핵심 내용 요약
이 기사는 휴먼형 로봇과 신체 기반 인공지능의 현재 발전 상황에 중점을 두고 있습니다. 현재 로봇의 제조 속도(15분에 1대)와 동작 학습 속도(12시간 만에 달리기를 배우기)는 크게 향상되었지만, 지능 수준은 여전히 부족합니다. 신체 기반 인공지능이 GPT 시대(ChatGPT와 같은 능력의 폭발적인 성장)에 이르기까지는 아직 갈 길이 멀며, 주요 걸림돌은 데이터, 모델, 연산 능력의 부족과 산업 내 기술적 접근 방식의 분열, 표준의 미흡입니다. 현재는 두 가지 발전 방향이 있습니다: 데이터와 연산 능력의 축적과 동작 목적의 이해입니다. 대규모 배치를 위해서는 오픈소스, 표준화, 상업화의 문제를 해결해야 하며, 다양한 시나리오에 따라 실제 적용까지는 약 3~8년이 소요될 것으로 예상됩니다.
1. 제조 속도와 동작 학습 속도는 빠르지만, 지능은 여전히 부족합니다.
현재의 휴먼형 로봇의 하드웨어 성능은 놀랍습니다. 20여 년 전에는 1대를 제작하는 데 5년이 걸렸지만, 이제 전시장 근처의 공장에서는 15분 만에 생산이 가능합니다. 달리기도 12시간 만에 배울 수 있습니다. 하지만 이것들은 모두 표면적인 성과에 불과합니다. 로봇은 단지 인간의 동작을 모방할 뿐, 왜 그 동작을 해야 하는지 이해하지 못합니다. 예를 들어, 빵을 자르는 경우, 사람마다 다른 방법을 사용하지만 로봇은 그저 동작을 복제할 뿐, 최종 목적이 샌드위치를 만드는 것인지 알지 못합니다. 이러한 모방 학습은 산업의 발전을 가속화하지만, 대규모로 확장하기 어렵습니다(예를 들어, 다른 작업을 할 때마다 다시 배워야 합니다). 따라서 지능 수준은 동작을 할 수 있는 단계에 머물러 있으며, 목적을 생각할 수 있는 단계에 이르지 못했습니다.
2. 신체 기반 인공지능이 GPT 시대에 이르지 못하는 이유는 무엇인가? 세 가지 주요 걸림돌과 데이터 문제
많은 사람들이 신체 기반 인공지능이 언제 ChatGPT처럼 갑자기 발전할지 궁금해합니다. 답은 아직 이르다는 것입니다. 주요 문제는 세 가지입니다:
1. 모델의 규모가 너무 작음: 현재의 신체 기반 인공지능 모델의 지식량(파라미터 규모)은 약 70억 개에 불과한 반면, 초기 GPT는 수천억 개에 달합니다.
2. 연산 능력이 부족함: 신체 기반 모델을 훈련하는 데는 수십 개 또는 몇 개의 GPU만 필요하지만, GPT에는 수만 개가 필요합니다.
3. 데이터가 부족함: 언어 모델은 인터넷의 텍스트 데이터를 직접 사용할 수 있지만, 로봇에게는 물리적 세계의 데이터(예: 기계 팔이 부드러운 물체를 잡거나 다양한 조명 조건에 적응하는 것)가 필요합니다. 이러한 데이터는 쉽게 얻을 수 없으며, 수집 비용이 높고 범위도 제한적입니다(예: 극단적인 기상 조건). 전문가들은 신체 기반 인공지능이 언어 모델보다 최소 5년 뒤처져 있으며, 충분한 데이터, 대규모 모델, 연산 능력이 없으면 GPT 시대가 오지 않을 것이라고 말합니다.
3. 두 가지 발전 방향의 대립: 데이터와 연산 능력의 축적 vs 동작 목적의 이해
이러한 걸림돌에 직면하여 산업계는 두 가지 방향으로 나뉩니다:
한쪽은 규모의 확대를 추구합니다: 데이터, 모델, 연산 능력을 계속 늘리는 것입니다. 예를 들어, 합성 데이터(GPU를 사용하여 터널 내에서 갑자기 빛이 변하는 등의 극단적인 상황을 시뮬레이션하여 실제 데이터의 부족을 보완하고, 모델의 파라미터를 확대하여 GPT처럼 능력이 자연스럽게 발현되기를 기대합니다.
다른 쪽은 목적의 이해를 추구합니다: 데이터를 무작위로 축적하는 대신, 로봇이 동작 뒤에 숨겨진 목적을 이해하도록 합니다. 예를 들어, Gordon Cheng 팀의 로봇은 인간이 빵을 자르는 것을 관찰한 후, 구체적인 동작을 배우는 것이 아니라 “빵을 자르는 것은 샌드위치를 만들기 위함”이라는 것을 이해합니다. 이러한 접근 방식은 많은 동작을 배울 필요가 없으며, 능력을 압축팩 형태로 다른 로봇에 전달하여 데이터와 시간을 절약할 수 있습니다.
4. 대규모 배치의 걸림돌은 무엇인가? 표준화의 부족과 반복적인 연구 개발
기술적인 돌파가 이루어진다 하더라도, 로봇이 공장이나 가정에 진입하기 위해서는 각자 다른 상황을 해결해야 합니다:
- 기술적 접근 방식의 혼란: 다른 기업의 하드웨어와 소프트웨어가 서로 호환되지 않아 같은 문제를 반복적으로 해결해야 합니다.
- 데이터의 고립: 각 기업의 데이터 형식이 다르어 공유가 어렵고, 자원이 낭비됩니다.
- 상업화의 어려움: 많은 로봇이 아직 시제품 전시 단계에 머물러 있으며, 장기적인 운영이 어렵고 비용이 높으며, 맞춤화가 심해 대량 생산이 어렵습니다.
따라서 산업계는 오픈소스와 표준화를 추진하고 있습니다. 예를 들어, 휴먼형 로봇 오픈소스 커뮤니티를 설립하여 운영체제, 알고리즘 등의 기술 기반을 공유하여 반복적인 연구 개발을 줄입니다.
5. 대규모 적용까지는 얼마나 걸릴까? 시나리오에 따라 다릅니다.
전문가들의 예측은 다르지만, 시나리오별로 분석하면 다음과 같습니다:
- 반구조화된 공장: (예: 고정된 프로세스가 있지만 가끔 변하는 작업장) 3~5년 내에 대규모 배치가 가능합니다. 시나리오가 상대적으로 통제 가능하기 때문에 로봇은 먼저 작업을 80% 정도 완성한 후 점차 최적화할 수 있습니다.
- 산업 및 가정: 산업 분야는 5~8년이 필요하며, 가정 분야는 더 오래 걸릴 것입니다(5~8년). 가정 환경이 복잡하기 때문에 윤리, 안전, 장기적인 문제가 많습니다.
- 칩 vs 소프트웨어: 칩은 3~5년 내에 적절한 성능과 비용을 달성할 수 있지만, 소프트웨어 생태계의 성숙에는 더 많은 시간이 필요합니다.
결론적으로, 로봇이 실험실에서 실제 세계로 나아가기 위해서는 시스템의 협업과 표준의 통일과 같은 보이지 않는 문제를 해결해야 합니다. 단순히 달리기 속도나 점프 높이와 같은 표면적인 지표만으로는 충분하지 않습니다.
이 기사는 휴먼형 로봇의 하드웨어 성능은 이미 빠르지만, 지능의 깊이와 산업 간의 협력이 미래의 핵심적인 돌파구라는 것을 보여줍니다. 여러분은 가정에 요리나 청소를 할 수 있는 로봇이 언제 등장할 것이라고 생각하시나요? 아마도 몇 년은 더 기다려야 할 것입니다. 하지만 방향은 점점 더 명확해지고 있습니다.