물리적인 인공지능 인프라 스택: 데이터 수집, 훈련 및 배포 계층
5층 인프라 스택은 물리적 AI <unk> 수집 파이프라인, 모델 훈련, 시뮬레이션, 배포, 신흥 표준 및 각 층을 구축하는 기업들을 위해 구축되고 있습니다. 2025-2026 년 투자 분석.
[← 연구]
2024년에 인형 하드웨어에 2.4억 달러가 쏟아져 나왔다. 로봇들이 실제로 학습할 수 있는 인프라 계층은 여전히 구축되고 있습니다. ** 물리적인 인공지능에 새로운 것?** [물리적인 인공지능은 무엇인가?
물리 인공지능 이 실제로 필요로 하는 것
물리 AI
"우리는 로봇을 가지고 있다"와 "로봇은 유용한 일을 믿을 수 있다" 사이의 격차는 거의 전적으로 인프라 문제입니다. 알고리즘은 존재한다. 하드웨어는 상품화되고 있습니다. 병목은 그것들을 연결하는 운영 인프라입니다.
물리적인 인공지능 스택
신흥 물리적 인공지능 스택은 다섯 개의 층을 가지고 있습니다. 각각의 구조적 요구 사항과 다른 일련의 기업이 그것들을 구축합니다.
- ** 1층
하드웨어:** 로봇 팔, 인형체, 센서 (RGB-D 카메라, 전동력 센서, 촉각 매체) 및 액추에터. 이 층은 빠르게 상품화되고 있다. 6DOF 팔 (UR3e, Franka Research 3, Lebai LM3) 의 가격은 2025년 15K $30K입니다. 2022년보다 40% 감소합니다. 인형 하드웨어 (Unitree G1, Agility Digit, 그림 01) 은 여전히 비싸다 ($50K $200K) 하지만 떨어지고 있습니다. 주요 제작자: 유니터리, 유니버설 로봇, 프랭카, 피겨, 애기얼리티, 보스턴 다이내믹스. - ** 2층
수집 인프라:** 훈련 데이터를 생산하는 시스템. 텔레오퍼레이션 리그, 데이터 파이프라인, 품질 제어, 인적 검토 줄을, 에피소드 저장 및 해설 도구. 이것은 하드웨어 투자에 비해 가장 잘 구축되지 않은 층입니다. 주요 구축자: RCSV, Lerobot (HuggingFace), 물리 지능 (π). - ** 3층
훈련 인프라:** GPU 클러스터, 로봇 학습을 위해 최적화된 훈련 프레임워크 (Isaac Lab, LeRobot 훈련 스택, ACT/방산 정책 구현), 실험 추적. 하드웨어 측면은 클라우드 제공업체에서 처리되고 있으며, 로봇 특화된 소프트웨어 스택은 현재 구축되고 있습니다. 주요 제작자: NVIDIA (Isaac Lab, Jetson), HuggingFace (LeRobot), Google DeepMind (RT-2, Aloha). - ** 4층
기초 모델:** 특정 작업에 맞춰 정비할 수 있는 일반적인 로봇 기능을 제공하는 미리 훈련된 시각 언어 행동 모델. RT-2, OpenVLA, Octo, π0, 그리고 RoboFlamingo는 주요 오픈 체크포인트입니다. 몇 개의 조직은 여기에 의미있는 주도권을 가지고 있습니다. 주요 구축자: 물리 지능, Google DeepMind, UC 버클리, 스탠퍼드. - ** 5층
배포 인프라:** 제트슨 또는 유사한 하드웨어, OTA 모델 업데이트 시스템, 함대 관리 대시보드, 업타임 모니터링 및 안전 감시 시스템에서 가장 큰 추론. 이 계층은 오늘날 거의 제품으로 존재하지 않습니다.
오늘날 인프라 격차
현재 AI 인프라 스택의 4가지 중요한 격차는 로봇 학습을 도입하는 모든 조직에 대한 마찰을 만듭니다.
| Gap | Current State | Impact | Likely Solution Timeline |
|---|---|---|---|
| Universal robot API standard | No standard; each arm has proprietary SDK | Code rewritten for each robot type | 2026–2027 (ROS2 + hardware abstraction) |
| Universal data format | RLDS, HDF5, proprietary — incompatible | Data not portable across orgs or training stacks | 2025–2026 (Open X-Embodiment + LeRobot Hub) |
| Standardized evaluation benchmarks | LIBERO, SimplerEnv, RT-2 evals — not unified | No apples-to-apples model comparison | 2026–2027 |
| Managed inference for robot models | Self-hosted only; no robot model serving APIs | Each deployment requires full MLOps stack | 2025–2026 |
신흥 표준
데이터 형식과 휴대성 격차를 해결하기 위해 세 가지 신흥 표준이 모순되고 있습니다.
- ** 오픈 X-Embodiment (OXE) 형식:** 22 기관 오픈 X-Embodiment 데이터 세트에서 사용되는 표준화 된 에피소드 형식. 관찰, 행동, 보상 및 메타 데이터를 일관된 스케마에 저장합니다. 다 로봇 데이터 세트에서 실질적인 표준으로 점점 더 채택됩니다.
- LeRobot Hub:
그징페이스의 로봇 데이터셋 저장소, 파켓 기반의 LeRobot 데이터셋 형식을 사용하여. 2025년 초에 200개 이상의 데이터셋을 빠르게 성장합니다. GitHub 모델 허브 유사성은 로봇 시범 데이터에 적용되었습니다. - RLDS (Reinforcement Learning Datasets): 구글의 TensorFlow 기반 에피소드 형식. 학술 로봇 학습에서 널리 사용되지만 PyTorch 생태계 지배로 인해 새로운 데이터 세트에 대한 레로봇 허브의 지지를 잃습니다.
투자 불균형
2024년, 약 24억 달러가 전세계적으로 인형 로봇 하드웨어 기업 (Figure AI, Physical Intelligence, Agility, 1X, Apptronik, 그리고 다른) 에 흘러들었다. 인프라 기업들은
이 불균형은 일시적이지만 의미 있는 기회를 창출합니다. 하드웨어가 구축되고 있습니다. 작동하도록 하는 인프라는 그렇지 않습니다. 현재 인프라 역량을 구축하는 조직은 데이터 수집 파이프라인, 훈련 인프라, 배포 시스템
RCSV의 투자 논문은 수집 및 배포 인프라 계층이 현재 물리적 AI 스택에서 가장 높은 레버리지 포인트라는 것입니다. 우리의 Fearless Platform 는 계층 2 (집약) 및 계층 5 ( 배포) 를 다루고 있습니다. 우리의 데이터 서비스 는 수집 인프라를 생산적으로 만드는 인적 운영자 인 인력을 제공합니다.
인프라 계층에 대한 RCSV의 역할
RCSV는 수집 인프라와 배포 인프라의 교차점에 운영됩니다. 2025년 물리적 AI 스택에서 가장 잘 구축되지 않은 두 층입니다. 실리콘밸리의 로봇 센터는 다음과 같이 제공합니다.
- ** 수집 인프라:** 텔레오퍼레이션 리그, 데이터 파이프라인, 품질 관리 시스템 및 훈련된 운영자 인력. 하드웨어 비지니스
공동 제어 기능을 노출시키는 모든 로봇 팔과 작동합니다. - ** 배포 인프라:** 함대 관리 래시보드, 가장자리 추론 통합, OTA 모델 업데이트 도구 및 운영 시점 모니터링. 5
500 개의 배포된 로봇을 실행하는 조직을 위해 설계되었습니다. - 반체체 데이터: RCSV의 시범 라이브러리는 12개 이상의 팔 타입의 데이터를 포함하고 있으며, 지원되는 로봇 타입에 대해 작업별 수집 요구 사항을 30~60% 감소시키는 Cross-Incarnation 정렬을 가능하게 합니다.
접근 물리 AI 인프라
RCSV는 생산 로봇 학습 프로그램을 구축하는 조직에 대한 수집 및 배포 인프라를 제공합니다.
[플랫폼을 탐험]