머니 로드 인사이트 랩

로봇이라고 하면 많은 사람들이 철창 안에서 쉬지 않고 움직이는 거대한 산업용 로봇을 떠올립니다. 실제로 오랫동안 공장의 로봇은 사람과 일정한 거리를 둔 채 작업해야 했습니다. 그 이유는 간단했습니다. 산업용 로봇은 힘이 매우 강했고, 주변 사람을 인식하는 능력이 부족했기 때문에 안전사고를 막기 위해 분리된 공간에서만 사용할 수 있었습니다. 하지만 최근에는 상황이 달라졌습니다. 사람과 같은 공간에서 함께 일하며 필요한 순간에는 속도를 줄이고, 사람이 가까이 오면 멈추는 로봇이 등장했습니다. 이러한 로봇을 협동로봇(Collaborative Robot, Cobot) 이라고 합니다. 이번 글에서는 협동로봇이 왜 만들어졌고, 피지컬 AI 발전에 어떤 변화를 가져왔는지 알아보겠습니다. 산업용 로봇의 한계를 넘어 초기의 산업용 로봇은 빠르고 정확했지만 유연성이 부족했습니다. 생산 라인이 바뀌면 프로그램을 다시 수정해야 했고, 사람이 가까이 다가가는 것도 쉽지 않았습니다. 특히 제품 종류가 자주 바뀌는 공장에서는 이런 방식이 비효율적일 때가 많았습니다. 예를 들어 자동차 공장처럼 같은 제품을 대량 생산하는 곳에서는 큰 문제가 없었지만, 다양한 제품을 소량으로 만드는 공장에서는 사람이 직접 작업하는 경우가 더 많았습니다. 이런 문제를 해결하기 위해 등장한 것이 협동로봇입니다. 사람과 역할을 나누고 서로 협력하면서 작업할 수 있도록 설계된 새로운 형태의 로봇이었습니다. 협동로봇은 무엇이 다를까? 협동로봇은 기존 산업용 로봇과 여러 가지 차이점이 있습니다. 가장 큰 특징은 안전성 입니다. 협동로봇에는 사람의 움직임을 감지하는 다양한 센서가 장착되어 있습니다. 사람이 가까이 다가오면 자동으로 속도를 줄이거나 작업을 멈추기도 합니다. 또한 팔의 움직임도 비교적 부드럽게 설계되어 있어 사람과 같은 공간에서 함께 일할 수 있도록 만들어졌습니다. 무엇보다 프로그램을 쉽게 변경할 수 있다는 점도 큰 장점입니다. 새로운 작업이 필요하면 복잡한 코드를 다시...

온라인 쇼핑은 이제 우리 생활에서 빼놓을 수 없는 일상이 되었습니다. 주문한 물건이 다음 날, 때로는 당일에 도착하는 것도 더 이상 특별한 일이 아닙니다. 많은 사람들은 이러한 변화가 택배 기사나 배송 시스템 덕분이라고 생각하지만, 그 뒤에는 보이지 않는 또 하나의 주인공이 있습니다. 바로 물류 로봇 입니다. 최근의 대형 물류센터에서는 수백 대의 로봇이 쉬지 않고 움직이며 상품을 옮기고, 위치를 확인하고, 작업자와 함께 일하고 있습니다. 이번 글에서는 물류 로봇이 어떻게 등장했고, 왜 피지컬 AI의 대표적인 활용 사례로 꼽히는지 알아보겠습니다. 사람이 하던 일을 함께 나누기 시작하다 예전의 물류창고는 대부분 사람이 직접 움직이며 일했습니다. 주문이 들어오면 작업자가 창고 안을 걸어 다니며 상품을 찾고, 포장 장소까지 옮겨야 했습니다. 상품 종류가 많아질수록 이동 거리도 길어졌고, 하루 종일 무거운 물건을 나르는 일은 체력적으로도 쉽지 않았습니다. 이러한 문제를 해결하기 위해 등장한 것이 물류 로봇입니다. 초기의 물류 로봇은 정해진 길을 따라 움직이며 물건을 운반하는 역할을 맡았습니다. 처음에는 단순한 자동화 장비에 가까웠지만, 시간이 지나면서 주변 환경을 인식하고 스스로 이동하는 능력을 갖추기 시작했습니다. 로봇은 어떻게 길을 잃지 않을까? 넓은 물류센터에는 수많은 선반과 통로가 있습니다. 사람도 처음 가는 창고에서는 길을 찾기 쉽지 않은데, 로봇은 어떻게 원하는 위치까지 정확하게 이동할까요? 비결은 여러 가지 기술이 함께 사용되기 때문입니다. 로봇은 카메라와 거리 센서를 이용해 주변을 확인하고, 바닥에 표시된 기준이나 지도를 참고하며 이동합니다. 최근에는 AI가 실시간으로 주변 상황을 분석해 사람이 지나가면 속도를 줄이거나 다른 길을 선택하기도 합니다. 예전처럼 정해진 경로만 따라가는 것이 아니라, 상황에 맞게 움직일 수 있는 것입니다. 덕분에 여러 대의 로봇이 같은 공간에서 함께 작업해도 서로 부딪힐 가능성이 크게 줄어들...

불과 몇 년 전만 해도 자동차가 사람 없이 스스로 운전하는 모습은 영화 속 이야기처럼 느껴졌습니다. 하지만 이제는 자율주행 기술을 시험하는 차량을 도로에서 볼 수 있고, 일부 기능은 일반 승용차에도 적용되고 있습니다. 많은 사람들은 자율주행을 자동차 기술의 발전으로만 생각합니다. 하지만 조금 더 넓게 보면 자율주행 자동차는 피지컬 AI를 가장 잘 보여주는 대표적인 사례 입니다. 자동차는 주변을 보고, 상황을 판단하고, 직접 움직여야 합니다. 사람의 도움 없이 현실 세계에서 행동해야 하기 때문에 피지컬 AI의 핵심 기술이 모두 들어가 있습니다. 이번 글에서는 자율주행 기술이 어떻게 발전했고, 왜 피지컬 AI 역사에서 중요한 위치를 차지하는지 알아보겠습니다. 자동차도 주변을 볼 수 있어야 했다 사람이 운전할 때는 수많은 정보를 동시에 확인합니다. 앞차와의 거리, 신호등의 색깔, 보행자의 움직임, 차선의 위치까지 자연스럽게 살펴보며 운전합니다. 자동차가 스스로 운전하려면 이러한 과정을 모두 대신할 수 있어야 합니다. 그래서 자율주행 자동차에는 다양한 장비가 탑재됩니다. 카메라는 신호등과 차선을 인식하고, 레이더는 앞차와의 거리를 측정하며, 라이다(LiDAR)는 주변 공간을 입체적으로 파악합니다. 여기에 GPS와 다양한 센서가 더해져 자동차는 자신의 위치와 주변 환경을 계속 확인합니다. 이처럼 여러 정보를 동시에 활용하는 기술이 피지컬 AI의 핵심이라고 할 수 있습니다. 보는 것만으로는 운전할 수 없다 자동차가 도로를 본다고 해서 곧바로 안전하게 운전할 수 있는 것은 아닙니다. 예를 들어 횡단보도 앞에 사람이 서 있다면 자동차는 여러 가지를 판단해야 합니다. 사람이 건널 것인지, 잠시 멈춰 있는 것인지, 속도를 줄여야 하는지, 완전히 정차해야 하는지를 빠르게 결정해야 합니다. 비가 오는 날이나 밤에는 상황이 더 복잡해집니다. 도로가 미끄러울 수도 있고, 시야가 좁아질 수도 있기 때문입니다. 이처럼 자율주행은 단순히 길을 찾...

사람은 새로운 일을 배울 때 처음부터 완벽하게 하지 못합니다. 자전거를 처음 탈 때는 넘어지기도 하고, 요리를 처음 할 때는 실수도 합니다. 하지만 같은 경험을 반복하면서 조금씩 더 잘하게 됩니다. 그렇다면 로봇도 이런 방식으로 배울 수 있을까요? 예전에는 새로운 일을 시키려면 개발자가 하나하나 프로그램을 수정해야 했습니다. 하지만 최근에는 로봇이 직접 경험을 통해 더 나은 방법을 찾아가는 기술이 빠르게 발전하고 있습니다. 이러한 기술을 강화학습(Reinforcement Learning) 이라고 합니다. 이번 글에서는 로봇이 어떻게 경험을 통해 배우기 시작했는지, 그리고 강화학습이 피지컬 AI를 어떻게 변화시키고 있는지 알아보겠습니다. 강화학습은 어떤 기술일까? 강화학습은 쉽게 말해 '잘하면 보상을 받고, 잘못하면 다시 도전하는 학습 방법' 입니다. 예를 들어 어린아이가 퍼즐을 맞춘다고 생각해 보겠습니다. 처음에는 어디에 조각을 끼워야 할지 몰라 여러 번 틀릴 수 있습니다. 하지만 하나씩 맞추다 보면 점점 더 빠르게 완성하게 됩니다. 로봇도 비슷한 방식으로 학습합니다. 어떤 행동을 했을 때 좋은 결과가 나오면 그 방법을 기억하고, 실패하면 다른 방법을 시도합니다. 이 과정을 수없이 반복하면서 점점 더 효율적인 방법을 찾아가는 것입니다. 사람이 모든 답을 알려주는 것이 아니라, 스스로 경험을 쌓으며 배우는 점이 가장 큰 특징입니다. 로봇은 어떻게 경험을 쌓을까? 그렇다면 실제 로봇은 어디에서 경험을 쌓을까요? 매번 실제 공장에서 실험한다면 시간도 오래 걸리고 비용도 많이 들 것입니다. 그래서 최근에는 가상환경(시뮬레이션) 을 적극적으로 활용합니다. 컴퓨터 안에 실제와 비슷한 환경을 만들어 놓고 로봇이 수천 번, 수만 번 연습하도록 하는 것입니다. 예를 들어 물건을 집는 연습을 한다면 로봇은 같은 동작을 반복하면서 어떤 각도가 가장 안정적인지 스스로 찾아갑니다. 사람이라면 몇 년이 걸릴 경험도 컴퓨터 안에서는 ...

지난 글에서는 로봇이 카메라와 센서를 통해 주변 환경을 인식하게 된 과정을 살펴봤습니다. 하지만 주변을 볼 수 있다고 해서 곧바로 똑똑한 로봇이 되는 것은 아닙니다. 예를 들어 길을 걷다가 신호등을 본다고 생각해 보겠습니다. 신호등을 본 것만으로는 충분하지 않습니다. 빨간불이면 멈추고, 초록불이면 건너야 한다는 의미까지 이해해야 올바른 행동을 할 수 있습니다. 로봇도 마찬가지입니다. 카메라로 세상을 볼 수 있게 되었지만, 무엇을 보고 있는지 이해하고 상황에 맞게 판단하는 능력이 필요했습니다. 이때 등장한 기술이 바로 딥러닝(Deep Learning) 입니다. 딥러닝은 피지컬 AI가 한 단계 더 발전하는 중요한 전환점이 되었습니다. 딥러닝이 등장하기 전의 로봇 초기의 로봇은 사람이 정해 준 규칙대로 움직였습니다. 예를 들어 사과를 찾는 프로그램을 만든다고 하면 "빨간색이고 둥근 모양이면 사과"처럼 조건을 하나씩 입력해야 했습니다. 하지만 현실은 그렇게 단순하지 않습니다. 사과는 초록색일 수도 있고, 햇빛 때문에 색이 다르게 보일 수도 있습니다. 크기와 모양도 모두 조금씩 다릅니다. 이처럼 모든 상황을 사람이 미리 입력하는 것은 거의 불가능했습니다. 그래서 로봇은 예상하지 못한 상황이 생기면 쉽게 실수를 하거나 작업을 멈추곤 했습니다. 딥러닝은 무엇이 달랐을까? 딥러닝은 기존 방식과 조금 다른 접근을 했습니다. 사람이 모든 규칙을 알려주는 대신, AI가 수많은 데이터를 보며 스스로 특징을 찾아 학습하도록 만든 것입니다. 예를 들어 사람은 어린아이에게 여러 번 사과를 보여주면서 "이게 사과야."라고 알려줍니다. 그러면 아이는 나중에 처음 보는 사과도 알아볼 수 있습니다. 딥러닝도 비슷한 원리입니다. 수천 장, 수만 장의 사진을 학습하면서 사과가 어떤 특징을 가지고 있는지 스스로 익히게 됩니다. 덕분에 이전보다 훨씬 다양한 환경에서도 정확하게 사과를 찾을 수 있게 되었습니다. 이러한 변화는 로봇...

유니메이트는 사람 대신 위험한 일을 할 수 있는 훌륭한 산업용 로봇이었습니다. 하지만 한 가지 큰 한계가 있었습니다. 바로 주변을 '볼 수 있는 눈'과 '들을 수 있는 귀'가 없었다는 점입니다. 정해진 위치에 있는 물건은 정확하게 옮길 수 있었지만, 부품의 위치가 조금만 달라져도 작업을 제대로 수행하지 못했습니다. 이 문제를 해결하기 위해 연구자들은 새로운 질문을 던졌습니다. "로봇도 주변을 볼 수 있다면 어떨까?" 이 질문은 이후 피지컬 AI 발전의 중요한 전환점이 됩니다. 로봇에게도 눈이 필요했다 사람은 눈으로 주변을 살펴보며 필요한 정보를 얻습니다. 컵이 어디 있는지, 사람이 어디로 움직이는지, 장애물이 있는지를 자연스럽게 파악합니다. 하지만 초기 산업용 로봇은 이런 능력이 전혀 없었습니다. 항상 같은 위치에 같은 물건이 있어야만 작업할 수 있었고, 조금이라도 환경이 바뀌면 멈추거나 오류가 발생했습니다. 자동화가 가능한 작업이 제한적일 수밖에 없었던 이유입니다. 그래서 연구자들은 로봇에게 사람의 눈과 비슷한 역할을 하는 장치를 달기 시작했습니다. 그것이 바로 카메라 였습니다. 카메라가 로봇의 눈이 되다 처음에는 단순히 사진을 찍는 수준이었습니다. 하지만 컴퓨터가 이미지를 분석하는 기술이 발전하면서 로봇은 점차 화면 속 사물을 구분하기 시작했습니다. 예를 들어 어떤 부품인지 구별하고 어디에 놓여 있는지 확인하고 어느 방향으로 잡아야 하는지 계산할 수 있게 되었습니다. 예전에는 부품을 일정한 위치에 정확히 놓아야 했지만, 이제는 위치가 조금 달라도 로봇이 스스로 찾아낼 수 있게 된 것입니다. 이 기술을 흔히 머신 비전(Machine Vision)​ 이라고 부릅니다. 자동차 공장뿐 아니라 전자제품 생산, 반도체 제조, 식품 공장 등 다양한 산업에서 빠르게 활용되기 시작했습니다. 눈만으로는 부족했다 사람은 눈뿐 아니라 귀와 피부의 감각도 함께 사용합니다. 예를 들어 문이 닫히는 소리를 듣고, 손으로 물건의 무게를 느...

오늘날 공장에서는 로봇이 자동차를 조립하고, 무거운 부품을 옮기며, 사람과 함께 작업하는 모습을 쉽게 볼 수 있습니다. 이제는 너무 익숙한 풍경이지만, 불과 몇십 년 전만 해도 로봇이 공장에서 일한다는 것은 상상하기 어려운 일이었습니다. 흥미로운 점은 세계 최초의 산업용 로봇이 지금처럼 똑똑한 로봇은 아니었다는 것입니다. 사람의 말을 이해하지도 못했고, 스스로 판단하지도 못했습니다. 그럼에도 이 로봇은 피지컬 AI 역사의 출발점으로 평가받고 있습니다. 이번 글에서는 세계 최초의 산업용 로봇 '유니메이트(Unimate)' 가 왜 만들어졌고, 어떤 역할을 했는지 함께 알아보겠습니다. 사람이 하기 힘든 일을 대신하기 위해 1950년대 후반, 자동차 산업은 빠르게 성장하고 있었습니다. 자동차를 많이 생산하려면 같은 작업을 수없이 반복해야 했고, 그 과정에는 위험한 일도 많았습니다. 예를 들어 뜨겁게 달궈진 금속을 옮기거나 무거운 부품을 들어 올리는 작업은 작업자에게 큰 부담이었습니다. 반복되는 작업으로 인한 피로도 문제였습니다. 이런 상황에서 미국의 발명가 조지 데볼(George Devol) 은 사람이 반복하는 작업을 기계가 대신할 수 없을까 하는 생각을 했습니다. 그는 프로그램에 따라 움직이는 기계를 개발했고, 이후 사업가 조셉 엥겔버거(Joseph Engelberger) 와 함께 이를 산업 현장에 적용하기 시작했습니다. 그 결과 탄생한 것이 바로 세계 최초의 산업용 로봇 유니메이트 였습니다. 유니메이트는 어떤 일을 했을까? 1961년, 미국 자동차 회사 제너럴 모터스(GM) 공장에 유니메이트가 처음 설치되었습니다. 유니메이트의 임무는 매우 단순했습니다. 뜨거운 금속 부품을 집어 옮기고, 정해진 위치에 내려놓는 일이었습니다. 지금 기준으로 보면 단순한 작업처럼 보이지만 당시에는 매우 혁신적인 기술이었습니다. 사람이 위험한 작업을 하지 않아도 되었고, 같은 일을 쉬지 않고 반복할 수 있었기 때문입니다. 덕분에 생산 효율도...

  최근 AI를 이야기하면 가장 먼저 떠오르는 것은 챗봇이나 이미지 생성 AI일 것입니다. 질문을 하면 답을 해주고, 그림을 만들어 주는 AI는 이제 우리 일상에서도 어렵지 않게 찾아볼 수 있습니다. 하지만 AI의 발전은 컴퓨터 화면 안에서만 이루어지고 있는 것은 아닙니다. 사람처럼 걷는 로봇, 창고에서 물건을 나르는 무인 로봇, 스스로 길을 찾는 자율주행차처럼 현실에서 직접 움직이는 AI 도 빠르게 발전하고 있습니다. 이처럼 주변 환경을 인식하고 스스로 판단한 뒤 실제 행동까지 하는 인공지능을 피지컬 AI(Physical AI) 라고 합니다. 그런데 피지컬 AI는 갑자기 등장한 새로운 기술이 아닙니다. 지금으로부터 70년 가까운 시간 동안 인공지능과 로봇공학이 함께 발전하면서 만들어진 결과입니다. 이번 글에서는 피지컬 AI의 시작과 함께, 왜 지금 이 기술이 주목받고 있는지 쉽고 재미있게 알아보겠습니다. 인공지능은 처음부터 로봇을 꿈꿨을까? 많은 사람들은 AI가 처음부터 사람처럼 움직이는 로봇을 만들기 위해 연구되었다고 생각합니다. 하지만 실제로는 조금 달랐습니다. 1956년 미국에서 열린 다트머스 회의(Dartmouth Conference) 에서 'Artificial Intelligence', 즉 인공지능이라는 용어가 처음 사용되었을 당시 연구자들의 목표는 생각하는 컴퓨터 를 만드는 것이었습니다. 당시 컴퓨터는 지금의 스마트폰보다도 성능이 낮았습니다. 저장 공간도 매우 부족했고 계산 속도도 느렸기 때문에 현실에서 움직이는 로봇을 만드는 것은 쉽지 않았습니다. 그래서 초기 AI는 체스를 두거나 수학 문제를 풀고, 논리적인 판단을 하는 프로그램을 만드는 연구가 대부분이었습니다. 즉, AI는 처음에는 현실보다 컴퓨터 속에서 먼저 성장하기 시작했습니다. 현실 세계와 AI가 만나기 시작하다 AI가 컴퓨터 안에서만 발전하던 시기에도 한 가지 고민은 계속 이어졌습니다. "컴퓨터가 생각할 수 있다면, 언젠가는 실제 세상...