95%와 10% 사이: Astra는 피지컬 AI를 어디까지 바꿀 것인가

2026년 9월 11일 공개자료 기준. 개별 개발자의 시연과 비교실험, Astra의 성과와 다른 모델을 사용한 선행연구를 구분했습니다. 종목 투자판단은 다루지 않습니다.

Astra의 가장 큰 파급효과는 로봇을 직접 움직이는 능력보다, 로봇을 설계하고 가르치고 검증하는 비용을 낮추는 데서 먼저 나타날 가능성이 큽니다. 현재 공개 사례는 범용 모델의 실제 로봇 조작과 제어 프로그램 작성 능력을 보여주지만, 정밀 작업과 실시간 제어까지 해결했다는 증거는 아닙니다.

투자에서는 인상적인 동작보다 새 작업을 상용화하는 데 필요한 시간, 사람의 개입, 성공한 작업 한 건의 총비용을 확인해야 합니다.

드론 영상에서 먼저 구분해야 할 것

사무실을 돌아다니며 특정 사람을 찾아 따라가는 드론은 강력한 장면입니다. 그러나 Andon Labs의 Drone-Bench를 “Astra가 카메라를 보면서 드론의 모든 동작을 실시간으로 결정하고, 전체 임무를 자율적으로 완수한 실험”으로 읽으면 공개자료가 입증한 범위를 넘어섭니다.

Drone-Bench는 AI가 드론 자율비행에 필요한 프로그램을 얼마나 잘 작성하는지 평가합니다. 공간 재구성, 위치 추정, 이동, 사람 탐지, 추적을 별도 과제로 나누고, 사람이 코딩 에이전트와 함께 만든 기준 프로그램과 비교합니다. 모델은 코드를 제출하고 평가 결과를 받아 수정합니다. Andon Labs의 평가 설명

실험 조건도 중요합니다. 과제별로 앞 단계의 정상적인 입력을 제공하며, 이동과 추적은 실제 드론에 맞춘 물리 시뮬레이션에서 평가합니다. 모델이 작성한 모든 구성요소를 연결해 실제 사무실에서 처음부터 끝까지 성공하는 것과는 다른 시험입니다. Drone-Bench 기술 보고서

그렇다고 의미가 작지는 않습니다. 오히려 이 사례는 피지컬 AI에 대한 중요한 질문을 드러냅니다.

범용 AI가 로봇의 제어기가 되는 것과, 로봇 제어기를 만드는 엔지니어가 되는 것 중 어느 쪽이 산업을 더 빨리 바꿀까요?

둘 다 중요하지만, 상용화까지 거쳐야 하는 검증의 종류와 비용은 상당히 다릅니다.

드론 이외에 Astra가 보여준 것

공개 사례를 모아보면 실제 로봇 조작, 물리 시뮬레이터에서의 제어 프로그램 작성, 설계·개발 도구 사용으로 나뉩니다. 이들을 모두 ‘로봇 학습에 성공했다’는 한 문장으로 묶어서는 안 됩니다.

실제 로봇팔: 물체 옮기기는 크게 개선됐지만, 정밀 끼워 넣기는 그대로였습니다

9월 4일 RoboCurve는 실제 YAM 로봇팔을 이용한 비교 결과를 공개했습니다. 모델별·과제별로 20회씩 시험했습니다.

과제	Fable 5.1	GPT-6 Astra
블록을 집어 그릇에 넣기	8/20회, 40%	19/20회, 95%
원형 퍼즐을 맞는 홈에 끼워 넣기	2/20회, 10%	2/20회, 10%

블록 과제의 회당 추정 모델 비용은 Fable 5.1의 2.12달러에서 Astra의 0.94달러로 낮아졌습니다. 다만 블록 비교는 서로 다른 실험 장비 세트에서 진행됐고, Astra 시험은 이틀 뒤에 실시됐습니다. 평가자는 모델을 알고 있었으며 물체는 사람이 재배치했습니다. 퍼즐 비교는 같은 장비에서 진행됐습니다. 모델 교체만의 인과효과를 정확히 추정한 실험은 아닙니다.

제어 방식도 ‘모델이 모터를 직접 구동했다’는 설명과 다릅니다. 카메라 영상과 로봇 상태를 받은 모델이 손끝의 목표 위치·방향과 집게 상태를 지정하면, 역기구학 계산기가 이를 관절 각도로 바꿉니다. 역기구학은 원하는 손끝 위치를 만들기 위해 각 관절을 얼마나 움직여야 하는지 계산하는 기술입니다. RoboCurve의 결과와 실험 조건

이 결과에서 읽을 수 있는 변화는 범용 모델이 비교적 단순한 조작 과제에서 유용한 동작을 더 효율적으로 선택할 수 있다는 것입니다. 반면 이를 공장 조립 능력으로 확대 해석하기는 어렵습니다.

그릇은 위치 오차를 어느 정도 받아줍니다. 홈에 부품을 끼우는 작업은 그렇지 않습니다. 정밀 작업의 낮은 성공률은 공간 추정, 카메라 보정, 접촉 상태 파악, 동작 정밀도 등 여러 원인에서 나올 수 있습니다. 이 실험만으로 “촉각 센서만 달면 해결된다”거나 “언어모델의 물리 이해가 부족해서 실패했다”고 원인을 단정할 수는 없습니다.

실제 그림 그리기: 관측하면서 작업을 수정하는 시연

개발자 Thijs는 Astra에 로봇, 붓, 카메라를 연결해 금문교를 그리게 한 사례를 공개했습니다. 작성자는 Astra가 로봇 제어 방법을 구성하고, 시도하면서 결과를 개선했다고 설명했습니다. 실제 물리 장비를 사용한 사례지만, 반복 성공률이나 다른 모델과의 통제 비교는 공개 게시물에서 확인되지 않습니다. 개발자의 공개 시연

여기서 주목할 부분은 그림의 예술성이 아닙니다. 의도한 결과와 카메라에 보이는 실제 결과 사이의 차이를 다음 행동에 반영하는 과정입니다.

다만 ‘시도하면서 좋아졌다’는 말과 ‘로봇 기술을 학습했다’는 말 사이에는 거리가 있습니다. 작업 계획이나 제어 코드를 수정했을 수 있고, 이전 실패를 대화 문맥에 보관했을 수도 있습니다. 그것만으로 모델 가중치가 갱신됐거나, 다음 세션에서도 유지되는 새로운 운동 능력을 습득했다고 볼 수는 없습니다.

여섯 다리와 두 팔: 낯선 로봇 구성을 조합하는 개발 능력

Dmytro Hrybov는 Astra에 여섯 다리와 두 로봇팔을 가진 로봇을 만들고, 테이블 사이에서 물체를 옮기도록 요청했습니다. 공개 설명에 따르면 Astra는 MuJoCo 물리 시뮬레이터 안에서 몸체와 환경을 구성하고, 기존 Kinova Gen3 로봇팔 모델을 통합했으며, 보행·집기·이동·배치 코드를 작성했습니다. 개발자의 공개 시연

이는 실제로 제작된 로봇의 실험이 아닙니다. 또한 로봇의 모든 요소를 무에서 발명한 사례도 아닙니다. 기존 자산을 가져와 새로운 몸체와 작업에 맞게 결합한 것입니다.

투자 관점에서는 바로 그 조합 능력이 중요합니다. 기존 부품과 소프트웨어가 있어도 인터페이스, 좌표계, 관절 제약, 작업 순서를 맞추는 개발 부담은 남습니다. 이 사례는 그 부담의 일부를 범용 에이전트가 맡을 수 있다는 초기 신호로 볼 수 있습니다.

두 휴머노이드의 공 주고받기: 빠르게 움직이는 코드를 만드는 능력

Hevar Abrihem은 두 Unitree G1 모델이 공을 주고받는 MuJoCo 시뮬레이션을 공개했습니다. 작성자는 Astra가 제어기를 포함한 코드를 작성했으며, 시뮬레이션에는 구동기 기능이 포함됐다고 설명했습니다. 실제 휴머노이드 두 대가 수행한 실험은 아닙니다. 개발자의 공개 시연

여기서도 구분해야 합니다. Astra가 빠르게 실행되는 제어 코드를 작성했다는 것과, Astra 자체가 같은 속도로 매 순간 관절 명령을 계산했다는 것은 다릅니다.

개발 과정에서 오래 생각하더라도, 완성된 제어 프로그램은 빠르게 실행될 수 있습니다. 로봇을 위한 코드 생성이 직접 제어보다 먼저 경제성을 확보할 수 있는 이유입니다.

CAD와 가상환경: 로봇 개발에 필요한 주변 작업으로의 확장

OpenAI는 Astra의 공식 발표에서 여러 시점의 렌더링을 보고 CAD 코드를 만드는 BenchCAD 결과와, Blender로 만든 공간을 Unreal Engine의 탐색 가능한 환경으로 옮기는 사례를 제시했습니다. BenchCAD의 도구 사용 조건에서 Astra의 기하학적 일치도 점수는 95.9%, GPT-5.6 Sol은 83.3%였습니다. 이는 형상 재현 점수이지, 제조 가능성이나 로봇 성능의 검증 수치가 아닙니다. OpenAI의 Astra 발표

그럼에도 로봇 개발과 연결할 여지는 있습니다. 몸체와 작업 공간을 구성하고, 가상환경을 만들고, 제어 코드를 붙이는 과정이 하나의 에이전트 작업으로 이어질 수 있기 때문입니다.

다만 외형이 그럴듯한 가상 로봇과 실물로 옮겨도 제대로 움직이는 로봇은 다릅니다. 질량, 마찰, 관절 유격, 구동기 지연까지 맞았는지는 별도로 확인해야 합니다.

범용 에이전트의 발전이 로봇 능력으로 이어지는 이유

Astra의 내부 학습 구성만으로 이 현상을 설명하기는 어렵습니다. 확인한 공개자료만으로는 로봇 데이터가 얼마나 포함됐는지, 어떤 학습이 각각의 성능 향상에 기여했는지 알 수 없습니다. 따라서 “로봇 데이터를 전혀 보지 않았는데 물리를 깨우쳤다”는 설명은 피해야 합니다.

현재 관측할 수 있는 설명은 시스템 수준에 있습니다.

세계에 대한 지식이 행동의 선택지를 줄입니다

로봇은 움직이기 전에 무엇을 해야 하는지 알아야 합니다. 물체의 용도, 사람의 지시, 작업 순서, 피해야 하는 상황을 이해하면 무작위로 탐색해야 할 범위가 줄어듭니다.

이 경로 자체는 Astra 이전부터 연구됐습니다. Google의 RT-2는 웹에서 학습한 시각·언어 지식과 로봇 동작 데이터를 함께 활용해, 새로운 물체나 지시를 해석하는 능력을 로봇 행동으로 연결했습니다. 여기서 중요한 사실은 웹 지식이 도움이 됐지만 로봇 동작 데이터도 함께 사용했다는 점입니다. RT-2 논문

범용 모델이 발전하면 로봇이 매번 작업의 의미부터 배울 필요는 줄어들 수 있습니다. 하지만 물건을 어떤 힘으로 잡아야 미끄러지지 않는지, 얼마나 밀어야 끼워지는지는 여전히 물리적 경험과 제어의 문제로 남습니다.

코드가 언어와 물리 제어 사이를 연결합니다

로봇 행동을 반드시 관절 명령의 긴 배열로만 표현할 필요는 없습니다. 물체를 찾고, 목표 위치를 계산하고, 집는 함수를 호출하고, 실패하면 다시 접근하는 프로그램으로 표현할 수도 있습니다.

Google의 Code as Policies는 이미 2022년에 언어모델이 지각 결과와 로봇 기능을 결합하는 제어 코드를 작성하는 방식을 제시했습니다. 모델은 기존 기능을 재조합하고, 계산 도구를 사용하며, 조건과 반복문으로 행동을 구성했습니다. Code as Policies 연구

이 방식에서는 모델이 모든 물리 계산을 내부에서 정확히 수행할 필요가 없습니다. 좌표 변환은 수학 라이브러리가, 관절 계산은 역기구학 계산기가, 접촉 시뮬레이션은 물리 엔진이 담당할 수 있습니다.

범용 모델의 역할은 이 도구들을 올바른 순서로 사용하고, 결과가 틀렸을 때 어디를 고칠지 판단하는 쪽으로 확대됩니다.

따라서 최근의 진전은 “언어모델이 갑자기 모터 제어기가 됐다”기보다, 기존 로봇 기술을 더 넓은 문제에 연결하는 능력이 좋아졌다는 해석이 더 안전합니다.

한 번에 맞히는 능력보다, 틀린 뒤 복구하는 능력이 중요해집니다

로봇 작업은 첫 계획대로만 진행되지 않습니다. 집으려던 물체가 움직이거나, 집게가 헛돌거나, 목표 지점이 가려질 수 있습니다.

이때 필요한 것은 최초의 계획을 계속 실행하는 능력이 아닙니다. 새 관측을 받아 이전 가정을 버리고, 상황에 맞는 행동을 다시 선택하는 능력입니다. RT-2의 의미 이해와 Code as Policies의 실행 가능한 프로그램은 서로 다른 방식으로 이 문제에 접근합니다. RT-2, Code as Policies

에이전트가 긴 작업을 유지하고 실패를 해석하는 능력이 발전하면, 로봇의 가치도 한 번의 성공에서 반복 운영으로 이동할 수 있습니다. 특히 처음 보는 예외 상황을 만났을 때, 작업을 안전하게 중단하거나 다른 방법으로 재개하는 능력이 중요해질 것입니다.

다만 실패를 문맥에 기록하는 것, 제어 프로그램을 고치는 것, 별도의 로봇 정책을 재학습하는 것은 구분해야 합니다. 앞의 두 가지는 모델 가중치를 바꾸지 않고도 가능합니다. 세 번째는 데이터를 모아 실제 학습을 수행해야 합니다.

더 큰 변화는 ‘로봇을 가르치는 AI’에서 나올 수 있습니다

현재 확인한 공개자료에서는 Astra가 로봇 정책의 가중치를 대규모로 학습시켜, 기존 방법보다 학습 데이터 효율이나 실물 전이 성능을 개선했다는 엄밀한 비교실험은 찾지 못했습니다. 공개 Astra 사례의 중심은 직접 조작, 제어 프로그램 작성, 실행 결과에 따른 수정입니다.

하지만 더 강한 범용 에이전트가 로봇 학습을 가속할 수 있는 경로는 선행연구에서 이미 확인됩니다. 다음 사례들은 Astra의 성과와 구분해서 봐야 합니다.

Eureka: 로봇이 무엇을 잘해야 하는지 AI가 작성합니다

강화학습에서는 로봇의 행동에 점수를 주는 보상함수가 중요합니다. 목표에 가까워지는 동작에는 점수를 주고, 넘어지거나 불필요하게 움직이는 행동에는 불이익을 주는 식입니다.

2023년 발표된 Eureka는 GPT-4가 보상함수 코드를 만들고, 로봇 정책을 학습시킨 뒤, 결과를 보고 보상함수를 개선하는 방식을 사용했습니다. 10가지 로봇 형태에 걸친 29개 시뮬레이션 과제에서 평가했으며, 연구진은 과제의 83%에서 사람이 설계한 보상보다 우수했다고 보고했습니다. Eureka 연구

여기서 언어모델은 로봇의 손가락을 매 순간 움직이지 않습니다. 로봇을 가르치는 기준을 만들고 수정하는 역할을 합니다. 실제 동작 능력은 별도의 학습 과정에서 만들어집니다.

Astra 같은 에이전트가 더 나은 코드를 작성하고 학습 결과를 더 잘 해석한다면, 이 과정에서 연구자가 직접 개입해야 하는 횟수를 줄일 수 있습니다. 다만 그것이 Astra에서 어느 정도의 개선으로 이어지는지는 별도 실험이 필요합니다.

DrEureka: 가상환경의 성공을 실물로 옮기는 조건을 찾습니다

시뮬레이션에서 잘 움직이는 로봇이 실제 환경에서는 실패할 수 있습니다. 가상환경의 물리 조건과 현실이 다르기 때문입니다.

2024년 DrEureka는 언어모델을 이용해 보상함수와 학습 중 변화시킬 물리 조건을 구성했습니다. 질량이나 마찰처럼 달라질 수 있는 조건을 폭넓게 경험하게 만들어, 가상환경에서 배운 정책이 실제 장비에서도 작동하도록 하는 접근입니다. 연구진은 실물 사족보행 로봇의 이동과 요가볼 위에서 균형을 잡으며 움직이는 과제를 시연했습니다. DrEureka 연구

이 연구의 의미는 로봇이 인터넷 지식만으로 현실에 적응했다는 데 있지 않습니다. 현실에서 실패하지 않도록 가상환경을 어떻게 구성할지 정하는 엔지니어링 작업에 언어모델이 기여했다는 점입니다.

앞으로 에이전트가 실물 실패 기록까지 분석해 가상환경을 보정할 수 있다면, 같은 시뮬레이션 연산으로 더 유용한 학습을 할 여지가 있습니다. 이는 단순히 더 많은 가상 영상을 만드는 것과 다른 경쟁력입니다.

R2S-Eval: 로봇을 평가하는 일도 자동화됩니다

학습을 빠르게 돌려도 결과를 사람이 일일이 확인해야 한다면 그 부분이 병목으로 남습니다.

R2S-Eval은 실제 로봇과 맞춘 시뮬레이션에서 동작 영상을 만들고, 시각·언어모델이 결과를 비교·평가하는 방식을 제시했습니다. 실제 환경에 맞춘 7개 과제에서는 사람의 영상 쌍별 선호 판단과 91.9%의 일치도를 보고했습니다. 이는 작업 성공률 91.9%가 아니라 평가 판단의 일치도입니다. Astra를 평가자로 사용해 얻은 결과도 아닙니다. R2S-Eval 연구

이 방향이 발전하면 에이전트는 제어기를 만드는 데서 멈추지 않고, 어떤 제어기가 더 낫고 어떤 실패가 반복되는지 판단하는 데도 관여할 수 있습니다.

다만 평가기가 잘못된 행동을 성공으로 인정하면, 자동화는 그 오류를 더 빠르게 확대할 수 있습니다. 학습과 평가를 자동화할수록 실제 장비의 성능과 평가 점수가 얼마나 일치하는지 검증하는 작업은 더 중요해집니다.

세 연구를 연결하면 다음과 같은 개발 과정이 보입니다.

작업 정의 → 가상환경 구성 → 보상·제어 코드 작성 → 학습 → 평가 → 실패 분석 → 수정

저는 이 과정의 자동화가 범용 에이전트 발전이 피지컬 AI에 미치는 가장 큰 경로 중 하나라고 봅니다. 측정해야 할 생산성도 “코드를 몇 줄 만들었는가”보다 엔지니어 한 명이 하루에 검증할 수 있는 유효한 가설이 얼마나 늘었는가에 가깝습니다.

로봇은 AI가 생각하는 동안 기다려주지 않습니다

이 한계는 성공 시연보다 실패 실험에서 더 선명하게 드러납니다.

앞서 두 휴머노이드의 공 주고받기를 공개했던 Hevar는, 후속 GPT-6 실험에서 Unitree G1이 높이 8cm의 턱을 오르도록 했습니다. 시뮬레이션 시간으로 20밀리초마다 모델에 상태를 주고, 29개 관절의 목표 각도를 받았습니다. 사전 학습된 보행 정책이나 별도의 균형 제어기는 사용하지 않았다고 설명했습니다. 추론하는 동안 물리 시뮬레이션은 정지했습니다.

첫 시도에서 한 발을 턱 위에 올렸지만 체중을 옮겨 올라서지는 못했습니다. 공개된 수치는 모델 호출 89회, 실제 경과시간 44분, 모델이 제어한 동작 시간 1.774초였습니다. 여기서 50Hz는 시뮬레이션상의 제어 간격이지, 모델이 현실 시간으로 초당 50번 추론했다는 뜻이 아닙니다. 개발자가 공개한 실패 실험과 시간 조건

이 사례는 두 가지를 동시에 보여줍니다. 범용 모델이 저수준 동작을 선택하는 실험 자체는 가능해졌습니다. 그러나 유용한 동작을 생각해내는 능력과, 물리 세계가 요구하는 시간 안에 안정적으로 실행하는 능력은 별개의 문제입니다.

당분간은 ‘신중한 판단’과 ‘빠른 운동’의 분업이 유력합니다

상위 모델은 목표를 해석하고, 작업 순서를 정하고, 예외 상황에서 계획을 바꿀 수 있습니다. 하위 제어기는 관절과 접촉 상태에 빠르게 반응하며 균형과 움직임을 유지합니다. 여기에 속도·힘·작업 범위를 제한하는 안전 기능이 별도로 필요합니다.

이 방향은 이미 연구되고 있습니다. NVIDIA의 GR00T N1은 느린 시각·언어 처리와 빠른 운동 생성을 결합하는 구조를 제시했습니다. Jim Fan의 GR00T N1 발표 설명

다만 분업이 반드시 서로 다른 회사의 두 모델을 연결한다는 뜻은 아닙니다. 하나의 통합 모델 안에서 기능을 나눌 수도 있고, 범용 모델과 로봇 전용 모델을 결합할 수도 있습니다.

따라서 Astra의 발전을 근거로 시각·언어 정보를 동작으로 바꾸는 VLA 모델이 필요 없어졌다고 판단하기는 이릅니다. 범용 모델이 VLA의 상위 판단을 맡거나, 학습 데이터를 만들거나, 작은 동작 모델을 훈련하는 데 기여할 수도 있습니다. 어느 구성이 유리한지는 정확도뿐 아니라 지연시간, 전력, 통신, 실패 복구 비용에 달려 있습니다.

에이전트 성능 향상이 로봇의 비용 구조를 바꾸는 방식

모델 호출 가격보다 ‘성공한 작업 한 건의 비용’이 중요합니다

앞선 블록 실험의 추정 모델 비용을 단순히 성공 횟수로 나누면 다음과 같습니다. 소수점 둘째 자리로 반올림했습니다.

Astra: (20회 × 0.94달러) ÷ 19회 = 성공당 약 0.99달러

Fable 5.1: (20회 × 2.12달러) ÷ 8회 = 성공당 5.30달러

해당 표본에서는 약 81.3% 낮습니다. 다만 연구자의 추정 가격에 근거한 계산이고, 실험 장비 차이도 있어 순수한 모델 개선 효과로 볼 수 없습니다. 로봇 가격과 사람의 재배치 비용도 빠져 있습니다. 계산에 사용한 RoboCurve 원자료

이 계산이 보여주는 것은 더 비싼 모델과 더 싼 모델의 단순한 비교가 아닙니다. 좋은 모델이 불필요한 시도와 실패를 줄이면, 단위 토큰 가격이 높아도 작업 기준 비용은 낮아질 수 있다는 것입니다.

상용화에서는 분모와 분자를 더 엄격히 정의해야 합니다.

납품 가능한 작업당 총비용 = (장비·운영·추론·인력개입·재작업·정지 비용) ÷ 품질 기준을 통과한 완료 작업 수

비용이 거의 들지 않는 시뮬레이션 재시도와, 공장에서 사람이 들어가 로봇을 복구하는 재시도는 같은 실패 한 번이 아닙니다.

성공률 95%는 장시간 자율운영의 보증이 아닙니다

단순한 가정을 해보겠습니다. 각각의 성공 확률이 같고 서로 독립적인 동작 20개를 연속으로 완료해야 하며, 중간 복구가 없다고 합시다.

동작별 성공률이 95%라면 전체 성공률은 0.95의 20제곱 ≈ 35.8%입니다. 동작별 성공률이 99.9%라면 0.999의 20제곱 ≈ 98.0%입니다.

이는 특정 로봇의 성능 예측이 아니라, 여러 단계를 묶을 때 신뢰도가 어떻게 달라지는지 보여주는 가정 계산입니다. 실제 실패는 서로 연관될 수 있고, 복구 기능이 있으면 결과도 달라집니다.

바로 이 때문에 에이전트의 발전이 중요합니다. 모든 동작을 완벽하게 만드는 것 외에도, 실패를 발견하고 안전하게 되돌아가 다시 시도하는 능력으로 전체 작업의 신뢰도를 높일 수 있기 때문입니다.

물론 복구 자체도 성공률과 시간이 측정돼야 합니다. 영상에서 편집된 재시도나 화면 밖의 사람 개입을 자율성으로 계산해서는 안 됩니다.

개발비가 낮아지면 자동화할 수 있는 작업의 범위가 넓어집니다

제 판단으로는 초기 파급효과가 큰 영역은 범용 가정용 휴머노이드보다, 기존 장비에 새로운 작업을 적용하는 과정일 수 있습니다.

경제성은 대략 작업당 절감액에 작업량을 곱한 값과, 도입·개발·운영 비용의 비교로 결정됩니다. 물량이 적거나 자주 바뀌는 작업은 반복 동작 자체보다 처음 설정하는 비용 때문에 자동화가 어려울 수 있습니다.

에이전트가 환경 구성, 코드 작성, 시험, 오류 분석에 드는 비용을 줄인다면, 이전에는 투자비를 회수하기 어려웠던 작업도 도입 후보가 됩니다. 이는 로봇 한 대의 성능 향상과 다른 종류의 시장 확대입니다.

다만 개발 시간을 줄였다고 전체 도입 시간이 같은 비율로 줄지는 않습니다. 실물 시험, 현장 설치, 안전 검증, 고객의 운영 변경이 그대로 남으면 그 부분이 새로운 병목이 됩니다.

데이터의 가치는 사라지기보다 달라질 가능성이 큽니다

범용 모델이 발전하면 로봇 데이터가 필요 없어질까요? 공개 연구는 그 결론을 지지하지 않습니다.

RT-2는 웹 지식과 로봇 동작 데이터를 함께 사용했고, DrEureka는 물리 조건을 변화시키며 정책을 학습시켰으며, R2S-Eval은 실제 로봇에 맞춘 가상환경을 평가의 기준으로 삼았습니다. 방법은 달라도 현실 행동과 연결되는 정보가 필요했습니다. RT-2, DrEureka, R2S-Eval

다만 어떤 데이터가 희소한지는 달라질 수 있습니다.

물체의 이름, 대략적인 용도, 일반적인 작업 순서는 범용 모델이 이미 상당 부분 제공할 수 있는 영역입니다. 반면 특정 집게와 부품이 만났을 때의 미끄러짐, 힘을 준 뒤의 변형, 실패 직전의 센서 변화, 복구에 성공한 동작은 현장과 장비에 더 밀접합니다.

저는 장기적으로 일반적인 성공 영상의 양보다, 실패 원인을 설명하고 다음 정책을 개선할 수 있는 데이터의 가치가 상대적으로 커질 가능성에 주목합니다.

예를 들어 “부품 삽입 실패”라는 결과만 저장하는 것과, 카메라 영상·힘·관절 상태·명령·사람의 복구 행동을 같은 시간축으로 기록하는 것은 활용도가 다릅니다. 후자는 가상환경을 보정하거나, 실패 감지기를 만들거나, 새로운 정책을 평가하는 데 사용할 여지가 있습니다.

또 하나의 조건은 권리입니다. 고객 현장에서 데이터를 수집할 수 있다는 것과, 그 데이터를 다른 고객을 위한 모델 개선에 사용할 수 있다는 것은 다릅니다. 데이터 규모를 경쟁력으로 평가하기 전에 수집·학습·재사용 권한부터 확인해야 합니다.

VC가 다시 평가해야 할 사업

범용 모델 위에 얇게 붙은 로봇 소프트웨어

자연어 명령을 받아 몇 개의 로봇 기능을 호출하는 것만으로는 장기적인 차별화를 설명하기 어려워질 수 있습니다. 이미 Inspect Robots 같은 공개 도구는 여러 로봇에 대한 모델 실행, 동작 제한, 기록과 재생을 지원합니다. Inspect Robots 공식 문서

제품 가치가 없다는 뜻은 아닙니다. 고객이 설치·통합·운영을 대신해주는 서비스에 비용을 지불할 수는 있습니다. 다만 그것을 독점적인 모델 기술과 같은 방식으로 평가해서는 안 됩니다.

검토할 질문은 “Astra를 연결했는가”가 아니라 “고객이 직접 Astra와 공개 도구를 연결했을 때보다 무엇이 얼마나 개선되는가”입니다.

로봇 전용 모델 기업

범용 모델의 발전은 위협이자 학습 도구입니다. 일반적인 지시 이해와 계획 능력이 외부에서 공급된다면, 전용 모델 기업은 더 적은 자원으로 제품을 만들 수도 있습니다.

반대로 기업가치를 자체 모델에 두고 있다면 차별화의 증명 기준은 높아집니다. 같은 하드웨어와 센서, 같은 작업 조건에서 범용 모델 기반 시스템보다 정확도·지연시간·전력·복구 성능 중 무엇이 얼마나 나은지 보여줘야 합니다.

범용 모델은 제한된 설정으로 시험하고 자체 모델은 현장별로 오랫동안 최적화한 뒤 비교하면, 무엇이 우위의 원인인지 알 수 없습니다. 모델 성능과 제품 통합 성능을 각각 측정해야 합니다.

학습·시뮬레이션·평가 도구 기업

에이전트가 더 많은 실험을 만들수록, 결과를 믿을 수 있게 검증하는 도구의 가치가 커질 수 있습니다. Eureka, DrEureka, R2S-Eval은 학습 설계와 현실 전이, 평가가 각각 자동화 대상이 될 수 있음을 보여줍니다. Eureka, DrEureka, R2S-Eval

그러나 코드 생성 기능만 제공하는 도구는 범용 모델에 흡수될 위험이 있습니다. 더 강한 방어력은 고객의 실제 장비와 맞춘 환경, 현장 성능을 예측하는 평가체계, 반복 실패를 줄인 실적에서 나올 가능성이 큽니다.

평가 점수가 높아지는 것과 실제 생산성이 좋아지는 것을 연결해 입증하는 기업을 우선해서 봐야 합니다.

하드웨어와 현장 운영 기업

소프트웨어가 좋아진다고 모든 로봇 하드웨어 기업이 같은 혜택을 받지는 않습니다. 더 나은 판단이 있어도 집게가 작업에 맞지 않거나, 위치 정밀도가 부족하거나, 유지보수 부담이 크면 총비용은 내려가지 않습니다.

반대로 특정 작업에서 신뢰할 수 있는 하드웨어와 고객 운영 체계를 가진 기업은 범용 모델의 발전을 외부 기술 개선으로 받아들일 수 있습니다. 이 경우 자체 초거대 모델을 보유하지 않아도 제품 경쟁력이 높아질 수 있습니다.

중요한 것은 장비 판매 이후입니다. 실패를 기록하고, 원인을 분석하고, 새 정책을 검증한 뒤 다시 배포할 수 있어야 반복 운영에서 얻는 경험이 다음 제품 개선으로 이어집니다. 사람의 원격 개입에 의존하더라도 이를 숨기지 않고 비용과 감소 추세를 보여주는 편이 더 유용한 투자 정보입니다.

개발 자동화에서 장시간 자율운영으로

저는 로봇 개발 자동화가 먼저 넓어지고, 제한된 현장의 작업 전환과 예외 복구가 뒤따르며, 제약이 적은 범용 자율운영은 더 높은 검증 문턱을 요구할 것으로 봅니다.

개발 단계에서는 에이전트가 코드를 잘못 작성해도 시험 환경에서 수정할 수 있습니다. 실물에서 사람 가까이 움직이는 단계에서는 같은 시행착오를 허용하기 어렵습니다. 그래서 모델 능력이 같은 속도로 개선돼도 경제적 효과가 나타나는 시점은 분야별로 달라질 수 있습니다.

이 전망을 바꿀 신호도 분명합니다. 모델의 실제 응답시간이 짧아지고, 작은 현장용 모델로 성능이 이전되며, 힘과 접촉을 포함한 제어가 안정되고, 장시간 무개입 운영이 반복 검증된다면 직접 제어의 적용 범위는 더 빠르게 넓어질 수 있습니다.

그때까지 투자 실사에서는 다음 자료를 요구하는 편이 낫습니다.

확인할 항목	요구할 증거
새 작업 적용 비용	처음 받은 작업을 품질 기준까지 달성하는 데 든 엔지니어 시간·연산비·실물 시험 횟수
모델 자체의 기여	하드웨어·센서·제어 조건을 맞춘 비교와 모델 교체 실험
실제 자율성	전체 시도 기록, 사람 개입·재배치·원격조작·재시작 횟수
실시간 성능	추론 대기와 통신 지연을 포함한 실제 경과시간, 시뮬레이션 정지 여부
운영 경제성	품질을 통과한 작업당 총비용과 고장·정지·재작업 비용
개선 능력	현장 실패가 데이터·학습·평가·재배포로 이어진 사례와 데이터 사용 권한

Astra의 발전은 로봇 기업을 덜 중요하게 만들 수도 있고, 더 적은 개발비로 더 많은 작업을 해결하게 만들 수도 있습니다. 어느 쪽인지는 회사가 모델 위에 무엇을 쌓았는지에 달려 있습니다.

다음 로봇 기업 미팅에서는 가장 잘 나온 영상을 보기 전에, 처음 보는 작업 하나를 제시하고 물어야 합니다. “이 작업을 고객이 돈을 내고 맡길 수준으로 만들기까지 얼마나 걸리며, 그동안 사람이 몇 번 개입합니까?”

---

함께 읽기: Astra와 VLA 2.0, 로봇의 코드와 현장 학습, 2026년 VLA와 피지컬 AI의 기술 구조

출처는 해당 주장 옆에 연결했습니다. 개발자 게시물은 작성자가 공개한 시연과 설명이며, 독립적으로 재현한 결과로 취급하지 않았습니다. 비용과 연속 동작의 성공 확률 계산은 본문에 적은 수치와 가정에 따른 필자 계산입니다.