전 메타 과학자들, 시각 AI를 공장 바닥으로 가져오려 한다

퍼셉트론의 등장은 'Physical AI'가 단순한 실험실 수준을 넘어 실제 산업 현장의 수익 모델로 진입하고 있음을 시사합니다. 특히 100만 시간 이상의 영상 데이터와 에고 비디오(ego-video)를 활용한 학습 방식은 데이터 확보가 곧 모델의 경쟁력이 되는 '데이터 플라이휠'의 중요성을 다시 한번 일깨워줍니다.

하지만 리스크도 분명합니다. 범용 모델은 특정 환경에 최적화된 기존의 정밀 제어 솔루션보다 신뢰성이나 정확도 면에서 한계를 보일 수 있으며, 물리적 환경의 예측 불가능성을 완벽히 제어하기에는 여전히 기술적 난제가 많습니다. 또한, 오픈 웨이트 모델로 공개됨에 따라 하드웨어 제조사들이 자체 모델을 개발하기보다 외부 모델에 의존하게 되어 기술적 진입장벽이 낮아질 위험도 존재합니다.

한국의 스타트업들은 단순히 모델을 만드는 것을 넘어, 퍼셉트론과 같은 범용 모델이 해결하지 못하는 '특수 도메인(Edge Case)의 정밀 데이터'를 확보하여 이를 모델에 미세 조정(Fine-tuning)하는 전략을 취해야 합니다. 범용 모델을 기반으로 하되, 특정 산업 현장의 물리적 제약 조건을 해결하는 '수직적(Vertical) AI 솔루션'이 가장 강력한 생존 전략이 될 것입니다.