물리적 지능, AI 로봇 스타트업 Physical Intelligence, 새 로봇 두뇌가 가르쳐지지 않은 작업도 스스로 해결 가능
(techcrunch.com)TechCrunchAI 산업
로보틱스 스타트업 Physical Intelligence가 학습하지 않은 작업도 기존 기술을 조합해 수행할 수 있는 새로운 로봇 모델 'π0.7'을 공개했습니다. 이는 특정 작업만을 위해 모델을 새로 만드는 기존 방식에서 벗어나, 언어 모델(LLM)처럼 범용적인 '로봇 두뇌'로 진화하는 중요한 전환점을 시사합니다.
핵심 포인트
- 1Physical Intelligence의 신규 모델 π0.7은 학습되지 않은 작업도 수행 가능한 '조합적 일반화' 능력 보유
- 2기존의 작업별 특화 모델(Specialist Model) 방식에서 범용 모델(Generalist Model)로의 패러다임 전환
- 3에어프라이어 사례: 매우 적은 관련 데이터만으로도 동작 원리를 스스로 유추하여 수행 성공
- 4언어 기반의 단계별 코칭을 통해 로봇의 작업 성공률을 5%에서 95%까지 극적으로 향상 가능
- 5로봇 AI 분야에서도 데이터 규모에 따른 성능 향상이 비선형적으로 일어나는 스케일링 법칙 적용 가능성 확인
공공지능 분석
왜 중요한가
기존 로봇 학습은 특정 작업에 대한 방대한 데이터를 수집하고 학습시키는 '암기' 방식이었으나, π0.com은 학습 데이터에 없던 작업도 기존 기술을 재조합(Compositional Generalization)하여 해결합니다. 이는 로봇 AI가 데이터 양에 비례해 성능이 급격히 상승하는 '스케일링 법칙'의 궤도에 진입했음을 의미합니다.
배경과 맥락
그동안 로봇 산업은 특정 공정만을 수행하는 '스페셜리스트 모델'에 의존해 왔으며, 새로운 환경에 투입될 때마다 막대한 재학습 비용이 발생했습니다. 하지만 이번 연구는 언어 모델이 문맥을 이해하듯, 로봇이 파편화된 동작 데이터를 통해 새로운 도구(예: 에어프라이어)의 사용법을 스스로 유추할 수 있음을 보여줍니다.
업계 영향
로봇의 범용성이 극대화되면서, 하드웨어 제조 중심에서 '로봇 파운데이션 모델' 중심으로 산업의 무게중심이 이동할 것입니다. 특히 사람이 말로 지시(Prompting)하여 로봇의 동작을 실시간으로 교정할 수 있게 됨에 따라, 로봇 도입을 위한 데이터 수집 및 재학습 비용이 획기적으로 낮아질 전망입니다.
한국 시장 시사점
하드웨어 제조 역량이 뛰어난 한국 기업들에게는 위기이자 기회입니다. 단순 자동화 기기 제조를 넘어, 물리적 지능(Physical Intelligence)을 제어할 수 있는 소프트웨어 스택과 '로봇용 프롬프트 엔지니어링' 기술 확보가 미래 로봇 시장의 주도권을 결정짓는 핵심 요소가 될 것입니다.
큐레이터 의견
이번 발표는 로보틱스 분야의 'GPT-3 모먼트'라고 평가할 수 있습니다. 지금까지 로봇 개발의 난제는 '학습하지 않은 상황에 대한 대응력'이었는데, Physical Intelligence는 이를 '기술의 재조합'이라는 소프트웨어적 접근으로 해결할 가능성을 보여주었습니다. 이는 로봇 개발의 패러다임이 '데이터 축적'에서 '모델의 추론 능력'으로 이동하고 있음을 뜻합니다.
스타트업 창업자들은 이제 '어떤 로봇을 만들 것인가'라는 질문보다 '어떤 범용 지능을 우리 로봇에 이식할 것인가'에 집중해야 합니다. 특히 주목할 점은 '프롬프트 엔지니어링'을 통한 성공률 급증(5% -> 9약 95%)입니다. 이는 로봇의 물리적 제어 기술만큼이나, 인간의 언어를 로봇의 동작 명령으로 정교하게 변환하는 인터페이스 기술이 강력한 비즈니스 기회가 될 것임을 시사합니다.
댓글
아직 댓글이 없습니다. 첫 댓글을 남겨보세요.