[태그:] 리비안

10억 달러가 넘는 돈이 사람을 닮지 않은 로봇에 들어갔다. 전기차 제조사 리비안이 만든 산업용 AI·로보틱스 회사, 마인드 로보틱스 얘기다. 테슬라 등이 휴머노이드를 개발하는 동안 이 회사는 사람의 생체역학을 전부 흉내 내지는 않겠다고 선을 그었고, 포드와 테슬라에서 전기차를 담당한 더그 필드를 사장 자리에 앉혔다.

인사 뉴스로만 읽고 넘기기엔 아까운 건이다. 결론부터 적는다. 공장에 들어갈 로봇의 값어치는 생김새보다 어느 생산 라인의 데이터로 배웠느냐에서 갈린다. 그래서 따져 볼 것이 셋. 공장 로봇을 왜 사람 모양으로 만들지 않는지, 파운데이션 모델로 움직이는 로봇이 기존 산업용 로봇과 무엇이 다른지, 이런 회사를 만났을 때 어떤 항목을 확인해야 하는지. 아래는 이 순서대로다.

휴머노이드는 사람 몸에서, 목적형은 작업에서 출발한다

휴머노이드의 기준은 사람의 몸이다. 공장과 창고는 사람의 키, 팔 길이, 손 모양에 맞춰 지어졌다. 그러니 같은 형태의 로봇이면 설비를 뜯어고치지 않고 그대로 넣는다는 논리가 선다. 얻는 것은 범용성. 치르는 값은 늘어나는 관절과 구동기이고, 그만큼 제어와 유지보수가 까다로워진다.

목적형(purpose-built) 로봇은 거꾸로 작업에서 출발한다. 볼트를 조이는 공정이면 조이는 데 필요한 자유도만 갖추고, 부품을 옮기는 공정이면 옮기는 데 필요한 구조만 둔다. 이동할 일이 없는 공정에 다리를 달 이유는 없다는 식이다. 마인드 로보틱스를 만든 RJ 스캐린지 리비안 최고경영자가 사람의 생체역학 전부를 모방하지 않겠다고 한 말도 이쪽을 가리킨다.

그렇다고 한쪽 손을 들어 주기는 어렵다. 작업 종류가 자주 바뀌고 사람용 설비를 그대로 써야 하는 현장이라면 휴머노이드의 범용성이 먹힌다. 같은 작업을 대량으로 되풀이하는 생산 라인에서는 구조가 단순한 목적형 쪽이 고장 날 곳이 적다. 먼저 물어야 할 것은 투입할 공정이 얼마나 반복적이고 얼마나 자주 바뀌느냐다. 로봇의 생김새는 그 답을 따라 정해지는 결과에 가깝다.

파운데이션 모델이 손대는 곳은 로봇 팔보다 티칭 단계

기존 산업용 로봇은 티칭 방식으로 움직인다. 작업자가 동작 경로를 하나하나 입력해 주는 것이다. 정해진 위치에 정해진 부품이 오기만 하면 빠르고 정확하다. 문제는 그 전제가 깨질 때 생긴다. 부품 위치가 조금 어긋나거나 생산 품목이 바뀌면 프로그래밍을 다시 해야 한다. 자동화율이 높은 공장에서도 배선 정리나 내장재 조립처럼 형태가 일정하지 않은 작업이 여전히 사람 손에 남아 있는 까닭이다.

파운데이션 모델은 대량의 데이터로 미리 학습해 두고 여러 과제에 두루 쓰는 대형 모델을 가리킨다. 로봇에 얹으면 카메라 영상과 센서 값을 받아 다음 동작을 내놓는 구조가 된다. 경로를 일일이 찍어 주는 대신 사례를 보여 주고 배우게 하는 방식이라, 처음 보는 부품 배치에도 대응할 여지가 생긴다. 마인드 로보틱스가 내건 목표가 바로 이 조합이다. 목적형 로봇을 파운데이션 모델 위에서 구동해 산업·제조 작업을 대규모로 자동화하겠다는 것.

막히는 곳은 데이터다. 연산 장치도, 로봇 본체도 아니다. 글과 이미지는 인터넷에 이미 쌓여 있지만 로봇의 동작 데이터는 로봇이 실제로 움직여야만 생긴다. 어떤 공정에서 모았는지, 반복이 얼마나 많았는지, 실패 사례가 어떻게 섞였는지. 모델 성능은 여기서 갈린다.

돌아가는 양산 공장을 학습장으로 쓰면 달라지는 세 가지

마인드 로보틱스는 리비안을 모델 학습과 배치를 위한 실가동 대량 생산 환경으로 쓴다고 설명한다. 리비안은 첫 고객이기도 하다. 데이터를 대 주는 곳과 로봇을 사 주는 곳을, 로봇 회사가 출발선에서부터 한곳에 확보했다는 뜻이다.

이 구조에서 나오는 이점은 세 갈래다. 우선 데이터의 질. 실험실에서 만든 시연 데이터와 달리 생산 라인의 데이터에는 불량 부품, 조명 변화, 작업 지연 같은 예외 상황이 섞여 들어온다. 다음은 속도다. 로봇을 고쳐서 다시 넣고 결과를 확인하는 주기가 짧아지는데, 외부 고객의 공장이었다면 라인 정지 협의부터 거쳐야 했을 일이다. 마지막으로 성능을 재는 잣대가 달라진다. 생산 속도와 불량률, 그러니까 공장이 쓰는 언어로 검증받는다.

필드 사장이 합류 소감에서 강점으로 꼽은 것도 같은 지점이었다. 첫날부터 실제 대량 생산 공장 안에서 배치하고 학습하는 능력. 그의 이력을 놓고 보면 이 말이 빈말로 들리지 않는다. 테슬라 엔지니어링 수석부사장으로 모델 3 개발을 총괄하며 이른바 ‘생산 지옥’을 통과시켰고, 포드에서는 5년간 전기차와 기술 전략을 맡았다. 애플의 전기·자율주행차 계획인 프로젝트 타이탄을 이끌었으며 세그웨이의 1호 직원이기도 했다. 제조업은 설계보다 양산 단계에서 문제가 터진다. 그 단계를 겪어 본 사람에게 운영을 맡겼다는 점에서, 이 회사가 시연보다 양산 투입에 무게를 둔다고 읽는 편이 자연스럽다.

영입 배경은 스캐린지가 직접 풀어놓았다. 테크크런치가 연 스타트업 행사 무대에서였다. 애초에는 필드 같은 인물을 추천받으려고 전화를 걸었다고 한다. 그러다 로봇을 사회와 경제에 어떻게 개발하고 배치할지에 대한 생각, 그리고 팀을 꾸리는 방식이 서로 맞는다는 점을 확인했다는 것이다.

풀스택 선언과 3분의 1 지분, 회사 뼈대를 뜯어보면

마인드 로보틱스는 산업 제조용 풀스택을 만든다고 밝혔다. 로봇 분야에서 풀스택이라고 하면 통상 로봇 본체, 제어 소프트웨어, 학습 모델, 현장 배치와 운영까지 한 회사가 떠안는 것을 뜻한다. 그런데 이 회사가 각 층을 어디까지 직접 만드는지는 공개된 설명만으로는 확인되지 않는다. 풀스택이라는 단어 하나로 넘어가기엔 꽤 큰 빈칸이다. 확인된 항목만 추리면 다음과 같다.

항목	확인된 내용
사업 영역	산업용 AI·로보틱스, 산업 제조용 풀스택
로봇 형태	목적형 로봇. 사람의 생체역학 전부를 모방하지 않음
구동 방식	파운데이션 모델 기반
학습·배치 환경	리비안의 실가동 대량 생산 공장
첫 고객	리비안
누적 투자	10억 달러 이상
투자자	액셀, 앤드리슨 호로위츠, 이클립스, 클라이너 퍼킨스, 폭스바겐·세일즈포스의 벤처 투자 부문
지배구조	독립 법인. 리비안은 약 3분의 1 지분을 가진 소수 주주
경영 분담	필드 사장이 제품·엔지니어링·운영 담당, 스캐린지는 계속 관여

표에서 눈이 가는 줄은 지배구조다. 마인드 로보틱스는 리비안의 사업부가 아닌 독립 법인이고, 리비안은 소수 지분만 쥐고 있다. 외부 투자금으로 로봇 개발비를 리비안 재무에서 떼어 내고, 다른 제조사를 고객으로 받을 여지를 남겨 둔 구조로 보인다. 완성차 업체인 폭스바겐의 벤처 부문이 투자자 명단에 올라 있다는 점이 이 해석에 힘을 보탠다.

스캐린지가 이 방식을 쓴 곳은 한 군데 더 있다. 마이크로모빌리티 회사 올소(Also)다. 고급 전기자전거로 시작하는 이 회사에서 그는 의장을 맡고, 일상 경영은 스페셜라이즈드 최고제품책임자 출신 크리스 유에게 넘겼다. 창업자가 방향을 잡고 그 분야 경력자가 운영을 맡는 분담. 두 회사에 똑같이 적용된 공식이다.

국내 공장은 그대로, 달라지는 건 로봇을 고를 때 던지는 질문

국내 공장에 직접 적용되는 변화는 없다. 마인드 로보틱스의 첫 고객은 리비안이고, 로봇이 들어가는 곳도 리비안 공장이다.

바뀌는 것은 로봇을 평가하는 질문 쪽이다. 자동차, 전자, 조선처럼 조립 공정 비중이 큰 국내 제조업체가 자동화 설비를 검토한다고 하자. 사람 형태냐 아니냐보다 어느 공정 데이터로 학습했는지, 실제 라인에서 얼마나 가동했는지를 먼저 묻게 될 가능성이 높다. 여기까지는 추측이다. 근거가 없지는 않다. 대규모 자금과 양산 경력자가 목적형 진영에 모였다는 사실이 그 방향에 힘을 싣는다.

리비안 주식을 들고 있는 국내 투자자라면 지분 구조 하나는 기억해 둘 만하다. 리비안의 몫은 마인드 로보틱스와 올소 각각 약 3분의 1. 로봇 사업의 가치가 오르더라도 리비안 주주에게 돌아오는 부분은 그 지분 범위에 묶인다. 로봇 회사의 가치를 통째로 리비안 몫으로 셈하면 계산이 어긋난다.

로봇·자동화 분야 엔지니어에게는 직무 경계가 흐려진다는 신호로 읽힌다. 기구 설계, 제어, 모델 학습, 생산기술을 한 팀에서 다루는 풀스택 방식이 퍼지면, 한 분야만 아는 인력보다 공정 지식과 데이터 처리를 함께 갖춘 인력을 찾는 수요가 커질 것으로 예상된다. 이쪽 역시 공개된 사실에서 나온 얘기는 아니고 추정이다.

확인된 것과 아직 불확실한 것

확인된 사실

• 마인드 로보틱스는 리비안이 만든 산업용 AI·로보틱스 회사이며 독립 법인으로 운영된다.
• 더그 필드가 사장으로 합류해 제품, 엔지니어링, 운영을 맡고 스캐린지는 계속 관여한다.
• 액셀, 앤드리슨 호로위츠, 이클립스, 클라이너 퍼킨스와 폭스바겐·세일즈포스의 벤처 부문에서 10억 달러 이상을 유치했다.
• 로봇은 목적형이고 파운데이션 모델로 구동하며, 사람의 생체역학 전부를 모방하지 않는다.
• 리비안이 첫 고객이자 학습·배치 환경이다.
• 리비안의 지분은 약 3분의 1이다.

미확정 사항

• 로봇의 구체적 형태와 사양, 맡게 될 공정
• 파운데이션 모델을 자체 개발하는지 외부 모델을 쓰는지
• 리비안 공장에 투입된 로봇의 수와 성과 지표
• 리비안 외 고객을 확보하는 시점과 공급 지역
• 판매, 임대 등 수익 모델

로봇 회사 발표에서 시연 영상보다 먼저 볼 네 가지

로봇 회사의 발표를 접하면 시연 영상부터 눈에 들어오기 마련이다. 판단에는 아래 네 항목을 순서대로 짚어 보는 쪽이 더 도움이 된다.

1. 학습 데이터의 출처: 실험실 시연인지 실가동 라인인지부터 본다. 실제 생산 환경에서 모은 데이터일수록 예외 상황이 더 많이 담긴다.
2. 첫 고객의 실체: 시범 사업과 생산 라인 투입은 구분해야 한다. 모회사나 관계사가 첫 고객이면 배치 속도는 빠르다. 대신 외부 고객의 공장에서도 같은 성능이 나오는지는 따로 검증할 몫으로 남는다.
3. 통합 범위: 본체, 제어, 모델, 운영 가운데 무엇을 직접 만들고 무엇을 사 오는지 확인한다. 풀스택은 최적화에 유리하지만 초기 비용 부담이 크다.
4. 운영 책임자의 경력: 연구 경력인지 양산 경력인지 살핀다. 공장 로봇의 성패는 가동률과 유지보수에서 갈리기 때문에, 대량 생산을 겪어 본 인력이 얼마나 되는지가 중요하다.

이 기준을 마인드 로보틱스에 대 보면 답이 나온 칸과 빈칸이 뚜렷하게 나뉜다. 데이터 출처, 첫 고객, 운영 책임자 항목은 채워져 있다. 통합 범위의 세부와 외부 고객 검증은 비어 있다. 필드는 AI와 로보틱스의 통합을 가장 중요하고 어려운 엔지니어링 과제 중 하나로 꼽았다. 목적형과 휴머노이드 가운데 어느 쪽이 공장을 차지할지는 형태를 둘러싼 논쟁보다 실제 라인에서 쌓인 가동 기록이 판가름할 것으로 보인다. 그 기록이 리비안 공장 밖에서도 나오기 시작할 때가 이 회사를 다시 들여다볼 시점이다.

출처: TechCrunch