닫기
닫기
Hello T

기획특집

[휴머노이드 AI 시대 시작-③] ‘K-로봇’의 근본적 과제 해법…“플랫폼 격차 해소와 글로벌 경쟁력 확보”

URL복사

한국의 AI 로봇 산업이 기술적 도약을 이루기 위해선 ‘선택과 집중’이 절실하다는 목소리가 커지고 있다. 로봇 개발은 수년의 시간이 걸리는 고난도 기술이며, 사소한 변수에도 전체 시스템을 다시 프로그래밍해야 하는 복잡한 구조를 가진다. 몬트리올 대학교 글렌 버세스 교수는 “현재 로봇은 통제된 환경에서만 작동하며, 사소한 변화조차 처리하지 못한다”고 지적했다. 그는 강화학습과 딥러닝을 결합한 새로운 패러다임을 제시하며, 로봇이 이미지·소리·촉각·라이다 등 복합 센서 데이터를 스스로 학습하도록 하는 방향을 제안했다. 하지만 이러한 고도화의 전제는 ‘데이터 다양성’ 확보다. 버세스 교수는 “국가 단위의 대규모 로봇 데이터 팩토리 구축 없이는 지능형 로봇의 경쟁력이 불가능하다”고 강조했다. 실제로 중국은 약 60개의 로봇 플랫폼으로 데이터 생태계를 구축했지만, 한국은 아직 통합된 플랫폼을 마련하지 못한 상황이다. 전문가들은 연구비 분산을 지양하고, 사전훈련 모델을 통한 효율적 학습과 데이터 공유를 기반으로 한 글로벌 협력 로드맵이 필요하다고 입을 모은다.

 

 

소규모 파편화된 투자는 성장 걸림돌

 

로봇은 개발에만 수년이 걸리고, 사소한 변수 앞에서도 전체 시스템을 통째로 재프로그래밍해야 하는 등 수많은 자원이 소모되는 기술이다. 이 가운데 대한민국 인공지능(AI) 로봇 공학이 직면한 성장의 걸림돌 중 ‘연구비의 분산’이 조명되고 있다.

 

현재 우리나라 최상위 전략 연구단이 가용할 수 있는 예산은 약 2천억 원 수준으로, 이는 세계적인 경쟁 기관들의 조 단위 투자 규모와 비교할 때 턱없이 부족한 규모로 평가된다. 로봇 혁신의 지향점인 글로벌 경쟁력을 갖추기 위해서는 연구비가 흩어지지 않고 단일 로드맵에 집중돼야 한다는 목소리가 속속 등장하고 있다. 여기에 관련 예산이 증액돼야 한다는 전문가들의 강력한 의견이 개진되는 중이다.

 

연구 역량이 소규모로 파편화돼 투자되는 현시점의 구조는 기술 개발의 지향점과 구체적인 로드맵의 통일성을 저해하는 구조적 문제로 작용한다. 이러한 분산 투자는 혁신의 속도를 늦추는 가장 시급한 개선점이며, 이는 우리 AI 로봇 산업이 해결해야 할 기술적 한계로 비춰진다.

 

글렌 버세스(Glen Berseth) 몬트리올 대학교(University of Montreal) 교수는 이러한 문제의식을 공유하며 현대 로봇 공학의 부족한 부분을 지적했다. 그에 따르면, 현재 로봇들은 대부분 통제된 환경에서만 작동하고, 사소한 변화조차 처리하지 못하는 기술적 한계에 갇혀 있다.

궁극적으로 로봇은 마치 사람이 어떤 집에서도 물 한 컵을 따를 수 있듯이 다양한 환경에 적응해야 하지만, 현재 로봇은 이러한 환경의 다양성 앞에서 여전히 고군분투하고 있다. 버세스 교수팀이 제시하는 지향점은 로봇 시스템을 훨씬 더 쉽게 적응시키고 빠르게 재프로그래밍할 수 있도록 만드는 것이다. 이는 로봇이 인간에게 가족과 더 많은 시간을 보내거나, 창의적인 활동에 집중할 수 있는 자유를 제공하는 것을 목표로 한다.

 

 

데이터 팩토리의 규모 문제와 범용성 확보를 위한 국제 협력

 

로봇 지능의 발전을 결정짓는 핵심 요소인 데이터 다양성(Data Diversity) 확보에서도 한국은 부족한 부분에 직면한 것으로 평가된다. 현재 국내의 계획은 소규모의 휴머노이드 로봇(Humanoid Robot)으로 데이터 팩토리(Data Factory)를 운영하려는 수준으로 알려져 있다. 전문가들은 이러한 규모로는 제대로 된 데이터를 추출하고 국제 사회에 기여하는 개방형 지식 공유가 불가능함을 지적한다.

 

실질적인 경쟁력을 확보하기 위해서는 최소한 300대 이상의 휴머노이드가 데이터 팩토리에 투입돼야 한다는 구체적인 숫자가 제시되었다. 더욱이, 중국은 자체적으로 약 60가지 규모의 로봇 플랫폼을 운영하며 데이터 기반을 구축한 상황이다. 반면 한국은 아직까지 제대로 된 플랫폼을 완성하지 못했다는 비판을 받고 있다. 로봇 지능을 구현하는 핵심 데이터를 확보하지 못한 우리 로봇 산업의 기술적 한계 극복의 필요성을 드러낸 부분이다.

 

이러한 범용성 확보를 위해 버세스 교수팀은 ‘강화학습(Reinforcement Learning)’ 패러다임과 ‘딥러닝(Deep Learning)’을 결합하는 방법론을 제안했다. 딥러닝이라는 대규모 네트워크를 통해 이미지·소리·촉각·라이다(LiDAR) 등 센서 정보를 로봇에게 제공하도록 하는 것이다. 이를 통해 로봇이 이 방대한 입력 속에서 스스로 무엇에 집중해야 할지 파악하며 점진적으로 더 나은 행동을 학습하도록 한다.

 

버세스 교수는 딥러닝 기반 강화학습 시스템이 여전히 일반화 문제로 고심하고 있음을 인정했다. 이때 성공의 지향점은 단일 연구실 환경을 넘어 전 세계의 다양한 환경에서 훈련되는 대규모 데이터 다양성의 확보에 달려있다고 강조한다.

 

특히 전 세계 수많은 연구실 간 공동 작업을 통해 모델의 견고성을 높이는 것이 로봇이 다양한 작업을 해결할 수 있는 지능의 영역을 확장하는 가장 중요한 개선점이다.

 

 

해법은 전략적 조정 활동을 통한 기술 선순환 구조 구축

 

따라서 한국형 AI 로봇이 강인한 지능을 갖추고 글로벌 경쟁에서 생존하기 위해서는 결정적인 부분에 대한 선택과 집중이 절실하다는 결론이 도출된다. 연구비가 분산되는 현상을 타파하고, 조 단위 규모의 연구가 조정된 활동을 통해 단일 로드맵을 가지고 움직여야 한다는 전문가들의 목소리가 높다. 이는 단순한 중복성 체크를 넘어선, 전략적인 로드맵 하의 일치된 활동이 필요함을 의미한다.

 

버세스 교수가 강조했듯, ‘사전 훈련 모델(Pre-trained Models)’을 활용해 강화학습의 속도를 가속화해야 한다. 저렴한 데이터와 비싼 전문가 데이터를 적절히 혼합하는 데이터 수집의 효율성 확보도 중요한 구체적인 로드맵이 될 것으로 보인다.

 

결국, 확보된 데이터를 공유하고 국제 사회에도 적극적으로 기여하는 개방성을 갖추는 것이 중요하다. 이러한 단일하고 강력한 플랫폼을 구축하고, 데이터 공유를 통해 기술 선순환 구조를 만들어내는 것이야말로 한국 로봇이 글로벌 시장에서 경쟁 우위를 차지하는 길이라고 전문가들은 말한다.

 

오토메이션월드 최재규 기자 |

최재규 기자 의 전체기사 보기

Copyright ⓒ 첨단 & automationasia.net

추천콘텐츠

랭킹뉴스

더보기

라이브러리

더보기

특별기획

더보기

주요파트너/추천기업