애플, 학습하지 않은 손 제스처도 AI 가 스스로 인식하게 만든 기술 개발
안녕하세요! IT 전문 블로거입니다. 오늘 여러분과 함께 애플의 최신 기술 연구 소식을 하나 전해드리고 싶어졌습니다. 애플 리서치 팀이 새로운 연구 논문을 발표했는데, 그 내용은 매우 흥미롭습니다. 애플은 이제껏 AI 가 학습하지 않았던 새로운 손 움직임, 즉 우리가 직접 가르치지 않았던 제스처까지도 AI 가 스스로 인식해낼 수 있게 만든 기술입니다. 이 기술은 단순히 새로운 기능을 추가하는 것을 넘어, 우리가 기기와 소통하는 방식 자체를 바꾸는 중요한 의미를 갖습니다. 특히 웨어러블 디바이스의 미래를 열어갈 수 있는 핵심 기술로 주목받고 있죠. 오늘 이 기사의 핵심은 애플의 EMBridge 라는 새로운 AI 모델과 이 기술이 갖는 잠재력에 대해 살펴보겠습니다.
먼저 이 연구의 핵심인 EMG(Electromyography) 라는 용어를 짚어보겠습니다. EMG 는 근육이 수축할 때 발생하는 전기 신호를 측정하는 기술입니다. 이 기술은 의료 현장에서 근육 질환 진단이나 물리 치료, 심지어 인공장기나 의수 의족 제어 등 다양한 분야에서 오랫동안 활용되어 왔죠. 최근에는 메타의 레이번 글래스 같은 AR/VR 기기에서도 근육 신호를 읽어서 기능을 조작하는 방식을 사용합니다. 애플 연구팀은 이 기술을 기존 웨어러블 기기에 적용하는 방식이 아니라, AI 가 근육 신호 자체를 더 깊이 이해할 수 있도록 훈련시키는 데 집중했습니다. 이렇게 하면 기존에 학습한 데이터를 벗어나, 전혀 새로운 제스처도 인식할 수 있게 되죠.
애플 연구팀이 개발한 시스템의 이름은 ‘EMBridge’입니다. 이 프레임워크는 EMG 신호와 손의 정적인 자세 데이터를 연결하거나 교차 모달 (Cross-modal) 로 학습하는 방식입니다. 보통 AI 는 학습하지 않은 데이터는 오인식할 확률이 높죠. 하지만 EMBridge 는 교차 모달 학습으로 훈련하면서, AI 가 근육 신호와 손 자세라는 두 다른 정보를 연결해서 처리할 수 있게 만들었죠. 학습 과정에서 일부 손 자세 데이터를 숨기고, AI 가 근육 신호만으로 그 데이터의 조각을 복원하게 하는 방식도 썼습니다. 이를 통해 AI 가肌肉 신호만으로 손의 미세한 움직임 패턴을 이해하게 된 거예요. 결과적으로 훈련 데이터의 40% 만으로도 기존 방법론보다 훨씬 뛰어난 성능을 보일 수 있었고, 특히 보지 않은 제스처 인식에서 탁월한 결과를 보였죠.
사용된 데이터셋의 규모와 내용도 매우 자세히 설명돼 있습니다. ’emg2pose’ 는 193 명의 사용자가 참여하여 370 시간 분량의 데이터와 동기화된 손 자세 데이터를 보유하고 있습니다. 다양한 손 움직임, 쥐는 동작, 카운팅까지, 총 8 천만 개 이상의 자세 레이블이 포함됐습니다. 또한 ‘NinaPro DB2’ 와 ‘DB7’ 도 추가 평가용으로 사용되어 다양한 대상을 위한 평가가 가능해졌습니다. 이렇게 방대한 데이터를 기반으로 훈련한 결과, 손 모양이 비슷해서 오인식될 수 있는 경우를 미리 방지하고, 유사한 제스처를 negatives 로 다루는 오류를 줄이는 기술을 적용했어요. 이는 AI 가 더 나은 구조를 가지며, 이전에 보지 못한 상황을 마주했을 때에도 안정적으로 작동할 수 있게 해줍니다.
이 기술이 실제로 어떤 제품과 연결될지 상 상해 봅니다. 물론 현재 논문 내에서는 특정 제품 출시를 밝히진 않았지만, 웨어러블 HCI(인간과 컴퓨터 상호작용) 분야에 큰 영향을 미칠 수 있죠. 예를 들어, 차세대 애플 와치 모델이 애플 빈션 프로나 맥, 혹은 아이패드와 대화하는 방식이 이렇게 변할 수 있어요. 가상 현실에서 아바타를 움직이거나, 의수 조작 등을 위해 손가락 미세한 움직임을 감지하는 데에 혁신을 가져올 수 있습니다. 또한, 장애인들에게 기기 조작이 훨씬 쉬워지는 접근성 향상에도 긍정적인 기여를 할 거라 봅니다. 물리적 버튼이나 터치보다 훨씬 직관적인 방식으로 디바이스를 컨트롤할 수 있다면, 기기의 활용 범위가 크게 넓어집니다.
물론 한계점도 없지 않습니다. 고밀도의 EMG 데이터와 손 자세 데이터가 동기화되어 있어야 하므로, 수집 자체가 까다로울 수 있습니다. 또한 개인마다 근육 신호 패턴이 다르기 때문에, 개인 맞춤형 학습이 필요할 수도 있어요. 하지만 기술의 방향성은 확실해 보입니다. 우리가 기기와의 상호작용을 더 자연스럽고 직관적으로 만들어가는 데, AI 학습 방식의 혁신이 가장 중요한 요소가 될 테니까요. 애플의 이번 연구는 웨어러블 테스크의 미래를 여는 중요한 열쇠가 될 거라 생각하며, 더 많은 독자들에게 이 혁신적인 기술을 소개하는 데 의미를 둡니다. 관련 기술에 대한 깊은 이해를 원하신다면 EMBridge 의 Q-Former, MPRL 및 CASCLe 등 기술적 세부 사항도 관련 논문을 통해 확인하실 수 있습니다. 오늘 뉴스에 대해 어떻게 생각하시는지 댓글로 남겨주시면 감사하겠습니다.
이 글은 9to5Mac의 기사를 바탕으로 작성되었습니다.
