핵심 내용 요약
2026년 세계 로봇 대회에서 29명의 역신지능(embodied intelligence) 기업 CEO들이 “일반화(generalization)” 능력에 대해 논의하며 두 가지 공감대를 형성했습니다: 일반화는 현재 가장 큰 기술적 장애물이며, 일반화 능력 향상을 위해서는 데이터와 실제 사용 시나리오가 필요합니다. 그러나 “강력한 일반화 기능을 구현하는 기술적 접근 방식”에 대해서는 의견이 갈립니다. 시장은 더 이상 “일반화에 대한 상상력”만으로는 가치를 인정하지 않고, 출하량, 주문 품질 등 4가지 지표를 통해 로봇의 가치를 간접적으로 평가하고 있습니다. 각 기업은 일반화의 정의, 장애 요인, 기술적 접근 방식, 데이터 활용, 그리고 실제 적용 속도에 대해 다양한 해석을 내놓고 있지만, 일반화가 역신지능의 상업적 성공을 결정하는 핵심 요소라는 데는 모두 동의합니다.
1. “일반화”란 무엇인가?
간단히 말해, 일반화란 로봇이 새로운 작업이나 환경에 쉽게 적응할 수 있는 “학습 능력”을 의미합니다. 각 CEO들은 다음과 같이 구체적으로 설명했습니다:
- 성해도 고계양: 일반화 = 훈련 비용; 훈련 시간이 짧을수록 비용이 저렴해지고, 일반화 능력도 향상됩니다. 예를 들어, 현재는 10시간이 필요한 작업을 내년에는 1시간 또는 몇 개의 데이터만으로도 처리할 수 있게 될 것입니다.
- 크로스비인텔리전트 자취: 일반화를 “의미적 처리”와 “물리적 처리” 두 부분으로 나눕니다. 의미적 일반화는 “다른 종류의 컵도 어떻게 잡는지 알아야 한다”는 것을 의미하며, 이는 실제 인간 데이터를 기반으로 합니다; 물리적 일반화는 “테이블을 바꿔도 안정적으로 컵을 잡을 수 있어야 한다”는 것을 의미하며, 이는 시뮬레이션 데이터를 기반으로 합니다.
- 지청AI 후루휘: 3차원적인 요소(작업, 환경, 로봇 자체)가 모두 충족되어야 일반화가 가능하며, 하나라도 부족하면 일반화가 이루어지지 않습니다.
- 아름 페데리코: 시스템의 관점에서 보면, 일반화는 “다양한 대상에 동일한 기술을 반복적으로 적용하는 것”을 의미하며, 예를 들어 물류 로봇이 다양한 종류의 패키지를 처리할 수 있어야 기업의 운영 비용을 절감할 수 있습니다.
2. 왜 일반화가 가장 큰 장애물인가?
기업들이 가장 많이 지적하는 문제는 로봇이 특정 환경에서는 100%의 성능을 보이지만, 조금만 환경이 변하면 성능이 급격히 떨어진다는 점입니다:
- 우수테크 왕흥흥: 특정 환경에서 데이터를 수집하여 훈련한 후, 물건이나 환경이 바뀌면 성공률이 급격히 떨어집니다. 이는 로봇과 실제 세계의 “불일치” 때문입니다; 언어 모델의 입력과 출력에는 문제가 없지만, 로봇의 움직임에는 오차가 발생하며, 이를 수정할 수 없습니다.
- 징동 차오펑: 물류 로봇은 표준 작업에서는 인간과 비슷한 효율을 보이지만, 복잡한 환경(예: 다른 창고 구조)에서는 그 효율을 재현할 수 없어 대규모 활용이 어렵습니다.
- 절강혁신센터 송롱: 산업계에서는 일반적으로 “각 작업마다 별도로 훈련”하는 관행이 있으며, 조명이나 물체가 바뀌면 다시 데이터를 수집하여 훈련해야 하며, 이로 인해 원래의 정확도를 잃을 수 있습니다.
- 수도테크 한정: 일반화를 위해서는 먼저 99%의 성공률을 보장해야 하며, 그렇지 않으면 아직 연구 단계에 머물러 있습니다. 예를 들어, 컵을 잡는 작업에서도 다양한 테이블에서 99%의 정확도를 보장해야만 수익을 창출할 수 있습니다.
3. 기술적 접근 방식의 대립: VLA 모방 학습 vs 세계 모델의 물리적 이해
일반화 능력을 향상시키는 방법에 대해 기업들은 두 가지 의견으로 나뉩니다:
- VLA 진영: 인간의 동작을 모방하여 학습합니다(예: 비디오를 보고 기술을 배우는 것과 유사). 단점은 일반화 능력이 제한적입니다.
- 성동기원 천건우: VLA는 다양한 종류의 컵을 잡는 법을 배울 수 있지만, 새로운 작업(예: 컵을 냉장고에 넣는 것)은 배울 수 없습니다.
- 무계동력 장유풍: 많은 데이터를 수집해도 갑자기 능력이 향상되는 것을 볼 수 없습니다.
- 세계 모델 진영: 로봇이 물리적 법칙을 이해하도록 합니다(예: 물이 낮은 곳으로 흐른다는 것, 컵이 뒤집히면 쏟아진다는 것). 장점은 일반화 능력이 더 강합니다.
- 성동기원 천건우: 세계 모델은 “작업 수준의 일반화”를 실현할 수 있으며, 예를 들어 새로운 작업을 학습할 때 샘플이 전혀 필요하지 않습니다.
- 지가시계 주정: 세계 모델이 ChatGPT처럼 보편적으로 사용될 수 있기를 바랍니다; 베이징비도 송빈: 장기적으로는 많은 연구가 필요하지만, 기본 기능은 반드시 보편적이어야 합니다(9년간의 의무 교육에 비유).
- 중간 진영: 자율 변수 로봇 왕잠: 기반 모델(대형 모델)을 사용하여 새로운 환경에 빠르게 적응할 수 있으며, 해외에서는 2년 반 정도가 소요됩니다. 이는 전용 모델보다 더 빠르고 효율적입니다.
- 베이징혁신센터 송유군: 소뇌와 같은 시스템을 사용하여 새로운 작업을 20개의 데이터만으로도 처리할 수 있습니다.
4. 데이터는 일반화의 “연료”인가?
모든 기업은 일반화에 데이터가 필수적이라는 데 동의하지만, 필요한 데이터의 양과 종류는 다릅니다:
- 징동 차오펑: 대규모로 사용할 수 있는 로봇을 개발하려면 수천 시간 분량의 데이터가 필요하며, 현재는 수십만 시간 분량의 데이터만 있습니다. 해결책은 2년 동안 1,000만 시간 분량의 인간 데이터와 100만 시간 분량의 실제 로봇 데이터를 수집하여 다양한 환경에서 테스트하는 것입니다.
- 절강혁신센터 송롱: 다양한 환경에서 데이터를 수집하여 로봇의 성능을 향상시킬 수 있습니다.
5. 결론
일반화 능력은 로봇의 성능을 결정하는 중요한 요소이며, 기업들은 이를 향상시키기 위해 다양한 기술과 방법을 연구하고 있습니다. 데이터의 수집과 활용은 일반화 능력을 향상시키는 데 필수적이지만, 아직은 많은 과제가 남아 있습니다. 앞으로의 연구와 개발을 통해 로봇의 성능이 더욱 향상될 것으로 기대됩니다.