누군가는 "10년 남았다" 누군가는 "이미 왔다"로봇의 챗GPT 모먼트
1분00
같은 주에, 로봇의 '챗GPT 모먼트'를 두고 세 개의 다른 답이 나왔습니다
한쪽에선 세계적인 휴머노이드 기업의 CEO가 "최대 10년은 더 걸릴 수 있다"고 말했고, 다른 한쪽에선 영상 하나만 보여주면 처음 하는 일도 수행하는 로봇 두뇌를 공개하며 "이미 챗GPT 순간이 왔다"고 선언했습니다. 그런데 실제 공장과 데이터 훈련 현장을 들여다본 Reuters의 답은 조금 달랐어요. 로봇은 여전히 환경이 조금만 바뀌어도 실패하고, 일부 단순 작업의 처리 속도는 사람의 20% 수준에 머물렀습니다. 걷고 뛰는 '몸'의 경쟁은 상당 부분 진전됐지만, 한 번도 보지 못한 상황을 이해하고 대응하는 '일반화'는 아직 풀리지 않은 문제 — 그래서 다음 승부처는 범용 로봇 두뇌와 실세계 데이터로 이동하고 있습니다.
🤖 마로솔 인사이트 · 빅웨이브로보틱스 · 2026년 8월 4주차 Weekly Robot Insight
#로봇주간뉴스 #휴머노이드 #피지컬AI #챗GPT모먼트 #유니트리 #Unitree #SkildAI #S1 #로봇파운데이션모델 #범용로봇 #로봇일반화 #VLA #FigureAI #Index #실세계데이터 #EmbodiedAI #로봇두뇌 #마로솔
이번 주 로봇 업계 흐름을 한 문장으로 정리하면,
2026년 휴머노이드 경쟁은 '얼마나 사람처럼 움직이나'를 겨루는 하드웨어 레이스에서, '처음 보는 상황에서도 일을 해낼 수 있나'를 겨루는 일반화 레이스로 넘어가고 있다는 점이에요.
질문이 바뀌었습니다. "이 로봇은 무엇을 할 수 있나?"에서 "이 로봇은 한 번도 해보지 않은 일도 할 수 있나?"로요. 유니트리 왕싱싱 CEO가 제시한 '낯선 환경에서도 약 80%의 작업을 수행하는 로봇'(①)은 산업이 향하는 결승선을 보여줬고, 스킬드 AI가 공개한 영상 한 편으로 처음 보는 작업을 수행하는 S1(②)은 그 결승선에 도달할 새로운 방법을 보여줬습니다. 하지만 중국 휴머노이드 현장을 직접 취재한 Reuters(③)는 물체·조명·각도만 달라져도 로봇이 실패하고, 실제 처리 속도 역시 사람에 크게 못 미치는 현실을 확인했어요. 즉 지금 로봇 산업이 풀어야 할 마지막 문제는 더 좋은 '몸'을 만드는 것이 아니라, 세상이 바뀌어도 적응할 수 있는 '두뇌'를 만드는 것입니다.
— NEWS · 01 · 핵심 뉴스 TOP 3 —
① 휴머노이드의 결승선을 숫자로 정했다
유니트리 CEO "낯선 환경서 80% 해내야… 챗GPT 모먼트 최대 10년"
📋 이 기사의 체크포인트
중국 휴머노이드 기업 유니트리(Unitree)의 왕싱싱 CEO가 이번 세계로봇대회(WRC)에서 로봇 산업의 '챗GPT 모먼트'를 판단할 꽤 명확한 기준을 제시했습니다. 로봇을 한 번도 가본 적 없는 집처럼 완전히 낯선 환경에 투입했을 때, 별도의 프로그래밍 없이 음성이나 언어 명령만으로 약 80%의 작업을 수행할 수 있어야 한다는 겁니다. 그런데 현재 로봇은 한 번 학습한 작업은 해낼 수 있어도 새로운 작업이 생기면 다시 데이터를 모으고 재훈련해야 하고, 실제 공장에서의 작업 효율도 사람보다 떨어진다는 게 왕 CEO의 진단이에요. 그래서 그가 현재 휴머노이드 산업의 가장 큰 병목으로 지목한 것이 바로 '일반화(Generalization)'입니다. 걷기·달리기·균형 잡기 같은 하드웨어 능력은 빠르게 발전했지만, 실제 가정이나 공장에서는 물체 위치가 달라지고, 주변 사람이 움직이고, 조명이 변하고, 예상하지 못한 상황이 계속 발생하죠. 이때도 스스로 상황을 이해하고 행동을 바꿀 수 있어야 진짜 범용 로봇이라는 겁니다. 왕 CEO는 이런 돌파구가 빠르면 2~3년, 보수적으로는 5~10년 정도 걸릴 수 있다고 전망했어요.
💡 한발 앞서 생각하기
이 기사에서 중요한 숫자는 '10년'보다 '80%'예요. 유니트리는 처음으로 휴머노이드의 다음 단계가 무엇인지 꽤 구체적인 합격선을 그었습니다.- ✔ 지금까지 로봇 성능은 "몇 kg을 들까", "몇 m/s로 달릴까"처럼 몸의 스펙으로 비교했다면, 앞으로는 낯선 상황에서 몇 %나 성공하는가가 성능 지표가 될 가능성이 크다
- ✔ 새로운 작업마다 데이터를 다시 모으고 재훈련해야 한다면 범용 로봇이 아니라 사실상 작업별 전용 자동화에 가깝다
- ✔ 결국 휴머노이드의 가치는 사람 모양에 있는 것이 아니라 환경이 달라져도 작업을 이어가는 능력에서 만들어진다
- ✔ 그래서 다음 경쟁은 모터·감속기·관절만이 아니라 VLA·월드모델·로봇 파운데이션 모델 같은 '두뇌' 경쟁으로 이동한다
— NEWS · 02 —
② "10년 남았다"는 말 사흘 뒤, 반대편에선 "이미 왔다"고 했다
스킬드 AI, 영상 하나 보고 처음 하는 일 수행하는 범용 로봇 두뇌 'S1' 공개
📋 이 기사의 체크포인트
유니트리가 "로봇의 챗GPT 모먼트까지 최대 10년이 걸릴 수 있다"고 말한 지 불과 며칠 뒤, 미국 피지컬 AI 기업 스킬드 AI(Skild AI)에서는 정반대의 주장이 나왔습니다. 8월 26일 서울에서 열린 스마트클라우드쇼에서 공동창업자 아비나브 굽타는 "피지컬 AI에도 챗GPT 순간이 왔다"고 선언했어요. 근거는 새롭게 공개한 로봇 파운데이션 모델 S1입니다. 기존 방식에서는 로봇에게 새로운 일을 시키려면 해당 작업 데이터를 다시 수집하고, 텔레오퍼레이션으로 시범을 반복하고, 모델을 추가 학습시키는 과정이 필요했는데요. S1이 제시한 방식은 다릅니다 — 사람이 작업하는 영상 하나를 '프롬프트'처럼 보여주면, 로봇이 그 영상의 의도를 파악해 이전에 학습하지 않은 작업을 별도의 작업별 사후 학습 없이 수행하는 것을 목표로 해요. 스킬드 AI는 자사 테스트에서 최대 약 10분 길이의 미관측 작업까지 이런 인컨텍스트 학습 방식을 적용했다고 밝혔습니다. 더 중요한 건 특정 휴머노이드 한 대만을 위한 모델이 아니라는 점이에요. 스킬드 AI는 자사의 로봇 파운데이션 모델을 휴머노이드뿐 아니라 이족·사족·바퀴형 로봇 등 서로 다른 하드웨어에서 작동하는 '옴니바디드 두뇌'로 개발하고 있습니다.
💡 한발 앞서 생각하기
유니트리와 스킬드 AI의 주장은 서로 반대처럼 보이지만, 사실 같은 문제를 바라보고 있습니다. 둘 다 병목을 '일반화'라고 보고 있기 때문이에요. 차이는 '답'입니다.- ✔ 유니트리: 새로운 환경·작업에 대응하는 범용성이 아직 부족하다 → 그래서 챗GPT 모먼트가 남았다
- ✔ 스킬드 AI: 매 작업마다 재훈련하는 방식 자체를 없애고 영상 프롬프트로 새 일을 배우게 하자 → 그래서 챗GPT 모먼트가 시작됐다
- ✔ LLM의 혁신이 "새 질문마다 모델을 다시 학습시키지 않아도 되는 것"이었다면, 로봇에서도 '새 작업마다 재훈련하지 않는 것'이 중요한 전환점이 될 수 있다
- ✔ 이것이 산업 수준의 신뢰성·반복성을 확보한다면 자동화의 경제성도 크게 달라진다 — 새 SKU·작업·공정마다 엔지니어가 다시 티칭하는 비용이 줄기 때문
즉, 이 뉴스의 진짜 질문은 "S1이 똑똑한가?"가 아니라 "로봇도 LLM처럼 '프롬프트만으로 새로운 일을 배우는 시대'로 넘어갈 수 있는가?"입니다.
🔗 뉴스 원문 보기영상 한 편 보고 처음 하는 일도 척척… 로봇의 '챗GPT 순간' 왔다 (조선비즈) →
🔗 기술 원문 보기Skild AI, Introducing S1: In-Context Learning for Robotics →
🔍 그렇다면 우리 현장에 필요한 건 '범용 로봇'을 기다리는 일일까요?
꼭 그렇지는 않아요. 팔레타이징·이송·머신텐딩·검사처럼 작업 조건이 명확한 공정에는 이미 충분히 검증된 전용 자동화가 있습니다. 마로솔은 지금 자동화할 공정과 더 기다릴 공정을 나눠 로드맵을 설계해 드려요.
— NEWS · 03 —
③ 데모 밖으로 나오자 드러난 '일반화의 벽'
Reuters "물체·조명만 달라져도 실패… 일부 작업 속도는 사람의 20%"
📋 이 기사의 체크포인트
그렇다면 실제 현장의 휴머노이드는 유니트리가 말한 결승선과 스킬드 AI가 제시한 미래 사이 어디쯤 와 있을까요? 8월 27일 Reuters가 중국의 로봇 훈련센터와 공장, 전시 시설을 직접 취재한 결과는 꽤 냉정합니다. 중국 류저우의 한 훈련센터에서는 100대가 넘는 휴머노이드가 상자 분류, 포장, 커피 만들기 같은 작업을 학습하고 있었는데요. Reuters 취재에 따르면 초보 훈련자는 로봇을 약 300번 움직여야 한 번 정도 쓸 만한 동작 데이터를 얻었고, 숙련자도 약 50번에 한 번 수준이었어요. 더 큰 문제는 AI입니다. 현재 휴머노이드에서 쓰는 VLA(Vision-Language-Action) 모델은 한 작업대에서 충분히 훈련하면 일을 할 수 있지만 물체가 바뀌거나, 조명이 달라지거나, 카메라 각도·표면·타이밍·장비가 조금만 변해도 성능이 떨어질 수 있습니다. 로봇이 '보던 세계'와 조금만 다른 세계를 만나면 일반화가 깨지는 거죠. Reuters가 취재한 훈련센터 관계자는 현재 로봇이 일부 단순 작업에서 사람 속도·산출량의 약 20% 수준이라고 설명했습니다. 물론 유니트리의 '80%'는 작업 성공률 목표이고 Reuters의 '20%'는 일부 현장의 작업 속도·산출량이라 같은 지표는 아니지만, 두 숫자는 범용 휴머노이드의 목표와 실제 산업현장 사이에 아직 상당한 거리가 있다는 사실을 잘 보여줍니다.
💡 한발 앞서 생각하기
이 기사를 보면 휴머노이드의 다음 병목이 왜 '데이터'인지 이해할 수 있어요.- ✔ 텍스트 AI는 인터넷의 수많은 문장을 읽을 수 있지만, 로봇은 힘을 얼마나 줘야 하는지, 미끄러지는 물체를 어떻게 잡는지, 장애물을 만났을 때 어떻게 복구하는지를 현실에서 배워야 한다
- ✔ Reuters가 인용한 업계 추정에 따르면 현재 고품질 로봇 학습 데이터는 약 50만 시간, 진정한 피지컬 인텔리전스에 필요할 수 있는 규모는 1억 시간 — 수백 배의 데이터 격차가 있는 셈
- ✔ 그래서 중국이 로봇을 대량으로 만드는 것도 단순 판매 경쟁만으로 볼 수 없다 — 로봇을 많이 깔수록 → 실세계 데이터를 많이 모으고 → 모델을 더 빠르게 개선하는 데이터 플라이휠이 만들어진다
- ✔ 결국 휴머노이드의 경쟁력은 '몇 대를 만들었나'에서 끝나지 않고, 그 몇 대가 현실에서 얼마나 다양한 실패와 성공 데이터를 만들어내느냐로 이어진다
즉, 다음 휴머노이드 경쟁은 누가 더 멋진 로봇을 만드느냐가 아니라, 누가 더 다양한 현실을 먼저 학습시키느냐의 싸움이 될 가능성이 큽니다.
🔗 뉴스 원문 보기China's humanoid robots aren't smart enough to take your job – yet (Reuters) →
— SECTION · 마로솔 코멘트 —
로봇의 다음 경쟁력은 '몸의 스펙'이 아니라 '처음 보는 일을 해내는 능력'입니다
이번 주 세 뉴스를 하나의 문장으로 다시 묶으면 이렇습니다.
"유니트리는 범용 휴머노이드의 결승선을 '낯선 환경에서도 일을 해내는 로봇'으로 정의했고, 스킬드 AI는 영상 하나로 그 벽을 넘는 방법을 제시했으며, 실제 현장은 아직 환경이 조금만 달라져도 무너지는 일반화의 격차를 보여줬다. 이제 휴머노이드의 승부처는 몸체가 아니라 두뇌와 데이터다."
— 마로솔 주간 인사이트
유니트리(①)가 보여준 건 '목표선'입니다. 잘 뛰고 균형을 잡는 것을 넘어 한 번도 가보지 않은 곳에서 한 번도 해보지 않은 일을 해내는 것이 범용 로봇의 기준이라는 거죠. 스킬드 AI(②)는 '새로운 접근법'을 보여줬어요. 작업 하나가 바뀔 때마다 모델을 다시 만드는 대신, 사람에게 영상을 보여주듯 로봇에게 새 일을 프롬프트로 가르치는 방식입니다. 그리고 Reuters(③)가 보여준 것은 '현재 위치'예요. 실제 현장에서는 여전히 조건이 조금만 바뀌어도 실패하고, 작업 속도와 신뢰성이 산업용 로봇이나 사람을 따라잡지 못하는 경우가 많습니다. 여기에 Figure가 1,600만 개의 실세계 행동 데이터를 수집하기 시작했다는 소식까지 겹치면 산업의 방향은 더욱 분명해집니다.
하드웨어 → 모델 → 데이터 → 일반화 → 현장 가치
앞으로 휴머노이드 기업의 경쟁력을 볼 때는 이 연결고리를 봐야 합니다.
- Q1새로운 작업이 생길 때마다 엔지니어가 다시 티칭해야 하는가, 아니면 스스로 일반화할 수 있는가?
- Q2깔끔한 데모 환경이 아니라 실제 공장처럼 조명·물체·사람·동선이 바뀌어도 같은 성능을 내는가?
- Q3"한 번 성공했다"가 아니라 수백·수천 번 반복했을 때도 산업현장이 요구하는 가동률과 신뢰성을 확보했는가?
- Q4범용 휴머노이드를 기다리는 게 나은 공정인가, 아니면 이미 검증된 산업용 로봇·AMR·협동로봇으로 지금 자동화하는 편이 경제적인가?
🧭 그래서 마로솔이 채우는 자리
피지컬 AI의 발전 속도가 빠르다고 해서 모든 자동화를 휴머노이드가 해결할 때까지 기다릴 필요는 없습니다. 오히려 지금 중요한 건 기술의 위치를 정확하게 구분하는 일이에요.머신텐딩·팔레타이징·용접·검사·이송처럼 작업 정의가 명확하고 검증이 끝난 공정은 지금 자동화하고, 비정형 물체 조작·다품종 복합 작업처럼 '일반화'가 필요한 영역은 기술 발전을 보면서 단계적으로 접근해야 합니다.
마로솔은 특정 로봇 한 대를 먼저 정해놓고 현장에 맞추는 것이 아니라, 공정 분석 → 필요한 자율성 수준 판단 → 산업용 로봇·협동로봇·AMR·비전·AI 조합 비교 → 처리량과 ROI 검증 → 향후 피지컬 AI 확장 가능성까지 한 흐름으로 자동화 로드맵을 설계합니다. '가장 미래적인 로봇'이 아니라 지금 우리 현장에서 가장 확실하게 일할 수 있는 로봇부터 시작하는 것 — 범용 로봇의 챗GPT 모먼트가 2년 뒤 오든, 10년 뒤 오든 현재의 생산성 문제를 해결하는 가장 현실적인 방법입니다.
모든 일을 하는 로봇을 기다리지 말고,
지금 확실하게 자동화할 수 있는 일부터 시작하세요
1:1 무료 컨설팅으로 현재 공정에 필요한 자동화 수준부터 로봇 조합, 예상 처리량과 ROI, 향후 피지컬 AI 확장 로드맵까지 함께 검토해 드립니다 👇
✅ 현재 자동화 가능한 공정 진단 ✅ 산업용·협동·물류 로봇 비교 ✅ 공정별 처리량·ROI 검증 ✅ 비정형 작업의 피지컬 AI 적용 가능성 점검 ✅ 단계별 자동화 로드맵 설계
📞 대표전화 080-858-5050 | ✉️ 이메일 hello@bigwaverobotics.com
마로솔 (myrobotsolution.com)
빅웨이브로보틱스 주식회사 · 서울 강남구 역삼로 542 | © 2026 Bigwave Robotics Inc. · Weekly Robot Insight 2026.08 4주차
