원문 소식, 쉽게 읽기
NVIDIA가 2026년 11월 9일 로봇 학습 학회 CoRL에서 GR00T 2를 소개했다. 이 모델은 물건을 잡거나 부품을 끼우는 조작 능력을 배우는 기반 모델이다. 발표에서 눈에 띄는 수치는 과제당 다섯 번의 시연을 더한 뒤 얻었다는 평균 성공률 95%다. 이 숫자를 이해하려면 어떤 로봇이 어떤 과제를 얼마나 연습했는지 함께 봐야 한다. 출처 출처
GR00T 2는 미래에 보일 영상과 로봇의 행동을 함께 예측하는 월드 액션 모델이다. 최근 영상, 작업 지시와 로봇 상태를 받아 다음 장면과 행동 묶음을 만들고 이를 실행하는 과정을 반복한다. 물체를 움직였을 때 장면이 어떻게 달라질지도 배우는 구조다. 연구진은 사람의 작업 영상과 여러 로봇의 조작 데이터를 사전학습에 사용했다. 출처
이번 적응 실험은 Sharpa 로봇 손 두 개를 단 양팔 로봇의 50개 과제를 대상으로 했다. 과제들은 목표 로봇 자체의 학습 데이터에는 없지만, 사람의 영상이나 다른 로봇의 데이터에는 등장했다. 새 과제라는 표현은 목표 로봇이 그 작업을 시연한 적이 없다는 조건을 가리킨다. 모델은 사전학습과 다른 몸체에서 얻은 경험을 바탕으로 출발한다. 출처
추가 시연 없이 실행한 조건에서 모델은 50개 과제 중 40개를 적어도 한 번 성공했다. 같은 조건의 시도별 평균 성공률은 40%였다. 앞의 수치는 성공 경험이 있는 과제의 범위이고, 뒤의 수치는 반복 시도에서 얼마나 성공했는지를 나타낸다. 과제 수의 40과 성공률의 40%는 분모가 다른 지표다. 출처 출처
같은 50개 과제에서 과제당 한 번의 시연으로 미세조정한 뒤 평균 성공률은 71%, 다섯 번이면 95%로 높아졌다고 연구진은 보고했다. 미세조정은 이미 학습한 모델을 추가 데이터로 특정 조건에 맞추는 과정이다. 다섯 번의 시연은 과제당 3분 미만의 로봇 데이터였으며, 각 적응은 RTX 5090 한 대에서 30분간 진행한 LoRA 미세조정이었다. LoRA는 모델의 일부 추가 매개변수를 학습하는 방식이다. 이 30분은 앞선 전체 사전학습 시간이 아닌 추가 적응 단계의 조건이다. 출처
95%는 NVIDIA 연구진이 정한 로봇과 50개 과제에서 측정한 결과다. 다섯 번 시연 조건에서는 그중 37개 과제가 모든 평가 시도에서 성공했다고 설명했다. 평균값에 더해 과제별 결과를 보면, 잘하는 작업의 범위와 반복 수행의 안정성을 따로 읽을 수 있다. 발표문은 세탁물 처리 시험, 서버 제조 자동화 적용과 산업용 평가 사례도 소개하지만, 이 사례들의 모든 현장에 동일한 성공률을 부여하지는 않는다. 출처 출처
공개 일정도 연구 결과와 나눠 볼 부분이다. NVIDIA 연구 페이지의 코드는 12월 제공 예정으로 표시돼 있다. 지금 공개된 연구 설명과 시연을 읽는 것과, 해당 코드를 받아 자기 로봇에서 같은 결과를 재현하는 것은 서로 다른 단계다. 발표가 제시하는 범위는 모델 연구와 제한된 평가, 산업별 시험·적용 사례다. 출처 출처
OYOPICK의 시선
작은 추가 시연으로 목표 로봇의 수행 능력을 높였다는 결과는 새로운 작업을 가르치는 부담을 줄일 가능성이라는 점에서 반갑다. 특히 사람과 다른 로봇에서 배운 경험을 새 몸체의 조작으로 이어가는 방향은 로봇이 더 다양한 일을 돕는 미래와 연결된다. 다만 그 가능성을 판단할 기준은 높은 평균값 하나보다, 필요한 시연의 수와 목표 로봇의 학습 이력, 반복 시도의 결과라고 본다. 이번 40개 과제와 40%의 차이가 그 이유를 보여준다. 출처
12월 코드 공개가 이어진다면 더 많은 연구자가 다른 작업과 환경에서 이 조건을 검토할 기회가 넓어지길 바란다. 그때는 성공한 장면과 함께 실패가 생긴 조건, 다시 시도해 회복한 과정도 비교할 수 있으면 좋겠다. 이번 평가 결과가 현장의 신뢰성으로 이어지는지는 그런 후속 검증을 통해 판단할 문제로 남아 있다. 출처