샤오미 로보틱스, AI 및 API 기반의 새로운 솔루션 공개

(robotics.xiaomi.com)

샤오미 로보틱스가 데이터 부족 문제를 해결하기 위해 대규모 비(non)-embodiment 데이터를 활용한 'Xiaomi-Robotics-1'을 공개하며, 로봇 AI의 스케일링 법칙을 증명했습니다.

이 글의 핵심 포인트

110만 시간 이상의 로봇 형태와 무관한(embodiment-free) 대규모 사전 학습 데이터 활용
2VLM 기반 자동 라벨링 파이프라인을 통해 영상 내 상태 변화를 텍스트로 자동 주석화
3사전 학습 모델을 실제 로봇에 맞추는 'Embodiment alignment' 및 명령 수행을 위한 'Instruction alignment' 단계 수행
4모델 크기와 데이터 규모가 증가함에 따라 로봇의 동작 오류가 감소하는 스케일링 법칙 확인
5태스크당 평균 10시간 미만의 시연 데이터만으로도 새로운 복잡한 작업을 높은 성공률로 학습 가능

이 글에 대한 공공지능 분석

왜 중요한가?

기존 로봇 AI 학습이 직면했던 '데이터 갈증' 문제를 해결하기 위해, 로봇의 물리적 형태와 상관없는 영상 데이터를 활용하는 새로운 패러다임을 제시했기 때문입니다. 특히 모델 규모와 데이터 양을 늘릴수록 성능이 예측 가능하게 향상되는 '스케laring law'가 로봇 분야에서도 작동함을 증명했다는 점에서 혁신적입니다.

어떤 배경과 맥락이 있나?

언어 및 시각 모델(LVM)은 막대한 데이터를 통해 비약적인 발전을 이룬 반면, 로봇 분야는 실제 물리적 상호작용 데이터 확보가 어려워 모델 확장에 한계가 있었습니다. 샤오미는 이를 극복하기 위해 10만 시간 분량의 방대한 영상 데이터를 활용하고, VLM을 이용해 자동으로 라벨링하는 파이프라인을 구축했습니다.

업계에 어떤 영향을 주나?

로봇 제조사들의 경쟁 축이 하드웨어 성능에서 '데이터 중심(Data-centric) AI' 역량으로 이동할 것입니다. 특히 적은 데이터로도 새로운 작업을 빠르게 학습할 수 있는 기술은 서비스 로봇의 상용화 속도를 획기적으로 높여, 로봇 소프트웨어 플랫폼 시장의 폭발적 성장을 야기할 전망입니다.

한국 시장에 어떤 시사점이 있나?

하드웨어 제조 강점을 가진 한국 기업들은 샤오미와 같이 대규모 학습 데이터 파이프라인을 구축하는 역량을 확보해야 합니다. 단순 기기 제조를 넘어, 자사의 정밀 제어 기술과 결합된 고품질 데이터를 축적하여 범용 로봇 운영체제나 학습 모델 플랫폼으로 진화하는 전략이 필수적입니다.

이 글에 대한 큐레이터 의견

샤오미의 이번 발표는 로봇 AI가 직면한 데이터 부족 문제를 해결할 수 있는 매우 구체적이고 실행 가능한 방법론을 제시했다는 점에서 고무적입니다. 특히 특정 로봇의 형태에 종속되지 않는(embodiment-free) 데이터를 사전 학습에 활용하여 범용성을 확보하고, 이후 적은 양의 실제 데이터로 정렬(Alignment)하는 2단계 전략은 자원 효율성 측면에서 스타트업들이 지향해야 할 표준 모델이 될 수 있습니다.

다만, 이러한 '스케일링 법칙'의 성공 뒤에는 막대한 컴퓨팅 비용과 대규모 데이터 인프라라는 높은 진입장벽이 존재합니다. 이는 거대 자본을 가진 빅테크 기업이 로봇 AI의 기본 모델(Foundation Model) 시장을 독점할 위험(Risk)을 내포하고 있습니다. 따라서 스타트업 창업자들은 모든 것을 처음부터 학습시키려는 무모한 도전보다는, 샤오미가 보여준 것처럼 특정 도메인에 특화된 고품질 데이터를 효율적으로 생성하고 기존 모델을 미세 조정(Fine-tuning)하여 특정 산업의 문제를 해결하는 '버티컬 데이터 전략'에 집중하는 것이 훨씬 생존 가능성이 높은 접근법입니다.

원문 보기 →