범용 로봇은 어디까지 왔나 [유튜브]

Physical Intelligence는 하나의 모델로 여러 로봇이 다양한 현실 작업을 수행하는 범용 물리 지능을 개발하며, 신뢰성, 장기 자율성, 새로운 환경에 대한 일반화를 핵심 과제로 삼음 물리 세계에서는 모델의 판단이 곧바로 행동으로 이어져 오류 허용 범위가 작으므로, 사람이 실패 상황에서 복구를 보여주고 강화학습과 범용 가치 함수로 불필요한 시도를 줄임 에스프레소 제조는 90% 이상의 성공률을 기록했고 상자 제작 처리량은 강화학습만으로 약 2배 높아졌으며, 13시간 연속 라테 제조와 10~15분간의 자율 주방 청소도 시험함 단일 π0.7 모델은 다양한 로봇 시연, 사람 영상, 웹 데이터를 함께 학습해 여러 전문 모델의 성능을 맞추거나 넘어섰고, 처음 보는 기기와 로봇 플랫폼에서도 조합적 일반화 징후를 보임 로봇용 ChatGPT에 해당하는 능력은 향후 몇 년 안에 가까워질 수 있지만, 실제 확산 속도는 하드웨어 배치와 로봇 경험 데이터, 속도, 신뢰성, 공개 모델 생태계에 달려 있음 현실에서 유용한 로봇의 조건 Physical Intelligence는 어떤 로봇이든 다양한 현실 작업을 수행하게 하는 것을 목표로 하며, 기존의 빨래 접기·정리뿐 아니라 기름진 팬 세척, 당근 껍질 벗기기, 그릴드 치즈 만들기, 주키니 썰기 등을 구현함 현실에서 유용한 범용 로봇에는 두 가지 축이 필요함 여러 작업을 처리하는 범용 모델 모델을 실제 환경에 투입해 사람에게 지속적으로 도움이 되게 하는 능력 초기 머신러닝 제품은 상품 추천과 광고 순위처럼 고객이 모델의 제안을 보고 최종 결정을 내리는 형태였음 모델이 실수해도 사람이 알아차리거나 다른 결정을 내릴 수 있어 완벽하지 않아도 유용했음 2022년 ChatGPT는 5일 만에 사용자 100만 명을 확보하며 범용 모델이 대규모 현실 사용자에게 쓰인 사례가 됨 Claude Code를 비롯한 코딩 에이전트도 현실에서 쓰이는 범용 AI 사례에 해당함 물리 AI는 모델의 결정이 현실에 직접 작용하고 완전 자율 상태에서 더 유용하므로, 기존 머신러닝 제품보다 훨씬 적은 오류가 필요함 Waymo가 주간 자율주행 25만 회를 넘어선 사례는 머신러닝 시스템도 물리 세계에서 신뢰할 수 있는 수준으로 자율 운영될 수 있음을 보여줌 높은 신뢰성을 위한 자동 개선 에스프레소 제조에는 포터필터를 정확하고 강하게 끼우고, 액체가 든 컵을 흘리지 않게 옮기며, 추출 시간을 정확히 맞추는 제어가 필요함...