David Pinn, Brain Corp CEO – 인터뷰 시리즈

David Pinn은 Brain Corp의 CEO로, 거의 9년 동안 회사의 전략, 재무 운영 및 소프트웨어 기반 로봇 비즈니스로의 전환을 이끌어 왔습니다. 그는 2017년에 전략 담당 부사장으로 Brain Corp에 합류했으며, 고위 전략 및 재무 역할을 거쳐 2022년에 CEO가 되었습니다. 재임 기간 동안 Pinn은 주요 자본 조달을 주도하고, 하드웨어 중심 모델에서 반복적인 소프트웨어 매출로의 전환, 로봇 데이터 수집 및 분석으로의 확장, 글로벌 OEM과의 전략적 파트너십을 이끌었습니다. 이전 경력에서는 Qualcomm에서 재무 및 전략 직무를 맡았고, 벤처 지원 기술 스타트업에 자문을 제공했으며, L Catterton 포트폴리오 기업과 협력했으며, Teradyne에서 엔지니어링 및 기술 영업으로 경력을 시작해 로봇, 반도체, 재무, 기업 개발 및 기술 상용화에 걸친 배경을 갖추었습니다.

Brain Corp은 로봇 및 물리 AI 기업으로, 기업용 자율 플랫폼인 BrainOS®를 개발하여 제조업체와 기업이 대규모로 자율 이동 로봇을 배치하고 관리할 수 있게 합니다. BrainOS는 6대륙에 걸쳐 5만 대 이상의 로봇에 동력을 공급하고 2,500만 시간 이상의 실제 운영 시간을 축적했으며, 자동 바닥 청소, 재고 및 선반 데이터 수집, 물류 이동 등 소매점, 창고, 공항, 의료 시설 및 상업 건물 등 다양한 환경에서 활용됩니다. 이 플랫폼은 AI 기반 내비게이션, 의미론적 3D 매핑, 안전 시스템, 클라우드 기반 플릿 관리, 분석 및 기업 시스템과의 통합을 결합하며, 배치된 플릿에서 수집된 데이터가 시간이 지남에 따라 내비게이션과 신뢰성을 향상시키는 데 기여합니다. 최근 개발로는 BrainOS Clean 2.0과 SelfPath™ AI가 있으며, 이는 청소 로봇이 수동으로 경로를 설정하는 대신 자동으로 경로를 생성하고 적응하도록 합니다.

귀하의 경력은 무선 주파수 및 무선 시스템 분야의 엔지니어링 작업에서 전략적 재무, SaaS 전환, 그리고 현재 Brain Corp의 CEO 리더십으로 이어졌습니다. 기술적 및 재무적 역량의 조합이 기업이 “로봇”을 구매하는 것이 아니라 측정 가능한 운영 결과를 구매한다는 귀하의 관점을 어떻게 형성했습니까?

제 초기 경력은 Teradyne에서 반도체 제조 장비를 판매하는 기술 영업으로 시작했습니다. 수많은 시행착오를 겪으며 초기에 중요한 교훈을 얻었습니다: 제가 중요하다고 생각한 것(보통 기술 사양)과 구매자가 실제로 관심을 두는 것 사이에 큰 차이가 있다는 점이었습니다. 구매자는 비즈니스 결과에 진정으로 관심이 있으며, 저와 제 팀이 이를 실제로 제공할 수 있는지를 신뢰하는지 여부가 핵심이라는 것을 배웠습니다.

제가 나중에 로봇 분야로 전환했을 때, 그 교훈은 더욱 강조되었습니다. 모든 기술 투자는 자본을 놓고 경쟁하며, 시스템이 기술적으로 인상적이라고 해서만 인정받지는 않습니다. 로봇 분야에서는 기계 자체에 매료되기 쉽지만, 소매업자는 로봇을 원해서 일어나지 않습니다. 그들은 더 깨끗한 바닥, 매우 정확한 재고, 그리고 직원들이 고객 서비스에 더 많은 시간을 할애하기를 원합니다. 로봇은 그 결과를 전달하는 수단일 뿐입니다.

Brain Corp에서는 고객의 문제에서 시작해 비즈니스 결과를 정의하고, 이를 구현하기 위한 자율 레이어와 필요한 데이터를 역으로 설계합니다. 엔지니어링 배경은 근본적인 기술 문제가 얼마나 복잡한지 이해하는 데 도움을 주지만, 영업 및 재무 경험은 해결책이 확장 가능하고 상업적으로 실현 가능한 비즈니스를 만들 수 있는지에 집중하도록 합니다. 두 가지 모두 필요합니다. 작동은 하지만 경제적 수익을 창출하지 못하는 로봇은 과학 프로젝트이며, 신뢰할 수 없는 기술에 기반한 재무 모델은 비즈니스가 아닙니다.

휴머노이드와 범용 로봇에 대한 관심이 집중되는 상황에서, 오늘날 기업이 로봇에서 실제로 필요로 하는 것에 대해 시장이 오해하고 있는 점은 무엇이라고 생각하십니까?

핵심 의견: 상업 및 산업 현장에서 휴머노이드에 대한 업계의 집착은 오히려 방해 요소입니다.

휴머노이드 옹호자들이 흔히 내세우는 논리는 “세상은 인간을 위해 설계되었으므로 로봇도 인간 형태여야 한다”는 것입니다. 이는 주거 환경에서는 어느 정도 맞을 수 있지만, 기업 환경에서는 근본적으로 틀린 주장입니다.

창고를 보세요. 인간을 위해 설계된 것이 아니라 포크리프트, 팔레트 잭, 중장비를 위해 설계되었습니다. 소매점, 학교, 호텔, 병원, 공항을 살펴보면, 휠체어 접근성을 위해 평평한 바닥, 경사로, 넓은 통로, 엘리베이터가 갖춰져 있습니다. 상업 및 산업 건물은 휠 기반 이동을 염두에 두고 설계되었습니다.

이를 인식하면, 상업용 로봇에 다리를 달는 것이 불필요한 위험 요소이자 거대한 비용 낭비라는 것을 곧 알 수 있습니다. 이미 휠에 최적화된 공간을 이동하기 위해 비싸고 취약한 이족 보행 시스템을 설계할 이유가 무엇입니까? 휠은 더 저렴하고, 더 신뢰성이 높으며, 하중을 더 잘 처리합니다.

앞서 언급했듯이, 경제적 수익이 없는 로봇은 단순히 과학 프로젝트에 불과합니다. 평평하고 휠체어 접근이 가능한 바닥을 걷기 위해 고도로 복잡한 휴머노이드를 구축하는 것은 궁극적인 과학 프로젝트입니다. 존재하지 않는 이동 문제를 해결하는 것이죠. 기업은 인간을 모방한 기계가 아니라 특정 비즈니스 결과를 신뢰성 있게 제공하는 도구가 필요합니다. 상업적 사용 사례에서는 휠이 언제나 승리합니다.

Brain Corp는 매장, 공항, 창고, 병원, 캠퍼스와 같은 복잡하고 공공이며 트래픽이 많은 환경에서 운영됩니다. 로봇 데모에서는 나타나지 않는 가장 어려운 실제 문제는 무엇입니까?

자율주행 차량 산업은 데모가 얼마나 오해를 불러일으킬 수 있는지 고통스럽게 배웠습니다. 10여 년 전 자율주행 자동차 데모를 보았지만, 실제 상업용 무인 택시를 출시하려면 또 다른 10~15년의 집중적인 엔지니어링이 필요했습니다. 왜일까요? 업계에서 ‘마치 9의 행진’이라고 부르는 현상 때문입니다.

시스템을 90% 신뢰성 수준에 도달시키면 좋은 데모가 됩니다. 99%에 도달하는 것은 거대한 엔지니어링 성과이지만, 수천 개의 공공 장소에서 수만 대의 로봇을 운영할 때 99% 신뢰성은 충분하지 않습니다.

실제 상업 환경에서는 사람들이 예고 없이 방향을 바꾸고, 쇼핑 카트가 통로에 남겨지며, 디스플레이가 밤새 이동하고, 팔레트가 경로를 막습니다. 바닥은 반사되거나 젖어 있거나 고르지 않거나 파편으로 뒤덮일 수 있습니다. 문이 열리고 닫히며, 조명이 변하고, 직원들은 기계와 상호작용하는 자체 방식을 개발합니다. 로봇은 어린이, 보행 보조기를 사용하는 사람, 주의가 산만한 쇼핑객, 포크리프트, 혹은 단순히 길에 서 있는 사람을 마주칠 수도 있습니다.

가장 어려운 문제는 모든 것이 예상대로 작동할 때의 내비게이션이 아니라, 예상치 못한 상황이 발생했을 때 우아하게 적응하는 것입니다. 로봇이 경로가 차단된 이유를 이해하고, 안전한 대안을 찾아 작업을 완료할 수 있을까요? 수백만 시간에 걸쳐 직원들의 작업량을 늘리지 않고 이를 수행할 수 있을까요?

데모에서 종종 간과되는 사회적 차원도 있습니다. 사람들은 로봇의 의도를 이해해야 합니다. 로봇의 움직임은 예측 가능하고, 신호는 명확해야 하며, 주변 사람들을 강제로 적응시키기보다 기존 인간 작업 흐름에 자연스럽게 맞아야 합니다.

우리에게 실제 AI란 “그냥 작동한다”는 의미입니다. 엣지 케이스는 가장자리에 있는 것이 아니라 환경 자체입니다. 이러한 조건에 맞춰 구축하려면 수년간의 운영 학습, 신중한 안전 아키텍처, 그리고 시뮬레이션 영상에서는 보이지 않는 세부 사항에 대한 끊임없는 집중이 필요합니다.

기업이 로봇 ROI를 평가할 때 가장 중요한 지표는 무엇입니까: 절감된 노동 시간, 작업 일관성, 가동 시간, 데이터 수집, 안전, 고객 경험, 혹은 다른 요소?

위 모든 요소가 중요합니다.

절감된 노동 시간은 유용하지만 전체 그림을 포착하지는 못합니다. 많은 산업에서 근본적인 문제는 단순히 인건비가 비싸다는 것이 아니라, 적합한 인재 채용이 어려워 이직률이 높고, 팀이 과부하돼 중요한 작업이 일관되지 않게 수행된다는 점입니다. 이런 상황에서는 작업 완료, 빈도, 일관성이 이론적인 인원 감소보다 더 가치 있을 수 있습니다.

다음 단계는 운영 성능입니다: 가동 시간, 자율 활용도, 성공적인 작업 완료, 커버리지, 그리고 필요한 감독 수준입니다. 기술적으로는 오랜 시간 작동하지만 자주 구조가 필요한 로봇은 의미 있는 자율성을 제공하지 못합니다.

ROI 모델에서 안전 및 규정 준수 개선도 간과해서는 안 됩니다. 청소 로봇은 작업장의 부담과 부상을 감소시키고, 직원들이 고객과 고부가가치 업무에 더 많은 시간을 할애하도록 합니다. 재고 로봇은 선반 가용성, 가격 정확성, 실행 일관성을 향상시킵니다. 로봇은 물리적 환경 전반에서 발생하는 상황을 신뢰할 수 있는 반복 데이터로 포착함으로써 새로운 운영 가시성 레이어를 제공합니다.

핵심은 배포 전 실제 기준선을 설정하고, 구현, 지원, 유지보수, 교육, 통합 등을 포함한 전체 수명 주기에 걸쳐 성능을 측정하는 것입니다.

Brain Corp는 로봇 분야에서 반복적인 SaaS 로봇 플랫폼으로 운영된다는 점에서 독특합니다. 왜 소프트웨어, 데이터, 플릿 오케스트레이션이 로봇 자체 형태보다 더 중요해지고 있을까요?

하드웨어는 로봇이 물리적으로 할 수 있는 범위를 정의합니다. 소프트웨어는 로봇이 얼마나 신뢰성 있게 수행하는지, 얼마나 쉽게 배포되는지, 기업에 얼마나 안전하게 통합되는지, 그리고 시간이 지남에 따라 얼마나 더 유용해지는지를 결정합니다.

통합된 소프트웨어와 클라우드 레이어가 없으면 로봇은 사실상 고립된 기계에 불과합니다. 하나의 시설에서 단일 작업을 수행할 수는 있지만, 쉽게 모니터링, 업데이트, 기업 시스템과 통합하거나 더 넓은 플릿과 조정하기 어렵습니다. 이는 기업이 서로 다른 인터페이스, 지원 모델, 데이터, 운영 절차를 가진 다양한 로봇 유형을 추가하면서 파편화를 초래합니다.

플랫폼은 이 방정식을 바꿉니다. 우리의 자율 플랫폼인 BrainOS®를 통해 다양한 기계와 애플리케이션에 공통된 자율성, 안전성, 데이터 및 플릿 관리 기반을 제공합니다. 파트너들은 새로운 제품마다 전체 자율성 및 클라우드 인프라를 재구축하는 대신, 자신들의 하드웨어 전문성과 고객이 직면한 문제에 집중할 수 있습니다.

소프트웨어는 기계 가치를 복합적으로 증가시킵니다. OTA(Over-the-Air) 업데이트를 통해 새로운 기능을 배포하고, 플릿 전반의 로봇 행동을 학습해 성능을 향상시키며, 하드웨어 교체 없이 새로운 엣지 케이스에 대응할 수 있습니다. 전통적인 산업 장비는 배포 순간부터 감가상각이 시작되지만, 연결된 자율 시스템은 수명 주기 동안 점점 더 능력을 갖추게 됩니다.

형태는 작업에 맞게 물리적 설계가 필요하기 때문에 여전히 중요합니다. 그러나 형태는 진화할 것입니다. 보다 지속 가능한 가치는 어떤 애플리케이션에도 확장 가능한 인텔리전스, 운영 인프라, 데이터 레이어에 있습니다. 그래서 우리는 BrainOS®를 특정 로봇을 위한 운영 체제라기보다 실제 세계를 위한 자율 플랫폼이라고 설명합니다.

BrainOS 기반 로봇은 이제 청소뿐만 아니라 선반 분석, 재고 가시성, 물류 이동에도 활용되고 있습니다. 로봇이 작업 자동화 도구에서 모바일 데이터 플랫폼으로 어떻게 진화할 것이라고 보십니까?

우리의 BrainOS® 플랫폼은 기업이 대규모로 자율 솔루션을 구축, 배포, 지원하는 데 필요한 인프라를 제공합니다. 기본 자율성 및 인텔리전스 레이어를 제공함으로써 파트너는 자신들이 가장 잘하는, 구체적이고 실제 비즈니스 문제 해결에 집중할 수 있습니다. 이 독특한 접근 방식은 빠른 확장을 가능하게 했으며, 기업이 단순히 로봇을 구축하는 것이 아니라 로봇 비즈니스를 구축하도록 했습니다.

로봇 바닥 관리가 의미 있는 규모에 도달한 최초의 상업용 애플리케이션 중 하나였으며, 이는 명확하고 반복적인 운영 필요성을 해결했기 때문입니다; 모든 상업 환경에는 더러운 바닥이 존재하고 많은 경우 인력 문제가 있습니다. 우리는 150년 이상 바닥 관리 분야를 선도해 온 파트너 Tennant Company와 함께 이 규모를 달성했으며, 현재는 세계 최대 상업 로봇 제조업체 중 하나로 성장했습니다.

그 후 대형 소매 및 물류 기업과의 협업을 통해 근본적인 진실을 인식했습니다: 이들 운영은 재고가 시설에 들어오고 나가는 정확한 정보를 가지고 있지만, 매장이나 창고 바닥에서 실제로 무슨 일이 일어나고 있는지에 대한 가시성이 부족합니다. 모바일 로봇은 물리적 환경을 반복적으로 이동하는 몇 안 되는 시스템 중 하나로, 대규모로 이러한 실제 상황을 포착하는 데 독특하게 적합합니다. 이 과제를 해결하기 위해 우리는 선도적인 머천다이저인 Driveline Retail와 창고 장비 선두 기업인 Dane Technologies와 협력하여 기업 규모로 재고 추적 및 선반 인텔리전스를 시장에 제공하고 있습니다.

재고 가시성 관련 애플리케이션으로 확장할 때, 데이터 수집은 방정식의 일부에 불과합니다. 대부분의 창고와 소매업체는 수백만 장의 원시 이미지만을 원하지 않으며, 정확히 어떤 제품이 품절인지, 어떤 가격이 잘못되었는지, 누락된 팔레트가 어디에 있는지, 그리고 직원이 다음에 취해야 할 구체적인 조치는 무엇인지 알고 싶어합니다. Brain Corp는 이러한 원시 관측을 정확하고 우선순위가 매겨진 비즈니스 의사결정으로 전환하는 데 필요한 고급 컴퓨터 비전 및 AI를 제공합니다.

로봇 형태와 관계없이, 이러한 시스템은 기업이 시설의 지속적으로 업데이트되는 디지털 트윈을 만들 수 있게 합니다. 우리 로봇이 전체 구역을 안전하고 신뢰성 있게 탐색하기 때문에, 모바일 데이터 플랫폼 역할을 수행하며 매우 상세한 시설 정보를 포착합니다. 예를 들어, 소화기 위치 확인, 고장 난 냉동고 식별, 혹은 Wi‑Fi 연결이 불량한 구역 매핑 등이 가능합니다.

한 파일럿 현장에서 성공한 로봇 배포와 수천 개의 기업 현장에 확장 가능한 배포를 구분 짓는 요소는 무엇입니까?

파일럿은 가능성을 보상하고, 확장은 신뢰성을 보상합니다.

파일럿이 성공할 수 있는 이유는 최고의 엔지니어가 근처에 있고, 환경이 세심하게 준비되었으며, 누군가가 뒤에서 조용히 예외 상황을 처리하기 때문입니다. 수백 또는 수천 개의 현장에 배포할 때는 이러한 요소가 통하지 않습니다. 이때마다 모든 수동 단계가 비용과 실패의 원인이 됩니다.

확장 가능한 배포는 초기부터 재현 가능해야 합니다. 로봇은 설정이 간단하고, 현장 직원이 직관적으로 사용할 수 있으며, 원격으로 모니터링 가능하고, 현장을 방문하지 않아도 소프트웨어 업데이트를 받을 수 있어야 합니다. 또한 조직은 사이버 보안, 안전 인증, 지원, 교육, 유지보수, 분석 및 고객 기존 기술과의 통합을 위한 성숙한 시스템을 갖추어야 합니다.

변경 관리도 동일하게 중요합니다. 로봇과 함께 일하는 사람들은 로봇이 무엇을 하는지, 제한 사항이 무엇인지, 그리고 자신의 업무에 어떻게 맞는지 이해해야 합니다. 기술은 튼튼하지만 운영 책임이 불분명하면 배포는 실패합니다.

마지막으로, 경제성이 고객과 로봇 공급업체 모두에게 맞아야 합니다. 이를 위해서는 배포가 진행될수록 더 경제적이고 견고해지는 로봇 인프라가 필요합니다.

이러한 일련의 도전을 우리는 ‘자율성 격차(Autonomy Gap)’라고 부릅니다. 작동 가능한 프로토타입을 구축하는 것은 로봇 비즈니스를 만드는 한 부분에 불과합니다. 훨씬 더 어려운 작업은 전문가가 떠난 뒤에도 지속적으로 성능을 유지하는 안전하고, 지원되며, 재현 가능한 제품으로 전환하는 것입니다.

Brain Corp의 최근 컨텍스트 기반 기반 및 의미론적 매핑 작업은 물리 AI를 위한 보다 지능적인 레이어를 가리킵니다. 왜 “환경 이해”가 자율 로봇의 다음 주요 프론티어가 되는 걸까요?

전통적인 내비게이션은 주로 기하학적 문제입니다: 나는 어디에 있는가, 어디로 이동할 수 있는가, 무엇을 피해야 하는가. 컨텍스트 기반은 훨씬 풍부한 질문을 추가합니다: 내 주변에서 무슨 일이 일어나고 있는가? 이 객체들은 무엇인가? 사람들은 어떻게 상호작용할 가능성이 있는가? 이 특정 상황에서 적절한 행동은 무엇인가?

기본 내비게이션 시스템은 어떤 것이 공간을 차지하고 있음을 인식할 수 있습니다. 컨텍스트 인식 시스템은 그 객체가 정확히 무엇인지, 왜 존재하는지, 무엇을 하고 있는지, 궁극적으로 어떻게 행동해야 하는지를 이해해야 합니다. 이러한 구분은 상황마다 올바른 대응이 다르기 때문에 중요합니다.

로봇이 생성형 AI, 비전‑언어 모델 및 기타 확률적 시스템을 통합하기 시작하면서 이는 특히 중요해집니다. 이러한 모델은 엄청난 지능과 유연성을 제공하지만, 물리적 기계를 제어하는 소프트웨어에서는 그저 설득력 있는 답변만으로는 충분하지 않습니다. 행동은 실제 기하학, 환경 조건, 안전 요구사항 및 사회적 맥락에 기반해야 합니다.

우리는 답이 고급 AI와 물리적 세계에 대한 지속적인 컨텍스트 표현, 그리고 결정론적 안전 제어를 결합하는 것이라고 믿습니다. 이를 통해 로봇은 점점 더 강력한 AI 모델의 혜택을 누리면서도 확률적 인텔리전스가 경계 없이 작동하지 않도록 할 수 있습니다.

기업이 직원, 고객 및 일반 대중 주변에 로봇을 배치할 때 신뢰에 대해 어떻게 생각해야 할까요?

먼저, 근본적인 진실을 인정해야 합니다: 로봇은 다른 기업 기술과 다릅니다. 소프트웨어 버그가 노트북을 다운시킬 수 있지만, 1,000파운드 무게의 기계가 혼잡한 소매 통로를 탐색할 때 발생하는 버그는 전혀 다른 위험을 수반합니다. 기업은 로봇을 다른 연결된 IT 장비처럼 단순히 취급할 수 없습니다.

로봇에 대한 신뢰는 매일 쌓아갑니다. FCC가 보안 우려로 외국산 로봇 승인 제한을 강화하는 시점에서, 신뢰 기준은 그 어느 때보다 높아졌습니다. 물리 AI가 병원, 공항, 창고, 식료품점 등으로 확장됨에 따라, 기업은 물리적 안전, 데이터 프라이버시, 인간 통합이라는 몇 가지 구별된 층에서 신뢰를 평가해야 합니다.

고급 AI는 로봇이 복잡한 환경을 탐색할 만큼 ‘똑똑’하게 만드는 데 놀라운 역할을 하지만, 인텔리전스와 안전은 동일하지 않습니다. 신뢰할 수 있는 로봇은 두 가지를 구분합니다. 시스템을 무시할 수 있는 전용·중복 하드웨어 안전 제어 장치를 갖추어야 하며, 안전은 학습이 아니라 하드코딩되어야 합니다.

또한, 공공 공간을 탐색하는 로봇은 본질적으로 이동형 데이터 플랫폼입니다. 카메라와 센서를 사용해 세상을 관찰합니다. 기업은 공급업체에게 극도의 투명성을 요구해야 합니다: 로봇이 무엇을 보고 있는가? 그 데이터는 어디로 가는가? 누가 접근할 수 있는가? 프라이버시와 사이버 보안은 배포 후 PR 활동으로 부착할 수 없으며, 처음부터 시스템 아키텍처에 내재되어야 합니다.

기업이 가장 크게 실수하는 것은 변화 관리에 대한 고려 없이 로봇을 시설에 투입하는 것입니다. 직원이나 고객에게 로봇을 무조건 신뢰하도록 요구할 수 없습니다. 직원들은 초기부터 참여시키고, 적절히 교육받으며, 기계가 일상 업무를 어떻게 더 쉽고 안전하게 만드는지 정확히 보여줘야 합니다. 문제가 발생했을 때 누가 책임을 지는지, 필요 시 어떻게 개입할 수 있는지도 알아야 합니다.

궁극적으로, 인증, 감사, 보안 제어는 기본적인 증거에 불과합니다. 진정한 신뢰는 반복적인 경험을 통해 구축됩니다. 로봇이 안전하게 행동하고, 고객의 개인 공간을 지속적으로 존중하며, 직원의 지루하고 더러운 작업을 매일 대신해줄 때, 로봇은 자연스럽게 팀의 일원이 됩니다.

앞으로 5년 동안 상업용 로봇이 가장 큰 가치를 창출할 분야는 어디라고 보십니까: 소매, 물류, 헬스케어, 제조, 공항, 혹은 전혀 다른 분야?

가장 큰 가치는 규모가 크고, 분산되어 있으며, 인력 부족이 심한 환경에서 나오며, 일관되게 수행하기 어려운 반복 작업이 존재합니다.

공급망—제조, 물류, 소매—은 이러한 모든 조건을 결합합니다. 매장은 복잡한 공공 공간이며, 인력 가용성은 지속적인 과제이고, 작은 운영 문제(빈 선반, 잘못된 가격, 지연된 청소 작업)도 고객 경험과 재무 성과에 직접적인 영향을 미칩니다. 물류와 제조 역시 재고 가시성, 물류 이동, 점점 자동화되는 시설 간 조정을 통해 막대한 가치를 창출할 것입니다.

하지만 가장 큰 가치는 특정 산업에 국한되지 않을 것입니다. 기업이 로봇을 구매하는 방식의 변화가 핵심입니다. 구체적으로, 향후 5년은 고립된 로봇 프로젝트가 사라지는 시기가 될 것입니다.

현재 기업들은 매우 파편화된 프로젝트를 진행하고 있습니다. A사 로봇으로 바닥을 청소하고, B사 로봇으로 재고를 스캔하며, C사 로봇으로 물자를 이동합니다. 각각은 서로 공유되지 않는 독자적인 세계 인식을 가지고 있습니다. 이는 확장되지 않는 운영 악몽입니다.

향후 5년 동안 가치는 공유된 컨텍스트와 실행에서 나올 것입니다. 기업들은 파편화된 로봇 구매를 중단하고 통합된 물리 AI 기반에 투자할 것입니다. 다양한 기계 플릿을 관리하고, 환경에 대한 컨텍스트를 공유하며, 개별 작업이 아닌 전체 시설을 중앙에서 자동화하는 하나의 소프트웨어 플랫폼, 하나의 자율 레이어, 하나의 데이터 파이프라인을 원합니다.

이것이 AI가 야망을 넘어 실제 세계를 더 효율적으로 만드는 방식입니다.

훌륭한 인터뷰에 감사드립니다. 더 자세히 알고 싶은 독자는 Brain Corp를 방문하십시오.