모든 플릿은 자체 경험을 통해 학습할 수 있어야 합니다.

하룻밤 사이에 달라진 공사 구간에 접근하는 차량을 떠올려 보세요. 모델이 새로운 도로 구조를 제대로 해석하지 못합니다. 이 기록은 단순한 로그 파일이나 일회성 조사로 끝나서는 안 됩니다. 적절한 맥락이 있으면 팀은 실패를 이해하고, 더 나은 학습 데이터를 준비하며, 다음 모델이 그 상황에 더 안정적으로 대응하는지 검증할 수 있습니다.

팀이 처음 기록하는 시연부터 훗날 운영할 플릿에 이르기까지, 경험이 반복해서 유용한 학습으로 이어지는 것. 이것이 자율 기계를 위해 우리가 바라는 미래입니다. 배송 로봇, 수확 기계, 산업용 로봇 팔은 서로 다른 문제에 직면합니다. 하지만 개발자들에게는 공통된 필요가 있습니다. 실제 환경에서 일어난 일과 모델의 변화를 연결하는 것입니다. 우리는 이 연결이 신뢰할 수 있는 인프라가 되기를 바랍니다.

Tesla Autopilot에서 저는 플릿 러닝을 처음 맡은 엔지니어였습니다. 플릿의 엣지 케이스를 모델 개선으로 바꾸는 시스템이었습니다. 그 일은 모델 너머를 보는 법을 가르쳐 주었습니다. 팀이 어떻게 유용한 예시를 찾고, 센서 맥락을 보존하고, 무슨 일이 있었는지 판단하고, 그 판단을 다음 학습 세트로 바꾸는지. 그 과정을 반복할 수 있는 능력은 어떤 개별 돌파구만큼이나 중요합니다.

다른 Physical AI 팀이 그 기반 전체를 처음부터 구축할 필요는 없다는 생각으로 Avala를 창업했습니다. 자신들을 차별화하는 기계와 모델에 최고의 엔지니어링 역량을 쏟을 수 있어야 합니다. Avala는 첫 프로덕션 워크플로부터 훗날 운영할 플릿에 이르기까지, 실제 환경에서 학습할 수 있는 신뢰할 만한 방법을 제공해야 합니다.

AI 스택은 일하는 기계부터 그 기계를 움직이는 전력에 이르기까지 다섯 개의 레이어로 이루어져 있습니다. 데이터는 독립된 레이어가 아닙니다. 데이터는 모델이 배우는 원천이기에, 고객의 자산으로서 모델 레이어 안에 있습니다. 인프라는 모델이 그 위에서 만들어지고, 개선되고, 실행되는 기반, 즉 모델을 만들어 내는 데이터에 관한 모든 것과 그 아래에 있는 컴퓨팅 자원입니다.

1. 앱

   기계가 누군가를 위해 하는 일. 현장에서 일하는 로봇, 차량, 드론.

2. 모델

   두뇌, 그리고 두뇌를 가르치는 것: 고객의 모델과 고객의 데이터. 평가와 사후 학습은 여기에서, 고객 자신의 컴퓨팅 자원 위에서 이루어집니다.

3. 인프라

   모델이 그 위에서 만들어지고, 개선되고, 실행되는 기반: 수집부터 검증을 거친 릴리스까지, 모델을 만들어 내는 데이터에 관한 모든 것과 그 아래에 있는 도구, 컴퓨팅 자원, 클라우드.

   Avala는 여기에 있습니다

4. 칩

   반도체 그 자체.

5. 에너지

   이 모든 것의 한계를 정하는 전력.

Avala는 인프라 레이어에, 고객의 모델 바로 아래에 있습니다. 우리는 로봇을 만들지도, 고객의 모델을 소유하지도, 컴퓨팅 자원을 팔지도, 칩을 만들지도 않습니다. 우리는 고객 자신의 모델이 자신의 플릿에서 학습할 수 있는 데이터 및 학습 인프라를 만듭니다.

기계가 실패하는 이유는 그 상황을 접해 본 적이 없어서일 수도, 지도 신호가 일관되지 않아서일 수도, 문제가 학습 데이터가 아닌 다른 곳에 있어서일 수도 있습니다. 첫 번째 과제는 그 격차를 이해하는 것입니다.

우리의 비전은 학습 목표를 명시적인 데이터 계획에 연결하는 시스템입니다. 즉 어떤 기존 경험을 사용할지, 어떤 새로운 경험을 확보할지, 그것을 어떻게 검증할지, 어떤 실험으로 도움이 됐는지 확인할지를 정하는 것입니다. 폭넓은 커버리지와 표적화된 학습은 함께 가야 합니다. 목표는 단순히 더 큰 데이터셋이 아닙니다. 다음에 무엇을 할지에 대한, 더 탄탄한 근거를 갖춘 결정입니다.

이 원칙은 양방향으로 작동합니다. 때로는 캘리브레이션을 바로잡거나, 모호한 주석 정책을 바꾸거나, 팀이 이미 가진 데이터의 균형을 다시 맞추는 것이 올바른 개입입니다. 신뢰할 만한 데이터 파트너라면 때로는 고객에게 데이터를 더 사지 말라고 말해야 합니다.

데이터셋은 근거이지 목표가 아닙니다. 각 학습 목표마다 우리는 검증 대상인 역량, 그 역량을 시험하는 상황, 학습에 사용한 근거, 평가에 사용한 기준, 그리고 결과를 보존합니다.

그래서 학습 프로그램은 재현 가능해집니다. 같은 역량을 새로운 데이터 릴리스, 새로운 모델, 새로운 런타임에 대해, 그 역량을 만들어 낸 판단 과정을 다시 구성하지 않고도 검증할 수 있습니다. 시간이 지나면 이렇게 버전 관리된 역량들은 기계가 어떻게 학습해 왔는지를 보여 주는 운영 이력이 됩니다.

유용한 물리 세계의 사례는 물체 이미지 한 장 이상입니다. 작업은 그 전에 무슨 일이 있었는지, 기계나 사람이 무엇을 시도했는지, 그 후에 무슨 일이 일어났는지에 따라 달라질 수 있습니다. 우리는 센서 관측을 그 작업에 사용할 수 있는 맥락과 연결합니다. 시점, 기하 정보, 궤적, 기록된 경우의 동작, 결과, 그리고 사람의 해석입니다.

그 맥락은 수집, 검토, 데이터셋 준비, 평가를 거치는 내내 확인할 수 있는 상태로 유지됩니다. 누락되거나 불확실한 정보는 완성된 라벨 뒤에 숨겨지지 않고 드러납니다. 재구성된 4D 장면은 물리적 맥락을 확인할 수 있도록 보존하지만, 작업이 요구하는 경우의 실측된 동작, 접촉, 검증을 대신하지는 않습니다.

우리의 일은 플릿의 프로덕션 데이터에서 시작합니다. 멀티모달 센서 기록을 4D 데이터로 재구성하고, AI와 전문가 검토자가 라벨링하며, 고객이 학습하는 버전 관리된 데이터셋으로 릴리스합니다. MCAP과 ROS 기록, 카메라 이미지, LiDAR, 로봇 궤적은 그것을 유용하게 만드는 맥락과 연결된 채로 유지되어야 합니다. 소프트웨어와 전문가 운영을 결합해 고객의 학습 요구를 충족하는 데이터를 준비합니다.

반복되는 문제에서 시작하세요. 일관되지 않은 라벨, 부족한 사례, 다시 한번 보완해야 하는 학습 데이터셋이 그 예입니다. 무엇이 수용 가능한지 정의하세요. 소요 시간, 품질, 전체 투입 노력을 측정하세요. 이를 바탕으로 다음 릴리스를 더 쉽게 만들 수 있게 하세요. 이렇게 특정 데이터 업무가 단절된 납품으로 끝나지 않고, 고객이 의지하는 시스템으로 발전할 수 있습니다.

2028년, Avala는 물리 세계에서 기계를 운용하는 모든 사업자가 데이터, 모델, 배포를 스스로 통제하면서 자신의 경험을 자신의 지능으로 바꾸는 개방형 인프라가 되어 있습니다. 누구나 남의 지능을 빌려 쓰는 세입자가 아니라 자기 지능의 주인이 될 수 있도록 말입니다. 우리는 서로 이어진 네 단계를 통해 그 자리를 얻어 낼 것입니다.

1. 01

   하나의 프로덕션 워크플로를 입증합니다.

   고객이 지금 해결해야 하는 문제를 해결합니다. 명확한 수용 기준에 맞춰 결과물을 제공하고, 이전 프로세스와 비교해 성과를 측정합니다. 첫 납품에서 좋은 인상을 주는 데 그치지 않고 다음 사이클의 신뢰성을 높입니다.

2. 02

   모델과 팀을 아우르는 기반이 됩니다.

   동일한 데이터셋 식별 체계, 검토 이력, 품질 정책을 더 많은 워크플로로 확장합니다. 확장할 때마다 이미 구축된 인프라를 재사용할 수 있어야 합니다. 별도의 맞춤 엔지니어링 프로젝트 없이 다른 팀이나 모델이 혜택을 얻을 수 있는지가 판단 기준입니다.

3. 03

   발견에서 개선까지의 연구를 자동화합니다.

   플릿의 실패를 조사하고, 근거를 찾아내고, 이전 사례와 비교하고, 실험을 제안하고, 부족한 사례를 찾거나 확보를 의뢰하고, 결과를 평가할 수 있는 연구 에이전트를 향해 나아갑니다. 그 결론은 물리적 근거까지 추적 가능한 상태로 유지되고, 그 평가기는 비공개 기준으로 검증되며, 중대한 영향을 미치는 변경은 검토하고 되돌릴 수 있는 상태로 남습니다. 목표는 더 많은 데이터를 만들어 내는 에이전트가 아닙니다. 다음에 어떤 실험을 할 가치가 있는지 더 잘 판단하게 되는 시스템입니다.

4. 04

   생태계 전반에서 학습을 옮겨 활용할 수 있게 합니다.

   개방형 인터페이스를 통해 로봇 기술 스택, 모델, 인프라를 연결합니다. 팀은 이력을 포기하지 않고도 더 나은 도구를 도입할 수 있어야 합니다. 소유자가 공유를 선택하고 재사용이 허용되는 경우, 공유 데이터셋과 모델로 이 기반을 넓힐 수 있습니다. 상호운용성은 통제권을 포기하도록 요구하지 않으면서 접근 기회를 넓혀야 합니다.

유용한 물리 세계의 경험은 이미 존재하지만, 불완전하고, 커버리지가 고르지 않으며, 특정 모델을 개선할 결정과는 대부분 단절되어 있습니다. 가장 중요한 경험은 여전히 기계를 소유한 기업들이 배포를 거듭하며 하나씩 만들어내며, 대부분은 예외, 즉 아무도 시뮬레이션하지 않은 상황들입니다. 어느 한 기업도 그 전부를 가질 수 없습니다. 그래서 그 경험을 찾고, 검증하고, 결합하고, 보완하는 인프라는 독립적이어야 하고, 소유권은 데이터가 생겨난 곳에 남겨두어야 합니다.

고객은 자신만의 고유한 경쟁력을 유지할 수 있어야 합니다. 플릿의 경험에서 학습한다는 것이 데이터를 경쟁사의 데이터와 몰래 합치는 것을 뜻해서는 안 됩니다. 한 고객의 녹화물, 주석, 평가 결과, 모델은 그 고객의 명시적인 동의 없이는 결코 다른 고객의 경쟁력이 되지 않습니다. 공유 데이터셋은 합의에 따라 공유되며, 재사용 조건은 명시됩니다. 우리에게 '개방'은 구체적인 의미를 가집니다. 상호운용 가능한 인터페이스, 내보낼 수 있는 데이터와 이력, 명확한 사용 권리, 그리고 고객이 통제하는 배포입니다. 독립이란 여러분의 인프라 파트너가 모델 연구소, 로봇 제조사, 하이퍼스케일러 어디에도 소유되어 있지 않다는 뜻입니다. Avala는 떠나기 어렵게 만들어서가 아니라, 시스템이 제공하는 가치로 선택받아야 합니다.

기계를 가르치고 평가하는 사람들은 주석 작업 인력 이상의 기여를 합니다. 그들은 작업을 정의하고, 의미 있는 실수를 알아보고, 결과를 판단하며, 자동화 시스템을 시험하는 기준을 세웁니다. 그들의 판단에는 좋은 도구, 공정한 보상, 더 높은 숙련도를 요구하는 일로 나아갈 경로가 뒷받침되어야 합니다. 우리는 자동화가 반복적인 노력을 줄이면서 전문성의 가치를 높이기를 바랍니다. 더 나은 판단이 과정에 축적되고, 더 나은 소프트웨어가 다음 작업을 지원하며, 같은 실수를 반복하는 일이 줄어드는 미래입니다.

더 큰 목적은 더 안전하고 생산적인 현장 작업, 그리고 더 많은 사람이 감당할 수 있는 가격의 유용한 서비스입니다. 우리는 작은 로봇 개발 팀도 대규모 내부 조직이 있어야 가능했을 역량을 기반으로 개발할 수 있기를 바랍니다. 더 나은 기계는 수단입니다. 더 많은 사람이 그 기계로 무언가를 만들고, 소득을 얻고, 혜택을 누릴 수 있게 하는 것이 목표입니다.

Physical AI는 일이란 무엇인지, 누가 돌봄을 감당할 수 있는지, 상품과 음식이 어떻게 이동하는지를 바꿀 것입니다. 우리는 그 변화가 사람에게 이롭다는 것을 짐작이 아니라 확인할 수 있는 방식으로 이루고자 합니다. 네 가지 약속이 우리가 만드는 방식을 정합니다.

1. 01

   기계를 가르치는 사람은 그 일에 대해 보수와 교육을 받습니다.

   Avala의 코워커는 승인된 작업에 대해 해당 업무와 지역의 통상 수준을 웃도는 보수를 받으며, 교육은 업무에 내장되어 있습니다. 자동화는 반복을 없애고, 숙련된 판단은 사람에게 남습니다.

2. 02

   기계의 소유자가 모델을 소유합니다.

   기업의 플릿 데이터와 거기서 학습한 지능은 그 기업의 통제 아래, 언제든 가지고 떠날 수 있는 개방형 포맷으로 유지됩니다. 어떤 연구소도, 로봇 제조사도, 클라우드 사업자도 팀과 그 자신의 경험 사이에 끼어들지 않습니다.

3. 03

   신뢰하기 전에 측정합니다.

   모든 릴리스는 고객이 정한 기준선에 비추어, 개선되지 않은 부분까지 포함해 채점됩니다. 기계는 한 번에 하나의 평가씩, 근거로 더 넓은 쓰임을 얻습니다.

4. 04

   작은 팀도 대기업의 역량을 갖춥니다.

   열 명의 로봇 개발 팀도 수천 대의 플릿처럼 세상에서 배울 수 있어야 합니다. 그 루프의 비용을 낮추면 더 많은 사람이 더 나은 기계를 만들고, 그것으로 소득을 얻고, 혜택을 누릴 수 있습니다.