출처: Telegram 채널 @aigc1024, @inside1024

▸ 상세 분석에 따르면 휴머노이드 로봇의 데이터 병목 현상(data bottleneck)을 해결하기 위해 수천만 대의 로봇이 반드시 필요한 것은 아닙니다. 하루에 1시간의 실제 작동 데이터를 제공하는 활성 가정용 로봇이 8만12만 대만 있어도, 업계는 1년 안에 1,000만 시간의 유용한 학습 데이터를 수집할 수 있습니다. 이는 Cybertruck의 연간 판매량과 대략 비슷합니다. 판매량이 80만120만 대에 달하면 1억 시간의 데이터 확보가 가능해지며, 이는 iPhone의 출시 첫해 판매량과 맞먹는 수준입니다. (@aigc1024)

▸ 가장 큰 레버리지(leverage)는 더 많은 로봇을 판매하는 것이 아니라, 유효 데이터 비율(effective-data ratio)을 높이는 것입니다. 현재 추정치에 따르면 소비자 가정에서 수집된 원본 영상 중 사용 가능한 학습 데이터는 10%에 불과합니다. 자동 필터링(automatic filtering)과 작업 가이드형 데이터 선택(task-guided data selection) 문제를 해결하는 기업은 하룻밤 사이에 효율성을 3배로 높여, 필요한 로봇 수를 3분의 2로 줄일 수 있습니다. (@aigc1024)

▸ ChatGPT Health가 이제 미국 사용자들에게 공개되었으며, 초기 실사용 테스트 결과 이전에는 단독으로 추출하기 어려웠던 Apple Watch 데이터로부터 놀라운 가치를 이끌어내는 것으로 나타났습니다. 한 사용자는 자신의 만성적으로 낮은 "심폐 지구력(cardio fitness)" 점수가 건강 문제가 아니라 Apple Watch 측정 방식의 오류임을 발견했습니다. 해당 테스트는 걷기와 달리기를 추적하는데, 그 사용자는 이를 거의 하지 않았기 때문입니다. GPT는 권위 있는 건강 정보원들을 교차 참조하여 명확한 주간 보고서를 제공합니다. (@aigc1024)

▸ 프라이버시(Privacy)는 기술 자체보다 더 어려운 과제로 남아 있습니다. 1인칭 시점의 비디오는 집 안의 모든 것을 포착합니다. 온디바이스 처리(On-device processing)와 연합 학습(federated learning)을 통해 옵트인(opt-in) 비율을 30%에서 70%로 끌어올릴 수 있다면, 데이터 플라이휠(data flywheel)이 가동되기 위한 임계값을 절반으로 낮출 수 있습니다. "가시성을 확보하지 않고도 데이터 활용성을 해결하는 기업이 플라이휠의 열쇠를 쥐게 될 것입니다." (@aigc1024)

▸ 역사적 평행 이론: 음성 인식은 스마트폰을 통해, 얼굴 인식은 뷰티 카메라를 통해, 자율 주행은 Tesla가 자동차를 판매함으로써 돌파구를 마련했습니다. 기술 역사상 모든 "데이터 병목 현상"은 실험실에서의 축적이 아니라 소비자 제품의 채택을 통해 해결되었습니다. (@aigc1024)

수학적 계산에 따르면 범용 가정용 로봇의 결정적인 변곡점은 대부분이 예상하는 것보다 더 가까이 있으며, 어쩌면 단 한 번의 제품 출시 주기만을 남겨두고 있을지도 모릅니다.