로봇 개발도 agent workflow로, NVIDIA가 physical AI skill 공개

로봇과 공장 AI 개발의 반복 작업이 coding agent의 작업 목록으로 들어가기 시작했다. NVIDIA는 2026년 5월 31일 open source physical AI skills와 도구 모음을 공개했다. Omniverse, Cosmos, Isaac, Metropolis, Alpamayo, Jetson 같은 스택을 agent가 호출할 수 있는 반복 가능한 instruction으로 바꾸는 것이 골자다.

의미는 단순한 샘플 코드 배포보다 크다. physical AI 개발은 synthetic data 생성, simulation, training, evaluation, deployment가 길게 이어지고, 각 단계마다 사람이 도구를 옮겨 다니며 결과를 검증한다. NVIDIA의 skill은 어떤 도구를 호출할지, 어떤 output을 만들지, 개발자가 무엇으로 검증할지를 agent에게 제공한다. NemoClaw blueprint와 OpenShell runtime을 함께 쓰면 local 또는 cloud hardware에서 policy 기반 보안과 privacy governance를 붙일 수 있다는 설명도 붙었다.

적용 범위는 넓다. robotics와 edge AI에서는 perception·mobility training data 생성, navigation training 자동화, Jetson 기반 tuning을 다룬다. autonomous vehicle 쪽은 fleet data를 simulation 환경으로 재구성하고, photorealistic driving scenario와 closed-loop reinforcement learning을 생성한다. vision AI와 industrial AI에서는 synthetic data, fine-tuning, labeling, video analysis, CAD-to-digital-twin 변환이 대상이다.

현장 수치도 있다. Pegatron은 Defect Image Generation skill로 model training과 deployment 시간을 67% 줄였다고 제시됐다. Delta Electronics는 synthetic defect data로 metal busbar의 excess soldering 검출률을 17% 개선했다. Inventec은 laptop chassis 제조에서 defect data collection effort를 30% 줄였고, Foxconn은 DeepHow와 함께 first pass yield를 약 3% 높였다고 한다. 이 수치들은 robot foundation model보다 덜 화려하지만, physical AI가 실제 공정에 들어갈 때 더 중요한 비용 항목이다.

도구는 GitHub와 skills.sh에서 공개됐고, Neural Reconstruction, Video Augmentation, Defect Image Generation skill은 NVIDIA Brev의 Physical AI Launchables로 바로 시험할 수 있다. 앞으로 볼 지점은 agent가 simulation과 synthetic data를 자동으로 돌릴 때 검증 책임이 어디에 남는가다. physical AI에서는 빠른 반복만큼 실패를 잡아내는 절차가 중요하다.