Humanoid robotics 리서치 보고서 해설

개요

Bernstein은 휴머노이드 로봇에 관한 향후 3년의 4가지 예측을 제시한다. 더 역량 있는 로봇 브레인, 조작 분야 강화학습의 궁극적 돌파구, 회수기간이 개선되는 상업 제품, 그리고 플랫폼 로봇과 시스템 통합업체가 경쟁우위를 형성하는 생태계다. 보고서는 산업 발전에 긍정적이지만 여러 기술적·실행상 장애물이 아직 해결되지 않았음을 강조한다.

핵심 견해

Bernstein은 초기 단계의 휴머노이드 로봇 산업을 베이지안 접근법으로 평가한다. 즉, 새로운 기술 및 상업적 증거가 나올 때마다 관점을 업데이트한다. 핵심 기술 논지는 로봇 브레인이 단순한 비전-언어-행동의 선형적 흐름에서, 실행 전에 행동의 결과를 상상할 수 있는 모델로 이동하고 있다는 것이다. 보고서는 월드 모델, 특히 행동과 환경에 미치는 영향을 함께 모델링하는 월드 액션 모델이 향후 3년간 장기 자율성 및 작업과 로봇 형태를 가로지르는 일반화를 위해 광범위하게 채택될 것으로 예상한다. 월드 모델과 VLA를 상호 배타적으로 보지 않고 둘의 융합을 예상한다. 물리 이해는 주요 제약으로 남아 있다. 보고서에 따르면 2026년 최고의 월드 모델도 포괄적 물리 이해 평가에서22%에 그쳤으며, 이는 3년 후에도 과제일 수 있다. 다음으로 기대되는 프런티어는 메모리와 더 풍부한 멀티모달 입력이다. 현재 로봇은 대체로 동일한 지시에서 같은 행동을 반복하며, 이전 실패를 바탕으로 조정하거나 긴 작업의 진척을 추적하지 못한다. Bernstein은 로봇 브레인에 메모리를 주입하는 일이 다음 대형 돌파구가 될 것으로 예상한다. 또한 제3자 시점, 1인칭 시점, 손바닥 영상과 인간 및 로봇 행동, 힘, 촉각 센싱 데이터를 훈련 및 실시간 정책 생성 모두에서 훨씬 더 잘 융합할 수 있게 될 것으로 예측한다. 보고서는 로보틱스가 다른 AI 응용과 구별되는 점으로 비영상 물리 데이터의 필요성을 들지만, 현재의 데이터 다양성은 여전히 부족하고 모델도 약간 확장된 모달리티를 효과적으로 사용하는 데 어려움을 겪는다. Bernstein의 'AlphaGo 모멘트' 비유는 로봇 조작을 위한 강화학습에 초점을 맞춘다. 현재의 훈련은 AlphaGo 이전과 유사하다. 모델은 많은 시연 데이터를 통해 학습하고 기초 성능에 도달한 뒤 정체된다. 강화학습은 이미 이동 능력을 변화시켰지만, 조작은 더 어렵다. 복잡한 작업에 유효한 보상 함수를 설계하기 어렵고 시뮬레이터는 로봇뿐 아니라 정밀한 물리적 상호작용과 변화하는 환경까지 재현해야 하기 때문이다. 보고서는 이 강화학습 문제의 해결이 대부분의 작업 성공률을60%에서99%로 효율적으로 끌어올릴 결정적 진전이 될 것이라고 보며, 중요한 돌파구까지는 아직 수년이 남았다고 판단한다. 따라서 로보틱스에 단일하고 급격한 'ChatGPT 모멘트'가 온다는 견해보다 점진적이지만 전환점이 될 수 있는 AlphaGo식 훈련 발전을 중시한다. 보고서는 더 많은 로봇 배치가 자동으로 자기강화적 데이터 플라이휠을 만든다는 단순한 견해에 이의를 제기한다. 인터넷 영상, 1인칭 및 손목 카메라, Universal Manipulation Interface로 사전훈련 데이터는 더 풍부해지고 있지만, 사후훈련의 더 중요한 병목은 강화학습을 통해 데이터와 작업 성과를 연결하는 데 있다는 것이다. 최첨단 월드 액션 모델이 사전훈련에 수백만 시간의 쉽게 이용 가능한 인터넷 영상을 사용하고 사후훈련에는 수십 시간의 독점 행동 데이터만 사용한다는 점을 대조한다. 이는 원시 데이터 규모가 아니라 훈련 기법이 핵심 병목이라는 견해를 보여준다. 촉각 데이터는 계속 희소하고 가치가 높을 것으로 예상되지만, Bernstein은 무차별적으로 데이터를 축적하기보다 데이터 수집을 모델의 구체적 요구에 맞추는 것이 지속 가능한 해자가 된다고 본다. 상업적으로 산업의 초점은 이동 시연에서 도입으로 빠르게 전환되고 있다. Bernstein은 창고 피킹·배치, 공장 자재 취급 및 검사, 도시·산업 순찰, 현관까지의 라스트레그 배송을 4개 핵심 응용처로 제시하며, 이들이 2031년 연간100만대 출하량 전망의 약 절반을 차지한다고 본다. 생산량 증가에 따른 로봇 가격 하락이 회수기간 단축을 주도할 것으로 예상하며, EV와 배터리 산업의 실증 증거를 인용해 물량이 두 배가 되면 비용은 통상15–18% 하락하고 매우 낮은 물량에서는 하락 곡선이 더 가파르다고 설명한다. 약2.5년의 회수기간은 평균적 도입 임계치로 제시되며, 기존 대기업은 최대5년을 수용할 수 있는 반면 역동적 산업의 소규모 기업은 광범위한 도입 전에 약1년을 원할 수 있다. 제품 구조 측면에서 Bernstein은 SKU 급증이 계속되는 한편 향후 3년간 참여자 통합보다는 소수의 플랫폼 제품으로 물량이 집중될 것으로 예상한다. 잠재적 플랫폼 제품은 공장과 창고의 자재 취급에 최적화되고 팔당 지속 가능한 적재중량은10–15 kg일 것이다. 플랫폼 지위는 조달 및 생산 규모의 이점뿐 아니라 모델 개발자가 선도 하드웨어를 중심으로 설계하고 훈련하도록 하여 선순환을 만들 수 있다. 상업적 성공에서 나오는 물량과 하드웨어 설계·제조 노하우로 뒷받침되는 일관성 및 신뢰성을, 과소평가된 차별화 요소이자 산업 전반의 문제점으로 본다. 마지막으로 보고서는 산업이 규모를 키우려면 별도의 스킬 계층이 필요하다고 주장한다. 로봇 시연을 기반 브레인 모델과 혼동해서는 안 되며, 스킬은 특정 응용을 위해 모델이 학습하고 배치할 수 있는 능력이다. 산업이 여러 브레인 모델, 수십 개 로봇 제조사, 수백 개 SKU, 수천 개 응용으로 발전함에 따라 시스템 통합업체는 부족한 생태계 요소가 되어 로봇 배치, 데이터 수집, 사후훈련을 지원할 것으로 예상된다. Bernstein은 이것이 향후 수년 내 등장할 것으로 보며, 시스템 통합업체가 특정 로봇 제조사 주변에 모이기 시작하는 초기 증거를 미래 하드웨어 승자를 식별하는 핵심 지표로 간주한다. 잠재적 승자 논의에서 Bernstein은 Physical Intelligence가 차세대 브레인 모델 및 모델-데이터 통합에 관한 선호 방향과 일치한다고 강조한다. 또한 로봇 브레인 개발에서 Figure AI, Nvidia, Google을 언급하며, Dyna Robotics와 Rhoda AI는 로보틱스 스케일링 법칙의 초기 증거를 보여주고 데이터 부담을 확보하기 어려운 로봇 데이터에서 인터넷 규모의 인간 영상으로 크게 옮긴 점에서 주목받았다고 설명한다. 중국에서는 Agibot, Galbot, Robotera를 떠오르는 기업으로 꼽는다. 촉각 센싱에서는 PaXini와 Tashan Technology를 주시한다. 플랫폼 하드웨어 경쟁에는 뚜렷한 선두가 없다. Tesla Optimus는 하드웨어 설계와 제조 일관성에서 우위를 주장할 수 있으나, 보고서는 모델 및 데이터·훈련 기법을 포함한 다른 중요한 기술에서는 뒤처져 보인다고 말한다.

분석 프레임워크

보고서는 증거 업데이트에 기반한 베이지안 접근법으로 초기 산업을 평가한다. 모델 아키텍처와 메모리에서 데이터 및 강화학습으로 분석을 진행한 뒤, 이를 로봇 경제성, 제품 플랫폼 역학, 배치에 필요한 생태계와 연결한다.

방법론 메모

• 산업 분석 프레임워크수급 프레임워크

  로봇 가격, 물량 주도 비용 하락, 고객 회수기간에 기반한 상업적 도입 경제성.

  Bernstein은 더 높은 생산량을 더 낮은 로봇 비용 및 더 짧은 고객 회수기간과 연결하고, 도입이 언제 가속될 수 있는지를 회수기간 임계치로 설명한다.

• 경쟁 전략 프레임워크경제적 해자 및 경쟁우위

  모델-데이터 통합, 플랫폼 하드웨어, 신뢰성, 시스템 통합업체 정렬을 경쟁 차별화 원천으로 본다.

  보고서는 데이터 자체는 방어 가능하지 않다고 주장한다. 더 강한 해자는 모델에 맞춰 데이터를 설계하는 데 있으며, 규모, 신뢰할 수 있는 하드웨어, 통합업체 생태계가 선도 플랫폼을 강화할 수 있다.

• 기타기타

  베이지안 접근법

  보고서는 기술, 제품, 산업 구조에 관한 새로운 증거가 나오면 가설의 확률을 업데이트한다고 명시한다.

자산 매핑 및 비교

투자 논리에서 명시된 자산으로의 구조화 매핑(강점, 약점, 비교 대상, 위험).

• Physical Intelligence

  차세대 로봇 브레인과 모델-데이터 통합에 대한 Bernstein의 선호 방향에 부합하는 기업으로 강조된다.

  강점

  VLA와 월드 모델을 통합하는 접근법, 모델-데이터 통합.

  약점

  비상장 기업.

  비교

  보고서의 브레인 모델 방향성 논의에서 선호된다.

  위험

  물리 이해와 조작 강화학습의 과제는 여전히 산업 전반의 위험이다.

• Tesla Optimus

  잠재적인 플랫폼 하드웨어 경쟁자.

  강점

  하드웨어 설계, 공급망, 제조 역량에서 우위를 가질 가능성이 있다.

  약점

  보고서는 모델 및 데이터·훈련 기법에서 뒤처져 보인다고 말한다.

  비교

  명확한 플랫폼 하드웨어 선두 주자는 아직 없다.

  위험

  하드웨어 우위가 다른 핵심 기술의 격차를 상쇄할 수 있을지는 미해결이다.

• Cognex (CGNX)

  Bernstein 티커 표에 명시적으로 포함된 커버리지 대상 증권.

핵심 데이터

• 월드 모델 물리 이해 점수22%보고서는 2026년 최고의 월드 모델이 포괄적 물리 이해 평가에서22%를 기록했다고 말한다.
• 조작 작업 성공률의 잠재적 개선60% to 99%Bernstein이 로봇 조작 강화학습을 해결했을 때의 잠재적 영향을 설명한 내용이다.
• 사전훈련과 사후훈련 데이터Millions of hours of internet video; tens of hours of proprietary action data원시 데이터 규모보다 훈련 기법이 핵심 병목이라는 보고서의 견해를 보여준다.
• 휴머노이드 로봇 연간 출하량 전망1 million in 2031식별된 4개 응용처가 이 전망의 약 절반을 차지한다.
• 물량이 두 배가 될 때의 비용 하락15–18%생산량 주도의 로봇 비용 하락을 뒷받침하기 위해 인용된 EV 및 배터리 산업의 실증 증거다.
• 상업적 도입 회수기간 임계치About 2.5 years도입이 결정적으로 가속될 수 있는 평균적 임계치로 제시된다.
• 잠재적 플랫폼 로봇의 적재중량10–15 kg per arm공장 및 창고 자재 취급 설계에 예상되는 팔당 지속 가능한 적재중량이다.

영향과 시사점

보고서는 월드 모델링, 메모리, 강화학습의 발전을 신뢰할 수 있는 조작과 매력적인 고객 경제성으로 전환할 수 있는지가 산업 가치를 점점 더 좌우할 것이라고 말한다. 차별화는 브레인과 데이터의 통합 개발, 신뢰할 수 있는 플랫폼 하드웨어, 다양한 응용에서 배치를 반복 가능하게 만드는 시스템 통합업체로 이동할 것으로 예상한다.

위험

• 월드 모델은 충분한 물리 이해를 계속 갖추지 못할 수 있으며, 보고서는 2026년 최고 모델의 포괄적 점수를22%로 제시한다.
• 로봇 조작 강화학습은 어려운 보상 함수 설계와 미성숙한 물리적 상호작용 시뮬레이션으로 계속 제약받고 있다.
• 하드웨어 일관성과 신뢰성은 계속 산업 전반의 문제점이다.
• 사전훈련 데이터 생성을 위한 Universal Manipulation Interface의 붐은 지속 가능하지 않을 수 있다.

주시할 점

• 강화학습이 조작 작업 성공률을 실질적으로 개선한다는 증거.
• 로봇 메모리와 영상, 행동, 힘, 촉각 데이터의 멀티모달 융합 진전.
• 핵심 상업 응용에서 로봇 경제성이 약2.5년 회수기간 임계치를 넘는지 여부.
• 시스템 통합업체가 특정 로봇 제조사 주변에 모이기 시작하는 신호.
• 촉각 센싱 및 모델-데이터 통합 접근법의 발전.