# Physical AI의 머니볼

> Clean Markdown view of GeekNews topic #31456. Use the original source for factual precision when an external source URL is present.

## Metadata

- GeekNews HTML: [https://news.hada.io/topic?id=31456](https://news.hada.io/topic?id=31456)
- GeekNews Markdown: [https://news.hada.io/topic/31456.md](https://news.hada.io/topic/31456.md)
- Type: GN+
- Author: [xguru](https://news.hada.io/@xguru)
- Published: 2026-07-15T11:17:01+09:00
- Updated: 2026-07-15T11:17:01+09:00
- Original source: [praxiscurrents.substack.com](https://praxiscurrents.substack.com/p/moneyball-for-physical-ai)
- Points: 1
- Comments: 0

## Topic Body

- 로봇 데이터는 텍스트처럼 기존 코퍼스에서 채굴할 수 없고 유용한 시간마다 비용이 발생하므로, 자본 효율은 총수집량보다 **달러당 한계 효용**과 **데이터 새로움**을 얼마나 정확히 계산하느냐에 달려 있음
- 데이터가 늘면 손실은 멱법칙에 따라 감소하지만, **다양성**은 일반화 범위와 오차 하한을 바꾸고 반복·근접 중복은 빠르게 포화되는 반면 희귀한 OOD 실패 사례는 큰 효용을 제공함
- 생산 배포 데이터는 초기의 고엔트로피 실패에서 일상적 성공과 근접 중복으로 수렴하는 **유정의 감산 곡선**을 따르므로, 운영 시간을 늘리기보다 실패 꼬리를 선별해야 함
- 초기 로봇 작업은 상업성을 위해 환경 변동성을 제한해야 하므로 내재 차원과 전이 가능성이 낮아지며, 배포 수익으로 범용 모델을 개선한다는 **생산 플라이휠**은 외부의 관찰 범위와 개입 다양성 없이는 작동하기 어려움
- 데이터 예산은 저비용 관찰 데이터로 범위를 넓히고, 고비용 원격조작은 작업별 포화점까지만 수집하며, 생산 텔레메트리에서는 **OOD 실패만 선별**하는 방식으로 배분해야 함

---

### 데이터량을 잘못 가격 매기는 Physical AI
- 2002년 Oakland Athletics는 MLB에서 세 번째로 낮은 급여 총액으로 103승을 거뒀으며, 주관적 미학·도루·타율 대신 득점과 실제로 상관된 **출루율**을 찾아 시장이 잘못 매긴 선수 가격을 활용함
- Physical AI에서도 누적 운영 시간은 눈에 잘 보이고 투자하기 쉬운 지표라는 이유로 중시되지만, 실제 하위 모델 성능과의 상관관계는 약함
- 로봇 데이터는 텍스트 데이터처럼 기존 코퍼스에서 채굴할 수 없고, 유용한 데이터 한 시간마다 비용을 지불해야 해 수집량과 함께 비용도 선형으로 증가함
  - Ken Goldberg는 최전선 로보틱스 모델에 약 **10만 년 분량**의 데이터가 필요할 수 있다고 추정함
  - 대규모 수작업 원격조작 인프라만으로 AGI에 필요한 감독 데이터를 공급하는 방식은 지속 가능하지 않음
- 로봇을 생산 현장에 배치하고 운영 매출의 부산물로 텔레메트리를 얻는 접근에도 같은 통계적 오류가 생길 수 있음
  - 현재 배포 가능한 틈새 작업은 변동성이 가장 낮은 영역임
  - 여기서 발생하는 데이터는 엔트로피가 낮고 서로 상관돼 **한계 효용**이 작음
- Physical AI의 출루율에 해당하는 지표는 스케일링 법칙과 데이터 획득 단가를 함께 반영한 **달러당 한계 손실 감소량**임

### 데이터 공급망을 움직이는 이해관계
- 각 참여자는 자신의 사업 영역이 가장 가치 있어 보이는 데이터 관점을 가짐
  - 파운데이션 모델 연구소는 범용 모델 규모를 판매하므로 대규모 사전학습과 계산량 확대가 엣지 케이스 오류를 제거할 것으로 봄
  - 원격조작 업체는 데이터의 효용이나 새로움보다 운영 시간에 따라 매출이 늘기 때문에 원시 데이터량을 우선함
  - 기존 하드웨어 업체는 분포 밖 환경에서 솔루션이 실패하므로 환경이 정상적이고 안정적이라는 전제를 둠
  - 상당수 학계 로보틱스 연구자는 데이터보다 물리학·모델·제어로 격차를 해소할 수 있다고 봄
- [neo-integrator](https://www.linkedin.com/pulse/rise-neo-integrator-avi-zurlo-uiwwe/)는 특화 로봇을 상업 생산에 배치하고 인간 개입으로 실패를 처리해 데이터 수집 병목을 우회하려 함
  - [Evan Beard](https://www.notboring.co/p/robot-steps)는 생산 텔레메트리가 다중 작업 능력에 필요한 새로움을 만든다는 경제적 플라이휠을 제안함
  - [Kyle Vedder](https://vedder.io/misc/novelty_pump.html)는 초기 로봇 도입에 비용을 지불할 환경이 본질적으로 저변동성이어서 **새로움 펌프(novelty pump) 제약**이 생긴다고 반박함
- 어떤 전략이 달러당 가장 높은 모델 능력을 만드는지는 **경험적 스케일링 법칙**과 데이터 획득의 단위 경제성을 함께 비교해야 판단할 수 있음

### 비용과 감독 방식으로 나눈 세 가지 데이터
- **관찰 데이터**는 1인칭·3인칭 영상처럼 비용이 낮고 범위가 넓어 표현 공간의 지원 범위를 확장하지만, 직접적인 행동 감독은 제공하지 못함
- **개입 데이터**는 원격조작 시연처럼 비용이 높고 범위는 좁지만 상태-행동 궤적을 명시적으로 담으며, 인간 노동량에 비례해 비용이 증가함
- **배포 데이터**는 생산 시스템에서 내생적으로 생성되는 정제되지 않은 텔레메트리임
  - 운영 자체가 손실을 내는 경우도 있음
  - 데이터 분포는 알고리듬 설계가 아니라 상업적 운영 조건에 의해 결정됨
- 데이터 최대화는 저엔트로피 잡음을 늘려 학습 효율을 떨어뜨릴 수 있음
  - 언어 모델의 [C4 데이터셋](https://www.tensorflow.org/datasets/catalog/c4)에서는 상용구와 근접 중복을 제거하고 고정된 예산 안에서 고유 토큰 범위를 늘리자 모델이 개선됨
- 데이터 파이프라인은 각 유형에서 1달러로 무엇을 얻는지, 새로운 정보가 어디서 발생하는지, 배포 데이터가 작업 범위를 넓힐 수 있는지를 따지는 **자본 배분 문제**임

### 스케일링 법칙으로 본 데이터 효용
- ## 데이터량과 손실 감소
  - 데이터·모델 크기·계산량이 늘면 테스트 손실은 로그-로그 축에서 직선 형태의 **멱법칙**으로 감소하지만, 감소 폭은 줄어들고 결국 하한에 도달함
  - [Kaplan 2020](https://arxiv.org/abs/2001.08361)과 [Hoffmann 2022](https://arxiv.org/abs/2203.15556)의 결합 형태는 모델 크기 \(N\), 토큰 수 \(D\)에 대해 다음과 같음

    \[
    L(N,D)=E+A N^{-\alpha}+B D^{-\beta}
    \]

  - 계산 최적 배분에서는 데이터에 따른 1차원 포락선으로 축약됨

    \[
    L^{*}(D)=E+\tilde B D^{-\beta}
    \]

  - \(E\)는 모델이 제거할 수 없는 예측 불확실성이며, 함수 형태는 일관되지만 수치는 [Besiroglu 2024](https://arxiv.org/abs/2404.10102)가 다루듯 근삿값임
- ## 다양성과 내재 차원
  - 다양한 데이터 혼합은 데이터량과 독립적인 두 효과를 동시에 만듦
    - 도메인 간 전이와 매니폴드 범위 확대로 점근적 **오차 하한**을 낮춤
    - 데이터셋의 내재 차원 \(d_{\text{int}}\)을 높임
  - 매끄러운 목표의 해상도 제한 구간에서는 [Sharma & Kaplan 2020](https://arxiv.org/abs/2004.10802)과 [Bahri 2021](https://arxiv.org/abs/2102.06701)에 따라 \(\beta \approx 4/d_{\text{int}}\) 관계가 성립함
  - 작업의 내재 차원을 절반으로 줄이면 스케일링 지수는 대략 두 배가 되어 손실이 더 빠르게 감소함
  - 대신 열등하고 일반화되지 않는 최적점으로 수렴할 수 있으므로, 사전학습 분포의 내재 차원을 인위적으로 낮춰서는 안 됨
  - [Ye et al. 2024](https://arxiv.org/abs/2403.16952)의 데이터 혼합 법칙은 혼합 손실을 도메인별 멱법칙과 도메인 간 결합 항으로 분해하며, 결합 항이 긍정적 전이와 부정적 간섭을 결정함
- ## 반복의 포화와 성능 저하
  - 반복 데이터는 약 **4에포크(epoch)** 까지 새 토큰과 비슷한 효율을 보이지만, 이후 효용이 빠르게 줄어 결국 능력을 저하시킴
  - [Muennighoff et al. 2023](https://arxiv.org/abs/2305.16264)은 반감기 \(R^{*}\approx15\)인 지수 포화 형태를 적합함
  - 4회 반복은 손실이 거의 없음
  - 16회 반복부터 추가 계산이 새로운 정보를 만들지 못하는 명확한 수확 체감 구간에 들어감
  - 고유 예제 수가 \(U\), 반복 횟수가 \(r=T/U\)일 때 유효 데이터 크기는 \(D_{\text{eff}}=U\cdot f(r)\)이며 \(f(r)\)는 지수적으로 포화됨
  - [Hernandez et al. 2022](https://arxiv.org/abs/2205.10487)에 따르면 좁은 데이터 일부를 지나치게 반복하면 테스트 손실에서 국소적 이중 하강이 발생하고, 문맥 내 학습에 필요한 induction head와 copying head가 손상됨
  - 전체 코퍼스의 0.1%를 100회 반복하자 8억 매개변수 모델의 하위 작업 성능이 4억 매개변수 모델 수준으로 떨어짐
- ## 근접 중복과 국소 포화
  - 근접 중복은 완전한 반복과 완전히 새로운 샘플 사이에서 연속적인 효용을 가짐
  - [Lee et al. 2021](https://arxiv.org/abs/2107.06499)은 C4에서 동일한 문장이 **6만 회 이상** 나타나는 사례를 확인함
  - 중복 제거는 축어적 암기를 줄이고 서로 다른 매니폴드에 토큰 예산을 배정해 수렴을 가속함
  - 작은 변화량 \(\varepsilon\)은 \(x\)와 \(x+\varepsilon\)을 같은 목표에 매핑하게 해 암묵적인 일관성 정규화로 작용함
    - 매우 작은 변화는 효용이 낮음
    - 중간 크기의 변화는 정규화에 유용함
    - 변화가 충분히 커지면 별개의 데이터가 됨
  - 좁은 이웃을 조밀하게 샘플링하면 **국소 용량**이 빠르게 포화돼 모델 성능을 해침
- ## 희귀 사건과 긴 꼬리
  - 희귀한 분포 밖(OOD) 사건은 스케일링 한계에서 모델 성능을 제한하는 실패 꼬리를 구성하므로 큰 한계 효용을 가짐
  - 실제 물리적 분포는 긴 꼬리를 가지며, [Michaud et al. 2023](https://arxiv.org/abs/2310.12112)에 따르면 거시적 능력은 Zipf 분포를 따르는 하위 기술을 빈도순으로 습득하면서 나타남
  - [Feldman 2020](https://arxiv.org/abs/1906.11304)에 따르면 최전선 정확도에 도달하려면 전체 운영 밀도에서 큰 비중을 차지하는 희귀 하위 집단을 학습해야 함
  - [Sorscher et al. 2022](https://arxiv.org/abs/2206.14486)은 난도가 높고 빈도가 낮은 샘플을 선별하면 일반적인 멱법칙 제약을 우회할 수 있음을 보임
  - 실제 세계의 확률성에서 발생하는 엣지 케이스는 합성 생성이나 구조화된 스테이징으로 재현하기 어려움
  - 알려진 분포가 넓어질수록 남은 새 변형은 기하급수적으로 희귀해져 발견 비용이 급증함

### 달러당 한계 효용의 경제학
- ## 작업별 손실과 자본 배분
  - 언어 모델에서는 계산량이 제약이고 데이터가 풍부하지만, 로보틱스에서는 유용한 데이터의 **획득 비용**이 직접적인 제약임
  - 전체 능력 목표는 사전 가중치 \(\pi_j\)를 가진 작업 클러스터 \(j\)의 결합으로 모델링되며, 각 클러스터의 손실은 다음 형태를 따름

    \[
    L_j=A_j(\phi)+B_j(\phi)D_j^{-\beta_j}
    \]

  - \(A_j(\phi)\)는 센싱 구성 \(\phi\)에서의 하한, \(D_j\)는 데이터량, \(\beta_j\approx4/d_j\)는 내재 차원 \(d_j\)에 따른 지수임
  - 유한한 자본을 최적으로 배분하려면 모든 수집·정제 채널의 **달러당 한계 가치**가 같아지도록 지출해야 함
  - 개입 채널은 직접 행동 감독에 프리미엄이 있지만 데이터량이 빠르게 포화되므로, 주된 경제적 효용은 작업 간 기술 전이에서 발생함
  - 채널 \(i\)의 비용은 \(c_i\), 포화 함수는 \(g_i(n_i)\), 작업 \(j\)로의 전이 투영은 \(w_{ij}\)로 나타남
  - 수집량이 늘어 \(g_i'(n_i)\)가 작아지면 달러당 효용도 감소함
  - 관찰 채널은 행동 레이블 없이 표현 공간을 개선하고, 오차 하한 \(A_j\)와 스케일링 계수 \(B_j\)에 영향을 줌
- ## 센서가 결정하는 오차 하한
  - 확률적 오차는 절대적으로 고정된 값이 아니라 특정 로봇 센서가 관찰하는 정보 상태에 상대적임
  - 작업 \(j\)의 센싱 구성 \(\phi\)에 따른 하한은 조건부 엔트로피 \(A_j(\phi)=E[H[a|s_\phi]]\)로 나타낼 수 있음

    \[
    A_j(\phi)=A_j^{\min}+\left(A_j(\phi)-A_j^{\min}\right)
    \]

  - \(A_j^{\min}\)은 어떤 센서로도 제거할 수 없는 물리적 한계이며, 나머지는 더 나은 센싱으로 줄일 수 있는 부분임
  - 저해상도 센서가 구분하지 못하는 환경 변동은 모델에 **우연적 잡음**으로 나타나지만, 고해상도 센서는 이를 학습 가능한 인식론적 오류로 바꿈
  - 행동 데이터는 손실을 \(A_j(\phi)\)에 접근시키고, 더 나은 센서는 \(A_j(\phi)\) 자체를 낮춤
  - 작업의 손익분기 손실 \(L_{\text{neutral}}\)에 대해 \(A_j(\phi)\ll L_{\text{neutral}}\)이어야 배포가 가능함
  - 최적 센싱에서도 \(A_j^{\min}\ge L_{\text{neutral}}\)이면 데이터량 확대는 효과가 없음
  - 이 경우 하드웨어 구성을 바꾸거나 다른 운영 작업을 선택해야 함

### 배포 데이터의 감산 곡선과 수렴 함정
- ## 생산 텔레메트리는 유정처럼 고갈됨
  - 생산 초기에는 고엔트로피 실패 모드가 발생하지만, 이상이 해결될수록 데이터가 근접 중복과 반복으로 바뀌며 효용이 급격히 감소함
  - 국소 분포의 유효 효용은 \(U_{\text{eff}}(n)=U_0+\Delta U(1-e^{-n/n_c})\)처럼 지수적으로 포화됨
  - 포화점 또는 covering number인 \(n_c\)를 넘으면 생산 스트림은 저효용 반복 데이터로 수렴함
  - 높은 가치는 **실패 꼬리**에 집중되며 일상적인 성공은 한계 효용이 없음
  - 배포 데이터의 순비용은 오류율, 개입·처리량 손실 비용, 작업 완료 가치에 따라 달라짐

    \[
    c_{\text{dep}}(L)=\rho(L)(\kappa_{\text{int}}+\kappa_{\text{prod}})-\nu
    \]

  - \(c_{\text{dep}}\approx0\)인 손익분기점 전에는 데이터 수집이 적자이므로, 초기 배포에는 운영 매출이 아니라 **R&D 자산**으로 외부 자본을 투입해야 함
  - 흔히 성능 95%에서 개입과 함께 배포를 시작하고 99.5%에서 수익성이 생긴다고 보지만, \(L_{\text{start}}\)에서 \(L_{\text{neutral}}\)까지 필요한 데이터는 멱법칙 때문에 여러 자릿수 규모로 증가할 수 있음
  - 손익분기 목표가 오차 하한에 가까워져 \(\Delta_{\text{safe}}=L_{\text{neutral}}-A_j(\phi)\to0\)이면 필요한 데이터와 비용은 초선형적으로 발산함
  - \(L_{\text{neutral}}\approx A_j(\phi)\)인 작업은 **자본 싱크**가 됨
  - 배포 규모를 키우기 전에 데이터 범위와 센싱을 개선해야 함
- ## 상업적 수렴과 범용화의 충돌
  - 최적이 아닌 파운데이션 모델을 상업적으로 배포하려면 환경 변동을 인위적으로 제한해 작업의 내재 차원을 낮춰야 함
  - 낮은 \(d_j\)는 큰 \(\beta_j\)를 만들어 수렴 속도를 높이지만, 좁고 전이되지 않는 매니폴드로 수렴함
  - 구조화된 운영 셀에서 얻은 저엔트로피·상관 데이터는 범용 모델의 일반화 경계를 넓히지 못해 시스템을 초기 틈새에 묶음
  - 파편화된 저변동성 작업마다 비반복 엔지니어링(NRE) 비용이 발생하며, 소프트웨어와 같은 마진을 내려면 순차적으로 추가되는 새 작업의 한계 통합 비용이 0에 가까워져야 함
  - 두 가지 데이터 편향은 서로 다른 한계를 만듦
    - **스테이징 편향**: 개입 데이터는 행동 밀도가 높지만 시뮬레이션·실험실처럼 인위적으로 구조화돼 실제 물리 환경의 확률적 실패 꼬리를 포착하지 못함
    - **분포 편향**: 배포 데이터는 실제 환경에서 나오지만 상업적 생존을 위해 저변동성 틈새로 제한돼 잘못된 분포 혼합을 샘플링함
  - 좁은 작업에서 넓은 작업으로 순차 확장하는 전략은 배포 가능 작업의 증가 속도가 누적 NRE 적자보다 빠를 때만 경제성이 있음
  - 상업 틈새의 배포 데이터만으로는 이 확장이 어려우므로, 오차 하한을 낮추는 **관찰 범위**와 일반화 경계를 넓히는 개입 다양성이 외부에서 공급돼야 생산 플라이휠이 작동함

### 운영 시간을 대체할 정보 밀도 지표
- **작업별 한계 통합 비용**은 새 작업마다 발생하는 NRE 비용을 프로젝트 회계로 추적함
  - 작업 포트폴리오가 커져도 비용이 줄지 않으면 모델 계층이 작업 간 표현을 축적하지 못하고 있음
  - 사업 구조도 확장 가능한 소프트웨어보다 선형 시스템 통합에 가까움
- **작업별 포화점 \(n_c\)** 은 작업·환경별 학습 곡선이 평탄해지는 지점을 찾음
  - 이 지점에서 수집을 중단하면 수작업 원격조작 예산의 주요 낭비를 줄일 수 있음
- **분포 변화율 \(v_j\)** 은 OOD 입력의 발생 속도와 재학습 빈도를 추적함
  - 비정상적 목표 분포는 계속 새로운 실패 모드를 만들기 때문에, 지속적인 배포 텔레메트리가 데이터 우위를 유지할 수 있는 유일한 운영 조건임
- **클러스터 범위**는 원시 에피소드 수 대신 표준 데이터 임베딩에서 직교하는 작업·객체·환경 클러스터 수를 측정함
  - 시간에 따른 클러스터 확장은 도메인 간 일반화의 대리 지표가 됨
- **데이터 새로움 밀도**는 앙상블 불일치나 기록 상태의 예측 분산 같은 능동학습 휴리스틱으로 유입 스트림의 정보 밀도를 추정함
  - 저엔트로피의 일상적 성공을 걸러내고 고효용 실패 꼬리를 우선함
- 실현 가능성을 좌우하는 우연적 오차 하한 \(A_j(\phi)\)는 직접 측정할 수 없음
  - \(L(D)=E+BD^{-\beta}\)를 적합해 점근값 \(E\)를 추정할 수 있지만, 근사 오차가 커 직접적인 운영 지표로 쓰기 어려움

### 데이터 전략으로 구분한 로보틱스 생태계
- **모델 우선 연구소**는 서로 다른 로봇 형태의 관찰 코퍼스를 대규모로 정제·세척해 사전학습하고, 이 범위에서 누적 일반화를 얻으려 함
  - 월드 모델 연구소는 학습된 모델로 저렴한 개입 데이터를 만드는 데 베팅함
  - 정적 사전학습과 합성 시뮬레이션 모두 실제 배포의 우연적 엣지 케이스 실패 꼬리를 정확히 복제하지 못함
- **수직 통합 업체**는 독점 하드웨어에서 데이터 수집과 정제를 직접 수행함
  - 하드웨어에 정렬된 데이터는 효율적임
  - 자율주행처럼 본질적으로 변동성이 높은 영역을 제외하면, 상업성을 위해 저변동성 환경으로 제한한 결과 새로움이 부족해지는 순환 함정에 빠짐
- **neo-integrator**는 다양한 산업 환경에 얕고 넓은 운영 기반을 갖춰 작업 다양성을 확보하기 좋은 위치에 있음
  - 이를 적극적으로 정제할 데이터 환경이 아니라 청구 가능한 운영 면적으로만 취급하는 사업 모델은 전략적 오류임
- **원격조작 업체**는 운영 시간을 판매하므로 고유 샘플 범위보다 원시 데이터량을 극대화할 유인이 있음
  - 작업별 포화점 \(n_c\)를 넘어서도 데이터를 만들며, 국소 매출을 내는 인프라 도구는 제공하지만 스케일링 우위는 만들지 못함
- **기존 하드웨어 업체**는 결정론적 동작 재생에 맞춘 수익성 높은 저변동성 시장을 방어함
  - 학습용 데이터를 거의 수집하지 않아 스케일링 곡선을 따라 올라갈 경로가 없음
- Physical AI에서 가장 희소한 능력은 **데이터 새로움의 식별과 포착**이며, 가치는 연구와 하드웨어 엔지니어링의 기존 조직 경계와 무관하게 OOD 변형을 골라내는 운영팀에 축적됨

### Physical AI와 LLM 애플리케이션의 차이
- Cursor와 Harvey 같은 소프트웨어 애플리케이션은 토큰 단위로 파운데이션 모델을 빌리면서도 워크플로 통합과 독점 유통으로 경제적 가치를 확보함
- 경제적 가치 포착과 모델 능력은 별개의 변수이며, Physical AI는 세 가지 축에서 소프트웨어 애플리케이션과 조건이 다름
- ## 작업 차원과 포화 속도
  - 소프트웨어 개발은 내재 차원이 높아 지속적인 워크플로 피드백이 계속 한계 효용을 제공함
  - 구조화된 창고 피킹 같은 물리 작업은 내재 차원이 낮아 작업별 데이터 스트림이 빠르게 포화되고 수확 체감 구간에 진입함
- ## 파운데이션 계층의 비대칭
  - 소프트웨어 애플리케이션은 범용적이고 대규모 보조금을 받은 파운데이션 모델의 하류에서 작동함
  - Physical AI에는 빌려 쓸 수 있는 동등한 범용 파운데이션 계층이 없으므로, 현재의 로봇 배포는 운영 가능성을 위해 환경 변동성을 인위적으로 줄여야 함
  - 이렇게 수집한 특화 하위 분포는 더 넓은 일반화를 만들지 못함
- ## 텔레메트리 비용과 마진
  - 소프트웨어는 소스 코드, 사용자 수정, 컴파일 결과 등 전체 운영 루프를 저비용으로 완전히 관찰할 수 있음
  - 물리 텔레메트리는 수집 비용이 높고 센서 해상도 때문에 본질적으로 관측되지 않는 부분이 남음
  - Physical AI의 기초 관찰 데이터가 경쟁적이고 독점적인 자산으로 유지되면 지렛대는 상류 모델 계층에 집중됨
  - 인프라 제공업체는 독점적 가격 결정력을 유지하고, 하류 애플리케이션의 마진은 압박받음

### 데이터 예산을 배분하는 방법
- 누적 운영 시간은 모델 성능의 기본 지표에서 제외하고, 작업별 한계 통합 비용·포화 임계값·임베딩 클러스터 범위·분포 변화율로 엔지니어링 효율과 스케일링을 평가해야 함
- 스테이징된 개입 데이터와 좁은 배포 데이터 어느 쪽도 단독으로 파운데이션 모델을 확장할 수 없음
  - 고용량 스테이징은 작업별 범위가 빠르게 포화돼 수확 체감이 발생함
  - 상업 배포는 수익 가능한 틈새의 새로움이 부족하고, 환경마다 오류 처리를 위한 NRE 비용을 발생시킴
- **관찰 범위**에는 저비용·고다양성 데이터를 우선 배정해 우연적 오차 하한을 낮추고 기본 능력의 경계를 넓혀야 함
- **개입 스테이징**은 작업의 포화점 \(n_c\)까지만 수행하고, 남은 예산은 같은 작업의 반복이 아니라 작업 다양성에 재배분해야 함
- **배포 텔레메트리**에서는 OOD 엣지 케이스와 실패 모드를 분리하고, 정보 밀도가 없는 대량의 일상적 성공은 버려야 함
- 초기 배포가 일부 유용한 신호를 만들 수 있어도 손익분기 전의 지속적인 운영은 자본을 소모함
- Physical AI의 자본 효율은 데이터량을 최대화하는 것이 아니라 **데이터 새로움에 정확한 가격을 매기는 능력**에 따라 확장됨

## Comments



_No public comments on this page._