[슈퍼브 인사이트] "컴퓨트가 곧 데이터" 엔비디아 선언 석 달 뒤, 돈은 반대로 흘렀습니다

🌟 SUPERB Spotlight

지난 3월 16일, 미국 새너제이 GTC 무대에서 엔비디아는 Physical AI Data Factory Blueprint를 발표했습니다. 로봇·자율주행 학습 데이터의 정제부터 증폭, 평가까지 자동화하는 공정 설계도를 통째로 공개하겠다는 내용이었는데요. 발표문에 담긴 한 문장이 이 발표의 본질을 요약합니다.

"피지컬 AI는 AI 혁명의 다음 개척지이며, 성공은 방대한 데이터를 생성하는 능력에 달려 있습니다. (…) 이 새로운 시대에는, 컴퓨트가 곧 데이터입니다(In this new era, compute is data)."
Rev Lebaredian, 엔비디아 옴니버스·시뮬레이션 기술 부문 VP (NVIDIA)

로봇을 가르칠 데이터가 부족하다면 GPU로 만들어내면 된다는 것은 피지컬 AI의 데이터 부족 문제를 컴퓨트 문제로 바꾸겠다는 선언입니다.

그런데 석 달 뒤인 6월, 벤처 자본은 정반대편으로 움직였습니다. 사람이 현장에서 몸으로 모으는 '실측 데이터' 기업 세 곳이 한 달 새 1억 3,600만 달러를 조달했습니다. 설계도가 공짜로 풀린 시장에서 왜 데이터 회사의 몸값은 오히려 오르고 있을까요. 두 흐름을 함께 정리해봤습니다.

설계도는 공짜: 블루프린트가 정의한 3단계 공정

엔비디아의 블루프린트는 신제품이라기보다, 흩어져 있던 자사 도구들을 하나의 데이터 생산 공정으로 묶은 조립 설명서에 가깝습니다. 공정은 세 단계입니다.

• 정제·탐색(Curate and Search): Cosmos Curator가 실측·합성 데이터를 처리·정제·어노테이션합니다.
• 증폭(Augment and Multiply): Cosmos Transfer가 환경과 조명 조건을 바꿔가며 데이터를 지수적으로 불려, 현실에서는 수집이 어려운 희귀 롱테일 시나리오까지 채웁니다.
• 평가·검증(Evaluate and Validate): Cosmos Reason 기반의 Evaluator가 생성된 데이터의 물리적 정확성을 자동으로 채점하고 걸러냅니다.

여기에 오케스트레이션 프레임워크 OSMO가 공정 전체를 클라우드를 넘나들며 관리하고, 코딩 에이전트가 파이프라인 운영 자체를 자동화합니다. 발표대로 4월에 GitHub에 코드가 공개됐고, 마이크로소프트 애저와 네비우스가 클라우드 제공을, Uber·Skild AI 등이 채택 명단에 이름을 올렸습니다.

18개월의 빌드업: 부품을 깔고, 증거를 쌓고, 공정으로 묶다

• 2025년 1월 (CES): 월드 파운데이션 모델 Cosmos 최초 공개. "로보틱스의 ChatGPT 모먼트가 오고 있다"(젠슨 황)
• 2025년 5월 (Computex): 합성 데이터 프레임워크 GR00T-Dreams: 사람 시연으로 모으면 약 3개월 걸릴 학습 데이터를 36시간 만에 생성했다고 발표. 합성 데이터 서사의 첫 정량 증거였습니다.
• 2026년 3월 (GTC): 도구들을 공정으로 묶은 데이터 팩토리 블루프린트
• 2026년 6월 1일 (GTC Taipei): 텍스트·이미지·영상·소리·행동을 한 모델에서 다루는 Cosmos 3 공개

2025년에 부품(모델)을 만들어 증거를 쌓고, 2026년에 공장 설계도로 묶어 무료 배포한 순서죠. 설계도가 널리 쓰일수록 GPU 수요가 늘어나는, 엔비디아다운 수순입니다.

그런데 돈은 반대편으로 흘렀다

같은 6월, 실측 데이터 기업들의 조달 소식이 잇달았습니다. 2026년 로보틱스 벤처 투자 자체가 상반기에만 188억 달러로 사상 최대(Crunchbase, 6월 22일 집계)인 가운데, 일부가 '데이터 층'으로 향한 것인데요.

• Mecka AI: 6,000만 달러 (Fortune, 6. 1.) - 바디 센서와 아이폰으로 사람의 동작 데이터를 수집해 로봇 학습용으로 공급합니다.
• XDOF: 총 7,000만 달러 (TechCrunch, 6. 17.) - 텔레오퍼레이션 기반 수집 기업으로, Thrive Capital·a16z 등이 참여했습니다. CEO 필립 우(Philipp Wu)의 말이 이 카테고리의 존재 이유를 요약합니다.
  "파운데이션 모델을 어떻게 학습시킬지 묻기 전에, 먼저 데이터부터 모아야 하는 닭과 달걀 문제가 있었다."
• Vision Lab: 시드 600만 달러 (회사 발표, 6. 3.) - 전 세계 2,000여 개 공장 네트워크에서 로보틱스 학습용 산업 현장 데이터를 수집해 프런티어 랩에 공급합니다.

그리고 비디오게임 데이터로 로봇을 가르치는 General Intuition이 3억 2,000만 달러를, 실데이터 기반 로봇 파운데이션 모델 기업 Generalist AI가 4억 달러를 조달했는데, 엔비디아도 투자자로 참여했습니다. 합성 데이터의 전도사가 실측 데이터 진영에도 베팅하고 있는 셈이죠.

기존 데이터 기업들도 같은 방향입니다. Scale AI는 지난해 9월 출시한 Physical AI Data Engine으로 실로봇 데이터 10만 시간 이상을 쌓았다고 밝혔습니다. Encord는 지난 2월 6,000만 달러 시리즈 C를 발표했는데, 공동 CEO 울릭 스티그 한센(Ulrik Stig Hansen)의 말을 주목할만합니다.

"피지컬 AI의 병목은 모델 크기가 아니라 데이터 준비성(data readiness)이다."

엔터프라이즈가 주목해야 할 시사점

첫째, 데이터가 '작업'에서 '공정'이 됐습니다.

라벨링과 수집이 낱개 외주 작업에서 공정의 일부로 재배치되고, 정제→증폭→검증이 맞물린 공정 전체를 설계하고 운영하는 능력이 경쟁력이 됐습니다. 블루프린트는 그 공정의 업계 표준 문법을 처음으로 문서화한 것입니다.

둘째, 합성과 실측은 대체재가 아니라 보완재입니다.

블루프린트의 증폭 단계도 결국 실측 시드 데이터를 입력으로 전제합니다. 합성이 흔해질수록 그 출발점이 되는 고품질 실측 데이터와 검증된 계보는 오히려 희소해집니다. 엔비디아가 설계도를 무료로 풀던 반기에 실측 데이터 기업들의 몸값이 오른 것은 모순이 아니라 같은 진단에 기반한 것입니다.

셋째, 한국도 같은 시계에 올라탔습니다.

6월 9일 340억 원 규모 '피지컬 AI 선도기술 개발' 국책과제가 킥오프됐고, 7월 1일 정부는 '피지컬 AI 수출 국가'를 선언했습니다. 관건은 종속 경고 속에서 우리 산업의 데이터 자산과 공정을 어디에, 누구의 소유로 축적하느냐입니다.

슈퍼브에이아이가 정부의 독자 AI 파운데이션 모델 사업에서 해온 일이 정확히 이 공정의 앞단입니다. 실제 가정 50개소를 통째로 캡처해 디지털 자산으로 만들고, 그 자산 위에서 합성 데이터를 재생산하고 있습니다. 블루프린트가 도식으로 그린 '실측 시드 → 증폭' 공정을, 블루프린트가 공개되기 전부터 한국 현장의 데이터로 돌려온 셈인데요.

• 화면 속 AI는 완벽. 현실에서는요? 슈퍼브에이아이가 만드는 피지컬 AI
• 독파모 1차 성과: 한국형 로봇 데이터 108만 프레임 확보
• 독파모 2차 핵심 정리: 디지털 트윈 자산화

설계도는 이제 누구나 내려받을 수 있습니다. 남는 질문은 하나입니다. 그 공장에 넣을, 우리 현장만의 시드 데이터는 준비되어 있습니까?

우리 현장에 꼭 맞는 피지컬 AI를 시작하고 싶다면, 슈퍼브에이아이와 함께 시작하세요. 👉 슈퍼브에이아이의 산업 AI 전문가와 상담하기

✏️ SUPERB Curation

정현지 Product Advocate의 추천:

7월 30일, AI 딥-다이브에 여러분을 초대합니다!

이번 AI 딥-다이브에서는 Superb AI의 ML 엔지니어 진현동님이 새로운 도메인의 데이터가 유입될 때 AI가 지식을 확장하는 방법과 연속 학습(Continual Learning)의 필요성에 대해 이야기합니다. 특히 단순한 재학습(Retraining)이나 파인튜닝(Fine-tuning)과는 다른 연속 학습의 개념을 살펴보고, 하나의 모델이 기존 지식을 유지하면서도 새로운 태스크와 도메인을 학습하는 방법을 실제 산업 AI 관점에서 소개합니다. 또한, Superb AI가 왜 연속 학습을 연구하게 되었는지, 고객 환경에서 어떤 문제를 해결하기 위해 이 기술을 개발하고 있는지도 함께 공유합니다.

💡이런 분들께 추천합니다

• AI 모델을 운영하면서 지속적인 성능 개선이 필요한 ML 엔지니어
• 새로운 고객 데이터가 들어올 때마다 모델 재학습에 어려움을 겪는 개발자
• Foundation Model, Zero-shot, Continual Learning에 관심 있는 AI 실무자
• 산업 환경에서 범용 AI 모델의 확장 가능성을 고민하는 연구자 및 엔지니어

산업 현장에서 실제로 필요한 AI의 진화 방향을 AI 딥-다이브 온라인 세션에서 만나보세요!

📍일시 : 2026년 7월 30일(목) 오후 3시 30분~ 5시

👉 지금 바로 신청하기🔥

슈퍼브 이종혁 Video Analytics Lead의 추천:

SAM-MT, 실시간 다중 객체 비디오 세그멘테이션의 새로운 기준 제시

최근 공개된 SAM-MT는 Meta의 SAM 2를 기반으로 여러 객체를 동시에 실시간으로 추적·분할(Multi-Target Video Segmentation)할 수 있도록 확장한 모델입니다. 기존 방식은 객체 수가 늘어날수록 각 객체를 개별적으로 처리해야 해 속도가 크게 저하됐지만, SAM-MT는 여러 객체를 병렬로 처리하는 구조를 도입해 10개 이상의 객체를 추적하면서도 36FPS 이상의 실시간 성능을 유지했는데요.

특히, 객체 간 간섭을 줄이는 분리된 어텐션 구조와 효율적인 메모리 관리 기법을 적용하여 가려짐(Occlusion)이나 객체 간 겹침 상황에서도 안정적인 추적 성능을 제공한다고 합니다.

이는 감시 시스템, 자율주행, 로보틱스처럼 여러 객체를 동시에 인식해야 하는 환경에서 활용 가능성이 높은 접근법으로, SAM-MT는 비디오 세그멘테이션 연구의 초점이 단순 정확도 향상을 넘어서 실제 서비스에서 활용 가능한 실시간성과 확장성으로 이동하고 있음을 보여주는 흥미로운 사례입니다.

👉 SAM-MT 살펴보기