UC 버클리 엔지니어, 변신 로봇을 자동 설계하는 AI 훈련
연구진이 모듈식 형태 변환 로봇의 설계를 최적화하는 AI 프레임워크를 개발했습니다. 이 시스템은 예를 들어 헬멧의 형태를 바꾸거나 네 발로 움직일 수 있는 기계를 자동으로 생성할 수 있습니다.
버클리의 '메타트랜스포머': AI 설계자가 로봇 자체보다 더 중요한 이유
[요점]: 실제로 일어나고 있는 일
2026년 5월 11일, 캘리포니아 대학교 버클리 캠퍼스의 Linin Yao 교수가 이끄는 팀(카네기 멜론 및 조지아 공과대학 참여)이 '메타트랜스포머' 로봇의 자동 설계를 위한 프레임워크를 발표했습니다.
언론은 '문어처럼 모양을 바꾸는 로봇'에 대해 씁니다. 헤드라인은 AI가 스스로 로봇을 설계하는 기적을 외칩니다. 이것은 사실이지만 빙산의 일각에 불과합니다.
실제로 일어나고 있는 일은 다음과 같습니다: 연구진이 모듈식 로봇 설계의 차원 저주를 깨뜨렸습니다. 그들은 이 분야를 수십 년 동안 괴롭혀 온 문제, 즉 이동 요소가 추가될 때마다 제어 복잡성이 기하급수적으로 증가하는 문제를 해결했습니다.
메타트러스(수백 개의 빔과 회전 조인트가 있는 금속 트러스)로 만들어진 로봇은 이론적으로 어떤 모양이든 취할 수 있습니다: 아코디언처럼 압축되거나, 네 발 동물에서 뱀 형태로 변신하거나, 사용자의 머리에 맞게 헬멧의 윤곽을 바꿀 수 있습니다. 하지만 실제 제어는 악몽입니다. 200개의 조인트가 있고 각각 여러 위치가 있다면 조합 상태 공간은 천문학적인 숫자로 폭발합니다.
일반적인 접근 방식은 액추에이터를 수동으로 제어 가능한 네트워크로 그룹화하는 것입니다. Yao 교수가 말했듯이 이것은 '지루하고 노동 집약적'입니다. 버클리 팀은 간단히 말했습니다: '잊어버려. AI가 최적의 그룹화를 스스로 찾을 거야.' 그리고 그렇게 했습니다.
타임라인 및 맥락
2026년 5월의 이 사건이 평범한 것이 아니라 지각 변동인 이유를 이해하려면 버클리의 이전 로봇 공학 연구를 살펴봐야 합니다:
- 2025년 3월: Sergey Levine(저명한 버클리 교수이자 Physical Intelligence의 공동 창업자)이 토론토 대학교에서 '로봇을 위한 기반 모델'에 대한 강연을 하며, 주요 문제는 데이터 수집이라고 지적합니다. 데이터 없이는 학습이 없고, 학습 없이는 자율성이 없습니다.
- 2026년 1월: 버클리에서 Fanchen Liu의 확장 가능한 로봇 학습에 관한 논문이 발표되며, 언어 모델과 제어를 연결하려는 MOKA 및 OTTER 시스템을 제시합니다.
- 2026년 2월: NVIDIA Research가 버클리와 함께 로봇을 위한 '세계 모델'에 대한 연구를 발표하여 AI가 비디오를 통해 물리학을 예측하도록 가르칩니다.
- 2026년 4월: Shankar Sastry(또 다른 버클리의 거물)가 '신뢰할 수 있는 자율 시스템'에 대한 강연을 하며 Moravec의 역설을 상기시킵니다: '인간형 로봇이 낯선 문을 열도록 프로그래밍하는 것은 가장 어려운 엔지니어링 작업 중 하나입니다.'
- 2026년 5월 11일: 그리고 여기 있습니다—로봇에게 단일 작업을 가르치는 것이 아니라 작업을 위해 로봇 자체를 설계하는 작동 시스템입니다.
핵심 세부 사항: 이 작업은 기계 공학과 컴퓨터 과학의 교차점에서 이루어졌습니다. '또 다른 제어 알고리즘'이 아니라, 컨트롤러에 지친 하드웨어 제조업체의 시스템적 솔루션입니다.
승자와 패자
승자:
- DARPA 및 군수 계약업체(Lockheed Martin, Raytheon). 작업에 따라 모양을 바꾸는 로봇은 전술 정찰의 꿈입니다: 벌레처럼 파이프를 기어가고, 거미처럼 나와서, 짐을 들어 올리고 크레인으로 변신합니다. 버클리의 AI 프레임워크는 수십억 인시의 디버깅 없이 이러한 로봇을 설계할 수 있게 합니다.
- 우주 기관(NASA, ESA, SpaceX). 궤도 발사는 최소 중량을 요구합니다. 수백 개의 액추에이터로 구성된 트러스는 단일 큐브에 포장된 후 전개되어 안테나를 조립하거나 위성을 수리할 수 있습니다. AI 설계자는 모양뿐만 아니라 '두뇌'(컨트롤러)의 수도 최적화합니다.
- 의료 로봇 공학. 팀이 만든 '촉수' 프로토타입은 장을 통과하는 최적의 방법을 스스로 결정하는 미래형 내시경의 기초가 될 수 있습니다.
- 버클리 팀 자체(Yao 및 공동 저자). 이는 최고 로봇 공학 컨퍼런스(ICRA, RSS 2026)에서 최우수 논문상을 보장하며, 향후 5년간 수백만 달러의 연구비를 확보합니다.
패자:
- '수동 로봇 설계 도구'를 판매하는 회사(SolidWorks 플러그인, MSC Adams). 현재 수천 달러의 엔지니어링 시간이 소요되는 액추에이터 그룹화 수작업이 자동화됩니다. '동적 최적화' 애드온은 불필요해집니다.
- 좁은 틈새 시장을 위한 고정형, 비변신 로봇을 만드는 모든 스타트업. 로봇이 파이프만 기어갈 수 있다고 가정해 보세요. 동일한 API에 탑재된 버클리 로봇은 기어가고, 걷고, 잡을 수 있습니다. 기술이 상업적 사용에 충분히 저렴해지면 틈새 시장은 사라집니다.
언론이 말하지 않는 것
통찰 #1: 이것은 '만능 로봇 설계자'가 아니라 '신경망 고정 가격'입니다.
시스템은 단순히 설계를 생성하지 않습니다. 형상(어디에 어떤 빔이 배치되는지)과 제어 가능성(필요한 컨트롤러 수)이라는 두 가지 계층을 동시에 최적화합니다. 연구진은 '최적점'을 찾았습니다: 제어 네트워크 수를 늘리면 특정 임계값까지는 성능이 향상되지만 그 이후에는 수확 체감이 발생합니다.
실제로 이것이 의미하는 바는 무엇입니까? 설계자는 더 이상 '더 정밀하게 하려면 마이크로 모터 50개를 넣어야지'라고 생각할 필요가 없습니다. 시스템이 스스로 말할 것입니다: '헬멧이 되어 머리를 압축하는 작업에는 제어 그룹 4개가 필요합니다. 나머지 46개 모터는 그냥 무게만 더할 뿐입니다.' 이것은 현대 로봇 공학의 주요 질병인 과도한 복잡성과의 자동 전쟁입니다.
통찰 #2: Physical Intelligence(PI)와의 연결은 어디에 있습니까?
버클리에서도 활동하는 Sergey Levine은 모든 로봇을 위한 기반 모델을 구축하는 스타트업 Physical Intelligence의 공동 창업자입니다. 그의 논제: '모든 몸체를 위한 하나의 두뇌.' Linin Yao의 연구는 특정 작업을 위한 최적의 몸체를 만드는 도구를 제공합니다. 결합하면 몸체(메타트러스)와 두뇌(PI 정책)를 처음부터 설계하는 시스템이 탄생합니다. 본질적으로—제로에서 시작하는 로봇 공장입니다.
언론이 이 시너지 효과에 대해 침묵하는 이유는 무엇입니까? 버클리의 내부 작업 방식을 이해해야 하기 때문입니다. 마치 내연 기관 발명가와 바퀴 발명가가 같은 대학에 있는 것과 같습니다. 하지만 그들은 별도로 보도 자료를 작성합니다.
통찰 #3: Moravec의 역설이 다시 등장했지만—여기서는 우회되었습니다.
Shankar Sastry는 2026년 4월에 '인간 대뇌 피질의 40%가 손과 얼굴에만 할당되어 있다'고 상기시켰습니다. 형태 제어는 손 제어보다 훨씬 어렵습니다. 그러나 Yao 팀은 해결책을 찾았습니다: 각 조인트를 실시간으로 개별 제어하지 않습니다. 매크로 상태(액추에이터 네트워크 A는 '걷기' 모드를 활성화하고, 네트워크 B는 '잡기' 모드를 활성화)를 제어합니다. 이것은 공학적 천재성입니다: 로봇에게 수천 가지의 미세 움직임을 가르치는 대신, 로봇을 설계하는 신경망 아키텍처에 '기어 변속기'를 직접 내장한 것입니다.
예측: 향후 30일 및 90일
향후 30일(2026년 6월):
- 프레임워크의 코드 저장소가 GitHub에 공개됩니다(버클리의 전통—오픈 소스). 중국과 독일 팀이 한 달 안에 자체 22FDX 노드 및 FPGA용 아이디어를 복사할 것입니다.
- Linin Yao이 IEEE 국제 로봇 공학 및 자동화 컨퍼런스(ICRA 2027)에서 기조 연설을 하도록 초청받겠지만, 아마도 7월 RSS 2026에서 연설할 것입니다.
향후 90일(2026년 8월):
- Boston Dynamics는 'Atlas에 이미 유사한 방법을 사용하고 있다'는 절제된 성명을 발표하겠지만, 실제로는 그렇지 않습니다. 유압 시스템이 메타트랜스포머에 비해 너무 둔감합니다. 전기 액추에이터 제조업체와의 파트너십을 긴급히 모색할 것입니다.
- NVIDIA는 이 프레임워크를 지원하는 Omniverse 기반 메타트랜스포머 시뮬레이터를 출시할 것입니다. 이미 버클리와 '세계 모델'에 대해 협력하고 있으므로 통합은 원활할 것입니다.
- 첫 번째 상업적 스캔들이 발생할 것입니다: 일부 스타트업이 충격 시 모양을 바꾸는 '스마트 에어백'을 만들었다고 주장하지만, 실제로는 버클리 논문의 헬멧 프로토타입을 복사한 것입니다. 최적화 알고리즘의 특허 취득이 어렵기 때문에 합법적일 것입니다.
주요 위험: 확장성. 논문은 수백 개의 빔으로 작업했습니다. 수천 개 또는 수만 개라면 어떻게 될까요? 복잡성은 여전히 증가하지만 더 느리게 증가합니다. 어느 시점에서는 컨트롤러의 최적 그룹화를 찾는 것이 AI에게도 NP-난해 문제가 되어 프레임워크가 계산 복잡성의 벽에 부딪힐 것입니다. 그러나 대부분의 실제 작업(헬멧, 구조 로봇 팔다리, 모듈식 매니퓰레이터)에는 충분합니다.
결론: 버클리 연구진은 단순히 '트랜스포머 로봇'을 만든 것이 아닙니다. 그들은 '물리학을 위한 AutoCAD'를 만들었습니다. 그들은 '비자동화 가능'으로 여겨졌던 엔지니어링 부분, 즉 어디에 몇 개의 액추에이터를 배치할지에 대한 직관적인 감각을 자동화했습니다. 그 결과, 형태 변환 로봇 설계는 엘리트 예술에서 일상적인 절차로 변모합니다: 요구 사항 업로드, AI 실행, 청사진 획득. 5년 안에 메타트랜스포머는 실험실이 아닌 어린이 키트에 들어갈 것입니다: '자신만의 로봇을 만들고, 신경망이 자동차나 비행기가 되는 법을 가르쳐 줄 거야.' 안녕, Lego Mindstorms; 안녕, Metatruss AI.
— Editorial Team
아직 댓글이 없습니다.