안녕하세요. 슈크림빵입니다!
STER는 스탠퍼드 대학이 매년 발간하는 Emerging Technology Review는 10개 핵심 기술 분야의 현황과 정책적 함의를 정리한 리포트의 관심 있는 챕터를 정리해 본 글입니다.
첫 번째는 AI, 이번엔 Robotics입니다!
올해로 3회째인 SETR 2026에서 로보틱스 챕터는 AI와 로봇의 관계, 휴머노이드의 현실, 그리고 전쟁에서의 로봇이라는 세 축을 중심으로 전개되는데요.
리포트가 정의하는 로봇은 "환경을 감지하고 물리적 효과를 만들어내는 엔지니어링 실체"입니다.
액추에이터, 센서, 제어 시스템, 구조 재료, 전원, 실시간 컴퓨팅이 핵심 구성요소이며, 일부 로봇만 AI를 사용한다. 바로 이 점이 첫 번째 피규어의 주제입니다.
스탠퍼드가 본 로보틱스의 현재와 미래
FIGURE 8.1
모든 로봇이 AI를 사용하는 것은 아니다
로보틱스와 AI는 겹치기도 하지만 별개의 영역입니다.
텔레오퍼레이션 수술 로봇은 AI 없이 작동하며, ChatGPT는 물리적 신체 없이 AI만 활용합니다.
휴머노이드나 AI 로봇 청소기가 두 영역의 교집합에 해당합니다.
1. 데이터 - 로보틱스 AI의 가장 큰 병목
ChatGPT의 성공은 인터넷에서 수집한 방대한 텍스트 데이터 덕분이었습니다.
그런데 로봇은?
시각 데이터뿐 아니라 촉각, 정밀 모션, 물리적 상호작용 데이터가 필요하고, 이를 대규모로 수집하는 건 비싸고 느립니다. SETR은 이 데이터 격차를 직접적인 수치로 보여줍니다.
FIGURE 8.2
LLM의 토큰 vs. 로봇 모델의 에피소드
LLM은 수조(兆) 개 토큰으로 학습하는 반면, 로봇 모델의 최대 데이터셋은 약 100만 에피소드에 불과합니다. 에피소드는 로봇이 하나의 태스크를 수행하는 동안의 관찰-행동-결과 시퀀스 전체를 의미합니다. 단위 자체가 다르므로 직접 비교는 어렵지만, 데이터 수집 난이도의 차이를 극명하게 보여줍니다.
시뮬레이션이 대안으로 자주 거론되지만, SETR은 시뮬레이션이 실세계의 복잡성과 예측 불가능성을 충분히 재현하지 못한다고 지적합니다. 결국 실세계 데이터로 캘리브레이션하는 하이브리드 전략이 현실적 접근입니다.
로봇 자동화 경쟁은 이미 글로벌 규모로 진행 중이며, 복잡한 데이터셋을 수집·분석하는 데 필요한 컴퓨팅 자원이 핵심 동력이다.
또 하나 주목할 점은, 미국 최고 수준 학계조차 산업계 대비 컴퓨팅 자원이 크게 부족하다는 것입니다. 그런데도 산업계는 여전히 학계의 기초 연구에 의존하고 있어, 학계 역량 유지가 기술 리더십의 핵심이라고 SETR은 강조합니다.
2. 휴머노이드 - 기대와 현실 사이
물리적 세계가 인간의 폼팩터에 맞춰 설계되어 있으므로, 휴머노이드가 일상에서 가장 범용적으로 작동할 수 있다는 논리는 설득력이 있습니다. 하지만 MIT의 ...
