유통 매장 자동화를 위한 피지컬 AI의 첫걸음

중국 베이징에 본사를 둔 스트라이딩 AI(Striding AI)는 실제 환경에서의 피지컬 AI 배치를 가속화하기 위해 차세대 로봇 파운데이션 시스템을 개발한다. 스트라이딩 AI는 유통 매장과 같은 구조화된 환경을 실용적인 도입 시나리오의 시작점으로 설정했다. 로봇은 이곳에서 상품 진열, 보충, 재고 조사, 상품 정리, 계산 보조 등의 구체적인 업무를 수행하며 운영 효율을 높인다. 유통 매장은 빈번한 인간 상호작용과 반복 가능한 업무 흐름, 그리고 풍부한 운영 데이터를 제공하는 환경이다. 스트라이딩 AI는 이러한 환경적 특성을 활용해 확장 가능한 피지컬 AI 시스템을 개발하는 유력한 출발점으로 삼는다. 로봇이 물리적 세계와 상호작용하며 인식, 추론, 행동하고 이를 지속적으로 개선하는 기반 기술을 구축하는 것이 이번 시스템 개발의 핵심이다.

인간 참여 강화학습을 통한 작업 성공률 3배 향상

스트라이딩 AI는 인간 참여 강화학습(human-in-the-loop reinforcement learning, 사람이 학습 과정에 직접 개입해 로봇의 행동을 교정하고 보상하는 방식)을 도입해 로봇의 성능을 최적화했다. 스트라이딩 AI는 초기 내부 테스트를 통해 이 방식을 적용한 결과, 로봇의 작업 성공률을 최대 3배 향상시키는 성과를 거뒀다. 이 기술은 현실의 운영 데이터를 지속적인 학습 데이터로 전환하는 선순환 구조를 통해 작동한다. 로봇이 물리적 환경에서 겪는 시행착오를 인간이 가이드함으로써 학습 속도와 정확도를 동시에 확보했다. 스트라이딩 AI는 월드 액션 모델(World Action Models, 로봇의 행동이 환경에 미치는 영향을 예측하는 모델)과 차세대 강화학습 기술을 결합해 피지컬 AI의 한계를 확장하고 있다. 이를 통해 상업 및 산업 분야에서 로보틱스의 대규모 도입을 가속화하고 신뢰할 수 있는 로봇 서비스 제공업체로 자리매김할 계획이다.

멀티모달 인식을 행동으로 전환하는 폐쇄 루프 아키텍처

스트라이딩 AI는 멀티모달(Multimodal, 시각·청각 등 다양한 정보를 동시에 처리하는 방식) 인식을 현실 세계의 로봇 행동으로 전환하는 차세대 시스템을 구축했다. 이 시스템은 인식, 계획, 실행, 피드백, 복구를 아우르는 폐쇄 루프(closed-loop, 실행 결과가 다시 입력값으로 돌아와 오차를 수정하는 구조) 로보틱스 아키텍처로 구현된다. 로봇은 이 순환 구조를 통해 자신의 행동이 물리적 세계에 어떤 영향을 미치고 어떻게 변화시키는지에 대한 실행 가능한 표현을 학습한다. 구체적으로 로봇이 물체를 집는 과정에서 미끄러짐이 발생하면, 피드백 단계에서 이를 감지하고 복구 단계에서 제어 값을 수정하는 방식으로 작동한다. 이러한 구조는 로봇이 다양한 작업과 환경 간에 기술을 보다 효과적으로 전이(transfer, 한 환경에서 배운 능력을 다른 환경에 적용하는 것)할 수 있도록 돕는다. 결과적으로 로봇은 단순한 명령 수행을 넘어 물리적 세계의 인과관계를 데이터로 이해하고 행동에 반영하는 능력을 갖추게 된다.

데이터-제어-인프라를 통합한 시스템 우선 접근법

스트라이딩 AI는 모델의 지능뿐만 아니라 전체 환경의 정합성을 맞추는 시스템 우선(systems-first, 모델, 하드웨어, 인프라를 통합 설계하는 방식) 접근 방식을 취한다. 스트라이딩 AI는 확장 가능한 서비스 구축을 위해 파운데이션 모델, 로봇 하드웨어 및 소프트웨어, 데이터 인프라, 제어 시스템, 배치 엔지니어링(deployment engineering, 소프트웨어를 실제 환경에 최적화해 설치하는 기술)을 통합 응용한다. 이 전략을 실행하는 리더십 팀은 AI 반도체, 자율주행, 로보틱스 연구, 산업 기술 분야의 창업자와 임원들로 구성되어 기술 전문성과 실용화 경험을 겸비했다. 스트라이딩 AI는 다양한 물체 처리, 소매 진열대 이해, 복잡한 작업의 계획 및 실행 역량을 독립된 기능이 아닌 통합 시스템의 일부로 설계했다. 이는 단순한 모델 성능 지표보다 데이터-제어-인프라가 유기적으로 결합된 시스템의 실무적 효용성을 우선시하는 엔지니어링 방향이다. 창립자 겸 CEO인 송야오는 피지컬 AI 혁신이 데이터, 모델, 인프라의 지속적인 상호 발전에서 비롯된다고 강조했다.

엣지-클라우드 오케스트레이션과 산업별 확장 전략

스트라이딩 AI는 더 많은 로봇이 현실 세계에서 운영될수록 성능이 향상되는 플랫폼을 만들기 위해 전용 인프라를 구축했다. 스트라이딩 AI는 로봇 사전 학습(pretraining, 대규모 데이터로 기초 지식을 먼저 익히는 과정), 분산 강화학습, 엣지-클라우드 오케스트레이션(edge-cloud orchestration, 현장 단말과 중앙 서버의 자원을 효율적으로 배분하는 기술) 인프라를 통해 시스템 확장성을 확보했다. 실시간 제어 연산은 엣지 단말에서 처리하고 대규모 데이터 분석과 모델 업데이트는 클라우드에서 수행함으로써 응답성과 고도화를 동시에 달성한다. 스트라이딩 AI는 유통 매장에서 검증된 이 시스템을 식품, 농업, 물류, 헬스케어, 통신 등 다양한 산업 분야로 확대 적용할 계획이다. 최종적으로는 현실 경험을 통해 지속적으로 학습하고 개선하여 인간의 일상 환경에 자연스럽게 융합되는 로봇 생태계를 구축하는 것을 장기 비전으로 설정했다. 실무적 관점에서 로봇의 현장 투입 가능성은 이제 벤치마크 점수가 아니라 환경 변화에 대응하는 시스템의 유연성과 통합 수준으로 판단해야 한다.