티스토리 뷰
모니터를 끄고 돌아서는 순간, 늘 똑같은 현실이 기다리고 있습니다. 널브러진 빨래, 어질러진 거실, 쌓인 설거지. 컴퓨터 앞에서는 몇 시간이고 몰입할 수 있는데, 이 단순 반복 노동 앞에서는 이상하게 힘이 쭉 빠지더군요. 그러던 중 피규어(Figure)가 공개한 영상 하나가 저를 멈추게 했습니다. 로봇이 처음 방문한 가정집에서, 아무런 사전 학습 없이 장난감을 줍고 침대를 정리하고 수건을 접는 장면이었습니다. 56%라는 숫자가 낯설게 느껴질 수도 있지만, 저는 이 숫자가 가진 진짜 의미를 꽤 오래 들여다봤습니다.
1. 처음 보는 집에서 바로 일을 시작한다는 것의 의미
솔직히 이건 예상 밖이었습니다. 산업용 로봇이 공장 라인에서 정밀하게 움직이는 것과 일반 가정집에서 움직이는 것은 차원이 다른 문제입니다. 공장에서는 물건의 위치가 밀리미터 단위로 고정되어 있지만, 집에서는 어제 소파 옆에 있던 장난감이 오늘은 테이블 밑에 있습니다. 이 비정형 환경을 로봇이 실시간으로 파악하고 대응한다는 것, 그게 이번 피규어 시연의 핵심이었습니다.
피규어가 이번에 공개한 기술을 제로샷 홀바디 제너럴라이제이션(Zero-shot Whole-body Generalization)이라고 부릅니다. 여기서 '제로샷(Zero-shot)'이란 특정 환경에 대한 사전 데이터 수집이나 추가 학습 없이, 처음 보는 상황에서도 곧바로 작업을 수행할 수 있는 능력을 의미합니다. 쉽게 말해, 로봇을 박스에서 꺼내 집에 들여놓자마자 일을 시킬 수 있는 상태입니다.
피규어는 실제로 해당 집에 카메라팀이나 엔지니어를 미리 보내지 않았습니다. 그냥 집을 섭외하고 로봇을 가져다 놓은 것이 전부였습니다. 로봇은 파운데이션 모델(Foundation Model), 즉 거대한 사전 학습 기반 AI 모델을 통해 카메라로 주변을 인식하고, 장난감의 위치를 파악한 뒤 스스로 몸을 움직여 바구니까지 가져다 놓았습니다. 제가 주목한 것은 로봇이 침대를 정리했다는 사실 자체가 아니라, 그 침대가 로봇이 단 한 번도 본 적 없는 침대였다는 점입니다.
결국 가정용 로봇이 되려면, 로봇에 맞춰 집을 바꾸는 게 아니라 로봇이 집에 맞춰 움직여야 합니다. 피규어는 그 방향으로 처음으로 의미 있는 숫자를 공개했고, 저는 그것만으로도 충분히 주목할 만한 전환점이라고 생각했습니다.
📌 제로샷 기술 핵심 요약
- 제로샷(Zero-shot) 적용: 사전 환경 데이터 수집이나 추가 학습 없이 즉시 가사 노동 수행
- 비정형 환경 대응: 카메라 및 파운데이션 모델을 기반으로 처음 보는 장난감·침대 위치 시각 인식
- 가정용 로봇의 패러다임 전환: 로봇에 집을 맞추는 것이 아닌, 로봇이 집에 맞춰 자율 동작
2. 56%가 낮은 숫자처럼 보이는 이유, 그리고 실제로는 그렇지 않은 이유
30개 가정에서 추가 학습 없이 테스트한 전체 작업 성공률 56%. 처음 이 숫자를 봤을 때 솔직히 "아직 멀었구나"라는 생각이 먼저 들었습니다. 세탁기가 10번 중 4번 작동을 안 한다면 누가 사겠습니까? 가전제품의 기본 요건은 안정성과 예측 가능성이고, 그 기준에서 보면 56%는 분명히 부족한 수치입니다.
하지만 이 숫자를 다른 각도에서 보면 이야기가 달라집니다. 불과 얼마 전까지만 해도 임의의 가정집에서 제로샷으로 작업을 수행하는 로봇의 성공률은 사실상 0%에 가까웠습니다. 그 0%가 56%까지 올라온 것입니다. 목표치인 80~90%까지 남은 거리보다, 이미 이동한 거리가 훨씬 더 큰 것입니다.
이 성능 향상의 배경에는 '인덱스(Index)'라는 피규어의 인간 경험 데이터 수집 시스템이 있습니다. 인덱스는 매주 약 9만 명의 사람들이 물건을 집고, 걷고, 정리하는 모든 신체 동작 데이터를 초당 35분 분량으로 수집해 로봇에게 사전 학습시키는 인프라입니다. 피규어가 인덱스 학습을 적용한 로봇과 그렇지 않은 로봇을 동일한 처음 보는 공간에 투입했을 때, 인덱스 없이 학습한 모델은 제대로 된 일반화를 보이지 못했습니다. 반면 인덱스 데이터를 사전 학습한 로봇은 30개 가정 전체에서 강한 제로샷 대응력을 나타냈습니다.
이 패턴은 거대언어모델(LLM)이 데이터와 컴퓨팅 자원을 늘릴수록 성능이 비례해 향상되는 스케일링 법칙(Scaling Law)과 매우 유사합니다. 스케일링 법칙이란? 모델의 크기, 데이터 양, 학습 연산량 세 가지 요소가 일정 비율로 증가할 때 성능이 예측 가능하게 향상되는 현상을 말합니다. 챗GPT를 비롯한 LLM이 데이터를 쌓을수록 자연스러운 언어를 구사하게 된 것처럼, 휴머노이드 로봇도 인간의 신체 활동 데이터가 누적될수록 처음 보는 상황에서의 대응력이 점점 올라간다는 것이 이번에 입증된 셈입니다.
제 판단으로는, 56%보다 더 중요한 것은 이 숫자가 앞으로 얼마나 빠르게 오르느냐입니다. 데이터 누적 속도와 모델 개선 주기를 고려하면, 이 수치가 2~3년 안에 80%에 근접할 가능성은 충분히 있어 보입니다.
📌 56% 성공률과 데이터 인프라 핵심 요약
- 성공률의 도약: 제로샷 환경 성공률 0% 수준에서 56%까지 급격한 성능 상승 달성
- 인덱스(Index) 시스템: 주 9만 명 참여, 초당 35분 분량의 인간 신체 동작 데이터 사전 학습
- 스케일링 법칙(Scaling Law) 입증: 인간 행동 데이터 축적에 비례해 로봇 자율 대응 능력 지속 향상
- 상용화 임계선: 성공률 80~90% 이상 도달 시 가전제품으로서 상용화 진입 예상
3. 실제로 집에 들이려면 무엇이 더 필요한가?
기술적 성과는 분명하지만, 저는 여기서 냉정한 질문을 하나 던질 필요가 있다고 봤습니다. 56%의 성공률과 멋진 시연 영상만으로 이것을 '살 만한 가전제품'으로 부를 수 있느냐는 것입니다.
제가 가장 우려하는 지점은 실패의 유형입니다. 로봇 청소기가 구석을 못 닦는 것과, 가사 로봇이 아이의 중요한 물건을 쓰레기로 오인해 버리거나 수건을 정리하다 유리컵을 넘어뜨리는 것은 차원이 다른 문제입니다. 나머지 44%의 실패가 어떤 종류의 실패인지가 성공률 숫자 자체보다 훨씬 더 중요할 수 있습니다. 피지컬 AI(Physical AI), 즉 소프트웨어가 아닌 물리 세계에서 직접 작동하는 AI 시스템은 오류가 데이터가 아니라 실제 공간과 물체에 영향을 미칩니다. 이 점에서 안전성 기준은 훨씬 까다롭게 적용되어야 합니다.
가격 문제도 현실적입니다. 현재 판매 중인 유니트리 G1은 약 2,000만 원, 아지봇 A2 라이트는 약 6,000만 원 수준입니다(출처: Unitree Robotics 공식 사이트). 피규어급 범용 가사 기능이 탑재된 완제품은 현재 1억 원을 넘을 것으로 추정되며, 대량 생산 체제 진입 이후 2만~3만 달러(약 2,500만~4,000만 원) 수준으로 내려올 것이라는 전망이 나옵니다. 중형차 한 대 가격이라는 비유가 있는데, 청소와 빨래를 대신해 주는 기계에 중형차 값을 낼 소비자층이 얼마나 될지는 지켜봐야 합니다.
다만 처음에는 월 구독이나 렌탈 형태로 보급될 가능성도 있습니다. 이 모델이 실현된다면 초기 구매 부담을 낮추면서 시장을 빠르게 열 수 있습니다. 실제로 로봇 업계에서는 B2B(기업 간 거래)에서 먼저 수익 모델을 확립한 뒤 가정용 시장으로 확장하는 경로가 현실적이라는 분석도 있습니다(출처: Goldman Sachs, Humanoid Robot Market Forecast).
제 경험상 이런 종류의 기술은 '살 수 있는 가격'이 되는 순간 생각보다 훨씬 빠르게 대중화됩니다. 로봇청소기도 처음엔 고가품이었지만 지금은 흔한 가전이 됐습니다. 피규어, 유니트리, 아지봇이 동시에 같은 방향, 즉 처음 보는 환경에서 바로 작동하는 범용 로봇을 향해 달리고 있다는 사실 자체가, 이 시장의 진짜 경쟁이 시작됐다는 신호입니다.
📌 상용화를 위한 과제 및 진입 전략 요약
- 안전성 및 오류리스크 극복: 파손/오인 버림 등 물리학적 오류 유형 최소화 필수
- 예상 상용 가격: 대량 양산 시 2만~3만 달러(약 2,500만~4,000만 원) 대 형성 전망
- 보급 촉진 모델: 초기 구매 비용 부담을 낮추는 월 구독 및 렌탈 비즈니스 유력
4. 자주 묻는 질문
Q. 피규어 로봇은 지금 당장 살 수 있나요?
A. 현재 피규어 로봇은 일반 소비자에게 판매되지 않습니다. 유니트리 G1이나 아지봇 A2 같은 제품은 구매 가능하지만, 이번 시연에서 보여준 가정용 범용 기능은 아직 탑재되지 않은 상태입니다. 피규어급 가사 기능이 포함된 소비자용 제품은 수년 내 출시 가능성이 있으나, 정확한 출시 시점은 공개되지 않았습니다.
Q. 제로샷이 56%면 실제로 써도 되는 수준인가요?
A. 현시점에서는 일반 가전제품 기준을 충족하지 못합니다. 10번 중 4번 실패하는 수준은 가전제품으로서 신뢰를 갖기 어렵습니다. 다만 이 수치는 고정된 한계가 아니라 데이터 누적에 따라 빠르게 개선되는 중간 지점으로, 업계에서는 80% 이상을 상용화 진입 기준으로 보고 있습니다.
Q. 가정용 휴머노이드 로봇 가격이 얼마나 내려와야 살 사람이 생길까요?
A. 업계에서는 2만~3만 달러, 즉 약 2,500만~4,000만 원 수준을 일반 소비자 시장이 열리는 임계점으로 봅니다. 처음에는 월 구독이나 렌탈 형태로 진입 장벽을 낮추는 방식이 유력하게 거론되고 있습니다. 결국 가격 수용성과 성공률 안정화가 동시에 달성될 때 시장이 본격적으로 열릴 것입니다.
Q. 인덱스(Index) 데이터 수집에 참여하면 어떤 일을 하는 건가요?
A. 인덱스는 피규어가 운영하는 인간 동작 데이터 수집 플랫폼으로, 참여자들이 실생활에서 물건을 집고 정리하고 걷는 동작을 수행하면 그 데이터가 로봇의 사전 학습에 활용됩니다. 매주 약 9만 명이 참여하며, 초당 35분 분량의 인간 경험 데이터가 수집됩니다. 피규어는 이 데이터를 유료로 매입하는 구조로 운영하고 있습니다.
5. 결론
컴퓨터 앞에서 몇 시간이고 몰입하다 모니터를 끄고 돌아섰을 때 쌓여 있는 집안일을 보며 늘 아쉬웠던 저로서는, 이번 피규어 영상이 단순한 기술 시연 이상으로 다가왔습니다. 처음 보는 집에서, 아무런 사전 학습 없이 장난감을 줍고 침대를 정리하는 로봇의 모습은 "내가 집중해야 할 일에만 온전히 몰입할 수 있는 시간"이 생각보다 멀지 않았음을 체감하게 해줬습니다.
56%라는 숫자는 아직 완성된 제품의 수치가 아닙니다. 하지만 이 숫자가 어디서 왔고, 어떤 속도로 올라가고 있는지를 보면 이야기가 달라집니다. 스케일링 법칙이 휴머노이드에도 작동하기 시작했다는 신호이고, 피규어·유니트리·아지봇이 동시에 같은 방향으로 달리고 있다는 사실은 이 기술의 방향이 수렴하고 있다는 뜻입니다. 앞으로 이 성공률이 얼마나 빠르게 80%를 넘느냐, 그리고 가격이 얼마나 빠르게 자동차 한 대 수준으로 내려오느냐. 이 두 숫자를 주기적으로 확인하는 것이 가정용 휴머노이드 시장의 실질적 진입 시점을 가늠하는 가장 정확한 방법입니다.
참고: 유튜브 채널 <엔지니어TV> - 처음 보는 집에서도 집안일 성공률 56%… 드디어 가정용 휴머노이드가 현실로 오기 시작했다#BOT#RoboStrategy#로보티즈#현대차