한 번 학습, 모든 로봇에 배포 — 멀티엠보디먼트 VLA

로봇 자동화를 한 번이라도 검토해 본 분이라면 누구나 부딪히는 벽이 있습니다. A사 로봇을 들이면 A사 방식으로 프로그래밍하고, A사 교육을 받고, A사 부품과 유지보수에 묶입니다. 작업 노하우가 그 기종 안에 갇히는 것이죠. 그런데 2025년 말 구글 딥마인드가 공개한 기술은 이 구조 자체를 흔듭니다. 한 로봇에서 가르친 동작을 재학습 없이 다른 기종에 그대로 옮기는 '모션 트랜스퍼(motion transfer)'입니다. 오늘은 이 멀티엠보디먼트 VLA가 무엇인지, 그리고 이게 왜 공장의 '벤더 종속성'을 흔드는 신호인지 현장 관점에서 짚어 보겠습니다.

멀티엠보디먼트 VLA와 '모션 트랜스퍼'란

VLA(Vision-Language-Action)는 로봇이 눈으로 보고(vision), 말을 이해해(language), 실제 동작(action)으로 옮기는 모델입니다. 여기에 '멀티엠보디먼트(multi-embodiment)'가 붙으면, 하나의 모델이 서로 다른 몸체를 가진 여러 기종의 로봇을 함께 제어한다는 뜻입니다.

핵심 기술은 모션 트랜스퍼입니다. 딥마인드는 양팔 로봇 ALOHA, 양팔 로봇 프랑카(Franka), 앱트로닉의 휴머노이드 아폴로(Apollo) 등 구조가 제각각인 로봇들의 데이터를 하나의 '통합 모션 표현'으로 함께 학습시켰습니다. 그 결과, 한 기종에서만 보여준 작업이 다른 기종에서도 기종별 재학습 없이(zero-shot) 그대로 작동합니다. ALOHA에게만 가르친 동작이 아폴로와 프랑카에서도 되고, 그 반대도 됩니다.

이 개념은 제미나이 로보틱스 1.5(2025년 9월) 연구에서 정식으로 제시됐고, 2세대로 오면서 "새로운 양팔 로봇이라면 몇 시간이면 이 지능을 이식할 수 있다"는 수준까지 발전했습니다. 제미나이 로보틱스 2가 바꾼 전체 그림은 앞선 글에서 정리했으니, 오늘은 그중 '기종 이식' 하나만 깊이 파 보겠습니다.

한 번 학습한 '작업지식', 여러 기종으로 이식 통합 작업지식 · VLA 정책 여러 기종 데이터를 통합 표현으로 한 번 학습 재학습 없이 이식 (zero-shot) 양팔 로봇 A ALOHA 계열 양팔 로봇 B Franka 계열 휴머노이드 Apollo 계열 기존: 기종마다 처음부터 재학습(티칭) → 모션 트랜스퍼: 한 번 학습해 여러 몸체에 배포 자료: Google DeepMind 'Gemini Robotics 1.5' (2025.9) 재구성

공장 관점 ① — 무너지는 건 '벤더 종속성'입니다

지금까지 로봇을 도입한다는 건, 하드웨어와 함께 그 하드웨어에 갇힌 작업지식을 함께 사는 일이었습니다. 티칭한 좌표, 짜 넣은 프로그램, 현장에서 쌓은 노하우가 전부 특정 기종에 종속됩니다. 그래서 기종을 바꾸면 그동안의 축적이 상당 부분 날아가고, 자연히 처음 들인 벤더에 계속 묶이게 됩니다.

모션 트랜스퍼가 성숙하면 이 전제가 흔들립니다. '작업지식'이 하드웨어에서 분리되어 이식 가능한 자산이 되기 때문입니다. 같은 픽앤플레이스 로직을 A사 양팔 로봇에 올렸다가, 라인이 바뀌면 B사 휴머노이드에 다시 올리는 그림이 가능해집니다. 그 순간 공장이 얻는 것은 세 가지입니다. 벤더에 대한 구매 협상력, 특정 기종 락인(lock-in)에서의 자유, 라인 재편·증설 때의 유연성입니다.

현장에서 여러 기종이 섞인 라인을 관리해 본 분은 압니다. 기종마다 따로 티칭하고, 따로 유지보수하고, 따로 예비품을 재는 그 비효율을요. 작업지식이 이식 가능해진다는 건, 그 중복 부담이 근본적으로 줄어든다는 뜻입니다.

공장 관점 ② — 그래서 지금 '예습'으로 준비할 것

기술이 무르익기를 기다리기만 할 필요는 없습니다. 오히려 지금이 준비할 때입니다. 하드웨어가 표준화되기 전에, 우리 작업지식을 '이식 가능한 형태'로 남겨 두는 습관을 들여야 나중에 갈아탈 때 비용이 급감합니다. 구체적으로 네 가지입니다.

① 시연·작업 데이터의 표준화. 작업을 사람 머릿속이 아니라 데이터로 남기세요. 작업 영상, 동작 궤적, 성공/실패 판정 기준을 일정한 형식으로 축적하면, 그것이 미래의 VLA에 태울 자산이 됩니다.

② 인터페이스 추상화. 로봇 제어를 벤더 API에 직접 박아 넣지 말고, 작업 로직과 하드웨어 사이에 얇은 추상화 계층을 두세요. 기종을 바꿔도 그 계층만 갈아끼우면 되도록요.

③ 작업 정의의 표준화. 라인의 각 작업을 '이 기종 전용 절차'가 아니라 '이식 가능한 단위'로 정의하고 문서화해 두면, 다른 몸체로 옮길 때 번역 비용이 줄어듭니다.

④ 조달 기준 재설계. 로봇을 살 때 스펙표만 보지 말고 "이 작업지식을 다른 기종으로 옮길 수 있는가", "우리 작업 데이터를 우리가 소유하는가"를 평가 항목에 넣으세요. 이게 앞으로의 협상 카드입니다.

소통 인사이트 — 로봇을 '기계'가 아니라 '이식 가능한 작업지식'으로

경영진이나 조달 담당에게 이 변화를 한 문장으로 전한다면 이렇게 말하겠습니다. "우리는 로봇이라는 '기계'를 사는 게 아니라, 하드웨어에 올릴 '이식 가능한 작업지식'을 사는 것이다."

이 관점 하나면 의사결정 기준이 바뀝니다. 팔의 반복 정밀도나 가반하중 같은 스펙표 숫자만큼이나, 벤더 락인 회피·작업 데이터 소유권·표준 인터페이스가 중요한 구매 기준으로 올라옵니다. 아직 초기 기술이라 당장 라인에 붙는 이야기는 아닙니다. 하지만 방향은 분명하고, 데이터와 인터페이스를 지금부터 표준으로 잡아 두는 데는 큰돈이 들지 않습니다. 나중에 판이 바뀔 때, 준비한 곳과 안 한 곳의 격차는 여기서 갈립니다.

자주 묻는 질문

Q1. 지금 당장 우리 라인에 적용할 수 있나요?
아직은 아닙니다. 연구·시범 단계이고, 산업 현장이 요구하는 정밀도와 안전성 검증이 남아 있습니다. 지금의 현실적인 액션은 '적용'이 아니라 '준비' — 작업 데이터를 표준 형식으로 남기고 인터페이스를 추상화해 두는 것입니다.

Q2. 그럼 특정 벤더 로봇은 안 사도 되나요?
그렇지 않습니다. 여전히 하드웨어는 필요하고, 당분간은 벤더 로봇을 씁니다. 달라지는 건 '어떻게 사느냐'입니다. 데이터 소유권과 이식성을 계약·설계 단계에서 챙겨, 락인을 줄이는 방향으로 도입하자는 것입니다.

Q3. 우리 같은 소량·다품종 현장에 유리한가요?
유리합니다. 작업이 자주 바뀌고 품종이 많을수록 '재학습 없이 이식'의 이득이 큽니다. 반대로 같은 동작을 초고속으로 반복하는 고정 라인은 지금의 전용 로봇이 여전히 더 빠르고 저렴하니, 용도를 나눠 보는 게 맞습니다.

맺음말

로봇 경쟁의 무게중심이 하드웨어에서 '두뇌'로 넘어가고 있다는 이야기를 여러 번 했습니다. 멀티엠보디먼트 VLA는 거기서 한 발 더 나갑니다. 그 두뇌가 한 기종에 갇히지 않는다는 것이죠. 로봇을 '한 번 사면 끝인 기계'가 아니라 '몸을 갈아탈 수 있는 작업지식'으로 보기 시작하면, 조달도 라인 설계도 다르게 짜게 됩니다. 현장이 지금 할 일은 분명합니다. 하드웨어를 고르기 전에, 우리 작업지식을 이식 가능한 형태로 남기는 습관부터 들이는 것입니다.

이 블로그의 인기 게시물

피지컬 AI, 학계는 아직 이 단어를 쓰지 않습니다

엔비디아 홈페이지에는 사실상 같은 것을 설명하는 페이지가 두 개 있습니다. 하나는 '피지컬 AI', 다른 하나는 '임바디드 AI(Embodied AI)'. 무대 위 기조연설에는 앞의 단어만 나오고, 개발자가 읽는 용어사전에는 뒤의 단어가 나옵니다. 글자 몇 개 차이로 보이지만 두 이름은 출신이 다릅니다. 하나는 30년 넘은 연구 전통의 이름이고, 다른 하나는 최근 2년 사이 산업이 붙인 이름이죠. 같은 회사가 열 달 만에 이름을 바꿨습니다 엔비디아가 2024년 3월 18일에 낸 보도자료를 열어 단어를 세어 봤습니다. 휴머노이드용 기반 모델 'Project GR00T'을 처음 공개한 문서입니다. 여기에 'physical AI'는 한 번도 나오지 않습니다. 대신 'embodied AI'가 다섯 번 등장하죠. "임바디드 AI 모델은 방대한 양의 실제 데이터와 합성 데이터를 필요로 합니다"라는 문장이 그중 하나입니다. 그리고 열 달 뒤, 2025년 1월 6일 CES 2025 기조연설을 정리해 올린 공식 블로그 글을 같은 방식으로 세어 봤습니다. 이번에는 정확히 반대였습니다. 'physical AI' 여섯 번, 'embodied AI' 영 번. 그 자리에서 젠슨 황 CEO는 피지컬 AI를 인식하고, 추론하고, 계획하고, 행동하는 인공지능이라고 설명하며 "일반 로봇공학의 챗GPT 순간이 코앞에 다가왔다"고 말했습니다. 새로운 기술을 발표한 자리가 아니었습니다. 부르는 이름을 바꾼 자리였습니다. 그래서 피지컬 AI는 어디까지를 가리키나 정의부터 짚겠습니다. 피지컬 AI는 인공지능이 화면 안에서 답을 만드는 데 그치지 않고, 센서로 물리 세계를 읽고 모터를 움직여 결과를 만드는 기술 전반을 뜻합니다. 감지, 판단, 제어가 실시간으로 반복되는 구조죠. 임바디드 AI는 조금 다릅니다. 직역하면 '몸을 가진 지능'입니다....
자세한 내용 보기

로봇 감속기, 톱니 두 개가 100배를 만듭니다

감속비 100:1을 만들려면 톱니가 100배쯤 차이 나야 할 것 같습니다. 아닙니다. 두 개면 됩니다. 처음 이 문장을 읽었을 때는 오타를 의심했습니다. 그래서 종이에 원을 두 개 그렸습니다. 바깥쪽에 톱니 202개, 안쪽에 200개. 한 바퀴 돌려 보고 나서야 이 구조가 왜 로봇 관절을 지배하는지 알았습니다. 종이에 원 두 개를 그려 한 바퀴 돌려 봤습니다 하모닉 드라이브, 정식 명칭으로 스트레인 웨이브 기어는 부품이 셋뿐입니다. 타원형 웨이브 제너레이터, 그 위에 씌워져 타원으로 찌그러지는 얇은 컵 모양 플렉스플라인, 그리고 플렉스플라인을 감싸고 고정된 링 서큘러스플라인. 플렉스플라인이 타원이 되니 톱니가 맞물리는 곳은 타원의 긴 축 양쪽, 딱 두 군데뿐입니다. 나머지는 떠 있죠. 여기서부터가 핵심입니다. 웨이브 제너레이터가 반 바퀴 돌면 맞물림 지점이 반대편으로 옮겨 가고, 그 사이 플렉스플라인은 톱니 딱 한 칸만큼 뒤로 밀립니다. 한 바퀴면 두 칸. 톱니 수 차이가 2개니까요. 그러면 플렉스플라인이 200칸을 다 돌아 제자리로 오려면 웨이브 제너레이터가 몇 바퀴를 돌아야 할까요. 100바퀴입니다. 감속비 100:1이 이렇게 나옵니다. 공식으로 적으면 플렉스플라인 톱니 수를 톱니 수 차이로 나눈 값. 200 나누기 2. 기어를 여러 단으로 쌓아 올려 감속비를 버는 유성기어와는 발상 자체가 다릅니다. 하모닉은 단이 하나뿐인데도 30:1에서 320:1까지 냅니다. 그래서 얇습니다. 백래시 1아크분이 손끝에서 몇 밀리미터인지 계산했습니다 감속기 카탈로그에서 감속비 다음으로 큰 글씨는 백래시입니다. 기어 이와 이 사이의 틈이죠. 방향을 바꿀 때 그 틈만큼 헛돕니다. 단위는 아크분(arcmin), 1도의 60분의 1입니다. 숫자만 보면 작아 보여서, 팔 끝에서 얼마가 되는지 직접 환산해 봤습니다. 1아크분은 라디안으로 0.000291. 어깨에서 손끝까지 600밀리미터인 팔이라면 0.000291 곱하기 600, 약 0.17밀리미터입니다. 여기까지는 괜찮습...
자세한 내용 보기

서보모터는 가만히 있을 때 가장 뜨겁습니다

로봇이 팔을 든 채 가만히 서 있습니다. 아무 일도 하지 않는 것처럼 보이죠. 그런데 그 순간이 모터에게는 가장 가혹합니다. 회전이 없으니 기계적 출력은 정확히 0와트인데, 전기는 조금도 줄지 않고 계속 들어가고 있으니까요. 들어간 전기가 전부 어디로 가는지 계산해 봤더니, 휴머노이드가 왜 데모 영상만큼 오래 일하지 못하는지가 한 줄로 정리됐습니다. 출력은 0와트인데 전력은 그대로 먹습니다 회전 기계가 내는 일은 토크에 각속도를 곱한 값입니다. 그래서 각속도가 0이면, 토크를 아무리 크게 내고 있어도 출력은 0입니다. 물리적으로는 아무 일도 하지 않는 상태죠. 그렇다고 전기가 안 드는 것은 아닙니다. 모터의 토크는 전류에 비례하기 때문에, 팔을 든 자세를 유지하려면 그 토크에 해당하는 전류를 계속 흘려야 합니다. 그리고 전류가 흐르는 곳에는 저항이 있습니다. 권선 저항 0.1옴짜리 관절에 20암페어를 흘린다고 놓고 계산해 보면, 0.1 곱하기 20의 제곱, 40와트입니다. 이 40와트는 로봇을 움직이는 데 한 푼도 쓰이지 않습니다. 전부 열입니다. 관절 하나에서요. 옵티머스처럼 액추에이터가 28개인 로봇이라면, 자세를 잡고 서 있기만 해도 몸 안에서 수백 와트가 열로 바뀌고 있는 셈입니다. 다만 이 계산의 권선 저항은 제조사가 잘 공개하지 않는 값이라 200와트급 브러시리스 모터의 통상 범위에서 가정했습니다. 숫자 자체보다는 관계를 봐야 합니다. 토크를 두 배 내면 열은 네 배가 됩니다 그 관계가 제곱이라는 게 핵심입니다. 손실은 전류의 제곱에 비례합니다. 토크를 두 배로 올리려면 전류를 두 배로 올려야 하고, 그러면 열은 네 배가 됩니다. 세 배면 아홉 배죠. 모터 카탈로그에 연속 정격 토크와 순간 최대 토크가 따로 적혀 있는 이유가 여기 있습니다. 최대 토크는 열이 쌓여 권선이 타기 전까지, 길어야 몇 초 동안 쓸 수 있는 숫자입니다. 휴머노이드 사양표에 적힌 관절 토크가 대체로 이 피크 값이라는 점은 짚어 둘 만합니다. 400뉴턴미터라고 적혀 ...
자세한 내용 보기