핵심 내용 요약
이 글은 인간의 인지 발달 과정(사례 기억에서 일반화된 규칙 학습까지)을 비유하여 로봇 훈련의 핵심 오류를 지적합니다. 그 오류는 바로 데이터의 양을 과도하게 중시하면서 로봇이 적은 양의 새로운 데이터로 빠르게 새로운 작업에 적응하는 능력, 즉 ‘일반화 능력’을 간과하는 것입니다. 글은 로봇 회사들이 일반화 능력을 향상시키기 위한 두 가지 접근 방법(데이터 범위 확대 vs 이전 학습 효율 향상)을 분석하고, 다양한 회사의 기술 선택 사례를 제시합니다. 또한 일반화 능력을 평가하는 기준(다섯 가지 구체적인 능력 + 작업 비용 곡선)을 제시하며, 결국 일반화 능력이 가져오는 ‘작업 비용의 지속적인 감소’가 로봇 회사의 장기적인 경쟁력이라는 점을 강조합니다.
1. 핵심 인식의 전환: 일반화 능력이 로봇의 ‘지적 활동’, 데이터 양은 단지 ‘신체적 활동’
글은 저자의 성장 경험을 예로 들어 설명합니다. 저자는 시사 평론에서 감성 글, 기술 분석으로 전환했는데, 이는 각 분야를 처음부터 다시 배우는 것이 아니라 경험을 일반적인 규칙으로 추상화함으로써 새로운 분야를 빠르게 이해할 수 있었습니다. 로봇 훈련도 마찬가지입니다:
- ‘신체적 활동’ 접근: 데이터가 많을수록 좋다고 생각하며, 데이터를 열심히 수집하고 분류하여 로봇이 사례를 기억하게 합니다(예: “이 컵을 테이블 왼쪽에서 어떻게 잡는가”).
- ‘지적 활동’ 접근: 로봇이 적은 데이터에서 규칙을 추출하도록 합니다(예: 컵을 잡을 때 무게 중심과 마찰력을 고려함). 이렇게 하면 새로운 컵이나 위치에 직면해도 다시 배울 필요가 없습니다.
저자의 결론은 일반화 능력이 핵심이라는 것입니다. 인간이 인지의 깊이를 통해 새로운 문제에 빠르게 적응하는 것처럼, 로봇도 일반화 능력을 통해 적은 데이터로 새로운 작업을 처리할 수 있습니다.
2. 로봇 회사의 두 가지 접근 방법: ‘사례 많이 기억하기’ vs ‘규칙 추출하기’
업계에는 두 가지 상반된 연구 개발 전략이 있습니다:
1. 데이터 범위 확대(신체적 활동 접근)
- 대표 회사: Physical Intelligence, Figure AI 등.
- 방법: 데이터 수집(예: 원격 조작 로봇이 동작 데이터 수집)과 데이터 분류(예: 데이터에 레이블 붙이기)에 자원을 투자하여 로봇이 많은 사례를 기억하도록 합니다. 논리는 간단합니다: 본 사례가 많을수록 새로운 작업을 처리할 확률이 높아집니다.
- 문제: 이 방법은 경쟁이 치열하며, 데이터가 모든 상황을 포괄할 수 없습니다.
2. 이전 학습 효율 향상(지적 활동 접근)
- 대표 회사: Field AI, Mujin 등.
- 방법: ‘재사용 가능한 규칙’을 추출하는 데 자원을 투자합니다. 예: 이전 작업에서 배운 ‘잡기 규칙’을 새로운 작업에 적용합니다. 핵심 질문은 “가장 적은 새로운 데이터로 새로운 작업을 처리할 수 있는가?”입니다.
- 장점: 경쟁력이 높고 비용이 저렴합니다. 예: Mujin은 새로운 상자 형태를 처리할 때 데이터를 다시 수집하지 않고 기하학적 규칙을 사용합니다; Field AI는 ‘세계 모델’을 통해 변화하는 환경에 적응합니다.
3. 일반화 능력의 ‘비밀 무기’: 재사용 가능한 ‘구조’란 무엇인가?
일반화를 실현하려면 로봇은 ‘재사용 가능한 구조’가 필요합니다. 즉, 다양한 상황과 작업에 반복적으로 적용할 수 있는 경험입니다. 글은 이러한 구조를 두 가지로 나눕니다:
1. 환경 경계가 불명확할 때: ‘세계 모델’ 사용
- 예시: 아이스크림 가게(고객 주문, 재료 추가 등의 복잡한 절차와 유동적인 환경), 위험한 야외 환경.
- 대표 회사: Sharpa(아이스크림 가게용 로봇), Field AI(야외용 로봇).
- 방법: Sharpa는 아이스크림 가게 환경을 10만 시간 동안 연구하여 전 모드의 세계 모델을 만들고, 이 모델을 다른 환경에 적용합니다; Field AI는 ‘신념 세계 모델’을 사용하여 장애물을 자동으로 인식하고 경로를 조정합니다.
2. 환경 경계가 명확할 때: ‘기하학적/물리적 규칙’ 사용
- 예시: 산업 물류(상자 분해, 적재, 고정된 환경).
- 대표 회사: Mujin(일본의 산업용 로봇).
- 방법: 3차원 감지, 충돌 제약, 이동 계획을 시스템에 직접 적용합니다. 예: 새로운 상자 형태에 직면해도 시스템이 기하학적 규칙을 사용하여 자동으로 동작을 계산합니다. 이로 인해 새로운 작업에 적응하는 비용이 거의 없습니다.
4. 로봇이 진정으로 일반화 능력을 가졌는지 판단하는 방법
글은 회사의 홍보에 속지 않기 위한 두 가지 평가 기준을 제시합니다:
1. 다섯 가지 구체적인 능력의 검증
일반화 능력은 모호한 ‘일반성’이 아니라 다섯 가지 구체적인 상황에서 평가해야 합니다:
- 대상 변경: 새로운 상자나 부품을 바로 처리할 수 있는가?
- 환경 변화: 조명 변화, 지형이 복잡해도 작동할 수 있는가?
- 작업 변경: 새로운 목표를 처리할 수 있는가?
- 형태 변경: 다양한 형태의 로봇이 동일한 전략을 사용할 수 있는가?
- 오류 발생 시: 문제가 발생해도 자동으로 회복할 수 있는가?
2. 작업 비용 곡선의 변화
가장 중요한 지표는 완료한 작업의 양과 다음 작업에 필요한 시간 및 데이터 양의 변화입니다.
예: Google의 Gemini 로봇은 이전 학습 덕분에 새로운 작업을 50-100번의 훈련만으로 처리할 수 있습니다.
반대 사례: Figure는 물류 작업을 8시간 만에 훈련했다고 주장하지만, 사전 학습 데이터와 후속 비용을 공개하지 않아 진정한 일반화 능력이 아닙니다.
비용 곡선이 지속적으로 감소한다면 로봇이 ‘재사용 가능한 능력’을 축적하고 있음을 의미합니다.
5. 장기적인 경쟁의 핵심: 작업 비용을 ‘점점 낮추는 것’
장기적인 경쟁에서는 작업 비용을 점점 낮추는 것이 중요합니다. 이를 위해 로봇의 일반화 능력을 향상시켜야 합니다.
결론
로봇의 일반화 능력은 산업의 효율성과 경쟁력을 향상시킵니다. 따라서 이 분야에 대한 연구와 개발이 계속되어야 합니다.