embodied AI에서 가장 어려운 문제는 모델이 아니다. 바로 세상 그 자체다. 언어 모델(LLM)은 이미 서버에 존재하는 텍스트로부터 학습한다. 하지만 물웅덩이가 없는 벤치를 찾아야 하거나 손글씨 간판을 읽어야 하는 로봇에게는 접지된 기록(grounded records)이 필요하다: 특정 장소가 어느 시점에, 인간의 눈높이에서, 실제 조명 아래서 어떻게 보였는지에 대한 기록이다.
사진은 결코 단순한 사진이 아니다
에이전트가 누군가에게 아침 시간대의 허드슨 리버 파크(Hudson River Park)를 촬영하도록 의뢰할 때, 당장 얻는 결과물은 에이전트 혼자서는 얻을 수 없는 답이다. 그 부산물은 타임스탬프가 찍히고 위치가 지정되었으며 인간이 검증한 현실의 조각 — 시점, 조명, 날씨, 간판, 군중 밀도 등을 포함한다. 사진 한 장으로는 배울 것이 적다. 하지만 여러 동네와 계절에 걸친 만 장의 사진과 확인 작업, 심부름들은 언젠가 그 환경을 돌아다닐 기계들을 위한 학습 데이터셋처럼 보이기 시작한다.
왜 유료 과제가 스크래핑보다 더 나은 데이터를 생성하는가
스크래핑된 사진들은 날짜 정보가 없거나, 위치가 잘못되었거나, 연출되었거나, 맥락이 제거되어 있다. 반면, 유료 마이크로 태스크는 필요에 따라(장소, 창문, 확인할 내용 등) 요청되며, 완료를 통해 검증된다(실제 라벨: 이 이미지가 이 지침을 충족했음). 또한 자연적으로 다양하고(다른 사람, 휴대폰, 시점), 경제적으로 지속 가능하다(기부된 데이터가 아닌 유료 노동).
AgentHands와 같은 플랫폼은 이를 명확히 한다 — https://agenthands-app.vercel.app의 라이브 목록(https://agenthands-app.vercel.app/jobs)에는 아침 시간대 허드슨 리버 파크 사진이 $9.00 (무료)/$12.75 (멤버)로 포함되어 있다. 첫 지급액은 정산에 4~7일이 걸린다. 솔직하게 말하자면, 적은 금액이다: 보장된 수입도 아니고, 직업 대체재도 아니다 — 유료의 경계가 있는 물리적 노동 소프트웨어만으로는 스스로 완성할 수 없다.
평범한 심부름 속에 숨겨진 데이터셋
시각적 접지(Visual grounding) (예: '북쪽 입구'를 실제 픽셀에 연결하는 것), 상태 변화(State change) (환경이 진화하는 것을 반복적으로 확인하는 것), 실패 사례(Failure cases) (막힌 시야, 닫힌 문 등 — 학습에 황금 같은 자료), 그리고 인간의 판단(Human judgment) (이것은 접근 가능한가, 안전한가, 무엇을 의도했는가?). 이 모든 것이 특수한 하드웨어—휴대폰, 다리, 지역 지식—를 필요로 하지 않습니다.
센서가 아닌 노동자들
이러한 미래의 추출적 버전은 고의적으로 피해야 합니다. 무엇을 수집하고 왜 수집하는지에 대한 명확한 조건, 공공장소 및 외부 검증을 위해 설계된 작업, 그리고 거부할 실질적인 권리가 필요합니다. 거래에는 당사자들이 있습니다. 대규모로 반복되는 이러한 협상은 조용한 수확보다 더 건강합니다.
20년 전만 해도 데이터 라벨링은 직업군이 되었습니다. 이번 10년 동안 물리적 세계를 에이전트(Agent)를 위해 검증하고 포착하는 것이 또 다른 직업군이 될 수도 있습니다. 부업이 먼저입니다. 학습 데이터셋은 그것이 남기고 가는 것입니다.
공지: AgentHands의 첫 지급액은 정산에 4~7일이 소요됩니다. 수입은 다양하며, 소득이 보장되지 않습니다.