시뮬레이션 우선(simulation-first) 로보틱스에는 또 다른 일회성 Isaac Lab 저장소가 아니라, 공유된 장면(scenes), 공유된 규칙(rules), 그리고 공유된 아레나(arena)가 필요합니다.

모든 로보틱스 연구실은 결국 똑같은 조용한 실패 모드에 직면합니다.

강력한 알고리즘을 선택합니다. Isaac Lab을 실행합니다. 창고 장면을 구성하고, 접촉 파라미터(contact parameters)를 조정하며, USD의 특이사항을 수정하고, 정책(policy)이 마침내 "작동"할 때까지 보상 항(reward terms)을 다시 작성하는 데 2주를 보냅니다. 그러다 유사한 작업에서 더 나은 결과를 주장하는 논문이 발표되면, 그들이 정말 더 나은 것인지, 운이 좋았던 것인지, 아니면 단순히 완전히 다른 세상에서 학습하고 있는 것인지조차 알 수 없게 됩니다.

모델은 결코 희소한 자원이 아니었습니다. 환경이 희소한 자원이었습니다.

로봇 학습은 가중치(weights), 논문, 그리고 학습 레시피(training recipes)를 공유하는 데는 매우 능숙해졌습니다. 하지만 그 레시피들이 실제로 의존하는 것, 즉 버전이 관리되고 비교 가능하며 물리적으로 정확한 시뮬레이션 계약(simulation contract)을 공유하는 데는 여전히 놀라울 정도로 서툽니다.

그 격차가 바로 대부분의 "sim-to-real(시뮬레이션에서 실물로의 전환) 발전"이 조용히 사장되는 지점입니다.

초록(abstract)에는 아무도 넣지 않는 병목 현상

팀에게 자율성을 가로막는 것이 무엇인지 물어보면, 대개 모델 아키텍처(model architecture), 데이터 규모(data scale), 또는 GPU 예산(GPU budget)이라는 답변이 돌아옵니다. 그것들은 중요합니다. 또한 그것들은 편안한 답변이기도 합니다.

Isaac Sim / Isaac Lab 프로젝트에서 실제로 시간이 어떻게 소비되는지를 살펴보면 다른 패턴이 나타납니다:

1. 파편화 (Fragmentation)

유용한 환경들은 개인적인 포크(private forks), 버려진 GitHub 저장소, Slack 스레드, 그리고 문서화가 절반만 된 zip 파일 속에 존재합니다. 발견은 부족 중심적(tribal)이며, 재사용은 우연에 의존합니다.

2. 비교 불가능성 (Incomparability)

두 팀이 서로 다른 에셋(assets), 서로 다른 물체 규모(object scales), 서로 다른 성공 임계값(success thresholds), 그리고 서로 다른 에피소드 종료 조건(episode terminations)을 사용하면서도 모두 "pick-and-place(집기 및 놓기)에서 90% 성공"이라고 보고할 수 있습니다. 숫자는 과학적으로 보이지만, 비교는 과학적이지 않습니다.

3. 설정 비용 (Setup tax)

연구자가 흥미로운 무언가를 학습시키기 전에, 장면 저작(scene authoring), 의존성 지옥(dependency hell), 로봇 에셋 정리, 그리고 "왜 오늘 PhysX가 이렇게 작동하는가"와 같은 문제들로 비용을 지불해야 합니다. 이 비용은 복리로 쌓이지 않습니다. 모든 연구실, 모든 인턴, 모든 새로운 형태(embodiment)마다 초기화됩니다.

NVIDIA의 툴체인(toolchain) — Omniverse, Isaac Sim, Isaac Lab — 은 고충실도(high-fidelity), GPU 병렬(GPU-parallel) 로봇 학습을 실용적으로 만들었습니다. 이는 진정한 변화입니다. 하지만 공유된 환경 계층(environment layer)이 없는 강력한 시뮬레이터는 패키지가 없는 컴파일러와 같습니다. 모든 팀이 표준 라이브러리를 일일이 수작업으로 다시 구축해야 하기 때문입니다.

그 결과는 예측 가능합니다. 발전은 국지적으로 머뭅니다. 벤치마크(benchmarks)는 모호하게 유지됩니다. 채용은 이력서 중심(resume-driven)으로 남습니다. 그리고 이 분야는 매번 조금씩 다른 방식으로 똑같은 주방, 똑같은 선반, 똑같은 이동(locomotion) 거친 지형을 계속해서 재발견하게 됩니다.

건강한 시뮬레이션 생태계의 모습

로봇 지능이 소프트웨어처럼 복리로 쌓이게 하려면, 시뮬레이션은 데모 폴더보다는 플랫폼에 가까운 인프라(infrastructure)를 갖춰야 합니다.

건강한 스택(stack)은 네 가지 속성을 가집니다:

버전 관리되는 환경 번들 (Versioned environment bundles)

"환경"은 단순히 USD 파일 하나가 아닙니다. 그것은 장면(scenes), 메타데이터(metadata), 카테고리, 의존성(dependencies), 그리고 작업(task)이 무엇인지에 대한 명확한 설명이 포함된 번들(bundle)입니다. 연구자들은 Python 패키지를 가져오는 것과 동일한 방식으로 warehouse-manipulation-v1.2를 가져올 수 있어야 합니다.

명시적인 작업 계약 (Explicit task contracts)

관측 공간(observation space), 행동 공간(action space), 보상 로직(reward logic), 성공 기준(success criteria), 그리고 종료 조건(termination conditions)은 누군가 학습을 시작하기 전에 검사할 수 있어야 합니다. 계약(contract)을 읽을 수 없다면, 사다리를 신뢰할 수 없습니다.

재현 가능한 점수 산정 (Reproducible scoring)

평가는 고정된 커널(kernels), 데이터셋(datasets), 그리고 하네스(harnesses)를 대상으로 실행되어야 합니다. 당신이 도쿄의 연구실이든 방갈로르의 개인 엔지니어이든, 동일한 제출물에 대해 동일한 점수가 나와야 합니다.

공공 아레나 (Public arenas)

환경과 점수 산정 방식이 공유되면, 경쟁은 보여주기식 행위가 아닌 유용한 것이 됩니다. 리더보드(leaderboards)는 마케팅 수단이 아닌 증거가 됩니다. 인재는 주장이 아닌 실행 결과(runs)를 통해 검증될 수 있습니다.

이것이 표준입니다. 알고리즘은 계속해서 개선될 것입니다. 승리하는 팀은 환경세(environment tax)를 반복해서 지불하는 것을 멈추는 팀이 될 것입니다.

Nepher의 등장: 공유 인프라로서의 시뮬레이션

Nepher Robotics는 NVIDIA Isaac Sim, Isaac Lab, 그리고 Omniverse를 기반으로, 시뮬레이션 우선(simulation-first) 로봇 공학을 위한 누락된 계층을 구축하고 있습니다.

단순한 범용 "AI 로봇 공학" 래퍼(wrapper)가 아닙니다. 현재 워크플로우에서 시간과 신뢰를 누수시키고 있는 부분들을 위한 실질적인 허브입니다.

EnvHub — 실제로 찾고 재사용할 수 있는 환경들

EnvHub는 Isaac Lab 환경을 내비게이션(navigation), 조작(manipulation), 휴머노이드(humanoid), 이동(locomotion)과 같은 카테고리에 걸쳐 퍼스트 클래스 패키지(first-class packages)로 취급합니다. 파편화된 저장소(repos)를 뒤지는 대신, CLI와 API를 통해 번들(bundles)을 탐색, 다운로드, 업로드 및 관리할 수 있습니다.

이 분야가 장면(scenes)을 매번 새로 만드는 일을 멈추려면, 누군가는 환경 패키징을 지루할 정도로 안정적으로 만들어야 합니다. 그것이 핵심입니다.

Tournaments — 동일한 과제, 동일한 시간, 동일한 채점자

Nepher Tournament는 평가를 공개적인 계약으로 전환합니다. 각 이벤트는 작업 팩(task pack), 제출 기간, 그리고 채점 하네스(scoring harness)를 공개합니다. 참가자들은 동일한 벤치마크(benchmark)를 두고 경쟁합니다. 순위표(ladders)는 명확하며, 결과는 비교 가능합니다.

이는 "우리 정책(policy)이 강력하다고 생각한다"와 "우리 정책이 공개된 규칙 하에 승리했다"의 차이입니다.

동일한 핵심을 중심으로 한 에셋(Assets)과 가속화

Nepher는 또한 프로덕션 준비가 된 USD 에셋(assets), 간소화된 훈련 워크플로우, 그리고 맞춤형 하드웨어 및 공간의 디지털 트윈(digital twins)이 필요한 팀을 위한 온디맨드(on-demand) 시뮬레이션 서비스에 투자합니다. 무게 중심은 동일하게 유지됩니다. 즉, 유효한 시뮬레이션에 도달하는 시간(time-to-valid-simulation)을 줄이고, 그 결과를 신뢰할 수 있게 만드는 것입니다.

해커톤(Hackathons)은 토너먼트와는 다른 역할(최적화 대 탐색)을 수행하며 나란히 자리 잡고 있으며, 신중하게 출시되고 있습니다. 지속 가능한 베팅은 이벤트 쇼가 아니라 인프라(infrastructure)입니다.

"복제, 희망, 재훈련"보다 나은 루프

시뮬레이션 우선 팀들이 2주간의 보물찾기 없이 실행할 수 있어야 하는 워크플로우는 다음과 같습니다:

1. 목표 정의 (Define the goal) — 조작 (manipulation) 작업, 내비게이션 (navigation) 과제, 또는 이동 (locomotion) 벤치마크.
2. 공유 환경 가져오기 (Pull a shared environment) — 빈 스테이지 대신 버전 관리된 EnvHub 번들에서 시작.
3. 확정된 계약에 따라 학습 (Train against a known contract) — 검증 가능한 관측값 (observations), 보상 (rewards), 그리고 성공 기준.
4. 공용 래더에 제출 (Submit to a public ladder) — 다른 모든 참가자와 동일한 스코어링 커널 (scoring kernel) 사용.
5. 증거를 바탕으로 반복 (Iterate with evidence) — 개인적인 성공 정의가 아닌, 정책 (policy) 자체를 개선.
6. 불확실성을 줄인 전이 (Transfer with less mystery) — 시뮬레이션이 공유되고 고충실도 (high-fidelity)를 갖추면, Sim2Real (Sim-to-Real)은 전설이 아닌 다시 공학적인 문제로 돌아옵니다.

그러한 루프가 소프트웨어 생태계가 복리로 성장하는 방식입니다. 로봇 공학도 환경이 일회성 수공예 프로젝트가 되기를 멈춘다면, 동일한 특성을 가질 수 있습니다.

이것이 지금 중요한 이유

Embodied AI (체화된 인공지능)는 데모는 저렴하지만 신뢰는 비싼 단계로 진입하고 있습니다.

휴머노이드 (Humanoids), 모바일 매니퓰레이터 (mobile manipulators), 그리고 창고 시스템은 모두 그 어느 때보다 높은 충실도로 시뮬레이션에서 학습되고 있습니다. 대중적인 담론은 여전히 모델 출시에는 과도한 비중을 두는 반면, 모델이 존재했던 장면 (scene)에는 낮은 비중을 둡니다. 이러한 비대칭성은 스토리텔링에는 보상을 주지만, 재현성 (reproducibility)에는 벌을 줍니다.

공유 환경은 이러한 인센티브를 역전시킵니다. 환경의 재사용을 당연하게 만들고, 비교를 정직하게 만들며, 경쟁을 유용하게 만듭니다. 또한 기업들에게 엔지니어를 평가할 수 있는 더 깔끔한 방법을 제공합니다. 즉, 이력서의 키워드 빙고가 아닌 시뮬레이션으로 검증된 기술을 제공하는 것입니다.

만약 당신이 오늘날 로봇 정책을 구축하고 있다면, "다음에는 어떤 알고리즘을 시도해야 할까?"라는 질문보다 더 어려운 질문을 던져보십시오.

질문하십시오: 다른 팀이 우리의 세계를 재현할 수 있는가?

만약 대답이 '아니오'라면, 당신은 벤치마크를 가진 것이 아닙니다. 당신은 개인용 수족관을 가진 것입니다.

다음 단계

이 글은 Nepher에서 진행하는 시뮬레이션 우선 로봇 공학 (simulation-first robotics) 시리즈의 첫 번째 글입니다.

다음 예고: EnvHub를 통해 첫 번째 Isaac Lab 환경을 게시하고 가져오는 방법에 대한 실무 가이드 — 당신이 아닌 다른 사람도 당신의 작업을 재사용할 수 있게 만드는 가장 작은 발걸음입니다.

지금 바로 시작하고 싶다면:

• 플랫폼 탐색하기: nepher.ai
• 문서 읽기: docs.nepher.ai
• 토너먼트 참여하기: tournament.nepher.ai
• 커뮤니티 만나기: Discord

로봇 학습의 미래는 단순히 가장 영리한 손실 함수 (loss function)를 가진 연구실이 승리하지 않을 것입니다.

세상을 처음부터 다시 구축하는 것을 멈추는 연구실이 승리할 것입니다.

Nepher Robotics — 시뮬레이션 우선 로봇 공학 개발 (simulation-first robotics development). 미국 워싱턴주 시애틀 본사.