최근 실리콘밸리에서 가장 뜨거운 관심을 받고 있는 스타트업 중 하나인 Physical Intelligence(이하 pi)의 행보가 예사롭지 않습니다. UC 버클리의 Sergey Levine, 구글 DeepMind 출신의 Karol Hausman, 그리고 Stripe의 초기 멤버 Lachy Groom 등 학계와 산업계의 거물들이 모여 '로봇을 위한 ChatGPT'를 구축하고 있습니다.
"우리가 만드는 것은 로봇을 위한 범용 지능입니다. 하드웨어가 다소 부족하더라도 강력한 지능이 이를 보완할 수 있습니다." - Sergey Levine, pi Co-founder
1. 데이터 루프: 현실 세계의 LLM 학습 방식 차용
Physical Intelligence의 핵심 전략은 명확합니다. 다양한 환경(창고, 가정, 실험실)에서 로봇의 동작 데이터를 수집하고, 이를 통해 범용 로봇 파운데이션 모델(General-purpose Robotic Foundation Models)을 학습시키는 것입니다. 이는 특정 작업(Task)에 고정된 기존의 산업용 로봇과 달리, 학습된 지능을 통해 한 번도 접해보지 못한 물체(예: 처음 보는 채소의 껍질을 벗기는 동작)도 물리적 법칙을 이해하여 처리할 수 있도록 만듭니다.
2. 하드웨어의 불완전함을 지능으로 극복
pi는 고가의 정밀 로봇 대신 약 3,500달러 수준의 저가형 기성(Off-the-shelf) 하드웨어를 사용합니다. 이는 테슬라가 고가의 센서 대신 비전 AI에 집중하는 것과 유사한 철학입니다. '지능이 하드웨어의 오차를 보정한다'는 원칙 하에, 하드웨어 의존성을 낮추고 소프트웨어의 범용성을 극대화하여 로봇 도입 비용을 획기적으로 낮추는 방향을 제시하고 있습니다.
아키텍트의 분석: 로보틱스의 패러다임 시프트와 기술적 도전
시니어 아키텍트의 관점에서 볼 때, pi의 접근 방식은 기존 로보틱스의 결정론적(Deterministic) 제어에서 확률론적(Probabilistic) AI 모델로의 완전한 전환을 의미합니다.
- 엔드-투-엔드 학습(End-to-End Learning): 기존의 Inverse Kinematics나 궤적 계획(Trajectory Planning) 알고리즘 대신, Vision-to-Action으로 이어지는 VLA(Vision-Language-Action) 모델의 확장은 로봇의 일반화 능력을 획기적으로 높입니다.
- 데이터 인프라와 클라우드 확장성: 수만 대의 로봇에서 실시간으로 수집되는 고차원 센서 데이터를 클라우드로 전송하고 이를 분산 학습(Distributed Training) 시키기 위한 데이터 파이프라인 구축이 핵심입니다. 이는 단순한 AI 모델링을 넘어 대규모 Cloud Native 인프라 설계 능력을 요구합니다.
- 엣지 컴퓨팅의 최적화: 훈련은 대규모 GPU 클러스터에서 진행되지만, 실제 로봇 팔의 실시간성(Real-time)을 보장하기 위해서는 모델 경량화 및 런타임 최적화가 필수적입니다. Python 기반의 연구 결과물을 C++, Rust 기반의 고성능 엣지 추론 엔진으로 이식하는 과정이 향후 상용화의 핵심 병목이 될 것입니다.
댓글
댓글 쓰기