로봇 연구실 한편에 18년 전 제작된 구형 양팔 로봇 PR2가 서 있었다. 방금 공개된 Dream-1 인터페이스를 연결하자, 로봇은 평행 그리퍼를 뻗어 물건을 집어 올리고 지정된 위치에 놓는 작업을 곧바로 수행했다. 연구팀이 보유한 이 구형 하드웨어에 대한 학습 데이터는 정확히 제로였다.
2026년 10월, 스타트업 드림 랩스(Dream Labs)는 9천만 달러 규모의 시드 투자를 유치하며 공식적으로 스텔스 상태를 벗어났다. 이들은 전 세계 개발자들을 대상으로 범용 로봇 제어 모델인 Dream-1을 개방했다. 이 회사의 핵심 목표는 로봇의 ‘뇌’와 ‘몸체’를 분리하는 것이다. 한 번도 접해본 적 없는 기계 구조를 단 하나의 범용 제어 정책으로 지휘하겠다는 구상이다. 전원을 켠 첫날부터 로봇이 현장 작업을 수행할 수 있도록 만드는 팀만이, 체화 AI 산업이 지난 10년 동안 겪어온 정체를 해결할 수 있다.
학습 데이터 제로, 18년 된 구형 하드웨어가 첫날부터 작동하다
전통적인 로봇 프로그래밍은 꼭두각시 인형을 훈련하는 과정과 흡사했다. 기계를 바꾸면 모터의 토크, 관절 길이, 카메라 시야각이 모두 달라진다. 단순히 기계식 팔의 제조사만 바꾸더라도 전체 제어 코드와 모션 모델을 처음부터 다시 작성해야 했다. 컵 하나를 집어 들 수 있는 로봇을 만들기 위해, 운영자가 동일한 하드웨어로 수천 건에 달하는 시연 궤적을 직접 기록하는 일이 흔했다.
Dream-1은 이러한 번거로운 절차를 완전히 건너뛰었다. 공식 사양은 명확하다. 평행 그리퍼를 장착한 양팔 로봇이라면 API 문서에 따라 연결하는 즉시 작동을 시작한다. 모델 미세조정(파인튜닝)도, 기기 전용 시연 데이터도 필요 없으며, 사내에 머신러닝 전문가를 별도로 고용할 필요조차 없다.
PR2의 테스트 결과는 이를 증명하는 결정적 증거가 되었다. 18년 전에 나온 이 연구용 양팔 로봇의 기계 구조는 오늘날의 경량화 로봇 팔과 완전히 다르다. 드림 랩스의 데이터베이스에는 PR2의 동작 기록이 단 한 건도 없었다. 학습 데이터가 전혀 없는 구형 하드웨어를 즉각 제어할 수 있다는 사실은, 제어 정책이 특정 물리적 형태의 한계를 벗어나기 시작했음을 증명한다.
그림: Dream-1 공개 시연 화면. 출처: Dream Labs
하드웨어 가격은 2,000달러 아래로 내려앉았지만, 로봇은 악순환에 갇혀 있다
지난 2년 동안 로봇 하드웨어 가격은 예상보다 훨씬 빠르게 하락했다. 메이커모즈(MakerMods)의 양팔 솔루션인 메이커 암(Maker Arm)은 시작 가격이 약 2,000달러까지 떨어졌으며, 시장에 나온 반인간형 로봇 7종의 가격은 1만 5,000달러 선을 밑돌기 시작했다. 2026년 8월 28일 허깅페이스(Hugging Face)가 399달러짜리 데스크톱 로봇 마이크로덕(Microduck)의 사전 예약을 시작하자, 불과 4일 만에 1만 대 이상이 팔려나갔다.
수천 달러 수준의 하드웨어가 널리 보급되었지만, 실제 사람 대신 일할 수 있는 로봇은 여전히 극소수에 불과하다. 로봇 산업은 오랫동안 악순환에 갇혀 있었다. 실제 환경의 데이터가 부족해 모델 성능이 떨어지고, 성능이 떨어지니 고객이 구매하지 않으며, 현장에서 가동되지 않으니 기업이 데이터를 축적하지 못하는 구조다. 아무리 저렴하게 제작하더라도 납품된 자리에서 가만히 서 있기만 한다면 값비싼 금속 장식품에 불과하다.
자율주행 산업도 과거 똑같은 장벽에 부딪혔다. 운전자 보조 시스템이 실질적인 기반을 마련한 전환점은, 차량을 인도받은 첫날부터 앞차 추종과 차선 유지가 가능했을 때였다. 차량이 도로 위를 달리면서 비로소 방대한 주행 데이터가 바퀴를 통해 데이터 센터로 흘러 들어오기 시작했다. 범용 정책의 가치는 이러한 콜드 스타트 장벽을 넘도록 돕는 데 있다. ‘데이터를 모은 뒤 일하게 한다’는 방식을 ‘첫날부터 일하게 하고 일하면서 데이터를 축적한다’로 뒤바꾼 셈이다.
30분 만에 새 동작 습득, 범용 두뇌의 주도권 확보
과거의 모델들은 몸체가 바뀌면 작동 불능 상태에 빠졌는데, 왜 Dream-1은 원활하게 제어를 이어받을 수 있는가? 그 비결은 이전 연구 성과와 시각-동작 표현 설계에 숨어 있다. 2026년 2월, 연구팀은 전작인 DreamZero에서 세계 동작 모델(World Action Models, WAMs)을 제안했다. 모델 내부에 물리 세계의 법칙을 시뮬레이션하는 공간을 구축하여, 컵을 왼쪽으로 10센티미터 이동해야 한다는 의도를 파악하고 현재 그리퍼 위치에 맞춰 실시간으로 동작 궤적을 계산해 낸다.
당시 DreamZero는 YAM 로봇의 30분 분량 사후 학습(post-training) 데이터만으로 처음 접하는 새로운 작업에 제로샷 일반화를 달성했다. 30분은 운영자가 커피 한 잔을 마시며 수십 가지 간단한 동작을 기록하기에도 빠듯한 시간이다. 기존 강화학습이라면 준비 작업을 끝내기에도 부족하다. 사후 학습 데이터 요구량을 30분 수준으로 단축했다는 것은, 기저 모델이 물리적 상호작용의 보편적 법칙을 이미 깊이 이해하고 있음을 보여준다.
이 기술 스택은 최근 2년 동안 학계에서 도출된 핵심 성과 세 가지를 흡수했다. 첫 번째는 RSS 2024에서 발표된 범용 조작 인터페이스 UMI(Universal Manipulation Interface) 그리퍼다. 서로 다른 로봇 말단부를 규격화된 카메라-그리퍼 시점으로 통일하여, 다양한 형태의 기계 손에 동일한 장갑을 씌워준 셈이다. 두 번째는 잠재 동작 사전 학습 기술 LAP(Latent Action Pretraining, arXiv 2602.10556)으로, 인터넷에 공개된 방대한 인간 영상에서 하드웨어 구조와 무관한 순수 동작 의도를 추출해 낸다. 세 번째는 로보커브(RoboCurve)가 2026년 10월 18일 CC BY 4.0 라이선스로 오픈소스로 공개한 RoboDojo-RC 1단계 벤치마크로, 형태를 넘나드는 제어 모델을 위한 표준 평가 기준을 제공했다.
그림: Dream-1 연구 개요 시각 자료. 출처: Dream Labs
전 세계 12개 테스트 거점 연결, API를 호출하듯 로봇 팔을 움직이다
이 솔루션이 연구실 외부에서도 안정적으로 작동함을 증명하기 위해, 드림 랩스는 대륙을 넘나드는 실증 테스트를 진행했다. 사내 18회 테스트 스위트 외에도, 전 세계 12개 외부 협력 및 테스트 거점에 API 접근 권한을 배포했다. 아시아 지역에서는 선전의 BitRobot, 상하이의 AgiBot(즈위안 로봇), 서울의 KAIST, 싱가포르의 Cortex, 쿠알라룸푸르의 Eastworld, 자카르타의 XDOF가 포함되었다. 구미 및 카리브해 지역에서는 파리의 Hugging Face, 샌프란시스코의 RoboCurve와 Scale AI, 로스앤젤레스의 Robo Inc., 뉴욕의 Mecka, 카리브해의 Anvil Robotics가 참여했다.
이들 12개 기관이 보유한 로봇은 관절 자유도, 제어 주기, 카메라 장착 위치가 제각기 달랐다. 이전 같았으면 이런 다양한 하드웨어에 알고리즘을 배포하기 위해 엔지니어들이 수개월 동안 현장에 상주하며 기기별 매개변수를 맞추고 데이터를 다시 수집해야 했다. 하지만 이번에는 각 지역 팀이 원격으로 동일한 API를 호출하는 것만으로 자사 로봇 팔을 즉각 구동할 수 있었다.
이러한 제공 방식은 체화 AI를 현대 소프트웨어 공학의 영역으로 끌어올린다. 과거 클라우드가 인프라 서버의 하드웨어 차이를 추상화하여 감추었듯, Dream-1은 동작 API를 통해 기계적 공차와 형태 차이를 가려내고자 한다. 크로스 보디 API 비즈니스 모델이 성공적으로 안착하면, 중소 하드웨어 제조사는 수천만 달러에 달하는 독자 알고리즘 개발 비용을 아낄 수 있다.
시연 성공을 넘어 공장 양산 도입까지 넘어야 할 세 가지 장벽
9천만 달러의 대규모 시드 투자와 화려한 시연 이면에는 냉정한 평가도 필요하다. 현재 공개된 Dream-1의 제로샷 교차 제어 성능에 대한 증거는 모두 제조사 자체 테스트와 12개 협력 거점의 시연에서 나온 것이다. 기술 보고서에는 실패 경계가 명확히 제시되지 않았다. 빛을 반사하는 금속 부품, 투명한 유리잔, 유연한 섬유류를 다룰 때 미세조정 없는 정책의 성공률이 얼마나 떨어지는지에 대한 객관적인 통계 데이터는 아직 공개되지 않았다.
테스트 환경의 독립성 역시 검증이 필요하다. 12개 외부 테스트 거점 중에서 일상적인 어수선한 환경에서 무작위 블라인드 테스트를 진행한 곳은 몇 군데이며, 발표를 위해 조명을 맞추고 물건을 선별한 시연은 몇 군데인가? 로봇 공학 분야에서는 통제된 시연에서 만점을 받고도 실제 현장 테스트에서 실패한 사례가 수없이 많다.
‘움직일 수 있다’는 단계와 ‘공장에 들어가 사람 대신 지속적으로 일한다’는 단계 사이에는 거대한 공학적 격차가 존재한다. 산업용 조립 라인이나 가정 내 지원 작업은 수천 번 연속으로 오차 없이 동작할 것을 요구한다. 클라우드 기반 API의 네트워크 지연 시간, 양팔 협응의 밀리미터 단위 정밀도, 돌발 충돌 시의 힘 제어 안전 보호 등 해결해야 할 난관이 여전히 많다.
그럼에도 Dream-1은 중요한 돌파구를 마련했다. ‘새로운 몸체마다 새로운 두뇌를 제작해야 한다’는 늪에서 로봇 산업을 건져 올렸으며, 범용 정책이 낯선 기계 장치를 직접 구동할 수 있음을 증명했다. 전 세계의 저비용 로봇 팔이 전원을 켠 첫날부터 물건을 집어 올릴 수 있다면, 오랜 기간 업계를 옥죄어온 ‘데이터 기근’의 악순환도 마침내 해결의 실마리를 찾게 될 것이다.
참고 링크:
- Dream Labs 공식 발표 및 연구 페이지
- DreamZero: World Action Models 기술 보고서
- LAP 잠재 동작 사전 학습 논문 (arXiv 2602.10556)
- UMI 범용 조작 인터페이스 논문 (RSS 2024)
- RoboCurve RoboDojo-RC 1단계 벤치마크 문서
