유니트리(Unitree)가 상장한 다음 날, 창업자 왕싱싱은 2026 세계로봇대회에서 '전시품에서 제품으로: 휴머노이드 로봇 산업의 다음 10년'이라는 제목의 기조연설을 했다. 그는 현재 로봇 산업이 인공지능 가속 발전의 새로운 출발점에 서 있으며, 현 단계 이 분야 최대 발전 병목은 여전히 체화 지능의 일반화 능력 부족이라고 봤다.

"발전 주기로 보면 빠르면 2~3년, 길면 5~10년 안에 업계는 핵심 돌파구를 맞이할 가능성이 있다." 체화 지능이 ChatGPT와 같은 산업 임계점을 맞이하는 시점에 대해 왕싱싱은 비교적 낙관적인 판단을 내놓았다.

범용 로봇이 언제 실제로 가정에 들어올지에 대해 왕싱싱은 전 세계적으로 현재 가장 큰 병목은 여전히 일반화 능력 부족이라고 말했다. "누구나 로봇 한 대를 임의의 낯선 환경에 데려갔을 때 로봇이 그곳에서 약 80%의 작업을 수행할 수 있는 모습을 보게 된다면, 체화 지능의 ChatGPT 모멘트가 거의 실현된 것이라고 생각합니다."

다음은 PANews가 정리한 연설 내용이다.

유니트리 10년 회고: 4족 로봇에서 휴머노이드까지

존경하는 지도자 여러분, 귀빈 여러분, 안녕하십니까. 이 자리에서 발표할 수 있어 매우 영광입니다. 먼저 회사 상황을 간략히 돌아보겠습니다. 유니트리는 2016년 8월에 설립되어 올해 8월이면 거의 정확히 10년이 됩니다. 당사는 처음에 4족 로봇을 만들었고, 최근 몇 년간 휴머노이드 로봇을 개발하기 시작했습니다.

최근 몇 년간 비교적 성공한 제품은 2024년에 출시한 G1입니다. G1은 출시 이후 전 세계 휴머노이드 로봇 분야에서 비교적 대표적인 제품이 되었습니다. 현재 여러분이 보는 많은 휴머노이드 로봇 제품은 전체 형태나 설계 아이디어 측면에서 G1과 유사한 점이 있습니다.

올해 초 비교적 대표적인 프로젝트는 중국 춘절 갈라(춘완)에서 공연한 《武BOT》입니다. 이 프로그램은 중국의 매우 고전적인 전통 쿵후와 무술 문화를 융합했습니다. 우리는 사전에 대표적인 중국 쿵후 동작 수십 개를 수집한 뒤 AI 훈련을 거쳐 비교적 멋진 동작을 무대에 올렸습니다. 이 프로그램의 가장 큰 하이라이트는 현재 비교적 최전선의 휴머노이드 로봇 기술을 중국 전통 쿵후·무술 문화와 결합한 것입니다. 이 영상은 해외에서도 확산이 매우 잘 되어 조회수가 수백억 회에 달할 수 있습니다. 저는 이것이 기술과 문화가 비교적 잘 융합된 사례라고 생각합니다.

2월에는 천단(天坛)에서도 한 차례 시연을 진행했습니다. 당시 현장에서 약 49대의 로봇이 완전 자동 공연을 펼쳤습니다. 천단 자체가 수백 년의 문화와 역사를 지닌 곳이라, 로봇이 그런 장소에서 공연하면 중국의 지난 수백 년 문화와 현재 최신 기술이 서로 융합되면서 매우 강렬한 시간 여행 같은 느낌을 만들어 냅니다. 시각적으로나 느낌 면에서 모두 매우 충격적입니다.

지난 몇 년 동안 우리는 로봇이 실제로 생활과 공장에 들어가도록 계속 추진해 왔습니다. 2024년부터 자동차 공장과 협력해 일부 현장 적용을 진행했고, 자체 공장에도 로봇을 배치해 간단한 테스트와 적용을 하고 있습니다. 현재 회사 AI 팀 대부분은 로봇이 어떻게 실제로 가정이나 공장에서 일할 수 있을지에 초점을 맞춰 연구개발을 진행하고 있습니다.

현재 대규모로 보급하지 못하는 가장 큰 이유는 로봇의 효율과 일반화 능력이 아직 부족하기 때문입니다. 이제 로봇은 간단한 조립 작업을 수행할 수 있지만, 효율은 사람과 비교해 여전히 낮습니다. 또한 새로운 작업을 만날 때마다 다시 훈련해야 하는 경우가 많아 전체 효율이 더욱 떨어집니다. 그래서 우리는 먼저 기술의 일반화 능력을 더 끌어올린 뒤 대규모 보급을 추진하고자 합니다. 이는 현재 전 세계 로봇 업계가 공동으로 직면한 핵심 병목이기도 합니다.

올해 4월에는 휴머노이드 로봇의 달리기 속도 기록도 갱신했습니다. 이 로봇은 2023년 첫 번째 휴머노이드인 H1을 기반으로 개조한 것입니다. H1은 유니트리의 첫 휴머노이드 로봇이자 비교적 클래식한 제품입니다. 이후 우리는 H1을 기반으로 다양한 형태를 시도했는데, 예를 들어 바퀴 구조를 추가해 특정 상황에서 더 유연하게 움직이도록 했습니다.

로봇을 움직이는 것: AI, 데이터 그리고 실제 현장

여러분도 아시다시피 현재 로봇은 기본적으로 AI로 구동되고, AI는 본질적으로 데이터로 구동됩니다. 데이터가 얼마나 많은지, 특히 고품질 데이터가 얼마나 많은지가 AI 능력의 수준을 크게 좌우합니다. 그래서 우리는 한편으로 자체적으로 데이터를 수집하고, 다른 한편으로는 제3자 기업과 협력해 더 많은 데이터를 확보하려고 합니다. 이 데이터는 업계에도 제공하고 자체적으로도 사용합니다.

개인적으로 실제 AI 로봇 훈련에 쓰이는 데이터는 대량의 사람 데이터 또는 인터넷 데이터를 주된 사전 훈련 데이터로 삼고, 여기에 일부 실제 로봇 데이터를 더해야 한다고 생각합니다. 이 두 종류 데이터는 모두 필수입니다. 데이터 규모 측면에서는 사람 데이터가 더 많고 더 중요하지만, 실제 로봇 데이터 역시 빼놓을 수 없습니다. 결국 로봇을 실제 물리 세계와 일치시켜야 하기 때문입니다.

올해 5월에는 세계 최초의 양산형 유인 변신 메카 GD01을 공개했습니다. 이 로봇은 키가 3m 이상이고, 사람이 탑승하면 무게가 약 500kg입니다. 이런 기계가 어떤 용도로 쓰이는지 궁금해하실 수 있습니다. 간단히 비유하자면 일종의 '오프로드 차량'에 가깝습니다. 가정이나 도시의 일상적 사용보다는 야외, 복잡한 환경, 일부 운송 현장에 더 적합합니다. 예를 들어 야외 하이킹을 가거나 지형이 복잡한 곳에서 물자를 운반할 때 사용을 고려할 수 있습니다.

GD01의 또 하나 흥미로운 특징은 4족 모드로 변신할 수 있다는 점입니다. 4족 모드로 전환하면 안정성이 더 좋아지고 장애물 통과 능력도 비교적 강해집니다. 이것이 우리가 실제로 사전 판매를 시작한 이유이기도 합니다. 4족 모드에서는 이미 비교적 우수한 안정성과 복잡한 지형 통과 능력을 갖추고 있기 때문입니다. 간단히 말하면 로봇 형태의 '오프로드 차량'으로 이해할 수 있습니다.

몇 달 전에는 멀티모달 모델 기반의 엔드투엔드 AI 동작 생성 시스템도 시연했습니다. 과거의 많은 로봇 동작 시연은 사전에 수집하고 사전에 훈련한 것이었지만, 이 시스템의 동작은 실시간 음성 명령에 따라 생성될 수 있습니다. 음성은 먼저 인식된 뒤 클라우드에 업로드되어 AI 동작을 생성하고, 이후 동작을 검증해 문제가 없는지 확인한 다음 로봇에 전달됩니다. 그래서 현재 전체 과정에 몇 초의 지연이 있습니다.

우리는 미래에 로봇이 실제로 현장에 적용될 때 동작이 사전 프로그래밍에 의존하지 않고 완전히 실시간으로 생성되기를 바랍니다. 현재의 자동 생성 방식에는 또 하나의 특징이 있습니다. 완전히 동일한 명령을 입력하더라도 매번 생성되는 동작이 조금씩 다를 수 있다는 점입니다. 즉, 오늘과 내일 로봇에게 같은 말을 해도 로봇이 취하는 동작이 완전히 같지 않을 수 있습니다.

우리는 로봇이 실제로 회의실 같은 일상 공간에서 일하도록 추진하고 있습니다. 예를 들어 회사 회의실은 때때로 지저분해질 수 있는데, 회의실 정리는 비교적 명확하고 실용적 가치가 있는 작업입니다. 우리의 훈련 목표는 회의실을 임의로 어지럽힌 뒤에도 로봇이 깨끗하고 정돈된 상태로 복구할 수 있게 하는 것입니다.

이 작업은 현재 완전히 엔드투엔드로 구현되기 때문에 로봇의 동작 효율이 아직 느립니다. 하지만 단일 작업 시스템은 아닙니다. 이 시나리오에는 약 7~8개의 서로 다른 작업을 설정했고, 하나의 모델로 로봇이 여러 작업 사이를 자동으로 전환하며 바로 실행하도록 했으며, 일정 수준의 방해 내성도 갖추고 있습니다. AI가 실시간 인식, 실시간 생성, 지속적 추론을 해야 하기 때문에 동작이 아직 그다지 매끄럽지 않습니다. 한 걸음 움직이거나 동작 하나를 수행할 때마다 추론이 필요해 전체적인 '부드러움'에 영향을 줍니다. 다만 시연 영상 자체는 편집 없이 원테이크로 촬영됐고, 환경 방해 요소도 넣었습니다.

이를 기반으로 우리는 다시 음성 구동과 멀티모달 모델을 결합해, 로봇이 음성에 따라 동작을 생성할 뿐 아니라 실제로 상호작용과 조작 작업을 완료할 수 있게 했습니다. 현장 시연에서 로봇은 눈앞 물체의 색상을 인식하고, 서로 다른 약 상자의 위치를 판별한 뒤 언어 명령에 따라 지정된 물체를 꺼낼 수 있었습니다. 이 경우 로봇이 수행하는 것은 미리 정해진 고정 동작이 아니라 언어를 이해하고 환경을 인식한 뒤 조작을 완료해야 하는 작업입니다.

얼마 전에는 최신 세대 휠-풋 4족 로봇 As2-W도 공개했습니다. 이 로봇은 비교적 경량화되어 배터리를 포함한 무게가 약 25kg이며, 적재 능력과 배터리 수명이 모두 우수합니다. 동시에 IP54 방진·방수 능력을 갖춰 실내와 야외 환경을 모두 커버할 수 있습니다.

우리는 휴머노이드 로봇에서 축적한 일부 기술을 4족 로봇에 다시 적용해 4족 로봇의 유연성을 더 높이고, 적재 능력과 배터리 수명, 복잡한 환경 적응력을 더 개선하고자 했습니다. 또한 이 로봇이 미래에 야외 하이킹, 운송, 일부 산업 현장에 실제로 사용되기를 바랍니다.

이와 동시에 우리는 R1 같은 경량 휴머노이드 로봇도 지속적으로 업그레이드해 운동 성능과 유연성을 더욱 높이고 있습니다. R1 자체는 가성비가 비교적 높고, 이미 징둥(JD.com), 타오바오 등 채널을 통해 구매할 수 있습니다.

얼마 전에는 새로운 로봇도 한 대 공개했습니다. 이 로봇은 개발 기간이 매우 짧아 지금까지 약 3개월밖에 걸리지 않았으며 아직 정식 출시 버전은 아닙니다. 이 로봇의 최고 속도는 이미 12.65m/s에 도달해 인류 역사상 가장 빠른 선수의 최고 달리기 속도를 넘어섰습니다. 현재 테스트 결과에 따르면 점프 높이도 인류 역사상 최고 점프 기록을 넘어섰습니다. 2025년에는 저 본인과 회사 제품, 그리고 유니트리가 모두 《타임(Time)》지 관련 명단에 오른 적이 있습니다.

체화 지능의 핵심 병목: 일반화 능력과 실제 세계와의 정렬

최근 몇 년간 체화 지능 AI 모델의 발전을 다시 돌아보겠습니다. 현재 주요 기술 노선에는 VLA 모델과 월드 모델이 있습니다. 올해 가장 많이 들으셨을 것은 아마 월드 모델 방향일 것입니다.

우리 회사는 AI 모델에 항상 많은 투자를 해왔으며, 이는 현재 자금과 인력 투자가 가장 큰 방향 중 하나입니다. 2020년 초부터 비디오 생성 기반 월드 모델을 탐색하기 시작했습니다. 당시 2020년 말까지는 효과가 특별히 이상적이지 않아 중간에 한동안 보류한 적이 있습니다. 그러나 작년부터 비디오 생성 월드 모델 방향에 대한 투자를 다시 확대했습니다.

많은 사람이 묻습니다. 휴머노이드든 세미 휴머노이드든 진정으로 범용적인 로봇은 언제쯤 실제로 생활과 가정에 들어올 수 있을까요?

저는 현재 가장 큰 병목은 여전히 체화 지능의 일반화 능력 부족이라고 생각합니다. 현재 많은 AI 모델은 고정된 환경에서 데이터 수집과 훈련을 충분히 하면 성공률을 거의 100%에 가깝게 만들 수 있습니다. 하지만 조작하는 물체가 조금만 바뀌거나 환경에 작은 변화가 생기면 성공률이 눈에 띄게 떨어집니다.

저는 미래가 빠르면 2~3년, 늦으면 5년 혹은 그 이상 걸릴 수 있다고 생각합니다. 언젠가 로봇 한 대를 완전히 낯선 환경, 예를 들어 한 번도 본 적 없는 가정에 데려갔을 때, 음성이나 언어 명령만으로 약 80%의 작업을 완수할 수 있다면, 그때는 임바디드 AI의 ‘ChatGPT 모멘트’에 거의 도달한 것이라고 봅니다. 이는 미래 산업이 본격적으로 폭발하는 중요한 임계점이 될 것입니다.

이 평가 지표는 사실 매우 간단합니다. 로봇이 약 80%의 낯선 환경에서 음성이나 언어 명령만으로 약 80%의 작업을 완수할 수 있는 것입니다. 저는 이것이 매우 중요한 임계점이라고 생각합니다.

왜 아직 이 수준에 도달하지 못할까요? 가장 큰 병목 중 하나는 AI 모델의 입출력과 실제 로봇, 실제 물리 세계 사이의 정합도가 아직 충분하지 않다는 점입니다.

예를 들어 로봇에게 이동을 시키거나, 두 물체를 조립하게 하거나, 어떤 물체를 한 곳에서 다른 곳으로 옮기게 하면, 큰 방향에서는 대체로 문제가 없습니다. 기본적으로 임무를 이해하고 어떻게 수행해야 할지도 대체로 압니다. 그러나 최종 성공률에 실제로 영향을 주는 것은 흔히 마지막 몇 센티미터, 심지어 마지막 몇 밀리미터입니다.

로봇이 물건을 잡을 때 손이 거의 잡은 것처럼 보여도 마지막 촉각 피드백과 마지막 위치 오차를 제대로 보정하지 못합니다. 이 오차를 잘 보정하지 못하면 결국 전체 작업이 실패할 수 있고 성공률이 매우 뚜렷하게 떨어집니다.

이것이 현재 전 세계 체화 지능(embodied intelligence)이 직면한 매우 핵심적인 문제입니다. AI 모델의 입출력과 실제 세계 사이에 편차가 존재한다는 점입니다.

왜 로봇에서는 이런 문제가 생기고 일반 언어 모델이나 멀티모달 모델에서는 그렇게 뚜렷하지 않을까요? 언어 모델이 처리하는 내용은 본질적으로 모두 디지털 인코딩입니다. 입력이 무엇인지, 출력이 무엇인지가 모두 숫자 공간 또는 벡터 공간 안에 엄격하게 제한되므로 오차가 같은 방식으로 계속 누적되지는 않습니다.

하지만 로봇은 다릅니다. 로봇의 모든 입력과 출력은 실제 물리 세계로 들어가야 하고, 동작을 한 번 실행할 때마다 일정한 편차와 손실이 발생합니다. 이 편차는 다음 인식과 다음 동작에 영향을 주어 결국 오차가 누적됩니다. 바로 그렇기 때문에 현재 로봇 모델의 일반화 능력과 실제 작업 성공률은 아직 충분히 높은 수준에 도달하지 못했습니다.

저는 이 문제가 향후 몇 년 안에 반드시 해결될 수 있다고 생각합니다. 다만 확실히 시간이 더 필요합니다.

로봇의 자기 진화: AI로 로봇 개발 프로세스를 재구성

여기서 최근 저희가 추진하고 있는 한 가지 일을 소개하겠습니다. 바로 피지컬 AI 로봇 모델이 스스로 진화하도록 만드는 것입니다.

지난 몇 년 동안 많은 사람이 AI를 코딩과 다양한 AI 개발에 대규모로 활용해 왔습니다. 하지만 로봇 개발 프로세스 안에서 AI 자체를 활용하는 것은 아직 상대적으로 부족하다고 생각합니다. 저희가 최근 추진하고 있는 것은 현재 가장 최첨단이고 가장 우수한 대형 모델을 사용해 로봇 연구개발을 추진하는 것입니다.

구체적으로는 먼저 AI에 규칙, 경험, 제약 조건, 도구를 설정해 주고, AI가 스스로 인터넷에서 최신 논문, 가장 우수한 연구 성과, 다양한 오픈소스 솔루션을 검색하게 할 수 있습니다. 그런 다음 AI가 직접 프로그래밍해 로봇 제어 코드를 생성하게 합니다.

제어 코드가 생성된 후에는 시뮬레이션 환경에서 실행하고 훈련할 수 있고, 나아가 모델과 제어 시스템을 호출해 실제 로봇을 구동할 수도 있습니다.

실제 로봇에 배포하면 실제 테스트를 진행한 뒤 결과를 평가하고 점수를 매길 수 있습니다. 평가의 일부는 로봇 AI 모델이 스스로 수행하고, 다른 일부는 사람이 참여할 수도 있습니다. 사람의 경험은 여전히 매우 중요합니다. 많은 경우 사람은 동작이 잘 됐는지 잘못됐는지를 매우 쉽게 판단할 수 있기 때문입니다.

이 로직이 실제로 체계를 갖추고 작동하면 전체 로봇 개발 효율이 크게 향상되고 이터레이션 속도도 매우 빨라질 것입니다. 이 프로세스가 일정 기간 계속 작동하면 로봇의 자기 진화 능력이 실제로 향상될 기회가 생길 것입니다.

여기서 가장 간단한 예를 하나 들 수 있습니다. 코딩 에이전트를 사용해 로봇 제어 코드를 스스로 작성하게 할 수 있습니다. 현재 비교적 단순한 심층 강화학습 알고리즘은 코딩 에이전트로 자동 프로그래밍해도 이미 꽤 좋은 성과를 냅니다.

코드가 생성되면 이를 시뮬레이션 환경에서 검증하고 훈련합니다. 효과가 일정 수준에 도달하면 다시 실제 로봇에 배포해 테스트합니다. 테스트 후에는 한쪽에서는 AI 모델이 평가하고, 다른 한쪽에서는 사람이 점수를 매겨 효과가 어떤지 판단할 수 있습니다. 그런 다음 이 결과를 프로그래밍 에이전트에 피드백하여 다음 단계의 코드 생성과 최적화로 들어가고, 최종적으로 지속적인 이터레이션이 이루어지는 선순환을 형성합니다.

방금 말한 것은 가장 단순한 예시일 뿐이며 실제 사용할 때는 훨씬 복잡합니다. 하지만 저는 이것이 현재와 향후 몇 년간 전 세계 로봇 산업에서 매우 가치 있게 추진할 만한 일이라고 생각합니다.

왜 이렇게 해야 할까요? 몇 가지 비교적 직접적인 이유가 있습니다.

첫째, 기반 모델의 역량은 매달, 매년 향상되고 있으므로 자기 진화 루프 자체의 역량도 함께 향상됩니다. 즉 이 시스템은 원래부터 전 세계 AI 기반 역량의 진보를 따라 계속 강해질 수 있습니다.

둘째, 다양한 데이터를 더 충분히 활용할 수 있습니다. 과거에는 사람이 데이터를 처리하고 활용했기 때문에 전반적인 효율이 낮았습니다. 자체 루프가 형성되면 각종 훈련 데이터, 실제 세계 데이터, 사람 데이터를 모두 활용할 수 있고 데이터 활용 효율도 더 높아집니다.

셋째, 더 많은 실제 로봇 배포와 폐루프를 형성할 수 있습니다. 실제 로봇 배포가 늘어날수록 새로운 테스트 데이터를 계속 얻고 평가 지표도 점점 더 많이 확보하게 됩니다. 이를 통해 전체 시스템의 데이터 활용률과 데이터 증가 속도가 보장됩니다.

넷째, 로봇의 스킬을 지속적으로 축적할 수 있습니다. 오늘 하나의 스킬을 개발하고 내일 그 스킬을 낭비하거나 처음부터 다시 만드는 대신, 매일, 매달 새로운 스킬을 계속 추가할 수 있습니다. 스킬, 데이터, 제어 전략, 평가 결과가 모두 이 시스템 안에 지속적으로 축적될 수 있습니다.

그래서 저는 이것이 매우 중요한 일이라고 생각합니다. AI를 실제로 사용해 로봇의 개발 효율과 진화 효율을 대폭 끌어올리는 것입니다. 앞으로 이 방식은 피지컬 AI 로봇이 지속적으로 진화하는 중요한 경로가 될 가능성이 크고, 새로운 단계를 열 수도 있습니다.

앞으로 이 방향을 추진하는 사람이 점점 더 많아질 것이라고 생각합니다.

돌아보면 유니트리(宇树)는 거의 10년을 걸어왔습니다. 저희는 2017년, 2018년쯤 처음으로 세계 로봇 대회에 참가했는데, 그동안 걸어오면서 느낀 바가 매우 큽니다.

오늘 이 새로운 단계에 서서, 특히 AI가 빠르게 발전하고 전 세계적으로 로봇에 대한 관심이 매우 높은 배경에서 로봇 전체의 진화 속도는 이미 눈에 띄게 빨라졌습니다. 앞으로 로봇의 발전 속도는 제가 지금 예상하는 것보다 더 빨라질 수도 있습니다.

저는 이것이 완전히 새로운 출발점이자 완전히 새로운 시작이라고 생각합니다.

시간 관계상 오늘 발표를 비교적 간단하게 했습니다. 감사합니다. 여러분의 너그러운 양해 부탁드립니다.

BIT, Binance에서 894.72 BTC 인출, 약 6193만 달러

인기 기사