NVIDIA, robotics·autonomy용 Physical AI Data Factory Blueprint 공개

NVIDIA가 발표한 내용

2026년 3월 16일, NVIDIA는 X와 공식 뉴스룸을 통해 Physical AI Data Factory Blueprint를 발표했다. 회사는 이를 robotics, vision AI agents, autonomous vehicles를 위한 학습 데이터를 생성하고 증강하며 평가하는 방식을 하나로 묶어 자동화하는 open reference architecture라고 설명한다.

이 발표가 중요한 이유는 physical AI의 병목이 종종 모델 아이디어보다 데이터에 있기 때문이다. 실제 로봇과 자율 시스템은 현장에서 수집하기 어렵거나 비용이 큰 rare scenario, edge case, 환경 변화 데이터를 대량으로 필요로 한다. NVIDIA는 이 문제를 연구 문제가 아니라 공장 문제로 재정의한다. 즉 compute를 어떻게 반복 가능하고 효율적인 고품질 training data로 바꿀 것인가의 문제라는 것이다.

Blueprint 구성 요소

NVIDIA는 이 blueprint가 대규모 데이터 처리와 큐레이션, synthetic data generation, reinforcement learning, model evaluation을 가능하게 한다고 말한다. 특히 제한된 seed data를 훨씬 더 크고 다양한 데이터셋으로 확장하기 위해 NVIDIA Cosmos open world foundation models와 coding agents를 핵심 재료로 제시한다. 여기에는 long-tail scenario와 rare edge case도 포함된다.

공식 발표는 스택을 세 가지 기능으로 나눠 설명한다. Cosmos Curator는 실제 데이터와 synthetic 데이터 전반에서 큐레이션과 검색을 담당한다. Cosmos Transfer는 선별된 입력을 더 많은 환경과 예외 상황으로 확장한다. Cosmos Evaluator는 Cosmos Reason 기반으로 생성 데이터의 physical accuracy와 training readiness를 점검하고 걸러낸다. NVIDIA는 Microsoft Azure와 Nebius가 이 blueprint를 클라우드 인프라에 통합하고 있으며, FieldAI, Hexagon Robotics, Skild AI, Uber, Teradyne Robotics 등이 이미 이를 사용 중이라고 밝혔다.

왜 중요한가

전략적 의미는 단일 툴킷보다 훨씬 크다. physical AI가 software처럼 확장되려면 데이터를 위한 반복 가능한 생산 라인이 필요하다. NVIDIA는 simulation, augmentation, evaluation, cloud orchestration을 각 팀이 따로 잇는 bespoke 조합이 아니라, 하나의 연결된 workflow로 다뤄야 한다고 주장하는 셈이다.

이 관점이 자리 잡으면 robotics와 autonomy의 경쟁 중심은 누가 가장 많은 데이터를 손으로 모으느냐가 아니라, 누가 가장 좋은 closed-loop data engine을 구축하느냐로 이동할 수 있다. NVIDIA는 자사가 이미 long-tail autonomous driving용 Alpamayo를 훈련하고 평가하는 데 이 blueprint를 쓰고 있다고 밝혔는데, 이는 외부 제품 발표이면서 동시에 내부 시스템 주장이라는 점에서 무게가 있다.

출처: NVIDIA Newsroom X 게시물 · NVIDIA Newsroom: Physical AI Data Factory Blueprint · Cosmos Evaluator