[현장] 피지컬 AI '컨피그', AWS와 로봇 학습 비용 절반 낮췄다

피지컬 AI 스타트업 컨피그인텔리전스가 아마존웹서비스(AWS) 클라우드 인프라를 기반으로 로봇 파운데이션 모델(RFM) 학습 비용을 대폭 낮추고 데이터 처리 속도를 끌어올렸다.

서민준 컨피그 대표는 21일 서울 강남구 코엑스에서 열린 'AWS 서밋 서울 2026' 기조연설에서 "에피소드당 비용은 내려가고 반복 학습 사이클은 빨라졌다"며 이같이 밝혔다.

컨피그는 매달 2만 시간 분량의 액션 데이터를 수집하고 있다. 이 중 약 1000시간은 로봇 데이터이며 월 총 데이터량은 100테라바이트(TB)를 넘는다. 회사 측은 올해 안에 이 규모가 5~10배까지 늘어날 것으로 전망한다.

서민준 컨피그 대표가 21일 서울 강남구 코엑스에서 열린 'AWS 서밋 서울 2026' 기조연설에서 발표하고 있다. (사진=지디넷코리아)

데이터 수집은 주로 베트남 하노이에서 이뤄진다. 서 대표는 "수집된 데이터를 공용 인터넷이 아닌 AWS 다이렉트 커넥트를 통해 한국과 미국 서버로 전송한다"며 "이를 통해 공용 인터넷 대비 전송 비용을 6배 절감하고 속도는 2배 향상했으며 무엇보다 전송 품질을 예측 가능하게 만들었다"고 설명했다.

스토리지 구조는 데이터 성격에 따라 이원화했다. 자주 사용하는 데이터는 아마존 S3 스탠다드에, 장기 보관용 데이터는 아마존 S3 글레이셔에 저장한다. 메타데이터는 아마존 다이나모DB와 아마존 오로라·RDS 등 데이터베이스로 관리한다. 이를 통해 스토리지 비용을 기존 대비 2배 절감했다.

컴퓨트 구성은 두 갈래로 나뉜다. 비교적 규모가 작은 추론과 학습 작업에는 AWS의 EC2 스팟 인스턴스를 활용해 온디맨드 대비 비용을 2.5배 줄였다. 대규모 모델 학습이 필요할 때는 아마존 세이지메이커 하이퍼팟과 EFA(Elastic Fabric Adapter) 기반 고속 인터커넥트를 통해 수백 개 그래픽처리장치(GPU)를 연결한 분산 학습을 수행한다.

서 대표는 "학습이 필요할 때는 수백 개 GPU가 순식간에 투입되고 불필요한 시간에는 0으로 떨어지는 불연속적 컴퓨트 패턴이 핵심 과제였다"며 "스팟과 하이퍼팟의 조합으로 이 문제를 해결했다"고 말했다.

컨피그는 양팔 작업에 특화된 비전-언어-액션(VLA) 모델을 자체 개발하는 한국의 대표적인 피지컬 AI 기업이다. 사람의 동작 데이터를 로봇 데이터로 변환한 뒤 사전학습과 태스크 특화 후속학습을 거쳐 현장에 배포하는 5단계 파이프라인을 운용하고 있다.