Machenta, 단 한 번의 시연으로 로봇이 새로운 작업을 배우도록 4,000만 달러 규모 시드 투자 유치

로봇에게 새로운 작업을 가르치는 데는 그 작업을 직접 수행하는 것보다 훨씬 더 오랜 시간이 걸릴 수 있습니다. 시연을 수집하고, 학습 데이터를 준비하고, 모델을 업데이트하다 보면 작은 작업 흐름의 변화도 상당한 엔지니어링 프로젝트로 이어질 수 있습니다. Machenta는 이러한 과정을 단축하기 위해 4,000만 달러 규모의 시드 투자를 유치했으며, 추가적인 작업별 학습 없이 단 한 번의 시연으로 로봇이 물리적 작업을 습득하도록 설계된 로봇 파운데이션 모델을 개발하고 있습니다.

런던에 본사를 둔 이 회사는 10월 27일 투자 유치 소식을 발표했으며, Creandum과 Union Square Ventures가 공동으로 투자를 주도했습니다. Machenta는 새로 문을 연 킹스크로스 사무실 겸 연구실에서 모델을 확장하고 팀을 확대하는 데 투자금을 사용할 예정입니다.

Machenta는 자사의 접근법을 “즉각적인 로봇 학습”이라고 부릅니다. 회사에 따르면 로봇에게 한 번 작업을 보여준 뒤 포장, 조립, 정리 작업을 수행하게 했으며, 로봇은 작업 조건의 차이에 맞춰 동작을 조정했습니다. 목표는 폭넓지만, 현재까지의 결과는 로봇이 가능한 모든 작업을 이미 수행할 수 있다는 증거가 아니라 발전 중인 기술을 보여주는 사례로 봐야 합니다.

새로운 학습 과정 없이 새로운 작업 익히기

핵심은 모델을 학습시키는 일과 이미 학습된 모델에 특정 작업을 가르치는 일을 구분하는 데 있습니다. Machenta는 여전히 파운데이션 모델을 학습시킵니다. 회사가 없애려는 것은 로봇이 새로운 작업을 마주칠 때마다 대규모 새 데이터 세트를 수집하고 학습을 다시 진행해야 하는 과정입니다.

Machenta의 공동 창업자 겸 CEO인 에드워드 존스 교수는 발표에서 “지능은 이미 할 수 있는 일이 무엇인지보다 새로운 일을 얼마나 빠르게 배울 수 있는지에 더 가깝습니다”라고 말했습니다.

제안된 작업 방식은 의도적으로 단순하게 설계됐습니다. 원하는 동작을 시연하고, 로봇이 이를 관찰하게 한 다음, 작업을 수행하도록 하는 것입니다. 실제로 구현된다면 이 시연은 별도의 모델 개발 프로젝트를 시작하는 과정이 아니라 기존 모델에 주어지는 지시의 일부가 됩니다.

이는 작업의 전반적인 성격은 그대로지만 대상 물체나 배치가 달라지는 상황에서 특히 유용합니다. 정해진 순서만 반복할 수 있는 로봇은 프로그램에 맞춰 환경이 조성돼야 합니다. 유용한 학습 시스템이라면 시연을 통해 어떤 작업을 수행하라는 것인지 파악하고, 눈앞의 상황에 맞춰 동작을 조정해야 합니다.

학습 능력을 훈련하는 데 활용되는 시뮬레이션

Machenta의 학습 전략은 데이터 생성에 드는 부담의 상당 부분을 시뮬레이션으로 옮깁니다. 발표 자료에 따르면 목표는 로봇이 언젠가 마주칠 수 있는 모든 작업을 일일이 열거하는 것이 아닙니다. 다양한 시나리오를 충분히 경험하게 해 새로운 사례를 통해 학습하는 능력을 다른 상황에도 적용할 수 있도록 하는 것입니다.

이 전략은 회사가 규모를 키울 수 있다고 보는 지점을 바꿉니다. 많은 로봇 학습 프로젝트는 원격 조작이나 사람의 활동 기록을 통해 실제 시연을 수집하는 데 크게 의존합니다. Machenta는 실제 시연으로 배포 단계에서 지시를 제공하고, 새로운 작업을 배우는 데 필요한 다양성은 시뮬레이션 경험으로 확보할 수 있다고 보고 있습니다.

회사의 기술 소개에서는 이 시스템을 비전-시연-동작 모델, 즉 VDA라고 설명합니다. 이 모델은 시연과 지속적으로 입력되는 카메라 관측을 받아 폐루프 방식으로 동작을 예측합니다. 회사에 따르면 사전 학습에는 시뮬레이션만 사용하며, 추론 시점에는 학습을 위한 시연 사례와 실시간 관측 정보가 실제 환경에서 입력됩니다.

이 구분은 중요합니다. 시뮬레이션만으로 사전 학습했다는 것은 배포된 로봇이 실제 환경의 정보 없이 작동한다는 뜻이 아닙니다. 로봇은 여전히 시연을 해석하고 주변 환경을 관찰하며, 조건이 변할 때마다 동작을 선택해야 합니다.

맥락 내 로봇 학습의 연구 기반

Machenta는 임페리얼 칼리지 런던에서 존스와 공동 창업자 겸 CTO인 비탈리스 보실리우스가 수행한 연구를 바탕으로 하고 있습니다. 존스는 임페리얼 칼리지 런던의 로봇 학습 교수이며, 두 사람은 적은 수의 사례만으로 물리적 동작을 학습하는 초기 방법을 개발했습니다.

ICLR 2025에서 발표된 이들의 Instant Policy 연구는 추가 학습 없이 한두 번의 시연을 바탕으로 맥락 내 모방 학습을 수행하는 방법을 설명합니다. 이 방법은 시연, 관측, 동작을 그래프로 표현하고, 학습된 확산 과정을 이용해 동작 예측에 필요한 그래프 구조를 생성합니다.

논문은 의사 시연을 활용한 학습도 설명합니다. 의사 시연은 대규모 사례 풀을 제공하기 위해 시뮬레이션에서 생성한 궤적입니다. 실험에는 시뮬레이션 환경과 실제 작업이 포함되며, 로봇 형태 간 전이와 언어로 정의된 지시에 관한 추가 연구도 다룹니다.

이 연구는 과학적 토대를 이해하는 데 도움이 되지만, Machenta의 현재 상용 모델이 정확히 같은 구조를 갖췄다는 점까지 입증하지는 않습니다. 스타트업은 최신 시스템을 이러한 연구 흐름에서 발전한 파운데이션 모델이라고 설명합니다.

맥락 내 학습은 언어 모델에서 익숙한 개념입니다. 프롬프트에 포함된 사례가 모델의 가중치를 업데이트하지 않고도 응답에 영향을 줄 수 있습니다. 하지만 이 개념을 로봇에 적용하는 일은 더 까다롭습니다. 출력이 그럴듯한 답변에 그치는 것이 아니라 실제 환경의 제약 속에서 물리적 동작의 연속으로 이어져야 하기 때문입니다.

시연으로 확인된 점과 앞으로 검증해야 할 점

Machenta의 기술 게시물에 따르면, 세 가지 간단한 자가 복구 작업을 한 시간 동안 시험한 결과 블록 놓기는 74회 시도에서 74회 성공했고, 드라이버 전달은 78회 시도에서 78회 성공했으며, 병 세우기는 99회 시도에서 97회 성공했다. 회사는 병 세우기 작업에서 실패한 두 차례의 원인으로 충돌 위험과 운동학적 제약을 꼽았다.

이는 초기 단계의 유용한 신뢰성 점검이지만, 광범위한 산업 벤치마크는 아니다. 게시물은 사람의 손에서 직접 학습하는 방식과 휴머노이드 손으로 작업을 수행하는 방식도 초기 단계의 방향으로 제시한다. 모든 작업을 수행할 수 있다거나 모든 작업장에서 안정적으로 성능을 발휘한다는 점을 입증한 것은 아니다.

도입을 고려하는 사용자에게 설득력 있는 시연과 실제 배치 가능한 시스템 사이에는 반복성, 실패 복구 능력, 사람 주변에서의 안전한 동작, 로봇 하드웨어의 현실적인 한계가 놓여 있다. 지시를 빠르게 학습하더라도 그리퍼가 물리적으로 잡을 수 없는 물체를 다루게 할 수는 없다.

그럼에도 상업적 기회는 분명하다. 작업을 가르치는 시간이 크게 줄어들면, 오랜 프로그래밍과 통합 작업을 정당화하기 어려울 만큼 자주 바뀌는 업무에도 로봇 도입을 검토하기 쉬워진다. 이는 공장 도입뿐 아니라 로봇 전문가의 지원을 받기 어려운 소규모 응용 분야에도 영향을 미칠 수 있다.

모델과 팀을 확장하기 위한 시드 투자

Machenta는 적응형 로봇 지능에 대한 투자가 확대되는 흐름에 합류하고 있다. Unite.AI가 다룬 Dream Labs의 로봇 간 AI 투자 유치는 학습된 기능을 서로 다른 기계에서 활용할 수 있도록 하려는 또 다른 시도를 보여 준다. Machenta가 주력하는 것은 새로운 물리적 지시를 얼마나 빠르게 실제로 활용할 수 있는 동작으로 바꾸느냐는 점이다.

Creandum의 파트너 Kathi Wilhelm은 팀이 회사를 설립하기 전 수년간 연구를 이어 온 점을 강조했다. Union Square Ventures의 매니징 파트너 Rebecca Kaden은 작업마다 별도의 훈련 과정을 거치게 하는 대신 로봇이 새 작업을 빠르게 익힐 수 있다는 점의 가치를 강조했다.

Machenta의 다음 단계는 이러한 연구 기반을 더 폭넓고 신뢰할 수 있는 역량으로 발전시키는 것이다. 4,000만 달러의 투자금은 회사가 모델을 확장하고 관련 인력을 채용하는 데 필요한 자원을 제공하며, 창립팀은 원샷 로봇 학습 분야에서 6년간 쌓은 연구 성과를 사업에 접목한다.

핵심은 작업이 더 다양하고 까다로워질수록 이러한 학습 방식이 얼마나 확장될 수 있느냐는 것이다. 이 접근법이 실제로 효과를 낸다면 중요한 변화는 실용적인 차원에서 나타날 것이다. 사람들은 훈련 파이프라인을 구축하는 데 드는 시간을 줄이고, 로봇이 실제로 해야 할 일을 직접 보여 주는 데 더 많은 시간을 쓸 수 있다.