2024년에 설립된 로보틱스 스타트업 Generalist는 약 2억 달러를 유치하며 기업 가치를 30억 달러로 끌어올리는 새로운 펀딩 라운드를 발표했습니다. 8VC가 주도한 이번 자본 확충으로 시리즈 B 총 조달 금액은 6억 달러에 달하며, 이는 투자자들이 단 몇 초의 영상만으로 새로운 작업을 학습할 수 있는 로봇의 시대가 빠르게 다가오고 있음을 인지하고 있다는 신호입니다.

자금 급증 및 투자자 라인업

규제 당국에 제출된 서류에 따르면, 이번 2억 달러의 추가 투입은 지난 6월 Radical Ventures가 주도한 4억 달러 규모의 시리즈 B 라운드를 연장하는 것입니다. 이번 라운드를 통해 Nvidia, Union Square Ventures, Bezos Expeditions, 그리고 AI 선구자인 Fei-Fei Li와 같은 거물급 이름들이 Generalist의 투자자 명단에 합류했습니다. 이들의 참여는 여러 로봇 플랫폼을 위한 단일 AI "두뇌"가 공장, 창고 및 서비스 환경 전반에 걸쳐 새로운 자동화 물결을 일으킬 수 있다는 믿음을 뒷받침합니다.

Gen 1.5: 초단기 데모를 통한 학습

Generalist의 가장 큰 특징은 Gen 1.5 파운데이션 모델입니다. 모든 동작을 일일이 수작업으로 만드는 대신, 이 모델은 로봇이 (종종 3초에서 12초에 불과한) 비디오 클립을 시청한 후 시연된 작업을 재현할 수 있게 합니다. 이 접근 방식은 모방 학습(imitation learning)을 기반으로 합니다. AI는 시각적 입력으로부터 동작 단서, 객체 상호작용 및 타이밍을 추출하여 로봇의 액추에이터를 위한 제어 명령으로 변환합니다. 이론적으로 로봇은 짧은 녹화 영상을 보는 것만으로도 매주 수십 가지의 새로운 기술을 습득할 수 있으며, 이는 변화하는 환경에 자동화를 배치하는 데 필요한 시간과 전문 지식을 획기적으로 줄여줍니다.

투자자들이 쫓는 “ChatGPT 모먼트”

Generalist는 거대 언어 모델(LLM)이 소프트웨어에 혁신을 가져다준 것처럼 하드웨어에 돌파구를 제공하려는 치열한 경쟁 속에 있습니다. Physical Intelligence 및 SoftBank가 지원하는 Skild AI와 같은 경쟁사들은 이미 수백억 달러 규모의 기업 가치를 기록하며, 로보틱스 분야의 광범위한 “ChatGPT 모먼트” 서사를 가속화하고 있습니다. 전제는 간단합니다. 최소한의 데이터로 미세 조정(fine-tuning)할 수 있는 다재다능한 사전 학습 모델이 있다면, 기업들은 제어 스택을 처음부터 다시 구축할 필요 없이 로봇 기능을 추가할 수 있습니다.

물리적 데이터 병목 현상과 회의적인 목소리

이러한 기대감은 실질적인 장애물에 부딪힙니다. 거대 언어 모델은 인터넷의 끝없는 텍스트를 바탕으로 번창하지만, 로봇은 학습 데이터를 생성하기 위해 물리적 상호작용이 필요합니다. 센서는 힘, 접촉 및 3D 기하학적 구조를 포착해야 하며, 새로운 시나리오가 발생할 때마다 새로운 데이터 수집이 필요할 수 있습니다. 일부 전문가들은 고품질의 다양한 물리적 데이터셋의 부족으로 인해 진정한 범용 로봇 지능이 상업적 생존력을 갖추기까지는 수년이 더 걸릴 수 있다고 경고합니다. 실제 세계의 시연 데이터가 꾸준히 공급되지 않는다면, Gen 1.5와 같이 유연한 모델이라 할지라도 학습한 환경 너머로 일반화하는 데 어려움을 겪을 수 있습니다.

향후 주목해야 할 점

  • 배포 테스트: 물류 센터든 제조 라인이든, Generalist의 다음 공개 테스트 베드는 Gen 1.5가 실험실 데모를 넘어 소음이 많고 예측 불가능한 현장으로 얼마나 잘 확장될 수 있는지를 보여줄 것입니다.
  • 데이터 파이프라인 개발: 자동화된 데이터 캡처(예: 모델에 데이터를 공급하는 카메라 군단)의 발전은 물리적 데이터 병목 현상을 완화할 수 있습니다.
  • 경쟁사의 움직임: 첫 번째로 널리 채택 가능한 로봇 파운데이션 모델을 선점하기 위한 경쟁은 여전히 초기 단계이므로, 경쟁사들의 펀딩 라운드와 파트너십 발표를 주시해야 합니다.

핵심 요약: Generalist의 30억 달러 기업 가치는 단일 AI 모델이 오늘날의 챗봇만큼 로봇을 적응력 있게 만들 수 있다는 강력한 믿음을 반영합니다. 하지만 그 성공 여부는 짧은 비디오 클립을 신뢰할 수 있는 실제 움직임으로 전환할 수 있느냐에 달려 있으며, 이는 이 약속이 일상적인 자동화로 이어질지를 결정할 공학적 과제입니다.