30억달러 평가 제너럴리스트, 2억달러 조달 보도

제너럴리스트(Generalist)가 추가 투자 유치 뒤 기업가치 30억 달러(약 4조1490억원)를 인정받은 것으로 전해졌다. 지난 6월 20억 달러 평가를 받은 지 몇 달 만에 로봇용 AI 모델 스타트업의 몸값이 다시 높아졌다.

테크크런치는 한국시간 26일 제너럴리스트가 8VC 주도로 추가 자본을 유치했으며, 규제 신고서상 신규 자금은 약 2억 달러(약 2766억원)라고 전했다. 이번 투자는 래디컬 벤처스(Radical Ventures)가 주도한 4억 달러(약 5532억원) 규모 시리즈B의 연장 라운드로 분류됐다.

추가 자금이 더해지면서 라운드 전체 조달액은 6억 달러(약 8298억원)로 늘었다. 제너럴리스트와 8VC는 테크크런치의 논평 요청에 답하지 않았다.

제너럴리스트는 2024년 피트 플로런스(Pete Florence), 앤디 젱(Andy Zeng), 앤드루 배리(Andrew Barry)가 세운 회사다. 플로런스와 젱은 구글 딥마인드 출신 연구자이고, 배리는 보스턴다이내믹스 출신 엔지니어다.

초기 투자자로는 8VC와 래디컬 벤처스, 엔비디아($NVDA), 유니언스퀘어벤처스, 베조스 익스페디션스, 페이페이 리(Fei-Fei Li) 등이 거론됐다. 회사는 최근까지 대외 홍보를 크게 하지 않고 조용히 운영돼 왔다.

제너럴리스트의 핵심 사업은 특정 로봇 완제품이 아니라 여러 로봇에 적용할 수 있는 AI 기반 제어 모델이다. 로봇 하드웨어별로 작업을 따로 학습시키는 방식보다, 다양한 기계가 공유할 수 있는 '두뇌'를 만드는 데 초점을 둔 구조다.

회사는 19일 현지시간 공식 블로그에서 GEN-1.5를 공개했다. 제너럴리스트는 이 모델이 3~12초 분량의 단일 시연 영상을 보고 새 작업을 수행할 수 있다고 밝혔다.

GEN-1.5는 영상, 센서, 언어, 관절 위치 정보를 함께 처리하는 대형 멀티모달 모델이다. 회사는 공식 글에서 이 모델이 30초 맥락 창을 사용하고 초당 100회 동작 궤적을 출력한다고 설명했다.

회사가 공개한 10개 조작 과제 실험에서는 추가 학습 없이 한 번의 시연만으로 평균 59% 성공률을 기록했다. 과제별 5분 데이터와 10회 그래디언트 업데이트를 적용했을 때 평균 성공률은 83%로 제시됐다.

이 수치는 회사가 공개한 자체 실험 결과다. 실험 과제는 병뚜껑 열기, 필통 지퍼 열기, 큐브 쓸어 담기처럼 짧은 물리 조작 작업에 맞춰져 있다.

로봇 파운데이션 모델은 여러 작업에 공통으로 쓰기 위해 대규모 데이터와 다양한 입력을 바탕으로 학습한 기본 모델을 뜻한다. 대형언어모델이 문장과 지식을 다루는 것과 달리, 로봇 모델은 실제 공간에서 물체를 집고 움직이는 물리적 결과까지 다뤄야 한다.

이 때문에 로봇 AI 분야에서는 데이터 확보와 실제 환경 검증이 핵심 쟁점으로 꼽힌다. 인터넷 전체를 학습 데이터로 활용할 수 있는 언어 모델과 달리, 로봇은 센서와 동작 데이터를 물리 환경에서 축적해야 한다는 제약이 있다.

제너럴리스트 외에도 피지컬 인텔리전스(Physical Intelligence), 스킬드AI(Skild AI), 제네시스AI(Genesis AI)가 로봇용 범용 모델 경쟁 기업으로 언급된다. 테크크런치는 피지컬 인텔리전스의 기업가치를 110억 달러(약 15조2130억원), 소프트뱅크가 투자한 스킬드AI의 기업가치를 140억 달러(약 19조3620억원)로 전했다.

본지도 앞서 스킬드AI가 14억 달러를 조달하고 기업가치 140억 달러를 넘긴 사례를 전했다. 로봇 자동화와 범용 AI 모델을 둘러싼 자금 경쟁이 비상장 시장에서 이어지는 흐름이다.

한국 독자에게 이번 사안은 직접적인 토큰 발행이나 블록체인 프로젝트 뉴스는 아니다. 다만 암호화폐 시장에서도 AI와 로봇 테마가 별도 투자 서사로 소비되는 만큼, 대형 비상장 AI 기업의 조달 규모와 기술 검증 단계는 관련 섹터를 해석하는 참고 지표가 될 수 있다.

앞서 본지는 포트 로보틱스가 스팩 합병 상장을 추진한 사례도 전했다. 제너럴리스트의 새 기업가치는 투자자들이 로봇 분야 범용 모델에 자금을 배분하고 있음을 보여주지만, GEN-1.5 성능은 회사가 공개한 제한된 과제 실험에 기반한다.