로코-조작 경쟁: 로봇이 마침내 이동과 작업을 동시에 수행할 수 있게 될까?

이 문제가 해결되는 데 왜 이렇게 오랜 시간이 걸렸을까

이러한 발표가 왜 중요한지 이해하려면, 그동안 로봇들이 어떤 일을 해왔는지 파악하는 것이 도움이 됩니다.

지난 10년 동안 대부분의 기간 동안 휴머노이드 로봇 제어 방식은 모듈식이었다. 보행 시스템이 걷기를 담당한다. 별도의 조작 시스템이 팔과 손을 제어합니다. 로봇은 특정 위치까지 걸어간 뒤 멈추고, 이때부터 조작 시스템이 제어권을 넘겨받습니다. 이러한 접근 방식은 바닥이 평평하고, 물체가 예측 가능하며, 로봇이 이동 중에 무언가를 집어 올릴 필요가 전혀 없는 구조화된 공장 환경에서는 잘 작동합니다.

하지만 그 외의 모든 상황에서는 실패합니다.

창고에서 일하는 사람이 무의식적으로 하는 행동을 생각해 보십시오. 좁은 통로를 따라 걷다가, 옆으로 몸을 기울여 낮은 선반에서 상자를 꺼내고, 상자가 예상보다 무겁다는 것을 깨닫고 잡는 힘을 조절하며, 몸을 돌려 카트에 상자를 올리는 일련의 동작을 모두 하나의 연속적인 움직임으로 수행합니다. 이 일련의 동작에서 모든 단계는 전신이 하나의 연동된 시스템으로 작동해야만 가능합니다. 자세에 따라 손이 닿을 수 있는 범위가 결정됩니다. 몸통의 자세는 팔이 힘을 가하는 방식에 영향을 미칩니다. 상자와의 접촉은 전신의 균형 잡는 방식을 변화시킵니다. 조작을 위해 멈춰 서는 로봇은 이를 수행할 수 없습니다. 이를 수행할 수 없는 로봇은 실제 창고, 실제 병원, 또는 실제 가정에서 일할 수 없습니다.

동일한 미해결 문제에 대한 두 가지 접근 방식

Galbot: 소뇌 GPT

Galbot의 접근 방식은 대규모 언어 모델을 혁신적으로 만든 통찰, 즉 ‘규모’에 뿌리를 두고 있습니다. 이 회사는 산업용 물건 들어 올리기부터 춤 동작, 넘어졌을 때의 회복 동작에 이르기까지 모든 것을 아우르는 2만 시간 분량, 20억 프레임의 인간 동작 데이터로 AstraBrain-WBC 0.5를 훈련시켰습니다. 이 모델은 8,040만 개의 매개변수를 가진 GPT 스타일의 인과적 트랜스포머를 기반으로 구축되었으며, 이는 OpenAI의 초기 GPT-1과 대략 비슷한 규모입니다.

핵심 성과는 동작 제어에 대한 검증된 스케일링 법칙입니다. 훈련 데이터가 200만 프레임에서 20억 프레임으로 증가함에 따라, 모델은 이전에 수행해 본 적이 없는 작업에 대한 제로샷 성공률이

이전에는 83.26%에서 92.58%로 상승했다. 이 모델은 특정 동작을 암기하지 않는다. 대신 신체가 움직이는 근본적인 원리를 학습하고, 그 원리를 이전에 접해본 적 없는 새로운 상황에 적용한다.

갈봇은 이를 로봇의 “소뇌”라고 부릅니다. 인간 신경과학에서 소뇌는 무의식적인 운동 조정을 담당하는 뇌의 일부로, 생각 없이 유리잔을 집으려 할 때 균형을 유지하기 위해 밀리초 단위로 이루어지는 미세한 조정을 담당합니다. 아스트라브레인(AstraBrain)은 동일한 기능을 수행하도록 설계되었습니다. 즉, 항상 가동되는 실시간 조정 계층으로서, 로봇의 상위 수준 “뇌”(시각-언어 모델)가 작업을 수행하는 동안 어떻게 균형을 유지할지 고민하는 대신, 작업 자체에 실제로 필요한 사항에 집중할 수 있도록 해줍니다.

커런트 로보틱스: 단일 정책

이번 주에 다룬 ‘커런트 로보틱스(Current Robotics)’는 다른 아키텍처적 접근 방식을 택했습니다. 별도의 소뇌 계층을 구축하는 대신, 이 회사는 모듈식 아키텍처를 완전히 제거했습니다. Curr-0는 70도 이상의 자유도를 가진 휴머노이드 로봇에서 실행되는 단일한 엔드투엔드(end-to-end) 훈련된 정책으로, 이동, 전신 자세, 정교한 손 제어를 하나의 연속적인 폐쇄 루프에서 처리합니다.

이 아키텍처는 이러한 기능들을 (i) 과제 이해, (ii) 전신 조정, (iii) 손-물체 상호작용의 세 가지 병렬 계층으로 구성하며, 이들은 순차적으로 실행되지 않고 동시에 실행됩니다. 로봇은 보행 모드와 조작 모드 사이를 전환하지 않으며, 항상 두 모드를 동시에 유지합니다.

Curr-0를 훈련하기 위해 Current Robotics는 자사의 독자적인 전신 외골격 시스템인 HumanEx를 통해 수집한 2,800시간을 포함해 총 21,000시간 분량의 실제 인간 행동 데이터를 수집했습니다. HumanEx는 데이터 수집 시 로봇 하드웨어가 현장에 없어도 관절 운동, 고유수용 감각, 근전도 신호, 환경 상호작용을 동시에 포착합니다. 데이터 수집과 로봇 배치를 분리할 수 있다는 점은 중요한 실용적 이점입니다. 이를 통해 회사는

배포된 실제 로봇의 수와 관계없이 훈련 데이터의 규모를 조정할 수 있다.

같은 문제, 다른 철학

이 두 가지 접근 방식은 로봇에 어떤 종류의 지능이 필요한지에 대한 근본적으로 다른 철학을 반영합니다.

Galbot은 일반화된 언어 지능을 위한 것과 동일한 경로, 즉 충분한 데이터로 시퀀스 모델을 훈련시키는 방식을 통해 동작 지능을 일반화하려는 전략을 택했습니다. 반면 Current Robotics의 접근 방식은 처음부터 두 기능을 하나의 결합된 행동으로 훈련시키는 것입니다.

두 주장 모두 논쟁의 여지가 있습니다. 둘 다 실제 실험 결과를 뒷받침받고 있으며, 두 접근 방식은 동시에 진행되고 있습니다.

이 경쟁에 누가 더 참여하고 있을까?

갈봇과 커런트 로보틱스만이 유일한 주자는 아닙니다. 이동-조작 문제를 해결하려는 노력은 2026년 휴머노이드 로봇 공학 분야에서 가장 중요한 기술 경쟁으로 자리 잡았습니다.

Agility Robotics는 2025년 중반부터 자사의 휴머노이드 ‘Digit’을 위한 전신 제어 기반 모델을 개발해 왔으며, 이를 시뮬레이션에서 훈련된 학습형 신경망으로, 제로샷(zero-shot) 방식으로 실제 환경에 적용되는 ‘운동 피질(motor cortex)’로 명시적으로 정의하고 있습니다. 안전성과 안정성을 최우선으로 하는 Agility의 모델은 이미 아마존 창고 시범 운영에 도입되고 있습니다.

엔비디아(NVIDIA)의 GR00T 프로그램은 플랫폼 수준의 접근 방식을 추구하며, 단일 로봇에 국한되지 않고 다양한 하드웨어 제조사에 라이선스를 부여할 수 있도록 설계된 범용 기초 모델을 구축하고 있다. GR00T N1.7은 2026년 3월 초기 상용화 단계에 진입했다.

USC 물리 초지능 연구소(USC Physical Superintelligence Lab)의 Ψ₀(Psi-Zero)는 오픈소스 분야의 선구자로, 학습 과정을 인간의 1인칭 시점 영상으로 사전 훈련된 비전-언어 백본과 휴머노이드 데이터로 사후 훈련된 흐름 기반 동작 전문가로 분리합니다. RSS 2026에 채택된 Ψ₀는 다음을 사용함에도 불구하고 여러 상용 기준 모델보다 우수한 성능을 보입니다.

훈련 데이터의 양이 현저히 적음에도 불구하고, 이는 데이터 품질과 훈련 방식이 단순한 규모만큼이나 중요함을 시사한다.

Figure AI는 다양한 물리적 작업에 걸쳐 이족 보행과 조작을 동시에 수행하는 것을 목표로 하는 BAM(Behaviour Attention Model) 특허군을 개발해 왔으며, 이미 BMW 공장에 도입이 진행 중이다.

이 경쟁에서 승리하는 것이 실제로 무엇을 의미할까요?

이동-조작 문제를 해결하는 데 따르는 상업적 이득은 막대하며, 이는 직접 관련된 기업들을 훨씬 넘어선다.

이 분야에서 최초로 성과를 거둔 기업에게는 플랫폼 영향력이라는 보상이 주어집니다. 전신 제어를 위한 지배적인 기반 모델을 확립한 기업은 휴머노이드 로봇 산업의 ‘운영 체제’가 될 것이며, 이는 하드웨어 제조업체들이 직접 구축하기보다는 라이선스를 취득하여 사용하는 계층이 될 것입니다. 이는 엔비디아(NVIDIA)가 이미 GR00T를 통해 추구하고 있는 모델이며, 갈봇(Galbot)의 “아스트라브레인(AstraBrain)” 브랜드가 시사하는 바와 같은 모델이기도 합니다. 즉, 단순한 제품 기능이 아닌 재사용 가능한 지능 계층을 의미합니다.

하드웨어 시장의 관점에서 볼 때, 신뢰할 수 있는 이동·조작 기반 모델은 역동적이고 비정형적인 환경에 휴머노이드 로봇을 배치하는 데 있어 마지막 남은 주요 기술적 장벽을 제거해 줍니다. 이를 통해 소매 물류, 병원 공급망, 노인 돌봄, 가정 내 지원 등 업계의 현재 기업 가치를 정당화하는 상업적 활용 사례가 열리게 됩니다. 골드만 삭스는 휴머노이드 로봇 시장이 2035년까지 380억 달러 규모에 달할 것으로 추정했는데, 이 수치는 로봇이 기계가 아닌 인간을 위해 설계된 환경에서 작동할 수 있다는 전제 하에 산출된 것입니다.

더 넓은 생태계 차원에서 볼 때, 경쟁적인 기초 모델의 출현은 이전에는 존재하지 않았던 로봇 공학 스택의 새로운 계층을 형성합니다. 통합 업체, 애플리케이션 개발자, 기업 고객들은 점점 더 하드웨어 사양만을 기준으로 휴머노이드 플랫폼을 선택하기보다는, 오늘날 기업용 소프트웨어 구매자들이 클라우드 서비스를 선택하는 것과 마찬가지로, 자신의 사용 사례에 가장 적합한 기초 모델을 기준으로 플랫폼을 선택하게 될 것입니다.

AI 및 개발자 생태계를 기반으로 한 플랫폼들.

앞으로의 전망과 시기

솔직히 말해, Galbot과 Current Robotics 모두 양산 준비가 된 시스템이 아닌 개념 증명(PoC) 단계에 머물러 있습니다. 각 시연에서 보여준 향 꽂기, 문서 도장 찍기, 문틈을 통과해 장난감 운반하기와 같은 작업들은 물리적으로 까다로우면서도 통제 가능한 상황으로 신중하게 선정되었습니다. 실제 현장 적용 시에는 두 모델 모두 경험하지 못한 극한 사례들이 드러날 것입니다.

업계에서는 2026년 말까지 이러한 기초 모델들이 통제된 실험실 시연 단계에서 벗어나, 물리적 환경이 완전히 예측 가능하지는 않더라도 부분적으로 통제할 수 있는 물류 시설, 제조 라인, 병원 물품 보관실과 같은 구조화된 환경에서 초기 상용 시범 운영 단계로 전환될 것으로 전망하고 있습니다.

2027~2028년이 되면, 경쟁의 초점은 통합된 이동-조작이 가능한지 여부에서, 진정으로 새로운 환경에 대해 어느 모델이 가장 잘 일반화되는지로 옮겨갈 것입니다. 바로 이 시점에서 ‘스케일링 법칙(Scaling Law)’ 가설이 가장 혹독한 시험대에 오르게 될 것입니다. 즉, 로봇이 훈련 데이터에서 다루지 않은 상황을 마주하는 분포의 꼬리 부분에서 더 많은 데이터가 계속해서 성능을 향상시킬 수 있을까요?

2029년 이후의 장기적인 전망에서는 플랫폼 역학이 결정적인 요소가 될 것이다. 만약 하나의 기초 모델이 명확한 성능 우위를 확보하고 대규모 개발자 생태계를 구축한다면, 휴머노이드 로봇 시장은 스마트폰 시장이 iOS와 안드로이드를 중심으로 통합된 방식과 마찬가지로 해당 모델을 중심으로 통합될 수 있습니다. 여러 모델이 경쟁력을 유지한다면, 시장은 사용 사례별로 분할될 것이며, 각기 다른 물리적 환경에 최적화된 다양한 모델들이 등장할 것입니다.

이번 주 일련의 사건들을 통해 분명한 점은 ‘멈칫거리며 움직이는’ 로봇의 시대가 끝나가고 있다는 사실입니다. 이제 문제는 휴머노이드 로봇이 이동과 작업을 동시에 수행할 수 있는지 여부가 아닙니다. 핵심은 이를 가능하게 하는 지능 계층을 누가 장악할 것인가 하는 점입니다.

주요 출처:

1. “AstraBrain-WBC 0.5 — 갤럭시 제너럴 로봇, 범용 소뇌 GPT 파운데이션 모델 공개” (2026년 6월 19일)
2. Agility Robotics, “전신 제어 파운데이션 모델 훈련”, 2025년 8월 28일
3. NVIDIA, “NVIDIA와 글로벌 로봇 공학 선도 기업들이 물리적 AI를 현실 세계로 가져오다,” 2026년 3월
4. USC 물리적 초지능 연구소, “Ψ₀: 범용 휴머노이드 이동-조작을 향한 개방형 기초 모델,” RSS 2026
5. PatSnap, “2026년 휴머노이드 로봇 전신 동작 계획,” 2026년 6월 3일