[기자칼럼] 알파고는 이세돌을 이겼는데 바둑돌 하나 못 집는다? ‘모라벡의 역설’로 본 로봇의 진화사

신의 한 수 두던 초거대 AI가 현실 공간에서 세 살배기보다 못했던 이유… ‘피지컬 AI’가 무너뜨리는 로봇 공학의 통곡의 벽

[아이씨엔 우청 기자] 2016년 서울에서 열린 인간과 인공지능(AI; Artificial Intelligence)의 역사적 대국에서 구글 딥마인드(Google DeepMind)의 ‘알파고(AlphaGo)’가 세계 최고수인 이세돌 9단을 꺾으며 전 세계에 커다란 충격을 안겨주었다. 당시 알파고는 수억 번의 대국을 스스로 학습하며 인간의 직관을 넘어서는 수들을 선보였다. 하지만 이 세기적인 대국 현장에는 다소 생소한 풍경이 함께 존재했다. 알파고 자신은 바둑판 위에 바둑돌을 직접 집어서 놓을 수 있는 물리적인 기계 몸체를 갖추지 못했다. 결국 알파고가 계산한 위치에 맞춰 사람이 대신 바둑돌을 집어 바둑판 위에 놓아주어야 했다.

세계 최고 수준의 바둑 기사를 제압한 초거대 인공지능이 왜 작은 바둑돌 하나 스스로 집어 올리지 못했을까? 로봇 공학계에서는 이 이상하고도 흥미로운 현상을 ‘모라벡의 역설(Moravec’s Paradox)’이라는 개념으로 설명한다.

인간에게는 본능, 기계에게는 통곡의 벽 ‘모라벡의 역설’

1980년대 로봇공학자인 한스 모라벡(Hans Moravec)은 인공지능을 연구하며 한 가지 역설적인 사실을 발견했다. 인간에게 매우 높은 지능이 필요하다고 여겨지는 고난도 연산이나 바둑, 주식 분석 등은 컴퓨터에게 매우 쉬운 작업이다. 반면에 인간이 아무런 노력 없이 본능적으로 해내는 물건 집기, 균형 잡으며 걷기, 문고리 돌리기 등은 컴퓨터와 로봇에게 극도로 어렵다는 사실이다.

인간의 뇌는 수억 년의 진화 과정을 거치며 눈으로 보고 손가락 끝의 미세한 촉각을 느껴 물체에 적절한 힘을 주는 신경망을 완성했다. 반면에 로봇의 관점에서는 작고 미끄러운 바둑돌을 집어 바둑판의 정교한 십자선 위에 놓는 동작 하나도 복잡한 연산의 연속이다. 로봇은 카메라로 바둑돌의 위치를 3차원 좌표로 계산해야 한다. 손가락 모터에 전달할 정확한 힘의 크기를 실시간으로 계산해야 하며, 약간의 오차만 발생해도 바둑돌이 바닥으로 튕겨 나가게 된다.

고정된 공장 팔에서 스스로 물리 법칙을 배우는 ‘피지컬 AI’로

로봇 공학자들은 이 모라벡의 역설을 극복하기 위해 단계적인 기술 발전을 이뤄왔다. 1세대 산업용 로봇 팔(Manipulator)은 정해진 위치로만 반복해서 움직이는 고정된 제어 방식을 사용했다. 이 방식은 작업 위치가 조금만 벗어나도 오류를 일으키는 한계를 보였다.

이후 등장한 2세대 로봇은 카메라와 힘·토크 센서(Force/Torque Sensor)를 탑재했다. 외부 환경을 실시간으로 관찰하고 수치화하여 모터의 움직임을 수정하는 수준까지 발전했다. 하지만 인간이 기계에 예외 상황을 처리하는 수식과 코드를 일일이 입력해야 하는 한계가 남아 있었다.

오늘날 로봇 산업은 마침내 ‘피지컬 AI(Physical AI)’와 ‘로봇 파운데이션 모델(Robot Foundation Model)’이라는 새로운 패러다임을 통해 이 한계를 넘어서고 있다. 사람이 직접 작성한 수학 방정식 대신, 사람이 촉각 글러브나 비전 헤드셋을 착용하고 움직인 시각·촉각·동작 데이터를 거대한 인공신경망에 대량으로 학습시킨다. 로봇은 이 학습을 통해 처음 보는 물체를 접하더라도 스스로 재질을 파악하고 적절한 악력과 각도를 조절하며 물체를 집어 올린다. 알파고가 바둑판의 수를 읽듯, 로봇이 현실 세계의 물리 법칙을 스스로 깨우치며 반세기 넘게 이어진 모라벡의 역설을 무너뜨리고 있는 중이다.

용어해설

• 모라벡의 역설 (Moravec’s Paradox): AI에게 바둑이나 고난도 수학 연산은 쉽지만, 물건 집기나 걷기와 같이 인간에게 쉬운 감각·운동 능력은 오히려 구현하기 어렵다는 역설적 현상이다.
• 피지컬 AI (Physical AI): 디지털 공간을 넘어 현실 세계의 물리 법칙과 환경을 센서로 인식하고, 기계 몸체를 직접 제어하는 차세대 인공지능 기술이다.
• 로봇 파운데이션 모델 (Robot Foundation Model): 시각, 촉각 등의 멀티모달 센서 데이터와 로봇 동작 데이터를 사전 학습시켜 다양한 로봇 작업에 범용적으로 적용할 수 있도록 만든 초거대 로봇 AI 모델이다.
• 매니퓰레이터 (Manipulator): 인간의 팔과 유사한 구조를 가지고 관절을 통해 물체를 이동시키거나 정밀 조립 작업을 수행하는 로봇 장치이다.