전 Meta AI 연구원 2명이 설립한 스타트업 Perceptron이 산업 환경에서 로봇이 인식하고, 추론하고, 행동하도록 돕기 위해 설계된 오픈웨이트 비전 모델 Isaac 0.5를 출시했다. 회사는 이 시스템을 창고, 공장, 그리고 기계가 변화하는 물리적 조건에 대응해야 하는 다른 환경을 위한 범용 지능 계층으로 포지셔닝하고 있다.

이번 출시는 AI 역량을 소프트웨어 인터페이스를 넘어 운영 환경으로 옮기려는 더 넓은 흐름을 반영한다. 기존 산업 시스템은 라벨 읽기, 물체 감지, 로봇 팔 제어 같은 개별 작업을 처리할 수 있는 경우가 많다. Perceptron은 Isaac 0.5가 이러한 기능들을 전체 워크플로우에 걸쳐 연결해, 기계가 주변을 해석하고, 행동을 계획하며, 다단계 작업을 실행할 수 있도록 하는 데 목적이 있다고 말한다.

Isaac 0.5는 유연한 로봇 워크플로우를 겨냥한다

Perceptron은 2024년 11월, Meta FAIR로 알려진 Meta의 Fundamental AI Research 부문에서 일했던 Armen Aghajanyan과 Akshat Shrivastava가 공동 설립했다. 회사는 최신 출시물이 하나의 좁게 정의된 반복 작업이 아니라 복잡한 환경에서 작동하는 기계를 위해 만들어졌다고 말한다.

택배 분류 사례는 스타트업이 겨냥하는 문제를 잘 보여준다. 로봇은 상자 라벨을 읽고, 물체가 어디에 놓여 있는지 이해하고, 어떤 패키지를 집어야 할지 결정하고, 여러 동작의 순서를 판단해야 할 수 있다. 이러한 단계에는 시각 인식, 공간 추론, 계획, 그리고 움직임의 결합이 필요하다.

TechCrunch 보도에 따르면, Isaac 0.5는 이러한 일련의 의사결정을 지원하도록 설계됐다. 이 모델은 창고나 공장 바닥을 이동하는 비전 기반 로봇을 도울 수 있으며, 동시에 그런 기계가 촬영한 비디오에서 정보를 추출하는 데에도 기업을 지원할 수 있다. Perceptron은 같은 기반 시스템이 하나의 생산라인 작업에만 학습되는 대신 다양한 운영 환경에 적응할 수 있다고 말한다.

이 차이는 제조업체와 물류 기업에 중요하다. 레이아웃, 물체, 절차가 안정적일 때는 좁게 튜닝된 시스템이 효과적일 수 있지만, 시설이 재고, 장비, 워크플로우를 바꾸면 배포는 더 어려워진다. 더 적응적인 모델은 사용 사례마다 별도의 인식 및 제어 소프트웨어를 만들 필요를 줄일 수 있지만, 현재 공개된 증거만으로는 Isaac 0.5가 실제 운영 시설에서 얼마나 신뢰성 있게 작동하는지 아직 입증되지 않았다.

오픈웨이트와 대규모 학습 노력

Perceptron은 Isaac 0.5를 오픈웨이트 모델로 공개한다. 회사는 사용자가 파라미터와 학습 자료를 검토할 수 있다고 밝히며, 이는 로보틱스 팀과 연구자들이 자체 인프라에서 시스템을 평가, 조정, 배포하기 쉽게 만들 수 있는 설계 선택이라고 설명한다.

오픈웨이트가 곧바로 공장에서 운영하기 쉬운 모델을 의미하는 것은 아니다. 구매자는 여전히 하드웨어 요구사항, 지연 시간, 기존 로봇 운영체제와의 통합, 데이터 거버넌스, 안전 통제를 검토해야 한다. 산업 사용자의 입장에서는 모델을 들여다볼 수 있다는 점이 테스트와 커스터마이징에 도움이 되지만, 동시에 오류가 장비를 손상시키거나 작업자를 위험에 빠뜨릴 수 있는 환경에서 동작을 검증하는 책임을 배포 팀에 더 많이 지운다.

Perceptron에 따르면 Isaac 0.5는 약 100만 시간 분량의 일반 비디오와 함께, 물리적 움직임을 학습시키기 위한 1인칭 시점 녹화와 UMI 비디오를 사용해 학습됐다. 스타트업은 해당 학습 데이터의 출처를 공개하지 않았다. Shrivastava는 TechCrunch에 Perceptron이 이미지, 텍스트, 비디오, 로봇 궤적을 아우르는 페타바이트 규모의 내부 데이터셋을 구축했다고 말했다.

이러한 세부 내용은 회사가 제공한 설명일 뿐, 모델의 데이터 품질이나 성능에 대한 독립적으로 검증된 설명은 아니다. 로보틱스에서 비디오로 학습된 시스템의 가치는 영상의 양뿐 아니라, 그 데이터가 특정 기계, 물체, 조명 조건, 안전 제약, 그리고 산업 환경의 이례적 사건들을 얼마나 잘 대표하는지에도 달려 있다.

증거는 아직 제한적이다

Isaac 0.5를 둘러싼 핵심 성능 주장은 현재 Perceptron과 그 경영진의 설명에 기반한다. 회사는 피지컬 AI가 실행 비용이 높은 대형 파운데이션 모델과, 인식이나 제어만 처리하는 좁은 시스템으로 양분되어 있다고 주장한다. 그리고 Isaac 0.5를 더 범용적인 시각 지능과 운영 역량을 결합한 대안으로 제시한다.

TechCrunch의 보도는 제품 출시, 오픈웨이트 제공 여부, 창업자들의 배경, 목표 산업 사용 사례, 그리고 Perceptron이 밝힌 학습 접근법을 확인해 준다. 그러나 독립적인 벤치마크 결과, 고객 배포 사례, 실제 생산 환경의 신뢰성 수치, 추론 비용, 안전성 평가를 제공하지는 않는다. 따라서 이 모델이 기존의 머신 비전 도구, 계획 소프트웨어, 로봇 컨트롤러 조합을 능가할 수 있는지 판단할 충분한 공개 증거는 없다.

Perceptron은 제조, 물류 및 창고, 보안, 모빌리티, 미디어·엔터테인먼트 분야의 벤더들을 대상으로 소프트웨어를 판매할 준비를 하고 있다. 이 광범위한 목표 시장은 채택의 증거라기보다 포부에 가깝다. PitchBook에 따르면 회사는 2024년에 Bessemer Venture Partners, The Explorer Fund, SmartGateVC로부터 1,600만 달러를 조달했다. TechCrunch는 Perceptron이 추가 투자 라운드를 마무리하려 하고 있다고 보도했지만, 추가 자금 조건은 공개되지 않았다.

이번 출시가 개발자와 기업에 의미하는 것

로보틱스 개발자에게 Isaac 0.5는 재사용 가능한 인식·추론 계층으로 의미가 있을 수 있다. 장면 이해, 물체 식별, 작업 계획, 이동을 위해 별도의 구성요소를 조립 중인 팀은 범용 모델이 개발 주기를 단축할 수 있는지 검토할 수 있다. 오픈웨이트는 또한 라이선스와 보안 요건을 전제로, 개발자가 자체 비디오와 로봇 데이터로 시스템을 미세 조정하거나 평가할 수 있게 해줄 수 있다.

대가로는 운영 불확실성이 따른다. 공장 배포에는 예측 가능한 응답 시간, 강력한 장애 처리, 그리고 AI 시스템이 사람의 승인 없이 할 수 있는 일에 대한 명확한 경계가 필요하다. 녹화된 비디오에서 잘 작동하는 모델도 가림 현상, 센서 고장, 예상치 못한 물체, 바닥 레이아웃 변화, 드물지만 안전상 치명적인 상황에서는 어려움을 겪을 수 있다. 기업은 Isaac 0.5를 결정론적 제어의 대체재로 보기보다 기존 안전장치와 함께 운용해야 할 가능성이 높다.

비용도 또 하나의 현실적인 시험대가 될 것이다. Perceptron의 창업자들은 각 인스턴스마다 여러 개의 전용 클라우드 GPU를 요구하는 시스템을 비판하지만, 회사는 Isaac 0.5의 하드웨어 요구사항이나 작업당 경제성을 공개하지 않았다. 모델이 로컬 또는 적은 인프라로 실행될 수 있다면, 민감한 비디오를 클라우드로 보낼 수 없는 공장에 더 매력적일 수 있다. 배포가 여전히 높은 연산량을 요구한다면, 그 유연성은 더 높은 통합 및 운영 비용으로 상쇄될 수 있다.

앞으로 주목할 점

다음으로 중요한 신호는 내비게이션, 물체 처리, 작업 계획, 오류 복구에서 Isaac 0.5에 대한 독립적으로 재현 가능한 평가가 될 것이다. 모델 크기, 지원 하드웨어, 지연 시간, 라이선스, 공개된 학습 자료의 범위에 대한 세부 정보도 오픈웨이트 출시가 개발자에게 얼마나 접근 가능한지를 좌우한다.

잠재 고객의 실제 배포 사례는 광범위한 산업 타깃보다 훨씬 더 유익할 것이다. 창고나 공장의 증거는 모델이 변화하는 조건에서 작동하는지, 인간 개입이 얼마나 자주 필요한지, 기존 로봇 컨트롤러와 통합되는지를 보여줘야 한다. 투자 발표는 Perceptron이 데이터셋, 엔지니어링 팀, 상업적 지원을 얼마나 공격적으로 확장할 수 있는지 시사할 수 있다.

Creati.ai 관점

Perceptron의 출시는 시각 지능을 독립적인 검사 기능이 아니라 물리적 워크플로우의 기반으로 다룬다는 점에서 주목할 만하다. 회사는 산업 작업 전반으로 일반화할 만큼 유연하면서도 기계와 사람 가까이에서 작동할 만큼 신뢰성과 효율성을 갖춘, 어려운 중간 지점을 노리고 있다.

현재로서는 Isaac 0.5가 스타트업의 자체 주장에 주로 뒷받침된 유망한 제품 방향인 것은 분명하다. 그 의미는 비디오 데이터셋의 크기보다, 개발자들이 이를 검토하고, 적응시키고, 특화 시스템보다 나은 비용으로 안전하게 배포할 수 있는지에 달려 있다. 공장 현장은 범용 AI가 신뢰할 수 있는 운영 소프트웨어가 될 수 있는지 가늠하는 시험대가 될 것이다.