딥마인드, 다양한 로봇 팔 제어하는 멀티태스크 AI 모델 '로보캣' 공개

로봇 팔에 새로운 작업을 가르치는 일은 지금까지 엄청난 노가다였습니다. 사람이 직접 수천 번을 시연해야 했고, 로봇 팔의 기종이 바뀌면 처음부터 다시 가르쳐야 하는 경우가 허다했습니다.

구글 딥마인드가 공개한 로보캣(RoboCat)은 이 문제를 정면으로 겨냥했습니다. 단일 AI 모델로 다양한 작업을 수행할 뿐만 아니라, 완전히 다른 물리적 로봇 팔에도 빠르게 적응할 수 있는 기능을 갖췄습니다.

스스로 데이터를 만들어 배우는 루프

로보캣은 딥마인드의 기존 멀티모달 모델인 가토(Gato)를 기반으로 개발되었습니다. 시뮬레이션 환경의 제어 데이터, 인간의 원격 조작 데이터, 이전 버전 로보캣이 생성한 데이터를 모두 흡수해 학습했습니다.

학습 방식이 독특합니다. 먼저 인간 연구원이 로봇 팔을 조작해 기어를 집거나 블록을 쌓는 등의 동작을 100회에서 1000회 시연합니다.

이 시연 데이터를 바탕으로 로보캣을 미세 조정해 특정 작업 전용 파생 모델을 만듭니다. 이 파생 모델은 해당 작업을 스스로 평균 10000회 연습하며 새로운 행동 데이터를 생성해 냅니다.

이렇게 인공적으로 생성된 연습 데이터와 초기 인간 시연 데이터를 다시 모아 본체 모델을 재학습시키는 방식으로, 로보캣은 스스로 데이터를 불려가며 진화합니다.

세 손가락 로봇 팔도 100회 시연으로 적응

최종 버전의 로보캣은 총 253개 작업을 학습했고, 가상과 실제 환경을 합쳐 141개 작업 변형 테스트를 거쳤습니다.

인상적인 부분은 하드웨어 적응력입니다. 로보캣은 원래 집게 형태의 2지 그리퍼 4종에서 학습되었지만, 제어 입력값이 두 배나 많은 복잡한 3지 그리퍼 로봇 팔에도 성공적으로 적응했습니다.

딥마인드의 알렉스 리 연구원에 따르면, 일부 작업에서는 단 100회의 시연만으로도 새로운 동작을 익혔습니다. 연구팀은 향후 새로운 작업을 가르치는 데 필요한 시연 횟수를 10회 미만으로 줄이는 것을 목표로 삼고 있습니다.

하지만 당장 완벽한 만능 로봇은 아닙니다. 테스트에서 작업 성공률은 최저 13%에서 최고 99%까지 극심한 편차를 보였으며, 시연 횟수를 절반으로 줄이면 성공률은 크게 떨어졌습니다.

왜 중요한가

제조업과 물류 현장에서 로봇 자동화가 더딘 가장 큰 이유는 장비 교체와 맞춤형 코딩에 드는 천문학적 비용 때문이었습니다. 로보캣의 방식이 성숙해진다면 작업자가 몇십 번 시연을 보여주는 것만으로 새 기계를 현장에 즉시 투입할 수 있게 됩니다.

특히 딥마인드가 물리적 데이터 부족 문제를 푼 방식이 돋보입니다. 텍스트와 달리 로봇 조작 데이터는 인터넷에서 긁어올 수 없습니다. 소수의 인간 시연으로 파생 모델을 만들고, 만 번의 자체 연습 데이터를 뽑아내 본체를 강화하는 자급자족 데이터 파이프라인은 매우 영리한 접근입니다.

다만 최저 13%까지 떨어지는 성공률 편차는 산업 현장 도입에 치명적인 약점이라고 봅니다. 공장 라인에서는 부품 하나만 떨어뜨려도 전체 공정이 멈출 수 있기 때문입니다. 지금 당장은 기술적 가능성을 입증한 놀라운 프로토타입 단계이며, 신뢰성을 균일하게 끌어올리기 전까지는 실제 작업장 투입을 서두르기 어려워 보입니다.