잉쑤, 항저우에 전국 첫 시뮬레이션 기반 실물 데이터 수집센터

생산능력 공식이 '인력×시간'에서 '환경 구성 수×병렬 연산능력'으로 바뀐다.

작성자丨 신리쥐안

편집丨 천펑

사용 가능한 체화지능(embodied AI) 모델 하나를 훈련하려면 천만 시간 분량의 멀티모달 상호작용 데이터가 필요하다. 그러나 현실에는 백만 시간 남짓뿐이고, 저품질 부분을 걸러내면 실제로 쓸 수 있는 데이터는 더 적다.

데이터가 부족하다는 것은 체화지능 업계의 공통된 인식이다.

하지만 '데이터'라는 두 글자만 들여다보면 더 핵심적인 문제를 놓치게 된다.

한 대의 로봇이 고정된 선반 앞에서 물건을 집을 때 성공률은 꽤 높을 수 있다. 선반 방향을 바꾸고, 목표물 앞에 음료 한 줄을 더 놓고, 반대쪽으로 손을 뻗으면 성공률이 떨어진다. 훈련해 본 것은 몇 번이고 정확히 해내지만, 훈련해 보지 않은 것은 손을 어느 쪽에서 뻗어야 할지조차 모른다.

업계에 부족한 것은 데이터 양만이 아니라 '데이터 속의 변화'다.

지난 2년간 이 격차를 메우는 주류 방식은 공간을 짓고 수집 인력을 늘리는 것이었다.

중국정보통신연구원에 따르면, 올해 6월 말 기준 전국에 70여 개의 훈련장이 건설되어 가동 중이며, 별도로 40여 곳이 건설 중이거나 계획 중이다.

그러나 대량의 훈련장이 옷 개기, 책상 정리, 분류·운반처럼 시연하기 쉬운 과제에 몰려 있고, 복잡한 장기 과제의 발굴은 심각하게 부족하다. 데이터 시간 수는 늘고 있지만 모델이 본 공간 배치는 늘지 않았다.

문제는 확장의 대상에 있다. 공간을 늘리고 수집 인력을 늘리는 것은 같은 장면들의 수집 횟수를 늘리는 것일 뿐이다. 선반은 여전히 그 선반이고, 다만 몇 번 더 수집했을 뿐이다.

다양성을 높이려면 조건이 많아져야 한다. 배치, 가림, 물체 조합, 접근 경로 등每一种 조건이 늘어날 때마다 한 번씩 재배열하는 셈이다.

그런데 한 훈련장에서 얼마나 많은 배열이 가능한지는 그것이 어떻게 배치되느냐에 달려 있고, 배치를 한 번 바꾸면 수집 흐름을 처음부터 다시 밟아야 한다. 수집 인력과 시간 비용이 몇 배로 겹친다.

생산능력은 점점 커지는데 다양성은 제자리걸음이다. 업계가 진짜로 막힌 지점은 '충분히 많이 수집하지 못함'이 아니라 '한 번 바꾸는 데 너무 많은 비용이 듦'이다.

공간지능 분야에서 온 잉쑤(影溯)는 다른 해법을 내놓는다. 많이 수집하는 데 그치지 않고 공간의 각종 배열 조합을 남김없이 커버해 '다르게' 수집하는 것이다.

10월 29일, 잉쑤는 항저우에 전국 최초의 시뮬레이션 중심 체화지능 데이터 수집 센터를 공식 설립했으며, 생산능력을 월 생산 백만 시간급 데이터로 끌어올리는 것을 목표로 한다.

이는 3차원 장면 재구성과 생성을 핵심으로 삼아, 실제 공간, 생성형 모델, 시뮬레이션 역량을 하나로 연결해 편집 가능하고 재사용 가능하며 확장 가능한 환경 및 데이터 공급 체계를 만드는 것이다.

'실제 데이터가 왕'이라는 공통 인식 속에서 '시뮬레이션'이라는 깃발을 내걸려면 배짱이 필요하다.

이런 배짱은 잉쑤가 데이터 수집 방식을 직접 혁신해 데이터 다양성과 생산능력이라는 두 가지 '걸림돌'을 동시에 풀어낸 데서 나오며, 더 나아가 공간지능 파운데이션 모델 기업으로서 모델에 어떤 데이터가 필요한지, 무엇이 진정한 고품질 데이터인지를 가장 잘 안다는 데서 나온다.

01

데이터 생산능력과 다양성,

'변화를 하나 더할 때마다 다시 시작해야 하는' 데 막혀 있다

잉쑤의 선택을 이해하려면, 그것이 대체하려는 데이터 수집 흐름에서 비용이 어디에 쓰이는지를 먼저 명확히 봐야 한다.

EGO 1인칭 시점 수집과 원격조작은 체화지능이 실제 행동 데이터를 얻는 두 가지 주요 방식이다. EGO는 사람이 환경에 들어가 조작을 완료해야 하고, 원격조작은 조작자가 지속적으로 참여해 특정 장비와 과제에 적응해야 한다. 방식은 다르지만 둘 다 '사람'을 피할 수 없다.

사람을 피할 수 없으면 조직화도 피할 수 없다. 새로운 공간 배치를 하나 추가하고, 어떤 조작 조건을 보충하려면 흐름을 다시 밟아야 한다. 공간을 구하고, 일정을 잡고, 사람을 모으고, 장비를 조정하고, 수집이 끝나면 철거한다.

또한 수집 인력의 과제 숙련도, 조작 습관, 각기 다른 장비에 대한 적응 정도도 수집 효율과 데이터 일관성에 직접 영향을 준다.

재구성 절차는 번거로울 뿐 아니라 병렬화도 불가능하다. 공간은 하나씩 협의해야 하고, 사람을 다 모아야 작업을 시작할 수 있으며, 수집이 끝난 장면은 철거하면 사라진다.

그래서 변화를 하나 추가할 때마다 전액의 조직 비용을 다시 치러야 한다.

이것이 다양성이 오르지 않는 진짜 이유다. 업계가 조건을 더하고 싶지 않은 것이 아니라, 하나 더할 때마다 처음부터 다시 조직해야 하니 비용이 선형으로 누적되는 것이다.

잉쑤가 하려는 것은 이 비용을 낮추는 동시에 데이터 다양성을 끌어올리는 것이다.

시뮬레이션 환경에서는 공간 배치, 물체 위치, 가림 관계, 과제 조건을 생성·편집·조합으로 확장할 수 있어,每一种 변화를 위해 실제 공간과 인력 조작을 다시 배치할 필요가 없다. 같은 과제를 서로 다른 환경 조건에 넣어 실제 수집에서 남김없이 커버하기 어려운 변화들을 포괄할 수 있다.

알고리즘 팀에게 그것은 훈련 분포를 확장하고 실패 조건을 재현하는 공간이고, 로봇 본체 제조사에게 그것은 반복적으로 구성하고 검증할 수 있는 환경 기반이다.

데이터 다양성과 생산능력의 동반 향상은 데이터 생산 전 과정의 병렬 연산에서도 비롯된다.

소량의 실제 로봇 또는 원격조작 시연 시드를 바탕으로, 시스템은 운동 계획, 정책 구동, 자동화된 물리 품질 검사와 결합해 수백 개의 병렬 환경에서 RGB, 깊이, 분할, 6D 자세, 동작 지시가 정렬된 폐루프 궤적을 자동으로 대량 합성한다. 환경은 재사용할 수 있고 조건은 일괄 조정할 수 있어, 데이터 생산의 규모는 이제 인력 수에 따라 선형으로만 성장하지 않고 연산능력과 과제 시스템에 따라 확장된다.

두 패러다임의 분기점이 바로 여기에 있다. 지난 2년간 업계는 누구의 공간이 많고 수집원이 많은지를 겨뤘고, 생산능력 공식은 '인력×시간'이었다. 시간 수는 늘지만 조건 공간은 늘지 않았다. 잉쑤 데이터 수집 센터의 공식은 '환경 구성 수×병렬 연산능력'으로, 구성이 하나 늘 때마다 조건 커버가 한 묶음 늘어나多样性도 연산능력과 함께 확장된다.

이 체계를 바탕으로 잉쑤 데이터 수집 센터는 월 생산 백만 시간(또는 일 생산 십만 시간)의 데이터 생산능력을 실현할 것으로 기대된다. 이는 단일 센터의 단기 운영으로 얻는 유효 산출이 업계 전체가 지난 2년간 쌓아온 수백만 시간의 재고 총합을 뛰어넘을 수 있음을 의미한다.

그러나 이 숫자들보다 더 핵심적인 것은 그것이 가리키는 작업 방식의 혁신이다. 모델이 어떤 가림, 배치, 조작 조건에서 문제가 생기면 그 조건에 맞춰 환경을 확장하고 샘플을 보충하며 회귀 테스트를 진행해, 문제 발견에서 재검증까지의 주기를 단축한다.

데이터 생산과 연구개발이 밀접할수록 '어떻게 고품질·고수요 데이터를 생산할 것인가'에 방향이 생기고, '대량으로 수집했지만 쓸 수 없는' 우회로를 줄일 수 있다.

02

실제 공간으로 정확히 맞추고, 시뮬레이션 생성으로 양을 늘린다

그러나 체화지능 업계에서 시뮬레이션에는 늘 피할 수 없는 의문이 따라붙는다. 환경이 충분히 사실적이지 않다는 것이다.

이는 Sim-to-Real의 오랜 문제이자, '실제 데이터가 왕'이라는 말에 힘이 실리는 이유이기도 하다.

잉쑤는 이를 회피하지 않고 문제를 쪼갠다. 기하, 외관, 공간 관계는 실제 수집으로 고정하고, 확장과 반복 검증은 시뮬레이션에 맡긴다.

그래서 장면 자산에는 두 개의 공급 파이프라인이 생긴다.

하나는 실제 공간에서 온다.

헤사이(Hesai) Kosmo와의 심층 협력을 통해, 잉쑤는 수집 측의 하드웨어와 재구성 역량을 자사 모델 측의 3D 차원 승격 및 물리 시뮬레이션 역량과 연결한다.

Kosmo라는 3차원 세계 데이터 엔진의 대단한 점은 '실제 장면을 계산 가능한 3차원 자산으로 바꾸는' 시간 비용과 정밀도 문턱을 동시에 낮춘다는 데 있다. 일반 실내 100제곱미터를 약 15분 만에 스캔을 완료하고, 3DGS 재구성은 밀리미터급에 도달하며, 한 번에 3DGS, mesh, depth 세 가지 정렬 데이터를 출력한다.

다만 하드웨어 스캔이 직접 출력하는 것은 서로 붙어 있는 하나의 층인 '정적 시각 껍데기'로, 물체를 개별적으로 집을 수 없고 가림 뒷면에는 빈 구멍이 존재한다. Kosmo는 물리 공간을 디지털화하는 역할을 하고, 잉쑤의 핵심 장벽은 3D 차원 승격과 월드 모델을 통해 '정적 껍데기'를 분해하고 물리 속성을 부여해 로봇이 실제로 집고 부딪힐 수 있는 '상호작용 가능한 자산'으로 바꾸는 데 있다.

즉, Kosmo가 수집한 실제 세계 데이터는 장면의 기하학, 외관, 공간 관계에 신뢰할 수 있는 참조를 제공하고, 잉쑤(影溯)는 이러한 장면 데이터를 편집 가능하고 재사용 가능하며 확장 가능한 시뮬레이션 환경 자산으로 바꾼다. 실제 수집, 3D 재구성, 월드 모델 훈련으로 이어지는 이 사슬이 완전히 뚫리게 된 것이다.

또 다른 갈래는 생성형 모델로 공급을 확장한다.

잉쑤가 선보인 월드 시뮬레이터 Topos Pro는 임의의 공간 입력을 이해 가능하고, 편집 가능하며, 상호작용 가능하고, 시뮬레이션 가능한 객체 수준의 세계로 바꾸는 것이 핵심 역량이다.

이것은 단일 이미지, 다중 이미지, 비디오, LiDAR, 드론 항공 촬영 등 다양한 소스의 입력을 지원하며, 장면 객체의 분할, 공간 기하학과의 정렬, 그리고 물리 속성 부여를 자동으로 완료한다. 더 중요한 점은, 그 안의 책상, 의자, 벽면, 설비를 개별적으로 선택하고 교체하고 조정할 수 있으며, 충돌, 이동 가능, 접촉 가능 등의 속성을 부여할 수 있다는 것이다.

비디오가 아무리 많아도 모델은 볼 수만 있을 뿐이다. 행동하고, 접촉하고, 검증할 수 있는 세계야말로 구현형(具身) 훈련에 진짜로 부족한 것이다. 그리고 Topos Pro가 하는 일은 바로 '보기'를 '상호작용 가능', '편집 가능'으로 바꾸는 것이다.

두 파이프라인의 분업은 명확하다. 실제 장면 재구성은 '닮았는가'를 고정하는 역할을 하고, 생성 능력은 '충분히 많은가'를 채우는 역할을 한다. 한 번 수집한 소재는 더 이상 한 번만 쓰이지 않으며, 인터넷상의 이미지와 비디오도 차원을 높여 쓸 수 있는 3D 장면으로 변환될 수 있다.

다른 수집 방식이 '한 번 수집하고, 한 번 쓰고, 배치를 한 번 바꿔서 절차를 다시 밟는' 것과 달리, 잉쑤는 실제 수집으로 기준점을 정하고 Topos Pro가 같은 수집을 무수한 배치, 가림, 물체 조합으로 재구성하며, 매 재구성이 곧 새로운 조건의 커버리지가 된다.

장면 자산은 이로써 '소모품'에서 '재사용 가능한 원료'로 바뀐다. 한 번 수집하면 한 번만 쓰이는 것이 아니라, 조건 공간 한 갈래를 키워내어 무한히 순환 활용할 수 있게 된다.

03

한 번의 장면 입력,

다중 라운드의 환경 편집과 검증

장면 데이터가 갖춰진 뒤에는 핵심적인 처리 단계가 하나 더 있다. 장면 속 사물을 개별적으로 조작할 수 있게 만드는 것이다. 이 단계는 장면이 '한 번 수집하면 허물어지는 소모품'에서 '반복해서 구성할 수 있는 자산'으로 바뀔 수 있는지를 가르는 분수령이다.

'선반에서 지정 상품을 꺼내 다시 운송용 상자에 넣는다'를 예로 들자. 시스템은 선반, 상품, 용기 사이의 공간 관계를 유지하고, 목표 상품을 독립시켜 가려진 부분을 보완하며, 추출 후 남은 배경의 빈 자리를 복원해야 한다.

구체적으로 시스템은 세 단계 처리를 진행한다.

첫 번째 단계, 인스턴스 수준 3D 분리. 목표 상품을 선반 그리드에서 떼어내어 독립적으로 선택하고 이동하고 구성할 수 있는 객체로 만들며, 동시에 선반과 인접 물품 사이의 공간 제약을 유지한다. 정밀한 분리는 이후 객체 수준 재편집을 진행하는 전제 조건이다.

두 번째 단계, 가림 완형 보완과 3D 배경 복원. 가려진 뒷면 기하학을 보완하고, 상품이 옮겨진 뒤 남은 배경의 빈 구멍을 실시간으로 복원하여, 물체를 이동하거나 교체할 때 기하학적 결손이 나타나지 않게 한다. 이 단계가 장면이 반복 편집을 '견뎌낼' 수 있는지를 결정한다.

세 번째 단계, 작업 수준 물리 속성 교정. 작업 요구에 따라 질량, 질량중심, 마찰계수를 교정하고, 물체 바닥, 접촉면 및 인근 장애물의 기하학을 정밀하게 처리하여 시뮬레이션 속 접촉 판단이 탄탄하게 서도록 한다.

이 세 단계 처리를 거치면, 연구자는 상품 위치를 바꾸고, 가림을 추가하고, 배치 영역을 조정하며, 서로 다른 조건에서 로봇의 성능을 관찰할 수 있다. 한 번의 장면 입력으로 이로써 다중 라운드의 환경 편집과 작업 실험을 수행할 수 있게 된다.

잉쑤의 기술적 우위는 바로 이러한 구체적 역량 위에 구현된다. 다양한 소스의 입력을 3D 장면으로 전환하고, 장면 속 핵심 물체를 편집하고 상호작용할 수 있게 하고, 나아가 목표 로봇과 작업에 맞춰 구성하고 검증함으로써, 공간 콘텐츠가 실제로 구현형 인공지능의 연구개발 흐름에 들어가게 한다.

이 단계는 업계가 '시뮬레이션 데이터'의 Sim-to-Real에 대해 던지는 의문에 답한다. 시뮬레이션이 충분히 진짜인가는 실질적인 구조로 해결된다. 기하학, 외관, 공간 관계는 실제 수집에서 오고, 물리 속성은 구성과 교정을 거치며, 시뮬레이션은 그 위에서 확장과 반복 검증을 한다. 그러나 시뮬레이션은 종착점이 아니며, 정책은 최종적으로 여전히 실제 기기 테스트로 검증해야 한다.

바꿔 말하면, 시뮬레이션이 실제 수집을 직접 '대체'하는 것이 아니라, 실제 수집으로 구축된 구조화된 장면 이해가 시뮬레이션에 의해 '확대'되는 것이다. 롱테일 장면을 커버할 수 있고, 반복 구성과 검증이 가능하며, 대량으로 구현형 인공지능 연구개발 흐름에 들어갈 수 있을 만큼 확대되는 것이다.

04

용도에 따라 환경을 '계층화'하여

데이터 공급이 연구개발 반복을 따라가게 한다

자산을 쓸 수 있으려면, 선택될 수 있어야 한다. 알고리즘 기업과 로봇 본체 제조사에게 데이터 수집 센터의 가치는 최종적으로 사용 가능한 환경과 데이터에 구현되어야 한다.

서로 다른 작업은 환경에 대한 요구가 같지 않다. 잉쑤는 서로 다른 작업 유형에 대해 산업화된 '3단계 환경 전달 기준'을 정의했다.

L1 이동 항법급은 대규모 공간 토폴로지, 통행 가능 영역과 동적 간섭을 전달하며, 대응하는 것은 '지나갈 수 있는가'이다.

L2 정교한 파지급은 밀리미터 수준의 물체 기하학, 충돌체와 밀집된 가림 조합을 전달하며, 대응하는 것은 '손이 들어갈 수 있는가, 집어 올릴 수 있는가'이다.

L3 접촉 및 힌지 역학급은 서랍 열기, 삽입과 분리 같은 복잡한 상호작용을 대상으로, 관절 감쇠, 접촉력과 역학 교정을 전달하며, 대응하는 것은 '얼마나 힘을 쓰는가, 걸리지는 않는가'이다.

세 등급 사이는 정밀도와 물리적 충실도의 점증이다. 이 구분에는 실질적 의미가 있다. 업계에서 '고품질 데이터'는 오랫동안 형용사였으며, 각자 자신이 생산하는 것이 고품질이라고 말하지만 검수할 수는 없었다.

3단계로 계층화한 후에는, 데이터의 기하 정밀도가 어느 등급에 도달하는지, 충돌체를 어떻게 정의하는지, 감쇠 교정이 어떤 범위에 있는지를 모두 전달서에 명백히 드러낼 수 있어, 하위 팀도 자신의 작업에 맞는 자원을 더 쉽게 고를 수 있다.

한 가지 더 주목할 만한 점이 있다. 위 등급으로 올라갈수록 실제 수집 장면이 커버하기 어려워지고, 오히려 시뮬레이션의 상대적 우위가 커진다. L1급은 현장 스캔으로도 양을 펼칠 수 있다. L2급에 이르면 밀집된 가림의 배열 조합은 실제 장소에서 매번 다시 배치하며 맞춰야만 한다. L3급에 이르면 서랍마다의 감쇠, 접촉 지점마다의 역학 응답이 모두 달라 거의 전수 열거가 불가능하다.

따라서 작업 계층화가 그어 놓은 것은 기준만이 아니라, 시뮬레이션이 진정으로 가치를 발휘할 수 있는 구간이기도 하다.

장면과 소재의 재사용은 환경을 반복해서 구축하는 작업을 줄일 수 있고, 배치, 물체, 작업 조건을 지속적으로 보충하면 모델 테스트, 실패 재현과 정책 비교를 지원할 수 있다. 동시에 고객의 사용 피드백은 다시 다음 라운드 데이터 생산의 근거가 될 수 있다.

여기까지, 잉쑤는 전체 데이터 수집 흐름의 폐쇄 루프를 실현했다. 실제 수집이 참조를 제공하고, 장면 재구성이 그것을 자산으로 바꾸고, 생성과 시뮬레이션 확장이 커버 범위를 넓히고, 작업 검증이 피드백을 주면, 연구개발 피드백이 다시 다음 라운드 생산을 이끈다. 실제 세계, 생성 모델과 시뮬레이션 능력이 이 폐쇄 루프에서 각자 맡은 바를 다한다.

이 폐쇄 루프의 의미는 흐름 자체에만 있지 않고, 생산 속도를 한층 더 가속할 수 있다. 데이터 생산이 연구개발 피드백을 받아들이게 되면, 반복은 더 이상 라운드마다 수집 일정을 기다리는 것이 아니라, 곧바로 '문제 발견, 조건 확장, 재검증'의 연속 동작으로 축적된다.

05

개방형 생태 공동 구축: 장면 자원은 어디서 오는가

여기까지 와서, 시뮬레이션 데이터 수집 센터의 건설은 더 현실적인 문제에 직면한다. 환경이 아무리 많아도 충분한 장면 자원이 있어야 한다.

따라서 장면 자원, 수집 조직, 기술 능력과 응용 수요 사이의 협력이 매우 중요하다. 이것은 한 회사가 문을 닫고 보완할 수 있는 사슬이 아니다.

이에 기반해 잉쑤(影溯)는 항저우 메이후이후둥 수채 과학기술 유한공사(杭州每回互动数采科技有限公司)와 협력하기로 했다. A주 데이터 인텔리전스 선두 기업 메이르후둥(每日互动) 생태계에서 배출된 구현 수채 전문 역량 기업인 메이후이후둥은, 국내 데이터 함유율이 앞서는 데이터 인텔리전스 상장사인 메이르후둥이 갖춘 대규모 장비 커버리지, DiOS 데이터 거버넌스, 그리고 전국 2900여 개 구·현을 아우르는 공공 서비스 네트워크에서의 깊은 축적을 이어받았다.

다시 말해 잉쑤가 확보한 것은 이미 완성된 데이터 생산능력이 아니라, 하류 수요를 수집 설계 단계로 앞당겨 끌어들일 수 있는 진입구다.

이 진입구의 가치는 납품 단계가 아니라 설계 단계에 있다. 메이후이후둥의 실제 장면 수집·조직 역량이 잉쑤의 3차원 재구성, 생성 및 시뮬레이션 역량과 연결되면서 실제 데이터를 재사용 가능한 환경과 과제 소재로 전환하는 것을 촉진한다.

하류에서 어떤 과제를 검증해야 하는지, 어떤 공간 관계를 보존해야 하는지, 어떤 환경 변화를 보충해야 하는지는 데이터 납품 이후에야 문제를 발견하는 것이 아니라 더 이른 시점에 수집과 생성 프로세스에 들어올 수 있다. 장면의 '편집 가능성'은 더 이상 '사후 보완'이 아니라 생산 프로세스 첫날의 '투입 조건'으로 직접 바뀐다.

그러나 파트너 한 곳이 끌어들인 장면만으로는 모델이 요구하는 폭을 감당할 수 없다. 잉쑤는 더 일찍부터 이 문제를 고민해 왔다.

이미 올해 8월, 잉쑤는 허사이(禾赛), 위수(宇树), 윈선추(云深处), 상탕(商汤), 화처잉스(华策影视) 등 20여 개 산학연 기관과 함께 '대규모 공간지능 3D 데이터 개방 계획(SIDO)'을 공동 출범시켜 공간 데이터와 평가 기준 구축을 함께 추진했다.

SIDO가 해결하려는 것은 '데이터를 더 많이 채집하는 것'이 아니라 데이터 공급의 구조를 분해해 재배열하는 것이다. 어떤 단일 출처도 폭, 진실성, 롱테일 커버리지를 동시에 만족시킬 수 없기에, SIDO가 탐색하려는 것은 세 가지 상호보완적 데이터 경로다.

첫째, 실제 세계 수집. 산업 협력사가 라이다, 다시점 영상, 로봇 및 기타 센서를 통해 실제 장면을 현장 수집하며, 앵커(기준점)를 담당한다.

둘째, 인터넷 콘텐츠의 차원 승격. 재구성·생성 기술을 통해 인터넷에 공개된 이미지와 영상을 3D·4D 장면으로 차원 승격하며, 폭을 담당한다.

셋째, 시뮬레이션과 합성. 시뮬레이션 합성을 통해 현실에서 수집하기 어려운 극단적·롱테일 장면을 보충하며, 일반화 경계를 담당한다.

세 경로는 나란한 대안이 아니라 서로 맞물린다. 실측 앵커링이 빠지면 차원 승격된 데이터에는 물리적 참조가 없고, 차원 승격을 통한 양적 확장이 빠지면 실측은 다양성을 감당하지 못하며, 시뮬레이션으로 롱테일을 보충하지 않으면 앞의 둘을 합쳐도 가장 일반화가 필요한 부분의 조건을 여전히 놓치게 된다.

이 구조는 어느 한 회사가 혼자 채울 수 없다. 잉쑤는 이를 일찍부터 인식했기에 업계 공동 구축과 협력을 주도하는 동시에, 한발 더 나아가 자신이 가장 잘하는 시뮬레이션 라인을 탄탄하게 다져, 재사용 가능한 시뮬레이션 역량으로 실측과 차원 승격 모두가 닿지 못하는 롱테일 조건을 보충하고, 이 역량을 공동 구축 프레임워크에 다시 넘겨놓았다.

그뿐만이 아니다. 규모가 항상 모델의 실제 결손을 겨냥하도록 하기 위해, 이를 뒷받침하는 평가 Benchmark 체계가 표준을 역으로 정의한다. 즉, 많이 수집할수록 좋은 것이 아니라, 평가 결과로 다음 회차에 무엇을 수집해야 하는지를 알려준다. 모델이 어떤 조건에서 실패하면 다음 회차에 그 유형의 데이터를 보충하고, 데이터가 많을수록 실패 지점에 더 정확히 맞춰지며, 수집할수록 더 흩어지지는 않는다. 레이펑왕 레이펑왕 레이펑왕 (공식 계정: 레이펑왕)

구현 수채의 생산능력 공식이 '사람 × 시간'에서 '환경 구성 수 × 병렬 연산력'으로 전환되면서, 실제 수집으로 앵커를 설정하고, Topos Pro 월드 모델로 장면을 확장하며, 고충실도 시뮬레이션으로 대규모 산출의 상호작용 경험을 만들어내는 폐쇄 루프가 이미 형성되었다.

잉쑤가 항저우에 착지시킨 것은 단순히 하나의 시뮬레이션 수채 센터가 아니라, 구현 지능이 '수공업 작업장'을 벗어나 범용 일반화로 나아가도록 밀어주는 연산 엔진이다.

레이펑왕 오리지널 기사로, 무단 전재를 금지합니다. 자세한 내용은 전재 안내를 참조하십시오.

0명 즐겨찾기

공유: