소프트뱅크·삼성·엔비디아가 주목한 스킬드AI, 로봇 산업의 패러다임을 바꾸다
"데모가 아닌 실제 로봇을 통해 보여주겠다!" 소프트뱅크를 비롯, 삼성과 LG, 미래에셋, 그리고 엔비디아의 자회사 엔 벤처스가 투자한 것으로 알려진스킬드 AI (스킬드 AI) 이들 기업은 왜 스킬드AI에 주목했을까요? 지난 주 카타르 도하에서 열린 웹 서밋 카타르 2026에는 스킬드AI의 공동창업자이자 사장인 아비나브 굽타(Abhinav Gupta)
“데모가 아닌 실제 로봇을 통해 보여주겠다!”
소프트뱅크를 비롯, 삼성과 LG, 미래에셋, 그리고 엔비디아의 자회사 엔 벤처스가 투자한 것으로 알려진 스킬드 AI (스킬드 AI).
이들 기업은 왜 스킬드AI에 주목했을까요?
지난 주 카타르 도하에서 열린 웹 서밋 카타르 2026에는 스킬드AI의 공동창업자이자 사장인
아비나브 굽타(Abhinav Gupta)가 무대에 올랐습니다
모든 로봇이 하나의 두뇌의 공유해 어떠한 작업을 해내는 세상을 꿈꾸는 이 회사는
다양한 로봇, 환경, 작업을 아우르는 세계 최초의 범용 로봇 파운데이션 모델을 만들고 있었습니다.
약 25분간 진행된 그의 기조연설을 아래와 같이 정리했는데요.
스킬드AI, 범용 AI 두뇌로 산업 패러다임 전환
4가지 데이터 소스 통합으로 로봇 학습의 확장성-품질 딜레마 해결
엔드 투 엔드 학습으로 고장에도 작동하는 적응형 로봇 두뇌 구현
이 내용을 중심을 오늘 글을 시작하겠습니다.
1. 스킬드 AI, 범용 AI 두뇌로 산업 패러다임 전환
아비나브 굽타 사장은 AI 혁명의 핵심 동력을 ‘스케일’,
즉 데이터와 컴퓨팅 자원의 규모로 정의했습니다.
언어와 비전 분야에서 위력을 발휘했던 이 원리는 로봇공학에서 오히려 병목 현상을 겪고 있었습니다.
인터넷에는 로봇 학습에 바로 쓸 수 있는 데이터가 부족하고,
하드웨어는 느리고 비싸서 데이터를 직접 수집하기도 어렵기 때문입니다.
결국 데이터의 부재가 알고리즘의 발전까지 가로막는 상황이었습니다.
이러한 문제를 해결하기 위해 스킬드 AI는 경쟁 모델보다 1,000배 이상 큰 ‘파운데이션 모델’을 구축 중이었습니다. 여기서 파운데이션 모델이란
특정 작업만을 위해 설계된 것이 아니라,
다양한 상황과 목적에 두루 활용할 수 있도록 방대한 데이터로 훈련된 범용 AI 시스템을 의미합니다
아비나브 굽타 사장은 스킬드AI가 만들고 있는 모델의 3가지 특징을 소개했습니다.
우선 “멀티 시나리오” 기반의 모델이었습니다.
하나의 두뇌가 가정, 사무실, 야외 등 장소를 가리지 않고 작동하는 것이 특징이었습니다.
둘째, ‘멀티태스크’ 가능을 갖추고 있었습니다.
이동과 내비게이션, 물체 조작 등 어떤 작업이든 수행할 수 있었습니다.
마지막으로 가장 중요한 특징은 ‘멀티 하드웨어’였습니다.
공장의 로봇 팔, 로봇 개, 휴머노이드 등 어떤 형태의 기계라도 가리지 않고 적용할 수 있었습니다.
전통적인 로봇 산업은 하드웨어와 소프트웨어를 특정 용도에 맞춰 함께 설계하는 ‘버티컬 구조’를 취해왔습니다.
이 방식은 초기 성능을 80%까지는 빠르게 끌어올릴 수 있지만,
예상치 못한 예외 상황인 ‘에지 케이스’가 발생하면 쉽게 무너지는 단점이 있는데요.
사실 최근 많은 휴머노이드 기업이 수평적 플랫폼을 지향한다고 말하지만, 실제로는 하드웨어만 공유될 뿐 AI 소프트웨어는 여전히 자사 로봇에서만 구동되는 한계가 있었습니다.
스킬드AI는 진정한 의미의 스케일을 달성하려면 100조에서 200조 개의 학습 데이터가 필요하다고 보고 있었습니다
참고로 이러한 데이터는 수백만 대의 로봇이 없다면 불가능한 수치이기도 한데요.
스킬드 AI는 모든 종류의 로봇 하드웨어로부터 데이터를 수집하는
수평적 접근법을 통해 이 한계를 돌파해 왔습니다.
이 방식은 기계의 필연적인 고장 상황에서도 이점을 발휘할 수 있는데요.
부품이 망가져 하드웨어 구성이 변하더라도,
‘스킬드 Brain’은 플랫폼 자체가 수평적이기 때문에 로봇을 멈추지 않고 계속 작동시킬 수 있었습니다.
실제 무대에서 상영된 시연 영상에서는
하나의 두뇌로 다양한 임무를 수행하는 로봇들이 등장했습니다.
휴머노이드는 잔해와 쓰러진 나무 사이를 안정적으로 걸었으며,
변화하는 조명 아래에서도 세밀하게 물체를 조작했습니다.
이러한 시연의 바탕에는 데이터가 있었습니다.
2. 4가지 데이터 소스 통합으로 로봇 학습의 확장성-품질 딜레마 해결
로봇 학습에 활용할 수 있는 데이터는 크게 네 가지로 나뉩니다.