물리적 AI 설명: 정의 및 소프트웨어 AI와 다른 이유

물리적 AI 정의

물리적 AI는 텍스트, 이미지, 코드를 생성하는 대신 센서를 통해 물리적 세계를 인식하고 모터, 공압 장치, 엔드 이펙터 등의 액추에이터를 통해 작동하는 인공 지능 시스템을 의미합니다. Physical AI의 "물리적"은 순수 디지털 AI와의 차이점을 강조합니다. 언어 모델은 토큰을 처리하고 생성합니다. 물리적 AI 시스템은 센서 판독값을 처리하고 공간을 통해 질량을 이동시키고 물체와 상호 작용하는 모터 명령을 생성합니다.

이 용어는 NVIDIA의 Jensen Huang이 로봇 공학 및 자율 기계를 위한 AI 시스템의 다가오는 시대를 설명하기 위해 대중화되었으며 업계에서 널리 채택되었습니다. 이는 본질적으로 "구체화된 AI"(오래된 학술 용어)와 동의어이지만 순전히 연구보다는 실제 제품 및 산업 시스템의 배포에 더 중점을 두고 있습니다.

구체화가 모든 것을 바꾸는 이유

소프트웨어 AI는 인터넷에서 스크랩한 텍스트, 이미지, 비디오 등 이미 존재하는 데이터를 통해 완전히 훈련될 수 있습니다. 물리적 AI는 훈련 데이터를 생성하기 위해 세계와의 상호작용이 필요합니다. 언어 모델은 수세기에 걸쳐 생산된 인간의 글로부터 학습할 수 있습니다. 로봇은 실제 원격 조작이나 자율 탐색을 통해 한 번에 한 에피소드씩 실시간으로 자체 시연을 생성해야 합니다. 이것이 Physical AI의 근본적인 데이터 병목 현상입니다.

구체화는 또한 결과를 가져옵니다. 언어 모델에 오류가 발생하면 잘못된 텍스트가 생성됩니다. 로봇이 실수를 하면 물체를 손상시키거나 사람을 다치게 하거나 스스로 파괴할 수 있습니다. 이러한 결과 구조는 소프트웨어 AI가 직면하지 않는 방식으로 신뢰성, 불확실성 정량화 및 안전한 실패 모드에 대한 요구 사항을 변경합니다. 95% 신뢰할 수 있는 물리적 AI 시스템은 5% 실패의 지분에 따라 일부 환경에서는 상업적으로 허용될 수 있지만 다른 환경에서는 치명적으로 위험할 수 있습니다.

데이터 문제

물리적 AI의 결정적인 과제는 데이터 부족입니다. 인터넷에는 수백조 개의 텍스트 토큰과 수십억 개의 이미지가 포함되어 있어 언어 및 비전 모델 훈련을 위한 막대한 기반을 제공합니다. 로봇 상호 작용 데이터에 상응하는 코퍼스가 없습니다. 2026년 현재 가장 큰 개방형 로봇 데이터세트인 Open X-Embodiment 데이터세트에는 약 100만 개의 로봇 에피소드가 포함되어 있습니다. 이는 LLM 사전 훈련에서 사용하는 것보다 훨씬 적은 데이터입니다.

이러한 격차를 해소하는 것이 SVRC와 같은 조직의 핵심 임무입니다. 우리의 데이터 서비스 플랫폼 연구팀과 AI 기업이 대규모로 고품질 로봇 시연 데이터를 수집할 수 있도록 돕기 위해 존재합니다. 물리적 AI에 대한 데이터는 실제 하드웨어, 실제 환경, 숙련된 작업자 또는 신중하게 설계된 자율 수집 파이프라인을 통해 수집되어야 하며 웹에서 스크랩할 수 없습니다. 이것이 컴퓨팅 인프라가 소프트웨어 AI에 중요한 것처럼 데이터 수집 인프라가 물리적 AI에 전략적으로 중요한 이유입니다.

물리적 세계를 위한 기초 모델

AI 분야에서는 언어와 이미지 측면에서 GPT-4와 Gemini를 병행하는 물리적 AI 기반 모델을 구축하기 위해 적극적으로 노력하고 있습니다. 로봇 기초 모델, 세계 모델 또는 일반 로봇 정책이라고도 하는 이러한 모델은 대규모 교차 구현 데이터 세트에서 훈련되며 상대적으로 적은 수의 추가 데모를 통해 특정 로봇 및 작업에 맞게 미세 조정할 수 있습니다. 예로는 Octo(UC Berkeley), OpenVLA, π0(Physical Intelligence), Google의 RT-2 및 RT-2-X가 있습니다.

이러한 모델은 진정한 패러다임 전환을 나타냅니다. 팀은 각 작업에 대해 처음부터 새로운 정책을 교육하는 대신 물체를 조작하고 지침을 따르는 방법을 이미 이해하고 있는 사전 교육된 기초 모델에서 시작한 다음 특정 로봇 및 작업 도메인에 맞게 미세 조정할 수 있습니다. 사전 훈련 데이터 세트의 품질과 적용 범위는 기초 모델이 얼마나 유용한지 직접적으로 결정합니다. 이것이 바로 대규모 데이터 수집이 전체 분야에서 전략적 우선 순위인 이유입니다.

주요 연구 그룹 및 업계 참가자

물리적 AI 연구 분야의 학계 리더로는 UC Berkeley(Chelsea Finn, Pieter Abbeel, Ken Goldberg 그룹), Stanford(Fei-Fei Li, Dorsa Sadigh, Chelsea Finn labs), CMU(Deepak Pathak, David Held), MIT(Pulkit Agrawal, Russ Tedrake) 및 ETH Zurich(Marco Hutter의 다리 로봇 그룹)가 있습니다. 업계 리더로는 Physical Intelligence(π), Google DeepMind Robotics, NVIDIA Isaac Lab, Microsoft Research Robotics 및 주요 휴머노이드 회사의 로봇 부문이 있습니다.

물리적 AI에서 SVRC의 역할

SVRC는 물리적 AI 생태계에서 중요한 인프라 계층을 차지합니다. 우리는 물리적 AI 연구 및 배포를 가능하게 하는 하드웨어 및 데이터 수집 서비스를 제공합니다. 당사의 Mountain View 시설, 로봇 임대 프로그램 및 데이터 플랫폼은 자체 하드웨어 제품군 및 수집 인프라를 구축할 리소스가 없는 팀이 물리적 AI 개발에 액세스할 수 있도록 설계되었습니다. 새로운 정책을 교육하는 연구소, 물리적 제품을 구축하는 스타트업, 로봇 파일럿을 운영하는 기업 등 SVRC는 Physical AI에 필요한 물리적 인프라 계층을 제공합니다. 우리의 것부터 시작하세요 데이터 서비스 또는 로봇 임대 프로그램 또는 저희에게 연락주세요 특정 물리적 AI 프로젝트에 대해 논의합니다.