물리적 AI의 데이터 병목과 런던식 균형형 해커하우스, 그리고 개방형 모델을 둘러싼 논쟁

물리적 AI의 병목은 데이터 생산으로 향한다

창고 한 켠에서 하는 블록 뽑기 실험은 단순한 시연이 아니다. 로봇을 학습시키려는 실무자들이 현실 세계에서 발생하는 미세한 맥락과 오류를 포착하려고 고안한 데이터 수집 방식이다. 여기에는 전통적인 카메라 기록뿐만 아니라 머리의 뇌파를 측정하는 장치까지 동원된다. 이런 뇌파 데이터는 작업 중 피험자가 느끼는 오류 감지, 의도, 놀람 같은 정신 상태를 가리킬 수 있어 모델이 어느 순간에 더 많은 연산 자원을 투입해야 하는지를 알려주는 신호로 쓰일 가능성을 엿보게 한다.

로봇 산업 전반에서는 기존의 데이터 관리에서 더 나아가 데이터를 생산하는 역할 자체가 비즈니스가 되고 있다. 실제로 로봇 제어와 조작을 잘 학습시키려면 단순한 영상 수집으로는 부족하다. 이 때문에 사람의 시점에서 촬영하는 ‘에고센트릭’ 영상, 사람이 원격으로 로봇을 조종해 얻는 데이터, 근육 전기 신호를 잡는 팔 센서 등 다양한 입력을 조합해 3차원 손 위치와 손가락의 미세 움직임을 재구성하려는 시도가 늘어난다. 사람 손의 세밀한 동작을 보여주는 데이터가 부족하니 이를 인위적으로 생산해 모델에 공급해야 하는 상황이다.

데이터의 밀도와 품질을 높이기 위한 주석 작업도 핵심이다. 단순히 영상만 남기는 것이 아니라 각 동작을 ‘오른손이 볼트를 죄는 동작’처럼 세세하게 기술하면 같은 양의 에고 데이터보다 훨씬 큰 학습 가치를 얻을 수 있다는 주장이 제기된다. 이런 밀도 높은 주석은 비용이 더 들지만 특정 과업에 대해서는 비용 대비 효율이 더 좋다. 다만 대규모 언어 모델을 만들 때처럼 웹에서 자료를 대규모로 긁어오는 방식에 비교하면 물리적 데이터 생산은 비용 구조가 전혀 다르다. 때문에 물리적 AI의 발전은 기술력뿐 아니라 데이터 제조와 비용 구조를 어떻게 맞출지에 달려 있다.

현장에서는 리더-팔로워 로봇 암을 쓰거나, 커피 따르기처럼 액체 동역학을 포함한 과제를 반복해서 기록하는 등 다양한 상황을 의도적으로 만들어 데이터를 얻는다. 서버의 이더넷 케이블을 연결·분리하는 정교한 작업은 아직 인간 손의 유연성과 자유도를 복제하기 어렵다는 현실을 적나라하게 보여준다. 이 작업들을 수행하는 ‘파일럿’들은 데이터 생성과 주석의 반복에서 얻는 경험을 통해 어떤 상황의 데이터가 모델 성능 개선에 도움이 되는지 감을 쌓아간다. 물리적 AI의 진전은 결국 이런 현장형 데이터 제조 역량과 업계 전반을 관통하는 데이터 기법의 공유에서 나온다.

런던의 균형형 해커하우스, Lift House의 실험

런던의 한 공용 거주 공간은 실리콘밸리식 과로 문화와는 다른 방식으로 창업자들의 생산성과 삶의 질을 동시에 챙기는 실험을 하고 있다. 이 집은 공동 거주와 공동 작업 공간을 결합하면서 일과 여가를 규칙적으로 관리하는 여러 관행을 도입했다. 일요일에는 함께 일주일간의 생활 요소를 기록하는 저널링을 하고, 정기적으로 스포츠 활동을 하며 저녁에는 취미와 문화 활동을 즐기는 식으로 구성원들의 리듬을 안정화한다.

입주자들 각자는 자기 사업을 유지하면서도 식사와 청소를 분담하고 공동의 식재료를 활용해 식생활을 관리한다. 창업자들이 규칙적으로 식사하고 운동하며 수면을 챙기도록 생활 패턴을 설계한 덕분에 개인의 생산성이 떨어지지 않으면서도 번아웃을 피하려는 의도가 분명하다. 런던의 창업 생태계는 문화적으로 성공을 드러내는 방식에 조심스러운 면이 있는데, 이 집은 그런 맥락에서 ‘과시적 성과’ 대신 장기적 지속 가능성을 강조한다.

런던 전반의 자금 흐름도 이 태도의 배경이 된다. 런던 기반 스타트업들이 단기간에 거액 투자를 받는 사례가 늘어나면서 AI 분야의 투자가 몰리고 있다. 그러면서도 초기 단계에서는 정부 세제 혜택을 활용해 엔젤 투자 위주로 자금을 조달하는 창업자들이 적지 않다. 이런 자금 조달 방식은 성장 경로를 미국 시장으로 확장할 때와 초기 국내 정체성을 유지할 때의 선택지를 모두 열어둔다. 결국 많은 창업자가 런던에서 기반을 닦고 미국으로 확장하는 길을 택하고, 이 과정에서 개인의 삶과 일의 균형을 어떻게 유지할지가 중요한 변수가 된다.

이 집의 규칙은 단순한 생활 규범을 넘어 문화적 차이를 반영한다. 런던의 창업 환경은 겉으로 드러나는 과장과 경쟁적 포즈를 상대적으로 덜 선호한다. 이로 인해 공동체는 타인의 성공을 지나치게 드러내지 않는 태도를 장려하고, 실패에 대한 공개적 낙인이 적은 환경을 유지한다. 그런 문화적 특성은 창업자들이 외부의 기대나 과도한 경쟁에 시달리지 않고 지속 가능한 회사를 만들어가는 데 도움을 준다.

‘Kimi’ 논쟁이 드러낸 개방형 모델과 규제의 긴장

한 중국 기업이 공개한 최신 AI 모델을 계기로 개방형 모델과 국적의 문제가 다시 주목을 받았다. 공개 가중치 모델이 등장할 때마다 성능 비교와 규제 논쟁이 반복된다. 일부는 공개 모델이 보안과 편향 문제를 불러올 수 있다고 지적하고, 다른 일부는 이런 우려가 곧바로 보호무역적 규제의 명분이 되지 않는지 경계한다. 논쟁의 핵심에는 기술 경쟁의 구도를 어떤 방식으로 풀 것인지에 대한 근본적 입장 차이가 있다.

미 규제 실무자들과 업계 사이에서는 공개 모델의 확산을 제한하려는 움직임이 관측된다. 주요 기업들이 규제 기관에 우려를 전달했다는 보도가 나왔고, 업계 내 토론에서는 규제의 목적과 결과를 냉정하게 따져야 한다는 지적이 나온다. 규제가 전면적일 경우 특정 기업이나 연구실이 가진 우위가 더 강화될 수 있다는 우려가 제기된다. 규제 설계는 단순히 위험을 줄이는 것과 시장의 경쟁 구조에 미치는 영향을 함께 고려해야 하는 복합적 과제로 남는다.

언론과 팟캐스트에서 오간 논의는 반복되는 패턴을 드러낸다. 새 모델의 공개가 단기간의 과열 반응을 불러오면 시간 흐름에 따라 과장된 우려는 가라앉는 경향이 있다. 동시에 공개 모델이 제기하는 실질적 문제들을 무시할 수는 없다. 보안과 편향, 국경을 넘어선 데이터와 기술의 이동에 대한 현실적 문제를 해소하려면 규제안도 사실 기반의 구체적 근거 위에서 설계돼야 한다. 규제의 방향이 어느 쪽으로 향하든 그 영향은 기술의 접근성과 경쟁 구도에 직접적인 변화를 가져올 것이다.