NVIDIA, 물리 AI 개발에서 오픈 월드 모델의 역할 강조

NVIDIA는 오픈 월드 모델이 물리 AI의 중요한 토대가 될 것이라는 주장을 내놓고 있다. 물리 AI는 텍스트나 이미지를 생성하는 데 그치지 않고 실제 환경을 이해하고 행동해야 하는 시스템을 말한다. 회사는 새 설명에서 이런 모델이 물리적 관계를 배우고, 다음에 일어날 수 있는 일을 예측하며, 데이터 생성, 시뮬레이션 실행, 특정 로봇·차량·비전 응용에 맞춘 시스템 특화를 도울 수 있다고 했다. 중심에는 Cosmos 3 모델군과 Omniverse 라이브러리가 있지만, 배포마다 조건이 다른 분야에서는 적응 가능한 모델과 공유 시뮬레이션 도구가 중요하다는 더 넓은 주장도 담겼다.

물리 AI 팀이 마주하는 데이터 문제는 많은 순수 소프트웨어 용도와 다르다. 로봇이나 차량은 달라지는 조명, 날씨, 물체, 센서, 사람의 행동에 대응해야 하며, 드문 사건은 실제 세계에서 안전하게 반복 수집하기 어렵다. NVIDIA는 월드 모델이 물리에 기반한 세계와 행동 데이터를 만들고, 미래 상태를 시뮬레이션하며, 이런 조건을 추론해야 하는 시스템의 출발점을 준다고 말한다. 실제 배포 전에 정책을 시험하고 더 다양한 훈련 환경을 만드는 방법으로 제시되지만, 현실 세계 검증의 필요성을 없애지는 않는다.

Cosmos 3 모델군은 여러 관련 과업의 공통 기반으로 자리매김한다. NVIDIA에 따르면 이 모델군은 비전 추론, 세계 생성, 행동 예측을 결합해 개발자가 하나의 모델군으로 장면을 이해하고, 합성 데이터를 만들고, 가능한 상태를 시뮬레이션하고, 특화된 월드 액션 모델을 만들 수 있게 한다. 구성에는 고충실도 세계 모델링용 640억 파라미터 Cosmos 3 Super, 효율적 추론과 후학습용 160억 파라미터 Cosmos 3 Nano, 기기 내 비전 추론과 로봇 정책 배포용 40억 파라미터 Cosmos 3 Edge가 있다. 이는 NVIDIA 제품군의 사양이지 하나의 모델이 수정 없이 모든 배포에 맞는다는 주장은 아니다.

회사의 논지에서 개방성은 중심적이다. NVIDIA는 Cosmos 월드 기반 모델을 Linux Foundation의 OpenMDW 1.1 라이선스로 제공해 팀이 자체 데이터와 하드웨어에서 후학습할 수 있게 한다. 물리 AI에서는 범용 모델이 모든 로봇 설계, 센서 배열, 창고, 도로, 운영 조건을 본 적이 없기 때문에 이런 유연성이 중요하다. 가중치 접근, 적응을 허용하는 라이선스, 후학습 도구는 단순한 오픈 모델 이념이 아니라 그 차이를 메우는 실무적 요건이라는 것이 NVIDIA의 관점이다.

모델 계층에는 시뮬레이션 기반이 결합된다. NVIDIA는 Omniverse 라이브러리가 시뮬레이션 준비가 된 세계를 만들도록 돕고, OpenUSD가 디지털 트윈, 시뮬레이션, 합성 데이터 흐름에서 복잡한 3D 데이터를 조합하고 교환하는 틀을 제공한다고 설명한다. 목표는 자산, 센서 구성, 환경 조건이 바뀔 때마다 생길 수 있는 중복 작업을 줄이는 것이다. 개발자는 가상 환경 전체를 다시 만들지 않고 카메라 위치나 날씨를 바꿔야 할 수 있다. 발표는 이를 구성 요소로 제시하며 시뮬레이션만으로 안전한 현실 행동이 보장된다고 하지는 않는다.

NVIDIA는 로보틱스, 자율주행차, 비전 AI에서의 사용에도 언급했고, Cosmos를 활용하는 기업들을 들었다. 모델 제작자, AI 개발자, 물리 AI 조직을 모델·연구·평가 방식 중심으로 모으는 Cosmos Coalition도 소개했다. 회사는 최근 연합을 일본으로 확대했으며 참여 조직들이 공장, 물류, 농업, 건설, 의료, 교통을 위한 오픈 월드 모델을 개발할 계획이라고 했다. 이런 예시는 NVIDIA가 적용을 기대하는 분야를 보여 주지만, 모든 산업이 같은 배포 단계나 성숙도에 이르렀다는 증거는 아니다.

더 큰 의미는 물리 AI가 모델, 특화 훈련 데이터, 시뮬레이션 환경, 평가, 분야 적응을 포함하는 기술 스택으로 가고 있다는 점이다. 고정된 API 응답이 아니라 이 전체 연결고리를 고객이 제어해야 할 때 NVIDIA의 오픈 월드 모델 주장은 특히 설득력이 있다. 남은 질문은 비용, 품질, 현실로의 이전이다. 시뮬레이션 세계가 드문 사건을 얼마나 정확히 나타낼 수 있는지, 각 배포에 얼마나 많은 후학습이 필요한지, 자동화 시스템이 사람 주변에서 움직이기 전에 팀이 안전을 어떻게 측정할지가 과제다. 8월 업데이트는 그 문제들에 대한 경로를 제시했지만, 증명은 그 위에 구축되는 시스템의 결과에 달려 있다.