[테크 리포트] 피지컬 AI의 확산, 본격적인 궤도에 오르다 - 테크월드뉴스

글= 아르템 아진스키(Artem Aginskiy) 텍사스인스트루먼트 Jacinto 고성능 컴퓨팅 사업부 총괄 [테크월드뉴스=아르템 아진스키 TI Jacinto 고성능 컴퓨팅 사업부 총괄] 오랫동안 AI 모델들은 클라우드에만 의존해 왔다. 전통적으로 이러한 모델들은 데이터센터 내에서 훈련되고 실행됐으며 물리적 세계에 직접적인 영향을 미칠 수 없었다. 하지만 AI 가속기가 성숙해지면서 엣지 디바이스들이 로컬에서 모델을 실행하기 시작했고 소스에 가까운 곳에서 데이터를 수집해 더 낮은 지연시간의 추론을 가능하게 했다. 그러니 이러한 모델들의 출력이 물리적 행동으로 나타나기 위해서는 여전히 직접적인 인간의 개입이 필요했다. 오늘날 안전성, 보안성, 그리고 신뢰성의 혁신으로 인해 자동차의 첨단 운전자 보조 시스템(ADAS)과 산업용 로봇은 인간의 개입 없이도 안전하게 작동할 수 있게 됐다. 이러한 혁신들은 AI가 의사결정을 돕는 디지털 어시스턴트에서 감지하고 사고할 뿐만 아니라 행동까지 할 수 있는 AI로 전환하는 것을 돕고 있다. 이것이 바로 ‘피지컬 AI’, 때로는 ‘체화(embodied) AI’라고 불리는 것이 작동하는 영역이다. 하지만 피지컬 AI로의 전환이 가속화되면서 한 가지 질문이 떠오른다. 이러한 기능들이 최첨단 고성능 시스템에만 제한되지 않고 광범위하게 접근 가능하려면 어떻게 해야 할까? 피지컬 AI란? 피지컬(physical) AI라는 용어는 임베디드 하드웨어에서 실행되고 시스템의 물리적 동작에 직접적인 영향을 미치는 AI 모델을 의미한다. 피지컬 AI는 완전히 새로운 개념은 아니다. 이는 엣지 AI와 실시간 제어의 개념을 환경을 로컬에서 해석할 뿐만 아니라 그 해석을 사용해 물리적 움직임을 형성하는 시스템으로 확장한 것이다. [그림1]은 피지컬 AI와 엣지 AI의 차이점을 보여준다. 피지컬 AI의 대표적인 응용 분야인 휴머노이드 로봇에서 피지컬 AI는 로봇이 상자를 잡고 들어올릴 때 로봇을 제어하는 데 사용되며 엣지 AI는 AI 모델을 로컬에서 실행하는 프로세서의 기능을 다룬다. 혼잡한 고속도로에서 예상치 못하게 느려지는 교통상황에 접근하는 운전자를 상상해 보자. 오늘날 차량의 결정론적 시스템은 앞차와의 거리가 정의된 임계값까지 줄어들 때 반응해 안전하게 정지하는 것을 목표로 차량을 감속시킨다. 피지컬 AI 시스템은 이러한 상황에서 변화를 가져온다. 새로운 교통 패턴을 더 일찍 분석하고 정의된 임계값에 도달하기 전에도 속도를 조절한다. 그 결과는 차량 내 임베디드 하드웨어에서 직접 실행되는 AI에 의해 가능해진 더 부드럽고 제어된 움직임 변화다. 이러한 개선은 소수가 아닌 많은 차량에서 나타날 수 있을 때 더욱 영향력이 크다. AI가 센서와 액추에이터 데이터를 실시간으로 분석하고 반응할 때는 단 1밀리초라도 중요하다. 피지컬 AI는 로컬에서 거의 즉각적인 처리에 대한 필요를 충족시킨다. 하지만 우리는 여전히 피지컬 AI 모델을 훈련하고 개선하기 위해 클라우드에서 방대한 양의 컴퓨팅과 메모리를 사용한다. 예를 들어 디지털 트윈은 로보틱스에 사용되는 것들을 포함해 피지컬 AI 모델을 훈련할 때 중요하다. 기계, 전자장치, 센서를 포함한 시스템의 가상 버전을 구축함으로써 하드웨어와 상호작용하기 전에 모델을 테스트하고 개선할 수 있다. 엣지 AI가 끝나고 피지컬 AI가 시작되는 지점 엣지 AI는 더 작은 마이크로컨트롤러(MCU)부터 임베디드 프로세서까지 모든 것에서 로컬로 실행되는 AI 모델을 다루며 센서로부터 데이터를 수집하고 처리한 후 원격 서버에 의존하지 않고 출력을 생성한다. 이 개념은 [그림2]에서 설명된다. 피지컬 AI를 구별하는 것은 모델이 출력을 생성한 후에 일어나는 일이다. 엣지 AI는 이미지를 분류하고 소리를 식별하거나 센서 데이터를 해석할 수 있다. 피지컬 AI는 인식과 액추에이션을 결합해 시스템이 실시간으로 움직이고 반응하거나 조정하는 방식을 제어한다. 예를 들어 피지컬 AI가 근처 교통상황의 여러 신호를 로컬에서 해석할 때 자동차는 더 앞서서 반응할 수 있어 더 부드러운 속도 변화를 지원한다. 산업 분야에서 창고 로봇들은 온보드 모델이 네트워크 지연 없이 장면을 처리하기 때문에 사람들이 근처에서 움직일 때 경로를 조정할 수 있다. 산업 장비는 로컬 모델이 클라우드에서 실행되는 AI 모델에 의존하는 대신 센서 데이터를 지속적으로 평가할 때 모터의 토크, 위치 또는 속도를 미세 조정할 수 있다. 위 사례들 중 새로운 것은 하나도 없다. 엔지니어들은 지난 수년간 임베디드 시스템에서 예측 모델과 심지어 기계학습 모델까지 사용해 왔다. 하지만 피지컬 AI는 이러한 기능들을 시스템 설계에 더 깊은 수준으로 통합해 로컬 추론과 액추에이션이 긴밀하게 결합되도록 함으로써 차별화된다. 피지컬 AI가 다양한 제품군과 다양한 가격대에서 구현되고 있기 때문에 엔지니어들은 확장 가능한 하드웨어와 소프트웨어 접근법이 필요하다. 피지컬 AI는 HW·SW 공동 설계에 달려있다 피지컬 AI는 일반적으로 ‘감지·사고·행동’ 3가지 기본 부분으로 나뉜다. 예를 들어 자율주행 자동차는 카메라, 레이더, LiDAR 및 기타 센서를 사용해 주변 환경을 ‘감지’하고 데이터를 처리해 앞 도로의 안전한 경로를 계획함으로써 ‘사고’하며 마지막으로 조향, 브레이크, 스로틀을 제어해 계획을 실행함으로써 ‘행동’한다. 전통적으로 AI 모델은 주변 세계를 감지하고 사고하는 데 사용된다. 하지만 AI 모델이 움직임을 제어하기 시작하면 시스템 설계의 규칙이 바뀐다. 피지컬 AI에서 엔지니어들은 더 이상 지속적인 무선 연결에 의존할 수 없다. 이러한 시스템들은 예측 가능한 타이밍, 정확한 센서 데이터, 그리고 밀리초 단위로 응답할 수 있는 하드웨어를 필요로 하기 때문이다. 엔지니어들은 하드웨어와 소프트웨어가 혼재된 복합적인 설계 고려사항에 직면한다. 예를 들어 프로세서는 제어 루프의 타이밍 요구사항 내에서 모델을 실행할 수 있어야 하며 센서 체인은 정확하고 신뢰할 수 있는 데이터를 전달할 수 있어야 한다. 소프트웨어는 지연시간을 도입하지 않고 인식과 액추에이션을 조정해야 하며 오류가 이제 기계의 신뢰성과 사용자의 안전에 실제적인 결과를 초래하기 때문에 검증이 더 복잡해진다. 피지컬 AI에서 하드웨어와 소프트웨어는 기존의 임베디드 시스템보다 서로에게 훨씬 더 많이 관여한다. 결과적으로 피지컬 AI 개발은 하드웨어와 소프트웨어 결정이 긴밀하게 연결된 것으로 취급되는 공동 설계 노력으로 접근하는 것이 가장 좋다. 이 점을 설명하기 위해 실용적인 예시를 들어보자. 생산라인에서 섬세한 부품을 다루도록 설계된 작은 로봇 팔을 생각해 보자. 소프트웨어 팀은 파지 예측을 개선하기 위해 더 큰 모델을 배포하고 싶어할 수 있지만 프로세서가 여전히 타이트한 제어 루프 내에서 추론을 실행해야 하므로 이는 하드웨어 팀에게 영향을 미친다. 반대로 하드웨어 팀은 더 높은 해상도의 데이터를 제공하기 위해 모터 내부에 새로운 유형의 전류 센서를 채택하고 싶어할 수 있다. 이는 차례로 소프트웨어 팀이 팔이 개선된 신호 품질을 완전히 활용할 수 있도록 모델과 제어 로직을 조정하도록 한다. 조정된 공동 설계를 통해 엔지니어링 팀의 양측이 AI 모델이 컴퓨트 예산에 맞고 센서가 필요한 정밀도를 지원하며 제어 루프가 타이밍 윈도우 내에 머무는 솔루션에 도달할 수 있다. 이는 궁극적으로 팔이 더 안전하고 신뢰할 수 있는 방식으로 움직일 수 있게 한다. 피지컬 AI 시스템에서 하드웨어는 까다롭다 반도체는 피지컬 AI의 기반이다. 이러한 시스템들은 AI 모델을 실행하는 임베디드 프로세서, 센서 정보를 정확하게 포착하는 신호체인 디바이스, 그리고 부하가 변할 때 안정적인 동작을 유지하는 전력 기술에 의존한다. 이러한 각 부분은 피지컬 AI 설계에서 타이밍, 정밀도, 그리고 일관성의 한계를 설정한다. 많은 설계에서 제가 본 것은 한 영역의 개선이 다른 영역으로 파급된다는 것이다. 새로운 센싱 체인은 더 정밀한 제어를 가능하게 할 수 있다. 약간 더 큰 AI 모델을 지원하는 프로세서는 로봇이 더 복잡한 시나리오를 처리하는 데 도움이 될 수 있다. 그리고 개선된 전력 아키텍처는 시스템이 빠른 움직임 동안 일관된 성능을 유지하는 데 도움이 될 것이다. 근본적으로 피지컬 AI는 예측 가능한 처리, 신뢰할 수 있는 센싱, 그리고 안정적인 전력 시스템 측면에서 구성요소간의 이러한 상호작용에 의존한다. 피지컬 AI는 어디로 향하고 있을까? 저는 피지컬 AI 시스템이 어떤 모습을 갖춰가는지를 좌우하는 산업 전반의 트렌드를 보고 있다. 설계자들은 예측 가능한 타이밍과 일관된 성능을 지원하기 위해 센싱, 컴퓨팅, 제어를 더욱 긴밀하게 접목하고 있다. 앞서 논의한 것처럼 시뮬레이션과 디지털 트윈 환경은 개발 플로우에서 점점 더 일반적이 되고 있으며 하드웨어가 사용 가능하기 전에 행동을 테스트할 수 있는 방법을 제공하고 있다. 오늘날 피지컬 AI는 다양한 부문에 걸쳐 추진력을 얻고 있다. 이에 건물과 인프라에서 엔지니어들은 환경 정보를 기반으로 기계 시스템을 조정하는 컨트롤러를 구축할 수 있고 로보틱스에서 온보드 인텔리전스는 기계가 사람과 장비 주변에서 움직임을 조정하는 데 도움을 준다. 또 산업 자동화에서 장비는 라이브 센서 입력을 기반으로 행동을 적응시켜 변화하는 조건하에서 프로세스가 안정적으로 유지되도록 돕는다. 이 모든 상황에서 텍사스 인스트루먼트와 같은 반도체 회사들은 피지컬 AI 시스템이 달성할 수 있는 것을 형성하는 데 중요한 역할을 한다. 그들의 성능, 정확성, 신뢰성이 소프트웨어뿐만 아니라 기본 하드웨어에 달려있기 때문이다. 궁극적으로 이러한 반도체 회사들은 피지컬 AI 시대의 구성 요소를 공급하는 사람들이다. 그리고 이러한 기술들이 더 많은 유형의 디바이스와 새로운 제품 등급으로 확산되면서 그들의 역할은 가능한 한 많은 설계자들을 위해 이러한 기능들의 접근성을 높이는 것이다. 피지컬 AI의 목적이 기계가 움직이고 반응하며 우리를 지원하는 방식을 형성해 안전성과 편의성을 개선하는 것이라면 이는 고성능 시스템에만 제한되지 않고 일상적인 디바이스에서 광범위하게 사용 가능해야 한다.