로봇, AI에게 코딩을 배우다: 미래의 공장은 이미 밤새 스스로 진화 중입니다

“AI가 로봇을 가르친다?” SF 영화에서나 나올 법한 이야기가 현실이 되고 있습니다. 엔비디아의 최신 연구는 AI 코딩 에이전트들이 스스로 로봇에게 새로운 기술을 학습시키고, 심지어 문제를 해결하며 능력을 향상시키는 자율 학습 시스템을 선보였습니다. 이는 단순히 로봇이 더 영리해진다는 것을 넘어, 우리의 일상과 산업 전반에 걸쳐 자동화가 상상 이상의 속도로 진화할 수 있음을 시사합니다. 미래의 제조 공장은 인간의 개입 없이 밤새도록 스스로를 개선하고, 물류 창고의 로봇들은 더 효율적인 경로를 찾아내며, 심지어는 가정용 로봇이 예상치 못한 상황에 직면했을 때 자체적으로 해결책을 코딩해낼 수도 있다는 이야기입니다. 이러한 자율적 진화 능력은 인간의 업무 부담을 획기적으로 줄이고, 생산성을 극대화하며, 궁극적으로 우리가 생각하는 ‘로봇’의 정의 자체를 바꿀 잠재력을 가지고 있습니다.

AI, 로봇의 ‘코딩 선생님’이 되다: 밤새 스스로 진화하는 실험실

상상해 보세요. 인공지능이 로봇으로 가득 찬 실험실에서 무한한 컴퓨팅 자원과 ‘넉넉한 토큰 예산’을 부여받아 로봇에게 다양한 작업을 가르친다면 어떤 일이 벌어질까요? 엔비디아의 연구에 따르면, 이 AI 에이전트들은 로봇이 케이블 타이를 깔끔하게 자르고, 심지어 **그래픽 처리 장치(GPU)**를 마더보드의 얇은 소켓에 성공적으로 장착하는 훈련 방식을 스스로 알아낼 수 있었다고 합니다. 솔직히 말해서, 이 소식을 처음 접했을 때 저도 깜짝 놀랐습니다. 단순히 로봇이 프로그래밍된 작업을 수행하는 것을 넘어, AI가 자율적으로 훈련 계획을 수립하고, 실제 실험을 통해 오류를 분석하며, 스스로 코드를 개선하여 로봇의 성능을 향상시킨다는 점이 핵심이죠.

이러한 혁신적인 자율 로봇 훈련의 배후에는 ‘ENPIRE(Generalist Embodied Agent Research)‘라는 에이전틱 하네스 프레임워크가 있습니다. 이는 AI 모델이 다양한 도구를 활용하고, 기억, 문맥, 제약 조건, 그리고 중요한 피드백 루프와 같은 기능을 갖출 수 있도록 돕는 소프트웨어입니다. 엔비디아의 GEAR(Generalist Embodied Agent Research) 랩과 카네기 멜런 대학교, UC 버클리 연구원들의 협력으로 개발된 ENPIRE는 AI가 로봇 교육을 완전히 자율적인 방식으로 자동화할 수 있도록 만들어줍니다. 엔비디아 AI 책임자인 짐 팬(Jim Fan)이 링크드인에서 “엔비디아 GEAR 랩의 일부는 이제 밤새도록 지칠 줄 모르고 스스로 발전한다”고 말한 대목은 이 기술의 지향점을 명확히 보여줍니다. 그는 심지어 “우리는 아침에 보고서를 읽기만 하면 된다”며 농담조로 엔비디아 CEO 젠슨 황이 이 사실을 눈치채지 못할 것이라고 덧붙였습니다. 단순히 엔비디아 연구원들만을 위한 것이 아닙니다. 팬은 이 모든 기술을 오픈 소스로 공개할 것이라고 밝혀, 누구든지 자신의 “집에서 자체 실행되는 로봇 실험실”을 운영할 수 있게 될 것이라고 하니, 정말 놀랍지 않나요?

ENPIRE의 심장: AI 로봇 자율 학습의 비밀 병기

ENPIRE 하네스는 AI 코딩 에이전트가 로봇 훈련을 자율적으로 수행하게 만드는 네 가지 핵심 모듈로 구성되어 있습니다. 이 모듈들은 마치 인간의 학습 과정과 문제 해결 능력을 AI적으로 구현한 것과 같습니다.

• 자동 재설정 및 검증(Automatic Reset and Verification): 작업이 실패하거나 완료되면 로봇 시스템을 초기 상태로 되돌리고, 현재 작업의 성공 여부를 자동으로 확인합니다. 이는 시행착오를 통한 학습에 필수적인 단계입니다.
• 정책 정제(Policy Refinement): 로봇의 행동을 유도하는 **정책(알고리즘)**을 지속적으로 개선합니다. 마치 인간이 새로운 방법을 시도하고 더 나은 결과가 나오면 그 방법을 채택하는 것과 같습니다.
• 병렬 평가(Evaluation Across Multiple Physical Robots): 여러 물리적 로봇이 동시에 작업하면서 해당 정책의 효과를 평가합니다. 이는 학습 속도를 획기적으로 높이는 요소로, 마치 여러 학생이 동시에 문제를 풀고 해답을 공유하는 것과 유사합니다.
• 실패 처리(Failure Analysis): 로그를 분석하고, 관련 연구 논문을 참고하며, 훈련 인프라와 알고리즘 코드를 개선하여 실패 원인을 파악하고 해결합니다. 이 부분이야말로 AI가 단순한 실행자가 아닌, 자기 개선 능력을 가진 연구자처럼 행동하게 만드는 핵심 기능이라고 할 수 있습니다.

이 하네스는 오픈AI의 Codex(GPT-5.5), Anthropic의 Claude Code(Opus 4.7), Moonshot AI의 Kimi Code(Kimi K2.6) 등 세 가지 다른 AI 코딩 에이전트와 함께 테스트되었습니다. 각 에이전트 팀은 독자적인 알고리즘 접근 방식을 개발하고, 실제 실험을 통해 테스트하며, 반복적인 자율 주도 테스트 주기 동안 전체 성공률을 높이는 데 기여한 모든 변경 사항을 유지했습니다. 결과는 놀라웠습니다. ENPIRE를 장착한 AI 코딩 에이전트들은 T자형 블록을 목표 위치로 옮기는 표준 “Push-T” 작업, 핀 박스 정리, 케이블 타이 묶고 자르기, 그리고 GPU를 마더보드에 장착하고 다시 뽑아 다음 시도를 준비하는 등 여러 조작 작업에서 99%의 성공률을 달성했습니다. 특히 핀 삽입 및 정리 작업에서는 같은 인간 연구원들이 개발한 “최첨단 인간 개입 방법(frontier human-in-the-loop method)“보다도 더 빠르게 거의 100%의 성공률을 달성했습니다.

더 나아가, 최대 8개의 AI 코딩 에이전트 팀이 4개 에이전트 팀이나 단일 에이전트보다 더 빠르게 높은 성공률을 달성할 수 있음이 입증되었습니다. 예를 들어, Push-T 작업에서 8개 에이전트 팀은 2시간 만에 99%의 성공률을 달성했지만, 4개 에이전트 팀은 3시간, 단일 에이전트 팀은 거의 5시간이 걸렸습니다. 이는 AI 협업의 효율성을 극명하게 보여주는 결과입니다. 개인적으로는 이러한 대규모 에이전트 팀워크가 미래의 AI 개발 및 연구 방식에 미칠 영향이 상당할 것이라고 생각합니다. 복잡한 문제 해결에 있어 단순히 하나의 강력한 AI 모델을 사용하는 것을 넘어, 여러 특화된 AI 에이전트들이 협력하고 정보를 공유하는 분산형 지능 시스템이 더욱 각광받을 가능성이 높습니다.

놀라운 성공 뒤에 가려진 ‘그림자’: 한계점과 비용 문제

물론, 이러한 자율 AI 로봇 훈련의 눈부신 성공에도 불구하고 인간 연구원들은 몇 가지 중요한 한계점을 발견했습니다.

• 로봇의 유휴 시간: 코딩 에이전트가 로그를 읽고, 코드를 작성하며, 디버깅하거나, 언어 모델 백본(LLM)을 기다리는 동안 로봇들은 종종 유휴 상태로 앉아 사용되지 않았습니다. AI 에이전트의 ‘생각하는 시간’이 로봇의 물리적 작업 시간을 잡아먹는 비효율이 발생한 것이죠.
• 대규모 팀의 비효율: 에이전트 팀의 규모가 커질수록 서로의 아이디어를 요약하는 데 더 많은 시간을 할애하고, 실제로 로봇을 사용하는 시간은 줄어드는 경향을 보였습니다. 이는 인간 조직에서 종종 발생하는 ‘회의 과다’ 문제와 비슷해 보입니다.
• 컴퓨팅 자원 활용 미흡: 코딩 에이전트들이 병렬 훈련 세션을 시작할 때 사용 가능한 컴퓨팅 자원을 완전히 활용하지 못하는 경우도 있었습니다.
• 높은 토큰 소비: 더 많은 에이전트와 로봇이 함께 작동하여 더 빠른 성공률을 달성하는 것은 더 높은 토큰 소비라는 비용을 동반했습니다. 이는 현재 Anthropic과 같은 AI 개발자들이 AI 서비스 사용에 대한 토큰 관련 비용을 크게 늘릴 수 있는 가격 변경을 고려하는 시점에서 주목할 만한 고려사항입니다.

이 부분에서 주목할 점은 바로 토큰 소비량입니다. AI 모델, 특히 LLM 기반의 코딩 에이전트가 방대한 양의 코드를 생성하고, 디버깅하고, 분석하며, 동료 에이전트와 소통하는 과정에서 엄청난 양의 토큰을 소모하게 됩니다. 현재 AI 서비스 요금은 토큰 사용량에 비례하는 경우가 많기 때문에, 이러한 자율 학습 시스템이 상용화될 경우 그 운영 비용이 만만치 않을 수 있습니다. 특히 앤트로픽(Anthropic)과 같은 선도 기업들이 토큰 관련 비용 인상을 논의하고 있다는 점을 고려할 때, 효율적인 토큰 사용 전략 개발이 자율 AI 로봇 훈련 시스템의 경제적 타당성을 결정하는 핵심 요소가 될 것으로 보입니다. 단순히 성능 향상만을 쫓는 것이 아니라, 비용 효율성까지 고려한 최적화가 미래에는 더욱 중요해질 것이라는 저의 관점입니다.

엔비디아의 큰 그림: 물리적 AI 시대를 향한 전진

엔비디아는 AI 붐으로 얻은 막대한 자금을 바탕으로 **‘물리적 AI(physical AI)‘**에 대한 비전을 여러 로봇 이니셔티브를 통해 적극적으로 추진하고 있습니다. 이번 연구는 그 큰 그림의 중요한 한 조각입니다. 지난 5월 31일, 엔비디아는 중국의 저명한 로봇 기업인 유니트리(Unitree)와 파트너십을 맺고 범용 AI 기반 로봇을 개발하는 연구실에 **“레퍼런스 휴머노이드 로봇”**을 제공하겠다고 발표했습니다. 또한, 젠슨 황 CEO는 6월 초 한국 방문 시 현대자동차그룹 정의선 회장과 만나 AI 기반 로봇의 대량 생산 확대를 논의했습니다. 현대차그룹은 이미 유명한 사족보행 로봇 ‘스팟(Spot)‘을 보유한 미국 로봇 기업 보스턴 다이내믹스(Boston Dynamics)를 소유하고 있으며, 휴머노이드 로봇 ‘아틀라스(Atlas)‘의 상용화도 추진 중이죠.

엔비디아는 단순히 GPU를 판매하는 하드웨어 기업을 넘어, AI 시대의 핵심 인프라와 플랫폼을 제공하는 기업으로 자리매김하려는 강력한 의지를 보이고 있습니다. 이번 ENPIRE 프레임워크 공개와 같은 행보는 그들의 전략을 명확히 보여줍니다. 로봇이 스스로 배우고 개선할 수 있는 환경을 만들고, 이 환경의 핵심에는 엔비디아의 기술이 자리 잡도록 하는 것입니다. 오픈 소스화를 통해 더 많은 개발자와 연구자들이 이 기술을 활용하게 함으로써, 엔비디아는 CUDA 생태계를 만들었던 것처럼, 로봇 AI 분야에서도 새로운 표준과 생태계를 선점하려는 전략을 구사하는 것으로 보입니다. 이렇게 되면 결국 로봇 AI 기술이 발전할수록 엔비디아의 칩과 소프트웨어 스택에 대한 의존도는 더욱 높아질 수밖에 없습니다. 이는 정말 영리한 움직임이라고 할 수 있습니다.

결론: 자율 로봇의 미래, 기대와 과제

AI 코딩 에이전트가 로봇을 자율적으로 훈련시키는 이번 엔비디아의 연구는 로봇 공학과 인공지능 분야의 중대한 이정표가 될 것입니다. 과거에는 복잡한 작업 수행을 위해 인간 프로그래머가 로봇의 모든 동작을 세밀하게 코딩해야 했지만, 이제 AI는 스스로 시행착오를 거치고, 학습하고, 심지어 코드를 개선하며 로봇의 능력을 향상시키는 단계에 이르렀습니다. 이는 로봇이 더욱 빠르게, 그리고 훨씬 광범위한 영역에서 인간의 삶에 통합될 수 있음을 의미합니다. 제조, 물류, 서비스, 심지어 우주 탐사에 이르기까지 자율 로봇의 활용 가능성은 무궁무진합니다.

하지만 로봇 유휴 시간, 대규모 에이전트 팀의 소통 비효율성, 그리고 무엇보다 높은 토큰 소비와 같은 한계점들은 이 기술이 상용화되기 전에 반드시 해결해야 할 과제입니다. 특히 경제적 효율성은 대규모 도입의 핵심 요소이므로, 성능과 비용 사이의 균형점을 찾는 것이 중요합니다. 엔비디아와 같은 선도 기업들이 ‘물리적 AI’ 시대를 향해 나아가는 현재, 이 기술이 가져올 파급력은 상상 이상일 것입니다. 우리는 이 흥미로운 여정의 시작점에 서 있으며, 앞으로 AI가 로봇에게 무엇을 가르치고, 로봇은 또 어떤 놀라운 능력을 보여줄지 기대하지 않을 수 없습니다.

---

출처

• 원문 제목: AI coding agents taught robots how to install GPUs and cut zip ties
• 출처: Artificial Intelligence - Ars Technica
• 원문 기사 보러가기