PitchBook 물리 AI 투자금, 480억 달러 돌파…로봇은 여전히 인간 교사가 필요하다

Financial Times 보도에 따르면 올해 PitchBook의 물리 AI 투자금은 약 480억 달러에 달했지만, 자금만으로는 로보틱스의 핵심 제약을 해결하지 못했다. 기계는 여전히 다양하고 예측 불가능한 환경에서 사람들이 물리적 작업을 수행하는 방식을 보여주는 유용한 데이터를 충분히 확보하지 못하고 있다.

이 부족분 때문에 카메라가 공장, 사무실, 호텔, 가정으로 들어가고 있다. 작업자와 유급 참여자들은 천을 접고, 객실을 청소하고, 물건을 옮기고, 음식을 준비하고, 도구를 다루는 모습을 직접 기록한다. 로보틱스 기업들은 이후 이러한 시연을 기계 학습용 자료로 전환한다.

투자 규모만 보면 물리 AI는 차세대 주요 컴퓨팅 플랫폼처럼 보인다. 하지만 데이터셋 뒤에 놓인 노동은 자동화와는 거리가 있는 이야기를 보여준다. 스타트업들은 인간의 전문성을 수집하고, 로봇 훈련 시설을 운영하며, 작업을 수천 번 반복하는 데 막대한 비용을 쓰고 있다.

이는 이 분야의 핵심적인 충돌을 만든다. 투자자들은 인간 노동을 줄이기 위한 시스템에 자금을 대고 있지만, 개발자들은 그러한 시스템에 물리적 작업이 어떻게 이뤄지는지 가르치기 위해 점점 더 많은 인력에 의존하고 있다.

언어 모델과 달리 로봇은 이미 온라인에 공개된 자료를 처리하는 것만으로 모든 것을 배울 수 없다. 인터넷 텍스트에는 행동에 대한 설명이 담겨 있지만, 작업 수행에 필요한 정확한 움직임, 힘, 타이밍, 복구 동작은 거의 기록돼 있지 않다.

Figure, Physical Intelligence, Generalist, Skild AI를 비롯한 개발사와 여러 전문 데이터 제공업체는 서로 다른 해법을 추구하고 있다. 일부는 1인칭 영상을 수집하고, 다른 일부는 로봇 팔을 원격 조작하거나 시뮬레이션 환경을 구축하거나 여러 방식을 결합한다.

경쟁은 더 이상 가장 유능한 로봇을 설계하는 기업을 가리는 데만 있지 않다. 인간의 활동을 신뢰할 수 있는 기계 행동으로 전환하는 최적의 파이프라인을 구축하는 경쟁으로 바뀌고 있다.

PitchBook 물리 AI 투자금, 데이터 병목과 맞닥뜨리다

약 480억 달러의 투자금은 입증된 로봇 역량이 아니라 투자자들의 확신을 측정하는 지표다.

Financial Times가 공개한 로봇 체육관 조사는 컴퓨팅, 장비, 실제 훈련 운영에 수십억 달러를 투입하는 업계를 다룬다. PitchBook은 해당 보도에서 인용된 연초 이후 누적 투자금 추정치를 제공했다.

이 수치는 단일 기술 범주가 아니라 로보틱스와 물리 AI 기업 전반을 포괄한다. 물리 AI는 일반적으로 환경을 인식하고, 의사결정을 내리며, 현실 세계에서 기계를 통해 행동하는 시스템을 뜻한다.

이 범주에는 휴머노이드 개발사, 로봇 파운데이션 모델 기업, 데이터 공급업체, 물리 환경 시뮬레이션을 만드는 기업이 포함된다. 제품은 서로 다르지만, 대부분 동일한 부족 자원에 직면한다.

언어 모델 개발사들은 인간 소통에 대한 방대한 디지털 기록을 물려받았다. 책, 웹사이트, 소프트웨어 저장소, 문서, 사진, 영상은 훈련을 위해 수집하고 정리할 수 있는 자료를 제공했다.

로보틱스에는 물리적 결과와 연결된 행동의 유사한 기록이 없다. 영상은 누군가 서랍을 닫는 모습을 보여줄 수 있지만, 픽셀만으로는 가해진 힘이나 관절 위치를 놓칠 수 있다. 서랍이 걸렸을 때 어떤 일이 벌어졌는지도 담기지 않는다.

유용한 로봇 시연에는 동기화된 카메라 시점, 깊이 정보, 움직임 궤적, 작업 라벨, 성공 또는 실패 신호가 필요할 수 있다. 정교한 작업에는 촉각이나 힘 측정값도 요구될 수 있다.

이러한 요건은 데이터를 수집하고 재사용하기 더 어렵게 만든다. 한 로봇 몸체를 위해 기록된 시연은 손, 관절, 카메라, 도달 범위가 다른 다른 기계로 깔끔하게 이전되지 않을 수 있다.

환경도 중요하다. 실험실 조명 아래에서 동일한 물체를 집도록 훈련된 모델은 포장이 바뀌면 실패할 수 있다. 어수선한 환경, 반사 표면, 낯선 도구, 사람, 반려동물, 좁은 공간은 추가적인 변수를 만든다.

따라서 투자 붐은 로봇 제조 이상을 뒷받침한다. 자본은 기록 키트, 인간 조작자, 주차 시설, 주석 팀, 전문 소프트웨어로 구성된 새로운 데이터 생산 시스템으로 흘러가고 있다.

보도된 투자는 그 범위를 보여준다. Physical Intelligence는 56억 달러의 기업가치로 알려진 가운데 6억 달러를 조달했다. Mecka는 Nvidia와 Sequoia 등을 포함한 투자자로부터 6천만 달러를 조달한 것으로 알려졌으며, Xdof는 7천만 달러를 조달했다.

이 투자 라운드가 어느 기업이 가장 강력한 모델을 보유했는지를 입증하는 것은 아니다. 데이터 수집과 범용 로봇 학습을 전략적 자산으로 본다는 투자자들의 판단을 보여준다.

해결되지 않은 질문은 이러한 지출이 통제된 시연 외부에서도 성공하는 기계를 만들어 내는지다. 투자금으로 더 많은 훈련 세션을 살 수는 있다. 그러나 모델이 그로부터 올바른 일반화를 학습한다는 보장은 없다.

이 구분은 로보틱스 오류가 물리적 결과를 낳기 때문에 중요하다. 챗봇은 형편없는 문장을 만들어도 유리잔을 깨거나 누군가를 다치게 하지는 않는다. 로봇은 행동할 때마다 지각, 계획, 움직임, 안전을 연결해야 한다.

PitchBook의 물리 AI 투자금은 이 문제를 해결하려는 경쟁을 증폭시켰다. 하지만 문제 자체를 없애지는 못했다.

로봇 훈련 데이터가 인터넷에서 그대로 나올 수 없는 이유

물리 AI에는 단순히 작업과 닮은 영상이 아니라 행동, 신체 구조, 결과와 연결된 시연이 필요하다.

텍스트와 이미지 모델은 디지털 미디어 안의 패턴을 학습한다. 로봇은 감각 입력을 변화하는 물리 조건에서도 안전하게 유지되는 행동으로 변환해야 한다.

호텔 직원이 연회용 냅킨을 접는 상황을 생각해 보자. 이 작업에는 유연한 소재를 잡고, 모서리를 찾고, 장력을 유지하며, 여러 겹을 맞추고, 작은 실수를 바로잡는 과정이 포함된다.

일반 영상은 이 순서의 일부를 담는다. 손가락 압력, 손목 위치, 천이 미끄러질 때 작업자의 대응은 드러나지 않을 수 있다. 이러한 숨은 세부 사항은 로봇이 작업을 완료할 수 있는지를 좌우할 수 있다.

Associated Press는 한국 스타트업 RLWRLD가 수집한 작업자 시연을 통해 이 문제를 다뤘다. 호텔, 물류, 소매업 종사자들은 숙련 작업을 수행하는 동안 카메라를 착용했다.

RLWRLD의 엔지니어들은 영상에 가상현실 헤드셋, 모션 트래킹 장갑, 추가 시연을 보완했다. 그 결과물에는 관절 각도와 가해진 힘 같은 세부 정보가 포함됐다.

이 사례는 개발자들이 여러 수집 방식을 사용하는 이유를 보여준다.

1인칭 또는 자기중심적 영상은 작업자의 관점에서 작업을 기록한다. 사람들이 카메라를 착용한 채 익숙한 업무를 계속 수행할 수 있어 더 넓은 규모에서 자연스러운 활동을 포착할 수 있다.

원격 조작은 조이스틱, 가상현실 장비 또는 다른 인터페이스를 통해 인간이 로봇을 제어하는 과정을 기록한다. 이는 기계의 관절과 센서에 직접 연결된 행동을 만들어 낸다.

로봇 체육관은 조작자가 선택된 작업을 여러 번 수행하는 반복 가능한 훈련 스테이션을 만든다. 팀은 장비를 표준화하고, 실패 사례를 포착하며, 작업 난이도를 조정할 수 있다.

시뮬레이션은 인공 환경과 상호작용을 생성한다. 하드웨어 위험 없이 더 빠르게 데이터를 생산할 수 있지만, 시뮬레이션에서 학습한 행동이 현실로 완벽하게 전이되지 않을 수 있다.

실제 환경 배치도 또 다른 가치 있는 데이터 흐름을 제공한다. 작동 중인 로봇은 실패, 인간 개입, 낯선 상황을 기록해 이후 개선을 위한 자료를 만들 수 있다.

학술 프로젝트는 기관과 기계 전반의 데이터셋을 결합하는 가치를 보여준다. Google DeepMind의 Open X-Embodiment 협업은 22개 로봇 신체 구조와 21개 기관의 데이터를 모았다.

이 프로젝트는 다양한 로봇 경험이 모델 전이를 개선할 수 있음을 보여줬다. 동시에 표준화 과제도 드러냈다. 서로 다른 카메라, 컨트롤러, 작업, 로봇 몸체를 통해 수집된 데이터는 모델이 함께 사용하기 전에 정규화돼야 한다.

DROID 프로젝트는 분산형 로봇 데이터를 통해 관련 목표를 추구했다. 참여자들은 다양한 환경, 작업, 지역에서 수만 건의 조작 궤적을 수집했다.

이러한 이니셔티브는 독점 수집 프로그램에 중요한 대안을 제시한다. 공유 연구 데이터셋은 과학적 진전을 가속할 수 있지만, 기업들은 여전히 자사 제품과 목표 고객에 맞춘 비공개 데이터를 원한다.

창고 로봇에는 특정 컨테이너, 선반, 스캐너, 작업 흐름 제약과 관련된 사례가 필요하다. 가정용 로봇에는 가정용 물체, 배치, 사람, 예기치 않은 방해에 대한 훨씬 폭넓은 경험이 필요하다.

인터넷에는 두 환경의 영상이 풍부하다. 그러나 대부분의 영상은 로봇 학습이 아니라 인간 시청자를 위해 제작됐다. 카메라 배치, 누락된 센서 데이터, 편집, 불확실한 결과는 그 가치를 제한한다.

따라서 물리 AI 개발자들은 초기 웹 코퍼스에 해당하는 것을 만들어 내려 하고 있다. 기록된 행동과 측정된 결과를 하나씩 의도적으로 생산해야 한다.

인간 시연이 새로운 로보틱스 공급망이 되다

데이터 병목은 일상적인 노동을 머신러닝의 가치 있는 입력으로 바꾸고 있다.

Financial Times에 따르면 Figure는 가정과 직장에서 작업을 기록하는 약 4만4천 명의 활성 참여자를 보유하고 있다. 참여자들은 완료한 작업 하나당 평균 약 94센트를 받는 것으로 알려졌다.

보도에 따르면 Figure는 향후 12개월 동안 데이터 서비스와 컴퓨팅에 10억 달러 이상을 지출할 계획이다. 이러한 약속은 데이터 생산이 핵심 운영 기능이 됐음을 시사한다.

이 과정은 초기 데이터 라벨링 사업과 닮았지만, 과업은 더 물리적이다. 참여자는 이미지를 분류하는 대신 표면을 청소하고, 물체를 배열하고, 가방을 포장하거나, 용기를 열 수 있다.

성공 사례를 기록하는 일은 시작일 뿐이다. 유용한 데이터셋은 모델이 하나의 방, 물체, 움직임 패턴을 암기하지 않도록 충분한 변화를 담아야 한다.

팀은 물체 크기, 소재, 방향, 조명, 주변의 어수선함을 다양하게 바꿔야 한다. 실수, 복구, 가장 안전한 행동이 멈추는 것인 상황도 포착해야 한다.

주석 작업은 또 다른 층을 더한다. 개발자들은 작업 단계, 물체 정체성, 손 위치, 접촉 이벤트, 완료 품질에 대한 라벨이 필요할 수 있다.

수집이 수천 명의 참여자에게 확산되면 품질 관리는 어려워진다. 카메라가 움직이거나, 작업이 잘못 수행되거나, 중요한 움직임이 기록에서 빠질 수 있다.

카메라가 가정과 직장에 들어갈 때 프라이버시도 핵심 문제가 된다. 영상에는 얼굴, 가족의 일상, 컴퓨터 화면, 독점 장비, 주소, 기밀 문서가 드러날 수 있다.

기업은 저장, 접근, 보존, 삭제에 관한 명확한 동의 절차와 통제 장치를 마련해야 한다. 고용주는 자발적 참여와 직장 내 권한을 통해 강요된 감시를 구분해야 한다.

로봇 데이터 노동 시장은 이미 국제화돼 있다. Scale AI는 멕시코시티에서 데이터 시설을 운영하고 있으며, Xdof는 선전과 자카르타에서 수집을 확대한 것으로 알려졌다.

Financial Times 보도에 따르면 일부 미국 로봇 작업자의 보수는 시간당 약 25달러에 이른다. 멕시코에서의 유사 업무는 이의 절반가량을 받는 것으로 전해진다.

낮은 인건비는 반복적인 데이터 수집을 경제적으로 가능하게 할 수 있다. 동시에 초기 데이터 주석 산업을 형성했던 불평등한 조건을 재현할 수도 있다.

Financial Times가 인용한 한 임원은 인도 구르가온의 열악한 작업 환경 내부를 촬영하는 문제에 우려를 제기했다. 보도에 따르면 일부 근로자는 추가 보상 없이 촬영됐다.

이 주장이 업계 전반의 관행을 입증하는 것은 아니다. 그러나 구매자와 투자자가 운영상의 부수적 문제로 치부할 수 없는 거버넌스 이슈를 제기한다.

근로자가 제공하는 것은 일반적인 동작만이 아니다. 이들은 효율적인 작업 순서, 안전 판단, 불규칙한 상황에 대한 대응처럼 경험을 통해 축적한 전문성을 기여한다.

호텔 직원은 유리잔을 닦을 때 얼마나 단단히 잡아야 하는지 안다. 창고 작업자는 불안정한 포장을 알아본다. 기술자는 부품이 제대로 장착됐는지를 감각으로 판단한다.

이러한 지식은 기록되는 순간 재사용 가능한 기업 자산이 될 수 있다. 근로자는 녹화 세션에 대한 보상은 받을 수 있지만, 향후 시스템이 창출하는 가치에는 참여하지 못할 수 있다.

노동 단체들은 이 교환 관계에 의문을 제기하기 시작했다. 한국노동조합총연맹은 자동화가 신규 근로자가 숙련 지식을 습득하는 과정을 단절시킬 수 있다고 경고했다.

이 우려는 더 깊은 역설을 낳는다. 기업은 로봇을 가르치기 위해 숙련된 근로자가 필요하지만, 광범위한 자동화는 미래 전문성을 키울 노동력을 줄일 수 있다.

문제는 로봇이 일자리를 대체하는지에만 있지 않다. 기업이 새로운 방법, 적응 능력, 암묵지를 만들어 내는 인간 훈련 경로를 유지하는지도 중요하다.

로봇 데이터셋을 의뢰하는 기업은 영상의 출처와 참여자가 어떻게 동의했는지를 문서화해야 한다. 또한 보상이 포착되는 전문성을 반영하는지도 추적해야 한다.

이러한 출처 관리 작업은 검색 가능한 AI knowledge base를 유지하는 일과 닮았지만, 해당 기록에는 물리적·고용 맥락이 담긴다. 이 맥락이 없는 데이터셋은 기술적, 법적, 평판상 위험을 초래할 수 있다.

인간 시연 데이터는 물리적 AI를 위한 인프라가 되고 있다. 수집 기준은 시스템이 연구실을 벗어날 때 어떤 시스템이 신뢰를 얻는지를 좌우할 것이다.

진짜 경쟁은 데이터 품질과 데이터 규모의 대결이다

더 많은 녹화 시간은 로봇에게 신뢰할 수 있는 행동으로 전이되는 행동을 가르칠 때에만 도움이 된다.

인공지능 투자는 흔히 더 큰 데이터셋과 더 많은 연산 능력이 더 강력한 모델을 만든다는 단순한 가정을 따른다. 이 패턴은 언어와 이미지 생성의 발전을 이끄는 데 기여했다.

로보틱스 개발자들은 물리적 행동에도 유사한 규모 확장 효과가 적용되기를 기대한다. 그러나 연구자들은 아직 녹화 시간과 통제되지 않은 환경에서의 성공을 연결하는 보편적 공식을 확보하지 못했다.

University of California, Berkeley의 로보틱스 교수 Ken Goldberg는 Financial Times 보도에서 대규모 수집의 기대 효과를 “추측”이라고 표현했다.

그의 회의론은 데이터에 가치가 없다는 뜻은 아니다. 이는 시연을 추가하는 일이 조작, 계획, 일반화 문제를 예측 가능하게 해결한다는 점이 아직 입증되지 않았다는 의미다.

반복적인 영상 100만 시간은 의미 있는 변화를 포괄하는 더 작은 데이터셋보다 덜 유용할 수 있다. 드문 실패 사례는 수천 건의 일상적 성공 사례보다 더 큰 학습 가치를 지닐 수 있다.

깔끔한 시연만으로 훈련된 시스템은 작업의 불완전한 버전을 학습할 위험도 있다. 실제 환경에는 중단, 손상된 물체, 모호한 지시, 거부해야 하는 작업이 존재한다.

관찰과 제어의 차이는 또 다른 과제를 제시한다. 사람의 움직임은 기하 구조와 기계적 한계가 다른 로봇에 직접 대응하지 않는다.

사람의 손은 촉각, 손재주, 빠른 피드백을 결합한다. 많은 로봇은 제어와 유지보수가 더 쉬운 단순한 두 손가락 그리퍼를 사용한다.

다섯 손가락 로봇 손은 특히 가정 환경에서 더 폭넓은 능력을 약속한다. 그러나 관절, 센서, 고장 모드, 제어 복잡성도 늘어난다.

모델은 컵을 정확히 식별하고도 지나친 힘을 가할 수 있다. 또한 자체 하드웨어가 안전하게 실행할 수 없는 사람 손의 궤적을 재현할 수도 있다.

따라서 개발자는 영상을 로봇이 활용할 수 있는 표현 방식과 연결해야 한다. 이 과정에는 포즈 추정, 동작 리타기팅, 역기구학, 추가 원격조작 시연이 포함될 수 있다.

월드 모델은 또 다른 경로를 제시한다. 이러한 시스템은 행동 후 환경이 어떻게 변하는지를 표현하는 방식을 학습해, 로봇이 움직이기 전에 소프트웨어가 가능한 결과를 예측하도록 한다.

시뮬레이션 플랫폼은 이러한 예측을 활용해 연습 시나리오를 생성할 수 있다. World Economic Forum이 설명한 physical AI framework는 실제 환경 감지 및 맥락적 의사결정과 함께 시뮬레이션을 배치한다.

하지만 설득력 있는 시뮬레이션 장면이 정확한 접촉 물리를 보장하지는 않는다. 부드러운 소재, 액체, 마찰, 깨지기 쉬운 물체, 도구 사용은 여전히 정밀하게 모델링하기 어렵다.

가장 강력한 개발 파이프라인은 여러 방법을 결합할 가능성이 크다. 인터넷 영상은 의미론적 맥락을 제공할 수 있다. 인간 시연은 자연스러운 작업 전략을 보여줄 수 있다.

원격조작은 행동을 로봇 하드웨어와 연결할 수 있다. 시뮬레이션은 적용 범위를 넓히고, 배포 로그는 설계자가 예상하지 못한 실패를 드러낸다.

경쟁 우위는 그 순환 구조를 관리하는 데 있다. 기업은 취약한 행동을 식별하고, 관련 사례를 수집하며, 모델을 재학습하고, 미공개 작업에서 개선을 검증해야 한다.

평가는 수집만큼 중요하다. 공개 시연은 준비 과정, 실패율, 작업자 개입을 공개하지 않은 채 성공한 한 번의 시도만 보여주는 경우가 많다.

기업 구매자는 실제 운영과 연결된 지표가 필요하다. 여기에는 작업 완료율, 복구 성공률, 사이클 시간, 개입 빈도, 환경 변화 상황에서의 성능이 포함된다.

연출된 공간에서 아홉 번 성공하는 로봇도 실제 창고에는 부적합할 수 있다. 한 번의 실패가 초래하는 결과가 성공한 시도의 이점을 넘어설 수 있기 때문이다.

480억 달러의 투자 규모는 더 폭넓은 실험과 더 나은 하드웨어를 뒷받침할 수 있다. 동시에 기업이 데이터셋 규모를 증거의 대체물로 취급하도록 부추길 수도 있다.

투자자는 기업이 수집한 시간이 얼마나 많은지만이 아니라, 학습 자료가 성능을 어떻게 바꾸는지 물어야 한다. 구매자는 자사의 시설과 위험 조건을 닮은 시험을 요구해야 한다.

물리적 AI 투자는 시연에서 신뢰할 수 있는 배포에 이르는 경로를 단축할 때 의미를 갖는다. 그때까지 녹화 시간은 결과가 아니라 입력값으로 남는다.

투자 압박은 로봇 시연에서 배포 증명으로 옮겨가고 있다

실제 작업 현장에서 반복 가능한 증거를 공개하지 않은 채 범용 능력을 약속하는 기업들이 가장 큰 압박을 받고 있다.

로보틱스 스타트업은 하나의 모델이 여러 기계와 작업을 제어할 수 있다는 가능성 덕분에 자본을 유치해 왔다. 이 약속은 대규모 언어 모델이 달성한 범용성을 연상시킨다.

물리적 작업은 관대하지 않다. 모델은 마모되고, 저항에 부딪히며, 사람과 공간을 공유하는 하드웨어를 통해 작동해야 한다.

범용 시스템은 모든 동작을 각각 프로그래밍하기보다 작업 간 학습을 재사용하려 한다. 전이가 안정적으로 작동한다면 이 접근법은 배포 노력을 줄일 수 있다.

작업 특화 자동화는 다른 경로를 따른다. 전통적인 산업용 로봇은 흔히 차단 장치와 예측 가능한 물체 배치가 갖춰진 설계된 셀 내부에서 제한적인 작업을 수행한다.

이들 시스템에는 물리적 AI와 연관된 유연성이 부족하다. 그러나 확립된 안전 관행, 측정된 처리량, 잘 이해된 유지보수 요건을 제공한다.

따라서 핵심 경쟁은 한 스타트업과 다른 스타트업 간의 대결이 아니다. 범용 학습의 약속과 특화 자동화의 운영상 확실성 간의 대결이다.

공장은 휴머노이드가 시연에서 더 적응력 있어 보인다는 이유만으로 신뢰할 수 있는 기계를 교체하지 않을 것이다. 새 시스템은 경제성을 개선하거나 고정형 자동화가 처리할 수 없는 작업을 수행해야 한다.

가정은 더 높은 기준을 요구한다. 변수가 더 많고, 사람과 더 가까이 접촉하며, 훈련된 기술자는 더 적다. 소비자 역시 로봇에 맞춰 모든 방을 재설계하려 하지 않을 가능성이 크다.

한국에서의 AP 보도는 이 격차를 포착한다. 현재의 휴머노이드는 근로자가 약 40분 만에 마치는 호텔 객실 청소에 몇 시간이 걸릴 수 있다.

그럼에도 Lotte Hotel은 향후 몇 년 안에 로봇이 청소 및 백오피스 업무를 지원할 것으로 기대한다. 관계자들은 휴머노이드가 궁극적으로 일부 준비 작업량의 30%에서 40%를 처리할 수 있다고 추정했다.

이 수치는 검증된 배포 결과가 아니라 기대를 설명한다. 또한 초기 도입이 근로자의 완전한 대체가 아닌 부분 자동화를 수반할 수 있음을 보여준다.

물리적 AI 기업은 유연성이 더 느린 성능을 상쇄하는 분야를 찾아야 한다. 불규칙한 자재 취급, 혼합 재고, 반복적인 서비스 작업이 가능한 대상이다.

구매자는 이러한 시스템을 더 단순한 대안과 비교할 것이다. 특화된 팔을 갖춘 이동식 베이스는 많은 산업 작업에서 사람 형태의 로봇보다 더 뛰어난 성능을 낼 수 있다.

투자 붐은 더 큰 투자 라운드가 더 큰 기대를 만들기 때문에 압박을 높인다. 기업은 모델 구축, 데이터 수집, 고객 확보와 동시에 고비용 하드웨어 프로그램을 뒷받침해야 한다.

데이터 공급업체도 자체적인 시험대에 선다. 이들의 데이터셋은 단지 더 많은 녹화 시간에 대한 수요를 충족하는 것이 아니라, 환경 전반에서 모델 성능을 개선해야 한다.

기업에는 안전 시스템, 워크플로 소프트웨어, 유지보수 프로세스, 근로자 교육과의 통합도 필요하다. 유능한 정책 모델은 배포 가능한 제품을 구성하는 한 계층일 뿐이다.

같은 원칙은 내부 증거에도 적용된다. 기업이 선택한 영상은 미지의 작업 전반에 대한 구조화된 평가를 대체할 수 없다.

구매자는 시험 환경이 학습 데이터에 포함됐는지 물어야 한다. 사람이 얼마나 자주 개입하는지, 로봇이 스스로의 불확실성을 감지하는지도 살펴봐야 한다.

또한 자율 행동과 원격조작을 구분해야 한다. 원격 지원은 유용할 수 있지만, 노동 요건과 운영 경제성을 바꾼다.

이러한 우려 가운데 어느 것도 물리적 AI의 논지를 무효화하지는 않는다. 이는 그 논지를 뒷받침하기 위해 필요한 증거를 정의한다.

최고 수준의 자금을 확보한 기업들은 이제 그러한 증거를 만들 자원을 갖추고 있다. 이들의 다음 과제는 데이터 규모가 더 나은 시연이 아니라 반복 가능한 성능을 만든다는 점을 보여주는 것이다.

480억 달러 물리적 AI 투자 급증 이후 주목할 점

세 가지 신호는 이번 투자 주기가 지속 가능한 로보틱스 시장을 구축하는지, 아니면 값비싼 데이터 실험에 그치는지를 보여줄 것이다.

첫 번째 신호는 독립적으로 측정된 배포 성능이다. 발표에는 작업 완료율, 인간 개입, 운영 시간, 낯선 환경 전반에서의 결과가 명시돼야 한다.

유료 고객의 증거는 내부 연구실 시험보다 더 큰 무게를 지닌다. 창고, 공장, 호텔 또는 가정에서의 반복 운영은 데이터 기반 범용 로보틱스의 근거를 강화할 것이다.

현장 간 전이가 부진하다면 그 근거는 약화될 것이다. 이는 기업이 여전히 고객과 환경마다 비용이 많이 드는 재학습을 해야 한다는 점을 시사한다.

두 번째 신호는 더 큰 데이터셋에서 나오는 측정 가능한 수익이다. 개발자는 추가 데이터가 학습에서 제외된 평가의 성능을 어떻게 바꾸는지 보여줘야 한다.

유용한 공개 방식은 특정 종류의 시연을 추가하기 전후의 실패율을 비교할 수 있다. 또한 한 로봇에서의 학습이 다른 형태의 로봇 성능도 개선하는지를 보여줄 수 있다.

다양한 작업에서 성능 향상이 계속된다면 업계의 스케일링 가설은 더욱 설득력을 얻게 될 것입니다. 반면 개선이 빠르게 둔화된다면 기업들은 더 나은 아키텍처, 센서 또는 데이터 선별 방식을 필요로 하게 될 것입니다.

세 번째 신호는 사람이 기록한 데이터에 대한 거버넌스입니다. 기업은 동의 절차, 보상, 개인정보 보호 조치, 보존 관행, 지역별 수집 출처를 공개해야 합니다.

명확한 기준은 기업의 위험을 줄이고 책임 있는 공급업체를 구분하는 데 도움이 될 것입니다. 지속적인 불투명성은 노동자들의 반발, 법적 분쟁, 더 엄격한 규제를 초래할 수 있습니다.

이러한 신호들은 서로 연결되어 있습니다. 문서화가 부실한 데이터는 편향되거나 신뢰할 수 없는 모델을 만들 수 있습니다. 취약한 평가는 로봇이 실제 작업 현장에 투입될 때까지 이런 문제를 감출 수 있습니다.

향후 몇 달은 자금 조달이 소수의 통합 플랫폼에 집중되는지도 보여줄 것입니다. 하드웨어, 모델, 데이터 수집, 배포를 모두 통제하는 기업은 시스템을 더 빠르게 개선할 수 있습니다.

전문 공급업체도 여러 고객에게 고품질 데이터세트를 제공함으로써 성공할 수 있습니다. 이들의 강점은 제공하는 자료가 특정 기계나 연구실을 넘어 적용될 수 있음을 입증하는 데 달려 있습니다.

공유 벤치마크가 독점적 주장에 대한 기준점을 제공하기 때문에 공개 연구 역시 여전히 중요할 것입니다. 다만 공개 데이터세트만으로는 모든 상업 환경이나 안전 요건을 재현할 수 없습니다.

물리적 AI를 검토하는 기업은 범위가 제한된 작업과 명확한 성공 기준부터 시작해야 합니다. 로봇을 테스트하기 전에 기준 인력 투입량, 실패 비용, 개입 필요성, 환경 변화 요인을 기록해야 합니다.

팀에는 시연, 운영 변경 사항, 평가 결과에 대한 지속 가능한 기록도 필요합니다. 검색 가능한 기술 지식 베이스는 엔지니어링 및 운영 조직 전반에서 사라지기 쉬운 의사결정을 보존하는 데 도움이 될 수 있습니다.

PitchBook의 물리적 AI 투자 데이터는 투자자들이 기계가 물리적 세계로부터 학습할 준비가 되었다고 믿고 있음을 보여줍니다. 더 중요한 검증은 기업이 인간의 전문성을 안전하고 반복 가능하며 경제적으로 유용한 행동으로 전환할 수 있는지 여부입니다.

자금 조달 총액뿐 아니라 배포 데이터를 지켜보세요. 누가 학습 자료를 기록했는지, 동의는 어떻게 얻었는지, 추가 데이터가 처음 보는 작업의 성능을 개선했는지 물어야 합니다.

로봇 산업은 이미 상당한 자본을 확보했습니다. 이제는 확대되는 인간 교육 인력이 시간이 지날수록 더 적은 도움을 필요로 하는 기계를 만들어낼 수 있음을 입증해야 합니다.