🤖 Axis Robotics × MAGIC × Lily AMA 후기 TGE를 하루 앞둔 Axis Robotics, 그런데 오늘 AMA에서 제가 가장 주목한 것은 토큰 상장 소식이 아니었습니다. 바로 Axis Robotics가 단순한 로봇 데이터 기업을 넘어 자체 AI 모델 개발까지 준비하고 있다는 이야기였습니다. 10월 20일 오후 10시, @IPALAU1 님과 @lilykuma_S2_ 님이 진행한 @axisrobotics AMA에 참여했습니다. 원래 Chris Feng CEO가 참석할 예정이었지만, 오늘은 공동창업자이자 CMO인 Christine(@0xsexybanana)이 대신 참석해 프로젝트의 현재 상황과 향후 계획을 설명했습니다. 그리고 AMA가 진행되는 동안 Binance Wallet의 발표를 통해 10월 21일 Binance Alpha에 $AXIS가 소개된다는 소식까지 전해졌습니다. TGE를 앞둔 시점이라 더욱 흥미로웠던 오늘의 질문과 답변을 정리해 봤습니다. 🔹 Q1. Axis Robotics는 어떤 프로젝트이며, 왜 로봇 학습 데이터가 중요한가? Christine은 Axis Robotics를 Physical AI를 위한 살아 있는 데이터 엔진이라고 소개했습니다. 현재 휴머노이드 로봇은 걷거나 춤을 추는 모습까지 보여주고 있지만, 실제 가정에서 물건을 정리하거나 집안일을 수행하려면 상황을 판단할 수 있는 지능이 필요합니다. 그리고 그 지능을 학습시키는 핵심 자원이 데이터입니다. Axis Robotics는 누구나 컴퓨터에서 가상 로봇을 조작하고, 그 과정에서 생성되는 3D 공간 기반 동작 데이터를 수집하는 구조를 만들고 있습니다. 이렇게 확보한 데이터를 로보틱스 기업과 AI 연구기관에 공급하는 것이 사업의 출발점입니다. 🔹 Q2. 왜 실제 로봇 대신 시뮬레이션 데이터에 집중하는가? 대표적인 로봇 학습 데이터에는 실제 로봇을 조작하며 수집하는 데이터, 사람이 직접 행동하는 모습을 촬영하는 데이터, 가상환경에서 생성하는 시뮬레이션 데이터가 있습니다. Christine은 시뮬레이션 데이터가 완벽한 방식은 아니지만, 현재 가장 경제적이고 확장성이 높은 방법 중 하나라고 설명했습니다. 실제 로봇이나 별도의 촬영 장비 없이 노트북만으로 참여할 수 있기 때문입니다. 특히 전 세계 이용자가 동시에 데이터를 생산할 수 있다는 점은 규모를 확대하는 데 중요한 장점입니다. 제가 이해한 Axis Robotics의 전략은 명확했습니다. 데이터 생산 비용을 낮추고 참여자를 늘려, 로봇 학습에 필요한 데이터를 지속적으로 공급하겠다는 것입니다. 🔹 Q3. 왜 Base 생태계를 선택했는가? Christine은 여러 블록체인을 검토했지만 Base를 강하게 지지했다고 설명했습니다. 이유는 단순히 거래 속도나 수수료 때문만은 아니었습니다. 아프리카, 튀르키예, 라틴아메리카, 동남아시아 등 다양한 지역의 커뮤니티에 접근할 수 있다는 점이 중요했다고 합니다. Axis Robotics는 특정 국가나 소수 집단에서만 데이터를 수집하는 것이 아니라, 전 세계의 다양한 이용자가 기여하는 구조를 원하고 있기 때문입니다. 또한 Base 생태계 프로그램에 선정되면서 마케팅과 커뮤니티 연결, 다른 프로젝트와의 협업에서도 도움을 받았다고 설명했습니다. 이 답변에서 흥미로웠던 부분은 블록체인을 단순한 거래 인프라가 아니라 글로벌 데이터 기여자 네트워크를 구축하는 수단으로 바라본다는 점이었습니다. 🔹 Q4. 왜 로봇 팔과 손의 움직임에 집중하는가? 로봇의 움직임은 크게 이동(Locomotion)과 조작(Manipulation)으로 구분할 수 있습니다. Christine은 이동 관련 데이터는 이미 상당히 축적돼 있지만, 물체를 집거나 놓고 자르는 정밀한 조작 데이터는 여전히 부족하다고 설명했습니다. 예를 들어 사람이 감자를 자르는 모습은 영상으로 쉽게 촬영할 수 있습니다. 하지만 사람의 손과 로봇의 손은 구조가 다르기 때문에 영상만으로는 로봇에 필요한 정확한 위치와 동작 정보를 확보하기 어렵습니다. Axis Robotics가 가상환경에서 로봇 팔과 손의 정밀한 조작 데이터를 수집하는 이유입니다. 그리고 앞으로도 상당 기간 이러한 Manipulation 데이터에 집중하겠다고 밝혔습니다. 모든 로봇 동작을 한꺼번에 해결하려 하기보다 산업적으로 필요한 영역에 집중한다는 전략이었습니다. 🔹 Q5. 한국 자동차·제조업 기업과 실제 협력이 진행되고 있는가? 이번 질문에는 상당히 분명한 답변이 나왔습니다. 현재까지 한국 기업과 확정된 협업은 없다고 밝혔습니다. 하지만 한국은 자동차와 제조업이 발달한 국가이며, 로봇의 대규모 도입이 가정용 시장보다 산업 현장에서 먼저 시작될 가능성이 높다고 설명했습니다. 또한 장기적인 노동력 부족 문제 역시 산업용 로봇 도입을 촉진할 수 있다고 바라봤습니다. 따라서 한국의 자동차 및 제조 기업과 지속적으로 관계를 구축하겠다는 계획입니다. 저는 확정되지 않은 파트너십을 성과처럼 이야기하지 않고, 현재 상황과 향후 목표를 구분한 점이 좋았습니다. 🔹 Q6. 기업들이 실제로 로봇 AI 데이터를 구매하도록 만드는 전략은? Christine은 Physical AI 산업의 핵심 요소를 세 가지로 설명했습니다. 데이터, 파운데이션 모델, 로봇 하드웨어입니다. Axis Robotics는 이 가운데 데이터 공급을 핵심 경쟁력으로 삼고 있습니다. 특히 Hugging Face에 시뮬레이션 데이터셋을 공개했고, 9월까지 약 10만 다운로드를 기록했다고 밝혔습니다. 그렇다면 왜 판매해야 할 데이터를 무료로 공개할까요? 답변은 간단했습니다. 잠재 고객이 직접 데이터를 사용하고 품질을 검증하도록 하기 위해서입니다. 무료 샘플 제공 → 기업 테스트 → 파일럿 프로젝트 → 대규모 계약 이런 순서로 기업 고객을 확보하겠다는 전략입니다. 또한 대학과 연구기관에서도 추가 데이터 샘플을 요청하고 있으며, 향후 로보틱스 산업 경험이 있는 영업 인력을 확보해 기업 대상 사업을 강화할 계획이라고 했습니다. 저는 이 부분이 실제 사업화에서 중요한 접근이라고 생각했습니다. 기업은 개인 소비자처럼 즉시 구매를 결정하지 않습니다. 데이터가 실제 모델 성능에 도움이 되는지 충분히 검증해야 하기 때문입니다. 🔹 Q7. 봇이나 자동화 스크립트로 생성한 저품질 데이터는 어떻게 걸러내는가? 오늘 AMA에서 기술적으로 가장 흥미로웠던 답변 중 하나였습니다. Christine은 세 가지 방법을 설명했습니다. 첫째, Replay 검증입니다. 사용자가 제출한 로봇 동작을 서버의 시뮬레이션 환경에서 다시 실행해 유효성과 품질을 확인합니다. 이 과정에서 부적합한 데이터의 약 80%를 걸러낼 수 있다고 설명했습니다. 둘째, Randomization입니다. 같은 작업이라도 물체의 위치와 환경을 무작위로 변경합니다. 예를 들어 바나나를 집는 작업에서 바나나의 위치가 매번 달라지기 때문에 동일한 스크립트로 여러 계정을 동시에 운영하기 어려워집니다. 셋째, 모델 기반 사전 평가입니다. 수집된 데이터를 경량 AI 모델에 입력해 학습에 유용한지 판단하고, 부족한 데이터 유형을 파악해 새로운 작업을 생성합니다. 결국 데이터를 무조건 많이 모으는 것이 아니라, 실제로 필요한 데이터를 효율적으로 수집하는 구조입니다. 이 설명을 들으면서 데이터의 품질 관리가 Axis Robotics의 장기 경쟁력에서 중요한 부분이 될 수 있겠다고 생각했습니다. 🔹 Q8. 모바일 앱은 언제 출시되는가? 현재 Axis Robotics는 모바일 브라우저에서도 일부 기능을 이용할 수 있지만, PC 환경에 집중하고 있다고 설명했습니다. 로봇 시뮬레이션은 처리해야 할 데이터와 그래픽 요소가 많기 때문에 모바일 앱으로 구현하려면 상당한 최적화 작업이 필요합니다. 따라서 당장 모바일 앱 개발에 많은 자원을 투입하기보다는 데이터 사업의 상업화에 집중하겠다는 입장이었습니다. 향후 기술적으로 가볍게 구현할 수 있다면 모바일 앱을 검토할 수 있지만, 구체적인 출시 일정은 제시하지 않았습니다. 🔹 Q9. 사람에게 쉬운 일이 왜 로봇에게는 어려운가? Christine은 옷을 개는 작업을 예로 들었습니다. 사람은 옷을 집어 펼치고 접는 행동을 자연스럽게 수행합니다. 하지만 로봇은 옷걸이에서 옷을 꺼내고, 테이블에 놓고, 다시 적절한 위치를 잡아 접는 과정을 각각 학습해야 합니다. 특히 천처럼 형태가 계속 바뀌는 물체는 조작이 더욱 어렵습니다. 저는 이 답변을 통해 로봇 학습에서 정밀한 조작 데이터가 왜 중요한지 다시 이해할 수 있었습니다. 🔹 Q10. 한국 커뮤니티의 데이터는 특별한 가치가 있는가? Christine은 한국에서 수집된 데이터가 다른 지역의 데이터보다 특별히 우월한 것은 아니라고 설명했습니다. 중요한 것은 다양성입니다. 한국뿐 아니라 동남아시아와 다른 지역에서도 다양한 사람들이 참여해야 특정 환경에 편중되지 않은 데이터를 확보할 수 있다는 이야기였습니다. 글로벌 커뮤니티를 확대하는 이유도 결국 이러한 데이터 다양성을 확보하기 위한 전략으로 이해했습니다. 🔹 Q11. TGE 이후 가장 중요한 로드맵은 무엇인가? 마지막 질문에서 가장 흥미로운 이야기가 나왔습니다. Christine은 크게 세 가지 방향을 설명했습니다. 첫 번째는 시뮬레이션 데이터셋 확대입니다. 10월 또는 11월경 새로운 V2 데이터셋을 공개하는 방안을 언급했습니다. 두 번째는 기업 대상 상업화 확대입니다. 2027년 1분기를 중심으로 로보틱스 기업과 AI 모델 기업을 대상으로 데이터 공급 사업을 강화할 계획이라고 했습니다. 그리고 세 번째가 가장 놀라웠습니다. Axis Robotics가 자체 Expert Model을 개발하고 있다는 것입니다. 지금까지 축적한 데이터를 활용해 물체를 집고 놓거나, 열고 닫는 등 특정 작업에 특화된 AI 모델을 연구하고 있다고 설명했습니다. 일반적인 파운데이션 모델이 폭넓은 작업을 다루는 반면, Expert Model은 특정 동작을 정밀하게 수행하도록 설계하는 접근입니다. 아직 관련 논문이나 공식적인 모델 발표가 이뤄진 것은 아니지만, 내부적으로 가능성을 확인하고 개발을 진행 중이라고 밝혔습니다. 장기적으로는 단순한 데이터 공급 기업을 넘어 AI 모델 기업으로 확장할 가능성까지 열어두고 있다는 설명이었습니다. 🔎 HD Insight | TGE보다 더 중요하게 들렸던 이야기 오늘 AMA에서 가장 크게 남은 것은 Axis Robotics가 생각하는 성장 방향이었습니다. 현재는 커뮤니티가 시뮬레이션 데이터를 생산하고, 그 데이터를 기업에 공급하는 구조입니다. 하지만 앞으로는 수집한 데이터를 활용해 자체 AI 모델을 개발하고, 특정 로봇 작업에 특화된 기술까지 제공하는 방향을 검토하고 있습니다. 저는 이 변화가 상당히 중요하다고 생각합니다. 데이터를 판매하는 기업과 데이터를 활용해 실제 로봇의 행동 능력을 개선하는 모델까지 제공하는 기업은 사업의 확장 가능성이 다르기 때문입니다. 물론 아직 자체 모델 개발은 초기 단계이며, 실제 성능과 상업적 경쟁력은 앞으로 검증해야 합니다. 또한 Binance Alpha 소식이 나왔다고 해서 프로젝트의 장기적인 성과까지 보장되는 것은 아닙니다. 제가 앞으로 확인하고 싶은 것은 세 가지입니다. V2 데이터셋의 실제 품질과 활용도, 기업 파일럿이 유료 계약으로 전환되는 속도, 그리고 자체 Expert Model의 성능을 보여줄 수 있는 구체적인 결과입니다. 결국 Physical AI의 경쟁력은 로봇이 얼마나 멋지게 움직이는지가 아니라, 실제로 얼마나 다양한 일을 정확하게 수행할 수 있는가에 있다고 생각합니다. Axis Robotics가 데이터를 모으는 단계에서 로봇의 지능을 직접 발전시키는 단계로 확장할 수 있을지 계속 지켜보겠습니다. 좋은 AMA를 진행해 주신 @IPALAU1 @lilykuma_S2_ 님과 자세한 답변을 들려주신 @0xsexybanana 님께 감사드립니다. @axisrobotics @chris_anm01 #AxisRobotics# #AXIS# #PhysicalAI# #Robotics# #Base# #AMA#