AI 로보틱스 코리아의 연사로 초청받아서 발표

https://youtu.be/XeL5olUQPGU?si=yOsQclDbdAS6ZHBr

AI Robotics Korea 2025 탐방기

- - 안녕하세요 오늘은 AI 로보틱스 코리아의 연사로 초청받아서 발표를 하러 왔습니다 바로 가시죠 렛츠 고 이걸로 하시는 알고 로봇 데모룸에 왔고요 하나씩 한번 구경을 해 보도록 하겠습니다 먼저 현우님 아 근데 여러 개서 이게 데이터 셋이 많아질수록 더 정확해지니까 잘 어 잘하는데요 아니 일단 움직임이 이거 딱 보니까 이거 텔레오프레이션 데이터 현우님 거다 그렇죠 아니 어떻게 하셨지 숙련된 조교의 텔레오프레이션이야 오 근데 아이작 생각보다 괜찮네요 자랑하고 싶으신 거 소개해 주시죠 해커톤 대회를 나가면서 데이터셋을 쌓았는데 한 300개 정도 쌓았는데 좀 쉬어 갔다 와야지 했는데 뒤틀려져 있는 거예요 그래서 아 그렇죠 그때 그 좌절감이 다시는 겪고 싶지 않아서 어떻게 해야 될까 어떻게 해야 될까 하다가 요거를 이제 추가를 했어요 이제 어디 가서도 요거 이게 항상 일정하게 하는 거를 좀 추가를 했고요 네 이번에는 손 오지 오지 로봇 왔습니다 이야 예 안녕하세요 네 뭐 자랑하고 싶으신 거 해 주시면은 너무 감사할 것 같아 로봇 손을 주로 만들고 있고요 회사 이름은 만들어라 하고 요게 이제 7자유도짜리 손이에요 7자유도니까 개별 손가락 나머지는 1자유도 요거는 2자유도씩 있고 그래서 이거를 펴보면은 이제 엄지는 이 자유도가 있고 검지도 이렇게 움직임이 있고 오 오 좋은데요 뭔가 꽉 잡힌다는 느낌이 들었어요 네 그렇죠 손가락마다 많으면 2kg 정도 힘을 낼 수가 있어요 잠깐만 네 이렇게 네 이렇게 해서 그렇죠 어 뭐야 어 이렇게 아 아 자꾸 뻑을 해가지고 잠깐만 일부러 하시는 걸로 알고 있겠습니다 네 안녕하세요 저희도 구경 왔습니다 하나 소개시켜 주시죠 예 안녕하세요 루브랑 좀 다르게 하드웨어랑 모터가 다른 커스터마이징으로 해서 만들었고요 회커톤때 나갔을 때는 저희가 준비가 안 됐는데 마치 또 준비가 돼 가지고 오늘 이렇게 나왔습니다 어 이거 다이나믹셀이에요 아닙니다 아니에요 처음 보는 거 같아요 모델인데 호환이 안 되 어 그럼 어떻게 하셨어요 구현하셨어요 새로 카메라가 좀 독특하네요 다섯 겁니다 아 진짜요 어 그렇습니다 저 테스트용으로 일단은 해봤는데 어 괜찮습니다. 네 안녕하세요 에이아이알 운영진 분 모셨습니다 소개 부탁드립니다. 네 안녕하세요 저는 사족보행 관련된 이제 기술들을 연구하고 있는 AIRK 운영진 김주원이라고 합니다 일단 저희 커뮤니티는 이제 AI와 로보틱스를 융합하고 있는 커뮤니티이고 현재 굉장히 앞서서 연구를 해 주셨던 1세대 2세대 로보틱스 연구신들부터 이제 새로 들어오시는 학부생들까지 다양하게 만나 보실 수 있습니다 그럼 이 커뮤니티에 오고 싶으면 어떻게 해야 되죠 페이스북에서 가입하면 되나요 카카오 톡방도 있고 디스코드 채널로 이제 조금 옮겨간 것도 있어서 그쪽으로 먼저 찾아 주시면 사실 이제는 더 좋을 것 같습니다 어 대세에 맞게 역시 디스코드로 감사합니다 네 감사합니다 네 안녕하세요 저는 수도림후부 대표 박종현입니다 우선 제가 할 이야기는 허깅 페이스의 액션 데이터 스케일링이란 이야기를 할 겁니다 쉬운 이야기예요 앞으로 먼 미래를 바라보는 이야기입니다 5년 후 10년 후 그걸 위해서 우리는 뭘 해야 되는가 허깅 페이스에서 르로봇이라는 플랫폼을 들고 나왔습니다 두 달 전에 월드와이드 해커톤을 처음으로 열었어요 거기에 이제 서울 로컬 호스트를 저희가 맡았고요 그 자격으로 여기 왔고 저희는 사실 학생 때부터 같이 공부하던 그냥 도반들입니다 그래서 저희는 학생 때는 뭐 GPU랑 CNN 비전 딥러닝 이런 거 했었고요 근 몇 년 동안은 LLM을 했었고 최근에는 저희는 VLA를 하고 있어요 그래서 사실 저희는 로봇 하드웨어 이런 거는 잘 모르고요 AI는 오래 해 왔습니다 뭐 피지컬 AI 피지컬 AI 합니다 오늘의 주제죠 가장 핫한 회사 두 가지를 가져왔는데 어 피규어 인텔리전스의 어떤 데모 피규어 AI의 어떤 데모 피지컬 AI 여러분들 뭐라고 생각하세요 사람마다 다 생각하는게 다를 거예요 저는 이렇게 생각합니다 그냥 이 키워드가 뜨는 이유는 과거에 안 되던게 될 거 같아요 지금 갑자기 그래서 안 되던게 뭐고 앞으로 될 것이 무엇인가 이걸 한번 생각해 보려고 합니다 앞으로 될 것인가 이거죠 저는 이 한마디로 요약할 수 있을 것 같아요 이제 단어가 되게 추상적이지만 **VLA를 기반으로 한 제너럴리스트**다 올해 CES에 나온 로봇이거든요 체스 로봇이에요 그냥 예시로 제품을 하나 가져왔는데 뭐 체스 잘 두죠 그런데 저희가 이런 질문을 던져 볼게요 체스판 사이즈 바뀌고요 색 바뀌고 기물 사이즈 바뀌고 재질 바뀌면 잘 될까요 될 리가 없죠 왜냐면 얘는

- - **스페셜리스트**거든요 저기서만 잘 동작하도록 만들어져 있었거든요 이거가 현재고요 앞으로 될 거 같은 거 **제너럴리스트**예요 그래 우리가 잘 구우면 다 바뀌어도 다 될 거예요 아무 체스판 그냥 갖다 놓고 체스해도 잘 될 거예요 이게 우리가 기대하는 피지컬 AI라는 미래예요 왜 우리가 이런 기대를 하는가 우리가 사실 세상에서 다 보고 있습니다 **LM이 성공했기 때문**이죠 LM 나오기 이전을 한번 생각해 볼게요 이전에 저희가 뭐 번역을 하려면 시퀀트 시퀀스 뭐 이런 모델이 있었습니다 번역하는 모델 따로 있었어요 걔한테다가 번역 시키는 거 요약하는 모델 따로 있었습니다 걔한테다 요약시켜요 코딩하는 모델도 따로 있어요 걔한테다가 시킵니다 지금 저희 어떻게 하죠 그냥 **ChatGPT 킵니다 번역해 줘 빨깍 하면 다 돼요** 여러분들 다 하고 계시죠 요약 코딩 시키면 다 합니다 걔네 모델이 여러 개인가요 하나예요 하나의 제너럴리스트 범용적인 모델이 과거에는 테스크 스태식하게 다 우리가 다 만들어야 됐다면 지금 우리 많은 로봇들이 그렇게 만들어지고 있죠 제너럴 퍼포션 GPT라는 모델이 나왔기 때문에 너무 잘되는 거예요 LM만 그런게 아니고요 비전도 마찬가지예요 비전 우리 과거에 이미지 분류하는 모델 따로 있고요 오브젝트 디텍션 하는 모델 따로 있고요 세그멘테이션 하는 모델 따로 있어요 그런데 GPT가 오픈할 기준으로 보면 4오라는 멀티보다 모델이 나와 이미지 받고요 이거 뭐야 물어보면 뭔지 다 알려줍니다 오브젝트 어디 있어 물어보면 박스 쳐 주거나 좌표가 나오거나 합니다 세그멘테이션은 뭐 현재는 잘 되는 거 같진 않아요 근데 이거는 무조건 됩니다 시간만 지나면요 그래서 저희가 이런 미래를 그리는 것은 어 텍스트 됐네 이미지도 됐네 액션도 되겠지 어 될까요 어떻게 생각하세요 다 우리가 될 거라고 그냥 막연하게 희망을 품고 있는 거죠 될 거 같다 그럼 뭘 봐야 되냐 지금 LM은 왜 잘됐죠 갑자기 최PT 툭 튀어나와 가지고 우리 전 세계 사람의 어떤 동작들을 다 바꿨단 말이에요 우리가 다 느끼고 있어요 왜 잘됐죠 이제 한마디로 요약할 수 있어요 **스케일링 했기 때문**에 그냥 스케일링 성공해서 잘 된 거예요 GPT가 똑똑한 이유 뭐 범형적으로 우리 모든 지식을 다 알고 있는 이유 한 가지입니다 전 세계에 존재하는 인터넷에 존재하는 이때까지 인류가 생성한 모든 텍스트 공개된 모든 지식 다 봤어요 이미 몇 년 전에 그거 다 학습했으니까 똑똑한 거예요 그러면은 액션 액션도 다 공부하면 되겠네요 우리가 이렇게 생각할 수 있는데 문제가 있어요 제가 르로봇의 데이터 비라에서 액션 데이터의 어떤 생김새를 하나 예시를 가져왔거든요 액션 데이터 이렇게 생겼어요 이미지 비전 이런 거 세상에 널려 있습니다 그 유튜브 가면 다 있습니다 학습하면 돼요 비디오 무조건 잘됩니다 그런데 액션 없어요 저런 데이터는 인터넷에 존재하지 않습니다 그래서 저희가 배울 게 없어요 스케일링을 해야 되는데 배울 게 없어요 이게 문제예요 그래서 액션은 그냥 바로 될 거다라고 낙관적으로 생각하는 게 당연히 안 되겠죠 스케일링 할 게 없는데 어떻게 하고 있냐 **오픈엑스 인바디먼트** 저 얘기만 하면 될 거 같아요 학계의 접근 연구실들 다 모여 가지고 전 세계의 학교들 다 모여 가지고 데이터 다 가져와 봐 우리 모아서 한 곳에다 놓자 한 개 오픈엑스 인바디먼트예요 데이터 규모 얼마나 되냐 밀리언 뭐 얼마나 되겠어요 우리가 사람이 행동하는 데이터에 비하면은 얼마 안 됩니다 텍스트 생각해 보면 인터넷에 널려 있는 모든 텍스트 사람이 살면서 죽었다 깨어나도 죽을 때까지 다 못 봅니다 그런데 그에 비하면 액션 데이터는 너무 미비해요 원래 스케일링이 안 됩니다 그럼 다른 회사들 어떻게 하고 있냐 이거 앞에서 잘 설명해 주셨습니다 테슬라 어떻게 하고 있냐 **사람을 뽑아서 불립니다 수백명씩 뽑아 가지고 막 직접 다 시켜요** 그러니까 엔비디아 뭐라고 얘기하냐면 로봇 데이터 액션 데이터는 휴먼 인간을 불태워서 만들고 있어요 인간이 버틀 얘기해 액션 데이터 생성하는 거 무한히 생성할 수가 없죠 엔비디아는 이제 어떤 전략을 하고 있냐 **시뮬레이션 하고 월드 모델 돌리고 데이터 무제한 뻥치기 시키고 있습니다** 잘 되면 좋겠죠 이러면 스케일링 되는 거예요 이거 되면 근데 문제는 여기서 생성된 이런 데이터 진짜로 모델 학습시킨 다음에 돌리면 잘 될까요 하면 현재는 아니죠 심투리얼 갭이 있기 때문에 아직 극복이 안 됐어요 그다음에 아까 다른 얘기도 말씀해 주셨는데 우리 유튜브에 영상이 널려 있잖아요 거기서 사람의 행동을 보고 액션을 뽑으면 그거 다 액션 데이터예요 뽑아낼 수 있으면 그럼 되겠죠

- - 그런 연구 실제로 많이 하고 있습니다 될까요 하면 사실 저는 회의적이에요 왜냐하면 여러분들 유튜브 보면서 뭐서 이런 영상 본다고 생각해 볼게요 서예 여러분들 그거 보고 많이 본다고 서예 잘할 수 있으세요 액션 데이터가 그렇게 눈으로 본다고 잘 뽑혀 나올 거다라는 게 쉽진 않을 것 같아요 그런 게 이제 문제점이죠 그래서 허깅 페이스는 그럼 어떻게 할 거냐 이게 하고 싶은 이야기입니다 허깅 페이스는 **너들이 만들어라** 하는 거예요 사실 데이터라는 거는 이런 특징이 있거든요 데이터를 기반으로 한 어떤 사업들은 테슬라 얘기 잘해 주셨는데 테슬라 데이터 차를 팔아요 그 차가 돌아다닙니다 그럼 그게 데이터가 되고요 주행 만들어요 주행이 잘 되죠 더 팔려요 더 모여요 더 팔려요 이런 **선순환 구조**를 띄게 되는데 마찬가지 GPT 전 세계 사람들이 쓰죠 데이터 모입니다 좋아요 실어요 사람들이 바쁘니까 강화 학습해 가지고 더 똑똑해지고 이런 어떤 선순환 구조 이런 걸 띄고 있거든요 어쨌든 남들이 많이 쓰게 해서 그걸 모아서 하자 그래서 허깅 페이스는 **커뮤니티 스케일링** 이걸 하려고 해요 사람 뽑아서 직접 만들면 뭐 많이 해 봐야 수백명이 한 개입니다 그 돈을 태워서 만드는 거예요 그렇게 하는 게 아니라 너들이 만들어라 데모크라타이징 이렇게 부르거든요 민주 너들이 만들어라 우리가 너네가 다 만들 수 있게 해 줄게 너네가 만들어라 그럼 뭘 해야 되냐 여러 가지 해야 됩니다 첫 번째 로봇부터 배급해야 되죠 로봇은 진입 장벽이 있어요 하드웨어 그래서 **저가의 오픈소스 로봇을 만들어서 뿌립니다**. 이 로봇이 이제 좋은 로봇이냐 하면은 사실 저희 뒤에 로보티스에서도 오셨는데 뭐 특허 침해 이슈도 있고요 뭐 진짜 품질이 좋으냐 하면 거기에 의문이 있지만 어쨌든 누구나 갑싸게 만들 수 있는 **3D 프린터로 찍어서 만들 수 있는 로봇**을 뿌립니다 저도 찍어서 그냥 만들면 세시간이면 하나씩 만들어요 오픈 소스니까 뭐 카메라다는 애드온이라던가 뭐 이러저런 애드온 엄청 많이 올라와 있습니다 우리 다 같이 다 만드는 거예요 플랫폼보다 안 됩니다 그게 **르로봇**이에요 허깅 페이스에서 만든 플랫폼 이름 일단 뭐 쉽게는 파이썬 라이브러리고요 제가 그냥 예시로 가져왔는데 정말 쉽게는 그냥 파이썬 코드가 있어서 텔레업 딱 누르면은 텔레업 됩니다 데이터 저절로 쌓여서 허깅 페이스 올라가요 트레인 딱 누르면은 모델 학습됩니다 바닥부터 학습되는 것도 되고 파인 튜닝도 돼요 그다음에 이벨 딱 누르면은 그 모델로 로봇 구동합니다 그냥 세 줄 딱딱 치면 끝이에요 그냥 딸깍하면 돌릴 수 있게 누구나 다 할 수 있게 만든 거예요 데이터는 자동으로 허깅 페이스에서 관리하고 그렇게 해서 나오고 나서 모델도 있어야겠죠 어 **스몰 VLA라는 VLA 모델**을 만들어서 내놨어요 허깅 페이스 한 두 달 정도 된 거 같아요. 이 모델 다운받아서 우리 데이터 텔레업해서 학습시켜서 할 수 있어요 장난감 누구나 다 로봇 장난감 할 수 있는 거예요 참고로 이 스몰 VLA 커뮤니티 데이터셋으로 학습되었어요 이미 사람들이 그 로봇을 가지고 텔레업 하면서 허깅 페이스에 올려 놓은 데이터를 가지고 만든 VLA예요 이미 그렇게 만들어졌어요 그러고 이제 사람들이 이거 더 쓰겠죠 데이터 더 올라오겠죠 그거 가지고 다음 버전 또 나오겠죠 페이퍼에가 보면은 그 기업처럼 허깅 페이스가 사실 깃허브니까 계정 이름이랑 레포 이름이 다 있습니다 그래서 여러분들 데이터도 그냥 미리 올려 놨으면 여기 만드는데 쓰였어요 이런 게 이제 커뮤니티 드라이븐 어떤 방식이에요 그러고 나서 **해커톤을 엽니다 해커톤을 왜 여냐 하면 이 룸을 가속시키려고 하는 거예요 커뮤니티에 사람들한테 불러보고 사람들 더 많이 쓸 수 있게 장려하고 그 축제를 여는 거예요** 그래서 얼마나 많이 참가를 했냐 하면 사실 온라인으로 했기 때문에 어 참가는 훨씬 더 많이 했고요 오프라인 스팟이 열린 곳만 뭐 44개국 뭐 3,000명 이상 이렇게 참가를 했어요 오늘도 이제 많이 오셨는데 저 데모에 현우님 보니까 그때 티셔츠도 입고 오셨더라고요 32시간 동안 했거든요 토요일 아침부터 일요일 저녁까지 올라온 에피소드가 32시간 동안 올라온 게 5만 개예요 그리고 190가지의 테스크 제출한 팀만 190개거든요 데모를 성공시켜서 제출한 팀만 190개예요 저건 이제 나름 양질에 걸러진 데이터 사실 데이터 훨씬 더 있었어요 왜냐면 성공하지 못한 그런데 과정에서 수집된 데이터들도 많이 있었으니까 그러고 제출한 팀이 당연히 여러 실험을 다 해 봤겠죠 다른 데이터들도 더 있었고요 진짜 리얼 데이터예요 가상 아니고요 그다음에 저 사람들이 입문해서 돌아가서 또 하겠죠

- - 그럼 데이터 쌓이는 속도가 더 빨라질 거예요 서울 로컬 스팟에 대해서 자랑을 조금만 하자면 네 탑 10에 두 팀 탑쓰리에 세 팀 들어왔고요 뭐 왼쪽 위에 저 데모 같은 경우에는 비전으로 핸드폰 신호를 인식해서 뭐 픽앤플레이스를 하는 건데 저 연필 꽂이에 꼽아야 되기 때문에 좀 정교함이 필요한 그런 거였고 뭐 아니면 모기를 잡는 걸 한다던가 부채질을 한다던가 이런 걸 했습니다 서울 해커톤을 하면서 운영하면서 느꼈던 점은 어 진짜 **커뮤니티 드라이븐이 이런 힘을 가지고 있구나** 이런 걸 느꼈어요 저희가 오신 참가자분들은 좀 다 같이 얻어가는 게 있었으면 좋겠다 싶어서 어 저희들끼리는 라이브 데모 세션을 따로 했거든요 그래서 우승자분한테 진짜 로봇팔 후원받는 로봇팔 몇백만 원짜리 드리고 이런 것도 다 했는데 와서 이제 서로를 합니다 자기가 만든 거 이렇게 만들었고 보여주고 이런 걸 보면서 아 진짜 이런 게 커뮤니티 힘이구나 지금 여기도 저는 사실 이 커뮤니티 처음 와 보는데 네 와서 정보 교류도 하고 네트워킹 하고 얻어가는 게 많죠 저도 배운 게 엄청 많았어요 사실 로봇 실험을 몇십 개를 동시에 해 본 거랑 똑같거든요 와서 다 같이 만들고 다 같이 정보 교류를 하면 네 그래서 정말 배운 게 많았고요 그리고 또 느꼈던 거는 **진입 장벽이 진짜 낮긴 하구나** 저도 처음 해보면서 느꼈던 거긴 한데 이 상위 글로벌에서 상위 팀 받은 팀 중에 두 팀이 와서 조립부터 했어요 처음에 보는 거예요 토요일 아침에 와서 조립하고 텔레오프레이션 하고 뭐 할지 아이디어 회의하고 데이터 보아서 모델 학습시켜서 데모하는 것까지 32시간 만에 했습니다 아 진짜 이거 되겠다 이런 생각을 처음으로 하게 되었던 거 같아요 로보틱스라는 게 그렇게 어려운 거 아니구나 이제는 사실 허깅 페이스가 이런 일을 하는 거는 첫 번째로 하는 게 아니에요 아마 AI 하시는 분들은 허깅 페이스 모르시는 분 당연히 없으실 텐데 요즘에는 학회 가면 엔비디아나 구글보다 허깅 페이스가 발표하면 사람들이 훨씬 더 많이 몰린다 하더라고요 그만큼 이제 사람들이 좋아하는 플랫폼인데 허깅 페이스는 왜 이렇게 성공했냐라고 하면 똑같이 **커뮤니티 드라이븐 방법**을 LLM에서 했기 때문이에요 LM에서 **트랜스포머스라는 라이브러리**를 만들었고요 지금 사람들이 다 익었습니다 그냥 사실상 구글 말고는 모든 LM은 자기들 거 출시하면 트랜스포머스랑 호환되게 만들어서 나와요 아니 트랜스포머로 만들었거나 다 그렇게 합니다 사실상 표준이 되었고요. 이 똑같은 트랜스포머스의 성공했던 전략을 그대로 르로봇에다가 넣는 거예요 LLM 모델도 허깅 페이스에 있고요 모든 모델 무조건 허깅 페이스에 올라옵니다 데이터셋도 허깅 페이스에 있고요 라이브러리도 허깅 페이스에 있어요 라이브러리 허깅 커뮤니티 튜토리얼 뭐 이런 자료도 엄청나게 잘 만들었기 때문인데 로봇은 거기 하나 더 필요하죠 하드웨어 오픈소스 하드웨어 그것까지 준비를 해서 내놓았기 때문에 이런 성공 공식 생태계를 만든 성공 공식을 네 그대로 이어서 하고 있다 이렇게 볼 수 있습니다 그럼 저희는 이제 뭘 하려고 하느냐 생태계를 만들려고 하는 게 허깅 페이스고 저희도 그 일을 하려고 합니다 한국에서만큼 저희도 따로 기여를 하려고 해요 제가 이런 이야기들을 뭐 하고 설명하고 주변에 전파하고 하면 항상 똑같은 질문을 받거든요 어 저도 하고 싶은데 어떻게 해요 로봇 하고 싶은데 어떻게 해요 그러면 그 질문을 너무 많이 받다 보니까 그래서 제가 이제 **한국어로 어떻게 하면 될지 튜토리얼 이미 사실 만들어서 올려 놨고요** 그다음에 S엄 같은 경우에도 사실 뭐 모터 같은 경우에 특허 침해 이슈 뭐 이런 것들이 있어서 한국에서 사실 판매하면 당연히 저는 안 된다고 생각을 하고요 대신에 이제 3D 프린터로 개인이 이제 테스트해 보거나 이런 거는 충분히 가능하다고 생각을 하는데 3D 프린팅 하는 것도 저희도 처음에 어떻게 하는지 잘 몰랐고 네 그런 거라도 그다음에 셋업하는 거 조명이라던가 고정하는 거라던가 그래서 그런 것들을 이제 배급을 하려고 노력을 하고 있고 뭐 실제로 허깅 페이스에서는 저희가 한국 궁금방이기도 하고요 그다음에 연말에는 제가 뭘 하려고 하냐면 어 하고 싶으신 분들 다 모아서 어떻게 하는지 다 알려 드리려고 합니다 그런 게 이제 이 생태계를 조성하는 데 큰 역할을 하겠죠 그다음에 또 하고 싶은 거는 많은 분들이 똑같은 요구 저도 그런 걸 하고 싶어요 나만의 로봇을 만들어서 내가 하고 싶은 문제를 풀어보고 싶어요 어떻게 하는지 막막한데 그것도 저희가 다 해서 어 우리는 이렇게 했다라는 거를 전달드리고자 하는 게 제 목표입니다 세줄 요약을 하면 **스케일링 성공하면은**

- - **무조건 됩니다** 제 생각이에요 아마 근데 다 똑같이 생각할 것 같아요 LM 해본 사람들은 액션 데이터 인터넷에 없는 게 문제입니다 허깅 페이스는 그래서 **모두가 액션 데이터 너희들이 만들어라** 이걸 하는 건데 그 노력을 하는 거죠 저도 마찬가지고 그래서 이 피지컬 AI라는 거는 어 지금 안개 속에 있어요 저희 다 같이 가는 겁니다 저희가 다 같이 집에 뭐 로봇팔 하나쯤은 모두가 있는 세상을 만들면은 다 같이 가지고 놀면서 그 데이터가 모이고 다 같이 피지컬 AI가 열린다 이렇게 생각합니다 네 감사합니다
- - -
- 감사합니다.