데이터·학습·운영 통합…투모로 '하빌리스 콘솔' 플랫폼 전략

로봇 산업에서도 플랫폼 경쟁이 본격화되고 있다. 로봇이 실제 환경에서 데이터를 수집하고 학습하며 운영되는 전 과정을 통합적으로 관리하는 시스템이 상용화의 핵심 경쟁력으로 떠오른다.

이러한 흐름 속에서 투모로로보틱스가 공개한 '하빌리스 콘솔'은 피지컬 AI 산업이 개별 알고리즘이 아닌 통합 플랫폼을 필요로 하는 이유를 보여주는 사례로 주목된다.

투모로로보틱스는 장병탁 서울대 컴퓨터공학부 교수가 바이오인텔리전스 연구실을 기반으로 설립한 로봇 피지컬 AI 기업이다. 장 교수는 현재 산업통상부가 추진하는 휴머노이드 M.AX 얼라이언스 위원장을 맡아 로봇 두뇌 개발을 주도하고 있다.

회사는 로봇이 실제 환경에서 스스로 학습하고 작업을 수행할 수 있도록 하는 피지컬 AI 핵심 기술인 로보틱스 파운데이션 모델(RFM)을 개발하고 있다. 투모로로보틱스 '하빌리스 브레인'은 로봇의 판단을 담당하는 엔진, '하빌리스 콘솔'은 원격 조작과 시연, 피드백, 학습 커리큘럼 관리 등을 연결하는 운영 관제 시스템이다.

이 중 하빌리스 콘솔은 로봇 제어, 데이터 수집, 데이터 증강, 학습, 추론, 시각화를 하나의 사용자 친화적 인터페이스로 묶은 엔드투엔드 머신러닝운영(MLOps) 파이프라인 플랫폼이다.

피지컬 AI 경쟁 기준도 바뀌고 있다. 모델 정확도를 높이는 것을 넘어 로봇이 실제 공간에서 데이터를 수집하고 학습하며 작업을 수행하는 전 과정을 얼마나 효율적으로 운영할 수 있는지가 상용화 핵심 요소로 떠오르고 있다.

피지컬 AI는 챗봇이나 다른 생성형 AI와는 본질적으로 다르다. 텍스트를 생성하는 것이 아니라 현실 세계의 물체와 공간, 사람과의 상호작용을 다루기 때문이다.

성능 기준도 달라진다. '얼마나 똑똑하게 답을 생성하는지'보다 '얼마나 오래, 안정적으로 사람 개입 없이 작동할 수 있는지'가 더 중요하다. 현장 환경이 변해도 얼마나 빠르게 적응할 수 있는지도 핵심 요소로 꼽힌다.

투모로로보틱스가 최근 공개한 '하빌리스 베타' 논문 역시 이러한 문제의식을 담고 있다. 기존 피지컬 AI 연구가 단일 성공률 지표에 지나치게 집중돼 있다는 점을 지적하며, 실제 산업 환경에서는 생산성과 신뢰성을 함께 평가해야 한다고 강조한다.

논문은 시간당 작업 수(TPH)와 사람 개입 간 평균 운용 시간(MTBI) 지표를 제안했다. 장시간 연속 운용 환경에서의 성능 효율을 평가해야 한다는 것이다.

로봇은 한 번 학습시켜 끝나는 시스템이 아니다. 실제 환경에서 데이터를 모으고, 사람이 직접 시범을 보이거나 오류를 교정하고 그 데이터를 다시 학습에 반영한 뒤 현장에 재배포하는 과정이 반복돼야 한다. 즉 피지컬 AI 경쟁력은 데이터 수집, 학습, 배포, 운영, 피드백이 지속적으로 이어지는 구조를 얼마나 잘 구축했느냐에 달려 있다.

로봇 산업은 그동안 뛰어난 모델이나 하드웨어를 개별적으로 선보이는 데 집중해왔다. 그러나 실제 산업 현장에서는 그것만으로 충분하지 않았다. 시연에서는 잘 동작하던 로봇도 현장에 배치되면 다양한 변수에 부딪힌다. 조명 변화, 물체의 편차, 작업 순서 변화, 장시간 운용에 따른 오류, 예외 상황 등이 끊임없이 발생하기 때문이다.

결국 필요한 것은 단순한 개발 도구가 아니라 로봇을 실제로 운영하고 지속적으로 개선할 수 있는 플랫폼이다. 하빌리스 콘솔은 로봇 제어부터 데이터 축적, 모델 개선, 추론, 시각화까지를 하나의 인터페이스에서 연결함으로써 이러한 문제를 해결하려는 시도다. 피지컬 AI 상용화 핵심 과제가 연구보다 운영에 있다는 점을 보여주는 사례다.

피지컬 AI 플랫의 중요성은 크게 세 가지 측면에서 커지고 있다. ▲데이터 확보 속도 ▲현장 재현성과 확장성 ▲온디바이스 실전성이다. 다양한 환경에서 여러 로봇을 안정적으로 운영하려면 공통된 플랫폼이 필요하기 때문이다.