[태그:] 엔비디아

생성형 AI가 기사를 쓰고, 그림을 그리고, 코드까지 짜는 걸 보면 솔직히 좀 서늘하다. 실리콘밸리에서는 AI로 인한 일자리 격변을 기정사실처럼 떠들어댄다. 근데 모든 일이 AI에 먹힐 거란 전망은—약간 과하다.

어떤 일들은 AI가 더 발전할수록 오히려 더 선명하게 인간만의 영역으로 남는다. 문제는 그게 어떤 일이냐는 거다. 특정 직업 리스트를 나열하는 것보다 근본적인 공통점을 파악하는 게 훨씬 쓸모 있다. 어느 직무에 있든 자기 커리어를 AI-Proof하게 설계할 실마리가 거기 있으니까.

AI가 못 하는 게 뭔지부터

AI의 강점은 명확하다. 방대한 데이터에서 패턴을 뽑고, 정해진 규칙 안에서 최적해를 찾는 건 인간보다 훨씬 빠르고 정확하다. 근데 딱 거기까지다.

예측 불가능한 상황 대처, 진정한 공감 능력, 데이터에 없는 것을 만들어내는 창조력—이 세 가지 앞에서 AI는 아직 답을 못 낸다. 이 지점이 인간의 값어치가 살아있는 곳이다.

공통점 1: 깊은 공감과 신뢰 기반의 소통

AI 챗봇도 위로의 말은 한다. 근데 힘든 사람에게 그 말이 실제로 닿는지는 별개 문제다. 사람의 미묘한 표정, 목소리의 떨림, 말 속에 숨은 맥락—이걸 읽고 깊은 신뢰 관계를 쌓는 건 여전히 인간만의 영역이다.

• 관련 직업 예시: 심리 상담사, 정신과 의사, 사회 복지사, 특수 교사, 노련한 영업 관리자

이 직업들의 핵심은 지식 전달이 아니다. 상대방과 깊은 신뢰를 쌓고, 감정적 교감을 통해 문제의 근본을 건드리는 것. AI가 아무리 정교한 상담 스크립트를 학습해도, 정말 힘든 시기를 보내는 사람에게 진정한 버팀목이 되는 건—결국 사람이다.

공통점 2: 예측 불가능한 물리적 환경에서의 작업

공장 자동화 로봇은 정해진 동작을 수천 번 완벽하게 반복한다. 하지만 매번 상황이 다른 비정형 현장은 얘기가 완전히 다르다. MIT 테크 리뷰가 전한 바에 따르면, 복잡하고 예측 불가능한 물리적 세계와 상호작용하는 능력은 AI 로봇 기술의 오랜 난제다.

• 관련 직업 예시: 배관공, 전기 기술자, 건설 현장 인력, 외과 의사(응급 수술 포함)

낡은 아파트 수도관이 터졌다고 생각해보자. 배관 구조가 집마다 다르고, 문제의 형태도 매번 다르다. 수많은 변수를 그 자리에서 읽고 즉흥적으로 몸을 움직여 해결하는 능력—이게 현재 AI 로봇으로는 구현이 굉장히 어렵다. 이건 과장이 아니라 실제로 그렇다.

공통점 3: 독창적인 아이디어와 비판적 사고

생성형 AI는 기존 데이터를 조합해 그럴싸한 결과물을 낸다. 근데 세상에 없던 개념을 창조하거나, 복잡한 데이터 이면의 통찰을 발견하거나, 조직의 미래를 거는 전략적 결정을 내리는 건—차원이 다른 능력이다.

• 관련 직업 예시: 기초 과학 연구원, 예술가, 소설가, 비즈니스 전략 컨설턴트, 스타트업 창업가

AI는 훌륭한 조수 역할을 한다. 방대한 논문을 요약하고, 데이터에서 패턴을 찾아준다. 근데 결정적으로 어떤 질문을 던질지, 어떤 가설을 세울지, 분석 결과를 어떻게 해석해 과감한 결정을 내릴지—이건 결국 사람 몫이다. AI가 답을 내도, 그 답이 맞는지 판단하는 것도 인간이다.

공통점 4: 복잡한 윤리적, 사회적 맥락 판단

법정의 판결, 기업의 윤리 강령 제정, 국가의 외교 정책 결정. 이런 것들은 데이터와 법률 조항만으로 결정되지 않는다. 사회적 통념, 시대적 가치, 인간적 공감—이 복합적인 요소들을 꿰어 고도의 판단을 내리는 일이다.

• 관련 직업 예시: 판사, 변호사, 고위 정책 결정자, 기업 윤리 담당자

AI에게 법률 데이터를 학습시켜 판결을 내리게 하는 시도는 이미 있다. 결과가 항상 정의롭다고 말하긴 어렵다. 법의 틈새에서 인간적인 연민이 필요한 경우, 혹은 새로운 기술 발전에 맞춰 없던 윤리 기준을 세워야 하는 경우—AI는 명확한 답을 내놓지 못한다.

그래서 뭘 준비해야 하나

AI 시대 생존 전략은 AI와의 대결이 아니다. AI를 뛰어난 도구로 활용하면서, AI가 흉내 낼 수 없는 인간 고유의 역량을 키우는 것. 내 일에서 위 4가지 공통점에 해당하는 부분을 찾아 거기에 집중하면 된다.

• 소통 능력 강화: 동료와의 협업, 고객과의 관계 형성. AI가 스크립트를 써줘도 관계는 사람이 만든다.
• 문제 해결 능력: 정형화된 업무는 AI에 맡기고, 예측 불가능하고 복잡한 문제를 직접 해결하는 데 집중하라.
• 창의적 기획: AI가 생성한 결과물을 비판적으로 검토하고, 자신만의 아이디어를 더해 최종 결과물을 완성하라.
• AI 리터러시: 새로운 AI 도구를 적극적으로 배우고 내 업무에 붙이는 능력. 이건 이제 선택이 아니라 기본이다.

AI는 위협이라기보다—우리를 더 인간다운 일에 집중하게 만드는 강력한 촉매제다. 변화의 방향을 제대로 읽고 준비한 사람에게는 새로운 기회가 열린다.

출처: MIT Tech Review AI

MMLU 91.2점. HellaSwag 95.3점. 신규 AI 모델 발표 자료에 이런 숫자들이 쭉 나열되면 뭔가 대단해 보인다. 근데 막상 실무에 붙여보면 어딘가 어색하고, 기대와 다르다는 느낌이 든다. 리더보드 1위 모델이 왜 우리 팀 업무에서는 맥을 못 출까. 이 괴리, 생각보다 흔한 문제다.

벤치마크가 뭔지부터 짚고 가자

AI 벤치마크는 모델 성능을 수치로 비교하기 위한 표준화 시험 세트다. ‘AI계의 수능’이라고 보면 된다. 개발자들은 이 점수로 모델의 강점과 약점을 파악하고, 사용자들은 어떤 모델이 더 나은지 가늠한다. 대표적인 게 방대한 주제에 걸쳐 4지선다 문제를 푸는 MMLU(Massive Multitask Language Understanding)고, 코딩 능력을 재는 HumanEval도 많이 쓰인다.

문제는 AI가 이 시험에 너무 익숙해지고 있다는 거다. 일부 모델은 벤치마크 데이터셋으로 직접 훈련되는 ‘오염(contamination)’ 문제에 빠진다. 정답을 미리 외우고 시험장에 들어가는 셈이니 점수가 높게 나오는 건 당연하다. MIT 테크놀로지 리뷰 보도를 보면 이 문제가 꽤 심각하게 지적되는데, 결국 이건 AI의 진짜 문제 해결 능력이 아니라 특정 시험 유형에 대한 패턴 매칭 능력만 드러내는 거다.

시험은 잘 보는데 실무는 왜 못 할까

현재 벤치마크 대부분은 명확한 정답이 있는 단일 과제 평가에 맞춰져 있다. 수학 문제 풀기, 코드 완성, 4지선다. 깔끔하다. 근데 실제 업무는 전혀 그렇지 않다.

• 맥락의 부재: 고객 불만 이메일에 답장하는 일을 생각해 보자. 단순히 글 쓰는 능력만 필요한 게 아니다. 고객 감정 읽기, 이전 상담 이력 파악, 회사 정책 반영까지 한꺼번에 처리해야 한다. 벤치마크는 이런 총체적인 맥락 이해를 측정하지 못한다.
• 다단계 추론의 한계: ‘A 보고서 요약하고, B 데이터 참고해서 비판적 시각의 보고서 쓰고, C 형식 이메일 초안 만들어줘’ 같은 요청은 각 단계를 따로 보면 잘 해낼 수 있어도, 전체 흐름을 유기적으로 연결하는 건 또 다른 문제다.
• 창의성과 모호함: 새 마케팅 슬로건을 만들거나 디자인 시안에 추상적인 피드백을 주는 일은 정답 자체가 없다. 벤치마크 점수로는 이 영역을 절대 알 수 없다.

벤치마크 점수는 모델의 ‘기초 체력’을 보여주는 참고 자료다. 실제 프로젝트에서의 실전 능력까지 보장하지는 않는다.

그럼 뭘 봐야 하나: 실용적인 평가 기준 3가지

리더보드 순위에서 한 발 떼고, 실제로 따져야 할 기준을 세워야 한다. 특정 모델을 도입하기 전에 아래 3가지는 꼭 확인하자.

1. 작업 관련성 (Task Relevance): 법률 문서 검토, 소스코드 버그 찾기처럼 우리 회사가 해결하려는 구체적인 문제에서의 성능이 핵심이다. 범용 지식 테스트 점수가 아무리 높아도, 우리 도메인에서 엉뚱한 답을 내놓으면 아무 소용 없다.

2. 비용 효율성 (Cost-Effectiveness): 모델 성능은 API 호출 비용, 응답 속도(latency)와 직결된다. 성능이 10% 나은 모델 쓰려고 비용이 2배 되면 합리적인 선택이 아닐 수 있다. 대규모 사용자 대상 서비스라면 응답 속도는 결정적인 변수다.

3. 안전성 및 신뢰성 (Safety & Reliability): 일관성 있는 답변을 내놓는지, 사실이 아닌 내용을 그럴듯하게 지어내는 ‘환각(Hallucination)’ 현상이 얼마나 잦은지 반드시 확인해야 한다. 유해하거나 편향된 결과물을 막는 안전장치도 평가 항목에 넣어야 한다.

자체 벤치마크 만들기: 이게 제일 확실하다

외부 벤치마크 대신 ‘자체 벤치마크’를 만드는 것. 번거롭지만 이게 가장 확실한 방법이다.

1. 핵심 과제 정의: AI로 해결하고 싶은 업무 3~5가지를 구체적으로 정한다. ‘고객 문의 이메일 3줄 요약’, ‘제품 설명서 초안 작성’ 같은 식으로. 추상적으로 잡으면 나중에 평가 기준이 흔들린다.
2. 테스트 데이터셋 구축: 실제 업무 데이터 50~100개를 샘플로 준비한다. 실제 고객 이메일, 내부 보고서가 가장 좋은 시험 문제다. 공개 데이터셋을 쓰면 오염 문제를 피하기 어렵다.
3. 블라인드 테스트 진행: GPT-4o, Claude 3.5 Sonnet, Gemini 1.5 Pro 같은 후보 모델들에게 동일한 데이터로 과제를 수행하게 한다. 어떤 모델이 어떤 결과를 냈는지 모르는 상태에서 평가해야 선입견을 걷어낼 수 있다.
4. 정성적 평가: ‘성공/실패’ 이분법 말고, ‘결과 만족도’, ‘업무 효율 기여도’, ‘수정 필요 정도’ 등 다각도로 점수를 매긴다. 실제 그 업무를 담당하는 팀원이 직접 평가에 참여하는 게 핵심이다.

이 과정을 거치면 투자수익률(ROI)이 가장 높은 모델을 찾아낼 수 있다. 시간이 걸려도 이 과정은 건너뛰면 안 된다.

다음 평가 기준은 ‘협업 능력’이 될 것

AI 평가의 방향이 서서히 바뀌고 있다. ‘인간을 이기는 기계’에서 ‘인간을 돕는 동료’로. 모호한 지시를 받았을 때 부정확한 답을 바로 내놓기보다, 명확한 질문을 되묻는 능력. 사용자의 실수를 보완하고 여러 대안을 제시하며 더 나은 결과를 유도하는 협업 능력. 이게 새로운 잣대가 될 거다.

단순히 코드를 짜주는 AI보다, 코드의 잠재적 문제를 지적하고 더 효율적인 구조를 제안하는 AI가 실제 팀에서 훨씬 쓸모 있다. 이건 벤치마크 점수에 잡히지 않는다.

최고의 AI는 없다. 최적의 AI만 있다

AI 모델 성능 벤치마크는 출발점으로는 유용하다. 하지만 그 숫자가 전부가 아니다. 리더보드 1위라는 숫자에 눌려 정작 우리에게 필요한 게 뭔지 놓치면 안 된다.

벤치마크는 참고하되, 우리 문제와 우리 데이터로 직접 테스트하는 과정이 있어야 한다. 결국 절대적인 최고의 AI는 없다. 우리 팀의 문제를 가장 잘 해결해주는 ‘최적의 AI’가 있을 뿐이다. 그 모델을 찾는 데 공을 들이는 것, 그게 AI 도입의 진짜 첫걸음이다.

출처: MIT Tech Review AI

‘AI 데이터 라벨링, 누구나 가능, 월 50만원 부수입.’ 부업 카페나 오픈채팅방에서 한 번쯤은 봤을 문구다. 인공지능을 직접 가르친다니 뭔가 대단해 보이는데, 막상 플랫폼에 가입해보면 진입 장벽은 생각보다 낮다. 근데 50만원씩 진짜 버는 사람이 있을까? 있긴 하다. 근데 조건이 붙는다.

데이터 라벨링, 정확히 어떤 일인가

한마디로, AI에게 ‘정답’을 알려주는 작업이다. 아직 세상을 모르는 아이에게 “이건 사과야, 이건 고양이야” 하고 가르치는 것과 같은 원리다. 자율주행차가 도로 위 보행자와 가로등을 구분하고, 사진 앱이 인물별로 앨범을 정리하는 것—그 뒤에는 전부 사람이 직접 붙인 라벨이 있다.

초창기엔 사진 속 고양이와 개에 네모 박스를 치는 단순 작업이 대부분이었다. 지금은 차원이 다르다. MIT 테크 리뷰가 전한 바에 따르면, 나이지리아의 한 의대생은 아이폰을 머리에 두르고 컵 잡기·문 열기 같은 일상 동작을 직접 녹화해 휴머노이드 로봇 훈련 데이터로 보낸다. 집에서 로봇을 가르치는 셈인데, 이게 지금 실제로 벌어지고 있는 일이다. AI 기술이 정교해질수록 라벨링 작업도 점점 복잡하고 깊어지고 있다.

단순 클릭부터 로봇 조종까지 — 일감의 종류

데이터 라벨링의 세계는 생각보다 넓다. 난이도와 단가도 천차만별이다.

• 이미지/영상 라벨링: 가장 흔한 유형이다. 사진 속 자동차·사람·동물에 박스를 치거나(바운딩 박스), 픽셀 단위로 영역을 칠하는(세그멘테이션) 작업이 대표적이다. 자율주행 수요 덕에 물량이 꾸준하다.
• 텍스트 라벨링: 문장 감성 분석(긍정·부정·중립), 인명이나 지명 태깅 같은 작업이다. 챗봇 성능 개선이나 뉴스 자동 분류에 쓰인다.
• 음성 데이터 전사: 녹음 파일을 듣고 그대로 받아 적는 일이다. AI 스피커·음성인식 비서의 인식률을 높이는 데 직결된다.
• 3D 데이터/모션 캡처: 로봇 훈련처럼, 인간 동작이나 3D 공간 데이터를 가공하는 고도화 작업이다. 전문성이 필요한 만큼 단가도 높은 편이다.

결국 얼마나 버나 — 현실적인 숫자

솔직히 쓴다. 데이터 라벨링만으로 큰돈 벌기는 어렵다. ‘월 50만원 부수입’은 꾸준히 시간을 쏟았을 때 닿는 꽤 현실적인 목표치다. 불가능한 숫자는 아니지만, 그냥 얻어지지도 않는다.

초보자가 주로 하는 단순 이미지 바운딩 박스 작업은 건당 수십 원에서 수백 원 수준이다. 속도가 붙으면 시급 1만원을 넘기는 경우도 생기지만, 처음에는 최저시급에 못 미치는 경우가 대부분이다. 수익은 결국 얼마나 꾸준히, 빠르게, 정확하게 작업하느냐에 달려있다. 이 세 가지를 동시에 맞추는 게 생각보다 쉽지 않다.

단가가 확 올라가는 구간은 따로 있다. 음성 전사, 전문 용어가 필요한 텍스트 라벨링, 3D 데이터 가공 작업이 그렇다. 법률·의료·IT 분야 지식이 있는 사람이라면 일반 라벨러보다 단가를 훨씬 높게 받는다. 고단가 프로젝트를 노리는 것이 수익을 올리는 핵심 전략이다.

어디서 일감을 찾나 — 플랫폼 3곳

국내외 플랫폼이 여럿 있다. 대부분 가입 후 간단한 자격 테스트를 통과하면 프로젝트에 바로 참여 가능하다.

• 크라우드웍스 (Crowdworks): 국내에서 규모가 가장 큰 플랫폼 중 하나다. 프로젝트 종류가 많아 처음 시작하기에 부담이 없다.
• 에이모 (AIMMO): 자율주행 관련 데이터 프로젝트에 강점이 있는 플랫폼이다.
• Appen / Telus International (구 Lionbridge): 영어가 어느 정도 된다면 도전해볼 만한 글로벌 플랫폼이다. 프로젝트 종류가 국내보다 훨씬 많고 보수도 높지만, 가이드라인이 꽤 빡빡하고 언어 장벽도 각오해야 한다.

한 플랫폼에만 의존하기보다는 두세 곳에 동시에 가입해두고 그때그때 맞는 프로젝트를 골라 하는 방식이 효율적이다.

이런 사람에게 맞는 일, 이런 사람은 패스

데이터 라벨링이 매력적인 부업인 건 맞다. 근데 모두에게 맞는 일은 아니다.

이런 사람에게 추천한다:

• 꼼꼼하고 반복 작업을 잘 견디는 성격
• 원하는 시간에 원하는 만큼만 일하고 싶은 사람
• 집중력이 높고 정해진 가이드라인을 잘 따르는 사람

이런 사람은 비추천이다:

• 단기간에 높은 수익을 기대하는 사람
• 단순 반복 작업이 10분만 지나도 지루해지는 사람
• 창의적이거나 주도적으로 일하는 걸 선호하는 사람

AI가 이 일자리를 뺏을까

AI를 사람이 직접 가르친다는 게 좀 아이러니하긴 하다. 언젠가 AI가 스스로 데이터를 라벨링하는 시대가 올까? 이미 일부 단순 작업은 자동화가 진행 중이다. AI가 1차 라벨링을 하면 사람이 검수만 하는 방식으로 효율을 높이는 거다.

근데 AI 기술이 고도화될수록 더 복잡하고 미묘한 데이터가 필요해진다는 게 반전이다. 로봇에게 인간의 자연스러운 몸짓을 가르치거나, 법률·의료 분야 텍스트를 해석하는 일은 아직 인간의 판단이 필수적이다. 데이터 라벨링 자체가 사라지기보다는, ‘단순 반복’에서 ‘전문 지식을 활용한 검수·교정’의 형태로 진화할 가능성이 높다. 이 시장에서 계속 버티려면 자기만의 전문 분야 하나는 갖춰야 한다는 얘기다.

출처: MIT Tech Review AI

라떼 아트를 그리는 카페 로봇, 초당 수십 개 상품을 집어 올리는 물류 창고 로봇 팔. 이 움직임들은 코드 몇 줄로 완성되지 않는다. 수백만 건의 데이터 라벨링이 쌓인 결과다. 정교한 알고리즘도, 강력한 하드웨어도 결국 데이터가 없으면 제대로 작동하지 않는다. 그리고 그 데이터를 만드는 건 아직도 인간이다.

로봇에게 ‘본다는 것’을 가르치는 일

인식이 먼저다. 로봇이 컵을 집으려면, 그게 컵인지부터 알아야 한다. 컴퓨터 비전의 영역이다. 초기 AI 학습이 집중한 세 가지 방식이 있다.

• 이미지 분류 (Image Classification): 이 사진은 ‘고양이’인가, ‘강아지’인가?
• 객체 탐지 (Object Detection): 사진 속 ‘컵’은 어디에 있는가? (바운딩 박스)
• 분할 (Segmentation): 이미지에서 ‘사람’에 해당하는 픽셀만 정확히 구분하기.

인터넷 인증에서 자주 마주치는 ‘신호등이 포함된 이미지를 모두 고르시오’ 캡챠(CAPTCHA). 귀찮은 보안 절차처럼 느껴지지만, 실상은 AI 모델을 위한 데이터 라벨링 작업이다. 클릭할 때마다 로봇은 세상을 조금씩 더 배운다. 가장 기초적인 형태의 데이터 기여다.

동작을 가르치는 건 차원이 다른 문제다

사물을 알아보는 것과 직접 집어 드는 건 완전히 다른 이야기다. 컵 위치를 아는 것만으로는 부족하다. 어떤 각도로 잡아야 하는지, 얼마나 세게 쥐어야 내용물이 안 쏟아지는지까지 알아야 한다. 여기서 등장하는 개념이 모방 학습(Imitation Learning)이다.

MIT 테크 리뷰가 보도한 나이지리아의 한 의대생 사례가 이를 잘 보여준다. 집에서 VR 헤드셋과 컨트롤러를 착용하고 원격으로 로봇을 조종한다. 그의 움직임 하나하나는 데이터로 기록되어 AI 모델 훈련에 쓰인다. 인간이 직접 시범을 보이는 ‘모범 답안’을 AI에 입력하는 셈이다. 이를 텔레오퍼레이션(Teleoperation, 원격 조종)을 통한 데이터 수집이라 부른다. 수천, 수만 번의 시범 데이터를 학습한 로봇은 점차 유사한 작업을 스스로 해낸다.

강화학습: 성공과 실패로 배우는 AI

모든 상황에 대한 모범 답안을 인간이 일일이 만들어 줄 수는 없다. 이때 쓰는 방식이 강화학습(Reinforcement Learning)이다. 정답 대신 ‘보상’을 목표로 설정한다.

‘테이블 위 블록을 상자에 넣어라’는 미션을 예로 들면 이렇다.

• 블록에 가까이 가면: +1점
• 블록을 잡으면: +10점
• 블록을 상자에 넣으면: +100점 (최종 보상)
• 블록을 떨어뜨리면: -5점

이 보상 구조 안에서 로봇은 수백만 번 시도하며 점수를 최대로 끌어올리는 경로를 스스로 찾아낸다. 처음엔 무작위 움직임이다. 시간이 지나면서 가장 효율적인 동작 패턴이 남는다. 알파고가 이세돌 9단을 꺾은 것도 이 강화학습의 결과였다.

시뮬레이션: 현실보다 수천 배 빠른 훈련소

수백만 번의 실패를 현실에서 반복하면? 로봇이 고장 나거나 주변 환경을 망가뜨린다. 비용도 감당하기 어렵다. 그래서 AI 로봇 훈련의 대부분은 가상 환경, 즉 시뮬레이션 안에서 진행된다.

엔비디아의 아이작 심(Isaac Sim) 같은 플랫폼은 현실과 거의 동일한 물리 법칙이 적용된 디지털 트윈(Digital Twin) 환경을 제공한다. 개발자들은 이 가상 공간에서 24시간 내내, 현실보다 수천 배 빠른 속도로 로봇 모델을 훈련시킨다. 충분히 학습된 AI 모델을 실제 로봇에 이식하면 시간과 비용을 대폭 줄이면서 안전까지 챙긴다. 이 접근법 덕분에 지금 수준의 로봇 AI 개발이 현실적인 일정 안에서 가능해졌다.

기술이 발전해도 인간 손길이 사라지지 않는 이유

시뮬레이션이 아무리 정교해도 현실의 변수를 100% 재현하지는 못한다. 미끄러운 바닥, 예상치 못한 그림자, 찌그러진 포장. 이런 상황에 대응하려면 실제 인간이 만든 ‘진짜’ 데이터가 반드시 필요하다. 고품질 현실 데이터의 희소성이 핵심 병목이다.

로봇을 원격 조종하며 행동 데이터를 수집하는 작업은 고도의 전문 지식을 요구하지 않는다. 대신 시간과 반복이 필요하다. 이 때문에 전 세계 긱 워커(Gig worker)들이 원격으로 로봇 훈련에 참여하는 새로운 노동 시장이 열리고 있다. AI 시대의 보이지 않는 노동력이 로봇의 지능을 한 단계씩 끌어올리는 구조다.

데이터 질이 곧 로봇 지능이다

AI 로봇의 성능은 어떤 데이터를 얼마나, 어떻게 학습했느냐로 결정된다. 편향되거나 품질이 낮은 데이터를 학습한 로봇은 엉뚱하게 작동한다. IT 업계의 오래된 격언 ‘Garbage In, Garbage Out’이 로봇 공학에도 그대로 적용된다. 정교한 알고리즘도, 강력한 하드웨어도 좋은 데이터라는 토양 없이는 제대로 피어나지 못한다. 앞으로 로봇 기술의 발전 속도는 데이터 기술의 발전 속도와 맞닿아 있을 것이다.

출처: MIT Tech Review AI