Dream Labs, 9천만 달러 유치… 학습 결과를 다른 제조사의 로봇에도 적용하는 AI

새로운 장비를 샀는데 익숙한 일을 다시 가르쳐야 한다면 기대했던 효과를 누리기 전에 준비할 일이 늘어납니다. 로봇 학습도 몸의 형태와 카메라 위치가 바뀔 때 비슷한 문제를 만납니다. Dream Labs가 공개한 Dream-1은 학습한 능력을 여러 양팔 로봇에 적용하려는 시도입니다. 회사의 공식 소개는 평행 그리퍼를 사용하는 양팔 조작을 현재 적용 범위로 설명합니다. 그래서 이 발표는 모든 형태의 로봇을 지원한다는 뜻으로 읽기보다, 서로 다른 로봇이 어떤 조작 능력을 공유할 수 있는지 살펴보는 출발점으로 볼 수 있습니다.

길이가 다른 두 팔에 같은 관절 각도를 넣는다고 같은 물건을 집을 수 있는 것은 아닙니다. 중요한 것은 작업의 목표와 로봇의 실제 움직임을 이어주는 표현입니다. 한 환경에서 학습한 경험을 구조가 다른 로봇도 활용할 수 있다면, 작은 팀도 새로운 응용을 실험할 여지가 생깁니다. 다만 독자가 궁금한 것은 모델의 유명세보다 자신이 쓰는 도구와 물체, 카메라 배치에서도 작동하는지입니다. 범용성은 실제 적용 조건과 함께 살펴야 의미를 이해할 수 있습니다.

구조가 다른 로봇들의 학습 경험을 모으려는 시도는 Dream-1 이전에도 있었습니다. Google DeepMind와 공동 연구진은 Open X-Embodiment에서 여러 로봇의 데이터를 모아 학습 전이를 연구했습니다. 이 연구가 이번 제품의 성능을 대신 입증하는 것은 아니지만, 왜 데이터의 형식과 작업의 다양성이 중요해졌는지 설명합니다. 같은 물체를 옮기는 경험이라도 시작 자세와 관측 방식이 다르면 배울 내용이 달라집니다. 데이터의 양뿐 아니라 얼마나 다양한 조건을 담았는지도 살펴볼 만합니다.

컵을 쟁반으로 옮기는 시연을 본 뒤 컵의 위치만 옮겨 보는 상황을 상상해 봅시다. 다음에는 쟁반을 돌리고, 그다음에는 카메라를 조금 옮깁니다. 한꺼번에 모두 바꾸기보다 조건을 하나씩 바꾸면 학습한 능력이 새 조건에서도 얼마나 통하는지 설명하기 쉬워집니다. 이는 Dream-1의 추가 실험 결과가 아니라 독자를 위한 비교 방법입니다. 성공 영상과 함께 실패한 조건, 사람의 개입, 작업 시간까지 공개될수록 모델의 쓰임새를 더 구체적으로 그릴 수 있습니다.