물리적 인공지능(Physical AI) 분야에서 로봇 개발자들이 두 가지 상반된 전략을 취하며 미래를 위한 베팅을 하고 있습니다. 하나는 대규모 데이터와 모델 스케일링에 집중하는 '데이터 우선(data-first)' 접근법이고, 다른 하나는 실제 세계의 복잡성을 처음부터 고려하여 견고한 '아키텍처 우선(architecture-first)' 설계를 추구하는 방식입니다. 이 두 가지 방법론은 각각의 장단점과 상용화 경로를 가지고 있으며, 업계의 주요 플레이어들이 각자의 방식으로 투자를 이어가고 있습니다.
'데이터 우선' 접근법은 대규모 언어모델(LLM)과 컴퓨터 비전 분야의 성공 공식을 로봇에 적용하려는 시도입니다. 방대한 데이터를 수집하고, 모델을 키우며, 스케일링 법칙에 따라 성능 향상을 기대하는 방식입니다. Physical Intelligence, Generalist, 1X, Flexion과 같은 기업들이 이 경로를 따르고 있으며, 주로 로봇의 특정 기술(예: 물체 조작, 이동)을 훈련하는 데 집중합니다. 그러나 물리적 데이터는 텍스트나 이미지처럼 풍부하지 않고, 안전성 요구사항이 훨씬 높다는 한계가 있습니다. 로봇의 '환각(hallucination)'은 실제 물리적 피해로 이어질 수 있기에, 이 접근법은 통제된 실험실 환경에서 시작하여 점진적으로 실제 세계로 확장하려는 전략을 취합니다.
반면 '아키텍처 우선' 접근법은 처음부터 실제 세계의 복잡성과 불확실성을 모델 설계에 반영합니다. NASA JPL, 구글 딥마인드 출신들이 설립한 FieldAI나 자율주행 기업 웨이모(Waymo)가 대표적입니다. 이들은 베이즈(Bayesian) 방법론과 현대 머신러닝을 결합하여, 로봇이 스스로 불확실성을 인지하고 이에 따라 행동하며, 예측 불가능한 환경에서도 견고하게 작동하도록 설계합니다. 이 방식은 데이터 효율성이 높고, 훈련되지 않은 동적 환경에서도 적응력을 보이며, 로봇이 스스로 무엇을 모르는지 인지하여 안전하게 대처할 수 있도록 합니다. 예를 들어, 건설 현장에서 먼지가 시야를 가릴 때, 로봇이 멈춰서 기다리는 것처럼 신중하게 행동할 수 있습니다.
이 두 가지 접근법은 로봇의 상용화 방식과 시장 침투 전략에 결정적인 영향을 미칩니다. 데이터 우선 방식은 특정 작업에 대한 높은 숙련도를 빠르게 달성할 수 있지만, 실제 환경의 다양한 변수에 대응하기 위한 추가적인 노력이 필요합니다. 반면 아키텍처 우선 방식은 개발 초기 단계부터 더 많은 연구와 수학적 엄밀성을 요구하지만, 일단 개발되면 예측 불가능한 실제 환경에서도 높은 신뢰성과 적응력을 제공하여 광범위한 산업 현장에 바로 투입될 수 있는 잠재력을 가집니다. 결국 어떤 접근법이 더 성공할지는 로봇이 직면할 실제 세계의 복잡성과 안전 요구사항, 그리고 기술 발전 속도에 달려 있습니다.