Skild AI가 왜 로봇에게 창고 업무 대신 축구를 가르쳤을까

사람을 모방하여 움직이는 법을 배우는 모든 로봇은 그 사람의 한계를 그대로 물려받게 된다. 수천 시간에 달하는 인간의 원격 조작 영상을 통해 훈련된 로봇 팔 정책은 해당 영상에 담긴 작업들을 매우 잘 수행할 수 있지만, 모방 학습은 인간의 행동을 뛰어넘기보다는 그 행동을 따라가는 데 최적화되어 있기 때문에, 보여진 시연 수준을 넘어서는 성과를 낼 수는 없습니다. Skild AI는 2023년 카네기 멜론 대학의 연구원인 디팍 파탁(Deepak Pathak)과 아비나브 굽타(Abhinav Gupta)가 설립한 피츠버그 소재 로봇 기초 모델 기업으로, 소프트뱅크가 주도한 투자 라운드를 통해 기업 가치가 140억 달러를 넘어선 이 회사는 이번 달, ‘셀프 플레이(self-play)’라는 다른 훈련 방법이 이러한 한계를 극복할 수 있다고 주장하는 연구 결과를 발표했다. 이 회사는 인간의 축구 시연 영상을 전혀 사용하지 않고 휴머노이드 로봇이 축구를 할 수 있도록 훈련시킨 뒤, 시뮬레이션에서 도출된 정책을 실제 하드웨어로 이식했다.

훈련은 엔비디아(NVIDIA)의 아이작 심(Isaac Sim) 시뮬레이터 내에서 진행되었으며, 보상 함수에는 ‘골을 넣는다’는 단 하나의 목표만 설정되었다. 스킬드(Skild)는 드리블, 태클, 볼 보호, 넘어진 후 재기 등의 동작을 별도로 프로그래밍하지 않았다. 이러한 행동들은 매 라운드마다 조금씩 개선된 자기 자신의 버전을 상대로 승리하기 위해 정책이 반복적으로 시도하는 과정에서 부수적인 결과로 자연스럽게 나타났습니다. 이는 딥마인드(DeepMind)가 알파고(AlphaGo)를 훈련시켜 인간 챔피언들을 제치게 한 것과 동일한 ‘셀프 플레이(self-play)’ 구조이며, 오픈AI(OpenAI)와 딥마인드 모두 스타크래프트 II(StarCraft II)와 도타 2(Dota 2)에서 경쟁력 있는 에이전트를 훈련하는 데 사용한 방식이기도 합니다. 여기서 새로운 점은 순수 디지털 게임에서 10년 동안 선례가 쌓여온 훈련 방법이 아니라, 시뮬레이션된 정책을 실제 관절 토크, 실제 균형 제약 조건, 그리고 넘어질 수 있는 실제 위험으로 변환해야 하는 물리적 휴머노이드 신체에 이를 적용했다는 사실이다.

왜 ‘인간 데이터의 한계’가 실질적인 상업적 제약인가

로봇 학습 공급업체를 평가하는 구매자에게 있어 ‘인간 데이터의 한계’는 추상적인 연구 문제가 아닙니다. 상업적으로 배포된 대부분의

오늘날 창고 피킹, 조립 라인 작업, 그리고 점점 더 확대되고 있는 서비스 업무를 처리하는 로봇 조작 시스템들은, 적어도 부분적으로는 인간의 원격 조작 또는 영상 시연 데이터를 기반으로 훈련됩니다. 이는 로봇이 처음부터 적절한 정책을 스스로 발견할 수 있도록 충분히 정교한 보상 함수를 설계하는 것보다 해당 데이터를 수집하는 것이 더 다루기 쉽기 때문입니다. 그 대가로, 공급업체의 로봇은 훈련 데이터를 생성한 시연자의 숙련도 수준을 넘어서지 못하며, 실제 배치 과정에서 마주하게 될 모든 극한 사례를 포괄하는 데 필요한 규모로 시연 데이터를 수집하는 데는 비용이 많이 들고 시간이 오래 걸립니다. 시연된 잡기 동작만으로 훈련된 창고 로봇은 우연히 시연되지 않은 물체의 모양이나 방향에 어려움을 겪을 것입니다. 반면, 보상 신호를 기반으로 자기 학습을 통해 훈련된 로봇은 원칙적으로, 어떤 인간 조작자가 보여준 것과 무관하게 해당 신호에 대해 무한히 계속 개선해 나갑니다.

이러한 차이 때문에 Skild는 축구 시연을 그 자체로 하나의 제품이 아니라, 더 광범위한 능력 주장을 뒷받침하는 증거로 제시합니다. 공장 현장에 축구하는 휴머노이드 로봇을 구매하는 사람은 아무도 없기 때문입니다. 면밀히 검토해 볼 가치가 있는 주장은, 고정된 인간 시연 라이브러리가 아닌 점점 더 어려워지는 과거 버전들을 기준으로 정책이 스스로 개선되도록 하는 이 기반 기술이, 물류, 건설, 현장 서비스 업무에서 나타나는 접촉이 빈번하고 물리적으로 대립적인 작업 유형으로 일반화될 수 있는지 여부입니다: 로봇이 예기치 못한 충돌에서 회복하거나, 변화하는 하중에 적응하거나, 훈련 데이터에서 예상했던 것과는 다르게 행동하는 물체를 다루어야 하는 작업들 말이다.

시뮬레이션된 목표에서 실제 로봇으로

이러한 연구에서 실질적인 어려움은 시뮬레이터 내에서 정책이 잘 수행되도록 하는 데 있는 것이 결코 아닙니다. 강화 학습은 수년 동안 인상적인 시뮬레이션 행동을 보여왔습니다. 어려움은 전이 단계에 있습니다. 즉, 시뮬레이터에 맞춰 조정된 정책이

대략적인 물리 모델, 대략적인 마찰 모델, 그리고 대략적인 센서 노이즈는 실제 모터 백래시, 부하 시 발생하는 실제 배터리 전압 강하, 시뮬레이터가 정밀하게 모델링하지 못한 실제 바닥 표면 등이 존재하는 실제 로봇에 적용될 때 빈번히 오작동을 일으키며, 때로는 위험한 결과를 초래하기도 합니다. Skild의 시연은 이러한 이전을 성공적으로 완료하여, Isaac Sim에서 훈련된 축구 정책을 실제 휴머노이드 로봇으로 이전한 뒤, 이 로봇이 현실 세계에서 상대와 경기를 펼쳤는데, 이는 이번 결과 중 더 어렵고 상업적으로 더 중요한 부분이다. 시뮬레이션 내에서만 달성된 성과였다면 단순한 연구상의 호기심에 그쳤을 것입니다. 그러나 물리적 하드웨어로의 전환을 성공적으로 이겨낸 정책은, 그 기반이 되는 훈련 방식의 견고함을 보여주는 신호입니다.

스킬드 본인의 설명에 따르면, 훈련 초기에는 시뮬레이션 로봇이 간신히 걷는 수준에 불과했다. 그 출발점에서 수비수들을 제치고 드리블을 하고, 상대로부터 공을 보호하고, 태클을 가하며, 넘어진 후 균형을 되찾는 정책으로의 발전 과정은 ‘셀프 플레이(self-play)’가 실제로 무엇을 잘하는지 잘 보여줍니다. 즉, 로봇이 직면할 수 있는 모든 상황을 엔지니어가 미리 예측하여 일일이 코딩할 필요 없이, 드문 사례와 단순한 목표로부터 광범위한 행동 레퍼토리를 발견해 낸다는 점입니다. 이는 데모 기반 훈련과는 의미 있게 다른 개발 과정입니다. 데모 기반 훈련에서는 일반적으로 새로운 행동이 나타날 때마다 인간이 해당 특정 행동에 대한 새로운 예시를 수집해야 합니다.

다중 에이전트 실험이 조정에 대해 시사하는 바

스킬드(Skild)는 또한 초기 4대 에이전트 축구 실험을 진행했는데, 이는 단일 로봇이 단일 상대와 대결하는 단계를 넘어, 팀 동료로서 협동해야 하는 여러 로봇으로 범위를 확장한 것이었습니다. 이 회사는 이러한 실험을 통해 패스와 협력 행동이 다시 한번 명시적으로 프로그래밍되지 않은 상태에서 자연스럽게 나타났다고 보고합니다. 만약 이 결과가 더 엄격한 테스트를 통해 입증된다면, 이는 스포츠를 넘어 직접적인 관련성을 지닌 능력을 시사합니다. 바로 협력적인 다중 로봇 행동은 물류 창고 운영에

이동형 조작기 군집이나, 동일한 구조물에서 여러 대의 로봇을 가동하는 건설 현장에서 실제로 필요한 것이 무엇인지 파악하는 것은, 단일 로봇의 오작동과는 달리 조정 실패가 복합적으로 누적되는 특성 때문에 역사적으로 다중 로봇 시스템 분야에서 해결하기 어려운 문제 중 하나였습니다.

Skild는 향후 연구 단계에서 ‘셀프 플레이(self-play)’ 접근 방식을 협업 조작 및 항법 과제로 확장하고, 더 넓게는 축구 시연 그 자체를 넘어 일상적인 로봇 공학 응용 분야로 확대해 나갈 것이라고 밝혔다. 이 회사가 제시한 상업적 논리는, 이를 통해 로봇 학습 시스템이 주어진 능력 수준에 도달하는 데 필요한 인간이 생성한 시연 데이터의 양을 줄일 수 있다는 것이다. 만약 이 접근 방식이 상용 배포에 필요한 규모에서도 유효하다면, 범용 로봇 기반 모델을 구축하는 데 있어 가장 비용이 많이 들고 진행 속도가 느린 비용 요소 중 하나를 낮출 수 있을 것이다.

동일한 문제에 대한 경쟁사들의 접근 방식과 비교했을 때

로봇 학습을 모방의 한계를 넘어 발전시키려는 시도는 스킬드(Skild)만이 하는 것이 아닙니다. 피지컬 인텔리전스(Physical Intelligence), 피규어(Figure) 및 자금이 풍부한 다른 여러 로봇 기초 모델 기업들은 각각 시연 기반 사전 훈련 위에 강화 학습을 중첩시킨 다양한 변형 모델을 발표해 왔으며, 시뮬레이션에서 실제 환경으로의 전이(simulation-to-real transfer)는 스킬드가 이번 연구에 사용한 엔비디아(NVIDIA)의 아이작 심(Isaac Sim) 플랫폼을 포함해, 휴머노이드 로봇 연구소 전반에서 수년 동안 활발히 연구되어 온 주제입니다. 이러한 노력들 간의 차이는 근본적인 기술 자체보다는(셀프 플레이와 강화 학습은 모두 잘 정립된 도구이다), 각 기업이 해당 접근법을 시연하기 위해 선택한 구체적인 영역과, 그 영역이 상용화 가능한 기능으로 얼마나 직접적으로 연결되는지에 있다. 대부분의 다리형 로봇 연구 그룹이 발표한 내용에 더 가까운 ‘이동 및 균형’ 시연은, 직립 상태를 유지하고 안정적으로 이동해야 하는 창고 또는 현장 서비스 로봇의 핵심 요구 사항과 상당히 직접적으로 연결됩니다. 반면, ‘구기 종목’ 시연은 대부분의

상업적 활용 사례의 경우, 바로 이 때문에 Skild는 축구 경기 결과 분석이 ‘제품’이 아닌 ‘기술 검증’에 불과함을 분명히 밝히고 있으며, 회사가 밝힌 다음 단계인 ‘협업 조작 및 내비게이션에 동일한 자율 플레이 구조를 적용하는 것’이야말로 조달 팀들이 이를 단기 내 도입 가능한 역량의 증거로 간주하기 전에 실제로 기다려야 할 결과입니다.

이 특정 연구 과제에 대한 경쟁적 이해관계는 매우 크다. 왜냐하면 어떤 파운데이션 모델 공급업체가 가장 설득력 있고 가장 광범위한 자율 플레이 결과를 먼저 입증하는 파운데이션 모델 공급업체가 지속적인 기술적 우위를 점할 수 있는 타당한 근거를 갖게 되기 때문이다. 즉, 비용이 많이 드는 인간 데이터 수집 규모를 비례적으로 늘리지 않고도 로봇의 기술 상한선을 지속적으로 향상시키는 훈련 방법론은, 기업이 더 많은 작업과 더 다양한 로봇 형태를 다루려고 할 때 순수 모방 접근 방식보다 비용 효율적으로 확장된다. 로봇 축구처럼 좁은 범위의 결과가 Skild와 같은 자금력과 기업 가치를 가진 회사로부터 이토록 많은 관심을 끄는 데에는 바로 이러한 상업적 논리가 깔려 있습니다. 이는 그 자체로 제품 발표가 아니라, 회사가 더 광범위한 제품 로드맵을 걸고 있는 훈련 방법론에 대한 공개적이고 반증 가능한 테스트이기 때문입니다.

시연과 실제 배포 가능한 시스템 간의 격차

이 모든 것이 셀프 플레이를 S1 파운데이션 모델의 기존 시연 기반 사전 학습을 대체할 수 있게 하는 것은 아니며, 스킬드(Skild)도 그렇게 제시하고 있지 않습니다. S1은 2026년 8월, 인간 영상, 장갑 캡처 데이터, 시뮬레이션 데이터, 원격 조작 데이터를 기반으로 사전 훈련된 모델로 소개되었으며, 이번 달에 설명된 셀프 플레이 연구는 대체 훈련 파이프라인이 아닌, 해당 기반 모델 위에 추가된 사후 훈련 확장으로 명시적으로 규정되고 있다. 다시 말해, 실제 아키텍처는 여전히 인간 데이터를 바탕으로 유능한 행동의 기준선을 설정한 다음, 셀프 플레이를 활용하여 특정 기술을 그 기준선 데이터만으로는 가르칠 수 있는 수준을 넘어 발전시키는 방식으로 작동합니다. 이는 “셀프 플레이가 대체한다”는 주장보다 더 절제되고 타당한 주장입니다.

“인간 데이터를 완전히 배제한다”는 주장이 바로, Skild를 평가하는 조달 팀이나 유사한 주장을 펼치는 다른 경쟁 기초 모델 공급업체들이 해당 기업에 요구해야 할 기준입니다.

향후 1년 동안 더 많은 로봇 공학 공급업체들이 자율 플레이 결과를 발표함에 따라, 구매자들은 데모와 실제 배포 가능한 시스템 간의 차이를 끊임없이 재검토해야 합니다. 축구를 하는 휴머노이드는 통제되고, 명확하게 정의되며, 보상이 드문 환경입니다. 득점과 볼 점유율은 정확하게 측정하기 쉽고, 패배하는 전략은 모호함이 없습니다. 상업적 배포 환경은 훨씬 더 복잡하며, “재고를 손상시키지 않고 이 주문을 성공적으로 처리했다”와 같이 보상 신호를 명확하게 정의하기가 훨씬 어렵고, 특정 시도가 실제로 성공했는지 여부를 공급업체의 자체 플레이 루프에 항상 알려줄 수 없는 측정 시스템을 갖추고 있습니다. Skild의 기술이 명확한 점수판이 있는 게임에서 성공의 정의가 훨씬 모호한 창고 현장으로 전이될 수 있을지는, 이번 시연이 답을 제시하기보다는 제기한 미해결 문제이며, 이 결과를 자사 로봇이 범용적 역량을 갖추고 있음을 입증하는 증거로 인용하는 모든 공급업체에 직접 물어볼 가치가 있는 질문이다.

이 기사는 2026년 10월 16일자 Skild AI의 자율 플레이 축구 시연에 대한 보도를 종합한 것으로, 명시된 발행일 기준 해당 기업의 자금 조달 이력 및 S1 파운데이션 모델에 대한 공개 보고서를 교차 참조하여 작성되었습니다.

본 기사는 일반적인 정보 제공을 목적으로만 작성되었으며, 투자, 조달, 법률 또는 엔지니어링 관련 조언을 구성하지 않습니다. 수치는 명시된 정보 마감일 기준 상기 출처를 반영한 것이며, 사전 통지 없이 변경될 수 있습니다.