중국의 체화된 인공지능 기업 X Square Robot은 작업과 플랫폼 사이를 오갈 수 있는 범용 로봇을 구축하기 위한 명확한 구상을 제시한다. 상호작용 데이터에서 시작해 물리적 세계 모델을 거쳐, 인식·계획·추론·의사결정을 결합한 행동 모델로 이어지며 실행 가능한 행동을 만들어 내는 통합 스택이다. 이러한 주장은 로봇이 여전히 서로 분리된 구성 요소에 의존하는 경우가 많아, 한 작업에서 다른 작업으로 또는 한 기계에서 다른 기계로 일반화 가능한 능력을 반드시 만들어 내지는 못하는 시점에 나왔다.
방대한 데이터에 대한 사전 학습이라는 방식의 혜택을 받은 대규모 언어 모델과 달리, 일반적인 체화 지능을 구축하기 위한 대응 방법론에 대해서는 로봇 분야에서 아직 합의가 없다. X Square Robot은 그 방법론이 하나의 포괄적인 모델이 아니라, 회사가 World Unified Model이라고 부르는 더 넓은 방향 안에서 작동하는 상호 연결된 계층에 있다고 본다. 여기에는 시각, 언어, 행동, 물리적 변화 예측이 결합된다.
운동 궤적 대신 상호작용
회사의 구상은 세 가지 핵심 원칙에 기반한다. 첫째, 로봇 데이터의 기본 단위는 운동 궤적만이 아니라 상호작용이어야 한다. 시연은 관절이 움직였다는 이유만으로 성공하는 것이 아니라, 의도한 방식으로 세계를 변화시켰을 때 성공한 것으로 간주해야 한다. 둘째, 사전 학습은 집중적인 미세 조정이 필요한 단순한 출발점이 아니라 실제로 사용할 수 있는 능력을 만들어 내야 한다. 셋째, 행동은 고정된 시간 구간이 아니라 물리적 사건을 중심으로 구성해야 한다.
이러한 원칙은 스택의 계층을 서로 연결한다. 행동 모델을 학습하는 데 사용되는 로봇 없는 데이터는 세계 모델을 공급하기 위한 방식으로도 구성된다. 다만 회사는 세계 모델과 행동 모델이 서로 독립적이면서도 상호 보완적인 모델군이며, 더 넓은 World Unified Model 구조 안에서 공통 소프트웨어 기반을 공유한다고 설명한다.
더 저렴하고 정교한 데이터
X Square Robot은 범용 로봇의 병목이 매개변수 수보다 상호작용 데이터의 비용과 품질에 더 크게 좌우된다고 본다. 이에 따라 QUANXTA Zero Series 데이터 수집 시스템을 개발했다. 이는 원격으로 로봇을 제어하면서 시연을 기록하는 대신, 사람이 두 개의 그리퍼가 장착된 플랫폼을 착용하고 로봇과 상호작용하는 인터페이스다.
가장 큰 차이는 물리적 검증을 품질 관리 루프에 포함했다는 점이다. 플랫폼이 궤적을 기록한 뒤 그중 일부를 실제 로봇에서 다시 실행하며, 실제로 작업을 완료한 시연만 집계한다. 그리퍼를 1초의 일부만큼 너무 일찍 닫으면 데이터상으로는 성공적인 파지처럼 보일 수 있지만, 실제로는 물체를 밀어낼 수 있다. 회사에 따르면 해당 파이프라인의 데이터 유효 비율은 약 85%에 달했다.
또한 회사는 로봇 없이 기록한 대규모 인간 시연 데이터와 특정 기계의 동역학에 맞게 모델을 고정하기 위한 소량의 실제 로봇 데이터를 결합한다. 회사는 이 방식이 전적으로 로봇에 의존하는 데이터 세트에 가까운 성능을 내면서 수집 비용은 약 20배 낮춘다고 말한다. 이는 주로 착용형 플랫폼의 비용이 원격 제어 설정 비용보다 낮기 때문이다. 그러나 언급된 가장 강력한 결과는 회사의 로봇과 데이터 수집 파이프라인을 대상으로 측정되었으므로, 일반화 가능성을 검증하려면 더 폭넓은 독립 테스트가 필요하다.
사건에 기반한 세계 모델
회사의 세계 모델은 WALL-WM이라는 이름을 사용하며, 행동과 관련된 의미론적 사건을 기본 단위로 채택한다. 이 단위에는 물체에 손을 뻗거나, 물체를 잡거나, 물체를 내려놓는 것처럼 일관된 행동이 포함된다. 이러한 행동은 언어로 설명할 수 있고, 영상에서 볼 수 있으며, 움직임으로 실행할 수 있다.
이 접근 방식은 행동을 고정된 시간 창으로 나누는 방식을 비판한다. 시간 창의 경계가 하나의 동작 중간에 놓이거나 서로 다른 두 동작을 묶을 수 있기 때문이다. 따라서 WALL-WM은 장기 작업에 대한 추론에 적합하도록 가변 길이 구간에 사건을 배치하는 모드로 작동하며, 제어 모듈이 사용할 수 있는 안정적인 실시간 출력을 생성하는 고정 길이 모드도 제공한다.
대규모 비디오 모델에 존재하는 시각 지식을 유지하기 위해, 이 설계는 텍스트-비디오 변환 모델과 새롭게 구성된 행동 네트워크를 연결하며, 행동 네트워크는 비디오 특성을 덮어쓰지 않고 읽는다. 회사는 보이지 않는 설정에서 장기 작업에 대한 일반화 테스트를 포함한 실험을 진행했으며, 자체 실제 로봇 벤치마크에서 관련 데이터에 맞게 조정된 기준 모델보다 높은 성능을 냈다고 말한다. 그러나 기사에 따르면 이러한 결과는 여전히 내부 벤치마크에서 측정된 것이며, 코드를 공개하면 커뮤니티가 이를 테스트하고 재현할 수 있다.
배포 가능한 행동 모델과 의미론적 토큰화
Wall-OSS-0.5는 회사의 시각·언어·행동 모델이다. X Square Robot은 자체적으로 엄격한 기준을 설정했다. 사전 학습된 모델은 특정 작업에 맞춘 미세 조정을 하기 전에 실제 로봇에서 작동해야 한다는 것이다.
이 모델은 분리된 행동 토큰, 언어와 행동의 연결, 연속 행동 생성이라는 세 가지 목표를 함께 학습하며, 네트워크 일부를 고정하는 대신 이러한 구성 요소를 통해 그래디언트가 전달되도록 한다. 회사는 접근, 파지, 복구를 포함하는 사전 조정 없이도 나타나는 행동을 제시하며, 그중에는 학습 데이터에 포함되지 않았던 변형 가능한 물체를 대상으로 한 작업도 있다.
행동 인터페이스인 X-Tokenizer는 연속적인 움직임을 토큰으로 변환하는 과정을 의미론적 인터페이스 학습으로 재정의한다. 상위 토큰은 움직임의 의도를 나타내고, 하위 토큰은 세부적인 정밀 정보를 담으며, 이러한 표현은 언어 모델의 특성과 정렬된다. 회사의 설명에 따르면 행동에 노이즈를 입력해도 의도 토큰은 조금만 변한다. 이는 재조정 없이 서로 다른 로봇 간에 토큰화 도구를 재사용하는 데 도움이 된다.
무엇을 입증해야 하는가?
기사에서는 물리적 재실행을 통한 데이터 품질 관리, 사건 기반 모델링, 미세 조정 전 배포 가능성 기준을 결합한 점이 X Square Robot의 접근 방식에 뚜렷한 일관성을 부여한다고 본다. 그러나 이것이 회사 생태계 밖으로 확장 가능한지에 대한 문제는 아직 해결하지 못했다. 회사 가치는 200억 위안, 즉 약 29억 달러를 넘어섰다. 이는 체화된 인공지능에서 데이터 인프라, 기반 모델, 확장 가능한 학습 시스템의 중요성에 대한 투자자들의 신뢰를 보여 주는 지표이지만, 그 자체로 기술적 성능의 증거는 아니다.
회사는 연구자들에게 세 가지를 테스트해 달라고 요청한다. 첫째, 서로 다른 작업·장면·물체·로봇·실패 조건에서 사건 기반 표현이 얼마나 일반화되는가. 둘째, 학습 중 보지 못한 로봇에서도 사전 학습이 계속 효과적인가. 셋째, 성공률만 비교하는 것이 아니라 지시 이해 오류, 인식 장애, 복구 능력 부족 등 실패 원인도 규명하는 실제 로봇 공동 평가를 구축할 수 있는가이다.
X Square Robot의 관점에 따르면 로봇이 가정에 진입하려면 단일 작업의 성공률을 높이는 것 이상이 필요하다. 신뢰할 수 있는 가정용 로봇은 자신의 불확실성을 인식하고, 필요할 때 속도를 늦추며, 도움을 요청하고, 물체를 떨어뜨리거나 요청을 잘못 이해한 뒤 환경을 안전한 상태로 되돌려야 한다. 또한 안전과 신뢰를 우선시하면서 가족의 일상과 선호를 학습하는 신중한 개인화도 필요하다. 현재의 증거가 회사의 로봇과 기준에 상당 부분 의존하고 있다는 점을 고려하면, 이 구상은 여전히 연구 공동체의 더 폭넓은 검증을 기다리는 중요한 기술적 논제다.