인공지능과 로봇의 결합은 제조현장 작업을 학습·실행하는 피지컬 AI(Physical AI) 연구로 이어지고 있다. 핵심 과제는 현장 경험을 로봇이 학습할 수 있는 데이터로 변환하는 것이다. 부품 파지 위치, 공구 접근 방향, 힘 조절, 오류 발견·수정 과정 등 숙련 작업자의 판단이 반영된 기술은 작업 결과만으로는 기술하기 어렵다. 이러한 암묵지(tacit knowledge)를 어디서, 어떤 방식으로 기록·축적할 것인지가 피지컬 AI 학습 데이터 확보의 중요한 연구 문제로 제시된다.
큐레이터본문이 중간에 끊겨 있어 필자가 직업교육과 피지컬 AI를 구체적으로 어떻게 연결하는지 확인하기 어렵다. 전체 기고문을 검토한 뒤 요약을 보완하는 것이 바람직하다.
AI 기술 경쟁의 무게중심이 텍스트·이미지 기반 생성형 AI에서 물리적 세계와 상호작용하는 피지컬 AI(Physical AI)로 이동하고 있다. 이에 따라 글로벌 로봇·산업계의 핵심 경쟁력 역시 하드웨어 사양에서 로봇에게 고난도 작업을 가르칠 '행동 데이터' 확보 역량으로 재편되고 있다. 엔씨 AI는 디지털 트윈(Digital Twin), 월드모델(World Model), 정밀 모션 데이터 등 가상화 기술을 활용해 피지컬 AI 구현에 필요한 학습 데이터 인프라를 구축하고 있다고 밝혔다.
큐레이터기사 본문이 중간에 잘려 엔씨 AI의 구체적 기술 사양이나 데이터 규모는 확인할 수 없어, 실제 성과와 계획 발표의 경계를 판단하기 어렵다.
일본 휴머노이드 로봇 컨소시엄 J-HRTI(Japan Humanoid Robot Training & Implementation)가 지바현 나라시노시에 'J-HRTI 간토 데이터팩토리'를 구축하고 본격 가동에 들어갔다. 약 1,400㎡ 규모의 시설에 휴머노이드 로봇 35대가 도입됐으며, 오퍼레이터가 원격 조작을 통해 물건 잡기·옮기기·도구 사용 등 인간의 작업 동작을 데이터로 수집하고 있다. 향후 운용 대수를 최대 40대까지 늘릴 계획이다.
큐레이터수집 데이터의 품질은 오퍼레이터 숙련도·과제 다양성에 크게 좌우되므로, 컨소시엄 참여사 간 데이터 접근 조건과 수집 과제 범위가 공개되어야 실제 활용 가치를 가늠할 수 있다.