
유니트리 상장 후 로봇 섹터 인사이트: 하드웨어와 대형 모델은 희소성이 없으며, 학습 데이터가 가장 가치가 높은 부분이다
저자: Shoal Research
번역: TechFlow
TechFlow 가이드: 로봇 분야가 뜨겁지만, 실제로 희소한 것은 하드웨어나 대형 모델이 아니라 로봇에게 일을 가르칠 수 있는 고품질 훈련 데이터일 수 있습니다. 이 글은 데이터 계층이 로봇 산업에서 가장 가치 있는 부분이 될 수 있는 이유와 어떤 종류의 기업이 이 기회를 잡을 가장 좋은 위치에 있는지 분석합니다.

近年來 AI 의 빠른 발전은 많은 교훈을 남겼습니다. 그중 가장 중요한 하나는 컴퓨터 지능은 먼저 그 데이터의 함수라는 것입니다. 오늘날의 최첨단 모델과 그 능력이 존재하는 이유는 소수의 연구실이 이를 먹여 살릴 거대한 훈련 데이터 엔진을 구축했기 때문입니다. 이 엔진은 인터넷상의 방대한 무료 텍스트를 기반으로 구축되었습니다. 훈련 데이터는 이제 로봇 분야에서도 중요한 병목 현상입니다. 차이점은 로봇 훈련 데이터는 인간이 물리적으로 작업을 수행하고 기록해야 한다는 것입니다. 로봇 개발자들은 현재抓取할 수 있는 훈련 데이터 코퍼스가 없습니다. 그리고 이러한 훈련 데이터는 획득하기 더 어렵기 때문에 더 가치가 있습니다. 이 글에서 우리는 왜 데이터 계층이 오늘날 로봇 분야에서 가장 가치 있는 기회라고 생각하는지, 그리고 어떤 유형의 기업이 이 기회를 잡을 조건을 갖췄는지 설명할 것입니다.
지능과 데이터
컴퓨터가 등장한 지 70 년이 지났지만, 기계가 실제로 작업을 완료하게 하는 것은 종종 그 자체로 또 다른 작업입니다. 누군가 먼저 기계가 따를 수 있는 순서대로 모든 단계를 작성해야 합니다. 이는 본래某种 고정되고 정확한 프로세스에 기반한 작업에 완벽하게 부합합니다. 사람들은 수세기 동안 수학 연산, 회계记账 및账目 조정을 해왔지만, 컴퓨터는 동일한 프로세스를 더 빠르게 실행할 수 있습니다. 자동화는 직무 기능과 산업 전체를 재편했지만, 대체로 단일 작업에 국한되었으며, 더 중요한 것은 기계가 하는 모든 일은 먼저 사람이 작성해야 한다는 것입니다.
오늘날 기계는 일관된 산문을 작성하고, 구체적이고 개방적인 질문에 답변하며, 평범한 언어 설명을 코드와 배포 가능한 애플리케이션으로 변환할 수 있습니다. 이러한 근본적인 변화는 기계에 부여되는 명령의 유형과 명령을 내리는 방식을 바꾸었습니다. 작업은 여전히 명령에서 시작되지만, 명령을 받은 후 기계의 능력은 크게 진화했습니다. 더 중요한 것은 명령 자체가 훨씬 직관적이고 단순해졌다는 점입니다. 특히 상세한 사양에서 간단한 문장으로 단순화될 수 있습니다.
중요한 것은 기계의 능력을 바꾸려면 먼저 입력을 바꿔야 한다는 것입니다. 기계는 더 이상 특정 작업을 수행하는 방법에 대한 정확한 명령을 받지 않습니다. 대신 다양한 작업이 수행되는 수많은 예시를 제공받고, 이러한 예시를 관찰하여 학습합니다. 모델은 문장을 쓰는 방법을 가르치는 것이 아니라, 충분한 문장을 처리한 후 스스로 이 작업을 학습합니다. 모델은 코드를 쓰는 방법을 가르치는 것이 아니라, 충분한 실행 가능한 코드를 처리한 후 스스로 코드 생성을 학습합니다. 모델은 두 특정 언어를 번역하는 방법을 가르치는 것이 아니라, 충분한 번역 텍스트를 처리한 후 스스로 번역을 학습합니다.
이 차이를 더 잘 설명하기 위해 계산기와 ChatGPT 를 생각해 보세요. 계산기는 숫자를 포함하고 정의된 범위를 벗어나지 않는大型 복잡한 연산을 수행할 수 있지만, 기사를 작성하게 하면 쓸모가 없습니다. 언어 모델은 계산기로 사용될 수 있을 뿐만 아니라 기사 작성, 웹 검색, 실행 가능한 코드 생성 등 더 많은 작업을 수행할 수 있습니다. 핵심적인 차이는 훈련 데이터에 있습니다. 기계가 본 적 없는 질문에 답하는 패턴은 실제 예시에서만 학습할 수 있습니다. 따라서 AI 모델 훈련 예시가 많을수록 포착하는 세계의 구조가 더 많아지고 할 수 있는 일도 더 많아집니다. 동일한 메커니즘이 곧 물리적 세계의 로봇에게도 발생할 것이므로, 소프트웨어 분야에서 어떻게展開되었는지 먼저 이해하는 것이 도움이 됩니다.
패러다임의 순간
2020 년, OpenAI 는 GPT-3 를 발표했고, 몇 년 후 ChatGPT 가问世했습니다. 많은 사람에게 이것은 처음으로 추론처럼 보이는 애플리케이션이었습니다. ChatGPT 는 짧은 프롬프트만으로도 다양한 질문에 답변하고, 기사를 작성하며, 언어를 번역하고, 실행 가능한 코드를 생성할 수 있었습니다. 이러한 능력은 강한 공명을 일으켰습니다. ChatGPT 는 5 일 만에 100 만 사용자에 도달했고, 출시 두 달 만에 월간 활성 사용자 약 1 억 명을 기록하며 당시 소비자용 애플리케이션 중 가장 빠른 채택 기록을 세웠습니다.
ChatGPT 가 처음에는 GPT-3.5 에서 실행되었지만, 돌파구는 실제로 GPT-3 로 거슬러 올라갑니다. GPT-3 가 가능했던 이유는 그 훈련 데이터 규모가 전례 없었기 때문입니다. GPT-3 는 동일한 기본 GPT 모델의 3 세대이며,每一代의 파라미터 수는 이전 세대보다 약 한 자릿수 증가했습니다. 참고로 파라미터는 모델이 패턴을 인식하고 재현하는 핵심 기능을支える 구성 요소이므로, 파라미터가 많을수록 이 능력이 강해집니다. GPT-1 은 약 1.17 억 개의 파라미터를 가졌고, GPT-2 는 약 15 억 개, GPT-3 는 1,750 억 개였습니다.

파라미터 수의每一次 도약은 AI 모델 훈련에서 번거롭지만此前 필수불가결하다고 여겨졌던 단계를 제거하려고 시도했습니다. GPT-1 은 원시 텍스트에서 학습한 언어 능력이 특정 작업으로 전이될 수 있으며, 처음부터 시작하는 것보다 필요한 특정 작업 데이터가 훨씬 적다는 것을 증명했습니다. 이 모델은 먼저大量의 무标注 텍스트에서 다음 단어를 예측하도록 사전 훈련된 후, 각 구체적 작업에 대해较小的标注 데이터셋으로 미세 조정되었습니다.
미세 조정은 까다로운 부분이었습니다. 각 새로운 작업仍需要 자체적인 미세 조정 라운드와 자체적인标注 예시가 필요했기 때문입니다. 따라서 GPT-2 는 미세 조정이 정말 필요한지 테스트했습니다. 아이디어는 충분히 다양한 텍스트에서 훈련된 언어 모델은 그 자체로 만능이며, 미세 조정되지 않은 작업도 처리할 수 있다는 것이었습니다. 훈련 텍스트 안에 이미 이러한 작업이 가득 차 있기 때문입니다. 이 능력을 테스트한다는 것은 GPT 모델의 입력 규모를 확대하는 것을 의미했고,于是 OpenAI 는 파라미터 수를 10 배 이상 증가시켜 15 억 개로 만들고, 더 크고 다양한 웹 코퍼스에서 훈련했습니다. 최대 버전은 8 개 언어 벤치마크 테스트 중 7 개에서 미세 조정 없이도 당시 최첨단 결과에 도달했습니다. 단순히 모델 규모를 확대하는 것만으로 필수불가결하다고 여겨졌던 단계를 제거한 것입니다.
GPT-3 는 동일한 도박을 더 밀어붙였습니다. 약 3,000 억 개의 텍스트 토큰 (token, 단어의 일부) 에서 1,750 억 개의 파라미터를 훈련했습니다. 이러한 텍스트는 필터링된 Common Crawl, WebText2, 두 개의书籍 코퍼스 및 영어 위키백과에서 가중치 비율에 따라 추출되었습니다. 규모가 이처럼 극적으로 변화함에 따라 능력도相应하게 향상되었습니다. GPT-3 는 프롬프트에 직접 몇 가지 예시를 넣기만 하면 새로운 작업을 수행할 수 있었고, 미세 조정이 전혀 필요하지 않았습니다.

오늘날 모델의 능력은 GPT-3 를 훨씬 초과했지만, 그것은 여전히 중요한节点였습니다. 이는 GPT-3.5 와 ChatGPT 의 기반을 마련했으며, 이후 산업을 재편한 AI 붐을 일으켰습니다.
지능은 데이터를 따른다
최첨단 연구소는 최첨단 모델을 처음부터 구축하는 회사와 연구 기관입니다. 여기에는 OpenAI 와 Anthropic 이 포함됩니다. 그들은 이러한 모델을 생산에 투입했으며 전 세계 수억 사용자에게 제공했습니다.由此, 그들은数百억 달러의 투자를 유치했으며全球最有价值的公司之一가 될 것으로 기대됩니다. 그들의 성공은 종종 채용한 연구원과 보유한 거대한 컴퓨팅 파워에歸功합니다. 하지만 모델 훈련에 사용된大量의 데이터가 없었다면 이 모든 것은 불가능했을 것입니다.
GPT-3 가 증명했듯이, 최첨단 AI 모델 능력에 근접한 무언가를 구축하려면大量의 훈련 데이터가 필요합니다. 여기서 지적해야 할 점은 모든 훈련 데이터가 동일하지는 않다는 것입니다. 인터넷에서抓取한 원시 텍스트는 무료且充足합니다. 이는 모델에게 언어가 어떻게 작동하는지, 단어之间如何搭配하는지, 논증이如何 조직되는지, 어떤 사실이 어디에 나타나는지 가르칠 수 있습니다.抓取 코퍼스 규모가 확대됨에 따라, 이를 기반으로 훈련된 모델의 능력은 강해집니다. 그들은 결국没有人专门为其构建的任务로 일반화되기 시작합니다. GPT-3 는 언어之间 번역, 흐트러진 단어 정리, 기초 수학 등을 수행할 수 있었습니다. 이는 그 중 어느 것도专门针对 훈련하지 않았음에도 불구하고 가능합니다.事实上, GPT-3 는 Facebook 의 선도적인跨语言 모델 XLM 보다 프랑스어에서 영어로 번역하는 데 더 우수했습니다. 이는 짝을 이룬 프랑스어 - 영어 텍스트에서 훈련한 적이 없으며, 프롬프트의 소량의 예시에만 의존했습니다.
하지만 모델이抓取 텍스트만으로 훈련되지 않는 데는 이유가 있습니다. 이러한 모델은 종종 정확하거나 도움이 되는지와 상관없이 설득력 있어 보이는 답변을 제공합니다. 정확성을 높이려면 인간이 모델의 어떤 답변이 실제로 좋은지 판단해야 합니다. 한 사람은 프롬프트와 모델이 생성한 두 개의 답변을 본 후 어느 것이 더 좋은지 표시하거나, 답변을 읽고 오류를 수정하거나, 모델이原本应该给出的 답변을 처음부터 작성합니다. 각 판단은 하나의 훈련 샘플이 되며, 모델은 인간이 선호하는 출력을 선호하도록 조정됩니다. 이 과정을 인간 피드백 기반 강화 학습 (RLHF) 이라고 합니다. 이러한 판단은抓取 텍스트와는 다른 훈련 데이터이며, 더 가치가 있고 더 비쌉니다. 각 샘플은 웹에서 수집하는 것이 아니라 사람이 생성해야 하기 때문입니다. 질문이 어려울수록 평가자는 더 자격을 갖춰야 합니다. 모델의 세법에 대한 답변은 세법을 아는 사람만이评分할 수 있습니다. 따라서 공급업체는 의사, 변호사, 엔지니어를 채용하여 각 분야의 출력을 평가합니다. 최첨단 규모로 이러한 데이터를 생산하는 것은 어렵고 느리며 비쌉니다. 모델을 최적화하려면数百名이 수개월이 걸리며, 비용은数千万 달러에 달할 수 있습니다. 최첨단 연구소는 매년 이에数十억 달러를 지출합니다.
이러한 완전한 작업 샘플에서 훈련된 모델은 작업 계획, 단계별 실행, 그리고 이전에 축적된 경험을 학습하여 과정에서 스스로 수정하는 데 더 능숙합니다. 이를 에이전트라고 합니다. 에이전트는 광범위한 생산성 및 학습 도구가 되었습니다. 최첨단 연구소에게 이들은 지금까지 가장 빠르게 성장하는 제품 라인이 되었습니다. ChatGPT 는 이제 매주 9 억 명 이상의 사용자에게 서비스를 제공합니다. OpenAI 의 1 분기 수익은 약 57 억 달러이며, 2026 년 수익 실행률은 400 억 달러에 달합니다. 프로그래밍 에이전트인 Codex 는 2026 년 6 월 주간 활성 사용자가 500 만 명을 돌파했으며, 이는 2 월 독립 데스크톱 애플리케이션 출시 당시의 6 배 이상입니다. Claude Code 는 소프트웨어 엔지니어링 작업을 수행하는 에이전트로, 출시 6 개월 만에 연간 수익 10 억 달러에 도달했으며, 2026 년 2 월까지 25 억 달러를 초과했습니다. Anthropic 은同期 연간 수익 650 억 달러에 도달했으며, 2025 년 초에는 약 10 억 달러였습니다. Anthropic 과 연구 회사 Material 이 500 명 이상의 미국 기술负责人를 대상으로 수행한 조사에서 86% 가 생산 코드 작성을 위해 프로그래밍 에이전트를 배포했다고 답했으며, 42% 는 인간의 감독 하에 개발 작업을 주도하는 것을 신뢰한다고 답했습니다.
선도적인 AI 애플리케이션의 초기 급속한 성장은 새로운 분야에 적용되면서带来的 돌파구에서 비롯되었습니다. 에이전트가 현재 수행할 수 있는 모든 작업은 컴퓨터上で 발생합니다. 오늘날 세계의很大一部分이 컴퓨터上で 실행되지만, 세계及其大部分劳动은 물리적입니다.
AI 의 다음 기반은 물리적 세계다
2026 년 상반기,全球 로봇 스타트업은 188 억 달러를 조달했습니다. 비교적으로 2025 년 전체는 150 억 달러였으며, 2021 년에 세운 141 억 달러의 연간 기록을 초과했습니다. SoftBank 는 ABB 의 로봇 부문을 54 억 달러에 인수하는 데 동의했으며, 물리적 AI 가次の 프론티어라고 밝혔습니다. Meta 는 자체 물리적 AI 기초 모델을 훈련하기 위해 Assured Robot Intelligence 를 인수했습니다. Unitree 는 최근 상하이에서 IPO 를 승인받았습니다. 배포는 거래와 함께展開되었습니다. 예를 들어, BMW 는 독일 공장에서 인간형 로봇을 시범 생산에 사용하기 시작했습니다. 일본 항공은 도쿄 하네다 공항에서 인간형 로봇을 수하물 운송에 사용합니다.

하지만 로봇은 1961 년부터 공장에서 일해 왔습니다. 당시 Unimate 로봇 암은 뉴저지州 유인의 제너럴 모터스 다이캐스팅 생산 라인에 설치되었습니다. 1966 년부터 1972 년까지 스탠포드 연구소는 Shakey 를 제작했습니다. 이는 고정된 시퀀스를 실행하는 것이 아니라 자체 동작을 추론할 수 있는 첫 번째 이동 로봇이었습니다. 와세다 대학은 1972 년 WABOT-1 을 완성했는데, 이는 첫 번째 풀사이즈 인간형 로봇이었습니다.
그렇다면 왜 자금과 관심이 지금 갑자기 상승했을까요?
로봇은 이제 생각할 것이 생겼습니다. 로봇은 행동하기 전에 무엇을 할지 먼저 결정해야 합니다. 결정을 내리려면 물리적 세계가如何 작동하는지에 대한大量의 세부 정보가 필요합니다. 언어 모델은 인터넷 텍스트에서 이러한 정보를 흡수했으므로, 로봇은 이제 이를 뇌로 사용할 수 있습니다. 하지만 언어 모델은 소프트웨어를 처리하고 텍스트를 출력하는 반면, 로봇은 물리적 세계를 처리하며 그 출력은 동작입니다. 비전 - 언어 - 동작 (VLA) 모델은 물리적 세계와 소프트웨어 세계를 연결하는 솔루션으로 등장했습니다. 이는 로봇 카메라가 보는 장면과 받은 명령을 입력받아 실제 관절 운동을 반환합니다. 실제로 이는 로봇 개발자가 각 유닛마다 커스텀 코드를 작성하여 한 번에 하나의 작업만 수행하도록 할 필요가 없다는 것을 의미합니다. 그들은 AI 애플리케이션을 조작하는 것에 더 가까워질 수 있으며, 간단한 자연어로 작업을 지시한 후 실시간으로 동작을 계산할 수 있습니다.
로봇의 몸은 저렴해졌습니다. 로봇은 카메라와 LiDAR 를 통해 관찰합니다. LiDAR 는 레이저 펄스를发射하고 반환되는 데 걸리는 시간을计时하여 주변 환경의 지도를 구축합니다. 10 년 전만 해도 LiDAR 유닛은 대체로 너무 비싸다고 여겨졌습니다. 하지만 휴대폰 제조사와 자동차 제조사가随后 동일한 센서를 대량 구매하기 시작했습니다. 이는 로봇 회사를 포함한 모든 사람의 가격을 낮췄습니다. 모터와 관절의 비용도 각각 감소했습니다. 중국 제조사가 과거 소수의 일본과 독일 회사가 소량으로 생산하던 부품 분야에 진입했기 때문입니다. 중국 부품으로 제조된 인간형 로봇의 현재 비용은 약 35,000 달러입니다. Unitree 의 G1 인간형 로봇 가격은 13,500 달러입니다.
더 강한 지능과 더 저렴한 하드웨어는 로봇及其能力的进步에 중요합니다. 하지만 AI 모델과 마찬가지로 모든 것은 먼저底层 훈련 데이터에 달려 있습니다. 이러한 데이터가 왜如此 가치 있는지 이해하려면 먼저 로봇이 정확히 무엇인지 되돌아보는 것이 좋습니다.
로봇 이해하기
정의상 로봇은 환경을 감지하고, 생각하며, 결정을 내리고, 물리적 세계에서 동작을 수행하는 자율 기계입니다. 간단히 말해, 몸이 있는 컴퓨터입니다.
거의 모든 로봇은 동일한 구성 요소로 이루어져 있으며, 각 구성 요소는 인체의某個 생물학적 유사체에 해당합니다. 골격은 일반적으로 금속이며, 링크라고 불리는 강성 세그먼트로 구성됩니다. 링크는 관절을 통해 연결되며, 관절은 운동을 가능하게 합니다. 센서는 기계의 감각 기관을 구성합니다. 여기에는 로봇 자체 링크의 위치를 측정하는 고유 수용 감각 센서와 로봇이 위치한 환경을 측정하는 외부 감각 센서가 포함됩니다. 액추에이터는 가장 일반적으로 전기 모터이며, 로봇의 근육 역할을 합니다. 기어와 같은 전송 장치를 통해 링크에 힘을 가하여 힘을 증가시키고 속도를 비례적으로 낮춰 사지가 느리고 강력한 운동을 생성하도록 합니다. 구리 선은 액추에이터에 전력을 공급하며, 신호는 데이터 버스를 통해 역으로 전송됩니다. 데이터 버스는 공유 라인으로, 각 관절과 센서가 이에 연결되며, 각 메시지는 전송 부품의 주소가 표시되어 있습니다. 전력은 대부분의 공장 암과 같이 벽에서 케이블을 통해 공급되거나 로봇이 휴대하는 배터리에서 공급됩니다.

피드백 루프는 이러한 다양한 물리적 부품을 연결하여 로봇이 실제로 물리적 작업을 수행하고, 과정을 기록하며, 학습을 개선할 수 있게 합니다. 더 정확히 말하면, 로봇 소프트웨어는 센서에서 정보를 받아, 다음에 무엇을 할지 결정하기 위해 정보를 처리하고, 액추에이터에 명령을 전송합니다. 액추에이터는目の 앞의 물체에 힘을 가하며, 센서는随后 결과를 읽고 루프가 닫힙니다. 로봇 공학자는 이를 인지 - 계획 - 행동 프레임워크라고 부릅니다. 무슨 일이 일어나고 있는지 파악하고, 무엇을 할지 결정하며, 그것을 발생시키고, 각 관찰로부터 학습합니다.

인지와 행동은 하드웨어 기반 기능이므로, 사용 가능한 부품及其 비용에 따라 작동的好坏가 결정됩니다. 계획은 소프트웨어 기반이며,很大程度上 훈련 데이터의 가용성과 품질에 달려 있습니다.
로봇 훈련 데이터 이해하기
로봇은 작업 수행录像에서 작업을 완료하는 방법을 학습합니다. 각录像는 두 개의 동기화된 스트림을 쌍으로 합니다. 1) 카메라와 센서가 기록한 것; 2) 동일한 순간에 응답으로 발행된 어떤 모터 명령. 이러한 쌍이 충분히 많으면 모델은 작업을 완료하는 것을 보는 것에서 스스로 완료하는 것으로 대응하기 시작할 수 있습니다.
이 과정을 프로그래밍하는 것은 단일 고정 작업에서는 문제가 없습니다. 운동은 한 번 작성하고 반복할 수 있기 때문입니다. 공장 생산 라인에서 도장을 찍는 로봇 암을 생각해 보세요. 이는 동일한 순간에 동일한 위치의 동일한 패널에 직면합니다. 하지만 어느 정도 변화와 불확실성이 있는 작업 (삶의 대부분이 종종 그렇습니다) 은 이를 더 복잡하게 만듭니다. 특히 실시간에는大量의 무의식적 결정이 있으며, 대부분 경험과 직관을 통해서만 학습할 수 있습니다. 누구도 셔츠를 얼마나 세게 잡아야 하는지, 또는 컵을 들어 올리기 위해 얼마나 세게 잡아야 하는지 생각하지 않습니다. 따라서 이러한 무의식적 지식을 사양으로 작성하려고 시도하는 대신, 로봇 개발자는 작업의 실시간 실행을 기록하여 이를 포착합니다.
로봇의 모델 (그것의 뇌) 은 간단하고 직접적인 질문에 답변해야 합니다. 카메라와 센서가 지금 표시하는 내용을 기반으로 모터는 다음에 무엇을 해야 하는가? 카메라 이미지와 로봇 관절 및 손가락 센서의 읽기 값은 숙련된 작업자가 각 순간에 생성한 정확한 모터 명령과 함께 표시됩니다. 인터넷에는大量의 비디오 콘텐츠가 있지만, 대부분 로봇 학습에 필요한 이 두 가지具体要求가 부족합니다. 현재 로봇 훈련 데이터를 생산하고 수집하는 몇 가지 다른 방법이 있습니다.

원격 조작: 인간이 로봇을 직접 제어하며, 로봇의 몸을 통해 작업을 수행합니다. 운동 추적 장치나 로봇 암을 미러링할 수 있는 컨트롤러를 사용합니다. 시스템은 로봇이 본 것, 관절 센서가 측정한 것, 운영자의 동작이 생성한 모터 명령을 기록합니다.
모션 캡처: 사람이 추적 마커나 센서 슈트와 장갑을 착용하여 작업을 수행합니다. 이는 신체와 손의 정확한 3D 궤적을 생성한 후 로봇 관절에 다시 매핑합니다.
일인칭 시점 비디오: 헤드 장착 카메라가 사람이 자신의 손으로 작업을 하는 것을 기록합니다. 소프트웨어는随后 프레임을 처리하여 손과 손가락 위치를 추정하고等效의 로봇 동작으로 변환합니다.
합성 데이터: 시뮬레이션 환경에서 로봇이 작업을 시도합니다. 각 시도는 훈련 샘플로 기록됩니다.
지적해야 할 점은 데모에서만 훈련된 모델은不可避免地 한계에 부딪힌다는 것입니다. 대부분의 데모는 작업이 순조롭게 진행되는 것만 보여주며, 모델은 오류를 본 적이 없고 오류가 발생했을 때 어떻게 해야 하는지 학습하지 못했기 때문입니다. 일반적인 솔루션은 데이터 생산 자체를 루프로 만드는 것입니다. 공식 로봇 학술 용어로 이를 DAgger (데이터 집합 집계) 라고 하며, 상호작용 모방 학습의 일종입니다. 인간 데모는 초기 모델을 훈련시킨 후, 로봇이 스스로 작업을 시도합니다. 오류를 범하면 인간 운영자가 원격 조작을 통해 인계하여 오류를 수정하고, 제어권을 로봇에게 다시 넘겨줍니다. 동시에 수정 내용은 로봇의 훈련 데이터에 포함되어 향후 참조됩니다. 로봇 팀의 일반적인 목표는 결국 로봇이 스스로 연습하도록 하는 것입니다. 시도는 정의된 규칙 세트에 따라 점수가 매겨져 성공적인 행동을 강화합니다. 하지만 실제로는 현재 대부분의 작업이 초기 단계에 있으며, 인간이 이 루프에 밀접하게 관여합니다.

훈련 루프의 산물은 우리가 로봇의 "뇌"라고 부를 수 있는 것입니다. 이는 훈련된 모델로,某一 순간의 카메라와 관절 센서 보고를 받아 다음 모터 명령을 반환합니다. 오늘날 모델은 세 가지 등급으로 판매되며, 각 등급은 로봇의 자율성 정도에 해당합니다.
첫 번째 등급은 스킬 모델로, 가장 좁은 모델입니다. 이는 훈련 루프를 실행하여 단일 작업을 수행하며, 환경은 약간 다릅니다. 이는 단일 반복 동작을 위해 설계된 공장 생산 라인 로봇처럼 들립니다. 하지만 스킬 모델은 다른 조건에서 유일한 작업을 수행하는 방법을 학습합니다. 예를 들어 다른 위치나 다른 조명 아래에서 작업을 수행합니다. 두 번째는 자율 모델입니다. 이는 다양한 스킬 모델을 완전한 작업으로 연결하며, 단계之间의 결정을 처리하고 필요에 따라 각 개별 스킬 모델을 호출합니다. 세 번째 등급 모델은 오늘날 널리 인정받는 "최첨단"입니다. 즉, 비전 - 언어 - 동작 모델로, 약칭 VLA 입니다. 이는 시각, 일반 언어 명령 이해 및 행동 취하기를 결합한 단일 훈련 시스템입니다. 이 설계는 언어 모델에서 차용했으며, 몇 가지 선도적인 구현에서 실제로 이를 사용했습니다. 하나의大型 비전 - 언어 모델, 즉 챗봇 뒤의同类 시스템이 장면 이해와 행동 계획이라는 느린 고수준 추론을 처리합니다. 다른 더 빠른 구성 요소는 계획을 초당 여러 번의 연속 운동 명령으로 변환합니다.
VLA 는 인터넷 규모 사전 훈련에서 일반 지식을 상속받기 때문에, 아무도 가르치지 않은 것을 알고 도착합니다. 이는 새로운 능력을 추가하는 방식을 바꿉니다. 스킬 모델은 그 작업 외에는 아무것도 모릅니다. 따라서 새로운 작업은 처음부터 시작意味着 하나씩 데모를 진행하는 것입니다. VLA 는 일반 언어로 작업을 받을 수 있습니다. 이는 이미 물체와 목표에 대한 어느 정도의把握을 가지고 있습니다. 따라서 그 데모는 물리적 기술만 제공하면 되며, 기술, 물체 및 작업 개념을 한 번에 제공할 필요가 없습니다.
데이터 병목 현상
이러한 데이터를 생산하는 각 방법은 동일한 근본적인 제약을 받습니다. 데이터가 존재하려면 먼저 물리적 실행이 한 번 발생해야 합니다. 하나의 데모 기록 시간은 작업 실행 시간과 같습니다.全程 로봇 한 대, 작업 장소 및 운영자를 차지합니다. 언어 모델은 더 많은 데이터가 필요할 때, AI 연구소는 더 많은 웹 크롤링과 더 많은标注员 고용으로 전환합니다.而 로봇은 더 많은 데이터가 필요할 때, 솔루션은 더 많은 로봇, 더 많은 운영자, 더 많은 창고 작업 시간이 필요합니다.
모델은 실제로 작업之间 일부 일반 능력을 전달할 수 있습니다. 하지만 새로운 작업을 신뢰적으로 수행하려면 여전히 해당 특정 작업의 데모가 필요합니다. 각 작업에는 변화가 있습니다. 예를 들어 다른 물체, 레이아웃, 조명 등. 이들은 모두 각각のカバー가 필요합니다. 따라서 데모 수요가 단기적으로 둔화될 것이라고 상상하기는 어렵습니다. 모델은 결국 언어 모델처럼 소량의 예시에서 새로운 작업을 학습할 수 있을 것입니다. 하지만 GPT-3 및 그 후속 모델이 보여주었듯이, 능력 도약은 훈련 데이터와 입력의 기하급수적 증가에서만 나올 수 있습니다.
로봇의 큰 기회는 데이터 계층에 있다
로봇 스타트업은 2026 년 상반기 자금 조달액이 2025 년 전체를 초과했습니다. 2025 년 자체도 기록적이었습니다. 열정과 현실 사이의 격차, 로봇 수요와 현재 실제 능력 사이의 격차는 여전히 큽니다. 간단히 말해, 로봇 수요는 크지만 오늘의 로봇은 아직 충분하지 않습니다. 로봇 개발사 Unitree 는 2025 년 5,500 대 이상의 인간형 로봇을 출하했습니다. 이는 회사가 공개한全球 최고 출하량입니다. BMW, 메르세데스 - 벤츠, 아마존 등의 상징적인 산업 배포는 모두 파일럿이며, 수십 대의 기계만 포함합니다. 산업 구매자는 95-99% 시간 사용 가능한 기계가 필요합니다. 현재 인간형 로봇은 30-90 분 작동하면 충전이나 인간 개입이 필요합니다. 로봇 손은 변화하는 물체를 신뢰적으로 처리할 수 없습니다. 그 뇌는 최첨단 연구소 모델이 지난 몇 년 동안 크게 진보했음에도 불구하고, 물리적 현실의 차이와 예상치 못한 복잡성에 혼란을 겪습니다.
前三代 GPT 모델은 능력 격차를 줄이는 가장 효과적인 방법은 모델에 더 많은 고품질 데이터를 제공하는 것임을 증명했습니다. 여기의 제한은 언어 모델에 필요한 데이터가 이미很大程度上充足하다는 것입니다. 이는 인간이 수세기 동안 기록하고 역사를 쓴 덕분입니다. 로봇에 필요한 데이터는 다중 모드, 시간 동기화 및 물리적 수집입니다. 이는 텍스트처럼 크롤링될 수 없으며, 사람이 로봇과 기록 장치를 조작하여 제조해야 합니다.标注도 텍스트标注처럼 병렬화할 수 없습니다. 접시가 안정적으로 놓였는지 아닌지 판단하는 것은 패턴 매칭이 아니라 물리적 직관이 필요하기 때문입니다. 따라서标注 팀은 단순히数千名의 원격 작업자로 확장할 수 없습니다.
모든 로봇 제조자,无论是 로봇 회사나 모델 연구소, 모두 이러한 데이터가 필요합니다. 하지만 이를 획득하는 지름길은 없습니다. 공공 데이터 세트의 내용은 특정 로봇으로 이전될 수 있는 것이 거의 없습니다. 내부 생산 데이터는 창고, 함대, 운영자를 운영하고 모든 관련 비용을 부담하는 것을 의미합니다. 유사한 상황이 소프트웨어 분야에서도 발생했습니다. 최첨단 연구소는 인터넷에 없는 인간의 판단과 전문가가 작성한 예시가 필요합니다.而 이러한 데이터를 생산하는 공급업체 (예: Scale, Surge, Mercor) 는 약 85 억 달러 수익의 카테고리로 성장했습니다.
앞길은 수직 통합에 있다
유용한 비교는 칩 제조입니다. 칩을 설계하는 것과 칩을 제조하는 것은 두 가지 사업입니다. 설계는 지식 재산권입니다.而 설계를 실리콘 웨이퍼에 식각하는 공장은数十亿 달러가 소요되며, 거의 풀가동되어야만 비용을 회수할 수 있습니다. 따라서 대부분의 칩 회사는 더 이상 공장을 소유하지 않습니다. 엔비디아, 퀄컴, 애플은 모두 칩을 설계하지만 스스로 제조하지는 않으며, 제조는 TSMC 에 맡깁니다. TSMC 는 자체 제품을 설계하지 않지만, 오늘날全球 거의 모든 최첨단 칩을 제조합니다.
로봇 데이터 계층은 가치가 있지만, 점유하기 어렵고 성공하기는 더욱 어렵습니다. 특정 로봇 몸체에서 기록된 데모及其关联 데이터 세트는 다른 로봇으로 이전될 수 없습니다. 이는 데이터 공급업체가 각 고객마다 제품을 재 구축해야 함을 의미합니다. 앞에서 언급했듯이 데모만으로 가르칠 수 있는 내용에도 한계가 있습니다. 데모는 작업이 올바르게 수행된 것만 보여주기 때문입니다. 모델은 여전히 오류가 발생했을 때 어떻게 해야 하는지 학습해야 합니다. 훈련 중에는 종종 운영자의 개입이 필요합니다. 로봇 훈련 데이터를 찾는 고객은 원시 데이터에 거의 관심이 없습니다. 그들은 로봇이 변화할 때 지속적으로 데이터를 생산하는 능력을 더 중요하게 생각합니다. 이는 1) 기록용 로봇, 2) 이러한 로봇이 수행할 실제 작업, 3) 각 실패를 다음 모델로 피드백하는 파이프라인이 필요합니다. 현재 독특한 기회가 있습니다. 이 세 가지 구성 요소를 소유함으로써, 한 기업은 로봇 훈련 데이터 계층을 소유할 수 있습니다.
사례 연구: Eastworlds
이 새로운 기회를 적극적으로 잡는 팀은 Eastworlds 입니다. 이는 Virtuals Protocol 의 새로운 로봇 부문입니다. 실제로 Eastworlds 는 neodeployment 로봇 연구소 및 액셀러레이터입니다. 이는 로봇 및 구체화 AI 스타트업을 서비스합니다. 팀은 쿠알라룸푸르에서 운영되며, 동남아시아에서 가장 많은 Unitree G1 로봇 (30+ 대) 을 보유하고 있습니다. 팀은 카네기 멜론 대학교, 난양 공과대학교 등高校와 연구 협력을 구축했습니다.
Eastworlds 의 비즈니스 모델은 로봇 데이터 수집 및 새로운 배포를 중심으로 합니다. 데이터 수집은 원격 조작 및 그리퍼 데이터, 비디오, 고유 수용 감각, 모션 캡처, 데이터 세트 검토 및 품질 보증, 그리고 전략 개선 데이터 세트를カバー합니다. 여기에는 인간 수정 및 관련 복구 데이터가 포함됩니다. 데이터 수집 외에도 Eastworlds 는 새로운 배포에 중점을 둡니다. 즉, 로봇을從未 사용된 로봇의 상업적 시나리오에 배치하는 것입니다. 기계는 원격 조작 하에 유급 작업을 수행하며, 동시에 작업 자체가 기록을 생성합니다. 고객은 노동력을 구매하며, 동시에 Eastworlds 에 데이터를 생성합니다.
각 배포는 데이터를 생성하며, 일반적으로 비구조화되어 있고 실제 운영에서 비롯되었기 때문에 엣지 케이스로 가득 차 있습니다. 이러한 데이터는 자기 중심 원격 조작 데이터, 다중 모드 감각 입력 및 작업 실행 피드백의 형태로 수집되며, 회사가 구체화 AI 데이터 레이크라고 부르는 곳에 합류합니다. 단기적으로 이러한 데이터는 함대를 운영하는 모델을 재훈련하여 각 기계가 현재 작업에서 실패를 줄이도록 합니다. 장기적으로 누적된 데이터 세트는 다음 세대 VLA 및 세계 동작 모델의 훈련 재료가 되어, G1 함대를 원격 조작에서 완전 자율로 전환시킬 것입니다.
Eastworlds 는 또한 인큐베이터를 운영하며, 심사를 통과한 팀에 자금을 제공하고 한 달 동안 로봇 함대, 시설 및 원격 조작 스택을 사용할 수 있게 합니다. 각 팀은 자신의 상업적用例를 추구합니다. Teng 에 따르면 현재 7 개 팀이 입주해 있으며, 엔터테인먼트, 석유 및 가스, 잡화 및 호텔 관리를カバー하며, 20 개 이상의 팀을 수용할 계획입니다. 각 팀은 공유 함대에서 자신의 배포를 실행하며, 자신의 실패 및 수정 솔루션을 노출합니다. 학습 결과와 데이터는 모두 데이터 레이크로 흘러 들어가, 소프트웨어 AI 에이전트에 사용되는 동일한 메커니즘을 로봇에도 사용합니다.
Eastworlds 는 Virtuals Protocol 의 온체인 인프라를 통합하여 데이터 운영의 경제 문제를 처리합니다. Eastworlds 는 분산된 비즈니스 모델을 채택합니다. 이는数千 시간의 기록 및 원격 조작을 포함하며, 많은 사람이 많은 곳에서 수행합니다. 품질은 결제 전에 검증되어야 합니다. 이러한 노동력을 고용하려면 각 관련 지리적 영역에薪酬 및 감독 시스템을 구축해야 합니다. 다른 방법은 인센티브를 사용하는 것입니다. 즉, 작업과 보상을 게시하면 기여자는 어디서나 참여할 수 있으며, 결제는 배달 검증 후 신속하게 이루어집니다. 대규모로 이러한 메커니즘을 활성화하려면 프로그래밍 가능하고全球性이며 저비용의支付 궤도가 필요합니다. Virtuals 는 이미 Base 와 Solana 에서 소프트웨어 AI 에이전트를 위해 이러한 궤도를运行하여 자금 조달, 거래 및 프로그램 결제를 수행합니다. Eastworlds 는 동일한 설계를 로봇 훈련 데이터에 사용하며, 토큰 인센티브를 사용하여 분산된 노동력을 모집하고 지급합니다.
이 데이터의 시장은 이미 지불 중입니다. Teng 에 따르면 구매자는 1 시간 자기 중심 기록에 약 3~10 달러를, 1 시간 원격 조작에 50~100 달러를 지급합니다. 이러한 요율은 아시아 대부분의 지역의典型 시급보다 높습니다. 전통적으로 토큰 인센티브 활동은 시스템 외부에서 아무것도 구매하는 사람이 없기 때문에 새로운 참여자 진입이 중단된 후 붕괴되는 경향이 있습니다. 하지만 여기의 인센티브는 데이터를 구매하는 연구소인 유료 고객에 의해支됩니다. 따라서 데이터 수요가 존재하는 한 자금 풀은 유지될 수 있습니다.
종합하면, Eastworlds 의 로드맵은 대략 다음과 같습니다. 오늘 데이터를 판매하고 새로운 배포를 판매합니다. 구매자가 이미 둘 다에 대해 지불하고 있기 때문입니다. 이러한 유료 배포를 이용하여 단계별 수집으로 생성할 수 없는 내용, 특히 수정 데이터를 수집합니다. 그런 다음 증가하는 데이터 레이크를 이용하여 모델을 훈련시킵니다. 단일 작업 모델에서 시작하여 점차 더 일반적인 모델로 이동합니다. 이러한 모델은 각각 원시 데이터보다 훨씬 높은 가격에 판매됩니다. Eastworlds 는 데이터 계층에서 운영되지만, 그 해자는 데이터를 지속적으로 생산하는 데 필요한 모든 것입니다. 여기에는 G1 함대, 운영자, 인큐베이팅 팀, 현장 배포 및底层의支付 궤도가 포함됩니다.
위험과 중요한 고려 사항
물론 로봇 데이터 계층 확장 вокруг에는 몇 가지 위험과 중요한 고려 사항이 있습니다. 이 카테고리에 대한 가장 깊은 반론은 원격 조작이 결국 로봇 자율성으로 이어지지 않을 수 있다는 것입니다. 로봇이 호텔 교대를 완료하기 위해 운영자가 필요한 경우, 어떻게든 인간이 관여하는 것입니다.只不过 로봇一台及其 관련 비용이 추가될 뿐입니다. 원격 조작 공급업체와 로봇 제조사는 이것이 활동 변화가 작고 실패가 반복될 때의 임시 단계일 뿐이라고 생각합니다. 모델은 실제로 운영자가 완전히 개입하지 않을 때까지 지속적으로 개선될 것입니다. 처음에 로봇을 어렵게 만든 작업, 즉 물체, 레이아웃 및 실패 패턴이 지속적으로 변화하는 작업은 오늘날 운영자가 완전히 떠날 수 없는 작업입니다. 이러한 작업은 또한 가장 가치 있는 데이터를 생성합니다. 이것이 완전한 자율성이 실제로 도달하지 못한 세상에서도 공급업체가 수익을 유지할 수 있는 이유입니다.
시뮬레이션은 기록된 데모에 대한 수요를 위협합니다. 기록된 데모는 데이터 공급업체가 판매하는 제품입니다. 운영자가 수동으로 기록하면 시간당 약 5~50 개의 클립을 생성하지만, 시뮬레이터는 하룻밤 사이에 거의 제로 비용으로 수백만 개를 실행할 수 있습니다. 시뮬레이션이 여전히 잘하지 못하는 것은 접촉입니다. 두 물체가 접촉하면 시뮬레이션 물리와 실제 물리가 diverge 하기 때문입니다. 이것이 시뮬레이션 데이터만으로 물체를 잡을 수 있는 로봇을 훈련할 수 없는 이유입니다. 팀은 시뮬레이터의 조건을 무작위화하여 이 격차를 줄이고 있습니다. 예를 들어 조명, 질감, 마찰 등입니다.这样 모델이某种 렌더링에 과적합되지 않도록 합니다. 그들은 또한 시뮬레이터의 물리 설정을 조정하여 시뮬레이션 암의 운동 방식이 실제 암과 일치하도록 합니다.
로봇 훈련 데이터 자체의 가격도 하락했습니다. SVRC 의《2026 년 로봇 산업 현황》에 따르면, 1 시간 고품질 원격 조작 데이터는 2024 년 초 약 340 달러였으며, 2025 년 4 분기 136 달러로 하락했고, 2026 년 3 월 118 달러로 하락했습니다. 하락은 두 가지 요인에 의해 주도되었습니다. 첫째, 마스터 - 슬레이브 장치가 2,000 달러 이하로 하락하여, 운영자가 소형 복제 암을 이동하고 로봇이 그대로 따르는 설정에 더 이상 커스텀 하드웨어가 필요하지 않게 되었습니다. 둘째, DROID 및 LeRobot 과 같은 소프트웨어는 이제 운영자의 원시 기록을 훈련 준비 데이터 세트로 직접 포맷팅할 수 있어人工 정리가 필요하지 않습니다. 둘 다 여전히 개선 중입니다. 따라서 기록 시간을 제품으로 하는 공급업체는 2 년 이내 가격이 약 66% 하락한 시장에 진입하고 있습니다.
경쟁적인 로봇 데이터 공급업체는 Eastworlds 와 거의 동시에 수직 통합으로 나아갔습니다. Adamo 는 40 밀리초 미만의 지연 시간을 가진 제어 소프트웨어와 함께 호스팅된 원격 조작을 판매하여, 로봇 회사가 자체 운영을 구축할 필요가 없게 합니다. XDOF 는 2024 년 10 월에 설립되었으며, 단순 기록 데이터 판매에서 정리, 도구 및标注로 확장되었습니다. 창립자의 판단은 기록 데이터만 판매하는 것은 막다른 길이라는 것이었습니다. Physical Intelligence, Lux, iMerit 및 DataX Power 는 모두 호스팅된 수집 плюс配套 도구의某种 버전을 판매합니다. DataX Power 는 동남아시아에서 프로젝트를 진행하며, Eastworlds 의 운영区域과 동일합니다. 하지만 그들은 모두 자체 유료 상업 배포를 운영하지 않습니다. 수정 데이터는 상업 배포에서 비롯됩니다. 이는 창고에 더 많은 운영자를 고용하여 복제할 수 없는 피드백 루프의 부분입니다. 수집 계층은确实 혼잡하지만, 배포 계층은 얇습니다.
로봇 제조사는 자연스럽게 더 어려운 문제입니다. 몇몇은 이미 자체적으로 훈련 데이터를 생산하기 때문입니다. Figure 는 BMW 배포에서 자체 원격 조작 함대를 운영합니다. 테슬라 Optimus 프로젝트는 동일한 루프 위에 구축되었습니다. 로봇 배포, 실패 기록 및 재훈련. 이러한 운영자는 이미 하드웨어, 배포 및 고객 관계를 보유하고 있습니다. 이는 그들이 데이터를 축적하는 것이 데이터를 구매하는 그 누구보다 빠르다는 것을 의미합니다.
하지만 그들이 축적하는 데이터는 단일 로봇이 한 회사의 작업을 하는 데이터일 뿐입니다. 한 공급업체는 호텔, 농장 및 창고의 20 개 고객을 서비스합니다. 그들이 수집하는 데이터의 다양성은任何 단일 제조사 함대가 생성할 수 없는 것입니다. Figure 와 테슬라는 또한全球 자금에서 가장 풍부한 두 로봇 팀입니다. 그 아래의几十家 로봇 제조사는 이러한 규모의 운영에 자금을 조달할 수 없습니다. 이것이 독립 공급업체가 실제로 판매할 수 있는 시장입니다.
토큰으로 기여자에게 지급하는 것은 비디오를 1 시간 기록하는 사람이 있는 모든 국가에 임금 및 규정을 설립하는 것을 피합니다. 하지만 이는 기여자 수입을 그들이 한 작업이 아니라 토큰 가격과 연결합니다. 따라서 후퇴 기간 동안 채용이 가장 어렵습니다.而那正是 운영이 가장 안정적인 산출이 필요할 때입니다. 이러한 노동자 지급의 법적 처리는 대부분의 관련 사법 관할권에서도 아직 확정되지 않았습니다. Eastworlds 의 답변은 고객 수입이 인센티브를资助하며, 새로운 토큰 구매자가 아니라는 것입니다. 이는 물론 올바른 구조입니다. 이는 풀이 새로운 참여자 도착에 의존하지 않음을 의미합니다. 고객이 지속되는 한 이 구조는 성립합니다. 기여자 기반이 변동 자산으로 평가되는 공급업체에는 임금 기반 경쟁자가 없는 두 번째 실패 모드가 있습니다.
Eastworlds 는 신흥 로봇 분야를 위해 삽을 파는 사업을 구축하고 있습니다. 특히 훈련 데이터 계층周围입니다. 소프트웨어 버전은 이미全程을走完했습니다. 최첨단 연구소는 최첨단 모델을 구축하기 위해 경쟁하며数千亿을 지출합니다. 그들에게 훈련 데이터를 판매하는 회사 Scale, Surge 및 Mercor 는数十亿 달러 기업으로 성장했으며, 어떤 고객이 이기든 그들은 돈을 법니다.
그 열기는 소프트웨어에서 물리적 세계로 퍼졌습니다. 로봇은 언어 모델에서 차용한 뇌와 주로 중국 제조사가 대량 생산한 저렴한 몸을 가지고 있습니다. 모든 진지한 연구소와 로봇 제조사는 신체 작업을 자율적으로 완료할 수 있는 동일한 기계를 쫓고 있습니다. 그들이 건너뛸 수 없는 것은 학습할 수 있는 신체 작업 예시입니다. 이러한 예시는抓取할 수 없으며, 대부분 사람이 로봇을 조작하여 한 번에 하나의 기록 세션을 생성해야 합니다. 집계된 공공 데이터 세트는 모델 시작을 도와줍니다. 하지만 로봇 작업의 건물, 실행되는 하드웨어 및 그 구체적인 실패 방식은 모두 다시 기록되어야 합니다. 따라서 수요는 한 번에 충족되는 것이 아니라 각 배포 업데이트마다 발생합니다.
원시 데모만 판매하는 공급업체는 대체되고 착취당하기 쉽습니다. 기록은 로봇之间 이동성이 낮으며, 소수의 고객이 종종 대부분의 수익을 차지하기 때문입니다. 한 공급업체가 로봇 함대를 소유하고, 운영자를 고용하며, 배포를 관리한다면. 그는 각 현장 실패를 다음 모델로 가져옵니다. 그는 고객이 떠나거나 재 구축하기 어려운 기업이 될 것입니다. 그가 하는 일은 원래 5 개 공급업체가 필요했던 일입니다. 이것이 바로 Eastworlds 가 구축하고 있는 것입니다. 그 Unitree 함대는 현재 호텔과 쇼핑몰에서 유료 파일럿 작업을 수행하고 있습니다. 운영자는 자율 실패 시 개입합니다. 둘 다 결국 훈련 데이터가 되어 데모와 수정 형태로 데이터 레이크에 합류합니다. 데이터가 오늘날 로봇 기술의 가장 큰 병목 현상임에도 불구하고, 주변 인프라는 여전히高度 분산되어 있습니다. 이제 기업이 수직 통합하고 가능한 한 많은 로봇 데이터 계층을 소유할 독특한 기회가 있습니다. Eastworlds 는 이 기회를 잡을 좋은 조건을 갖췄지만, 그것이 이루어질지는 시간만이 증명할 것입니다.















