로봇 설계의 순서를 뒤집는 아이디어
로봇을 만든다고 하면 보통 이런 순서를 떠올리죠. 먼저 기계공학자가 몸체(하드웨어)를 설계하고, 그다음 소프트웨어 엔지니어가 그 몸에 맞는 제어 알고리즘을 짜는 순서요. 그런데 최근 공개된 'Transformer Transformer'라는 연구는 이 순서 자체를 없애버렸어요. 원하는 '움직임'을 먼저 제시하면, AI가 그 움직임에 최적화된 로봇의 몸 구조와 제어 방식을 동시에 설계해주는 거예요. 이런 접근을 로봇 공동 설계(co-design)라고 부르는데요, 이름부터 재치있죠. 트랜스포머(Transformer) 모델로 변신 로봇(Transformer)을 설계한다는 중의적인 작명이에요.
왜 '동시에' 설계하는 게 중요할까
이게 왜 중요하냐면, 로봇의 몸과 두뇌는 사실 떼어놓을 수 없는 관계거든요. 다리 길이가 조금만 달라져도 최적의 걸음걸이가 완전히 바뀌고, 관절 배치가 달라지면 같은 동작도 필요한 힘이 달라져요. 그런데 기존 방식처럼 몸을 먼저 고정해놓고 제어만 학습하면, '애초에 몸이 더 좋았다면 훨씬 쉬웠을 문제'를 소프트웨어가 억지로 푸는 상황이 생겨요. 자연에서 동물의 몸과 신경계가 함께 진화해온 것처럼, 로봇도 몸과 제어를 함께 최적화해야 진짜 최적점을 찾을 수 있다는 게 공동 설계의 핵심 아이디어예요.
문제는 이게 탐색 공간이 어마어마하게 크다는 거예요. 몸 구조의 경우의 수에, 각 몸마다 가능한 제어 정책의 경우의 수를 곱해야 하니까요. 그래서 기존 연구들은 진화 알고리즘으로 몸 구조를 조금씩 바꿔가며 각각 제어를 다시 학습시키는, 시간이 엄청나게 드는 방식을 썼어요. 몸 하나 바꿀 때마다 강화학습을 처음부터 다시 돌리는 셈이라 실험 한 번에 며칠씩 걸리기 일쑤였죠.
트랜스포머 하나로 통합한 접근
이 연구의 포인트는 이 과정을 하나의 통합된(unified) 트랜스포머 모델로 풀어냈다는 거예요. 트랜스포머가 뭐냐면, ChatGPT 같은 언어 모델의 뼈대가 되는 신경망 구조인데, 순서가 있는 데이터(시퀀스)를 처리하는 데 특히 강해요. 이 연구에선 로봇의 몸 구조를 관절과 링크의 시퀀스로, 제어 신호도 시간에 따른 시퀀스로 표현해서, 언어 모델이 문장을 다루듯 로봇의 몸과 움직임을 한 모델 안에서 다루게 했어요. 조건으로 원하는 모션을 넣어주면(motion-conditioned), 모델이 그 모션을 잘 수행할 수 있는 형태와 제어를 함께 뽑아내는 구조인 거죠.
이런 통합 모델의 장점은 일반화예요. 몸 구조 하나하나마다 제어기를 새로 학습하는 게 아니라, 다양한 몸-움직임 조합을 학습한 모델이 새로운 요구사항에도 학습된 지식을 재활용할 수 있거든요. 언어 모델이 처음 보는 문장도 만들어내듯이요.
업계 맥락: 생성형 AI가 하드웨어 설계로
이 흐름은 더 큰 그림 속에 있어요. 지금까지 생성형 AI는 텍스트, 이미지, 코드처럼 디지털 결과물을 만드는 데 집중해왔는데, 이제 물리적인 것의 '설계'로 영역을 넓히고 있거든요. 신약 분자 구조를 생성하는 AI, 기계 부품의 형상을 최적화하는 제너레이티브 디자인이 이미 산업에서 쓰이고 있고, 로봇 분야에서도 MIT나 NVIDIA 쪽에서 시뮬레이션 기반 공동 설계 연구가 꾸준히 나오고 있어요. 특히 Isaac Gym 같은 GPU 병렬 시뮬레이터가 성숙하면서, 수천 개의 로봇 변형을 동시에 시뮬레이션하며 학습시키는 게 가능해진 것이 이런 연구의 토대가 됐고요.
한국 개발자에게 주는 시사점
로봇 하드웨어를 직접 만들 일이 없더라도, '탐색 공간이 너무 큰 설계 문제를 시퀀스 생성 문제로 바꿔 트랜스포머로 푼다'는 발상 자체는 배워둘 가치가 있어요. 회로 설계, 건축 구조, 네트워크 토폴로지처럼 조합이 폭발하는 문제들에 같은 패턴이 적용되고 있거든요. 국내에서도 로봇 스타트업과 제조업의 접점이 커지는 중이라, 시뮬레이션 기반 설계 자동화는 눈여겨볼 만한 분야예요.
정리하면, 이 연구는 '로봇의 몸도 이제 학습의 대상'이라는 걸 보여주는 사례예요. 여러분 생각은 어때요? 하드웨어 설계까지 AI가 하게 되면, 로봇 엔지니어의 역할은 어디로 이동하게 될까요?
🔗 출처: Hacker News