피겨 AI의 인덱스 플랫폼, 크라우드소싱 로봇 데이터에 10억 달러 투자

휴머노이드 로봇 공학이 돈으로 해결할 수 없는 데이터 병목 현상

피겨 AI(Figure AI)는 화요일, 자사의 크라우드소싱 기반 로봇 훈련 데이터 플랫폼인 ‘인덱스(Index)’가 출시 이후 100여 개국에서 앱 다운로드 수 26만 4천 건을 돌파했으며, 주간 활성 사용자 4만 4천 명 이상이 일상적인 신체 활동 영상을 1,600만 개 이상 업로드하고 있다고 발표했다. 이 회사는 지금까지 기여자들에게 1,500만 달러를 지급했으며, 향후 12개월 동안 데이터 및 컴퓨팅에 10억 달러 이상을 투자할 계획이라고 밝혔다. 이 수치는 ‘인덱스’를 단순한 부수적 프로젝트에서, 투자 규모 측면에서 볼 때 휴머노이드 로봇 기업 중 어느 곳도 단일 전략적 가설에 대해 이만큼 대규모로 투자한 사례가 없음을 보여줍니다. 그 가설이란, 범용 로봇을 만드는 데 필요한 물리적 세계 데이터는 인터넷상에 존재하지 않으며, 가정 내 집안일이나 창고 작업 하나하나를 통해 처음부터 직접 수집해야 한다는 것입니다.

이 가설 자체는 새로운 것이 아닙니다. 진지하게 휴머노이드 및 체화형 AI 개발에 임하는 모든 개발자들은 적어도 지난 2년 동안 “아직 그런 데이터는 존재하지 않는다”는 취지의 발언을 해왔습니다. 인덱스를 면밀히 살펴볼 가치가 있는 이유는, 피규어가 이 주장을 단순한 화두로 남겨두지 않고 검증 가능한 구체적인 운영 모델을 뒷받침으로 제시했기 때문이며, 그들이 선택한 모델—일반인들이 물리적 작업을 수행하는 모습을 기록하면 보상을 주는 소비자용 앱—은 대부분의 경쟁사들이 취해 온 접근 방식과는 의미 있게 다른 도박이기 때문이다.

로봇 데이터가 단순히 스크래핑될 수 없는 이유

대규모 언어 모델을 구축하는 데 사용된 인터넷 규모의 훈련 데이터 접근 방식은 로봇 공학 분야로 그대로 적용되기 어렵고, Figure가 제시한 문제 정의는 단순한 마케팅 수사가 아니라 그대로 받아들일 가치가 있다. 이 회사는 발표문을 통해 “진정한 범용 로봇을 확장하는 데 필요한 데이터는 인터넷상에 존재하지 않으며, 실제 세계에서 얻어야 한다. 즉, 지구상의 모든 환경에서 포착된 물리 현상의 전 지구적 표본이 필요하다”고 밝혔다. 텍스트와 이미지는 인터넷상에 사실상 무제한으로 존재하는데, 이는 인간이

지난 30년 동안 우리는 의사소통의 부산물로 이러한 데이터를 생성해 왔습니다. 로봇 조작 모델이 학습할 수 있는 깊이와 힘 정보가 담긴, 특정 각도에서 식기세척기에 식기를 넣는 사람의 영상은 그 규모에 비할 바가 될 만큼 존재하지 않습니다. 로봇 기업들이 요청하기 전까지는 아무도 그런 목적으로 집안일을 촬영하지 않았기 때문입니다.

이러한 데이터의 희소성이야말로 업계에서 많이 논의되는 ‘시뮬레이션과 현실 간의 격차(sim-to-real gap)’ 뒤에 숨겨진 실질적인 제약 요인입니다. 시뮬레이션은 무제한의 합성 훈련 데이터를 생성할 수 있지만, 순수하게 시뮬레이션만으로 훈련된 정책은 실제 주방이나 창고 현장의 복잡하고 물리적으로 불규칙한 조건에서는 실패하는 경향이 있습니다. 바로 이 격차를 해소하기 위해 Index는 실제 물리적 상호작용을 대량으로 포착하는 시스템을 구축했습니다. 피겨(Figure)가 공개한 자체 지표는 이러한 포착 작업이 얼마나 세밀하게 이루어지는지 잘 보여줍니다. 수집된 영상 1,000시간당 이 플랫폼은 373개의 고유 작업, 1,146개의 고유한 물체, 116개의 고유한 환경을 기록합니다. 이러한 다양성의 밀도는 통제된 실험실 환경이 아닌 진정으로 다양한 가정, 주방, 작업 공간에 대한 접근이 필요하기 때문에, 아무리 자금이 풍부한 기업이라 해도 단일 기업의 내부 데이터 수집 작업만으로는 재현하기 어렵습니다.

다른 휴머노이드 분야와는 차별화된 데이터 전략

대부분의 휴머노이드 로봇 기업들은 두 가지 경로 중 하나를 통해 훈련 데이터를 구축합니다. 하나는 원격 조작(teleoperation)으로, 인간 조작자가 물리적 로봇을 원격으로 조종하여 작업을 수행하게 하고 시스템이 그 결과로 생성된 센서 및 동작 데이터를 기록하는 방식이며, 다른 하나는 회사의 감독 하에 계약된 데이터 수집가들이 정해진 시나리오에 따라 작업을 수행하는 사내 데이터 수집 팀을 활용하는 방식입니다. 두 접근 방식 모두 고품질의 정확하게 라벨링된 데이터를 생성하지만, 데이터 양을 두 배로 늘리려면 관련 로봇, 조작자 또는 계약된 수집가의 수를 대략 두 배로 늘려야 하기 때문에 선형적으로 확장하는 데 비용이 많이 듭니다. 인덱스(Index)는 데이터 수집 수단으로 로봇 원격 조작 하드웨어 대신 소비자용 스마트폰 앱을 활용함으로써 이러한 비용 구조를 뒤집습니다.

기기를 통해 기여자들이 실제 로봇에 접근할 필요 없이 휴대폰으로 작업을 기록할 수 있게 하고, 직접 고용하는 대신 기여 건당 보상을 지급하는 방식입니다.

이러한 역전 현상에는 명백한 장단점이 있다. 스마트폰 영상은 원격 조종 로봇 세션이 기본적으로 포착하는 정밀한 힘, 토크, 고유수용 감각 데이터를 제공하지 못하기 때문에, 인덱스(Index) 데이터는 원격 조종 데이터와는 달리 모델 훈련의 초기 단계에 활용될 가능성이 높으며, 로봇이 정교한 제어의 최종 단계에서 필요로 하는 세밀한 조작 데이터보다는 광범위한 시각적 정보와 작업 구조에 대한 정보를 제공합니다. 피규어가 향후 12개월 동안 데이터 및 컴퓨팅 분야에 10억 달러를 투자하겠다고 밝힌 것은, 이 회사가 인덱스를 원격 조작 및 실험실 기반 데이터 수집을 완전히 대체하는 수단이 아닌, 더 광범위한 데이터 전략의 한 축으로 간주하고 있음을 시사한다. 하지만 이 투자 규모와 1,000시간당 특정 작업 및 환경 밀도 수치와 함께 공개된 사실은, Figure가 현재 해결해야 할 가장 중요한 병목 현상으로 특정 데이터 유형의 깊이뿐만 아니라 포괄적인 범위 자체를 보고 있음을 시사한다.

보상 구조가 시사하는 기여자 경제학

주간 활성 사용자 수가 44,000명이 넘는 플랫폼에서 현재까지 기여자들에게 지급된 1,500만 달러는, 소수의 전문적인 보상을 받는 데이터 전문가보다는 대량·저마찰의 미세 기여를 기반으로 한 모델과 일치하는, 기여자당 평균 지급액이 적다는 것을 시사한다. 피겨(Figure)가 공개한 모델에는 온디맨드(on-demand) 단계도 포함되어 있는데, 여기서는 기여자들이 단순히 자율적인 데이터 수집뿐만 아니라 특정 업무나 비즈니스 과제를 수행하도록 예약될 수 있으며, 이는 순수한 크라우드소싱과 보다 체계적인 온디맨드 노동 시장의 하이브리드 형태로 기능한다. 이러한 구조는 유사한 크라우드소싱 방식이 자사의 데이터 전략에 적용 가능한지 평가하는 모든 기업에게 중요한 요소입니다. 즉, 과제당 지급액이 10억 달러

연간 약정을 통해 수만 건이 아닌 수백만 건의 데이터 기여를 지원할 수 있으며, 이를 위해서는 훈련된 데이터 수집 전문가가 아닌 일반 소비자가 로봇의 도움 없이도 안정적으로 작업을 완료할 수 있을 만큼 기본 작업 라이브러리가 간단해야 합니다.

소비자 데이터 플랫폼 뒤에 숨겨진 구매자 관점의 질문

휴머노이드 로봇 공급업체를 평가하는 조달 및 기술 평가 팀에게 Index는 공급업체와의 대화에서 직접적으로 거의 제기되지 않는 질문에 대한 유용한 관점을 제공합니다. 바로 ‘이 회사의 훈련 데이터는 실제로 어디에서 나오며, 그 출처가 회사의 로드맵이 요구하는 속도로 확장될 수 있는가?’라는 질문입니다. 주로 내부 원격 조작 데이터에 의존하는 공급업체는 자체 로봇 함대 규모와 운영자 인원에 의해 데이터가 제한되며, 이는 하드웨어 및 인력 배치에 투입된 자본과 대략 선형적으로 비례하는 병목 현상입니다. 인덱스가 보고한 규모, 1,600만 개의 동영상으로 구성되어 있으며 계속 증가 중인 크라우드소싱 파이프라인을 갖춘 공급업체는, 실험실에서 훈련된 모델이 검증된 좁은 범위의 작업 및 환경과는 달리, 실제 상업적 구매자의 시설에서 실제로 마주하게 되는 다양한 물리적 환경에 걸쳐 범용 로봇을 안정적으로 배치하기 전에 필요한 작업 및 환경의 다양성을 확보하는 데 있어 구조적으로 다르며 잠재적으로 더 빠른 경로를 가지고 있습니다.

이러한 차이는 향후 구매자가 휴머노이드 공급업체의 역량 주장을 어떻게 해석해야 할지를 결정하는 기준이 되어야 합니다. 통제된 환경에서 작업을 깔끔하게 수행하는 로봇 시연은, 개발 과정에서 그러한 변동성을 근사치로 포착한 데이터로 기본 모델이 훈련되지 않은 한, 구매자의 실제 시설에서 발생하는 고유한 조명 조건, 주변 물건의 혼잡도, 사물 변동성 속에서 동일한 로봇이 같은 작업을 어떻게 처리할지에 대해서는 상대적으로 거의 알려주지 않습니다. 시연을 겉보기 그대로 받아들이기보다는, 공급업체에 훈련 데이터 중 구매자의 실제 배치 환경과 유사한 환경에서 수집된 데이터가 차지하는 비율을 직접 묻는 것이, 생각보다 훨씬 더 유용한 실사 질문이 될 수 있습니다.

처음에는 타당해 보이며, Figure가 1,000시간당 세분화된 밀도 지표, 작업, 객체 및 환경을 공개하기로 한 결정은, 범용 기능을 내세우는 어떤 공급업체에게서도 요청할 가치가 있는 구체적인 정보를 구매자들에게 제시하는 기준을 마련해 줍니다.

10억 달러라는 숫자 뒤에 숨겨진 구조적 베팅

휴머노이드 로봇 분야의 자본 배분을 주시하는 이들에게 주목할 만한 사실은, 피규어가 현재 12개월 동안 데이터 및 컴퓨팅 분야에 10억 달러 이상을 투자하고 있다는 점이다. 이 지출 항목은 물리적 로봇을 생산하지도, 출하 가능한 하드웨어 단위는 물론, 즉각적인 수익도 창출하지 않는 분야인데, 그 규모는 많은 경쟁사들이 전체 제품 라인에 걸쳐 하드웨어 제조에 지출하는 금액을 능가하거나 맞먹는 수준이다. 이러한 자금 배분 자체만으로도 업계의 실제 제약 요인이 어디에 있는지 보여주는 증거가 된다. 만약 피규어의 주장대로 액추에이터나 센서, 또는 제조 능력이 아니라 데이터가 범용 로봇 성능의 결정적 제약 요소라는 피규어의 주장이 옳다면, 이 특정 문제 해결에 가장 크고 눈에 띄는 자금을 베팅하는 기업은 구조적 우위를 차지하게 될 것이다. 이는 하드웨어에 집중하는 경쟁사가 단기간에 따라잡기 어려운 우위인데, 동등한 데이터 파이프라인을 구축하려면 일회성 대규모 자본 투입이 아니라 수년에 걸친 기여자 네트워크의 성장이 필요하기 때문이다. 만약 피규어의 판단이 틀렸고, 조작 수준의 물리적 데이터를 수집하는 데 여전히 소비자용 앱으로는 완전히 재현할 수 없는 원격 조작 방식이나 ‘로봇-인-더-루프(robot-in-the-loop)’ 방식이 필요하다면, 10억 달러 규모의 투자는 경쟁 우위가 아닌 비용이 많이 드는 우회로가 될 것이다. 어느 쪽 결과가 현실이 될지는 피규어의 다음 자금 조달 발표를 통해서가 아니라, 차세대 헬릭스(Helix) 기반 로봇이 주로 원격 조종이나 실험실 수집 데이터에 의존하는 경쟁사들보다 측정 가능한 수준으로 더 광범위한 실제 작업 일반화 능력을 보여줄지 여부를 통해 드러날 것이며, 업계는 향후 몇 번의 제품 주기를 거치면서 이러한 비교를 할 수 있게 될 것이다.

면책 조항: 이 기사는 일반적인 정보 제공을 목적으로 하며,

이는 투자, 법률 또는 조달에 관한 조언을 구성하지 않습니다. 독자들은 사업적 결정을 내리기 전에 직접 출처를 통해 세부 사항을 확인해야 합니다.