LLM은 인터넷에 존재하는 수조 개의 텍스트 데이터로 pre-train이 가능했다. 하지만 로봇의 action 데이터(관절 각도, 힘, 접촉 정보)는 인터넷에 없다. 이러한 데이터는 사람이 직접 teleoperation을 하거나, 로봇을 실제로 구동시켜야만 얻을 수 있다. 이것이 Physical AI의 가장 근본적인 병목이다.
이 문제를 해결하기 위해 1X NEO는 기발한 전략을 사용한다. 아직 VLA가 완벽하지 않은 로봇을 판매하면서, ‘안 되는 일은 원격 조종사(teleoperator)가 대신 해주고, 그 데이터를 학습에 활용한다’는 flywheel 모델을 구축했다. 고객은 당장 가사 노동을 해결받고, 회사는 대규모 action 데이터를 확보한다. Tesla도 VR teleoperation 데이터 공장을 운영하며 유사한 접근을 했고, NVIDIA는 시뮬레이션(Cosmos)으로 데이터를 증강한다.
핵심은 데이터 수집을 ‘비용’이 아니라 ‘비즈니스의 중심’으로 재정의하는 것이다. 데이터가 scalable하지 않은 문제를, 비즈니스 모델로 우회하는 창의성이 LLM과 다른 경쟁 우위를 만든다.
근거
“지금 로봇이 배포되어서 가정에서 일을 시작하면 데이터가 scalable하게 쌓이는 창구가 될 수 있다. 인건비가 낮은 나라의 teleoperator가 데이터를 만들고, 인건비가 높은 나라에 로봇이 배포되는 구조” — 박종현, ep84
연결된 생각
- 20260605-scaling-law-in-robotics — 데이터 스케일링이 로봇 성능에 미치는 영향
- 20260606-vla-model-concept — VLA의 데이터 수집 방법과 한계
출처
- 📎 클리핑: 20260613-ep98-ko-transcript