 투입과 같은 반복 작업이 먼저 적용될 가능성이 큽니다.

물류에서는 이미 이동 로봇과 로봇팔이 광범위하게 사용되고 있으며, 앞으로는 자연어 명령과 보다 유연한 물체 조작이 결합될 수 있습니다.

자동차 분야에서는 자율주행과 첨단 운전자 지원 시스템이 대표적인 물리적 AI 응용 분야입니다.

서비스업에서는 호텔이나 병원 등에서 물품 운반, 시설 순찰, 안내와 같은 제한된 업무가 현실적인 적용 분야입니다.

의료·돌봄 분야에서도 물품 운반, 보조 작업, 재활 등의 연구가 진행되고 있지만 사람의 신체와 안전을 직접 다루는 만큼 높은 신뢰성과 규제가 필요합니다.

가정에서는 청소, 정리, 빨래, 식기 정리, 물건 가져오기 등이 자주 거론됩니다.

그러나 가정은 피지컬 AI에게 가장 어려운 환경 중 하나입니다.

집마다 구조와 가구가 다르고 어린이, 반려동물, 깨지기 쉬운 물건 등 예상하기 어려운 변수가 많기 때문입니다.

집안일 로봇은 아직 얼마나 어려울까?

2026년 Stanford AI Index는 로봇 분야에서 시뮬레이션 성능은 빠르게 향상됐지만 실제 가정 환경에서는 여전히 큰 격차가 있다고 정리했습니다.

보고서가 소개한 실제 가정 작업 평가에서는 로봇의 성공률이 약 12% 수준이었던 반면, 시뮬레이션 기반 로봇 조작 벤치마크에서는 훨씬 높은 성능이 보고됐습니다.

이는 하나의 평가 결과이므로 모든 로봇의 성능을 12%라고 일반화할 수는 없습니다.

하지만 ‘실험실이나 시뮬레이션에서 잘하는 것’과 ‘낯선 실제 집에서 안정적으로 일하는 것’ 사이에 아직 큰 차이가 있다는 점은 보여줍니다.

휴머노이드 시장이 정말 폭발적으로 성장하고 있을까?

투자는 빠르게 늘고 있지만 현재 실제 시장의 크기는 과장 없이 볼 필요가 있습니다.

International Federation of Robotics 자료를 인용한 2026년 9월 21일 Reuters 보도에 따르면, 2025년 전 세계에서 산업·전문 서비스 용도로 판매된 휴머노이드 로봇은 약 7,000대였습니다.

같은 보도에 따르면 상당수는 실제 생산 업무보다는 연구기관이나 AI 학습 데이터 확보 목적으로 구매됐습니다.

자동차 업체들도 초기 도입을 진행하고 있지만 한 공장에서 사용하는 수량은 대체로 한 자릿수 또는 두 자릿수 수준의 시험 운영이라고 IFR 관계자는 설명했습니다.

즉 휴머노이드 로봇 산업에 대한 투자가 활발한 것과 실제 로봇이 수백만 대 규모로 현장에서 일하고 있다는 것은 전혀 다른 이야기입니다.

피지컬 AI가 해결해야 할 문제

첫 번째는 현실 세계의 복잡성입니다.

AI는 훈련에서 보지 못했던 물체나 예상하지 못한 상황을 만날 수 있습니다.

두 번째는 데이터입니다.

인터넷에는 텍스트와 이미지가 많지만 로봇 행동 데이터는 상대적으로 훨씬 적고 수집 비용도 높습니다.

세 번째는 안전입니다.

디지털 AI의 잘못된 답변과 달리 로봇의 잘못된 행동은 사람이나 시설에 직접 피해를 줄 수 있습니다.

네 번째는 배터리와 전력입니다.

특히 사람 크기의 이동형 로봇이 장시간 움직이면서 AI 연산까지 수행하려면 상당한 에너지가 필요합니다.

다섯 번째는 가격과 유지보수입니다.

정교한 센서, 모터, 감속기, 로봇손, 배터리와 컴퓨터가 들어가기 때문에 하드웨어 비용뿐 아니라 고장과 정비 비용까지 고려해야 합니다.

여섯 번째는 개인정보 문제입니다.

가정이나 병원에서 사용되는 로봇은 카메라와 마이크를 통해 민감한 정보를 수집할 수 있기 때문에 데이터가 어디에서 처리되고 저장되는지가 중요합니다.

일곱 번째는 보안입니다.

AI가 잘못 판단하는 문제뿐 아니라 외부 공격으로 센서 정보나 로봇 행동이 조작되는 문제도 새로운 안전 과제가 될 수 있습니다.

마지막으로 일자리와 책임 문제도 있습니다.

어떤 업무가 자동화되고 어떤 새로운 직무가 만들어질지, 사고가 발생하면 제조사·AI 개발사·운영자 가운데 누가 책임을 져야 하는지 등에 대한 사회적·법적 논의가 필요합니다.

그렇다면 피지컬 AI는 앞으로 무엇을 바꿀까?

단기간에 모든 가정에 휴머노이드 로봇 한 대씩 들어오는 미래를 확정적으로 말하기는 어렵습니다.

현재 기술 흐름을 보면 변화는 오히려 단계적으로 진행될 가능성이 있습니다.

먼저 환경이 비교적 일정하고 경제적 가치가 분명한 공장과 물류센터에서 특정 작업을 자동화하는 로봇이 늘어날 가능성이 큽니다.

자율주행처럼 한정된 지역과 조건에서 검증할 수 있는 분야도 계속 확대될 수 있습니다.

그 과정에서 로봇이 더 많은 실제 데이터를 쌓고, VLA 모델과 시뮬레이션 기술이 발전하면서 하나의 로봇이 처리할 수 있는 작업의 범위가 점차 넓어질 수 있습니다.

그 다음 단계에서 서비스업이나 일부 가정 업무처럼 더 복잡한 환경으로 확대될 가능성이 있습니다.

하지만 여기에는 기술 성능뿐 아니라 가격, 안전, 규제, 책임, 소비자의 신뢰라는 조건이 모두 충족돼야 합니다.

결국 피지컬 AI의 핵심은 ‘AI가 현실로 나오는 것’

생성형 AI의 확산이 컴퓨터 화면 속에서 일어나는 AI 혁명이었다면, 피지컬 AI는 그 지능을 현실 세계의 기계와 연결하려는 흐름이라고 볼 수 있습니다.

카메라와 센서가 눈과 귀 역할을 하고,

AI 모델이 상황을 분석하고 계획하며,

로봇의 모터와 액추에이터가 실제 행동을 담당합니다.

하지만 현재의 로봇을 ‘사람처럼 생각하는 기계’라고 표현하는 것은 정확하지 않습니다.

지금 우리가 보고 있는 것은 인간과 같은 범용 지능이 완성된 결과라기보다, AI가 점점 더 많은 현실의 작업을 인식하고 학습하고 수행할 수 있도록 만드는 과정입니다.

2026년 현재 피지컬 AI에서 가장 흥미로운 변화는 로봇이 갑자기 사람이 된 것이 아닙니다.

과거에는 하나의 동작을 하나하나 프로그래밍해야 했던 기계가 점차 시각과 언어를 이용해 상황을 해석하고, 새로운 작업에 보다 유연하게 대응하는 방향으로 발전하고 있다는 점입니다.

그 변화가 공장과 물류, 자동차를 넘어 우리의 일상까지 얼마나 빠르게 확대될지는 앞으로 실제 현장에서의 안전성과 경제성이 결정하게 될 것입니다.