개별 연구는 불규칙합니다. 한 팀은 문제에 막히고, 다른 팀은 실패하고, 또 다른 팀은 우연히 돌파구를 찾습니다. 하지만 참여자가 충분히 많아지면 이런 편차가 전체 평균에서는 사라집니다. 한 프로젝트가 멈춰도 다른 수십 개 프로젝트가 계속 전진하기 때문에 산업 전체의 성능은 꾸준히 올라간다는 논리입니다. 최근 코딩 모델에서 나타난 흐름을 로보틱스에도 적용한 것입니다.
1. 참여자가 충분히 많아졌습니다.
대학, 스타트업, 대기업 연구소가 이족보행·바퀴형·로봇 손·그리퍼 등 여러 하드웨어와 데이터 수집법, 모델 구조, 시장을 동시에 실험하고 있습니다. 특히 중국의 하드웨어 공급망과 오픈소스 VLA 모델이 진입장벽을 낮춰 신규 업체도 이전보다 높은 출발점에서 시작할 수 있습니다.
2. 범용 LLM을 로봇에 적용할 수 있게 됐습니다.
로봇 전용 모델이 아니라 일반적인 프런티어 LLM도 일부 로봇 작업을 제로샷으로 수행하기 시작했습니다. 이 흐름이 이어지면 로보틱스도 LLM처럼 공개 리더보드, 테스트타임 스케일링, 성능곡선 외삽 같은 평가 체계를 갖출 수 있습니다. 데모 중심의 분야에서 성능 향상을 측정하고 예측하는 분야로 바뀔 수 있다는 이야기입니다.
3. 로봇마다 데이터를 처음부터 모을 필요가 줄고 있습니다.
과거에는 가정용 로봇을 만들려면 실제 가정에서 해당 로봇을 수백만 시간 조작한 데이터가 필요하다고 봤습니다. 지금은 광범위한 영상과 다른 로봇의 데이터를 이용해 일반적인 지능을 먼저 학습하고, 소량의 특정 하드웨어 데이터로 제어 능력을 붙이는 방향으로 바뀌고 있습니다.
데이터 구조는 대략 아래와 같습니다.
1인칭 영상 수백만 시간
→ UMI 그리퍼 데이터 수십만 시간
→ 여러 로봇의 원격조작 데이터 수만 시간
→ 특정 하드웨어의 고품질 시연 수 시간
이 구조가 제대로 작동하면 여러 회사가 같은 범용 데이터를 재사용할 수 있습니다. 실제 로봇을 매번 작동시키지 않고도 action perplexity나 MSE 같은 지표로 스케일링 법칙을 연구하는 것도 가능해집니다.
저자의 제품 전망도 상당히 구체적입니다. 향후 12~24개월 동안 로봇 지능이 빠르게 발전하고, 2027년 10월경에는 범용 가정용 로봇 2~3개가 시장에 나올 것으로 예상합니다. 초기 제품은 물건 옮기기, 빨래 개기, 몇 가지 시연 기능 정도라 사람을 대체할 수준은 아닙니다. 다만 가정은 이런 ‘흥미롭지만 아직 크게 유용하지 않은 제품’을 받아들일 얼리어답터 시장이 될 수 있습니다.
이후에는 ChatGPT나 코딩 에이전트처럼
별로 유용하지 않음
→ 매우 유용함
→ 경제적으로 큰 영향을 미침
의 순서로 발전하고, 유용성의 임계점을 넘으면 기업과 제조업에서 채택이 크게 늘어날 것이라고 봅니다.
투자 관점에서의 결론은 단일 로봇 회사를 맞히는 것보다 생태계 전체의 성장에 베팅하라는 것입니다. 개별 기업 사이에서는 소수의 큰 승자가 나오겠지만, 로보틱스 전체의 발전은 수많은 참여자가 함께 만든 결과이기 때문입니다. Nvidia가 AI 컴퓨팅을 공급하고 Unitree가 휴머노이드 연구의 진입장벽을 낮춘 것처럼, 컴퓨트·하드웨어 플랫폼·데이터·평가 도구 등 여러 기업이 공통으로 사용하는 기반 계층이 더 나은 장기 투자처일 수 있다는 주장입니다.
다만 몇 가지 논리적 비약은 있습니다.
• 발전이 매끄럽다고 해서 반드시 빠르거나 지수적인 것은 아닙니다.
• 영상과 오프라인 지표의 개선이 실제 로봇의 안전성·신뢰성·실패 복구 능력으로 바로 이어진다는 보장은 없습니다.
• 배터리, 액추에이터, 내구성, 제조 원가, 유지보수 같은 물리적 병목도 남아 있습니다.
• 12~24개월 및 2027년 10월이라는 시점은 본문의 논리에서 계산된 결과라기보다 추측에 가깝습니다.
• 산업 전체가 성장하는 것과 인프라 기업이 높은 투자수익을 얻는 것도 별개의 문제입니다.
https://x.com/ericjang11/status/2098299811720261952