진레이(金磊) 발, 아오페이쓰(凹非寺)
양쯔웨이(量子位) | 공식계정 QbitAI
너무나 대조적이다.
심천에서 설립된이제 막 석 달된 회사는 분명히 자신의 포지셔닝을구현(embodied) 칩개발로 잡았는데, 대외적으로 내놓은 첫 번째 성과는Paimon이라는 이름의구현 파운데이션 모델(시리즈)였다.
그리고 이 시리즈의 첫 번째 모델인Paimon-0이 첫 등장에서 바로 4개 부문 1위를 석권했다:
먼저 가장 권위 있는RoboColiseum를 보자. Hugging Face, NVIDIA, 칭화대학교 등 전 세계 약 20개 대학·기업·연구기관이 공동으로 구축한 이 랭킹은 최근 구현 분야에서 뜨거운 관심을 받고 있다. Paimon-0은 0.7754점으로 1위를 차지했다.
참고로 이 랭킹은 최근 GPT-6 Astra, Claude Opus 5.5, Gemini 4 Argon 같은 범용 멀티모달 대형 모델들을 불러들여 한자리에서 겨루게 했다:
대형 모델들의 명령 이행과 공간 이해 점수가 눈에 띄게 높긴 했지만, 정말 실전으로 손을 써야 하는 범용 조작 서브 리더보드에서는 Paimon-0의 0.6613이 여전히 전체 최고점이었고, 교란 적응 서브 리더보드 역시 Paimon-0이 선두를 달렸다.
RoboCasa365는 범용 로봇 정책을 위한 대규모 멀티태스크 벤치마크로, 2500개 이상의 시뮬레이션 주방 장면, 365개의 일상 과제, 2000시간 이상의 상호작용 데이터를 포함하며, 50개 과제를 선정해 원자적 가시, 조합 가시, 조합 비가시의 세 층위에서 일반화 능력을 검증한다. Paimon-0은 58.1의 종합 점수로 정상에 올랐다.
VLA-Arena는 범용 구현 모델을 위한 오픈소스 평가 랭킹으로, 안전성과 간섭 저항 능력을 중심으로 체계적인 평가를 수행하고 모델 간 비교를 지원한다. Paimon-0은 0.73의 평균 성공률로 1위를 차지했다.
동시에 Paimon-0은 치위안(启元) 로봇이 주최하는IROS Workshop챌린지에 참가했으며, 트랙은 양팔 로봇 정책에 초점을 맞추고 시뮬레이션 온라인 평가와 실기 오프라인 검증을 포함했다. 옌시동력(炎曦动力)은 최종적으로 46.599의 총점으로 우승하며 양팔 조작에서 엔드투엔드 정책의 능력을 입증했다.
그리고 대조적인 점은 이것만이 아니다.
오늘 이전에 이 회사의 성과는 아직 공개되지 않았고(회사 자체와 관련된 소식조차 거의 없었다), 그런데 이미 그 솔루션에 고객이 주문을 넣었다!
구체적으로, 한 고객이 로봇암의 두 부품을 이들의 실험실로 보냈고, 그들의 제어 방식을 적용한 후 한 동일 장비 검수 기록에 따르면, 1kHz 제어 주기에서 EtherCAT 제어 사이클의 최악 도달 오차가 소프트웨어 모드의 30마이크로초에서 FPGA 하드웨어 모드의 152나노초로 낮아져 기존의 약1/200。
소프트웨어 모드에서는 제어 타이밍이 CPU 소프트웨어 스케줄링에 의해 결정되어 시스템 인터럽트와 태스크 전환의 영향을 받아 지터가 발생하기 쉽다. FPGA 하드웨어 모드는 시간 결정론적 제어를 하드웨어 로직으로 내려 보내 오차가 크게 줄어들었다.
고객조차 처음에는 잘 믿기지 않았지만, 반복 검증을 마친 후 사실이 그렇다는 것이 밝혀졌다.
그렇다면 이 선전의 다크호스는 대체 누구일까? 돌려 말하지 않겠다. 바로옌시 파워(Primotion, 炎曦动力)。
성과는 인정할 만하지만, 그와 함께 문제도 생겼다:
칩 회사가 왜 먼저 모델 성적표를 내놓았을까? 창업된 지 겨우 3개월 만에, 이 성과들은 어떻게 이루어진 것일까?
이러한 질문을 안고 우리는 옌시 파워 팀과 깊은 대화를 나누었다.
칩 회사가 왜 먼저 모델을 만들까?
이 질문에 답하려면 먼저 옌시 파워가 엠바디드 칩을 중심으로 어떤 솔루션을 구축하려 하는지 살펴볼 필요가 있다.
옌시 파워의 엠바디드 AI 소프트웨어 플랫폼은 개방형 모델 인터페이스로 고객 모델, 오픈소스 모델, Paimon 참조 모델을 연결하며, 훈련 적응, 배포 최적화, 프로덕션 추론의 전 과정을 커버한다.
훈련 측에서는 데이터 처리 파이프라인과 모델 포스트트레이닝으로 구체적 태스크에 적응하고, 배포 툴체인은 양자화와 증류, 컴파일과 추론 최적화, 실기 검증과 평가를 제공한다. 실행 측에서는 클라우드 메타 브레인이 태스크 계획과 실패 복구를 담당하고, 엣지 로컬 브레인이 정책 추론을 수행하며, 엠바디드 런타임이 데이터 동기화와 동작 실행을 조율한다.
실행 피드백은 자체 개발한 Progress Model Paimon-Eval로 평가된 후 RSI 자기 개선 프로세스에 들어가 모델의 지속적인 반복 개선을 추진하며, real2sim이 이 과정에 시뮬레이션 지원을 제공한다. 하위 계층은 임베디드 소프트웨어 스택과 연산-제어 하드웨어가 지원하며, 로봇의 로컬 제어 폐루프와 연결된다.
옌시 파워는 이러한 단계들을 연결하고, 연산-제어 일체형 SoC와 도메인 컨트롤러를 중심으로 고객에게 전달할 수 있는 소프트웨어·하드웨어 통합 솔루션을 만들고자 한다.
이러한 사고방식은 자율주행 분야에 이미 선례가 있다. 엔비디아는 차량용 하드웨어를 중심으로 시스템 소프트웨어, 미들웨어, 추론 도구를 함께 제공하여 상위 알고리즘이 칩에 구현되도록 지원하는데, DRIVE 플랫폼이 대표적인 참고 사례다. 로봇 분야로 옮겨와도 마찬가지로 알고리즘 실행, 데이터 흐름, 태스크 협업 논리를 먼저 정리해야 칩 설계 방향을 도출할 수 있다.
하지만 소프트웨어 스택이 이토록 긴데, 하필 모델 연구부터 시작한 이유는 무엇일까?
회사 창업자인런 칭위안(任清源)가 내놓은 답은, 먼저 알고리즘과 실제 고객 수요에서 출발해 데이터, 모델, Agent, 평가의 폐루프를 완성한 뒤, 실제 태스크의 연산 수요로 칩을 정의하겠다는 것이다.
Paimon-0은 이 노선의 첫 공개 성과로, 옌시동력(YanXi Power)의 Paimon 구현 베이스 모델 시리즈에 속하며, 이번에 여러 랭킹에서 정상을 차지한 주력 모델이다.
모델에서 역으로 칩 설계를 도출하려면 우선 연산 경계를 나눠야 한다: 어떤 작업을 클라우드에 두고, 어떤 작업이 반드시 로봇 로컬에서 실행되어야 하는지 — 이러한 분업이 엣지 측 칩의 연산 부하를 직접 결정한다.
업계에서 '엣지-클라우드 협업'을 보편적으로 말하면서도 명확한 기술 로드맵이 없는 상황에서, 옌시동력은"로컬 브레인 ＋ 메타 브레인"아키텍처를 제안했다.
공동창업자마즈헝(Ma Zhiheng)은 엣지 측을 단순히 소뇌로 정의해서는 안 된다고 본다. 클라우드가 계획을 출력한 후, 작업이 실제로 실행될 수 있는지는 핵심적으로 엣지 측에 달려 있다. 로봇이 작업을 수행하는 과정에서는 작업 리듬에 맞춰 시각·촉각·힘 피드백에 기반해 동작을 지속적으로 조정하고, 지각·연산·제어의 타이밍을 조율해야 하며, 이런 고주파 폐루프는 클라우드의 프레임 단위 응답에 의존할 수 없고 반드시 로컬에서 완료되어야 한다. 클라우드는 복잡한 작업 계획을 담당하고, 엣지 측은 매 단계의 실행을 잘 이어받아야 한다.
이 체계에서 클라우드 메타 브레인은 개방형 시나리오 이해, 작업 계획을 담당하고 작업 경험을 축적·재사용하며, 작업이 막히거나 실패했을 때 재계획과 장애 복구를 수행한다; 엣지 측 로컬 브레인은 동작 실행을 담당하며, 다양한 지각 신호에 의존해 실시간으로 미세 조정한다. 요약하면:메타 브레인은 첫 시도를 담당하고, 로컬 브레인은 수만 번의 안정적인 반복 실행을 담당한다.
△주: 로컬 브레인은 힘 피드백 폐루프를 통해 실시간으로 동작을 수정한다.
영상 주소:
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A
옌시동력이 샐러드를 만드는 데모가 바로 이러한 분업의 모습이다. 메타 브레인은 장기 계획을 수행해 어떤 채소를 고를지 결정하고; 로컬 브레인은 집어서 놓기, 소스 짜기, 저어주기, 담아내기를 담당한다:
영상 주소:
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A
구현 지능의 저비용 반복 폐루프
분업이 정해졌으니, 다음으로 더 현실적인 문제를 해결해야 한다: 다른 '요리'로 바꿀 때, 로컬 브레인이 이를 배우는 데 얼마나 큰 비용이 들까?
로봇에게 일을 가르칠 때 가장 비싼 것은 데이터다.
마즈헝은 한 번 계산해 본 적이 있다. 단일 작업의 성공률을 후학습으로 끌어올리는 것만으로도 대부분 이미 고객의 요구를 충족할 수 있으며, 진정한 병목은 데이터 수집이다. 하나의 작업에 쉽게 500에서 1000개의 데이터를 수집해야 하고, 실험실에서 수집한 후에도 고객 현장에서 추가로 수집해야 한다.
그래서 옌시동력은 데이터 비용이 지속적으로 하락할 것에 베팅하며, 충분히 강한 콜드 스타트, 즉 한두 번의 시범 동작만으로 새 작업의 성공률을 먼저 50~60%까지 끌어올리고, 나머지는 rollout과 강화학습으로 끌어올리고자 한다.
이를 위해 옌시동력은데이터、모델및자기 개선(RSI)을 포함하는 알고리즘 폐루프를 구축했다.
데이터 측면에서는 모델 사전학습에 1인칭 시점 인간 조작 영상을 대량으로 활용했으며, 주로 파트너인 EgoScale(선전시 푸처아이 기술, 深圳市未来眼科技)이 공급한다. EgoScale은 Paimon-0에 십수만 시간 분량의 1인칭 시점 조작 데이터를 제공하며, 수집 네트워크는 3개국 160여 개 도시, 12800여 개의 실제 시나리오를 커버하고, 400만여 개의 작업, 1.2억여 개의 동작 단위와 수만 건의 '인물-시나리오' 샘플을 축적했다.
데이터셋은 시나리오, 기술, 난이도, 조작 습관의 다양성을 고루 갖추었으며; 자체 개발한 AI 보조 인공 고정밀 원자 동작 레이블링과 머리·손 3D 궤적을 결합해 모델의 일반화 능력과 랭킹 성과를 뒷받침한다.
동시에 옌시동력은 구현 훈련을 위한 데이터 처리 파이프라인을 자체 구축해, 원본 영상을 구조화된 동작 단위로 변환하고, 손 궤적을 대상 드extrusiondexterous 핸드로 매핑하며, 데이터 품질 선별과 훈련 적합화를 완료한다.
영상 주소:
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A
다음으로모델 측면에서Paimon-0은 세계 동작 모델(WAM)을 핵심으로 합니다. 현재 WAM+IDM(역동역학 모델)은 효과가 뛰어난 주류 방식으로, WAM이 미래 상태를 예측하고 IDM은 상태 변화를 바탕으로 동작을 출력합니다.
다만 완전한 미래 영상을 지속적으로 추론하는 것은 연산 비용과 지연 시간이 높아 로봇의 실시간 실행 요구를 충족하기 어렵습니다. Paimon-0은 query token으로 미래 상태 속 핵심 표현을 증류하는데, 여기에는 물체의 3D 자세, 의미론, 조작 가능성(affordance)이 포함되며, 이후 이를 엣지 측 모델에 입력해 동작 예측을 수행합니다.
이 방식은 단일 동작 chunk의 추론 시간을 약 3000ms에서 300ms로 압축하여 기존의 1/10 수준으로 줄였습니다. 이 지표는 동작 블록 추론 소요 시간으로, 저수준 제어 루프 주기와 동일하지 않습니다.
Paimon-0 이후, 炎曦动力(Yanxi Power)는 ego 기반 모델도 훈련 중이며, 이 역시 1인칭 시점의 인간 조작 데이터로 사전 학습되었고, 현재 이미 데스터리티 핸드(영리 손)를 구동하여 작업을 완료할 수 있습니다. 소개에 따르면 이 ego 기반 모델은 3개월 후 정식 출시될 예정입니다:
영상 주소:
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A
마지막은자기 개선 모듈입니다. 이는 공동창업자 常新远(상신위안)이 정한 embodied AI(구현 지능) 상용화의 핵심 돌파구이기도 합니다. 대규모 rollout 상호작용 시행착오에만 의존해 로봇을 훈련하는 것은 규모화된 상용화를 실현하기 어렵습니다. 진정한 자기 개선은 모델이 전체 실행 체인을 이해할 것을 요구합니다. 현재 상태를 인식하고, 동작이 가져올 인과적 영향을 추론하며, 작업이 어느 단계에 있는지 식별하는 것이며, 일반화 가능한 자동 평가가 이 모든 것의 기반입니다. 자동 평가 능력이 없다면 보상 신호는 수동 라벨링에 의존할 수밖에 없어, 데이터 비용이 높다는 구조적 딜레마를 극복하기 어렵습니다.
이 판단을 바탕으로, 전체 자기 개선 시스템은 세 개의 모듈이 협력하여 구성됩니다:
- 첫 번째는클라우드 대형 모델로, 작업 분해, 정책 검증, 오류 복구를 담당하고, 저비용으로 성공과 실패의 rollout을 생성합니다.
- 두 번째는 엣지 측 자체 개발의Policy Model(Paimon-0)로, 강화 학습 후학습을 통해 숙련된 작업의 성공률과 처리량을 높입니다.
- 세 번째는Progress Model(Paimon-Eval)로, 작업 진행 상황을 판단하고 실패 지점을 파악하여 이후 훈련에 피드백을 제공합니다.
이 시스템은 real2sim 방식에 기반하여 시뮬레이션에서 미래 궤적을 추론하고, 3D 위치, 본체 자세, 동작 피드백 등의 정보를 융합한 뒤, 추론된 상태를 실제 장면에 겹쳐서 모델이 동작 효과를 직관적으로 예측하고 의사결정을 완료하도록 돕습니다.
영상 주소:
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A
저비용이고 일반화 가능한 보상 신호를 확보하는 것은 로봇이 지속적으로 자기 반복 개선을 수행하는 핵심이며, Progress Model은 실행 결과를 훈련 피드백으로 전환하기 위해 사용됩니다.
옌시동력(炎曦动力)이 훈련한 Paimon-Eval은 단 한 건의 시범 데이터로 컨텍스트 학습만으로 낯선 새 과제의 실행 단계를 판별할 수 있다. 수건 접기 과제를 예로 들면, 여러 rollout이 병렬로 실행될 때 실행이 목표 탐색, 파지, 접기, 정렬, 확인 중 어느 단계에 있는지 지속적으로 식별하고 과제 진행 곡선을 출력한다.
영상 주소:
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A
상신위안(常新远)의 소개에 따르면, Paimon-Eval은 11–12월에 오픈소스로 공개할 계획이며 다양한 크기의 버전을 제공한다. 팀은 훈련 규모를 수만 시간으로 확장했고 task-centric 훈련 패러다임을 채택하여 조작자와 로봇 본체를 넘어 과제 진행도와 실행 품질을 식별할 수 있게 했다.
이에 대해 런칭위안(任清源)은 보충하길, 알고리즘은 결국 배포로 돌아가야 한다고 했다. 수집한 데이터가 유효한지, 자동 주석이 가능한지, 모델이 양자화와 증류를 거친 후 얼마나 능력을 유지하는지, 그리고 실기 투입 후의 실제 성능까지 모두 평가 체계가 지속적으로 검증해야 한다. 이러한 단계들을 자동화된 흐름으로 연결해야만 알고리즘 폐쇄 루프가 진정으로 인도 가능한 제품으로 축적될 수 있다.
기술 로드맵을 다 설명했으니, 이제 이 팀이 어떻게 구성되었는지 살펴보자.
칩, AI와 로봇의 복합 팀
옌시동력의 이야기는 한 칩 엔지니어의"선행 작업"에서 시작된다.
이 칩 엔지니어가 바로 옌시동력의 CEO 런칭위안이다. 그는 광둥성과 선전시 두 급의 과학기술 전문가이며, 선두 RISC-V 칩 기업에서 부사장으로 재직하던 시절 팀을 이끌고 칩 양산 납품을 실현해 회사 매출을 천만 위안 규모에서 수억 위안으로 끌어올렸고, 누적 주문은 10억 위안을 넘었다.
런칭위안이 이전에 재직했던 회사는 RISC-V 자체 프로세서를 개발하며 핵심 마이크로아키텍처를 보유하고 있었고, 그는 줄곧 새로운 컴퓨팅 플랫폼을 찾고 있었다. 2025년 초, 로봇이 그의 시야에 들어왔지만 그때만 해도 공연용으로밖에 쓸 수 없어 보였다. 연중 무렵에 이르러 사람들이 잇달아 상용화에 성공하고 계약과 납품이 이어지는 것을 보았다.
런칭위안의 생각에 이것이야말로 칩 회사가 진입할 창구였다:
바람이 불 때 일한다고 하면 이미 그때는 고객들이 남의 칩을 쓰고 있는 때다.
이렇게 해서 옌시동력이 탄생했다. 그리고 그가 찾아온 알고리즘 파트너는 사형제(師兄弟) 사이였다.
마즈헝(马智恒)과 상신위안은 모두 시안교통대학교 인공지능과 로봇 연구소 출신으로 궁이훙(龚怡宏) 교수의 지도를 받았다. 궁이훙은 IEEE Fellow이자 국내에서 가장 먼저 딥러닝을 연구한 학자 중 한 명으로, NEC 실리콘밸리 연구원 원장을 지냈으며, 그 연구원에서는 위카이(余凯), 린위안칭(林元庆), 저우시(周曦) 등 수많은 AI 분야 지도자들이 배출되었다.
사형 마즈헝은 선이기술대학(深圳理工大学) 연산 마이크로전자학원 특빙 부교수이자 박사 지도교수이며, 연속 창업자이기도 하다. 그는 세계인공지능대회(WAIC) '윈판상(云帆奖)'을 수상했고, 주요 저자로 최상위 학회 논문 50여 편을 발표했으며, 구글 학술 인용은 3,000회를 넘고, NeurIPS, ICML 등 학회의 영역 주석(领域主席)을 지낸 바 있으며, 오랫동안 컴퓨터 비전과 구현 지능(具身智能) 연구에 종사해 왔다.
바로 이런 학자가 런칭위안에 대한 평가를 "칩에 매우 밝고, 알고리즘도 빠르게 이해할 수 있다"고 했다.
사제 상신위안은 빅테크 기업 출신으로, 이전에는 가오더(高德) 비주얼 기술센터 구현 지능 방향의 기술 책임자였으며, ABot-M, ABot-PhysWorld, ABot-Claw 등 범용 구현 프로젝트를 주도했고, 구글 학술 인용은 2,000회를 넘는다. 그가 빅테크를 떠난 이유는 매우 현실적이었다. 구현 지능은 알고리즘, 데이터, 실기, 나아가 칩에 이르는 전체 체인이 함께 반복 개발되어야 하고, 모델 연구개발은 반드시 엣지 칩에 밀착해 나가야 한다는 것이었다.
알고리즘과 칩 사이에는 제어라는 고리를 이어줄 사람이 더 필요했는데, 그가 바로 공동창업자 장둥쥔(张冬军)이다. 그는 도메인 설계, 실시간 통신과 시간 결정성 솔루션을 담당하며, 고궁(固高)테크와 대장(大疆)에서 모션 컨트롤러와 드론 시스템의 연구개발 상용화를 주도했고, 로봇계 거두 리제샹(李泽湘) 교수의 최초 박사 과정 학생 중 한 명으로, 일찍이 2005년부터 덱스터러스 핸드를 연구해 왔다.
네 사람이 각자 한 판을 맡고, 런칭위안은 옌시동력에서 전략을 총괄하면서 연산·제어 일체형 SoC, 도메인 컨트롤러와 이에 딸린 소프트웨어 스택도 주시한다.
짧은 두 달 만에 옌시동력은 약 50인 규모로 확장되었다. 무대 앞에 선 알고리즘 팀 외에도, 수면 아래에는 칩 베테랑들로 구성된 하드웨어와 시스템 팀이 숨어 있는데, 이들은 국내에서도 드물게 두 차례 연속 대형 칩을 0에서 1로 만들어 천만 개乃至 수억 개 규모의 양산에 이른 팀이다. 세 무리의 사람들은 하나의 공통된 엔지니어링 문화로 하나로 뭉쳐 과제 유형에서 SoC 아키텍처와 마이크로아키텍처를 역으로 도출한다.
덧붙여 말하자면, Paimon이라는 이름은 알고리즘 팀의 젊은이들이 지은 것으로 《원신》 게임의 캐릭터에서 따온 것이다. 마즈헝은 웃으며, 업계에서 모델 이름을 지을 때 그리스 문자가 거의 다 떨어져 가니 의미도 있고 발음도 부드러운 코드명을 짓는 편이 낫다고 했다.
AI가 중요하지만 전부는 아니다
아직도 첫머리의 원래의 약 1/200으로 줄어든 제어 타이밍 오차가 기억나는가? 사실 많은 경우 로봇의 문제는 애초에 모델에 있지 않다.
런칭위안은 한 조의 실험을 공유했다: 엔비디아 칩에서 업계 표준 카메라 접속 방식을 채택할 경우, 카메라의 감광 취득부터 모델이 이미지를 읽어들이기까지 중간에 이미지 전처리, 메모리 이동과 동기 대기를 거치며, 전체 체인의 소요 시간이 단일 모델 추론과 거의 맞먹는다. 고주파 폐루프 로봇에게는 모델 추론 속도가 아무리 빨라도 데이터 공급이 제때 이루어지지 않으면 동작은 여전히 지연된다.
이것이 바로 로봇과 자율주행 컴퓨팅 아키텍처의 핵심적 차이이다: 자율주행은 어느 정도의 지연을 허용할 수 있지만, 로봇에는 접촉식 조작이 존재해 제어 주파수 요구가 더 높고, 지연과 지터는 곧바로 궤적 이탈, 파지 불안정, 힘 제어 실패로 이어질 수 있다.
옌시동력의 방안은 기존 메인 컨트롤 주변장치에 FPGA를 탑재하여 모델 추론 전후의 전처리, 후처리 작업을 그 위에 오프로드하는 것이다. 이 부분의 RTL은 이후 대부분 자체 개발 칩에 통합할 계획이며, 제어 타이밍 오차의 최적화야말로 하드웨어 체인 튜닝의 전형적 사례이다. 런칭위안의 말대로:
모든 엔지니어링 문제는 사실 현존하는 technology의 제약 하에서 하는 cheating이다.
하지만 하드웨어는 일부일 뿐이며, 런칭위안은 자주 이렇게 말한다: 칩 회사는 결국 본질적으로 소프트웨어 회사다. PC 산업 체인에서는 펌웨어와 시스템 통합을 전담 업체가 맡지만, 로봇 분야에는 이런 조력 역할이 부족해 관련 작업을 칩 측이 채워야만 한다. 국산 칩의 상용화가 어려운 것은 많은 병목이 소프트웨어 스택에 걸려 있기 때문이다. 옌시동력은 엔비디아의 로봇용 사고방식에 맞서 완전한 엔드투엔드 솔루션을 구축하고자 한다.
그리고비즈니스 모델임청원(任清源)은 그의 방안도 제시했다:
고객이 아무것도 없으면 소프트웨어와 하드웨어가 일체화된 박스를 하나 사서 “랜선 한 줄만 연결하면 바로 사용할 수 있다”. 칩만 필요한 경우에도 칩만 판매한다. 마진은 칩에서 나오며, 소프트웨어는 주로 생태계의 문제이므로 오픈소스로 할 수 있는 것은 최대한 오픈소스로 공개한다.
동시에 ROI를 제대로 달성하기 위해 옌시동력(炎曦动力)의 목표는 데이터 수집 및 후속 학습(后训练) 비용을 로봇 본체 가격의 10분의 1 이내로 낮추는 것이며, 나아가 생산라인 작업자가 스스로 데이터를 수집하고 모델을 학습시켜 로봇이 실제 가동에 들어갈 때까지 진행할 수 있도록 하는 것이다.
무엇을 할지 명확히 한 만큼, 옌시동력은 스스로의 경계선도 그어 놓았다—
옌시동력은 본체를 만들지 않고, 모델 회사나 본체 회사와 이윤을 다투지 않으며, ‘하나의 칩으로 여러 용도를 처리’하는 것도 하지 않는다.
미래의 업계 변화에 대해 임칭위안(任清源)은 향후 2년 내에 반드시 변화가 올 것이라고 솔직하게 밝히며, 핵심은 합리적인 판단 프레임워크를 갖추고 있는지 여부라고 강조했다. 임칭위안에 따르면 모델의 병목과 칩의 병목은 서로 인과관계에 있는데, 일부 빠른 동작은 인지 체계가 따라가지 못해 알고리즘이 아무리 좋아도 힘을 쓸 수 없다고 한다.
옌시다이나믹스(炎曦动力)가 하려는 것은 바로 엔드투엔드 지연과 컴퓨팅 체계를 먼저 완성해 닭이 먼저냐 달걀이 먼저냐의 악순환을 깨뜨리는 것이다. 계획에 따르면 이들의 자체 개발 칩은 2028년에 인도를 시작한다.
이러한 '하위 계층에서 먼저 밀어주겠다'는 구상은 사실 이미 회사 이름에 담겨 있다. 옌시다이나믹스의 영문 이름 Primotion은 아리스토텔레스의 '제1추진자' 개념에서 따온 것으로, 그들은 물리 AI 세계의 그 '운동의 원점'이 되고자 한다.
그리고 신체를 가진 지능(구신지능)의 최종 귀결은 결국 실제 세계에서 안정적으로 행동할 수 있는 지능 시스템이며, 모델이 아무리 커도 그중 한 고리일 뿐이다.
이 길에서 옌시다이나믹스는 이제 막 출발선에 섰다.
(PS: 옌시다이나믹스는 구신 알고리즘, 로봇 시스템, 추론 양자화, 칩 설계 등 분야의 인재를 채용 중이며, 이력서나 협력 의사를 hr@primotion.ai로 보내주시기 바랍니다.)