아마존웹서비스(AWS)가 로봇과 산업 장비, 카메라 등 물리적 환경에서 작동하는 AI 시스템의 상용화를 지원하기 위해 클라우드와 엣지를 연결하는 해법을 출시했다.
실리콘앵글(SiliconANGLE)은 8월 25일 제우스 케러발라의 게스트 칼럼을 통해 AWS가 지난달 물리적 AI 개발 고객을 위한 클라우드-엣지 솔루션을 내놨다고 전했다. 물리적 AI는 콘텐츠를 생성하거나 데이터를 분석하는 데 그치지 않고 주변 환경을 인식하고 추론한 뒤 실제 세계에서 행동하는 시스템을 뜻한다.
기존 산업 자동화와 로봇은 정해진 경로와 반복 작업에 맞춰 설계됐다. 창고 로봇이 지도화된 시설에서 물품을 한 지점에서 다른 지점으로 옮기는 일은 수행할 수 있지만, 물건이 다른 곳에 놓이거나 통로가 막히고 사람이 작업 구역에 들어오면 개입이 필요할 수 있다. 반면 물리적 AI는 파운데이션 모델, 비전·언어·행동 모델, 월드 모델, 강화학습과 시뮬레이션을 활용해 센서로 상황을 파악하고 경험을 통해 적응하는 것을 목표로 한다.
스리 엘라프로루 AWS 생성형 AI 혁신센터 디렉터는 최근 브리핑에서 물리적 AI의 기반이 대규모언어모델(LLM)에만 있지 않다며 월드 모델과 비전·언어·행동 모델, 로봇 운영을 지원하는 모델이 함께 발전하고 있다고 말했다. 그는 휴머노이드가 수행할 작업 50가지를 일일이 사전 프로그래밍하는 대신 충분한 기반 모델에서 출발해 실제 경험으로 학습하게 할 수 있다고 설명했다. 다만 사람처럼 물건을 잡고 돌리고 접고 분류하거나 실수에서 회복하는 손동작은 여전히 어렵다.
AWS 고객사 알더블유엘월디(RLWRLD)는 이 문제를 겨냥해 81억개 파라미터의 로봇 파운데이션 모델 RLDX-1을 개발했다. 이 모델은 시각·언어 이해에 고유수용감각, 촉각, 토크 센서 정보를 결합하고 단일 팔, 양팔, 휴머노이드 시스템에서 하드웨어에 종속되지 않도록 설계됐다. 공장과 서비스 환경에서 수집한 수백TB의 데이터로 학습했다. 데이터 확보와 컴퓨팅, 시뮬레이션, 배포 운영이 모델 자체만큼 중요하다는 점을 보여주는 사례다.
또 다른 AWS 파트너 컨피그(Config)는 20만시간 이상의 동작 데이터를 확보했으며 매달 약 2만시간을 추가 수집하고 있다. 그러나 조명, 테이블 표면, 물체 종류와 배경이 달라질 때마다 새로운 사람 수집 데이터가 필요할 수 있다. AWS와 컨피그는 엔비디아(Nvidia)의 코스모스-트랜스퍼2.5(Cosmos-Transfer2.5) 사후학습 모델을 활용해 실제 시연 영상을 다양한 조명과 표면으로 재생성하는 다중 시점 증강 파이프라인을 구축했다. 이 방식은 물체 위치, 행동 라벨, 시간적 일관성, 로봇 그리퍼의 외형을 유지한다.
컨피그는 분포 밖 조건을 시험한 결과 증강 데이터를 추가하자 작업 성공률이 8.3%에서 75%로 높아졌다고 밝혔다. 모든 작업 변형을 사람이 직접 기록하는 방식만으로는 물리적 AI를 확대하기 어렵기 때문에 합성·증강 데이터가 실제 데이터 수집을 보완해야 한다는 설명이다. 시뮬레이션과 디지털 트윈도 실제 장비를 사람이나 재고 주변에서 운용하기 전에 정책을 시험하고 예외 상황과 고장 원인을 점검하는 수단으로 제시됐다. 다만 시뮬레이션 자체도 현실의 복잡성을 재현해야 하는 과제를 안고 있다.
