一、 핵심 내용의 쉬운 설명
최근 현실 세계에서 스스로 물건을 다루고, 일을 하며, 어디든 이동할 수 있는 “실체화된 지능 로봇” 분야가 엄청난 인기를 끌고 있습니다. 투자 유치와 언론의 관심도 계속 높은 수준을 유지하고 있죠. 하지만 이전에는 업계 전체가 ChatGPT의 길을 따라가며, 데이터와 파라미터를 충분히 쌓으면 빠르게 결과를 얻을 수 있을 거라고 생각했기 때문에 많은 오류를 저질렀습니다. 이번 외탄 컨퍼런스에서 업계의 최고 전문가들과 과학자들은 업계의 최신 공감대를 명확히 제시했습니다: 실체화된 지능 로봇은 대형 언어 모델의 발전 경로를 그대로 복제할 수 없습니다. 이전에 논의되었던 “얼마나 많은 실제 데이터를 쌓을 것인가”, “범용 모델이 일자리를 빼앗을 것인가”, “로봇이 언제 실제로 돈을 벌기 시작할 것인가”와 같은 질문들에 대한 명확한 답이 이제 나왔습니다. 앞으로의 업계 경쟁은 누구의 모델이 더 강한지를 비교하는 것이 아니라, 데이터, 하드웨어, 시스템, 시나리오 등 전반적인 역량을 종합적으로 겨루는 것이 될 것입니다. 업계는 “개념을 과시하고 데모를 보여주는” 단계에서 “실제로 돈을 벌는” 단계로 전환하고 있습니다.
---
두、 상세한 해석
1. 업계가 첫 번째 큰 실수를 저질렀습니다: ChatGPT의 “데이터 축적” 방식을 그대로 따랐지만, 전혀 효과가 없었습니다
이전에 대형 언어 모델은 수조 개의 인터넷 텍스트를 입력함으로써 능력이 급격히 향상되었습니다. 그래서 많은 사람들이 실체화된 지능 로봇도 마찬가지라고 생각했습니다. “로봇이 물건을 옮기거나 걷는 동영상 데이터를 수백만 시간 분량으로 모으면 모델이 자연스럽게 강해질 거라고요.”
하지만 이제 업계는 그런 생각이 완전히 잘못되었다는 것을 깨달았습니다. 대부분의 데이터는 쓸모없는 “오염된 데이터”였습니다. 예를 들어, 로봇에게 매일 같은 동작을 반복시켜도 보온병이나 뜨거운 물이 담긴 주전자를 드는 능력을 키울 수 없습니다. 마치 1+1=2를 백만 번 외워도 새로운 응용 문제를 풀 수 없는 것과 같습니다.
이제 업계의 공감대는 데이터의 “질”이 “양”보다 훨씬 중요하다는 것입니다. 실제 물리 세계의 법칙을 반영한 데이터만이 가치가 있습니다. 예를 들어, 물건이 미끄러질 때 어떻게 잡을 것인가, 물이 바닥에 있을 때 어떻게 넘어지지 않고 걸을 것인가, 부드러운 물건을 어떻게 잡아도 변형되지 않게 할 것인가와 같은 복잡한 장거리 작업에서 얻은 데이터는 수백만 시간 동안 반복적으로 수집한 쓸모없는 데이터보다 100배 더 유용합니다. 이전에 많은 회사들이 돈을 들여 구축한 “데이터 공장”에서 수집한 데이터는 사실상 업계가 초기에 치른 학비였으며, 이는 필연적인 과정이었습니다.
2. 데이터 전략이 완전히 바뀌었습니다: 누가 더 많은 데이터를 가지고 있는지 경쟁하는 것이 아니라, 실제 세계의 정보를 컴퓨터로 얼마나 정확하게 옮길 수 있는지가 중요합니다
이전에는 로봇 훈련에 실제 시나리오에서 수집한 데이터를 사용하는 것이 좋은지, 컴퓨터 시뮬레이션에서 생성한 데이터를 사용하는 것이 좋은지에 대해 오랫동안 논의했습니다. 하지만 이제는 두 가지를 선택할 필요가 없다는 새로운 방향이 제시되었습니다. 오히려 실제 세계의 물리적 특성을 그대로 시뮬레이터로 옮기는 것이 중요합니다.
예를 들어, 실제로 물이 타일 위에 흘려졌을 때 물자국의 모양, 바닥의 미끄러움 정도, 다른 무게의 물건이 올려졌을 때 물자국이 어떻게 변형되는지와 같은 세부적인 물리적 정보를 컴퓨터 시뮬레이션 시스템에 정확하게 입력하면, 로봇은 가상 세계에서 하루에 수만 번 연습을 통해 미끄러지지 않고 다양한 무게의 물컵을 잡을 수 있습니다. 이는 실제 세계에서 훈련하는 것보다 효율이 수백 배 높으며, 로봇을 파손시키거나 실제 자원을 낭비하지 않습니다.
앞으로의 데이터 경쟁은 누가 더 많은 시간 분량의 동영상을 가지고 있는지가 아니라, 실제 물리 세계의 법칙을 얼마나 완전하고 정확하게 컴퓨터로 옮길 수 있는지가 관건입니다. 그렇게 하면 로봇을 훈련하는 데 가장 효율적인 도구를 갖게 됩니다.
3. 이전에 우려되었던 “GPT의 차원 축소가 로봇 산업에 미치는 영향”은 사실은 근거 없는 걱정이었습니다
얼마 전 OpenAI가 로봇을 직접 제어할 수 있는 GPT-6 Astra를 출시했을 때, 많은 사람들이 “범용 모델 회사가 들어오면 모든 실체화된 지능 로봇 스타트업이 파괴될 것”이라고 말했습니다. 하지만 업계 전문가들은 이런 결론에 반박했습니다. 그럴 가능성은 전혀 없습니다.
이유는 간단합니다: AI의 능력은 해당 분야의 데이터에서 비롯되기 때문입니다. 대형 모델이 이전에 축적한 데이터는 인터넷 텍스트, 코드, 이미지뿐이며, 이 데이터는 로봇을 제어하는 데 전혀 도움이 되지 않습니다. 범용 모델이 로봇을 개발하려면 로봇 센서의 물리적 데이터를 처음부터 수집하고, 다양한 모터 하드웨어에 맞추며, 전체 시뮬레이션 훈련 시스템을 구축해야 합니다. 이 모든 작업은 스타트업이 처음부터 해야 하는 일과 별반 다르지 않습니다. 사실상, 범용 모델이 이러한 작업을 하려면 새로운 실체화된 지능 스타트업이 되어야 하며, 이전에 축적한 텍스트 데이터는 대부분 불필요합니다.
반면에 현재의 실체화된 지능 스타트업들은 이미 수많은 하드웨어 적응과 시나리오 구현의 어려움을 겪었으며, 그들이 가지고 있는 전용 데이터는 대형 모델에는 없는 것입니다. 결국 로봇에 맞춰 개발된 전용 모델이 대형 모델이 수정한 범용 모델보다 더 유용합니다. 로봇은 빠르게 반응하고 비용이 저렴해야 하므로, 불필요한 기능은 필요하지 않습니다.
4. 로봇 상용화의 판단 기준은 매우 명확합니다: 데모를 보여주는 것이 아니라, 고객이 지속적으로 돈을 지불할 의향이 있는지가 중요합니다
이전에는 로봇 전시회에서 데모를 보며 “로봇이 차를 따르고, 옷을 접고, 나사를 돌리는 것” 등을 보며 놀랐지만, 실제로 구매해서 사용해보면 다른 상황에서는 전혀 쓸모가 없었습니다. 이제 업계는 이런 가상적인 기준을 버리고 상용화의 성공 여부를 판단하는 명확한 기준을 세웠습니다: 고객이 지속적으로 돈을 지불할 수 있는지, 그리고 그 금액이 점점 늘어나는지입니다.
즉, 로봇이 하는 일이 사람을 고용하는 것보다 경제적이고, 기존의 자동화 기계보다 효과적이며, 투자 대비 수익률이 긍정적이어야 고객이 계속 돈을 지불할 것입니다. 이전에는 “킬러 앱”을 찾으려고 했지만, 이제는 그럴 필요가 없습니다. 로봇이 새로운 시나리오에 쉽게 적응하고, 조정에 많은 비용이 들지 않으며, 작업 효율이 높고 비용이 저렴하다면, 레스토랑에서 음식을 나르거나 창고에서 물건을 정리하거나 요양원에서 간병하는 등 어떤 상황에서도 돈을 벌 수 있습니다.
이제 업계는 10년이나 8년을 기다릴 필요 없이 3년 안에 많은 오프라인 시나리오에서 실제로 상용화되어 안정적으로 작동하는 실체화된 지능 로봇을 볼 수 있을 것으로 예상합니다. AI가 물리 세계를 변화시키는 새로운 시대가 막 시작되었습니다.