휴머노이드 시대는 오지 않는다. 이미 왔다

이번 달 초 중국에서는 인간형 로봇이 Shuang Shuang이 무대에 올랐습니다. 푸젠성의 한 고등학교 졸업식에서 졸업장을 받기 위해 악수를 나누고 학생들과 선생님들 모두에게 기쁨을 선사했습니다. 이러한 순간들은 인간형 로봇이 매우 눈에 띄는 방식으로 대중의 삶에 들어오기 시작하는 의미 있는 변화를 보여줍니다.

이러한 순간들은 대중의 호기심 그 이상을 의미합니다. 현실 세계와의 통합을 향한 전환을 알리는 신호입니다. 이 글에서는 휴머노이드가 어떻게 단순한 쇼와 스펙터클에서 벗어나 실생활에 적용 가능한 기능을 갖추게 되었는지, 그리고 하드웨어적인 업적으로만 보이는 것이 실제로는 자동화를 위해 스크립트화되지 않은 환경에서 걷고, 상호작용하고, 학습할 수 있게 하는 통합 지능에 관한 것인지 살펴봅니다. 또한, 초기 구축 및 장기적인 파트너십을 통해 상용화에 어떻게 접근하는지에 대해서도 논의할 것입니다.

인간형 로봇이 AI를 현실 세계로 끌어들이는 방식

가상 성능과 물리적 안정성 간의 격차는 AI 분야에서 가장 간과되는 과제 중 하나입니다. 챗봇은 별도의 작업 없이도 유창한 텍스트로 구성된 문단을 생성할 수 있습니다. 이는 비전 모델이 이미지의 특정 단계를 물리적으로 탐색하거나 넘어질 위험을 감수하지 않고도 식별할 수 있는 것과 마찬가지입니다. 휴머노이드는 그런 여유를 누리지 못합니다.

현실 세계에서 작동하려면 AI는 정적인 데이터 세트와 통제된 환경을 벗어나야 합니다. 시시각각 변하는 환경에서 AI는 보고, 결정하고, 행동해야 합니다. 여기에는 고르지 않은 바닥, 잘못된 위치에 놓인 물건, 예측할 수 없는 인간 행동, 그리고 상황에 따라 달라지는 비언어적 신호가 포함됩니다. 그 결과, 매일 소음, 모호함, 그리고 잠재적인 실패와 마주하게 됩니다.

바로 이 지점에서 체화된 추론, 즉 언어가 공간, 시간, 그리고 결과에 기반을 두는 추론이 단순한 예측보다 더 중요해지기 시작합니다. 예를 들어, 사람이 "조심해, 미끄러워."라고 말하면 로봇은 그 말을 단순히 단어의 정의뿐 아니라 공간 인식, 잠재적 위험, 그리고 실시간 조정과 연결해야 합니다.

동시에, 어떤 단일 입력 채널도 단독으로 작동할 만큼 신뢰할 수 없기 때문에 다중 모드 학습이 필수적입니다. 카메라는 미끄러운 표면을 감지하지 못하더라도, 발에 장착된 압력 센서는 갑작스러운 마찰력 손실을 감지할 수 있습니다. 또 다른 상황에서는 시끄러운 창고에서 음성 인식이 실패하더라도 시각적 단서나 제스처가 그 공백을 메울 수 있습니다.

일반화 또한 중요해집니다. 로봇은 정확한 환경을 두 번 보는 것에 의존할 수 없습니다. 바닥이 젖거나, 조명이 바뀌거나, 상자가 어제 있던 자리에 없을 때에도 행동을 조정해야 합니다. 이것이 실행의 성공과 실패를 가르는 기준이 됩니다.

휴머노이드가 상업 파트너와 함께 일찍부터 테스트를 시작하는 이유도 바로 여기에 있습니다. 로봇을 실제 환경에 통합하여 잠재적인 결함을 신속하게 발견하고 배포 전에 최적의 기능을 보장합니다. 시뮬레이션이나 데모에서 좋은 성능을 보이는 로봇과 압박 속에서 신뢰를 얻는 로봇은 다릅니다. 그 신뢰는 궁극적으로 실제 학습을 기반으로 하기 때문입니다.

휴머노이드가 향후 2년 안에 상용화될 것이라는 점은 알고 있지만, 기다리지 않습니다. 저희에게 상용화는 일찍부터 시작됩니다. 즉, 실제 사용 사례를 기반으로 장기적인 파트너십을 구축하는 것을 의미합니다. 일련의 시범 프로그램을 통해 파트너들에게 기술에 대한 교육을 제공할 뿐만 아니라, 파트너들과 함께 학습합니다. 이러한 공유 학습 과정은 초기 단계부터 비용 구조와 성능 안정성을 개선하는 데 도움이 되며, 시스템 확장 시 최적의 총소유비용(TCO)을 보장합니다.

인간형이 일반 지능을 위한 궁극적인 시험대인 이유

지난 100년 동안 우리가 만들어 온 세상은 인간의 크기에 맞춰져 있습니다. 문 손잡이, 지게차, 창고 등 모든 것이 일정한 크기, 동작 범위, 그리고 암묵적인 사회적 행동을 전제로 합니다. 휴머노이드는 이러한 현실에 적응하지 못하면 기능이 극도로 제한될 위험이 있습니다.

위층으로 올라가거나, 물건을 들거나, 손가락으로 가리키는 제스처를 해석하거나, 목소리에서 망설임을 인식하려면 로봇은 시각적 분류나 스크립트화된 동작 계획을 훨씬 뛰어넘는 맥락을 이해해야 합니다. 로봇은 의도를 추론하고, 인간을 관찰하여 새로운 작업을 학습하고, 그 기술을 약간 다른 레이아웃에 적용하고, 시간이 지남에 따라 성능을 향상시켜야 합니다. 실제로 이 시스템은 AI가 실제 제약 조건 하에서 할 수 있는 일을 효과적으로 확장하고 있습니다.

휴머노이드에서는 원격 조작을 통해 이 과정을 가속화합니다. 개발 초기 단계에서는 인간 조작자가 로봇의 주요 작업을 안내합니다. 이러한 직접 데이터는 새로운 행동 훈련의 기반이 됩니다. 시간이 지남에 따라 이러한 시연은 엔드투엔드 모델에 반영되어 안정적인 자율성을 구축하는 데 도움이 됩니다.

좁은 시스템에서 통합 인텔리전스로

오늘날 대부분의 AI 시스템은 특정 작업에 탁월합니다. 개별적으로는 각각 잘 작동합니다. 하지만 휴머노이드에는 단절된 전문가가 필요하지 않습니다. 성공적인 통합을 위해서는 다양한 방식과 시간 척도를 아우르는 추론이 가능한 시스템이 필요합니다.

인간형 로봇은 비교적 모호한 지시를 받을 수 있습니다. "복도 건너편 창고에서 노란색 상자를 가져와"라는 지시입니다. 그리고 그 지시를 일련의 하위 작업으로 해독해야 합니다. 말하는 사람의 위치를 파악하고, 복도를 탐색하고, 올바른 상자를 식별하고, 악력을 조정하고, 충돌을 피하고, 물론 안전하게 돌아와야 합니다.

그 시퀀스의 각 부분은 시각, 운동, 언어, 조작, 그리고 피드백이라는 서로 다른 하위 시스템을 포함합니다. 그리고 전체의 신뢰성은 이러한 부분들이 변화하는 상황에서 얼마나 잘 소통하느냐에 달려 있습니다.

모듈형 아키텍처는 이러한 과제를 해결하는 방법입니다. 이를 통해 시스템 전체의 조율을 유지하면서도 하위 시스템을 독립적으로 반복할 수 있습니다. 또한, 처음부터 다시 빌드하지 않고도 여러 환경에 걸쳐 기능을 확장할 수 있습니다. 이를 통해 폐쇄형 데모에서 개방형 성능으로 전환할 수 있습니다.

위험은 엄청납니다. 그리고 그것은 전 세계적입니다.

휴머노이드를 미래적인 것으로 묘사하기는 쉽습니다. 하지만 고객과 이야기를 나눠보면, 휴머노이드의 필요성은 즉각적으로 드러납니다. 한때 바빴던 많은 창고, 조립 라인, 그리고 다른 작업장들이 이제 인력 부족에 어려움을 겪고 있습니다.

이러한 노동력 부족은 인구 통계학적 문제입니다. 일본에서는 인구의 약 30%가 65세 이상입니다. 유럽에서는 결합된 주요 부문이 있습니다. 1.7조 XNUMX억 달러의 급여 - 이다 젊은 인력 채용에 어려움을 겪고 있다. 이런 역할은 대부분 사람들이 원하는 것이 아니며, 점점 더 많은 사람들이 하려고 하는 역할도 아닙니다.

휴머노이드 로봇은 대체물이 아닌 보조적인 역할을 수행함으로써, 재고 이동, 팔레트 적재, 기계 작동 등 육체적으로 힘들고 반복적이며 위험한 작업을 피로나 부상 위험 없이 수행할 수 있습니다. 이를 통해 인간 근로자는 업무의 더 복잡하고 창의적이며 대인 관계적인 측면에 집중할 수 있습니다.

더욱이, 이는 장기적인 경제적 회복력을 창출합니다. 노동력이 불안정하거나 공급이 부족할 때, 지능형 기계는 안전, 품질, 또는 적응성을 희생하지 않고도 연속성을 보장하는 데 도움을 줄 수 있습니다.

강조해야 할 또 다른 측면은 규제 체계입니다. 대부분의 팀, 특히 규제가 느슨한 관할권의 팀들은 이 부분에 대해 생각조차 하지 않습니다. 저희는 거기서부터 시작했습니다. 유럽의 안전 및 데이터 관련 법률은 세계에서 가장 엄격한 수준 중 하나이지만, 저희는 이를 장애물로 여기지 않고 오히려 저희의 경쟁력으로 생각합니다. 다른 시장들이 더욱 엄격한 규제를 도입함에 따라, 저희는 이러한 규제를 충족할 준비가 되어 있지만, 다른 기업들은 이에 발 빠르게 대응해야 할 것입니다.

새로운 AI 종족 - 하지만 당신이 생각하는 종족은 아닙니다

오늘날 AI에 대한 담론의 대부분은 컴퓨팅 파워, 매개변수, 그리고 학습 데이터에 집중되어 있습니다. 하지만 진정한 돌파구는 다른 영역, 즉 물리적 세계와의 통합에서 나올 수 있습니다. 바로 이 지점에서 지능은 단순히 예측하는 데 그치지 않고, 수행하는 법을 배워야 합니다.

이러한 측면에서, 이 경쟁은 가장 유능한 시스템, 즉 공공장소에서 안전 제약 하에, 그리고 인간이 모든 상황에 참여하는 시스템을 향한 것입니다. 이 시스템은 데이터 학습 외에도, 특히 현실로부터 배우고, 사물의 흐름을 방해하지 않으면서 사람들과 함께 협력할 것입니다.

그렇기 때문에 저희는 배포가 시작될 때까지 기다리지 않습니다. 처음부터 상업 파트너와 직접 협력하여 실제 환경에 통합함으로써 가장 중요한 부분, 즉 실무에서 시스템 개선을 보장합니다.

그런 종류의 실제 학습은 좁은 시스템이 부족한 부분입니다. 좁은 시스템이 우리를 크게 발전시켰지만, 이런 복잡성을 고려해서 설계된 것은 아닙니다. 휴머노이드는 다른 무언가를 필요로 합니다. 바로 조정 능력, 견고성, 그리고 앞서 언급했듯이 예상치 못한 상황에서 배우는 능력입니다.

이것이 바로 우리 앞에 놓인 엄청난 기회입니다. 모든 것을 자동화하는 것이 아니라, 인간 세계를 이해하고, 길을 찾고, 인간과 협력할 수 있는 기계를 만드는 것입니다.