NEWS
국내외 13개 매체를 주기적으로 수집해 한국어로 요약합니다.
인공지능(AI), 위성항법, 머신 비전(machine vision) 기술의 발전이 미국 내 로봇 잔디깎기(robotic lawn mower) 보급 확산을 이끌고 있다. 해당 기사는 Sunseeker 창업자가 기고한 글로, 세 가지 기술이 시장 성장의 핵심 동인으로 제시된다. 기사는 이러한 기술 발전이 미국 가정 두 곳 중 한 곳에 로봇 잔디깎기가 도입될 수 있는 환경을 만들 것으로 전망한다.
큐레이터이 전망은 독립 분석가가 아니라 Sunseeker 창업자가 직접 기고한 글에서 나온 것이므로, '두 곳 중 한 곳' 수치의 근거와 방법론을 별도로 확인할 필요가 있다.
R2 Labs의 Roby Lynn은 소프트웨어 정의 제조(software-defined manufacturing)가 실제 공장 운영에 어떻게 적용되는지를 설명한다. R2 Labs는 PLC(프로그래머블 논리 제어기), 로봇, AI를 연결해 분산된 제조 시스템을 통합하는 방식을 추구한다. 본문은 이 접근법이 현장 운영과 어떻게 맞물리는지를 주제로 다룬다.
큐레이터이 설명은 R2 Labs 측 인물이 직접 제시한 것으로, 실제 공장 환경에서의 독립적인 검증 사례나 비교 기준 없이는 통합 방식의 실효성을 판단하기 어렵다.
IEEE Spectrum의 주간 로봇공학 영상 큐레이션 'Video Friday'에서 로봇 기반 모델(robot foundation model) GEN-1.5의 원샷(one-shot) 학습 능력을 소개한다. GEN-1.5는 경사도 업데이트(gradient update)나 파인튜닝(fine-tuning) 없이 단일 시연 예시만으로 몇 초 안에 새 과제를 학습할 수 있다. 원샷·퓨샷(few-shot) 시연 학습 및 제로샷(zero-shot) 물리적 일반화 능력을 보이며, 현재 수행 가능한 과제는 단순하고 짧은 구간에 한정된다. Unitree 로봇 영상도 함께 수록하며, 서울 Humanoids Summit(2026년 9월 22~23일)·IROS 2026(피츠버그)·CoRL 2026(오스틴) 등 주요 행사 일정도 안내한다.
큐레이터영상 시연 형식이므로 성공률·시도 횟수 등 정량적 조건이 공개되지 않아 원샷 학습 주장을 독립적으로 검증하기 어렵고, 개발팀 스스로 '단순·단구간 과제'에 한정된다고 밝힌 점이 현시점 적용 범위를 가늠하는 핵심 기준이다.
MIT CSAIL 연구팀이 세 개의 AI 에이전트(agent)를 활용해 3D 실내 장면을 자동으로 생성하는 시스템을 개발했다. 이 시스템은 물체 배치, 벽 구조, 공간 외관을 조합해 현실적인 가상 실내 환경을 구성한다. 생성된 가상 환경에서 로봇은 실제 전원이 켜지기 전에 다양한 작업 수행 방식을 연습하고 훈련 데이터를 확보할 수 있다.
NVIDIA가 2026년 7월 200개 이상의 기업·기관과 함께 AI 개방 생태계를 지지하는 공개서한 'Open Weights and American AI Leadership'에 서명했다. 해당 서한은 AI 리더십의 기준이 단일 프론티어 모델이 아닌 개방형 생태계(open ecosystem)가 전 산업 분야에 확산되는지 여부에 있다고 주장한다. 기사는 이 맥락에서 개방형 세계 모델(open world model)이 물리적 AI(physical AI) 연구의 최전선을 어떻게 확장하는지를 주제로 다룬다.
EPFL Biorobotics Laboratory 연구진이 시뮬레이션 제브라피시와 시각 센서를 장착한 로봇 물고기를 활용해 신체 구조가 뇌 신경 회로 형성에 미치는 영향을 연구했다. 물고기가 강물의 흐름에 맞서 위치를 유지할 때, 뇌는 시각을 통해 광학 흐름(optic flow)의 속도와 방향을 감지하고 이를 바탕으로 유영 속도와 방향을 조절한다. 연구진은 이 시각-운동 처리 메커니즘이 신경 회로 형성에 어떻게 관여하는지를 시뮬레이션과 로봇 플랫폼을 통해 검증했다.
Google DeepMind가 Gemini Robotics 2를 공개했으며, 전신 제어(whole-body control), 정밀 손동작, 다중 로봇 협업 기능을 갖춘 로봇 지능 레이어로 소개됐다. General Robotics Lab은 21자유도(DOF) 유연 소프트 스킨 로봇 손과 학습 기반 그림자 자기 모델(shadow self-model)을 활용해, 그림자·실루엣·반사상 등 신체 추상 표현이 가능한 로봇 시스템을 제시했다. Agility와 Unitree의 최신 로봇 영상도 함께 소개됐다. IEEE Spectrum Robotics의 주간 영상 모음 'Video Friday'는 IROS 2026(피츠버그, 9월 27일~10월 1일), Humanoids Summit Seoul(서울, 9월 22~23일) 등 예정 행사 일정도 함께 수록했다.
Google DeepMind가 로봇 응용을 위한 Gemini Robotics ER 2를 발표했다. 이 모델은 비디오 이해(video understanding), 태스크 오케스트레이션(task orchestration), 멀티로봇 협업(multi-robot collaboration) 세 가지 영역에서 이전 대비 개선을 목표로 한다. 로봇이 실세계 과제를 추론하고 다른 로봇과 협력하여 해결할 수 있도록 지원하는 것이 핵심 목적으로 제시됐다.
프론티어 물리적 AI(physical AI) 모델 학습에는 다중 카메라 앵글과 고밀도 어노테이션(annotation)이 필수적으로 요구된다. 여기에 뇌파(brain wave) 데이터가 새로운 학습 신호로 활용될 가능성이 논의되고 있다. 기사는 뇌파가 물리적 AI의 다음 핵심 데이터 소스가 될 수 있는지를 문제로 제기한다.
Cornell Tech 박사후연구원 Yifan He가 이끄는 연구팀은 빛을 이용해 AI 모델 파라미터를 프로세서 메모리에 직접 기록하는 광학 수신기(optical receiver) 기술을 개발했다. 이 수신기는 LED가 방출하는 광선에 의해 생성된 광전류(photocurrent)로 자체 메모리를 직접 변경하는 방식으로 작동하며, 기존 전기 신호 기반 데이터 전송과는 다른 접근법을 취한다. 해당 연구는 지난달 하와이 호놀룰루에서 열린 IEEE/JSAP VLSI Technology & Circuits 심포지엄에서 발표됐다. 연구팀에 따르면, 이 기술은 데이터센터, 자율주행차, 그리고 AI 로봇과 같은 엣지(edge) 애플리케이션에서 요구되는 에너지를 줄이는 데 기여할 수 있다.
IEEE Spectrum Robotics의 주간 로봇 영상 모음에서 이탈리아 기업 Generative Bionics가 개발한 휴머노이드 플랫폼 GENE.01이 소개됐다. GENE.01은 보행, 감지, 상호작용 기능을 갖추었으며, 전신 멀티모달(multimodal) 피부 센서를 통해 촉각·근접·힘·온도를 감지한다. 또한 Physical AI(물리 AI) 기반 구현 파운데이션 모델(embodied foundation model) GEN-1이 공개됐으며, 5지 손부터 전용 공구까지 다양한 말단 장치(end effector)를 지원한다. 기사 말미에는 IROS 2026(피츠버그, 9월 27일~10월 1일), Humanoids Summit Seoul(서울, 9월 22~23일) 등 향후 주요 행사 일정도 수록됐다.
Robohub에 게재된 이 기사는 로봇 정책(robot policy) 훈련 및 평가를 위한 상호작용형 월드 시뮬레이터(world simulator)를 소개한다. 기존 로봇 학습의 표준 절차는 실제 로봇으로 수백 건의 전문가 시연(demonstration)을 수집한 뒤 모방 학습(imitation learning) 정책을 훈련하고, 동일한 실제 로봇으로 반복 평가하는 방식이다. 기사는 이 과정에서 시뮬레이터를 활용하는 접근법을 다루며, 테이블 위 물체를 밀어내는 과제를 예시로 제시한다. 본문이 일부만 공개되어 구체적인 시뮬레이터 사양이나 실험 결과는 확인되지 않는다.
NVIDIA가 Thor 아키텍처 기반의 새로운 젯슨(Jetson) 모듈 T3000과 T2000을 공개했다. 두 모듈은 엣지(edge)에서 파운데이션 모델(foundation model)을 실행할 수 있도록 설계된 소형·저전력 AI 컴퓨팅 플랫폼이다. 범용 로봇과 자율 기계가 연구 단계를 벗어나 대량 시장 배포로 전환되는 수요에 대응하기 위해 개발되었다.
스타트업 General Intuition은 수백만 시간 분량의 비디오 게임 데이터를 활용해 물리적 AI(physical AI)용 기반 모델(foundation model)을 훈련하는 접근법을 추진하고 있다. 이 방식은 실세계 데이터 수집을 최소화하면서도 더 지능적인 로봇을 개발할 수 있도록 하는 것을 목표로 한다. TechCrunch Robotics는 해당 스타트업이 로봇공학 분야에서 대규모 언어 모델 확산에 비견되는 전환점이 가까워졌다고 주장한다고 전했다. 원문에는 구체적인 모델 사양이나 성능 수치는 공개되지 않았다.
NVIDIA와 Hugging Face가 오픈소스 로봇 학습 프레임워크 LeRobot에 새로운 모델과 프레임워크를 추가하기 위해 협력한다. 오픈소스 AI 생태계가 모델·데이터·도구 공유를 통해 개발 속도를 높여온 것처럼, 로보틱스 분야도 같은 방향을 모색한다. 현재 물리적 AI(Physical AI) 개발은 대규모 데이터셋, 로봇 기반 모델, 시뮬레이션, 컴퓨팅, 검증 도구 등이 비용이 높고 파편화되어 있어 접근이 어려운 상황이다. 양사는 이러한 장벽을 낮춰 오픈 로보틱스 커뮤니티의 연구·개발 환경을 개선하는 것을 목표로 한다.
Jaiveer Singh은 NVIDIA에서 로봇공학 소프트웨어 엔지니어로 활동하며 로봇 내부 보드, 카메라 피드 접근 소프트웨어 등 개발자용 인프라를 담당하는 팀을 이끌고 있다. 그의 접근 방식은 화려한 시연보다 로봇이 실제 환경에서 유용하게 작동하기 위해 필요한 기반 소프트웨어·하드웨어 요소에 집중한다. 다만 제공된 본문이 도입부에서 축약되어 있어 구체적인 기술 내용·수치·프로젝트 세부 사항을 확인할 수 없다.
NVIDIA Omniverse 블로그의 'Into the Omniverse' 시리즈 일환으로, 비전 AI 에이전트(Vision AI Agent)의 정확도를 높이기 위한 세 가지 워크플로를 소개한다. 해당 워크플로는 합성 데이터(synthetic data) 생성과 파인튜닝(fine-tuning) 기법을 결합하는 방식을 중심으로 구성된다. 비전 AI 에이전트는 공장 등 실물 환경의 영상 데이터를 운영 인텔리전스로 자동 변환하는 데 활용된다. 이 시리즈는 OpenUSD 및 NVIDIA Omniverse의 최신 발전을 바탕으로 개발자·3D 실무자·기업의 워크플로 개선을 목표로 한다.
General Intuition이 게임플레이 기반 AI 확장을 위해 3억 2,000만 달러를 조달했으며, 기업가치는 23억 달러로 평가된다. 이 회사는 수백만 시간 분량의 게임플레이 데이터로 AI를 학습시켜 실세계에 적용 가능한 AI 에이전트(agent)를 개발하는 것을 목표로 한다. 게임 내 행동 데이터(action data)가 AI로 하여금 인간의 직관에 가까운 의사결정 능력을 갖추게 할 수 있다는 가설에 기반한다.
NVIDIA 연구팀이 로봇 파지(grasping), 자율주행, 대규모 에이전트 학습 분야의 연구 성과를 공개했다. 로봇 그리퍼 연구는 처음 다루는 도구로도 연속적으로 물체를 파지할 수 있는 범용성 확보에 초점을 맞춘다. 자율주행 시스템 연구는 단일 상황 추론을 넘어 안전성을 높이는 방향을 목표로 한다. 본문이 일부만 공개되어 세부 수치와 방법론은 확인되지 않는다.
NVIDIA가 컴퓨터 비전 학회 CVPR에서 자율주행, 로봇, 비전 AI 시스템 개발을 위한 물리 AI(Physical AI) 에이전트 스킬을 공개했다. 이 스킬들은 단순한 모델 개선이 아닌, 개발 전체 워크플로 구축을 목표로 한다. 구체적으로 실제 환경 장면 재구성, 엣지 케이스(edge case) 시나리오 생성, 정책 훈련, 평가 파이프라인 구성 등을 지원한다.
NVIDIA는 COMPUTEX에서 Jetson 플랫폼용 JetPack 7.2와 NemoClaw 지원을 발표했다. JetPack 7.2는 에이전틱 AI(Agentic AI) 기능과 Yocto 프로젝트 지원을 새롭게 포함한다. Jetson Orin에서 CUDA 13이 지원되며, Jetson AGX Orin 32GB 모듈에서 성능이 향상됐다. 또한 NVIDIA Jetson에서 다중 인스턴스 GPU(MIG, Multi-Instance GPU) 기능이 추가됐다.
'AI 요약' 표시가 붙은 항목은 사람 검수를 거치지 않았습니다. 모든 항목은 원문 링크·매체·날짜를 함께 표기하며, 요약 외 전문은 싣지 않습니다.