로보틱스 스타트업 제너럴리스트, 약 2억 달러 추가 조달로 기업가치 30억 달러

들어가며

로봇용 AI 파운데이션 모델을 개발하는 스타트업 제너럴리스트(Generalist)가 추가 자금 조달을 통해 기업가치를 크게 높였다. 투자 상황을 잘 아는 두 명의 관계자에 따르면, 8VC가 주도한 추가 투자를 받은 뒤 제너럴리스트의 기업가치는 30억 달러로 평가됐다. 규제기관 제출 자료에 따르면 새로 유입된 자금은 약 2억 달러에 가까운 규모다.

이번 거래는 별도의 신규 라운드라기보다 올해 6월 발표한 4억 달러 규모 시리즈 B의 연장으로 알려졌다. 당시 회사의 기업가치는 20억 달러였으며, 추가 조달분을 합치면 해당 라운드의 총액은 약 6억 달러가 된다. 제너럴리스트와 8VC는 논평 요청에 응답하지 않았기 때문에, 평가액과 거래 세부 내용은 회사의 공식 발표가 아니라 관계자 설명과 규제 자료에 근거한다.

핵심 내용

• 제너럴리스트는 2024년 전직 Google DeepMind 연구원 Pete Florence, Andy Zeng, 전직 Boston Dynamics 엔지니어 Andrew Barry가 공동 설립했다.
• 초기 투자자로는 8VC, Radical Ventures, Nvidia, Union Square Ventures, Bezos Expeditions, AI 연구자 Fei-Fei Li가 참여했다.
• 여러 형태의 로봇에 적용할 수 있는 AI 파운데이션 모델을 개발하고 있다.
• 최근 공개한 Gen 1.5가 약 3~12초 길이의 동영상 시연을 보고 새로운 작업을 학습할 수 있다고 주장한다.
• 현재 소수의 고객과 협력하며, 현장 피드백을 바탕으로 특정 사용 사례에 맞게 모델을 조정하고 있다.

범용 로봇 모델에 대한 투자 논리

제너럴리스트가 추구하는 방향은 로봇과 작업마다 별도의 프로그램을 만드는 대신, 공통 기반 모델 하나가 여러 행동을 지원하도록 하는 것이다. 로봇이 사람의 시연 영상에서 작업의 핵심 패턴을 추출할 수 있다면, 모든 작업을 처음부터 수작업으로 프로그래밍해야 하는 부담을 줄일 가능성이 있다. 짧은 영상 시연을 통한 학습은 인간의 작업 지식을 로봇에 전달하는 보다 직관적인 방식이 될 수 있다.

그러나 로봇 학습은 대규모 언어 모델 학습과 다른 제약을 가진다. 텍스트와 이미지 같은 인터넷 데이터는 대량으로 수집하고 복제할 수 있지만, 로봇은 실제 환경의 공간 관계, 센서 정보, 접촉 반응, 동작 실패, 기기별 차이를 함께 다뤄야 한다. 현실 세계에서 이런 데이터를 확보하는 데는 더 많은 비용이 들고, 데이터 형식을 통일하기도 어렵다. 따라서 3~12초 영상에서 새로운 작업을 학습한다는 설명은 기술적 접근법의 가능성을 보여주지만, 통제되지 않은 환경에서 다양한 작업을 안정적으로 수행한다는 의미는 아니다.

경쟁 심화와 상용화의 검증

로봇의 ‘두뇌’를 만들려는 기업은 제너럴리스트만이 아니다. 보도에 따르면 Physical Intelligence의 기업가치는 110억 달러, SoftBank의 지원을 받는 Skild AI의 기업가치는 140억 달러로 평가됐다. Genesis AI도 지난달 기준 30억 달러 기업가치로 자금을 조달하는 방안을 논의 중인 것으로 알려졌다. 다만 기업마다 투자 단계와 제품, 고객 구성, 시장 기대가 다르므로 이 수치를 기술력의 단순한 순위로 해석해서는 안 된다.

제너럴리스트의 다음 과제는 시연 영상 기반 학습을 반복 가능한 고객 가치로 바꾸는 것이다. 수작업 교육을 줄이고, 작업 성공률을 높이며, 동일한 모델을 서로 다른 로봇 하드웨어에 적용할 수 있는지가 중요한 검증 항목이다. 소수 고객과의 협업은 실제 사용 환경에서 데이터를 얻는 기회가 될 수 있지만, 현재 공개된 자료만으로는 회사의 광범위한 상용화나 매출 성과를 확인하기 어렵다.

이번 투자는 로봇이 언젠가 ‘ChatGPT 순간’을 맞을 수 있다는 투자자들의 기대를 반영한다. 하지만 추가 자금 조달과 높은 기업가치만으로 범용 로봇 기술이 성숙했다고 보기는 어렵다. 제너럴리스트는 앞으로 데이터 부족, 동작 신뢰성, 하드웨어 호환성, 실제 배치 비용이라는 문제를 동시에 해결해야 한다. 로봇 산업의 돌파구에 대한 기대는 커지고 있지만, 진정한 범용성에 이르는 길은 아직 검증되지 않았다.

출처: TechCrunch AI