Chapter 12: 제조 데이터 주권 — 운영 자산의 소유 기준

개요

대규모 조작 데이터의 결론은 "모델을 직접 만들라"가 아니다. 공급자가 파운데이션 모델, 휴머노이드 장치군, 작업 셀 소프트웨어를 제공하더라도 제조사는 공정 진실, 평가 체계, 실패 분류체계, 교정 계보, 데이터 권리, 업데이트 승인권을 놓치면 안 된다. ^[1], ^[2], ^[3]는 대규모 로봇 데이터가 얼마나 빨리 커지는지 보여 주지만, 제조 성능은 그 데이터가 품질 판정과 운영 의사결정에 연결될 때만 개선된다.

구매와 구축의 기준도 시연 성능이 아니다. 핵심 질문은 누가 작업 회차 스키마를 정하는가, 누가 재현 시험 세트를 고정하는가, 누가 품질 판정과 작업자 동의를 관리하는가, 누가 업데이트를 승인하거나 되돌릴 수 있는가다. 여기서 데이터 주권은 모든 파일을 내부 서버에 복제한다는 뜻이 아니다. 공급자가 바뀌어도 공정 상태를 설명하고 변경을 감사하며 배포를 중단·복구할 수 있는 지속 가능한 통제권을 뜻한다.

이 장을 읽고 나면... - 공급자 모델과 제조사의 공정 진실을 분리해 설명할 수 있다. - 로봇 데이터 계약에서 반드시 요구해야 할 반출, 재현 시험, 되돌리기 권한을 정의할 수 있다. - 원시 운영 기록, 파생 판정, 스키마, 교정, 모델 산출물의 소유·접근·사용 권한을 구분할 수 있다. - 계보, 보존, 반출, 이전성 요구사항을 PoC와 조달 게이트에 넣을 수 있다. - 공개 데이터셋, 회사 장치군, 현장 운영 기록을 같은 의사결정 체계에 놓고 모의실험과 실물 승인 권한을 분리할 수 있다.

소유해야 할 여섯 자산

소유권을 세 층으로 나누기

제조사가 무엇을 소유해야 하는지는 "모델을 직접 학습할 것인가"보다 넓은 질문이다. 첫 번째 층은 공정 의미다. 어떤 작업을 같은 과제로 볼지, 어떤 불량을 같은 불량군으로 묶을지, 어떤 복구를 허용할지 정하는 권한이다. 이 권한은 공급자에게 넘기면 안 된다. 공급자는 로봇 행동을 최적화할 수 있지만, 제품 품질과 고객 책임은 제조사에게 남기 때문이다.

두 번째 층은 데이터 구조다. 작업 회차 스키마, 실패 분류체계, 재현 시험 세트, 품질 추적 기록이 여기에 속한다. 공급자 모델을 쓰더라도 제조사는 자기 셀에서 나온 시도가 어떤 필드로 저장되고, 어떤 판정과 연결되며, 어떤 업데이트 게이트에 쓰이는지 알아야 한다. Open X-Embodiment나 DROID 같은 대규모 데이터셋은 범용 선행 지식을 주지만, 공장 고유의 품질 연계 스키마를 대신하지 못한다 ^[1], ^[2].

세 번째 층은 운영 권한이다. 안전 경계, 배포 승인, 되돌리기, 작업자 동의, 데이터 보존, 공급자 전환이 여기에 속한다. 이 층은 모델 성능보다 조직 설계에 가깝다. 아무리 좋은 정책도 안전 논증 밖에서 마음대로 업데이트되면 생산 자산이 아니라 운영 위험이 된다.

제조사는 과제 정의, 작업 회차 스키마, 고정 재현 시험 세트, 품질 추적 기록, 업데이트 승인, 되돌리기, 반출 권리를 공급자나 모델 버전이 바뀌어도 지속적으로 통제해야 한다 ^[25], ^[26], ^[27]. 실행 중 감시, 현실 강화학습 과제, 실행 중 보증 연구는 각자의 로봇·환경에서 부분 관측, 비정상성, 안전 제어기와 인간 개입이 왜 운영 구조에 들어가야 하는지 보여 준다. 이 근거는 특정 제조사의 거버넌스 설계를 법적으로 보증하거나 모든 조작 셀의 생산 준비도를 입증하지 않는다. 지속 가능한 통제는 현장 과제·센서·제어기·품질 분모에 맞춰 별도 구현해야 한다.

자산별 통제권과 계보

"소유한다"는 말은 파일의 법적 명의만으로는 모호하다. 원시 운영 기록은 누가 수집·열람·삭제할 수 있는지, 파생 판정은 누가 정의·수정·승인하는지, 모델 산출물은 누가 배포·중지·반출할 수 있는지를 각각 정해야 한다. 클라우드 관리 시스템에서도 고객이 스키마와 재현 시험 결과를 통제할 수 있고, 반대로 파일을 내부에 저장해도 해독 정보와 교정이 공급자에게만 있으면 실질 통제권이 없을 수 있다.

계보 사슬은 원시 데이터 → 파생 데이터 → 학습 세트 → 모델·제어기 → 배포 → 품질 결과로 이어져야 한다. 어느 연결이 끊기면 개선 원인을 설명하기 어렵다. 예를 들어 품질 반려 코드가 바뀌었는데 과거 판정을 그대로 섞거나, 센서 교체 뒤 교정 구간을 기록하지 않으면 모델 업데이트의 효과와 공정 변경을 분리할 수 없다. 거버넌스의 핵심은 모든 데이터를 영구 보존하는 것이 아니라 결정에 사용된 계보를 재현 가능한 기간 동안 보존하는 것이다.

그림 12.1. W3C PROV-DM의 그림 1은 개체, 활동, 행위자 사이의 사용, 생성, 파생, 귀속, 연관 관계를 정의한다. 이 설명용 표준 도식은 계보 교환 어휘를 제공하지만 공장이 완전한 계보를 수집했는지, 적절한 보존 일정을 적용했는지, 올바른 품질 결정과 산출물을 연결했는지를 증명하지는 않는다. 출처: W3C (2013), PROV-DM §2.1, 그림 1; 공식 그림, W3C Document License.

공급자 모델과 공정 진실의 경계

공급자가 더 좋은 모델 선행 지식을 갖는 것은 자연스럽다. Open X-Embodiment, DROID, AgiBot World 같은 데이터셋은 개별 제조사가 단독으로 재현하기 어려운 규모를 제공한다 ^[1], ^[2], ^[3]. PI, Covariant, Dexterity, Chef Robotics, Figure 같은 회사도 각자의 데이터와 배포 경험을 쌓고 있다 ^[7], ^[8], ^[9], ^[10], ^[11].

하지만 공정 진실은 공급자가 대신 소유할 수 없다. 어떤 토크 급증이 허용 가능한 압입인지, 어떤 번짐이 식품 품질 반려인지, 어떤 작업자 교정이 안전상 필수인지, 어떤 재작업이 고객 불량으로 이어지는지는 제조사의 공정 지식이다. 공급자 모델은 이 지식을 학습할 수 있지만, 정의하고 승인하고 감사하는 권한은 제조사에 남아야 한다.

공정 진실은 보통 문서화가 약하다. 숙련자는 어떤 부품이 "느낌이 이상하다"고 말하고, 품질팀은 검사기 코드로만 기록하며, 현장 엔지니어는 고정구 공차를 별도 표로 관리한다. 대규모 데이터 조작을 시작하려면 이 흩어진 지식을 로봇 작업 회차에 연결해야 한다. 공정 진실이 정리되지 않은 상태에서 파운데이션 모델을 들여오면, 모델은 암묵지를 대신 배우는 것이 아니라 암묵지의 빈칸을 더 크게 만든다.

공급자와 제조사의 좋은 경계는 이렇게 정리할 수 있다. 공급자는 폭넓은 선행 지식, 모델 도구, 배포 소프트웨어, 다수 현장 학습을 제공한다. 제조사는 과제 정의, 불량 의미, 수용 기준, 라인별 재현 시험을 제공한다. 양쪽이 같은 데이터를 보더라도 판단 권한은 다르다. 공급자는 "이 행동이 모델 관점에서 개선됐는가"를 보고, 제조사는 "이 행동이 공정 관점에서 허용되는가"를 본다.

구매·구축 판단을 다시 쓰기

구축은 모델을 처음부터 학습한다는 뜻이 아니다. 제조사가 구축해야 할 것은 최소한 평가 체계와 데이터 거버넌스다. 공개 장치군이나 내부 도구로 기준선을 만들 수 있다면 좋지만, 더 중요한 것은 공급자 후보를 같은 공정 추적 기록으로 비교할 능력이다. 이 능력이 없으면 구매 결정은 시연 품질과 공급자 신뢰에 기대게 된다.

구매는 책임을 넘기는 뜻이 아니다. 공급자 관리 장치군을 사더라도 제조사는 수용 시험, 업데이트 시간대, 되돌리기 임계값, 데이터 반출, 작업자 동의를 정의해야 한다. 특히 Covariant, Dexterity, Chef Robotics처럼 생산 개선 순환을 약속하는 공급자와 일할 때는 "데이터가 누구의 모델을 얼마나 좋게 만드는가"를 계약에서 분리해야 한다 ^[8], ^[9], ^[10].

따라서 구매·구축은 세 질문으로 바뀐다. 첫째, 어떤 계층을 공급자에게 맡겨도 공정 의미가 보존되는가. 둘째, 어떤 데이터 필드를 내부에 남겨야 원인 분석과 감사가 가능한가. 셋째, 공급자가 바뀌어도 재현 시험 세트와 실패 분류체계가 남는가. 이 세 질문에 답하면 제조사는 모든 것을 직접 만들지 않고도 핵심 학습 자산을 지킬 수 있다.

평가 체계와 재현 시험 세트

대규모 조작 모델의 위험은 평균 성능이 올라가는 동안 특정 공정 실패가 가려지는 것이다. ^[17]처럼 모의실험 평가가 발전해도 실제 공정의 유보 로트, 오염된 센서, 마모된 그리퍼, 작업자 인계, 하류 검사를 대신할 수는 없다. 따라서 제조사는 공급자 기준 평가와 별개의 공장 재현 시험 세트를 가져야 한다.

좋은 재현 시험 세트는 성공 장면 모음이 아니다. 과거 폐기 원인, 아차 사고, 느린 주기, 비상 정지, 보기 어려운 정렬 오차, 사람 복구가 포함되어야 한다. 업데이트 전후에는 이 재현 시험 세트를 먼저 통과하고, 이후 제한된 셀에서 비작동 실행 또는 시험 배포를 거쳐야 한다. OpenPI 같은 공개 장치군을 쓰든 폐쇄형 공급자 시스템을 쓰든, 업데이트 승인은 제조사의 품질 시스템과 연결되어야 한다.

재현 시험 세트는 한 번 만들고 끝나는 산출물도 아니다. 제품 변경, 공급자 변경, 도구 마모, 센서 교체, 레시피 변경이 생기면 재현 시험 세트도 버전을 가져야 한다. 특정 실패가 더 이상 중요하지 않거나 새로운 불량 코드가 생기면 유보 세트도 바뀐다. 중요한 것은 업데이트마다 재현 시험 세트를 마음대로 바꾸지 않는 것이다. 배포 결정에 쓰는 세트와 학습에 쓰는 세트는 분리되어야 한다.

모의실험도 이 구조 안에 들어간다. X-Sim과 사람-로봇 몸체 간격을 한 번의 사람 시연과 실물 전이 강화학습으로 넘는 연구는 사람 시연에서 모의실험을 거쳐 로봇 정책 후보를 만드는 서로 다른 경로를 연구하고, SIMPLER는 대상 설정에서 모의실험–실물 정책 행동의 상관을 평가한다 ^[28], ^[29], ^[17]. NVIDIA가 발표한 Omniverse 라이브러리와 Blender 작업 흐름은 장면 제작과 모의실험 준비 검증을 위한 1차 당사자 플랫폼 맥락이다 ^[14]. 이 발표에는 공장 현실 동등성이나 정책의 생산 준비도를 보증하는 지표가 없으므로 기능 근거를 보증 근거로 승격해서는 안 된다.

모의실험, 학습된 세계 모델, 합성 데이터는 정책 후보와 가혹 조건을 제안할 수 있지만, 버전이 있는 실물 셀 근거 없이 배포 권한을 부여할 수는 없다 ^[28], ^[29], ^[17]. 각 연구의 모의실험-실물 전이 또는 상관 결과는 보고된 과제, 몸체, 장면 재구성, 제어기와 평가 분모에 한정된다. 제조사는 모의실험 재현을 실물 재현을 보완하는 도구로 두고, 유보 로트·오염·마모·작업자 인계·하류 검사까지 포함한 실물 셀 게이트를 최종 승인선으로 남겨야 한다.

사람 데이터, 작업자 동의, 공정 지식재산

대규모 데이터 조작은 사람 데이터를 피하기 어렵다. ^[4], ^[5], ^[18]이 보여 주듯 사람 시연과 사람 개입 학습은 로봇 데이터 부족을 줄이는 강력한 방법이다. 그러나 제조 현장의 영상과 조작 이력에는 작업자 얼굴, 숙련자의 암묵지, 공정 노하우, 고객 제품 정보가 들어간다. 이것은 학습 자산이면서 동시에 거버넌스 대상이다.

제조사는 세 가지를 분리해야 한다. 첫째, 내부 개선을 위해 남길 수 있는 원본 데이터. 둘째, 공급자 모델 개선에 제공할 수 있는 익명화·집계 데이터. 셋째, 외부 학습에는 쓰지 않고 현장 감사에만 보관할 데이터. 이 구분이 없으면 데이터 개선 순환은 곧바로 노사 갈등, 고객 지식재산 위험, 공급자 종속으로 바뀐다.

작업자 동의는 단순 법무 문서가 아니다. 좋은 동의 절차는 어떤 영상이 왜 수집되는지, 어떤 필드가 공급자에게 나가는지, 어떤 데이터가 개인 평가에 쓰이지 않는지 설명해야 한다. 작업자가 로봇 교정을 남겼는데 그것이 나중에 생산성 감시에 쓰인다고 느끼면 사람 개입 학습은 빠르게 무너진다. 제조사는 학습 데이터와 성과 관리 데이터를 분리해야 한다.

공정 지식재산도 마찬가지다. 로봇 이력에는 제품 형상, 조립 순서, 불량 양상, 숙련자의 우회법이 들어간다. 이것은 공급자에게 매우 유용한 학습 자산이지만 고객사에게는 경쟁력의 일부다. 데이터 공유 계약은 원본 영상, 비식별 영상, 궤적, 파생 임베딩, 집계 지표를 구분해야 한다. 모든 것을 막으면 공급자 학습이 약해지고, 모든 것을 넘기면 공정 지식이 외부화된다.

접근과 보존은 데이터 종류마다 달라야 한다. 실시간 원본 영상 접근은 장애 조사 기간에만 제한적으로 열고, 사건 코드와 품질 추적 기록은 장기 추세 분석에 더 오래 보존할 수 있다. 학습 시점 자료와 배포 재현 시험은 어떤 모델을 승인했는지 재현할 수 있을 만큼 보존해야 한다. 보존 기간은 이 장에서 보편 숫자로 정할 수 없으며, 제품·품질·노무·고객 약속과 조직의 규정 해석에 따라 승인된 일정으로 관리해야 한다.

반출도 한 번의 파일 덤프가 아니다. 스키마, 단위, 시계, 변환, 결측 데이터 의미, 교정 산출물, 판정 사전이 함께 나가야 한다. 반출 묶음을 정기적으로 독립 환경에서 읽어 보지 않으면 공급자 전환 시점에 처음으로 형식 오류와 누락을 발견한다. 거버넌스는 일반 보안이나 규정 준수와 겹치지만 동일하지 않다. 보안은 접근과 시스템 보호를, 규정 준수는 적용되는 의무의 충족을 다루며, 여기서 말하는 거버넌스는 어떤 근거가 운영 결정을 만들었는지와 그 결정을 되돌릴 수 있는지를 다룬다.

그림 12.2. IDTA Asset Administration Shell 명세의 그림 57은 AutomationML과 OPC UA 표현 아래에 XML·JSON·RDF 적재 형식, 개념 설명 표준, 통신, 형식·인스턴스 수명주기 층을 배치한다. 이는 표준 기관의 1차 대응 도식이지 공급자 반출의 적합성, 왕복 변환, 재현 가능성이나 시계·교정·결측 데이터 의미의 완전성을 증명하는 결과가 아니다. 출처: IDTA (2025), AAS Specification Part 1 v3.0.2, 그림 57, 110쪽; 그림만 잘라 사용.

안전 경계와 운영 계층

정책 모델이 좋아질수록 운영 계층은 더 중요해진다. 더 강한 모델은 더 많은 상황에서 행동을 제안하지만, 공장은 여전히 힘 한계, 속도 한계, 안전 구역, 고정구 인터록, 라인 정지 규칙을 요구한다. ^[21]와 ^[22]의 힘·촉각 VLA 방향은 접촉 중심 작업에서 정책 입력을 풍부하게 만들지만, 이 신호도 안전 경계 밖에서 마음대로 실행되어서는 안 된다.

운영 계층은 업데이트 거버넌스와도 연결된다. 어떤 변경이 모델 가중치인지, 지시문·과제 설명인지, 제어기 매개변수인지, 그리퍼 패드 교체인지 구분되어야 한다. 배포 후 KPI가 나빠졌을 때 무엇을 되돌릴지 알 수 있어야 되돌리기가 가능하다. 이 기록이 없으면 제조사는 "AI가 나빠졌다"는 모호한 진단만 남긴다.

배포 게이트는 버전이 있는 교정 아래 실물·모의 궤적, 접촉 사건, 실패 유형, 시간 특성, 품질 결과를 서로 비교해야 한다 ^[15], ^[30], ^[17]. 모의실험기가 시각적 행동 추세를 잘 맞춰도 숨은 접촉력, 제품 손상, 센서 표류까지 같다는 보장은 없다. 반대로 실물에서 불일치가 보이면 모의실험을 폐기하기보다 어떤 매개변수와 센서 모델이 틀렸는지 기록해 다음 가혹 시험 범위를 수정한다. 이 비교는 특정 논문의 상관을 일반 안전 동등성으로 해석하지 않는다.

운영 계층의 또 다른 역할은 사람 인계를 정상 상태로 다루는 것이다. 많은 PoC가 사람 개입을 실패로만 본다. 하지만 초기 생산 개선 순환에서는 작업자 교정이 가장 좋은 판정일 수 있다. 사람에게 넘긴 이유, 사람이 어떤 순서로 복구했는지, 복구 후 품질 검사가 통과했는지를 작업 회차에 남기면 복구 정책을 개선할 수 있다. 반대로 인계를 숨기면 성공률은 좋아 보이지만 실제 노동 대체율은 낮아진다.

이 계층은 IT/OT 보안과도 연결된다. 로봇 모델 업데이트는 일반 소프트웨어 업데이트보다 위험하다. 물리적 행동이 바뀌고 안전 구역과 품질 판정에 영향을 준다. 따라서 업데이트 산출물, 배포 설명서, 변경 필드, 되돌리기 해시, 승인자를 남겨야 한다. 공급자가 클라우드 관리 시스템을 제공할수록 제조사는 더 명확한 감사 이력을 요구해야 한다.

안전과 기능 보증 근거는 모델 공급자의 성능 서사와 분리된 버전 산출물로 남아야 한다 ^[27]. SOTER의 실행 중 보증 구조는 선언된 안전 명세와 인증된 대체 제어기의 가정 아래 고성능 제어기의 권한을 제한하는 설계 원리를 보여 준다. 이는 드론 사례 연구이며 제조 조작의 안전 인증을 자동으로 제공하지 않는다. 공장에서는 안전 한계, 대체 동작, 시험 결과, 승인자, 교정과 되돌리기 묶음을 공급자 현황판 밖에서도 감사할 수 있어야 한다.

2026-2030 실행 로드맵

첫 단계는 쉬운 작업을 고르는 것이 아니라 계측하기 쉬운 셀을 고르는 것이다. 실패 원인이 잘 보이고, 품질 판정이 빠르며, 작업자 개입이 기록되고, 공급자와 데이터 반출을 합의할 수 있는 셀이 첫 PoC에 적합하다. 여기서 제조사는 과제 분류체계와 작업 회차 스키마를 먼저 확정한다.

둘째, 모델 후보를 병렬 비교한다. 공개 장치군, 생산 공급자, 휴머노이드 공급자를 같은 재현 시험 세트로 평가한다. 성공률만 보지 않고 사이클타임 꼬리, 복구 성공, 작업자 보조, 하류 반려를 같이 본다. 셋째, 제한된 배포에서 업데이트 거버넌스를 검증한다. 어떤 업데이트가 승인됐고 어떤 재현 실패 때문에 막혔는지 남긴다. 넷째, 확장은 로봇 대수를 늘리는 것이 아니라 실패 분류체계와 데이터 권리를 여러 셀로 복제하는 일이다.

로드맵에서 가장 위험한 단계는 시범 운영에서 규모 확장으로 넘어가는 순간이다. 시범 운영에서는 뛰어난 엔지니어가 옆에서 데이터를 고치고, 공급자 팀이 빠르게 대응하며, 작업자도 실험 상황을 이해한다. 규모 확장에서는 이 보호막이 사라진다. 그래서 시범 운영 종료 조건은 성공률이 아니라 운영 가능성이다. 현장 팀이 재현 시험 세트를 업데이트할 수 있는가, 품질팀이 되돌리기 기준을 이해하는가, 유지보수팀이 센서 표류를 기록하는가, IT가 데이터 반출을 감사할 수 있는가를 확인해야 한다.

2030년까지의 실행 계획은 모델 로드맵과 별도로 소유권 로드맵을 가져야 한다. 2026년에는 계측 셀과 데이터 계약을 만든다. 2027년에는 여러 공급자와 내부 기준선을 같은 재현 시험으로 비교한다. 2028년에는 업데이트 거버넌스를 여러 라인으로 복제한다. 2029년 이후에는 공급자 교체나 모델 계열 변경에도 유지되는 공정 데이터 계층을 구축한다. 이 순서가 없으면 로봇 수는 늘어도 학습하는 제조 시스템은 남지 않는다.

조직 운영 모델

제조사가 소유해야 할 자산은 한 팀에 모이지 않는다. 공정기술팀은 과제 분류체계와 고정구 변수를 알고, 품질팀은 불량 코드와 수용 기준을 알고, 생산팀은 작업자 인계와 사이클타임 압력을 알고, 안전팀은 힘 한계와 라인 정지 규칙을 알고, IT/보안팀은 데이터 이동과 접근 통제를 안다. 대규모 조작 프로젝트는 이 지식을 하나의 작업 회차 스키마로 묶는 조직 작업이다.

초기 PoC에서 흔한 실패는 로봇 팀이 혼자 모델과 그리퍼를 고르는 것이다. 그러면 품질팀의 반려 코드가 늦게 연결되고, 유지보수 로그가 데이터셋 밖에 남고, 작업자 동의가 배포 직전에 문제가 된다. 반대로 처음부터 모든 부서를 크게 동원하면 프로젝트가 느려진다. 실무적으로는 작은 핵심 팀을 두되, 각 소유 자산에 대한 승인자를 명확히 두는 방식이 좋다.

운영 회의의 안건도 바뀌어야 한다. "이번 주 성공률"만 보는 회의는 부족하다. 재현 실패, 새 불량 코드, 작업자 교정 양상, 센서 표류, 유지보수 사건, 공급자 업데이트 요청을 함께 본다. 이 항목들이 같은 회의에서 다뤄져야 모델 변경과 공정 변경을 분리할 수 있다.

구매팀의 역할도 중요하다. 로봇 공급자 계약은 장비 구매 계약처럼 보이지만 실제로는 데이터와 업데이트 권한 계약이다. 구매팀이 가격과 SLA만 보고 데이터 반출, 되돌리기, 감사 이력, 공급자 전환 형식을 놓치면 나중에 기술팀이 공정 지식을 되찾기 어렵다. 따라서 구매 점검표에 작업 회차 스키마와 재현 시험 권리가 들어가야 한다.

공급자 전환 계획은 모델 독립 로그, 해석 가능한 데이터 반출, 고정 재현 시험 자산, 실제로 시험한 되돌리기가 있어야 하며, 운영 의존성이 되돌릴 수 없게 되기 전에 검증해야 한다 ^[25], ^[31], ^[32]. 자율 리셋–실행–검증과 자동화된 디지털 트윈 작업 흐름은 업데이트 순환의 후보 구성요소를 보여 주지만, 로봇 유휴 시간, 검증 기반시설, 장면 산출물과 비결정성이 남는다. 특정 사전 공개 논문 또는 프로젝트 주장이 제조사의 이전성을 보장하지 않는다. 공급자 인력 없이 작업 회차를 복원하고 기존 실패 묶음을 재생하며 안전한 이전 배포를 기동하는 전환 훈련이 실질 증거다.

조달은 세 시점에 게이트를 둔다. RFP에서는 반출 필드와 API·형식 버전 관리, 지원 종료 통지를 요구한다. PoC 종료에서는 표본 반출물을 독립 해석기로 읽고 재현 시험과 되돌리기를 실행한다. 갱신 전에는 최근 작업 회차·불량 대응·배포 이력을 공급자 인력 없이 복원한다. 이 요구사항은 공급자에 대한 불신이 아니라 양측의 책임 경계를 명시하는 운영 시험이다.

그림 12.3. NIST AI RMF의 그림 5는 범분야 거버넌스 기능 주위에 맵, 측정, 관리를 배치한다. 이는 자발적인 산업 공통 거버넌스 구조이며 제조 감사 결과, 재현·보존 처방, 기능 안전 인증이나 특정 배포의 생산 준비도 근거가 아니다. 출처: NIST (2023), AI RMF 1.0, 그림 5, PDF 25쪽(문서 20쪽); 그림만 잘라 사용, NIST 제공 자료 재게재.

마지막으로 경영 책임자는 "몇 대의 로봇을 넣었는가"보다 "몇 개의 학습 가능한 셀을 만들었는가"를 봐야 한다. 로봇 수는 규모의 지표지만 소유권 성숙도의 지표는 아니다. 학습 가능한 셀은 과제 정의, 실패 분류체계, 재현 시험 세트, 품질 추적 기록, 안전 논증, 데이터 거버넌스가 연결된 셀이다. 이 단위가 늘어날 때 제조사는 공급자 모델을 자기 자산으로 전환한다.

조직 운영 모델은 공급자와의 관계도 바꾼다. 제조사가 자기 재현 시험 세트와 불량 분류체계를 갖고 있으면 공급자와 더 구체적으로 대화할 수 있다. "성공률을 올려 달라"가 아니라 "고정구 B에서 발생하는 과힘 실패와 하류 긁힘 반려를 줄여 달라"고 말할 수 있다. 이런 요구는 공급자에게도 좋다. 모호한 불만보다 명확한 실패 묶음이 모델 개선에 더 유용하기 때문이다.

반대로 내부 소유권이 약하면 공급자 관리는 감정적 신뢰 문제로 흐른다. 현장은 로봇이 나빠졌다고 말하고, 공급자는 평균 KPI가 좋아졌다고 말하며, 품질팀은 하류 불량을 별도로 본다. 같은 작업 회차 키와 재현 시험 세트가 없으면 세 주장을 합칠 방법이 없다. 소유권은 통제욕이 아니라 공동 문제 해결을 위한 공통 언어다.

교육도 소유 자산이다. 공정 엔지니어가 VLA 구조를 깊게 알 필요는 없지만 재현 실패와 업데이트 설명서를 읽을 수 있어야 한다. 품질 엔지니어가 로봇 제어를 직접 고칠 필요는 없지만 불량 코드가 어떤 작업 회차 필드와 연결되는지 알아야 한다. 유지보수 기술자는 센서 표류가 정책 지표에 어떻게 보이는지 이해해야 한다. 이 정도의 이해력 없이는 공급자와 대화할 때 모든 해석을 외부에 맡기게 된다.

마지막으로 소유권은 시간이 지날수록 더 중요해진다. 첫 배포에서는 공급자의 전문성이 대부분의 문제를 풀 수 있다. 2년 뒤에는 제품 구성, 공급자, 작업자 교대, 센서 로트, 안전 규칙이 바뀌고 초기 공급자 팀도 바뀔 수 있다. 그때 남는 것은 모델 이름이 아니라 제조사가 축적한 공정 추적 기록과 재현 시험 규율이다.

제조 셀 적용 체크포인트

이 표의 핵심은 소유권이 한 부서의 일이 아니라는 점이다. 공정기술은 과제 의미를, 품질은 수용 기준과 불량 코드를, IT는 데이터 이동을, 안전은 운영 경계를, 구매와 법무는 공급자 관련 권리를 맡는다. 대규모 조작이 실패하는 이유는 모델이 약해서만이 아니라 이 책임들이 분리되어 있기 때문이다.

열린 질문과 실패 모드

첫째, 제조사가 공급자에게 데이터 개선 순환 전체를 넘기고 자기 공정의 개선 원인을 잃는다. 둘째, 공개 데이터셋 규모를 보고 현장 품질 연계 재현 시험의 필요성을 과소평가한다. 셋째, 작업자 영상과 공정 지식재산을 학습 데이터로 쓰면서 동의와 보존 정책을 뒤늦게 만든다. 넷째, 모델 업데이트와 하드웨어 유지보수를 같은 로그에 묶지 않아 성능 변화의 원인을 찾지 못한다.

열린 질문은 산업 표준의 부재다. 로봇 작업 회차 반출 형식, 촉각·힘 로그 스키마, 업데이트 감사 이력, 작업자 동의 모델이 아직 제조 전반에 걸쳐 표준화되어 있지 않다. 이 표준이 생기기 전까지는 선도 제조사가 자기 내부 표준을 먼저 만들어야 한다. 나중에 공급자나 산업 표준이 생기더라도 내부 공정 진실을 이미 정리한 회사가 더 잘 협상할 수 있다.

마무리

대규모 데이터 기반 매니퓰레이션은 결국 소유권의 문제다. 모델은 살 수 있고, 손은 바꿀 수 있고, 공급자는 교체할 수 있다. 그러나 과제 정의, 실패 분류체계, 재현 시험 세트, 품질 추적 기록, 안전 논증, 데이터 거버넌스를 잃으면 제조사는 자동화를 샀을 뿐 학습하는 공정을 소유하지 못한다. 이 여섯 자산을 지키는 제조사만이 파운데이션 모델과 생산 개선 순환을 자기 경쟁력으로 바꿀 수 있다.

다음에 배울 것

이 서베이 다음에는 세 가지를 더 깊게 봐야 한다. 첫째, 작업 회차 반출과 촉각·힘 로그 스키마를 제조 표준으로 만들 수 있는가. 둘째, 공급자 관리 로봇 장치군에서 재현 시험 세트와 되돌리기 권한을 어떻게 계약 언어로 고정할 것인가. 셋째, 작업자 동의와 공정 지식재산 보호를 유지하면서도 사람 개입 교정을 학습 자산으로 남기는 운영 모델을 어떻게 설계할 것인가. 이 질문들이 정리될 때 대규모 데이터 기반 매니퓰레이션은 데모가 아니라 제조 시스템의 반복 가능한 능력이 된다.

참고문헌

1. Open X-Embodiment Collaboration et al. (2023). Open X-Embodiment: Robotic Learning Datasets and RT-X Models. arXiv.
2. Khazatsky, Alexander (2024). DROID: A Large-Scale In-The-Wild Robot Manipulation Dataset. arXiv.
3. AgiBot-World-Contributors et al. (2025). AgiBot World Colosseo: A Large-scale Manipulation Platform for Scalable and Intelligent Embodied Systems. arXiv.
4. Chi, Cheng (2024). Universal Manipulation Interface: In-The-Wild Robot Teaching Without In-The-Wild Robots. arXiv.
5. Choi, Hojung (2026). In-the-Wild Compliant Manipulation with UMI-FT. arXiv.
6. Black, Kevin (2024). π₀: A Vision-Language-Action Flow Model for General Robot Control. arXiv.
7. Physical Intelligence (2025). OpenPI: Open Source Robot Policy Stack. GitHub.
8. Covariant (2024). Covariant Introduces RFM-1 to Give Robots the Human-like Ability to Reason. First-party-distributed company release.
9. Dexterity (2025). Dexterity Foresight: AI Platform for Industrial Robot Workcells. Company product page.
10. Chef Robotics (2025). ChefOS: AI Robotics Platform for Food Manufacturing. Company product page.
11. Figure AI (2026). Figure 03 + Helix 02: General-Purpose Humanoid System. Company product page.
12. Generalist AI (2025). GEN-0 Robot Foundation Model. Company page.
13. Skild AI (2024). General-Purpose Robot Brain. Company page.
14. NVIDIA (2026). NVIDIA Agent Toolkit Expands With New Omniverse Libraries. First-party release.
15. Gao, Sicong et al. (2026). NVIDIA Isaac Sim: Enabling Scalable, GPU-Accelerated Simulation for Robotics. arXiv survey.
16. Toyota Research Institute (2023). Toyota Research Institute Unveils Breakthrough in Teaching Robots New Behaviors. Company technical post.
17. Li, Xingyu (2024). Evaluating Real-World Robot Manipulation Policies in Simulation. arXiv.
18. Mandlekar, Ajay (2021). What Matters in Learning from Offline Human Demonstrations for Robot Manipulation. arXiv.
19. Zhao, Tony Z. (2023). Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware. arXiv.
20. Chi, Cheng (2023). Diffusion Policy: Visuomotor Policy Learning via Action Diffusion. arXiv.
21. Yu, Jiawen (2025). ForceVLA: Enhancing VLA Models with a Force-aware MoE for Contact-rich Manipulation. arXiv.
22. Huang, Yuhang (2025). Tactile-VLA: Unlocking Vision-Language-Action Model's Physical Knowledge for Tactile Generalization. arXiv.
23. Shaw, Kenneth (2023). LEAP Hand: Low-Cost, Efficient, and Anthropomorphic Hand for Robot Learning. arXiv.
24. Lambeta, Mike (2024). Digitizing Touch with an Artificial Multimodal Fingertip. arXiv.
25. Liu, Huihan et al. (2023). Model-Based Runtime Monitoring with Interactive Imitation Learning. arXiv.
26. Dulac-Arnold, Gabriel et al. (2021). Challenges of Real-World Reinforcement Learning: Definitions, Benchmarks and Analysis. Machine Learning.
27. Desai, Ankush et al. (2019). SOTER: A Runtime Assurance Framework for Programming Safe Robotics Systems. DSN.
28. Dan, Prithwish et al. (2025). X-Sim: Cross-Embodiment Learning via Real-to-Sim-to-Real. arXiv.
29. Lum, Tyler Ga Wei et al. (2025). Crossing the Human-Robot Embodiment Gap with Sim-to-Real RL using One Human Demonstration. arXiv.
30. Nguyen, Duc Huy et al. (2024). TacEx: GelSight Tactile Simulation in Isaac Sim -- Combining Soft-Body and Visuotactile Simulators. arXiv.
31. Xiao, Wenli et al. (2026). ENPIRE: Agentic Robot Policy Self-Improvement in the Real World. arXiv. #69
32. Ranawaka, Nadun et al. (2026). SimFoundry: Modular and Automated Scene Generation for Policy Learning and Evaluation. arXiv preprint.