Ricoh는 2026년 8월 31일 이미지 데이터를 통해 로봇에 인간의 작업과 관련된 행동을 가르치는 것을 목표로 하는 물리적 인공지능(Physical AI) 기술을 개발했다고 발표했습니다. 이는 모델을 특정 로봇 구조나 제어 메커니즘에 직접 연결하는 방식과 다릅니다. 회사는 물리적 조건을 기반으로 구축한 시뮬레이션 환경에서 이 기술의 효과를 검증했으며, 시뮬레이션에서 실제 로봇으로 훈련을 이전하는 것을 목표로 하고 있습니다.
이번 단계는 인공지능 분야에서 사업을 확대하려는 Ricoh의 방향과 관련이 있으며, Physical AI 개발을 가속하기 위한 AWS Japan 프로그램에 참여하는 것과도 병행됩니다. 이 프로그램은 모델 훈련과 테스트를 지원하기 위해 컴퓨팅 자원과 클라우드 서비스를 제공합니다.
로봇 명령을 암기하는 대신 행동을 학습
이 기술은 Latent Action Model (LAM), 즉 잠재 행동 모델을 기반으로 합니다. 모델은 작업 중 기록된 이미지나 동영상의 변화를 학습해 물체를 잡거나 이동하거나 치우거나 목표 요소를 움직이는 등의 행동을 추론합니다. Ricoh의 설명에 따르면 LAM은 관찰 데이터에 움직임이나 명령의 모든 세부 사항이 명시적으로 기술되어 있지 않은 경우에도 장면에서 실제로 발생하는 행동을 학습하는 데 중점을 둡니다.
회사는 이 방식이 특정 로봇의 사양에 대한 학습 의존도를 낮출 수 있다고 설명합니다. 모델이 특정 관절이나 제어 메커니즘에 연결된 지시만 익히는 대신 행동에 대한 일반적인 표현을 학습하기 때문입니다. 또한 인간과 로봇의 행동 데이터를 모델 훈련에 사용할 수 있으며, 그 출력물을 시각·언어·행동을 결합하는 Vision Language Action 모델 개발에 활용할 수 있습니다.
실제로 무엇이 달라지는가?
Ricoh가 해결하려는 문제는 훈련 데이터 수집 비용입니다. 로봇마다 구조와 제어 메커니즘이 다르기 때문에 일반적으로 각 장치별로 데이터를 수집해야 하며, 이는 인간형 로봇에서 더욱 복잡해집니다. 회사는 행동 표현을 로봇 구조와 분리하면 데이터를 더 높은 수준으로 재사용할 수 있고, 여러 작업과 로봇에 맞게 모델을 조정하는 데 도움이 될 수 있다고 보고 있습니다.
그렇다고 이 기술이 로봇별 데이터의 필요성을 없앤다는 의미는 아닙니다. 기사에서는 Ricoh가 학습을 위해 시뮬레이션 환경을 사용한 뒤, Sim2Real 기술을 활용해 결과를 실제 로봇으로 이전하고 있으며, 다양한 로봇과 작업 환경에 대한 솔루션의 적합성을 계속 검증하고 있다고 설명합니다.
훈련과 시뮬레이션에서 AWS의 역할
Ricoh는 Amazon EC2와 Amazon S3를 비롯한 AWS 클라우드 서비스를 사용해 확장 가능한 학습 환경을 구축하고 데이터를 저장하며 모델 훈련을 실행합니다. 회사는 시뮬레이션과 클라우드 서비스를 결합하면 물리적 데이터 수집 비용을 줄일 수 있고, 대규모 데이터에 대한 훈련을 더욱 효율적으로 수행할 수 있다고 밝혔습니다.
이 이니셔티브는 인공지능을 통한 전환에 관해 Ricoh가 발표한 비전의 일부입니다. 여기에는 인공지능 문서화, 생성형 인공지능, 인공지능 에이전트에서 시작해 물리적 세계와 상호작용할 수 있는 Physical AI 에이전트에 이르는 계층이 포함됩니다. 기사에 따르면 회사는 사무실, 공장, 물류, 돌봄 분야에서의 잠재적 활용 사례를 추진하고 있습니다.
이 소식이 중요한 이유
이번 발전의 중요성은 인공지능 기반 로봇 분야의 실질적인 장애물에 대응하려는 시도에 있습니다. 즉, 로봇이나 작업마다 데이터를 다시 수집하고 모델을 다시 훈련해야 하는 필요성을 어떻게 줄일 수 있는가 하는 문제입니다. LAM은 보다 일반적인 시각 데이터에서 행동을 학습하는 경로를 제시하지만, 이것만으로 기술이 대규모 생산에 도입될 준비가 됐다고 입증되는 것은 아닙니다.
발표된 결과는 여전히 시뮬레이션 환경과 검증 테스트에 기반하고 있습니다. Ricoh는 공장에서 인간형 로봇을 대상으로 개념 증명 적용을 시작했으며, 더 발전된 검증 단계로 점진적으로 전환하고 있다고 밝혔습니다. 따라서 앞으로 남은 질문은 시뮬레이션에서 현실로의 이전이 얼마나 성공적인지, 필요한 데이터의 규모가 어느 정도인지, 그리고 로봇·작업·운영 환경이 달라질 때 성능이 얼마나 안정적으로 유지되는지와 관련되어 있습니다.