피지컬 AI(Physical AI)용 ‘컴파운딩 데이터 엔진(compounding data engine)’을 표방하는 액시스 로보틱스(Axis Robotics)가 1,200만달러(약 160억원) 규모의 시드 투자를 유치했다. 이번 라운드는 Hack VC가 주도했으며, Nomad Capital, Pi Network Ventures, 10K Ventures와 복수의 엔젤 투자자들이 참여했다.
이번 투자로 액시스는 ‘대규모 병렬, 인간 참여형(human‑in‑the‑loop) 글로벌 데이터 엔진’을 구축하는 미션을 가속한다는 계획이다. 피지컬 AI가 안고 있는 최대 난제인 ‘구조화되고 고도로 다양화된 로봇 학습 데이터의 대규모·확장형 생성’ 문제를 정면에서 풀어보겠다는 전략이다.
피지컬 AI의 데이터 병목 해소
대규모 언어모델(LLM)은 이미 웹에 축적된 수조 개 토큰에 기반해 확장되지만, 피지컬 AI는 전혀 다른 3가지 구조적 제약에 막혀 있다. 극심한 데이터 부족, 새로운 환경으로의 일반화(generalization) 격차, 그리고 로봇 하드웨어별로 분절된 구현(embodiment fragmentation) 문제다.
액시스 로보틱스 창업자 크리스(Chris)는 “피지컬 AI는 수십억 건 규모의 인간‑물리 환경 상호작용 모션 궤적이 필요하다”며 “수년간 업계에는 모델이 부담 없이 반복 학습할 수 있을 만큼 효율적이고 무한 확장이 가능한 하이브리드 데이터 생산 시스템이 부재했다. 액시스가 구축한 ‘컴파운딩 데이터 엔진’은 바로 이 공백을 메우는 해법”이라고 말했다.
일반 로보틱스 인텔리전스를 뒷받침하는 액시스의 구조
액시스의 독자적 컴파운딩 데이터 엔진은 과제(task) 생성, 데이터 캡처, 지속적 모델 학습, 최적화를 하나의 파이프라인으로 통합한 엔드‑투‑엔드 워크플로를 제공한다.
Task Gen Engine(과제 생성 엔진): 물체, 공간 구성, 시각 요소, 로봇 구조, 의미·맥락을 무작위화해 기초 단위 로봇 작업을 기하급수적으로 다양화한다. 모든 데이터 궤적에 다양성을 내재화함으로써 일반화 가능한 데이터셋을 생성한다.
브라우저 기반 시뮬레이션 텔레오퍼레이션 플랫폼: 누구나 웹 브라우저만으로 고품질 로봇 모션 궤적을 원격 생성할 수 있게 한, 세계 최초의 웹 기반 인터페이스다. 기존 연구실 중심 수집 방식 대비 약 10배 높은 처리량을 제공하며, 인간이 개입하는 DAgger(Dataset Aggregation) 루프를 자연스럽게 녹여 로봇 정책을 지속적으로 수정·보완하는 구조를 구현했다.
Ego Data 모바일 캡처 앱: 현실 세계 데이터 수집을 고가·대형 장비에 의존하던 방식에서 탈피해, 누구나 참여 가능한 모바일 애플리케이션 기반으로 전환한다. 실시간 최첨단(SOTA) 손 포즈 추적 기술을 글로벌 작업자 네트워크와 결합해, 인간의 시각·손기술을 대규모 로봇 모션 데이터로 전환하는 구조다.
데이터 프로세싱 파이프라인: 모션 궤적 클리닝, 도메인 랜덤화, 촘촘한 언어 주석을 자동화해 학습에 즉시 투입 가능한 멀티모달 데이터셋을 만든다. 액시스 측은 기존 대비 10배 이상 향상된 데이터 품질을 제공한다고 설명한다.
이처럼 통합된 아키텍처는 ‘플라이휠’ 구조를 형성한다. 실제 환경이나 시뮬레이션에서 실패한 로봇 궤적은 인간의 교정 개입을 자동으로 호출하고, 수정된 데이터는 다시 모델 학습으로 환류돼 리스크·엣지 케이스 커버리지를 넓힌다. 데이터가 쌓일수록 지능이 누적(compounding)되는 구조다.
수직 통합 ‘다양성 엔진’과 글로벌 기여자 네트워크
액시스의 핵심 경쟁력은 피지컬 AI의 전 라이프사이클을 관통하는 단일 통합 플랫폼에 있다. 기존처럼 데이터 수집·전처리·학습·배포가 파편화된 방식이 아니라, 대규모 분산 사전학습용 데이터 수집부터 학습 이후 인간 개입형 Dataset Aggregation까지를 하나의 수직 통합 엔진으로 묶었다.
데이터 다양성을 전제로 설계된 액시스의 Task Generation Engine은 물체 배치, 조명, 카메라 포즈, 물리 특성, 로봇 형태를 무작위화해 사실상 무한대에 가까운 장면·조작 과제를 생성한다. 이는 곧 높은 일반화 성능을 겨냥한 트레이닝 데이터로 직결된다.
파운데이션 모델 스케일의 다변화된 데이터를 공급하기 위해 액시스는 글로벌 로봇 데이터 인프라를 구축했다. 현재 10만명 이상 활성 기여자가 활동 중이며, 1인당 하루 평균 3~4회 데이터를 제출하는 구조를 갖췄다. 이를 통해 생산 효율성과 시나리오 다양성을 동시에 극대화했다는 설명이다.
현재 액시스는 월 기준으로 1,200시간 이상의 시뮬레이션 데이터와 2만 시간 이상 현실 세계 기반 이고센트릭(ego‑centric) 데이터를 다양한 시나리오에서 생산할 수 있다.
최근 공개한 ‘Sim Dataset V1’ 벤치마크 결과도 ‘공학적으로 설계된 다양성’이 성능 향상으로 직결된다는 점을 보여준다. LIBERO‑Plus 벤치마크에서, 액시스의 완전다양화 데이터셋으로 π0.5를 사전학습(pre‑training)한 결과 전체 성공률이 4.9포인트 개선됐고, 동일 데이터량을 맞춘 RoboCasa365 기준선을 31.3포인트 상회했다. 특히 레이아웃 일반화, 센서 노이즈 내성, 로봇 포즈 강건성에서 뚜렷한 격차를 보여 단순한 데이터 규모가 아니라 ‘다양성 파이프라인’이 성능 우위의 원천임을 입증했다는 평가다.
상용화·파트너십 본격 확대
액시스 로보틱스는 고품질 로봇 학습 데이터를 실제 산업 현장에 적용하는 상용화 작업도 빠르게 진행 중이다. 로봇 하드웨어 제조사, 피지컬 AI 모델 개발사, 산업 자동화 기업의 요구에 맞춰 커스터마이즈한 ‘태스크 패키지(Task Packages)’를 공급하는 방식이다.
현재 Booster Robotics, Manycore Tech, Feagine Robotics, Dexmal, Lotus Car, Geely Auto, SomaStacks 등과 초기 상용 파트너십을 체결했다. 확장 가능하면서도 고충실도(high‑fidelity) 로봇 학습 데이터에 대한 시장 수요가 이미 뚜렷하다는 방증으로 해석된다.
‘일반 물리 지능’ 재정의 노린다
크리스는 “피지컬 AI의 미래는 모델과 데이터의 깊은 공생에 달려 있다”며 “정적인 데이터셋만으로는 일반 로보틱 인텔리전스를 구현할 수 없다”고 강조했다. 그는 “진정한 승자는 컴파운딩 데이터 엔진”이라며 “글로벌 기여자 네트워크와 끊임없는 모델 반복을 하나로 잇는 수직 통합 시스템이 필요하다. 각기 다른 궤적과 인간의 교정이 모일수록 모델 향상 속도는 빨라지고, 자기강화형 인텔리전스 플라이휠이 형성된다”고 설명했다.
액시스 로보틱스 팀은 UC 버클리, 카네기멜론대(CMU), 조지아텍, 난양공대(NTU), 상하이교통대(SJTU) 등에서 활약한 최정상급 AI·로보틱스 연구진과, 3천만명 이상 글로벌 이용자를 보유한 소비자 제품을 성장시킨 그로스 해커들로 구성돼 있다.
이번 Hack VC 리드 1,200만달러 시드 라운드를 통해 액시스는 절차적 생성(procedural generation) 역량을 강화하고, 분산형 글로벌 기여자 네트워크를 한층 확대하는 한편, 피지컬 AI 시대의 핵심 데이터 엔진으로서 입지를 공고히 한다는 계획이다.