훈련 데이터 부족이 휴머노이드 로봇 개발을 가로막다

휴머노이드 로봇(인간 형태 로봇)의 개발에서 AI 모델 훈련에 필요한 데이터 부족이 심각한 과제로 대두되고 있다. 인터넷상의 방대한 텍스트, 이미지, 동영상을 학습함으로써 급속도로 진화해온 대규모 언어 모델과 달리, 로봇은 이 방법을 그대로 적용할 수 없다. 물리적인 동작과 환경과의 상호작용을 배우려면 현실 세계의 동작 데이터가 필요하기 때문이다.

AI 모델의 발전을 뒷받침해온 핵심 원동력 중 하나는 인터넷상에 축적된 방대한 데이터다. 텍스트, 이미지, 동영상과 같은 디지털 콘텐츠는 AI가 인간의 언어를 이해하고 이미지를 인식하며 문장을 생성하기 위한 '교사 역할'을 해왔다. 그러나 로봇이 습득해야 할 능력, 예를 들어 물체를 집다, 단차를 넘다, 도구를 다루다와 같은 신체적 동작은 인터넷상에는 거의 존재하지 않는 형태의 데이터다. 현실의 물리적 환경에서 어떻게 움직여야 하는지는 디지털 데이터만으로는 가르칠 수 없다.

이러한 배경에서 로봇 개발에 있어 훈련 데이터 수집은 텍스트 기반 AI와는 근본적으로 다른 접근 방식을 요구한다. 실제 로봇을 작동시켜 동작 데이터를 기록하거나, 시뮬레이션 환경에서 가상으로 동작을 재현하는 방법이 취해지지만, 어느 쪽이든 시간과 비용이 많이 든다. 데이터의 질과 양 양쪽 모두에서 언어 모델이 혜택을 받은 규모에 따라잡기는 쉽지 않다는 관점을 제시할 수 있다.

휴머노이드 로봇에 대한 산업계의 관심은 최근 높아지고 있으며, 제조, 물류, 요양 등의 분야에서의 활용이 예상되고 있다. 하지만 개발을 가속화하기 위해서는 소프트웨어나 연산 성능뿐만 아니라, 로봇이 '몸으로 배우기' 위한 현실 세계의 데이터를 얼마나 대량으로, 효율적으로 수집할 수 있는지가 핵심이 된다고 위치지어진다. 이 과제는 AI의 진화가 데이터의 풍부함에 지탱되어왔다는 구조적 사실을 다시금 부각시키고 있다.

데이터 수집의 어려움은 로봇 개발의 속도에도 직접 영향을 미친다. 언어 AI가 수년 만에 비약적인 성능 향상을 달성한 반면, 로봇의 신체 제어에 있어서의 학습은 이에 비해 완만한 것은, 이러한 훈련 데이터의 비대칭성이 한 가지 요인이라고 생각된다. 현실 세계의 다양한 환경과 예측 불가능한 상황에 대응할 수 있는 로봇을 육성하려면, 방대하고 다양한 동작 데이터의 축적이 전제가 된다.

향후 개발에서 주목되는 것은 시뮬레이션 기술의 고도화와, 인간이 원격 조작으로 로봇을 움직이며 데이터를 획득하는 '텔레오퍼레이션'이라 불리는 방법의 보급이다. 또한 복수의 기업이나 연구기관이 데이터를 공유하는 노력도 업계 전체의 과제 해결로 이어질 가능성이 있다. 데이터의 벽을 넘을 수 있는지 여부가 휴머노이드 로봇의 실용화를 결정짓는 하나의 분수령이 될 수 있다는 관점을 제시할 수 있다.