로봇 팀이 마주한 현실적 질문은 단순합니다. 더 좋은 팔, 더 빠른 제어기, 더 싼 센서를 붙이면 로봇은 정말 더 똑똑해질까요? 점점 답은 "아니오"에 가까워지고 있습니다. 물리 세계의 AI는 하드웨어 성능만으로 개선되지 않습니다. 로봇이 실패하고, 다시 시도하고, 다양한 물체와 환경에서 배운 데이터를 누가 얼마나 안정적으로 공급하느냐가 병목이 되고 있습니다.
이 맥락에서 서울·산호세 기반 스타트업 Config가 삼성벤처투자 주도 2,700만 달러 시드 투자를 유치했고, 현대차 ZER01NE, LG Tech Ventures, SKT America 등이 참여했다는 소식은 단순한 투자 뉴스 이상입니다. Config는 로봇을 직접 만들기보다 로봇 파운데이션 모델을 위한 데이터 계층을 만들겠다고 말하며, 현재 10만 시간 이상의 인간 동작 데이터를 확보했다고 밝혔습니다.1
로봇 AI의 해자는 이제 '데이터 배기량'에서 나온다
LLM은 인터넷 텍스트라는 거대한 원재료 위에서 성장했습니다. 물론 정제와 학습 비용은 막대했지만, 원천 데이터는 비교적 쉽게 복제·수집할 수 있었습니다. 로봇은 다릅니다. 컵을 집는 데이터 하나에도 공간, 카메라, 사람 또는 로봇, 실패 로그, 센서 동기화, 라벨링이 필요합니다.
Config가 흥미로운 지점은 여기입니다. 이 회사는 사람의 조작 영상에서 로봇에 맞는 액션 표현을 추정하는 파이프라인을 강조합니다. AWS 사례에 따르면 Config는 약 10만 시간 규모의 액션 데이터를 구축했고, 월 2만 시간가량을 추가 수집하고 있으며, 수집·전처리·학습·실환경 검증까지 이어지는 엔드투엔드 파이프라인을 운영합니다.2
해석하면, Config의 핵심 상품은 "데이터셋"이라기보다 "로봇 학습용 원유를 정제유로 바꾸는 공정"에 가깝습니다. 실제로 로봇 데이터는 영상, 상태값, 액션, 언어 지시, 시간축 정렬, 로봇별 자유도 차이를 모두 맞춰야 합니다. LeRobot 기반 워크플로우에서도 상태, 액션, 카메라 이미지, 언어 지시 같은 필드와 모달리티 매핑이 중요하게 다뤄집니다.3
실무적으로는 로봇 구매자와 제조사가 "데모 영상이 멋진가"보다 "우리 공정 데이터가 모델 성능 개선으로 이어지는가"를 물어야 한다는 뜻입니다.
'로봇 데이터의 TSMC'라는 비유가 맞는 부분과 틀린 부분
TSMC 비유는 꽤 유용합니다. TSMC는 애플, 엔비디아, AMD와 직접 제품 경쟁을 하지 않으면서 제조 인프라를 제공합니다. Config도 특정 로봇 완제품을 팔기보다, 여러 제조사와 AI 팀이 쓸 수 있는 중립적 데이터 인프라가 되려 합니다.
삼성, 현대차, LG 같은 제조사가 이런 회사에 관심을 갖는 이유도 여기에 있습니다. 자체 로봇 AI를 만들고 싶지만, 모든 데이터를 내부에서 수집·정제·표준화하기는 비싸고 느립니다. 중립 레이어가 있으면 제조사는 특정 로봇 벤더에 종속되지 않고, 여러 모델·하드웨어 전략을 시험할 선택권을 얻습니다.
다만 이 비유는 과장될 수 있습니다. 반도체 웨이퍼는 공정 표준화가 극도로 높지만, 로봇 데이터는 현장 맥락에 강하게 묶입니다. 같은 "집기"라도 부품 표면, 조명, 작업자 동선, 안전 규정이 다르면 데이터 가치가 달라집니다. 또 데이터 권리, 고객 현장의 기밀, 실패 데이터 소유권은 파운드리 계약보다 훨씬 복잡할 수 있습니다.
따라서 Config류 회사를 볼 때는 "얼마나 많은 시간을 모았는가"만으로 판단하면 부족합니다. 중요한 것은 그 시간이 어떤 환경·작업·로봇 형태를 커버하는지, 그리고 실제 배포 성능으로 연결되는지입니다.
제조사가 사는 것은 데이터가 아니라 선택권이다
현재 로봇 파운데이션 모델 생태계는 빠르게 분화하고 있습니다. NVIDIA Isaac GR00T는 휴머노이드용 파운데이션 모델과 시뮬레이션·합성 데이터 파이프라인을 함께 제시하고 있습니다.4 Physical Intelligence의 π₀는 여러 로봇 플랫폼을 가로지르는 Vision-Language-Action 모델로 설명되며, 웹 비전언어 데이터와 오픈 로봇 데이터, 자체 로봇 상호작용 데이터를 결합합니다.5
이 흐름에서 제조사가 원하는 것은 단일 모델의 승자 맞히기가 아닙니다. 오히려 반대입니다. 어떤 모델이 이기든, 자사 공정 데이터와 장비를 빠르게 연결할 수 있는 옵션이 필요합니다.
그래서 데이터 인프라 스타트업의 평가는 다음 질문으로 옮겨가야 합니다.
데이터 권리와 사용 범위가 계약상 명확한가
사람 동작 데이터를 로봇 액션으로 변환하는 방식이 검증 가능한가
LeRobot류 표준 포맷이나 주요 VLA/RFM 모델과 호환되는가
시뮬레이션·합성 데이터와 실제 현장 데이터의 피드백 루프가 있는가
고객 현장 배포에서 작업 성공률, 재학습 시간, 장애율이 개선되는가
데이터가 쌓일수록 고객이 빠져나가기 어려운 구조인지, 혹은 고객도 자산을 가져갈 수 있는지
마지막 질문은 특히 중요합니다. 데이터 인프라는 고객에게 레버리지를 줄 수도 있지만, 반대로 새로운 종속을 만들 수도 있습니다.
Config의 투자는 로봇 산업의 관심이 "누가 더 인간 같은 로봇을 만들었나"에서 "누가 물리 AI의 학습 재료를 지속적으로 공급할 수 있나"로 이동하고 있음을 보여줍니다. 제조사, 로봇 SI, 산업 자동화 구매자는 이제 하드웨어 사양표만 볼 것이 아니라 데이터 파이프라인, 표준화, 권리 구조, 실배포 성능 개선 지표를 함께 봐야 합니다. 로봇의 다음 경쟁력은 팔 끝이 아니라, 팔이 배우는 공급망에서 결정될 가능성이 큽니다.
참고
1Korea's biggest manufacturers back Config, the TSMC of robot data
2Config의 Amazon EKS Spot 기반 대규모 RFM 데이터 파이프라인 구축
3자체 LeRobot 데이터셋 사용하기 | StarVLA
4Isaac GR00T - Generalist Robot 00 Technology | NVIDIA Developer
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.