Physical AI를 이해하는 가장 쉬운 방법, 그리고 Axis는 어디에 있을까? @axisrobotics 요즘 Physical AI 이야기를 조금만 찾아봐도 머리가 복잡해집니다. Figure, Unitree, Optimus, GR00T, VLA, Teleop, Simulation, Harmonic Reducer… 처음 보면 거의 로봇판 알파벳 수프입니다. 그런데 이 산업을 하나의 로봇으로 보지 말고 5개의 층으로 나눠보면 생각보다 깔끔해집니다. 그리고 마지막까지 보면 제가 왜 요즘 Axis를 계속 데이터 관점에서 보고 있는지도 연결됩니다. 1. Brain — 로봇의 두뇌 가장 위에는 AI가 있습니다. 사람이 “컵 좀 가져와.” 라고 했을 때, 로봇이 주변을 보고 컵을 찾고 어떻게 접근할지 판단하고 어떤 움직임을 해야 하는지 결정하는 부분입니다. 여기서 등장하는 게 VLA(Vision-Language-Action) 입니다. LLM이 다음에 어떤 단어를 말할지 예측했다면, VLA는 훨씬 현실적인 질문을 합니다. “다음에 어떤 행동을 해야 하지?” Figure의 Helix, Skild AI, Physical Intelligence의 π 계열, NVIDIA GR00T, Google DeepMind의 Gemini Robotics 등이 대표적으로 주목받는 영역입니다. 결국 중요한 건 단순히 똑똑한 AI가 아니라 하나의 모델이 얼마나 다양한 작업과 로봇을 이해할 수 있느냐 가 될 가능성이 큽니다. 그런데 여기서 문제가 하나 생깁니다. AI가 똑똑해지려면 무엇이 필요할까요? 데이터입니다. 2. Body — AI가 실제로 움직일 몸 두 번째는 우리가 흔히 생각하는 ‘로봇’입니다. Figure, Tesla Optimus, Unitree, Apptronik, Agility Robotics, 1X 같은 회사들이 여기에 들어갑니다. 하지만 Physical AI가 휴머노이드만을 의미하는 건 아닙니다. 산업용 로봇팔, 창고 로봇, 드론, 자율주행차, 농업용 로봇, 수술 로봇까지 전부 포함됩니다. 휴머노이드가 유독 주목받는 이유는 간단합니다. 한 대의 로봇에 너무 많은 문제가 들어있기 때문입니다. 걷고, 균형을 잡고, 보고, 판단하고, 물건을 잡고, 힘을 조절하고… 말 그대로 Physical AI의 종합시험장에 가깝습니다. 그런데 이 로봇들이 아무리 많이 만들어져도 AI에게 경험이 없다면 결국 제대로 움직이기 어렵습니다. 그래서 세 번째 층으로 내려갑니다. 3. Parts — 로봇의 근육과 감각 모터, 감속기, 액추에이터, 센서, 카메라, 로봇 손. AI가 아무리 똑똑해도 팔을 움직일 모터가 없으면 아무것도 못 합니다. Harmonic Drive나 Nabtesco 같은 정밀 감속기 업체부터 ATI 같은 힘 센서 업체, Orbbec·RoboSense·Hesai 같은 센서 업체, NVIDIA 같은 온보드 컴퓨팅 업체까지 실제로는 엄청나게 많은 산업이 하나의 로봇을 구성합니다. 그리고 여기까지는 꽤 익숙한 이야기입니다. 문제는 그 다음입니다. 4. Data — 로봇에게는 ‘인터넷’이 없다 여기가 Axis와 연결되는 지점입니다. ChatGPT 같은 AI가 성장할 수 있었던 이유 중 하나는 인터넷에 엄청난 양의 인간 지식이 존재했기 때문입니다. 그런데 로봇은 다릅니다. 인터넷에는 “사람이 컵을 어떻게 집는가?” 에 대한 수많은 영상과 기록이 있을 수 있지만, 그것을 실제 로봇의 센서와 관절 움직임으로 연결할 수 있는 고품질 데이터는 훨씬 부족합니다. 사람에게는 너무 당연한 행동도 로봇에게는 하나의 학습 과제입니다. 컵을 잡고, 서랍을 열고, 부품을 옮기고, 물건을 정렬하고, 실패했다면 어디에서 잘못됐는지까지 알아야 합니다. 그래서 Physical AI에서는 로봇 데이터 자체가 하나의 산업이 되고 있습니다. 그리고 여기서 Axis가 들어옵니다. Axis가 로봇을 직접 만드는 회사라고 생각하면 오히려 이 프로젝트의 핵심을 놓치게 됩니다. Axis가 파고드는 곳은 바로 Data Layer입니다. 더 정확히 말하면, 로봇에게 필요한 경험을 만들고, 그 데이터를 학습에 사용하고, 실제 로봇에서 발생한 실패를 다시 다음 데이터로 연결하는 인프라에 가깝습니다. 그래서 Axis의 구조를 보면 앞의 네 층이 서로 연결됩니다. 사람이 브라우저에서 로봇을 조작하거나 시뮬레이션에서 로봇이 수많은 작업을 수행합니다. ↓ 그 과정에서 Trajectory가 만들어집니다. ↓ 그 데이터를 이용해 로봇 정책을 학습합니다. ↓ 실제 로봇에 배치합니다. ↓ 현실에서 실패합니다. ↓ 그 실패가 다시 새로운 데이터가 됩니다. ↓ 다시 학습합니다. 이게 Axis가 계속 이야기하는 Compounding Data Engine입니다. 여기서 중요한 건 ‘데이터를 많이 모으는 것’도 아닙니다. 최근 Axis의 연구를 보면 이 부분이 더 선명해집니다. 시뮬레이션 데이터를 1,200개 만들어놓고 전부 넣는다고 무조건 좋은 결과가 나오는 게 아니었습니다. 실제 작업에 도움이 되는 데이터를 골라내자 10개의 실제 데이터만 가지고도 시뮬레이션과 결합해 성능을 크게 끌어올릴 수 있었습니다. 그리고 최근에는 여기서 한 단계 더 나아갑니다. “모델이 지금 무엇을 못하는지 보고, 그 데이터를 다음에 만들자.” 이미 잘하는 행동을 계속 수집할 필요는 없습니다. 로봇이 계속 실패하는 부분이 있다면 그 부분의 데이터를 더 만들어야 합니다. 시뮬레이션으로 만들 수 있다면 Simulation을 늘리고, 특정 환경이나 물체가 부족하다면 그쪽 Task를 만들고, 실제 세계에서만 해결할 수 있다면 비싼 Real-world data를 바로 그 지점에 집중하는 겁니다. 즉, 모델 → 평가 → 부족한 데이터 발견 → 데이터 생산 → 학습 → 다시 모델이라는 루프입니다. 이게 제가 Axis를 단순한 ‘로봇 데이터 회사’보다 Physical AI의 Data Engine이라고 보는 이유입니다. 5. Proving Ground — 결국 현실에서 증명해야 합니다 마지막은 실제 현장입니다. 공장, 창고, 자동차 생산라인, 물류센터… 여기서 실제로 로봇이 일을 해야 합니다. 그리고 재미있는 건 Axis도 이제 이 단계와 점점 가까워지고 있다는 겁니다. 최근 Lotus Cars와 Geely Auto와의 상업적 파트너십에서는 Axis Suite를 이용해 실제 자동차 생산라인의 부품 sorting에 Sim2Real 방식을 적용한다고 밝혔습니다. 현실의 생산라인을 시뮬레이션으로 만들고, 수많은 작업을 생성하고, 시뮬레이션에서 정책을 학습한 다음, 그 정책을 실제 생산라인에 배치하는 구조입니다. 특히 하나의 시뮬레이션 학습 정책으로 500~800종의 서로 다른 자동차 부품을 처리하는 것을 목표로 합니다. 여기서 Axis가 하는 역할이 조금 더 명확해집니다. Axis는 로봇의 몸을 만드는 게 아닙니다. 로봇이 다양한 일을 배울 수 있도록 Simulation → Data → Training → Real World를 연결하는 쪽에 있습니다. 그래서 Physical AI Stack에서 Axis를 어디에 놓으면 될까요? 저라면 이렇게 그려볼 것 같습니다. Brain Figure · Skild · Physical Intelligence · NVIDIA GR00T ↓ Body Figure · Unitree · Tesla · Apptronik · Agility ↓ Parts Actuator · Gearbox · Sensors · Hands · Compute ↓ Data ← Axis Simulation Teleoperation Human Demonstration Real-world Trajectory Correction Data Selection ↓ Proving Ground Factory · Warehouse · Logistics · Automotive 그리고 여기서 한 가지가 더 중요합니다. Axis가 단순히 “데이터를 모아주는 곳”에 머무르면 이야기가 조금 평범합니다. 진짜 재미있는 부분은 데이터와 모델 사이의 관계를 계속 바꾸려 한다는 것입니다. 예전에는 Data → Model이었다면, Axis가 만들고 있는 방향은 Model → Data → Model → Data입니다. 모델이 발전할수록 무엇을 모르는지도 더 잘 보입니다. 그러면 그 부족한 부분을 찾아 데이터를 만들고, 그 데이터로 다시 모델을 학습시키고, 새로운 모델이 또 새로운 문제를 찾아냅니다. 이게 반복되면 데이터는 단순한 저장물이 아니라 모델의 다음 성장을 결정하는 자원이 됩니다. 그래서 저는 Physical AI를 볼 때 휴머노이드 한 대의 가격이나 관절 개수만 보는 것보다, 누가 Brain을 만들고 있는지, 누가 Body를 만드는지, 누가 핵심 부품을 공급하는지, 그리고 누가 로봇에게 ‘경험’을 만들어주고 있는지를 같이 보는 게 중요하다고 생각합니다. 로봇 산업의 다음 경쟁은 누가 가장 멋진 로봇을 만들었느냐에서 끝나지 않을 겁니다. 그 로봇이 얼마나 빨리 배우고, 배운 것을 얼마나 빠르게 다음 경험으로 연결할 수 있느냐. 그리고 그 가운데에는 지금까지 우리가 생각했던 것보다 훨씬 중요한 Data Layer가 있습니다. Axis가 노리는 자리가 바로 그곳입니다.

로봇이 공부를 잘한다고 해서 책을 더 많이 사줄 필요는 없습니다. @axisrobotics 이게 이번 Axis 글에서 제가 가장 재미있게 본 부분입니다. 지금까지 로봇 학습을 생각하면 보통 이렇게 접근했습니다. 데이터가 부족하다 → 데이터를 더 모은다 → 더 많이 학습시킨다. 그런데 데이터가 수백만 개까지 쌓이기 시작하면 문제가 조금 이상해집니다. 이번에는 데이터가 부족한 게 아니라 쓸데없는 데이터가 너무 많아지는 문제가 생깁니다. 로봇이 이미 잘하는 행동을 사람들이 계속 수집하고 있는데, 정작 로봇이 매번 실패하는 아주 작은 영역은 데이터 풀에서 거의 보이지 않는 겁니다. 그래서 Axis가 던진 질문이 꽤 중요해 보입니다. “지금 이 모델에게 정말 필요한 데이터가 뭘까?” 예를 들어 로봇이 컵을 집는 건 이제 99번 중 99번 성공한다고 해보겠습니다. 그런데 우리는 계속 컵을 집는 데이터를 만들어서 넣습니다. 좋은 데이터입니다. 문제도 없습니다. 품질도 좋습니다. 그런데 이미 잘하는 거라면요? 모델 입장에서는 굳이 또 공부할 필요가 없습니다. 반대로 서랍을 여는 과정에서 특정 각도만 나오면 계속 실패한다면, 겉보기에는 별것 아닌 데이터 하나가 오히려 지금 모델에게는 훨씬 귀중할 수 있습니다. 결국 데이터의 가치는 데이터 자체에 붙어 있는 가격표가 아니라 현재 모델과의 관계에서 결정된다는 이야기입니다. 어제는 아주 중요한 데이터였는데 오늘 모델이 성장하고 나면 별 의미 없는 데이터가 될 수도 있고, 반대로 처음에는 별로 눈에 띄지 않았던 실패 사례가 다음 단계에서는 가장 중요한 학습 재료가 될 수도 있습니다. 여기서 Axis가 기존의 데이터 파이프라인을 조금 다르게 바라봅니다. 기존에는 Data → Model이었다면, Axis가 만들려는 구조는 Model → Evaluate → Select → Collect → Train → 다시 Model입니다. 모델이 학습하고 끝나는 게 아니라 모델이 다음에 어떤 데이터를 가져올지 결정하는 데까지 관여하는 겁니다. 저는 이걸 보면서 “데이터를 모으는 시대에서 데이터가 데이터를 고르는 시대로 가는 건가?”라는 생각이 들었습니다. 그런데 여기서 또 하나 중요한 문제가 있습니다. 이미 존재하는 데이터 중에서 좋은 것을 골라내는 것만으로는 부족합니다. 애초에 데이터 풀에 없는 경험이라면 고를 수도 없으니까요. 그래서 Axis는 모델의 실패를 단순히 “아, 로봇이 또 실패했네.” 로 끝내지 않습니다. 그 실패 자체를 다음 데이터를 어디서 만들어야 하는지 알려주는 신호로 봅니다. 예를 들어 시뮬레이션에서 특정 상황을 계속 재현할 수 있다면 그 상황에 대한 Simulation Task를 더 만들 수 있습니다. 특정 물체나 환경에서만 계속 실패한다면 그쪽 데이터를 더 수집합니다. 반대로 이미 충분히 학습한 행동이라면 그 데이터의 수집량을 줄입니다. 시뮬레이션으로 해결하기 어려운 문제라면 비싼 실제 로봇 데이터를 그 지점에 집중합니다. 이렇게 되면 데이터 수집이 미리 짜놓은 계획표가 아니라 모델의 실력에 따라 계속 움직이는 과정이 됩니다. 개인적으로 가장 흥미로운 부분은 Human Correction입니다. 로봇에게 처음부터 끝까지 사람이 직접 시범을 보여주는 게 아닙니다. 일단 로봇이 혼자 해보게 합니다. 그러다 정말 실패하려는 순간 사람이 잠깐 개입합니다. 그리고 다시 로봇에게 돌려줍니다. 즉, “내가 다 해줄게”가 아니라 “네가 못하는 부분만 잠깐 고쳐줄게.” 에 가깝습니다. Axis의 연구에서는 이런 방식으로 확보한 660개의 correction 후보 중 161개만 실제 학습에 사용할 만한 snippet으로 걸러냈고, 각각의 길이는 약 0.8초 수준이었다고 합니다. 재미있는 건 이 짧은 조각들이 단순히 사람의 전체 행동을 그대로 따라 하게 만드는 것보다 실제 실패 상태를 해결하는 데 더 유용한 신호가 됐다는 점입니다. 로봇에게 필요한 건 사람의 행동 전체가 아니라 “바로 이 순간에는 이렇게 고쳐야 해.” 라는 짧은 힌트일 수도 있는 겁니다. 결국 이번 이야기는 단순히 “AI가 데이터를 잘 고른다”는 얘기보다 조금 더 큰 그림으로 보입니다. 데이터와 모델의 관계를 뒤집는 것. 예전에는 사람이 데이터를 정하고 모델이 그걸 공부했습니다. 앞으로는 모델이 성장할수록 자기가 어디에서 막히는지 보여주고, 그 실패를 바탕으로 사람들이 다음 데이터를 만들고, 새로운 데이터로 다시 학습한 모델이 또 다른 한계를 찾아내는 식입니다. 모델이 데이터에게 질문하고, 데이터가 다시 모델을 키우는 구조인 셈입니다. 이 관점에서 보면 “데이터가 많을수록 좋은 AI가 만들어진다”는 말도 조금 달라집니다. 100만 개의 데이터가 있다고 해서 100만 개만큼의 가치가 있는 건 아닙니다. 이미 아는 내용을 반복해서 100만 번 보여주는 것보다, 모델이 딱 한 번도 제대로 해결하지 못했던 상황을 정확하게 찾아내는 데이터 하나가 더 중요할 수도 있으니까요. 그래서 앞으로 Physical AI의 경쟁도 누가 데이터를 가장 많이 가지고 있느냐에서 누가 현재 모델이 무엇을 모르는지 가장 빨리 찾아내고, 그 데이터를 다시 만들어낼 수 있느냐로 옮겨갈 가능성이 있다고 봅니다. Axis가 말하는 “Let the Model Guide the Data”는 그래서 꽤 직관적인 표현인 것 같습니다. 데이터를 무작정 쌓는 게 아니라, 모델이 못하는 것을 보고 → 필요한 데이터를 찾고 → 다시 학습시키고 → 또 새로운 부족한 부분을 찾는 것. 로봇에게 공부를 더 시키는 게 아니라 로봇 스스로 다음 공부거리를 찾아가게 만드는 것. 저는 오히려 이쪽이 Physical AI가 데이터 문제를 풀어가는 다음 단계에 더 가까워 보입니다.