푸두 로보틱스, 2026 세계인공지능대회에서 '하나의 뇌, 여러 형태'로 배치 데이터를 물리적 AI로 전환하는 방법

서론

실체 인공지능 산업은 점점 더 실용적으로 변하고 있습니다.

걷거나, 손짓을 하거나, 정교하게 준비된 시연을 수행하는 로봇은 주목을 받을 수 있습니다. 하지만 더 어려운 질문은, 레스토랑, 호텔, 공장, 창고, 쇼핑몰 및 기타 예측 불가능한 환경에서 수개월 동안 지속적으로 작동하면서 그 과정에서 능력을 진화시킬 수 있느냐입니다.

푸두 테크놀로지는 WAIC 2026에서 간단한 전략적 이념을 중심으로 자체적인 답변을 제시했습니다.

로봇 공학의 다음 단계는 더 이상 로봇의 신체가 아니라, 실제 배포에서 학습하고 경험을 다양한 형태로 전달할 수 있는 지능형 시스템에 의해 결정될 것입니다.

이 회사는 이 아키텍처를 '원뇌다형(一腦多形)' 이라고 부릅니다.

기초 모델 레이어인 PuduFM 1.0은 로봇이 물리적 결과를 추론하고, 내비게이션과 조작을 연결하며, 시뮬레이션과 실제 세계 피드백을 결합한 방식으로 학습하도록 돕기 위해 설계되었습니다.

에이전트 플랫폼인 PuduAgent는 계획, 기억, 실행, 재사용 가능한 기술 및 안전 제어를 로봇 형태를 조정할 수 있는 시스템에 통합합니다.

WAIC에서 산업용 반인간형 로봇 PUDU D7은 이 전략의 가장 주목할 만한 하드웨어 사례 중 하나였습니다.

시장 선두에서 차세대 로봇 경쟁으로

푸두는 방대한 상업용 서비스 로봇 설치 기반을 가지고 WAIC에 참가했습니다.

이 회사는 프로스트 앤 설리번의 독립적 시장 조사에서 푸두가 네 가지 카테고리에서 1위를 차지했다고 밝혔습니다.

1. 글로벌 상업용 서비스 로봇 수익.
2. 글로벌 상업용 서비스 로봇 출하량.
3. 글로벌 상업용 청소 로봇 수익.
4. 해외 시장 점유율에서의 중국 상업용 서비스 로봇 기업.

푸두는 또한 전 세계적으로 13만 대 이상의 로봇을 출하했다고 보고했습니다. 공식 자료에 따르면 배포 범위는 80개 이상의 국가 및 지역에 걸쳐 있으며, WAIC 발표에서 언급된 범위는 85개 국가 및 지역이었습니다.

이러한 로봇이 운영되는 분야는 다음과 같습니다.

• 외식 서비스.
• 호텔업.
• 소매업.
• 제조업.
• 창고 물류.
• 상업용 청소.
• 부동산 관리.
• 의료 서비스.
• 엔터테인먼트 및 스포츠.
• 교육.
• 공공 서비스.

이러한 규모의 배포는 상업적 의미를 가지지만, 푸두의 실체 인공지능 논지는 한 걸음 더 나아갑니다.

실제 장소에서 작동하는 모든 로봇은 실험실에서 완전히 재현하기 어려운 물리적 변화에 직면합니다.

• 다양한 바닥 재질.
• 움직이는 사람과 장비.
• 변화하는 조명.
• 좁은 통로.
• 예상치 못한 장애물.
• 다양한 무게, 모양 및 표면 특성을 가진 물체.
• 인간의 개입.
• 실패한 동작.
• 롱테일 작동 조건.

실체 인공지능 회사에게 이러한 상호 작용 과정은 훈련 자료가 될 수 있습니다.

따라서, 다음 단계의 경쟁 우위는 하드웨어 배포와 운영 경험을 재사용 가능한 지능으로 전환할 수 있는 시스템을 결합하는 데서 비롯될 수 있습니다.

13만 대 이상의 로봇이 일선에서 활약

언어 모델은 방대한 양의 텍스트, 코드, 이미지 및 비디오에서 학습할 수 있습니다. 로봇은 다른 데이터 문제에 직면합니다.

로봇은 물체가 무엇인지 이해해야 할 뿐만 아니라, 다음 사항도 숙달해야 합니다.

• 해당 물체에 닿을 수 있는지 여부.
• 물체가 어떻게 움직일 수 있는지.
• 특정 동작에 얼마나 많은 힘을 가해야 하는지.
• 바닥이 미끄러운지 여부.
• 계획된 경로가 여전히 안전한지 여부.
• 로봇이 물체를 밀고, 들고, 기울이거나 놓은 후 어떤 일이 발생하는지.
• 작업 시작 이후 환경이 어떻게 변했는지.

이러한 능력은 제한된 수의 정교하게 편집된 시연에서 학습하기 어렵습니다.

로봇은 실제 작업에서 경험을 얻어야 하지만, 실제 작업에 투입되기 위해서는 일정 수준의 성숙도가 필요하며, 이러한 성숙도는 실제 데이터 없이 달성하기 어렵습니다.

이는 전형적인 '닭이 먼저냐, 달걀이 먼저냐' 문제를 야기합니다.

대규모 배포가 없으면 회사는 다양한 물리적 세계 데이터를 얻을 수 없습니다. 다양한 물리적 세계 데이터가 없으면 대규모 배포가 가능할 만큼 로봇을 향상시키기 어렵습니다.

상업용 서비스 로봇은 이 순환을 깰 수 있는 방법을 제공합니다.

푸두 테크놀로지는 수년 동안 배송, 청소 및 산업용 로봇을 일반적인 상업 환경에 배포해 왔습니다. 이러한 시스템은 처음부터 범용 실체 에이전트는 아니었지만, 그 배포는 작동 신호를 수집하기 위한 대규모 채널을 만들었습니다.

푸두 테크놀로지에 따르면 로봇 함대는 현재 연간 다음과 같은 데이터를 생성합니다.

데이터 유형	회사가 보고한 연간 데이터량
실제 세계 내비게이션 데이터	3650만 시간
실제 세계 조작 데이터	1580만 시간

이 회사는 작동 데이터가 정상 작동 중 '비침습적 데이터 수집' 방식을 통해 수집된다고 밝혔습니다.

그 가치는 시간 수에만 있는 것이 아닙니다. 이 자료의 대부분은 로봇 자체의 시점에서 비롯되며, 실제 깊이, 척도, 움직임, 조명 및 상호 작용 조건을 포함할 가능성이 높습니다.

이러한 1인칭 물리적 환경은 인터넷 비디오만으로는 대체하기 어렵습니다.

물리적 AI 데이터 플라이휠

푸두 테크놀로지의 장기 모델은 데이터 플라이휠로 설명할 수 있습니다.

1. 더 많은 로봇이 상업 환경에 진입합니다.
2. 로봇이 더 많은 작업과 에지 케이스를 만납니다.
3. 작동 데이터와 인간의 개입이 캡처됩니다.
4. 이러한 경험을 사용하여 모델을 훈련하거나 개선합니다.
5. 개선된 모델이 더 많은 작업과 환경을 지원합니다.
6. 더 강력한 능력이 더 많은 배포를 가능하게 합니다.
7. 더 큰 배포 기반이 더 많은 데이터를 생성합니다.

이는 로봇을 완제품 장치로 보는 전통적인 모델과 다릅니다.

전통적인 모델에서 회사는 고정된 기능 세트를 가진 하드웨어를 판매합니다. 각 작업 완료는 고객에게 가치를 창출하지만, 경험은 해당 장치와 설치 환경에 국한될 수 있습니다.

실체 에이전트 모델에서 개별 작업은 더 광범위한 학습 시스템에 기여할 수 있습니다. 창고의 내비게이션 실수, 쇼핑몰의 복잡한 청소 상황 또는 산업 현장의 작동 수정은 전체 로봇 클러스터의 미래 행동 성능을 최적화하는 데 도움이 될 수 있습니다.

이 과정은 자동으로 발생하지 않습니다.

원시 로그는 효과적인 모델 컨텍스트와 동일하지 않습니다. 데이터는 다음 과정을 거쳐야 합니다.

• 선별
• 정제
• 주석 처리 또는 구조화
• 결과와 연관
• 개인 정보 보호 및 보안 요구 사항에 따라 필터링
• 시나리오 간 균형
• 훈련 또는 평가 샘플로 변환
• 통제된 시스템에서 재생
• 검증 후 프로덕션 로봇으로 반환

방대한 로봇 클러스터는 데이터 해자를 구축할 수 있는 기회를 창출합니다. 그리고 데이터 파이프라인의 품질이 이 기회를 실제 능력 우위로 전환할 수 있는지 여부를 결정합니다.

실제 세계 데이터만으로는 충분하지 않은 이유

물리적 세계에서의 실수는 비용이 많이 듭니다.

언어 모델은 잘못된 단락을 생성하고 즉시 재시도할 수 있지만, 로봇의 실패한 작동은 시간을 소모하고, 장비를 손상시키고, 비즈니스 프로세스를 중단시키거나 안전 위험을 초래할 수 있습니다.

따라서 실제 세계 훈련은 제약 없는 시행착오를 통해 확장될 수 없습니다.

푸두 테크놀로지의 해결책은 실제와 가상이 융합된 이중 공간 진화 플라이휠입니다.

가상 순환

고충실도 세계 시뮬레이터는 시스템이 수많은 궤적을 생성하고 테스트할 수 있게 해주며, 실제 사람이나 장비를 매번 실패에 노출시킬 필요가 없습니다.

시뮬레이터는 다음을 생성할 수 있습니다:

• 정상적으로 성공한 작업 시퀀스
• 충돌
• 미끄러짐
• 부하 불안정
• 물체 형상 변화
• 질량 중심 이동
• 비정상적인 장애물 배치
• 드물거나 위험한 작동 조건

푸두 테크놀로지(Pudu Technology)는 시뮬레이션 환경에서 다양한 궤적을 생성하기 위해 확산 변환기(Diffusion Transformer) 아키텍처를 사용한다고 밝혔습니다.

실제 세계 루프

실제 환경은 시뮬레이션으로 완전히 재현할 수 없는 세부 정보를 제공합니다.

인간-로봇 상호작용 피드백을 통해 다음을 기록할 수 있습니다:

• 로봇이 인간의 개입이 필요했던 위치
• 작업자가 무엇을 변경했는지
• 어떤 경로나 파지 동작이 성공했는지
• 물리 환경이 시뮬레이션과 어떻게 다른지
• 어떤 안전 경계에 도달했는지
• 작업 결과가 수용 가능한지 여부

두 루프는 서로 다른 목적을 수행합니다:

• 시뮬레이션은 시도의 수와 다양성을 확장합니다
• 현실은 실제 물리적 결과에 따라 모델을 보정합니다

이 방법의 효과는 시뮬레이션의 충실도와 가상 시스템과 물리 시스템 간의 전이 품질에 달려 있습니다. 시뮬레이션에서 성공한 모델도 센서 노이즈, 기계적 마모, 불완전한 기하학적 형상, 지연 시간 또는 모델링되지 않은 인간 행동으로 인해 실제 세계에서는 실패할 수 있습니다.

로봇이 경험을 전이하기 시작할 때

역사적으로, 다양한 형태의 로봇은 일반적으로 독립적인 시스템으로 개발되었습니다.

배달 로봇, 청소 장비, 산업용 모바일 섀시, 로봇 팔, 휴머노이드 로봇, 사족 보행 로봇은 서로 다른 센서, 관절, 제어 주파수, 부하 및 작동 제약 조건을 사용할 수 있습니다.

이는 비효율적인 패턴으로 이어졌습니다:

• 하나의 로봇 본체에 하나의 모델.

하나의 환경, 하나의 훈련 프로세스.

• 하나의 작업, 하나의 데이터 수집.

하드웨어가 변경되면 많은 작업을 처음부터 다시 해야 했습니다.

팀은 환경을 재구축하고, 시연 데이터를 녹화하고, 전용 정책을 훈련시키고, 새로운 통합 로직을 작성해야 했습니다. 한 로봇을 위해 수집된 데이터는 다른 로봇에서 재사용하기 어려웠습니다.

푸두 테크놀로지가 제안한 '하나의 두뇌, 다양한 형태(One Brain, Multiple Forms)' 전략은 이러한 패턴을 뛰어넘고자 합니다.

목표는 각 로봇의 외형을 일치시키는 것이 아니라, 공유된 지능 계층을 만들어 보편적인 물리적 개념을 이해하게 하면서 각 로봇의 하드웨어 전용 컨트롤러가 자체 관절, 센서 및 제한 조건을 각각 처리하도록 하는 것입니다.

(여기에는 이미지 설명이 포함되어 있습니다: 푸두 로봇의 '하나의 두뇌, 다양한 형태' 산업 패러다임 발전 과정을 보여줍니다. 왼쪽은 기술 계층 발전으로, 전용 제어 시스템, 단일 로봇 지능 시스템, 대규모 모델 강화 지능, 통합 지능 베이스로 이어집니다. 오른쪽은 형태 계층 발전으로, 단일 자동화 장비, 시나리오별 서비스 로봇, 복합 기능 로봇, 다중 형태 협업 로봇으로 이어집니다. 하단에는 '하나의 두뇌, 다양한 형태'가 '하나의 지능 베이스 + 다양한 로봇 형태'로 요약되며, 기술은 통합 지능 두뇌로, 형태는 다양한 본체로 나아가 로봇이 '하나의 로봇, 하나의 두뇌'에서 '하나의 두뇌, 다양한 형태'로 발전하여 지능 능력의 로봇 간 재사용, 시나리오 간 전이 등을 실현합니다.)

공유되는 개념에는 다음이 포함될 수 있습니다:

• 공간 관계
• 물체 사용 가능 여부
• 물리적 인과 관계
• 탐색 의도
• 조작 의도
• 작업 계획
• 안전 제약 조건
• 일반 기술 정의
• 성공 및 실패 전략에 대한 기억

이 아키텍처가 의도한 대로 작동한다면, 한 로봇 형태가 학습한 경험은 다른 형태의 적응 과정을 단축시킬 수 있습니다.

푸두 테크놀로지에 따르면, 세계 모델 훈련과 소량의 실제 교정 데이터를 통해 새로운 작업은 약 50회의 전문가 시연만으로 적응이 가능하다고 합니다. 이는 회사가 발표한 데이터이며, 구체적인 효과는 작업, 로봇 형태 및 배포 환경에 따라 평가되어야 합니다.

더 핵심적인 점은, 고정된 동작 시퀀스를 기억하는 것에서 재사용 가능한 물리적 관계를 학습하는 것으로 전환하는 것입니다.

PuduFM 1.0: 공유된 물리적 지능 기반

PuduFM 1.0은 이 전략을 뒷받침하는 기반 모델 계층입니다.

푸두는 이를 지속적으로 발전하는 임베디드 지능 모델로定位하며, 세 가지 주요 문제를 해결하는 것을 목표로 합니다:

1. 탐색과 조작 간의 분리
2. 물리적 직관의 부족
3. 로봇 형태별로 고립된 모델과 데이터 세트

이 아키텍처는 세 가지 핵심 기술 요소를 중심으로 구성됩니다.

물리적 직관 모델: 물리적 결과 예측

물리적 직관 모델(PIM)은 로봇이 행동하기 전에 발생할 수 있는 결과를 예측하도록 돕는 것을 목표로 합니다.

인간은 매 순간 이러한 예측을 수행합니다.

젖은 유리잔을 집을 때, 사람은 무의식적으로 더 조심스러운 파지 방식을 사용합니다. 높은 물건을 운반할 때는 균형을 고려합니다. 미끄러운 바닥을 걸을 때는 속도와 힘을 조절합니다.

기존의 인식 시스템은 유리잔이나 바닥을 식별할 수 있지만, 물리적 결과에 대한 모델링은 여전히 부족합니다.

푸두는 PIM이 인과적 주의 변환기(Causal Attention Transformer) 아키텍처를 사용하여 잠재 공간에서 물체의 움직임과 물리적 상호작용을 모델링한다고 밝혔습니다.

이는 더 이상 조밀한 픽셀 예측에만 집중하지 않고, 다음과 같은 역학 요소를 특성화하려고 시도합니다:

• 중력
• 마찰력
• 변형
• 질량 중심 이동
• 도달 가능성
• 충돌 위험
• 동작 유효성

실행 전에 로봇의 현재 위치, 자세 및 제안된 동작을 평가할 수 있습니다.

실질적으로, PIM은 물체는 볼 수 있지만, 자신이 계획한 동작이 물체에 어떤 영향을 미칠지 이해하지 못하는 로봇 문제를 해결하는 것을 목표로 합니다.

다중 모드 VLA: 언어, 시각, 탐색 및 동작 연결

두 번째 요소는 다중 모드 시각-언어-동작 시스템입니다.

초기의 많은 로봇 아키텍처는 다음 기능을 분리했습니다:

• 시각적 인식.
• 자연어 이해.
• 탐색.
• 로봇 팔 제어.
• 파지 조작.
• 안전 로직.

따라서 작업은 모듈 간에 실패할 수 있었습니다.

로봇이 명령을 이해하고 올바른 위치에 도달했지만, 그 이해를 안정적인 조작 시퀀스로 변환하지 못할 수 있었습니다.

푸두 로봇의 VLA 계층은 언어, 시각, 운동 및 조작을 통합된 표현 체계에 두는 것을 목표로 합니다.

이후 PIM의 물리적 예측 능력이 동작 흐름에 통합됩니다.

그 결과 생성되는 실행 시퀀스는 개념적으로 다음과 같습니다:

1. 작업 이해.
2. 환경 해석.
3. 물리적 제약 조건 평가.
4. 탐색과 조작의 협력적 계획.
5. 일관된 동작 시퀀스 생성.
6. 피드백을 활용한 실행 수정.

이 결합된 방법은 '현장 도착'과 '작업 완료' 사이의 격차를 줄이는 것을 목표로 합니다.

세계 모델: 확장 가능한 가상 훈련장

세 번째 요소는 학습 루프의 가상 측면을 구동하는 세계 시뮬레이터입니다.

푸두는 이 시뮬레이터가 다양한 상업 환경에서 수집된 운영 데이터를 사용하여 구축되었다고 밝혔습니다.

이는 표준 궤적뿐만 아니라 적대적 궤적도 생성하여 실제 세계에서 반복적으로 수집하기에는 비용이 많이 들거나, 매우 드물거나, 안전상 위험이 있는 예제를 만들어냅니다.

세계 모델은 방대하고 제어 가능한 물리적 시나리오를 제공함으로써 PIM과 VLA를 지원합니다.

전체 과정은 다음과 같이 요약될 수 있습니다:

단계	목적
사전 훈련	광범위한 시각, 언어, 비디오 및 물리적 상식 구축
시뮬레이션 강화 학습	가상 환경에서 대규모로 의사 결정 및 동작 연습
실제 세계 미세 조정	물리적 배포 및 인간 피드백을 통해 모델 수정

이 시스템은 단순한 '먼저 시뮬레이션, 그 다음 배포'가 아닙니다.

푸두는 이를 지속적인 순환 과정으로 설명합니다. 실제 데이터는 시뮬레이션 환경을 개선하고, 시뮬레이션 환경은 다음 물리적 작업 세트를 위해 모델을 준비시킵니다.

푸두 D7: 하드웨어 운반체

푸두 D7은 2026년 세계 인공지능 대회(WAIC)에서 처음으로 오프라인 공개되었습니다.

푸두는 D7을 제조, 소매 및 물류 환경에 적합한 산업용 반휴머노이드 로봇으로定位합니다.

바퀴 달린 하체는 안정적이고 효율적인 움직임을 위해 설계되었으며, 상체는 조작을 위한 양팔을 제공합니다.

이러한 형태는 실용적인 절충안을 보여줍니다.

계단을 오르내리거나 인간과 유사한 이동 능력이 필요한 환경에서는 풀사이즈 이족 보행 휴머노이드 로봇이 더 적합할 수 있지만, 창고, 상점 및 공장에서 흔히 볼 수 있는 평평한 지면에서는 바퀴 달린 솔루션이 더 나은 효율성과 안정성을 제공합니다.

푸두 공식 자료에 따르면 2026년 WAIC에서 D7은 최대 14kg의 페이로드를 지원하며, 장시간 산업 운영을 위해 설계되었습니다.

D7의 전략적 중요성은 본체 자체에만 있는 것이 아닙니다.

이는 동일한 PuduFM 및 Pudu Agent 지능 스택을 공유할 수 있는 여러 구현 형태 중 하나로 제시됩니다.

이는 경험 전이 가능성을 시험하는 리트머스 시험지 역할을 합니다.

기존의 푸두 서비스, 청소 및 산업용 로봇 제품군에서 그 능력을 보다 보편적인 운영 체제로 확장합니다.

최상위 아키텍처: 하나의 두뇌, 다양한 형태

로봇 기반 모델이 여러 기종을 지원할 수 있다면 그 가치는 더욱 두드러집니다.

푸두의 제품 라인은 네 가지 주요 범주를涵盖합니다:

1. 서비스 배달 로봇
2. 상업용 청소 로봇
3. 산업용 배달 로봇
4. 범용 임베디드 지능 로봇

이러한 범주에는 전용 모바일 로봇, 반휴머노이드 로봇, 휴머노이드 로봇 및 사족 보행 시스템이 포함됩니다.

'하나의 두뇌, 다양한 형태' 아키텍처는 시스템을 세 가지 계층으로 나눕니다:

물리적 지능체 = 구현 형태 + 시스템 + 스킬

구현 형태

구현 형태는 물리적 로봇 자체입니다:

• 센서

• 바퀴형 또는 다리형 구조

• 로봇 팔

• 관절

• 적재 용량

• 배터리

• 엔드 이펙터

• 기계적 안전 리미트

각기 다른 형태는 서로 다른 작업에 최적화되어 있습니다.

시스템

시스템은 로봇의 지속적인 운영을 조율하는 역할을 담당합니다:

• 작업 이해
• 계획 수립
• 메모리
• 실행
• 스케줄링
• 다중 로봇 협업
• 도구 및 자원 관리

푸두는 이 역할을 푸두 에이전트 통합 제어 플랫폼에 부여합니다.

스킬

스킬은 재사용 가능한 능력 모듈입니다. 예를 들어:

• 내비게이션
• 장애물 회피
• 파지
• 인간-로봇 상호작용
• 물건 전달
• 청소 작업
• 산업 운송
• 다중 로봇 협업

푸두 기반 모델은 이러한 능력에 공유된 물리적 지능 기반을 제공하며, 푸두 에이전트 통합 제어 플랫폼은 이를 실행 가능한 작업 흐름으로 전환합니다.

푸두 에이전트 통합 제어 플랫폼: 물리적 지능체 운영체제

푸두 기반 모델이 공유된 물리적 두뇌라면, 푸두 에이전트 통합 제어 플랫폼은 그 응용 방식을 관리하는 계층입니다.

푸두는 푸두 에이전트 통합 제어 플랫폼을 물리적 세계를 위한 범용 임베디드 지능체 플랫폼으로 정의합니다.

이는 세 가지 핵심 부분으로 구성됩니다:

1. 푸두 에이전트 통합 제어 플랫폼 운영체제
2. 푸두 에이전트 통합 제어 플랫폼 스킬 라이브러리
3. 푸두 에이전트 통합 제어 플랫폼 안전 시스템

(이미지: WAIC 2026 전시회의 푸두 로봇 부스에서 한 남성이 관객에게 '하나의 두뇌, 다양한 형태' 물리적 지능체 기술 개념을 설명하고 있습니다. 배경의 대형 화면에는 PuduAgent OS, PuduFM, PuduAgent Skills, PuduAgent Safety 등의 기술 아키텍처가 제시되어 있습니다. 현대적인 부스는 여러 디스플레이와 전시대를 갖추고 있으며, 현장에는 직원과 방문객이 있습니다. 이 이미지는 문서에서 PuduAgent 기술 아키텍처를 소개하는 내용에 해당하며, 관련 기술 개념을 시각적으로 보여줍니다.)

푸두 에이전트 통합 제어 플랫폼 운영체제

운영체제 계층은 세 가지 핵심 구성 요소를 포함합니다.

에이전트 코어

에이전트 코어는 현재 환경과 작업을 해석하고 로봇의 행동 계획을 수립하는 역할을 합니다.

그 임무는 다음과 같습니다:

• 목표 이해
• 작업 단계 분해
• 필요한 스킬 선택
• 새로운 관찰 결과에 따른 계획 업데이트
• 내비게이션과 조작 조율
• 작업 수준 의사 결정 관리

에이전트 메모리

에이전트 메모리는 작업 과정의 유효 정보를 기록합니다.

물리적 로봇의 경우 메모리는 텍스트 저장에 국한되지 않습니다.

다음을 유지해야 합니다:

• 현재 환경 상태
• 최근 동작
• 방문한 위치
• 인간의 지시
• 성공 전략
• 실패 시도
• 로봇이 초래한 환경 변화
• 장기 작업의 진행 상황

지속적인 메모리는 로봇이 반복적인 오류를 피하고 장시간 운영 중에도 목표 지향성을 유지하는 데 도움이 됩니다.

에이전트 러너

러너는 높은 수준의 결정을 실시간 실행으로 전환하는 역할을 합니다.

계획은 비교적 추상적인 수준에서 수립될 수 있지만, 모터와 센서는 지속적인 운영을 필요로 하며 낮은 지연 시간의 제어를 요구합니다.

실행기는 계획 계층과 로봇 특정 하드웨어 실행 시스템 간의 브리지 역할을 합니다.

PuduAgent 스킬

PuduAgent 스킬은 일반적인 능력을 표준화된 라이브러리로 추상화합니다.

이 계층이 없다면, 각 로봇 형태는 개념적으로 유사한 기능을 위해 별도로 구현해야 할 수도 있습니다.

표준화된 스킬은 특정 동작의 의도와 인터페이스를 설명하면서, 각 엔티티가 자체 하드웨어에 따라 실행할 수 있도록 합니다.

예시는 다음과 같습니다:

• 지정된 위치로 이동합니다.
• 장애물을 피합니다.
• 물체를 집습니다.
• 물체를 놓습니다.
• 사람에게 확인을 요청합니다.
• 사람이 경로를 비울 때까지 기다립니다.
• 다른 로봇과 조율합니다.
• 안전하게 정지합니다.
• 충전소로 돌아갑니다.

이는 모든 로봇이 완전히 동일한 통합된 하위 수준 제어기를 실행한다는 것을 의미하지는 않습니다.

인간형 로봇 팔과 이동형 배송 섀시의 로직은 여전히 다릅니다. 재사용 가능한 계층은 작업 정의, 계획 인터페이스, 안전 계약 및 학습을 통해 얻은 물리적 경험입니다.

PuduAgent 안전

로봇의 가동 시간이 길어지고 직접적인 감독이 줄어들면서 안전의 중요성은 더욱 커집니다.

동작을 실행하기 전에 시스템은 다음을 판단해야 할 수 있습니다:

• 해당 동작이 물리적으로 가능한지 여부.
• 경로가 계속 확보되어 있는지 여부.
• 누군가 작업 영역에 들어왔는지 여부.
• 적재물이 안정적인지 여부.
• 로봇이 속도를 줄여야 하는지 여부.
• 환경이 변경되었는지 여부.
• 작업을 일시 중지하거나 중단해야 하는지 여부.

PuduAgent 안전은 잠재적 위험을 예측하고 필요한 경우 동작을 조정하거나 차단하는 가드레일 계층 역할을 합니다.

이는 상업적 배포에 매우 중요합니다.

로봇은 인상적인 시연을 한 번 성공했다고 해서 가치를 창출하지 않습니다. 그 가치는 고장률, 인간의 개입 및 안전 사고를 허용 가능한 범위 내로 유지하면서 반복적인 작업을 안정적으로 수행하는 데 있습니다.

푸두가 실제로 경쟁하는 분야

겉으로 보기에는 로봇 시장이 하드웨어 간의 대결처럼 보일 수 있습니다:

• 더 나은 로봇 팔.
• 더 유연한 다리.
• 더 높은 적재 용량.
• 더 긴 배터리 수명.
• 더 낮은 가격.
• 더 인간적인 동작.

이러한 요소들은 여전히 중요합니다.

하지만 WAIC에서 푸두가 전달한 메시지는 다음 단계의 경쟁이 덜 명확한 네 가지 자산을 포함할 것임을 시사합니다.

1. 실제 물리적 데이터 확보

대규모 로봇을 보유한 기업은 더 넓은 범위의 환경과 에지 케이스를 관찰할 수 있습니다.

2. 데이터 거버넌스 능력

비정형 로그가 자동으로 모델을 개선하지는 않습니다. 데이터 품질, 프라이버시, 레이블링 및 평가는 경험이 유용한지 여부를 결정합니다.

3. 로봇 형태 간 전이

한 신체 또는 작업의 경험이 다른 신체 또는 작업의 작업량을 줄일 수 있을 때 학습 시스템은 더 확장 가능해집니다.

4. 신뢰할 수 있는 에이전트 플랫폼

기반 모델만으로는 충분하지 않습니다. 로봇에는 메모리, 실행, 스킬, 안전, 스케줄링 및 운영 유지보수 제어가 필요합니다.

이러한 계층을 효과적으로 통합하는 기업은 모든 배포를 차세대 제품의 입력으로 전환할 수 있습니다.

비즈니스

규모와 자본

푸두의 비즈니스 모델은 대규모 상업적 배포와 신규 자금 조달로 뒷받침됩니다.

2026년 4월, 회사는 약 1억 5천만 달러의 자금 조달에 성공하여 가치 평가액이 15억 달러를 돌파했으며, 누적 조달액은 3억 달러를 초과했습니다.

당시 프로스트 앤 설리번의 이전 보고서에 따르면, 푸두 테크놀로지는 12만 대 이상의 로봇을 인도하며 글로벌 상업용 서비스 로봇 시장의 23% 점유율을 차지했습니다.

푸두 FM 및 WAIC 행사 기간 동안 회사는 인도 대수가 13만 대를 돌파했다고 발표했습니다.

이 자금은 다음 분야의 연구 개발을 지원할 수 있습니다:

• 임베디드 지능 연구
• 하드웨어 개발
• 데이터 인프라
• 시뮬레이션 기술
• 글로벌 영업 및 서비스
• 제조 공정
• 새로운 로봇 형태
• 에이전트 플랫폼 개발

자금 규모와 출하량이 범용 물리적 지능체 아키텍처의 성공을 보장하지는 않지만,

이 두 가지는 푸두에게 핵심 자원, 즉 방대한 배포 기반과 그로부터 학습하는 데 필요한 시스템 투자 능력을 제공합니다.

남은 기술적 과제

'하나의 두뇌, 다양한 형태'라는 기술 방향은 고무적이지만, 여전히 해결해야 할 여러 핵심 과제가 있습니다.

경험 전이의 실제 효용성?

청소 로봇의 학습 결과는 공유된 내비게이션이나 장애물 인식 능력을 최적화할 수 있지만, 인간형 로봇 팔이 변형 가능한 물체를 조작하는 방법을 직접 가르칠 수는 없을 것입니다.

경험 전이 품질은 스킬 유형, 응용 시나리오 및 임베디드 형태에 따라 각각 평가되어야 합니다.

데이터 품질 관리 메커니즘?

대규모 로봇 클러스터는 대량의 반복적, 잡음성, 불완전 또는 편향된 데이터를 생성할 수 있습니다.

데이터 품질의 핵심 지표는 총 시간이 아니라 해당 시간이 얼마나 많은 검증되고 다양한 훈련 신호를 생산할 수 있는지에 있습니다.

프라이버시 및 안전 보장?

공공 및 상업 환경에서 작동하는 로봇은 민감한 시각적, 공간적 또는 조작 정보를 수집할 수 있습니다.

데이터 거버넌스는 권한 부여, 저장 기간, 접근 통제, 익명화 처리, 지역 규정 준수 및 사이버 보안을 포괄해야 합니다.

시뮬레이션과 현실의 일치도?

세계 모델은 훈련 범위를 확장할 수 있지만, 시뮬레이션과 현실 간의 격차는 여전히 로봇 분야의 핵심 과제입니다.

모든 모델은 실제 작동 조건에서 물리적 하드웨어를 통해 검증되어야 합니다.

안전 성능이 자율성과 함께 업그레이드될 수 있는가?

로봇이 수행하는 작업의 복잡성과 시간이 증가함에 따라 잠재적 고장 경로는 기하급수적으로 증가합니다.

안전 시스템은 모델 계층 추론에만 의존하는 것이 아니라 결정적 제어, 하드웨어 보호, 실시간 모니터링, 오류 롤백 및 인간 개입 메커니즘을 구축해야 합니다.

경제 모델의 타당성 검증?

고객이 궁극적으로 중요하게 생각하는 것은 전체 운영 가치입니다:

• 구매/임대 비용
• 배포 복잡성
• 유지보수 비용
• 신뢰성 지표
• 인력 절감 효율성
• 다운타임 비용
• 서비스 범위
• 통합 개발 비용
• 투자 회수 기간

기술적으로 진보된 로봇은 실제 작업에서 단순한 자동화 솔루션보다 더 나은 경제성을 입증해야 합니다.

더 깊은 가치: 작업이 재사용 가능한 경험을 창출

로봇이 규모화된 작업을 수행할 때, 가장 가치 있는 결과물은 완료된 배송 주문 수, 청소 경로 수 또는 운송 작업 수가 아닐 수 있습니다.

이러한 작업들이 창출하는 재사용 가능한 물리적 경험입니다.

푸두 전략은 4계층 연동 체계를 구축합니다:

1. 대규모 상업용 로봇集群
2. 풀스택 구현형 지능 기술
3. 데이터 폐쇄 루프 시스템
4. 소프트웨어-하드웨어 협력 혁신

이 아키텍처는 '클라우드-엣지-디바이스' 협력 메커니즘을 통해 로봇 집단 지능의 지속적 진화를 실현합니다.

시뮬레이션과 현실 데이터 플라이휠

3. 공유 물리 지능 기반으로서의 PuduFM
4. 교차 형태 조작 계층으로서의 PuduAgent

PUDU D7은 이 전략을 보다 범용적인 산업용 로봇 형태에 통합했지만, 더 큰 승부수는 아키텍처 차원에 있습니다.

푸두는 제품 포트폴리오를 학습 생태계로 전환하려 하고 있습니다.

장기적인 경쟁은 가장 인상적인 단독 동작을 실행하는 로봇이 승리하는 것이 아니라, 어떤 시스템이 가장 많은 가치 있는 물리적 상호작용으로부터 안전하게 학습하고, 기계 간 학습 결과를 이전하며, 실제 환경에서 신뢰할 수 있는 경제적 가치를 제공할 수 있는지에 달려 있습니다.

자주 묻는 질문

PuduFM 1.0이란 무엇인가요?

PuduFM 1.0은 푸두 로보틱스의 구현형 지능 기반 모델입니다. 물리 직관 모델, 멀티모달 비전-언어-행동 정렬 시스템, 시뮬레이션-현실 훈련 폐쇄 루프를 통합하여 다양한 형태의 로봇이 탐색, 조작 및 물리 추론을 수행할 수 있도록 지원합니다.

PuduAgent란 무엇인가요?

PuduAgent는 푸두가 물리 세계에서 로봇을 조작하기 위한 범용 구현형 지능 에이전트 플랫폼으로, 계획, 기억 및 실행을 위한 조작 계층, 재사용 가능한 스킬 라이브러리, 안전 제어 모듈을 포함합니다.

'하나의 두뇌, 다양한 형태'는 무엇을 의미하나요?

이는 여러 유형의 로봇이 완전히 독립된 시스템으로 개발되는 것이 아니라, 통합된 지능 기반을 공유한다는 것을 의미합니다. 각 본체는 하드웨어 고유 제어를 유지하지만, 더 높은 수준의 물리 이해, 계획, 기억 및 스킬은 재사용될 수 있습니다.

푸두 로보틱스는 몇 대의 로봇을 배포했나요?

푸두는 전 세계에 13만 대 이상의 로봇을 인도했다고 밝혔습니다. 공식 자료에 따르면 서비스는 80개 이상의 국가와 지역을 포괄하며, WAIC 2026 발표에서는 85개 국가와 지역을 커버한다고 언급했습니다.

PUDU D7이란 무엇인가요?

PUDU D7는 바퀴형 이동 베이스와 양팔을 갖춘 산업용 반인간형 로봇입니다. 푸두는 이를 산업, 소매 및 물류 작업에 배치하고, PuduFM 및 PuduAgent 아키텍처의 하드웨어载体 중 하나로 포지셔닝하고 있습니다.

물리 직관 모델이란 무엇인가요?

물리 직관 모델(PIM)은 로봇이 실행하려는 동작의 물리적 결과를 예측하는 것을 목표로 합니다. 푸두는 이 모델이 실행 전에 잠재 공간에서 운동, 마찰, 변형, 균형 및 충돌 위험과 같은 동역학 특성을 시뮬레이션한다고 설명합니다.

푸두는 왜 시뮬레이션과 현실 데이터를 동시에 사용하나요?

시뮬레이션 시스템은 실제 장비나 인력의 위험을 반복할 필요 없이 대량의 일반 및 대항 궤적을 생성할 수 있습니다. 현실 운영은 실제 피드백을 제공하여 시뮬레이터를 보정하고 모델을 수정하는 데 도움을 줍니다.

푸두의 시장 리더십은 독립적으로 검증되었나요?

푸두는 프로스트 앤 설리번 시장 조사 보고서를 인용해 여러 상업용 서비스 로봇 카테고리에서 1위를 차지했다고 밝혔습니다. 본 문서는 위 순위를 인용 연구 결과로만 제시하며, 전체 시장 데이터 세트를 독립적으로 재검증하지는 않았습니다.

관련 도구

• 푸두 오픈 플랫폼: 푸두 로봇을 애플리케이션 및 비즈니스 시스템과 통합하기 위한 공식 개발자 플랫폼.

• [푸두 로보틱스 기술 지원]

• 아카데미: 공식 매뉴얼, 배포 정보 및 제품 지원 리소스.

• PuduFM 1.0: 다양한 로봇 형태를 위한 푸두의 물리 직관 기반 기반 모델.

• PuduAgent: 계획, 기억, 실행, 재사용 가능 스킬 및 안전 기능을 포괄하는 푸두의 구현형 지능 에이전트 플랫폼.

• PUDU D7 및 WAIC 2026: 반인간형 로봇의 공식 정보 및 푸두 구현형 AI 기술 스택 내 역할.

• 푸두 로보틱스 제품 포트폴리오: 배송, 청소, 산업 및 구현형 AI 로봇의 공식 정보.

관련 링크

• WAIC 2026의 푸두 로보틱스: PUDU D7 및 '하나의 두뇌, 다양한 형태' 전략을 다루는 공식 발표.
• PuduFM 1.0 기술 소개: PIM, VLA 정렬, 세계 시뮬레이터, 훈련 단계 및 데이터 플라이휠에 대한 공식 설명.
• PuduAgent 출시: 구현형 지능 에이전트 플랫폼 및 운영 아키텍처에 대한 공식 개요.
• 푸두 로보틱스 자금 조달 발표: 2026년 4월 자금 조달 라운드 및 회사 가치 평가에 대한 공식 정보.
• 푸두 로보틱스 뉴스 및 인사이트: 현재 공식 발표, 제품 출시, 배포 동향 및 파트너 정보.
• PUDU 오픈 플랫폼: 푸두 로봇 시스템의 공식 통합 및 개발자 포털.

요약

푸두 로보틱스가 WAIC 2026에서 선보인 전략은 단일 로봇 제품 자체를 넘어섭니다. 배포된 상업용 로봇 함대는 실제 경험을 제공하고, 시뮬레이션 시스템은 훈련 시나리오의 수와 다양성을 증가시킵니다.

PuduFM 1.0은 다양한 로봇 형태에 공유된 물리 추론 능력을 제공하는 것을 목표로 합니다. PuduAgent는 계획, 기억, 실행, 재사용 가능 스킬 및 안전 제어 기능을 추가합니다. PUDU D7은 이 기술 스택을 반인간형 산업 플랫폼에 어떻게 적용할 수 있는지 보여줍니다.

이 전략은 여전히 데이터 품질, 교차 형태 이전, 시뮬레이션 충실도, 개인정보 보안 및 상업적 수익성 등의 과제에 직면해 있지만, 핵심 개념은 명확하게 제시되었습니다.

차세대 로봇의 경쟁 우위는 더 강력한 기계를 만드는 것뿐만 아니라, 작업 중인 모든 로봇으로부터 지속적으로 학습할 수 있는 공유 지능 시스템을 구축하는 데 있을지도 모릅니다.