Eka에 1.5억달러…시간당 1,500번 집어도 공장 검증은 남았다

Eka Robotics는 2026년 10월 20일 Andreessen Horowitz(a16z)와 F-Prime이 주도한 1억5000만달러(1.5억달러) 시리즈 A 투자를 발표하면서 로봇 시스템의 시간당 최대 1,500회 집기 성능을 제시했다. 자금은 시각·힘·행동 모델을 더 많은 작업으로 넓히고 고객 배치를 늘리는 데 쓰일 예정이다. 그러나 이 속도가 산업 고객의 생산라인에서 장시간 유지됐다는 공개 기록은 아직 없다.

투자자인 a16z의 기술 설명은 시간당 최대 1,500회가 실험실의 물체 투입과 빈 피킹 작업에서 나온 수치이며, 생산 근무조 전체에서 같은 성능을 유지하는 일이 다음 시험이라고 명시한다. 이번 발표는 자금 조달과 제한된 작업에서의 빠른 조작 능력을 보여준다. 실제 공정의 생산성을 판단하려면 처리 속도와 함께 실패율, 중단 시간, 부품 수명을 구분해야 한다.

힘을 느끼는 손과 시뮬레이션 학습

Eka의 접근은 카메라가 본 물체의 위치에 따라 손을 움직이는 데 그치지 않는다. 시각 정보와 로봇 손의 힘 감지 정보를 결합한 비전·힘·행동 모델이 접촉 뒤의 움직임까지 조절한다. 물체를 잡은 순간 미끄러짐이 생기면 쥐는 방식을 바꾸고, 삽입 작업에서 저항을 만나면 밀어 넣는 동작을 수정하는 식이다. 모델과 센서, 제어 장치, 손을 함께 설계했다는 점에서 처리량은 단일 AI 모델이 아니라 결합된 로봇 시스템의 성능이다.

이 차이는 라즈베리와 전선 같은 물체를 생각하면 분명해진다. 카메라는 물체가 어디에 있는지 보여주지만, 라즈베리를 으깨지 않고 들어 올릴 만큼의 접촉력이나 전선이 제대로 삽입됐는지는 손이 움직이는 동안의 정보가 좌우한다. 물체가 같은 위치에 있어도 표면의 마찰과 강성이 달라지면 필요한 힘도 달라진다. 여러 물체를 다루는 능력은 위치 인식과 접촉 제어를 한 작업 안에서 결합할 때 드러난다.

학습에는 물리 시뮬레이션을 통한 강화학습을 쓴다. 가상 환경에서 물체의 위치, 마찰, 접촉 조건을 바꿔 반복 연습한 뒤 실제 손에 동작을 옮기는 방식이다. 사람이 모든 실패 상황을 시범으로 보여줄 필요를 줄일 수 있지만, 시뮬레이션의 마찰이나 물체 변형이 현실과 다르면 학습한 행동도 달라질 수 있다. 실제 물체를 다루는 시험이 필요한 이유는 이 가상 환경과 현실의 차이에 있다.

공동창업자인 풀킷 아그라왈은 MIT에서 로봇 학습을 연구해 왔고, 투오마스 하르노야는 강화학습 연구를 거쳐 Google DeepMind에서 일했다. 두 사람의 연구 경력은 기술 접근의 배경을 설명한다. 투자 이후 적용 작업이 늘어나면 새로운 물체에 맞춰 손을 다시 조정하는 데 걸리는 시간도 고객이 체감하는 성능에 영향을 준다.

시간당 집기 횟수와 실제 생산량의 차이

집기 속도는 로봇이 정해진 시간에 수행하는 동작량을 보여주지만, 공장이 받는 정상 결과물의 양과 같지 않다. 집기에 실패해 다시 시도하거나 물체를 잘못 놓아 뒤 공정에서 제거하면 같은 시간에 완료되는 작업 수가 줄어든다. 작업을 멈춘 뒤 사람이 물체를 치우고 장비를 다시 시작하는 시간도 생산량에서 빠진다. 실험실의 최고 처리량을 그대로 생산 계약의 완성품 수로 옮길 수 없는 이유다.

처리량은 일정 시간에 수행한 집기 동작 또는 완료 작업의 수이며, 무엇을 세었는지에 따라 값이 달라진다. 성공률은 시도한 작업 가운데 요구한 결과를 얻은 비중이다. 연속 가동시간은 정지와 정비를 고려하면서 성능을 유지해 작업을 이어간 시간을 가리킨다. 속도와 성공률을 따로 제시하더라도 두 수치가 같은 물체, 작업, 시험 기간에서 측정됐는지 알아야 전체 생산성을 계산할 수 있다.

예를 들어 실패한 물체를 곧바로 다시 집으면 성공률은 최종 결과와 시도 횟수 중 무엇을 기준으로 삼는지에 따라 다르게 보일 수 있다. 한 번의 시도에서 성공한 비율인지, 재시도 끝에 마친 비율인지가 다르면 사람의 개입 비용도 달라진다. 그리퍼 교체나 센서 보정 때문에 작업이 멈추는 시간은 집기 성공률에 잡히지 않는다. 공장 계약에서 이 값들은 작업별 기록과 운영 비용으로 연결된다.

현재 공개된 내용을 성격별로 나누면 기술의 위치가 뚜렷해진다.

• 투자: 시리즈 A 자금과 투자 주체는 공개됐다. 이는 개발과 고객 배치를 확대할 재원이다.
• 성능: 빠른 집기 수치는 실험실의 물체 투입·빈 피킹 조건에서 나온 회사 보고치다.
• 현장: 산업 고객 대상 파일럿은 진행 중이지만, 고객별 가동 기록과 장기 내구성 자료는 공개되지 않았다.

실험실에서는 물체의 종류와 투입 흐름을 통제할 수 있지만, 산업 고객의 작업에서는 부품의 자세와 다음 공정의 요구가 바뀔 수 있다. 집기 뒤 방향을 맞추거나 전선을 정해진 위치에 넣는 단계가 추가되면 손이 빠르게 움직인다는 사실만으로 전체 작업 시간이 결정되지 않는다. 속도와 범용성을 함께 평가하려면 각 작업의 시작부터 정상 완료까지 같은 기준으로 측정한 자료가 필요하다.

비공개 파일럿과 그리퍼 내구성

상용화의 현재 위치는 산업 고객을 대상으로 한 비공개 파일럿이다. TechCrunch의 창업자·전문가 취재에는 투자 후 기업가치 14억5000만달러, 회사가 주장한 집기 성공률 95% 초과, 1000달러 미만의 그리퍼 가격, 현재 500만 회로 제시된 작동 주기와 2000만 회 목표, 산업 고객의 집기·배치 및 전선 조작 파일럿이 나오며, 일리노이대 로봇공학자 크리스 하우저는 자신이 본 작업에 대해 “What I’ve seen is pick and place”라고 말했다. 가격과 목표 수명은 장비 보급 가능성을 보여주지만, 서로 다른 작업에서 오랜 기간 같은 품질을 낸 운영 실적을 뜻하지는 않는다.

그리퍼의 작동 주기는 손의 기계적 수명에 관한 수치이고, 작업 성공률은 물체를 제대로 처리했는지에 관한 수치다. 내구성이 좋아도 물체를 자주 놓치면 생산성이 낮고, 집기를 잘해도 손을 자주 교체해야 한다면 운영 비용이 늘어난다. 목표 수명이 현재 정격보다 높게 제시된 만큼 빠른 반복 동작에서 마모와 보정이 얼마나 발생하는지도 산업 고객에게는 중요한 변수다.

비공개 파일럿은 고객의 실제 과제를 다룬다는 점에서 연구실 시연보다 진전된 단계다. 다만 고객 이름, 작업별 조건, 연속 운전 기록이 공개되지 않아 그 결과를 일반적인 공장 성능으로 환산하기는 어렵다. 하우저가 관찰한 집기·배치 능력과 전선 조작의 현장 성과도 같은 지표로 묶을 수 없다. 전선은 잡는 데서 끝나지 않고 접촉 상태를 유지하며 정해진 위치에 놓아야 하기 때문이다.

이제 자금이 뒷받침한 고객 배치에서 나올 자료가 다음 판단의 근거가 된다. 고객 작업별 정상 완료량, 사람의 개입 횟수, 중단 뒤 복구 시간, 손의 교체 주기가 공개되면 빠른 집기가 실제 생산능력으로 이어지는지 알 수 있다.

함께 읽기:

• 세로 스포츠 중계를 AI가 실시간 재구성한다…클라우드는 거치지 않는다
• Arena에 2억달러…AI 평가표가 31억달러 기업이 됐다
• 인텔리시아 34억 원 유치…‘합성소비자 90% 일치’는 검증이 남았다