아티클 목록으로
로보틱스·피지컬 AI

테슬라 옵티머스, 양산 난관과 ‘일자리 대체’ 우려 직면

약 3분 소요

들어가며

테슬라는 전기차를 넘어 휴머노이드 로봇 ‘옵티머스’를 미래 사업의 핵심으로 키우려 하고 있다. 인공지능을 실제 작업 현장으로 확장하겠다는 구상이다. 하지만 시연 가능한 로봇을 만드는 일과 복잡한 기계를 안정적으로 대량 생산하는 일은 전혀 다르다.

Ars Technica가 소개한 The Information의 보도에 따르면, 최신 옵티머스 V3는 부품 정렬, 생산라인 속도, 촉각 센서, 작업 데이터 수집 과정에서 여러 문제를 겪고 있다. 테슬라는 프리몬트 공장에서 일부 자동차 관련 근로자와 엔지니어를 옵티머스 업무로 전환한 것으로 전해졌다. 현재 생산량은 주당 수백 대 수준으로 확대됐지만, 회사는 2026년 말까지 주당 1000대 이상을 목표로 삼고 있다.

핵심 내용

  • 로봇 손이 제조 병목이 되고 있다. 옵티머스의 손과 팔에는 나사를 포함해 100개가 넘는 작은 부품이 들어가며, 이를 사람이 수작업으로 조립해야 한다. 생산 직후 수리가 필요한 로봇도 있어 설계와 제조 공정이 아직 완전히 안정되지 않았음을 보여준다.
  • 촉각 센서의 신뢰성도 문제다. 손에 들어가는 센서가 충분히 안정적이지 않아, 테슬라는 손 전체를 교체하지 않고도 바꿀 수 있는 장갑 형태의 센서 층을 개발한 것으로 알려졌다.
  • 범용 자율성에는 아직 거리가 있다. 현재 옵티머스는 다양한 상황에 스스로 적응하기보다, 통제된 환경에서 특정 작업을 수행하도록 프로그래밍되는 단계에 가깝다.
  • 학습 데이터가 노동 갈등으로 이어졌다. 테슬라는 캘리포니아와 텍사스 공장 근로자에게 특수 슈트를 입혀 작업 동작을 기록하고 모방학습에 활용하려 했다. 일부 직원은 로봇이 장차 자신들의 일자리를 대체할 수 있다는 점을 알고 반발했다. 이후 이 업무는 전담팀과 별도 훈련 거점으로 옮겨진 것으로 전해졌다.
  • 공급망과 경쟁도 변수다. 테슬라는 로봇 부품 일부를 중국 공급업체에 의존하고 있는 것으로 보도됐다. 미국, 중국, 일본, 한국의 자동차 업체와 로봇 전문 기업들도 휴머노이드 개발과 도입을 추진하고 있다.

의미와 영향

휴머노이드 로봇의 성패는 AI 모델의 성능만으로 결정되지 않는다. 정밀하면서도 조립하기 쉬운 손, 현장에서 고장 나지 않는 센서, 속도를 높여도 유지되는 생산 품질이 모두 필요하다. 실제 작업장에서는 사람과 안전하게 협업해야 하며, 장기간 배치해도 비용 대비 효과가 있어야 한다.

테슬라가 생산량을 늘리면 실사용 데이터를 확보하고 단위 비용을 낮추며 사업성을 검증할 기회가 생길 수 있다. 반면 품질 관리와 직원 관계, 국제 공급망 의존이라는 위험도 함께 커진다. 따라서 핵심 질문은 단순히 주당 생산 목표를 달성할 수 있느냐가 아니다. 옵티머스가 제한된 작업을 수행하는 기계에서 벗어나, 안전하고 신뢰할 수 있으며 경제적 가치가 있는 현장 시스템으로 발전할 수 있느냐가 진짜 시험대다.

출처: Ars Technica AI

댓글

로그인 상태 확인 중…

댓글 불러오는 중…

관련 게시물

CCTest · Blog
로봇을 세계 안에서 학습시키는 RoboScript, 가중치 업데이트 없이 조작 기술 전이
로보틱스·피지컬 AI
cctest.ai
로보틱스·피지컬 AI

로봇을 세계 안에서 학습시키는 RoboScript, 가중치 업데이트 없이 조작 기술 전이

RoboScript는 고정된 모델이 시뮬레이션 환경에서 조작 작업을 반복 연습하고, 피드백을 모델 가중치가 아닌 컨텍스트에 저장하도록 하는 World In-Context Learning을 제안합니다. RoboTwin 2.0의 50개 작업에서 작업당 시연 한 번만으로 83.4%의 평균 성공률을 보고했습니다.

더 보기
CCTest · Blog
A²-MEAS가 제안하는 실패를 회복하는 로봇 제어
로보틱스·피지컬 AI
cctest.ai
로보틱스·피지컬 AI

A²-MEAS가 제안하는 실패를 회복하는 로봇 제어

A²-MEAS는 로봇의 실패 복구를 제어 과정의 핵심 기능으로 다룹니다. 진단, 공간적 증거, 실행 이력, 다음 행동 제안을 학습 가능한 교정 코드로 묶어 전체 정책을 다시 학습하지 않고도 후속 행동을 조정합니다.

더 보기