์ฌ์ ๋ฆฌ๋
์๋ก์ด ๋ก๋ดํธ ๊ฒฝ์: ๋ฐ์ดํฐ, ๋ชจ๋ธ, ์ ์กฐ
혁신은 종종 고립되지 않다. 더 자주, 그것은 기술이 어디로 향하고 있는지 이해하려고 하는 엔지니어, 창립자, 연구자, 투자자 간의 대화에서 태어난다.
1년 동안, 나는 전 세계에서 수십 개의 회의에 참석했다. 비즈니스 여행은 때때로 몇 개월 동안 지속되며, 아시아에서 북미까지 파트너와 고객과의 회의가 진행된다. 그러나 최근 스위스로의 여행은 특히 흥미로웠다. 그곳에서 일어난 사람들과 대화 덕분에 그런 것이었다.
취리히는 오늘날 로봇공학과 물리적 인공지능의 미래가 활발히 논의되고 있는 곳 중 하나로 입증되었다. 그리고 이러한 대화가 깊어질수록, 로봇공학의 실제 경쟁은 데이터를 중심으로 진행되고 있음을 더 명확히 알 수 있다.
유럽의 실리콘 밸리
취리히는 전통적으로 금융 부문과 관련이 있었지만, 최근 몇 년 동안 점점 더 유럽의 실리콘 밸리로 불리게 되었다. 이러한 명성의 대부분은 유럽에서 가장 존경받는 엔지니어링 대학 중 하나인 ETH 취리히에 묶여 있다. 그것은 전 세계의 연구자, 박사 과정 학생, 기업가, 엔지니어들을 끌어들인다. 그 결과, 대학을 중심으로 연구, 스타트업, 산업 프로젝트가 거의 동시에 진화하는 강력한 기술 생태계가 형성되었다.
내 여행의 한 가지 이유는 로봇공학 시장에서 Introspector가 무엇을 제공할 수 있는지 더 깊이 이해하는 것이었다. 2025년 초부터 번창한 산업이다. 많은 스타트업이 이 시장에 진입하려고 시도하고 있으며, 주요 기술 회사들의 기술적 돌파구가 활발히 이 산업을 재형성하고 있다. 그러나 이러한 모든 추진력에도 불구하고, 이 분야는 여전히 더 많은 질문을 제기한다.
취리히는 또한 우리의 파트너인 Lightly의 본거지이다. 그들은 로봇공학, 컴퓨터 비전, 인공지능의 교차점에서 일하는 동료들을 소개해주었다. 이 지역 기술 생태계에서 강조하고 싶은 한 가지 중요한 측면은 사람들이 놀라울 정도로 열려 있고 환영하는 태도라는 것이다. 그들은 자신의 아이디어와 가설을 공유하는 것을 두려워하지 않으며, 해결하려고 하는 문제에 대해 이야기하고, 수행하는 실험에 대해 논의한다. 그 결과, 시장의 실제 contexto와 산업이 어디로 향하고 있는지 훨씬 더 빠르게 이해할 수 있다.
그런데 사람들이 나에게 유럽의 “실리콘 밸리”와 미국의 것을 어떻게 차별화하는지 묻을 때, 대답은 종종 그들을 놀라게 한다. 취리히에서는 일과 삶의 균형이 훨씬 더 강하게 느껴진다. 아침에는 운동, 낮에는 차분하지만 생산적인 리듬으로 집중적인 작업, 저녁에는 가족과 함께 산책하거나 단순히 휴식한다. 샌프란시스코에서는 항상 다른 사람보다 더 열심히 일해야 하는 느낌이 있다. 취리히의 속도는 다르다. 더 지속 가능하다. 그러나 여기의 기술적 야망은 더 낮지 않다.
로봇보다 먼저 좋은 데이터
이 여행에서 얻은 주요 결론은 khá 간단한 관찰이었다. 많은 사람들이 오늘날 로봇공학에서 일하고 싶어한다. 그러나 이 산업에 대한 엄청난 관심에도 불구하고, 많은 팀은 여전히 탐색 단계에 있으며, 새로운 로봇공학과 물리적 인공지능의 물결에서 어떤 역할을 할 수 있는지, 어떤 기여를 할 수 있는지 이해하려고 한다.
많은 대화는 결국 동일한 주제로 수렴한다. 데이터. 오늘날, 이 산업은 정교한 작업에 대한 데이터가 부족하다. 즉, 세밀한 운동 기능이다. 이 분야에서 로봇의 능력은 매우 제한적이다. 인간이 거의 자동으로 하는 일 – 물건을 집어 올리기, 돌리기, 조심스럽게 어디에 두기, 또는 작은 조작을 수행하기 – 로봇에게는 여전히 가장 어려운 작업 중 하나이다.
여기서의 진보의 열쇠는 주로 대규모, 적절하게 수집된 데이터 세트에 있다. 오늘날, 사람들은 종종 에고센트릭 데이터 세트, 즉 첫 번째 사람의 관점에서 기록된 데이터 세트에 대해 이야기한다. 여기서 시스템은 인간이 수행하는 것처럼 행동을 캡처한다. 그러나 실제로, “에고센트릭 데이터 세트”라는 개념은 매우 다른 것을 의미할 수 있으며 기술적인 질문을 제기한다. 카메라는 어디에 놓여야 하는가? 이마에, 가슴에, 아니면 눈높이에? 비디오 녹화를 сопровpaged할 센서는 무엇인가? 손 움직임을 캡처하는 경우, 운영자는 특수 장갑을 사용해야 하는가? 그리고 그렇다면, 그 장갑에는 촉각 센서, 자이로스코프 또는 기타 모션 추적 시스템이 포함되어 있어야 하는가?
보다 복잡한 질문이 발생한다. 어떻게 운동의 깊이를 적절하게 캡처할 수 있는가?毕竟, 2차원 평면에서 손의 위치만이 아니라 3차원 공간에서 어떻게 이동하는지 이해하는 것이 중요하다. 앞으로, 뒤로, 위로, 아래로.
산업은 아직 통일된答案에 도달하지 못했다. đó가 pourquoi 많은 팀이 오늘날 다른 센서 구성, 녹음 방법, 데이터 세트 형식을 실험하고 있다.
다중 모달 시스템
로봇공학을 위한 데이터 수집에 대한 대화가 시작되자, 추가 센서와 다중 모달리티에 대한 또 다른 주제가 빠르게 등장했다. 이것은 신체 움직임, 손 동작, 물체 상호 작용을 더 높은 정밀도로 캡처할 수 있도록 한다. 또한 데이터 수집 중 오류를 줄여준다.
사람이 카메라로 자신의 행동을 녹음할 때, 항상 일부 자료가 사용할 수 없는 위험이 있다. 카메라가 약간 이동하거나, 촬영 각도가 올바르지 않거나, 운영자가 실수로 반대 방향으로 돌아가거나, 운영자가 너무 빠르게 동작을 수행할 수 있다. 그 결과, 녹화된 자료의 상당한 부분이 폐기된다. 간단한 예:真正로 사용할 수 있는 1시간의 비디오를 얻으려면, 운영자는 약 2시간의 원시 영상을 녹화해야 한다.
추가 센서를 사용하면 일부 문제를 보완할 수 있다. 카메라가 약간 이동하더라도, 센서 데이터는 여전히 손이나 신체의 위치를 재구성할 수 있다. 따라서, 2시간의 녹화 대신, 약 1시간 20분이면 동일한 양의 사용 가능한 데이터를 얻을 수 있다. 이것은 데이터 수집의 효율성을 크게提高하고, 데이터 세트를 생성하는 비용을 절감한다.
그этому, 많은 팀이 로봇공학과 구현된 인공지능의 개발에 직접적으로 연결된 다중 모달 데이터 주석의 관심이 증가하는 것을 알 수 있다.
이 다음 포인트는 이러한 데이터 세트의 레이블링이다. 우리는 Keymakr에서 로봇공학 사례를 위한 클라이언트 데이터 세트와 함께 일할 때 유사한 질문을遇到了. 이러한 주석은 실제로 어떻게 보일까?骸骨형태여야 하는가? 2차원 또는 3차원 형태여야 하는가? 강화 학습의 요소를 파이프라인에 통합해야 하는가? 이러한 질문은 수십 개 있다. 엔지니어 자신도 아직 어떤 특정 데이터 구성이 궁극적으로 실제 기술적 돌파구로 이어질지 확신할 수 없다고 인정한다.
이러한 우려는 이해할 수 있다. 복잡한 데이터 세트를 구축하는 것은 비싼 과정이다. 데이터 구조의 오류는 수천 달러 또는 수백만 달러의 비용을 초래할 수 있다. “잘못된” 데이터 세트를 수집하거나 실제 세계에서 재현하기 어려운 조건에서 녹화하여 궁극적으로 전체 프로젝트를 손상시킬 수 있다. đó가 pourquoi 오늘날, 모델 자체와 모델을 훈련시킬 데이터의 품질 및 아키텍처에 더 많은 주목을 받고 있다.
시장에서 어떤 종류의 로봇이 필요할까?
전형적인 산업용 로봇은 수십 년 동안 자동차 조립 라인에서 작동해 왔다. 실제로, 이러한 로봇은 매우 적은 컴퓨터 비전 또는 복잡한 인공지능 모델이 필요하다. 그들의 작업은 매우 특정하다. 높은 정밀도와 일관성으로 엄격하게 반복되는 동작을 수행한다. 이 분야에서 그들은 이미 인간을 능가했다.
완전히 다른 범주는 인형 로봇이다. 이러한 시스템은 “뇌”가 필요하다. 즉, 공간을 탐색하고, 주변 환경을 인식하고, 상황의 contexto를 이해하고, 사전 프로그래밍된 궤적에 의해 아니라 실제 세계에 적응하여 조작기를 제어할 수 있는 능력이 필요하다.
현대 공장의 자동화 수준이 높음에도 불구하고, 여전히 많은 작업이 인간에 의해 수행된다. 물건을 이동시키기, 박스를 집어 올리기, 부품을 분류하기, 구성 요소를 고정시키기, 또는 재료를 조직하기 – 이러한 작은 동작은 유연성과 조정이 필요하다. 이 영역은 여전히 자동화하기 가장 어려운 영역 중 하나이며, 여기서 인형 시스템이 자신의 역할을 찾을 수 있다.
내가 대화한 많은 팀은 유사한 비즈니스 모델을 사용한다. 그들은 공장에 접근하여 특정 생산 사례를 해결하는 것을 제안한다. 예를 들어, 작업자는 하루 종일 창고 구역 사이에서 박스를 옮긴다. 엔지니어들은 간단한 실험을 제안한다. 작업자에게 카메라와 센서 세트를 장착하고, 그들의 행동을 수천 시간 동안 녹화한 다음, 인간 작업자가 수행하는 작업을 수행할 수 있는 로봇을 제어하는 모델을 훈련한다. 이렇게 하면 로봇이 특정 작업자에 의해 수행되는 작업을 정확히 수행할 수 있다.
본질적으로, 회사는 인형 플랫폼을 구매한다. 개발 팀은 특정 시나리오 또는 생산 작업 그룹에 훈련된 스킬 세트를 구축한다. 이것은 모든 작업을 해결할 수 있는 보편적인 지능이 아니다. 특정 시나리오 또는 생산 작업 그룹에 훈련된 스킬 세트이다. 많은 엔지니어에게 오늘날 이것은 더 현실적인 접근 방식으로 보인다. 보편적인 로봇을 즉시 만들려고 시도하는 대신, 팀은狭い지만 경제적으로 실현 가능한 자동화 시나리오에 집중한다.
비즈니스 차원
미래가 사용자 지정 모델에 있다면, 이것이 경제적으로 bastante 긴 개발 경로라는 것을 이해하는 것이 중요하다.
각 산업은 본질적으로 자신의 세계이다. 모든 생산 환경에는 자신의 프로세스, 워크플로, 예외가 있다. 자동차 공장에서 작동하도록 훈련된 로봇을 단순히 식품 제조 또는 창고 물류로 이전할 수 없다. 각 경우에 시스템을 처음부터 다시 훈련해야 한다.
이것은 다음 논리적인 질문으로 이어진다. 이러한 기술의 첫 번째 고객은 누구일까?
이 단계에서 주요 사용자는 아마도 대규모 기업일 것이다. 즉, 자동화가 의미 있는 경제적 영향을 미칠 수 있는 곳이다. 오늘날, 인형 로봇의 하드웨어 비용만 약 6만 달러에서 9만 달러이다. 이것은 기본 구성이다. 그 위에 유지 보수 비용, 배터리, 충전 기지, 인프라, 소프트웨어가 있다.
결과적으로, 이러한 시스템을 실험할 수 있는 회사들은 대규모 조직, 자동차 제조업체, 식품 회사, 주요 산업 기업이다.
물론, 더 작은 부문도 초기 사용자를 볼 수 있다. 일부 회사들은 특정 작업을 위한 1~2개의 로봇을 구매할 수 있다. 그러나 대부분의 경우, 이러한 비즈니스는 아직 특정 운영 시나리오를 위한 사용자 지정 데이터 세트를 수집하고 주석을 달기 위한 수백 만 유로를 투자할 준비가 되어 있지 않다. 그들에게人类 노동은 여전히 더 저렴한 옵션이다.
로봇공학 혁신의 장기 게임
우리는 궁극적으로 기본적인 경제적 질문에 도달한다. 어떤 것이 더 효율적인가 – 인간인가, 로봇인가? 오늘날의 경제를 보면, 답은 명백하다. 인간 노동은 더 저렴하다. 새로운 조건에 더 빠르게 적응하고, 복잡한 인프라를 필요로하지 않는다.
那么, 왜 산업은 오늘날에도 로봇공학에 투자하는가? 答案은 주로 전략적이다.
많은 회사들은 기술적 리더십을 위한某种 경쟁이 진행 중이라는 것을 이해한다. 그들은 높은 비용에도 불구하고, 로봇공학의 경제학이 바뀌었을 때 앞서가기 위해 이미 솔루션을 개발하고 있다.
예를 들어, 인형 로봇의 대규모 사용을 허용하는 새로운 규정들이 등장한다고 가정하거나, 정부가 산업의 로봇화를 보조금을 지불하기 시작한다고 가정한다. 그러한 시나리오에서 시장은 단 몇 년 내에戏剧적으로 성장할 수 있다. 그리고 미리 준비한 회사들, 즉 모델을 구축하고, 데이터를 축적하고, 필요한 기술 인프라를 구축한 회사가 가장 많은 이익을 얻을 것이다.
그этому 개발은 현재 비즈니스 경제가理想的이지 않더라도 계속된다. 많은 회사들에게这是미래에 대한 투자이다. 기술이 더 접근하기 쉬워지고, 수요가 급격히 증가할 때의 순간에 대한 투자이다.
그리고 이러한 경쟁에서, 많은 기술적 혁신과 마찬가지로, 한 가지 요소가 종종 결정적이다. 누가 먼저 시작했는가? 로봇공학은 초기 인공지능의 초기 단계와 매우 유사하다. 그때도 더 많은 질문이 있었다. 그러나 데이터와 인프라를 먼저 작업한 팀들이 궁극적으로整个 산업의 방향을 결정했다.
