제네시스 AI 로봇 손 Gene 26.5 분석, 피지컬 AI가 결국 데이터 확보 싸움인 이유

핵심 메시지

• 제네시스 AI가 공개한 Gene 26.5는 사람과 같은 1배속으로 자율 조작을 수행했고, 성패를 가른 것은 압력 조절·다시 쥐기·타이밍·양손 협응 같은 미세한 보정이었다.
• 언어 모델은 텍스트가 이미 디지털로 존재했기에 빨리 발전했지만, 로봇에게 가장 값진 지식은 사람의 손과 습관, 근육 기억 속에 있어 기록된 적이 거의 없다.
• 제네시스는 손·데이터 장갑·모델·시뮬레이터·컨트롤러를 하나의 스택으로 묶었고, 장갑과 사람 손과 로봇 손을 일대일로 대응시켜 실제 작업에서 시연 데이터를 모은다.
• 제어 지연을 최대 3밀리초까지 줄이고 추적 오차를 약 20mm에서 2mm로 낮췄다는 점이 중요하다. 로봇에서는 지연 자체가 과제의 성격을 바꾸기 때문이다.
• 요리 데모의 성공률은 항목에 따라 90~95%에서 50~60%까지 편차가 컸는데, 실패율을 함께 공개한 덕분에 오히려 어디까지 왔는지 판단할 수 있다.

쉽게 이해하기

영상은 로봇 손가락이 스스로 움직이는 장면에서 시작한다. 진행자는 언젠가 로봇이 바닥에 흩어진 작은 레고 조각을 주워 줄 날을 기대한다고 말하며, 제네시스 AI가 공개한 Gene 26.5가 그 가능성을 한 걸음 앞당겼다고 평가한다. 이 로봇은 배속 조작 없이 사람과 같은 속도로 물리적 조작을 해냈다.

제네시스 AI는 카네기멜런에서 로보틱스 박사 학위를 받은 창업자와 미스트랄 AI·메타 AI를 거친 공동창업자가 세운 유럽 회사로, 에릭 슈밋을 비롯한 투자자들이 참여한 1억 달러 규모 시드 투자를 받았다. 목표는 자동차·전자·물류·제약 실험실처럼 기존 자동화가 여전히 힘들어하는 영역, 즉 작업이 너무 섬세하거나 변화가 크거나 접촉이 많은 현장의 물리적 노동이다.

영상이 강조하는 핵심은 '조작(manipulation)'이 이동보다 훨씬 어렵다는 점이다. 방을 가로질러 움직이는 것도 로봇에겐 어렵지만, 달걀을 다루거나 작은 튜브를 닫거나 미끄러운 물체를 쥐는 일은 차원이 다른 난이도다. 사람은 물체가 미끄러지는 느낌을 받으면 무의식적으로 쥐는 힘을 바꾸고 도구를 몇 밀리미터 움직이지만, 로봇에게는 이 작은 보정이 가장 큰 벽이다.

그래서 이 이야기는 결국 데이터 이야기가 된다. 실험실 기술자는 피펫에 얼마만큼의 힘을 줘야 하는지 알고, 조립 작업자는 케이블이 제자리에 꽂혔을 때의 촉감을 안다. 이 지식은 인류가 오래전부터 갖고 있었지만 로봇이 배울 수 있는 형태로 기록된 적이 거의 없다. 제네시스는 사람 손 크기의 로봇 손(20개의 능동 역구동 자유도, 손바닥과 손가락에 부드러운 소재)과, 동작·힘·촉각을 함께 기록하는 데이터 수집 장갑을 함께 만들어 이 공백을 메우려 한다.

다만 영상은 한계도 분명히 짚는다. 데모는 자율이었고 1배속이었지만 특정 과제를 위해 학습된 것이며, 집안일을 처음 보고 해내는 범용 지능은 아니다. 요리 데모는 수백 개의 궤적을 썼고, 30초짜리 복잡한 기술에는 사람 데이터 몇 시간과 로봇 데이터 30분 미만이 들어갔다고 한다. 달걀 깨기나 썬 토마토 옮기기처럼 어려운 하위 과제는 성공률이 50~60%에 머물렀다.

주요 인사이트

• 로봇 손이 사람 손을 닮은 이유는 미학이 아니라 호환성이다. 우리 세계 전체가 사람 손에 맞춰 설계돼 있어, 로봇 손이 사람 손과 물리적으로 가까울수록 사람의 동작을 로봇 동작으로 옮기기 쉬워진다.
• 손은 구동 장치이자 데이터 전략의 일부다. 작업자가 장갑을 낀 채 실제 업무를 하면 시연 데이터가 쌓이므로, 연구실에서 로봇을 어색하게 원격 조종해 데이터를 만드는 방식에만 의존하지 않아도 된다.
• 생성형 AI와 피지컬 AI의 차이는 되돌릴 수 있느냐에 있다. 문장은 마음에 안 들면 고치면 되지만, 달걀을 깨는 손은 힘이 모자라면 아무 일도 일어나지 않고 과하면 아침 식사가 망가진다.
• 데모 종목 구성 자체가 스택의 서로 다른 부분을 시험한다. 요리는 긴 동작 시퀀스와 양손 협응, 피펫은 밀리미터 정밀도, 케이블 정리는 형태가 변하는 물체, 루빅스 큐브는 손 안에서의 조작, 피아노는 속도 추종과 손가락 제어를 검증한다.
• 실패율이 없는 완벽한 데모는 오히려 신뢰하기 어렵다. 한계가 드러난 데모라야 무엇이 개선됐고 무엇이 여전히 취약한지 가늠할 수 있다는 것이 영상의 관점이다.

자주 묻는 질문

관련 AI 소식