NVIDIA 소개일: 2026년 9월 10일 · 확인일: 2026년 9월 13일
NVIDIA가 Skild AI의 로봇 기반 모델 S1과 자사 Physical AI 기술의 활용 사례를 소개했습니다. 핵심은 사람이 보여 준 작업 영상을 입력으로 받아 로봇이 새로운 작업 순서를 수행하도록 하는 접근입니다. 9월 10일은 NVIDIA의 소개 글 발행일이며, 이 글은 S1 자체의 출시일과 구분해 표기합니다. NVIDIA 공식 소개
영상으로 작업을 제시한다는 의미
Skild AI는 S1이 영상 시범을 추론 시점의 맥락으로 활용하며, 제시한 새 작업마다 모델 가중치를 바꾸거나 별도로 미세 조정하지 않는다고 설명합니다. 이는 모델을 사전에 학습하지 않았다는 뜻이 아니라, 이미 학습한 모델에 작업별 시범을 제공하는 방식입니다. Skild AI의 S1 연구 소개
회사는 화분 옮겨 심기, 커피 준비, 키트 조립처럼 여러 동작이 이어지는 사례를 제시했습니다. 이러한 시연은 영상 속 의도와 현재 장면을 연결하는 능력을 보여 주기 위한 것입니다. 모든 물체·로봇·현장에서 같은 성공률을 보장하는 결과로 읽어서는 안 됩니다.
NVIDIA 기술은 어느 단계에 쓰이나
NVIDIA는 이 협력이 합성 데이터, 모델 학습, 시뮬레이션과 실제 배치에 걸쳐 있다고 설명했습니다. 소개 글에는 Cosmos, Isaac Sim·Isaac Lab, 추론 최적화를 위한 TensorRT 등의 역할이 제시되어 있습니다. NVIDIA의 개발 과정 설명
영상 한 개로 새 작업을 제시할 수 있다는 표현만 보면 전체 개발 과정도 영상 한 개로 끝나는 것처럼 오해하기 쉽습니다. 실제 도입 검토에서는 사전 학습된 능력, 사용할 하드웨어, 카메라와 좌표계, 실행 환경을 각각 확인해야 합니다.
시연의 성공과 생산 공정의 성공은 다르다
아래는 발표를 바탕으로 정리한 현장 평가 관점입니다. S1에 대한 독립 성능 측정 결과는 아닙니다.
부품을 집고, 방향을 맞추고, 끼우고, 체결하는 작업을 생각해 봅시다. 한 단계가 성공했더라도 전체 조립품의 품질이 맞는지 별도 확인이 필요합니다. 물체를 잡은 성공과 조립을 끝낸 성공, 품질 검사까지 통과한 성공을 같은 지표로 합치면 도입 효과를 잘못 계산할 수 있습니다.
| 평가 항목 | 기록할 내용 |
|---|---|
| 작업 성공 | 시작부터 최종 품질 검사까지의 통과 여부 |
| 사람 개입 | 재시도 지시·재배치·복구에 걸린 시간 |
| 환경 변화 | 조명·가림·물체 위치·부품 편차 |
| 사이클 시간 | 평균뿐 아니라 지연이 큰 구간 |
| 실패 복구 | 정지 상태와 다시 시작할 수 있는 조건 |
반복 시험에서 성공한 시도와 실패한 시도를 모두 남겨야 합니다. 잘 나온 영상만으로는 개입 빈도나 복구 시간을 알 수 없습니다.
임베디드·제어 개발팀이 준비할 인터페이스
로봇 모델을 도입하더라도 센서 값, 실제 구동 상태와 오류 코드를 읽을 수 있는 인터페이스가 필요합니다. 제안된 동작과 실제 동작을 비교할 수 있도록 명령 ID, 수신·실행·완료 상태와 타임스탬프를 분리하는 설계를 고려할 수 있습니다.
카메라 프레임이 오래되거나 통신이 끊겼을 때 실행부가 어떤 상태로 들어갈지도 명시합니다. 비상 정지와 장치 보호 기능은 모델의 문장 응답이나 클라우드 연결에만 의존하지 않도록 제어 시스템 차원에서 설계해야 합니다.
초기 검토는 실제 라인을 바로 변경하기보다 제한된 시험 셀에서 한 작업을 정의하고, 정상 상황과 의도적으로 만든 실패 상황을 비교하는 방식으로 진행할 수 있습니다. 중요한 결과는 “모델이 무엇을 제안했는가”와 “장치가 실제로 무엇을 했는가”를 연결한 기록입니다.
이 글의 발표 사실은 NVIDIA와 Skild AI의 자체 공개 자료에 근거합니다. 현장 평가표와 인터페이스 제안은 이를 바탕으로 작성한 해설이며, S1 실물 시험이나 양산 성능 검증을 수행하지 않았습니다.