Physical Intelligence가 하나의 모델로 여러 로봇이 다양한 현실 작업을 수행하는 '범용 물리 지능(General-purpose Physical Intelligence)' 개발에 박차를 가하고 있습니다. 이들은 로봇이 빨래 접기, 기름진 팬 세척, 당근 껍질 벗기기 등 복잡하고 다양한 현실 작업을 높은 신뢰성으로 처리하는 것을 목표로 하며, 이를 통해 로봇이 사람에게 지속적으로 유용한 존재가 될 수 있도록 연구하고 있습니다.
이 기술의 핵심은 단일 'π0.7 모델'입니다. 이 모델은 다양한 로봇 시연, 사람 영상, 웹 데이터를 함께 학습하여 여러 전문 모델의 성능을 뛰어넘거나 동등한 수준을 달성했습니다. 특히 에스프레소 제조에서 90% 이상의 성공률을 기록하고, 강화학습(Reinforcement Learning)만으로 상자 제작 처리량을 약 2배 높였으며, 13시간 연속 라테 제조와 10~15분간의 자율 주방 청소도 성공적으로 시험했습니다. 물리 세계에서는 모델의 판단이 곧바로 행동으로 이어져 오류 허용 범위가 작기 때문에, Physical Intelligence는 사람이 실패 상황에서 복구 방법을 보여주고 강화학습과 범용 가치 함수(General-purpose Value Function)를 활용하여 불필요한 시도를 줄이는 방식으로 신뢰성을 높였습니다. 또한, 약 10초의 단기 영상 기억과 수분에서 수시간의 텍스트 요약 기억을 활용하여 장기 작업의 문맥을 파악하고 자율성을 향상시켰습니다.
이러한 범용 로봇 모델의 등장은 로봇 산업에 중대한 전환점이 될 것으로 보입니다. 기존에는 특정 작업마다 전용 데이터를 수집하고 모델을 학습시키는 방식이 일반적이었으나, 이제는 GPT-2나 DALL-E처럼 미세조정(Fine-tuning) 없이도 다양한 작업을 수행하고 학습 데이터에 없는 개념 조합까지 처리하는 '조합적 일반화(Compositional Generalization)'가 가능해지고 있습니다. 이는 로봇 개발 및 배치 비용을 크게 줄이고, 더 넓은 범위의 산업과 일상생활에 로봇이 확산될 수 있는 기반을 마련할 것입니다. Physical Intelligence는 이미 Weave와 같은 YC 기업들이 자신들의 모델을 세탁물 접기나 창고 포장 등 실제 응용 분야에 적용하고 있으며, 향후 몇 년 안에 로봇용 ChatGPT에 해당하는 능력이 현실화될 것으로 전망하고 있습니다.