코코 로보틱스, 수백만 마일 배송 데이터로 물리 AI 연구소 설립

코코 로보틱스(Coco Robotics)가 UCLA 교수를 영입해 신설 물리 AI 연구소를 이끌도록 하고, 자사 배송 로봇의 실제 운행 데이터를 기반으로 자율주행 기초 모델(foundation model)을 훈련시키는 데 주력한다. 코코의 로봇 군단은 도시 환경에서 수백만 마일을 주행하며 축적한 데이터를 보유하고 있다. 대부분의 로보틱스 스타트업이 시뮬레이션에 의존하는 것과 달리, 이 정도 규모의 실제 데이터를 가진 기업은 드물다. 이로 인해 코코는 단순한 배송 운영사가 아니라 물리 AI 플랫폼 기업으로 자리매김하고 있다.

• 코코의 물리 AI 연구소란? 누가 이끄나?
• 배송 로봇 차량군이 이상적인 훈련장인 이유
• 데이터 해자: 수백만 마일이 열어주는 가능성
• 원격조종에서 자율주행으로: 코코의 전략적 전환
• 로보틱스 업계에 주는 의미
• 자주 묻는 질문

코코의 물리 AI 연구소란? 누가 이끄나?

코코 로보틱스는 전용 물리 AI 연구소를 설립하고, UCLA 교수를 연구소장으로 임명했다. 연구소의 핵심 임무는 회사가 축적한 차량군 텔레메트리, 센서 로그, 내비게이션 데이터를 기반으로 기초 모델을 개발해 완전한 로봇 자율성을 구현하는 것이다. 이는 코코가 지금까지 의존해 온 사람이 개입하는 원격조종(teleoperation) 모델을 넘어서는 움직임이다.

이번 임명은 코코가 스스로를 어떻게 규정할지에 대한 의도적인 변화를 시사한다. 연구소를 창설하고 학계 리더를 영입하는 것은 일반적인 라스트마일 배송 업체의 행보가 아니다. 이는 대규모 실제 데이터와 학습된 로봇 행동의 교차점에 자리한 독자적 AI 시스템을 구축하려는 야망을 반영한다. 업계에서는 이를 점차 '물리 AI(physical AI)' — 텍스트나 이미지 처리뿐 아니라 물리적 세계를 이해하고 행동하도록 설계된 AI 시스템 — 라고 부른다.

TechCrunch에 따르면, 코코는 실제 도시 배치에서 수집한 수백만 마일의 운행 데이터를 활용해 차량군 자동화를 추진 중이다.

배송 로봇 차량군이 이상적인 훈련장인 이유

운영 중인 배송 차량군은 시뮬레이션이나 통제된 실험실 환경이 제공할 수 없는 것을 제공한다: 진정한 분포 다양성. 보도의 모든 균열, 예상치 못한 보행자의 횡단, 코너를 도는 배달 자전거, 빗물에 미끄러운 경사로 — 이 모든 것이 절차적으로 생성된 근사치가 아닌 실제 훈련 신호다.

이것이 코코 같은 기업이 순수 AI 연구소보다 구조적으로 유리한 위치에 있는 이유다. 대부분의 로보틱스 AI 연구자가 직면한 문제는 '데이터 격차'다: 시뮬레이션은 저렴하지만 현실로 옮길 때 취약하다(소위 sim-to-real 갭: 시뮬레이션에서 훈련된 정책이 센서 노이즈, 지연 시간, 물리적 변화로 인해 실제 하드웨어에서 실패하는 현상). 실제 데이터 수집은 비용이 많이 들고, 느리며, 운영이 복잡하다.

코코는 상업 서비스를 운영하는 부산물로 이 데이터를 수집해왔다. 운영 시간마다 수익을 창출하는 배송과 동시에 데이터 생성 이벤트가 일어난다. 비즈니스 모델이 데이터셋을 자금 지원하는 구조로, 처음부터 따라잡기 어려운 구조적 이점이다.

데이터 해자: 수백만 마일이 열어주는 가능성

수백만 마일의 로봇 운행 기록은 의미 있는 숫자다. 작은 도시 배송 구역을 커버하는 단일 로봇이 하루에 5~10마일을 주행한다고 가정하면, 수백만 마일을 달성하려면 여러 로봇이 수년간 도시에 배치되어야 하며, 엄청나게 다양한 시나리오, 계절 조건, 에지 케이스를 포착해야 한다.

이 규모가 중요한 이유는 로보틱스 기초 모델 — 대형 언어 모델과 유사하지만 텍스트 대신 센서 데이터, 행동, 물리적 결과를 학습하는 모델 — 이 일반화되기 위해 방대하고 다양한 데이터셋을 필요로 하기 때문이다. 현재 로봇 AI 시스템의 취약성은 대부분 데이터 문제다. 좁은 데이터셋으로 훈련된 모델은 새로운 상황에서 실패하지만, 다양한 실제 데이터로 대규모 훈련된 모델은 훨씬 강건하다.

코코의 데이터셋에는 다음이 포함될 가능성이 높다:

• 여러 도시와 계절에 걸친 도시 항해의 시각 및 깊이 센서 스트림
• 수천 가지의 다양한 지형 및 장애물 시나리오에 로봇이 어떻게 반응했는지 포착한 모터 명령 및 피드백 로그
• 인간 원격조종자의 개입 기록 — 중요하게도, 이는 자율 시스템이 부족했던 순간을 정확히 레이블링하여 자율성 개선을 위한 고신호 훈련 목표를 제공한다
• 결과 데이터 — 성공적인 배송, 실패한 항해, 아차 사고 — 운영 현실에 근거한 보상 신호를 모델에 제공

특히 원격조종자 개입 로그에 주목해야 한다. 인간 운영자가 코코 로봇을 제어할 때마다 그 사건은 암묵적으로 어려운 문제 — 기존 자율 스택이 처리할 수 없는 상황 — 를 표시한다. 이는 자연스럽게 선별된 '어려운 사례' 데이터셋을 생성하며, 이는 모델을 90% 자율성에서 99% 자율성으로 끌어올리는 훈련 예제다. 그 마지막 9%에 상업적 가치가 있다.

원격조종에서 자율주행으로: 코코의 전략적 전환

코코의 현재 운영 모델은 자율 항해가 실패할 때 원격 인간 조종자가 로봇을 지원하는 방식이다. 이는 라스트마일 배송 로보틱스에서 흔한 하이브리드 접근법으로, Starship Technologies와 Kiwibot을 포함한 여러 업체가 이 모델의 변형을 사용해왔다.

전략적 긴장은 명확하다: 원격조종은 임시 방편이지 목적지가 아니다. 인간 운영자 비용은 단위 경제성에 한계를 만든다. 비즈니스 모델이 효율적으로 확장되려면 완전 자율성 또는 그에 가까운 수준이 필요하다. 바로 지금 물리 AI 연구소를 설립하는 이유다. 코코는 운영 인프라, 배치 범위, 그리고 이제 UCLA 연구소 임명을 통해 연구 역량까지 갖추어 체계적으로 전환을 시도할 수 있다.

이 궤적은 자율주행차에서 일어난 일을 반영한다: 수년간 감독된 규모의 차량군 운영을 통해 데이터를 생성하고, 결국 그 데이터가 안전 운전자를 제거할 수 있는 시스템을 훈련시킨 것이다. 보도 로보틱스의 경우 고속도로 주행보다 속도가 낮고 운영 영역이 더 제한적이므로 시간적 압박이 더 빠를 수 있다.

로보틱스 업계에 주는 의미

로보틱스 개발자와 연구자에게 코코의 연구소는 '데이터 플라이휠(data flywheel)' 전략의 사례 연구다: 로봇을 상업적으로 배치하고, 실제 데이터를 대규모로 수집하고, 그 데이터로 자율성을 개선하고, 이를 통해 더 넓은 배치를 가능하게 하여 더 많은 데이터를 생성한다. 이 순환은 물리 AI에서 지배적인 경쟁 역학이 되고 있으며, 초기에 운영 규모를 달성한 기업에게 크게 유리하다.

배송 로보틱스 업계 전반에 대해 이번 움직임은 신뢰할 수 있는 자율성 로드맵의 기준을 높인다. 투자자와 기업 고객은 점차 '훈련 데이터가 어디서 오는가? 규모는 얼마인가?'를 질문할 것이다.

배송 로봇 도입을 고려하는 구매자에게 플랫폼 간 자율성 격차는 실제로 존재하며 벌어지고 있다. 대규모 실제 데이터셋을 보유한 로봇은 시뮬레이션에 주로 의존하는 로봇보다 원격조종 의존도를 더 빨리 줄일 것이다. 플랫폼을 평가할 때 벤더에게 직접 물어보라: 실제 운영 주행 거리는 얼마이며, 데이터 파이프라인이 자율성 스택에 어떻게 피드백되는가?

물류 또는 라스트마일 애플리케이션을 위한 자율 이동 로봇을 찾고 있다면, Botmarket에서 산업용 및 이동 로봇을 둘러보며 현재 세대 플랫폼의 자율성 기능과 가격을 비교해보세요.

자주 묻는 질문

물리 AI는 물리적 세계를 인지하고 추론하며 행동하도록 설계된 AI 시스템을 말합니다. 디지털 입력을 처리하는 언어 또는 비전 모델과 대조됩니다. 로보틱스에서 물리 AI는 텍스트나 이미지 데이터셋이 아닌, 실제 로봇 배치에서 수집된 센서 데이터를 기반으로 훈련된 내비게이션, 조작, 체화된 의사 결정을 포함합니다.

코코 로보틱스는 얼마나 많은 데이터 마일을 수집했나요? 코코 로보틱스는 자사 차량군을 통해 수백만 마일의 실제 배송 로봇 운영 데이터를 공개적으로 언급했습니다. 정확한 수치는 공개되지 않았지만, 이 규모는 여러 도시의 보도 환경에서 다중 로봇이 수년간 도시 배치된 것을 의미하며, 대부분의 학계 로보틱스 데이터셋보다 훨씬 큽니다.

UCLA 교수가 로보틱스 회사의 AI 연구소에 어떤 가치를 가져오나요? 학계 연구소장은 일반적으로 머신러닝 아키텍처 전문성, 대학원 연구자 파이프라인에 대한 접근, 그리고 인재 유치에 도움이 되는 연구 커뮤니티 내 신뢰도를 제공합니다. 특히 물리 AI 연구소의 경우, 로보틱스 교수 연구는 종종 모방 학습, 강화 학습, 로봇 기초 모델 등 차량군 자율성에 직접 적용 가능한 분야를 다룹니다.

왜 원격조종자 개입 로그가 자율 로봇 훈련에 중요한가요? 각 원격조종자 개입은 로봇의 자율 시스템이 실패했거나 부족했던 순간을 표시합니다. 이러한 사건들은 데이터셋에서 가장 어려운 내비게이션 및 의사 결정 문제를 효과적으로 레이블링합니다 — 바로 고신뢰도 자율성을 달성하기 위해 해결해야 할 에지 케이스입니다. 일상적인 성공적인 항해와 비교할 때, 고신호 난이도 사례 데이터는 모델 강건성 향상에 불균형적으로 가치가 있습니다.

코코의 접근 방식은 시뮬레이션 기반 로봇 훈련과 어떻게 비교되나요? 시뮬레이션은 저비용으로 무제한 데이터 생성을 가능하게 하지만 sim-to-real 갭이 있습니다. 시뮬레이션에서 작동하는 정책은 센서 노이즈, 지연 시간, 물리적 변동으로 인해 실제 하드웨어에서 성능이 저하되는 경우가 많습니다. 코코의 실제 차량군 데이터는 이 갭을 완전히 우회하지만, 완전히 통제 가능한 시뮬레이션 환경에 비해 포착할 수 있는 시나리오 유형이 더 제한적입니다.

코코 로보틱스는 교과서적인 물리 AI 전환을 실행하고 있습니다: 운영 규모를 데이터 자산으로 전환하고, 이를 활용할 연구 인프라를 구축하며, 결과적인 자율성 개선으로 단위 경제성을 재편하는 것입니다. 배송 로봇 차량군은 항상 수단이었고, 기초 모델이 목적이 될지도 모릅니다.

여러분의 로보틱스 자율성 전략은 실제 데이터 수집에 의존하나요, 아니면 시뮬레이션에 베팅하나요? 그리고 그 이유는 무엇인가요?