수십억 달러의 투자와 딥러닝 모델에 입력된 끝없는 영상에도 불구하고, 로봇은 여전히 물건을 집는 데 그리 능숙하지 못합니다.
Eka Robotics가 구축한 조작(manipulation) 아키텍처 덕분에 이러한 상황이 곧 바뀔 수 있습니다. 이 아키텍처는 힘에 민감한 그리퍼와 새로운 종류의 딥러닝 모델을 포함합니다. MIT 교수 Pulkit Agrawal과 전 Google DeepMind 연구원 Tuomas Haarnoja가 공동 창업한 이 스타트업은 a16z와 F-Prime 벤처펀드가 주도한 150 million 달러 규모의 Series A 라운드를 방금 마감했으며, 투자 후 기업가치는 1.45 billion 달러로 평가되었습니다.
“그들은 이미 특정 작업에서 초인적인 성능을 넘어서고 있으며, 앞으로 몇 달 안에 많은 정교한 조작 작업에서 초인적인 성능을 보여줄 것이라고 생각합니다”라고 라운드를 공동 주도한 a16z 일반 파트너 Raghu Raghuram이 TechCrunch에 말했습니다.
끝없는 로봇 시연이 이어지는 이 시대에 Eka의 능력은 베테랑 로봇 개발자들조차 놀라게 하고 있습니다.
일리노이 대학교 어배너-섐페인 캠퍼스의 교수인 Kris Hauser는 최근 본 다른 로봇 시연에 비해 “와우 요소”가 있다고 말했습니다. Eka 로봇은 “재훈련 없이도 다양한 물체에 적응할 수 있었다”고 Hauser는 말하며, 또한 “사람 같음, 실패했을 때 다시 또다시 시도하려는 으스스할 정도로 사람 같은 면모”도 갖추고 있다고 덧붙였습니다.
프론티어 랩에서 일하기 때문에 익명을 요구한 또 다른 로봇공학자는 TechCrunch에 Eka의 로봇이 작동하는 것을 보는 것이 5~10년 전 로봇이 처음으로 안정적인 보행을 달성했을 때와 비견될 만한 감정적인 경험이었다고 말했습니다. 직접 확인해 보세요:
플레이어 로드 중…
여기서 주목할 점은 무엇일까요? 로봇이 얼마나 부드럽고 빠르게 움직이는가입니다. 이 로봇은 1시간에 최대 1kg 무게의 약 1,500개 물체를 집을 수 있는데, 이는 인간의 약 600개에 비해 많은 수치입니다. Eka는 이 로봇이 95% 이상의 신뢰도로 물체를 집는다고 말합니다. 그리고 로봇 팔은 그렇게 빠르게 움직일 때 스스로를 다칠 수 있을 만큼 강합니다. 프론티어 랩 관찰자에 따르면, 이는 “그들이 알고리즘이 로봇을 망가뜨리지 않으리라는 것에 많은 신뢰를 두고 있다”는 것을 보여줍니다. “과정에서 로봇을 몇 대나 망가뜨렸는지 궁금하군요?”
프론티어 랩의 로봇공학자가 Eka의 로봇을 만났을 때, 랩의 단연 최애 테스트 물품으로 보이는 라즈베리를 건넸습니다. “크고 무거운 로봇이 내 팔을 향해 달려오다가 바로 속도를 늦추고 아주 부드럽게 나를 만지는 경험은, 지금 이 순간에도 내 몸에 남아 있는 감각입니다”라고 그들은 TechCrunch에 말했습니다.
라즈베리를 으깨지 않는 방법
이러한 능력은 파운데이션 모델이 구축된 방식의 결과입니다. 언어, 시각 입력, 행동 간의 관계를 이해하도록 훈련된 시각-언어-행동(vision-language-action) 모델이 아니라, 여기서의 체계는 언어, 힘 입력, 행동 간의 관계에 초점을 맞춘 시각-힘-행동(vision-force-action) 모델입니다. 생성형 AI 로봇 모델의 현재 방향을 비판하는 사람들, 예를 들어 Rodney Brooks는힘과 촉각을 표현하려는 시도 없이는 실패할 것이라고 말합니다. Eka의 성과는 이러한 비판자들이 일리가 있음을 시사합니다.
“시각은 이 마지막 1밀리미터 문제를 해결하는 주된 방법이 아닙니다”라고 Eka 공동창업자 Agrawal은 TechCrunch에 말했습니다. “시각은 물체가 대략 어디에 있는지, 자세가 어떤지를 알려주지만, 실제 잡는 행위, 실제 탐색은 힘을 통해 이루어집니다.”
Eka는 전통적인 그리퍼보다 더 유연하고 더 많은 힘 센서를 포함하는 독특한 로봇 핸드를 설계해야 했습니다. 이 핸드는 접촉에 반응하기 때문에 라즈베리를 으깨지 않습니다. 창업자들은 명백한 경쟁상의 이유로 그 방법을 구체적으로 밝히지 않지만, 핵심은 물리 시뮬레이터를 사용하여 로봇이 무언가를 잡으려 할 때 마주치는 여러 힘을 모델링하고, 이를 활용해 대규모로 실행할 수 있는 강화학습 환경을 만드는 것입니다. 그들은 몇 분 만에 수천 시간 분량의 로봇 경험을 생성할 수 있다고 말합니다.
“인간 시연 등에서 수집한 데이터에만 국한되는 것이 아니라, Eka는 강화학습을 통해 로봇이 주어진 어떠한 시연도 능가할 수 있는 접근 방식을 추구하고 있습니다”라고 Hauser는 말했습니다. “정말 흥미로운 점은 그들이 훈련을 위해 제공된 데이터에만 국한되지 않을 수 있다는 것입니다.”
캘리포니아 대학교 버클리 캠퍼스 대학원에서 처음 만난 Agrawal과 Haarnoja는 로봇 제어를 위한 강화학습 분야의 선도적인 연구자들입니다. Eka의 핵심 베팅은 이 기법이 기가 워커나 여러 시간 동안 작업을 수행하는 로봇 운영자가 수집한 영상에 의존하는 것이 아니라, 시뮬레이션을 통해 대규모로 수행될 수 있다는 것이었습니다. 시뮬레이션은 로봇의 안정적인 조작 능력을 달성하는 데 핵심이었으며, 이는 과거에 물체와 상호작용해야 하는 작업이 물체를 피하는 작업보다 더 어려운 것으로 입증되었던 분야에서 이룩한 위업입니다.
“EKA가 연결하는 것은 현대 로봇공학을 괴롭히는 범용성-성능 격차입니다”라고 Agrawal은 주장합니다.
범용 로봇을 유용하게 만들기
현재 가장 범용적인 물리 AI 모델, 즉 다양한 작업을 시도할 수 있는 모델들은 그 작업에서 특별히 뛰어나지 못합니다. 하지만 단일 작업에 고도로 능숙하도록 훈련된 AI 모델은 회사의 사업 타당성을 입증하지 못할 수 있습니다. 생성형 AI의 약속은 로봇이 여러 작업, 심지어 새로운 작업까지 빠르게 학습할 수 있다는 것입니다.
현재의 접근 방식은 이전보다 더 일반적인 지능을 갖춘 로봇을 만드는 데 뛰어납니다. ChatGPT의 최신 LLM인 Astra는 낯선 환경에서 로봇을 조작하고 작업을 수행할 수 있지만, 느리고 비용이 많이 듭니다. Eka 같은 모델의 약속은 물리적 조작을 담당하는 동안 더 일반적인 모델이 문제 해결 방법에 대한 결정을 내린다는 것입니다. 예를 들어 Astra는 식기가 식기세척기에서 나오면 찬장에 쌓인다는 것을 알 수 있지만, Eka의 모델은 접시를 깨뜨리지 않고 집어 올릴 수 있습니다.
“이 분야의 대부분은 계획(planning)에 집중해 왔습니다.”라고 Eka의 공동창업자 Haarnoja는 말합니다. “그래서 그들은 위에서부터 접근합니다. 상위 수준의 지능을 물리적인 부분으로 아래로 밀어내는 것이죠. 반면 우리는 아래에서 위로 생각합니다.”
하지만 Eka는 여전히 현장에서 자신을 증명해야 합니다. 이 회사는 여러 산업 고객과 함께 픽 앤 플레이스(pick-and-place) 및 와이어 조작을 수행하는 비밀 유지 시범 프로젝트를 진행 중이지만, 실험실에서 생산 라인으로의 도약은 시뮬레이션과 현실 사이의 격차만큼이나 큽니다.
“큰 도전이 될 것은 그들이 실제 조립 라인에서 시스템 통합업체들과 함께 작업할 때이며, 일 년 내내 고장 없이 작동해야 합니다.”라고 Hauser는 말했습니다. 또 다른 미해결 질문은 “‘이러한 기법이 다양한 작업에 얼마나 일반화될 수 있는가?’입니다. 제가 본 것은 픽 앤 플레이스뿐이지만, 부가 가치를 창출하는 많은 산업 작업은 단순한 픽 앤 플레이스 이상을 필요로 합니다.”
Agrawal은 배치 가능성에도 주력하고 있습니다. 그는 현재 Eka의 그리퍼 하드웨어 — 가격이 1,000달러 미만 — 의 수명이 5백만 사이클로 평가되지만, 궁극적인 목표는 표준 산업용 로봇 팔이 설정한 2천만 사이클 기준을 달성하는 것이라고 말합니다.
“우리가 만들고 있는 것은 전체 워크플로우를 설계하는 엔지니어링이지만, 우리는 매우 현실적으로 시작해서 픽, 정리, 배치, 와이어 처리라는 두 가지 수직 분야를 홈런으로 만들어 보자고 말하고 있습니다.”라고 Agrawal은 말했습니다. “이 분야들에서 홈런을 치고 나면, 우리가 개발 중인 접근 방식으로 할 수 있는 일에는 한계가 없습니다.”