피지컬 AI는 가상에서 먼저 넘어집니다 — 엔비디아 Newton 1.0

휴머노이드가 얼음판 같은 바닥에서 미끄러지다 균형을 잡는 영상에는 으레 이런 댓글이 달립니다. "저걸 배우려고 몇 번이나 넘어졌을까." 정답은 뜻밖에도 '거의 넘어지지 않았다'입니다. 넘어진 것은 실물 로봇이 아니라 GPU 안에서 병렬로 돌아가는 수천 개의 가상 분신들이었죠. 저는 지금 휴머노이드 경쟁의 절반은 강철이 아니라 이 보이지 않는 가상 훈련장에서 벌어지고 있다고 생각합니다. 그리고 그 훈련장의 바닥, 즉 물리엔진이 지금 막 세대교체를 겪는 중입니다.

로봇 훈련장은 이제 현실이 아니라 GPU 안에 있습니다

실물 로봇으로 시행착오를 겪는 훈련은 느리고 비쌉니다. 넘어질 때마다 부품이 상하고, 하루 종일 돌려도 시도 횟수는 수백 번이 한계죠. 그래서 업계는 물리 법칙을 계산으로 재현한 가상 세계에서 로봇을 수백만 번 훈련시킨 뒤 그 결과를 실물에 옮기는 방식, 이른바 심투리얼(sim-to-real)을 표준으로 삼아 가고 있습니다. 이 흐름의 한복판에 엔비디아가 구글 딥마인드, 디즈니 리서치와 함께 만든 오픈소스 물리엔진 뉴턴(Newton)이 있습니다. 2025년 9월 로봇 학습 학회(CoRL)에서 처음 공개됐고, 2026년 4월 미국 로봇 주간에 맞춰 1.0 정식판이 나왔습니다. 관리 주체가 특정 기업이 아니라 리눅스 재단이라는 점, 그리고 시뮬레이터 아이작 심(Isaac Sim) 6.0과 학습 프레임워크 아이작 랩 3.0에서 갈아 끼울 수 있는 물리 백엔드로 들어갔다는 점이 눈에 띄는 대목입니다. 훈련장의 바닥재를 누구나 뜯어보고 고칠 수 있게 공개한 셈이죠.

뉴턴 물리엔진 아키텍처 — NVIDIA Warp 기반 위에 솔버를 얹고 MuJoCo Playground, Isaac Lab 등과 호환되는 구조

이미지: 뉴턴 아키텍처 — 워프(Warp) 기반 위에 물리 솔버를 얹고 MuJoCo Playground·아이작 랩과 호환됩니다. 엔비디아 공식 블로그 기준 휴머노이드 시뮬레이션에서 70배 이상 가속(MuJoCo-Warp). ⓒ NVIDIA 개발자 블로그

접촉 계산이 왜 어려운지, 블록 하나를 직접 떨어뜨려 봤습니다

물리엔진의 어디가 그렇게 어려운 걸까요. 궁금해서 파이썬 수십 줄로 가장 단순한 시뮬레이션을 직접 짜서 돌려 봤습니다. 1kg 블록을 1m 높이에서 바닥에 떨어뜨리고, 바닥과 닿는 순간을 스프링처럼 밀어내는 힘으로 계산하는 교과서적인 모형입니다. 결과가 흥미롭더군요. 계산 간격을 100분의 1초로 잡자 블록이 바닥에 닿는 순간 에너지가 36%나 불어나며 떨어뜨린 높이보다 높게 튀어 올랐습니다. 물리 법칙 위반이 아니라, 접촉이라는 급격한 사건을 성긴 계산이 놓치며 생긴 수치 오류입니다. 간격을 1만분의 1초로 줄이니 오류는 사라졌지만 계산량은 정확히 100배가 됐습니다. 블록 하나가 이 정도인데, 발바닥과 열 손가락으로 수백 개의 접점을 동시에 만드는 휴머노이드라면 어떨까요. 뉴턴이 GPU 병렬 계산 위에 지어지고, 접촉과 마찰 계산의 정확도를 앞세우는 이유를 숫자로 체감한 실험이었습니다.

로봇은 왜 가상에서 먼저 배우는가① 심투리얼(sim-to-real) 훈련 구조뉴턴 1.0 — 물리엔진가상 세계의 중력·접촉·마찰 계산엔비디아·딥마인드·디즈니 공동 개발아이작 랩 3.0 — 학습수천 개 분신이 병렬로 넘어지며수백만 번의 시행착오를 압축실물 로봇 — 현실 투입가상에서 배운 보행·조작 정책을실물에 이식, 현실에서 최종 검증실패의 비용이 '부서진 로봇'에서'전기 요금'으로 바뀝니다② 접촉 계산 실험 (직접 수행)1kg 블록 1m 낙하 · 계산 간격별 에너지 오차+36%+0.9%0%1/100초1/1,000초1/10,000초계산 200번2,000번20,000번간격을 성기게 잡으면 에너지가 불어나고,정확히 하려면 계산량이 100배 — 접촉의 딜레마블록 하나의 접촉이 이 정도 — 휴머노이드는 접점이 수백 개입니다GPU 병렬 물리엔진이 피지컬 AI의 기반 기술이 된 이유입니다자료: NVIDIA 공식 블로그(2026.4) · 오른쪽 그래프는 필자가 직접 돌린 단순 모형의 결과로, 실제 엔진의 수치와 다릅니다Humanoid Now · humanoidnow.kr

가상 훈련장의 성적표, 유니트리 로봇의 능청스러운 움직임

이 방식은 실험실 이야기가 아닙니다. 2026년 7월 유니트리(Unitree)가 공개한 AS2-W 영상에는 바퀴 달린 네 다리로 가파른 비탈을 기어오르고, 미끄러져도 능청스럽게 자세를 되찾는 노련한 움직임이 담겨 있습니다. 휴머노이드가 아닌 사족보행 로봇이지만, 외신 보도에 따르면 이 움직임 역시 시뮬레이션에서 훈련한 강화학습 정책을 실물에 이식한 결과입니다. 유니트리는 훈련법 자체도 깃허브 unitree_rl_gym 저장소에 공개해 두었습니다. 휴머노이드 H1·G1까지 지원하며, 훈련(Train) → 검증(Play) → 다른 물리엔진 무조코 교차 검증(Sim2Sim) → 실물 이식(Sim2Real)의 4단계를 그대로 따라 할 수 있죠. 두 물리 세계를 모두 통과한 정책만 실물로 보내는 이중 검증이 핵심입니다.

영상: Unitree Robotics 공식 유튜브 — 시뮬레이션에서 훈련한 정책으로 험지를 주파하는 AS2-W (2026.7)

디즈니와 딥마인드는 왜 물리엔진에 이름을 걸었을까

협력사의 면면도 이 엔진의 성격을 말해 줍니다. 디즈니 리서치는 테마파크에 투입할 BDX 드로이드를 뉴턴 기반으로 훈련시키고 있습니다. 2025년 3월 엔비디아 GTC 기조연설 무대에서 젠슨 황 옆을 아장아장 걸어 다닌 그 로봇입니다. 구글 딥마인드는 연구자들이 가장 널리 쓰는 물리엔진 무조코(MuJoCo)를 관리하는 곳이니, 경쟁 관계일 법한 두 진영이 같은 오픈소스에 이름을 얹은 셈이죠. 주목할 것은 이 조합이 여는 문입니다. 값비싼 실물 로봇 없이도, 뉴턴과 아이작 랩은 무료로 내려받아 로봇 훈련을 시작할 수 있습니다. 지난 글에서 다룬 발로 차 보며 검증하는 휴머노이드 내구성이 하드웨어의 관문이라면, 가상 훈련장은 소프트웨어의 관문인데 그 문턱이 사실상 사라지고 있는 겁니다. 물론 시뮬레이션이 만능은 아닙니다. 가상에서 백 점을 받은 정책도 실물의 마찰과 부품 유격 앞에서는 다시 조정을 거쳐야 하고, 이 간극(sim-to-real gap)을 줄이는 일이 여전히 연구의 최전선입니다.

맺음말

국내 뉴스에서 휴머노이드는 대부분 하드웨어의 얼굴로 소개되지만, 그 로봇이 걷는 법을 배운 교실은 GPU 안의 가상 세계입니다. 블록 하나를 떨어뜨리는 계산조차 간격을 잘못 잡으면 에너지가 36%씩 불어나는 것을 직접 확인하고 나니, 접촉 계산을 정면으로 겨눈 오픈소스 엔진에 엔비디아·딥마인드·디즈니가 함께 이름을 건 이유가 선명해졌습니다. 로봇은 넘어지며 배우지 않습니다. 로봇의 분신 수천 개가 가상에서 대신 넘어지고, 실물은 그 결론만 물려받습니다. 앞으로 휴머노이드 시연 영상을 보실 때 한 번쯤 떠올려 보시기 바랍니다. 저 매끄러운 한 걸음 뒤에는 보이지 않는 수백만 번의 가상 낙하가 쌓여 있다는 사실을요.

참고 자료

  • NVIDIA Blog, "National Robotics Week 2026" — 뉴턴 1.0·아이작 심 6.0·아이작 랩 3.0 정식 공개 (2026.4) — 원문 링크
  • NVIDIA 개발자 블로그(한국어), "로봇 시뮬레이션용 오픈소스 물리 엔진 'Newton' 발표" (2025.6) — 원문 링크
  • NVIDIA Blog, "Open-Source Physics Engine and OpenUSD Advance Robot Learning" — 뉴턴 공동 개발·리눅스 재단 관리 (2025.9) — 원문 링크
  • GitHub, newton-physics/newton — 뉴턴 공식 오픈소스 저장소 (Apache-2.0, 리눅스 재단) — 원문 링크
  • NVIDIA Isaac Sim 6.0 공식 문서, "Newton Physics Backend" — 원문 링크
  • Unitree Robotics 유튜브, "Unitree Super Athlete AS2-W" (2026.7) — 영상 링크
  • GitHub, unitree_rl_gym — Go2·H1·G1용 강화학습 훈련·Sim2Sim·Sim2Real 공개 코드 — 원문 링크

이 블로그의 인기 게시물

피지컬 AI, 학계는 아직 이 단어를 쓰지 않습니다

엔비디아 홈페이지에는 사실상 같은 것을 설명하는 페이지가 두 개 있습니다. 하나는 '피지컬 AI', 다른 하나는 '임바디드 AI(Embodied AI)'. 무대 위 기조연설에는 앞의 단어만 나오고, 개발자가 읽는 용어사전에는 뒤의 단어가 나옵니다. 글자 몇 개 차이로 보이지만 두 이름은 출신이 다릅니다. 하나는 30년 넘은 연구 전통의 이름이고, 다른 하나는 최근 2년 사이 산업이 붙인 이름이죠. 같은 회사가 열 달 만에 이름을 바꿨습니다 엔비디아가 2024년 3월 18일에 낸 보도자료를 열어 단어를 세어 봤습니다. 휴머노이드용 기반 모델 'Project GR00T'을 처음 공개한 문서입니다. 여기에 'physical AI'는 한 번도 나오지 않습니다. 대신 'embodied AI'가 다섯 번 등장하죠. "임바디드 AI 모델은 방대한 양의 실제 데이터와 합성 데이터를 필요로 합니다"라는 문장이 그중 하나입니다. 그리고 열 달 뒤, 2025년 1월 6일 CES 2025 기조연설을 정리해 올린 공식 블로그 글을 같은 방식으로 세어 봤습니다. 이번에는 정확히 반대였습니다. 'physical AI' 여섯 번, 'embodied AI' 영 번. 그 자리에서 젠슨 황 CEO는 피지컬 AI를 인식하고, 추론하고, 계획하고, 행동하는 인공지능이라고 설명하며 "일반 로봇공학의 챗GPT 순간이 코앞에 다가왔다"고 말했습니다. 새로운 기술을 발표한 자리가 아니었습니다. 부르는 이름을 바꾼 자리였습니다. 그래서 피지컬 AI는 어디까지를 가리키나 정의부터 짚겠습니다. 피지컬 AI는 인공지능이 화면 안에서 답을 만드는 데 그치지 않고, 센서로 물리 세계를 읽고 모터를 움직여 결과를 만드는 기술 전반을 뜻합니다. 감지, 판단, 제어가 실시간으로 반복되는 구조죠. 임바디드 AI는 조금 다릅니다. 직역하면 '몸을 가진 지능'입니다....
자세한 내용 보기

로봇 감속기, 톱니 두 개가 100배를 만듭니다

감속비 100:1을 만들려면 톱니가 100배쯤 차이 나야 할 것 같습니다. 아닙니다. 두 개면 됩니다. 처음 이 문장을 읽었을 때는 오타를 의심했습니다. 그래서 종이에 원을 두 개 그렸습니다. 바깥쪽에 톱니 202개, 안쪽에 200개. 한 바퀴 돌려 보고 나서야 이 구조가 왜 로봇 관절을 지배하는지 알았습니다. 종이에 원 두 개를 그려 한 바퀴 돌려 봤습니다 하모닉 드라이브, 정식 명칭으로 스트레인 웨이브 기어는 부품이 셋뿐입니다. 타원형 웨이브 제너레이터, 그 위에 씌워져 타원으로 찌그러지는 얇은 컵 모양 플렉스플라인, 그리고 플렉스플라인을 감싸고 고정된 링 서큘러스플라인. 플렉스플라인이 타원이 되니 톱니가 맞물리는 곳은 타원의 긴 축 양쪽, 딱 두 군데뿐입니다. 나머지는 떠 있죠. 여기서부터가 핵심입니다. 웨이브 제너레이터가 반 바퀴 돌면 맞물림 지점이 반대편으로 옮겨 가고, 그 사이 플렉스플라인은 톱니 딱 한 칸만큼 뒤로 밀립니다. 한 바퀴면 두 칸. 톱니 수 차이가 2개니까요. 그러면 플렉스플라인이 200칸을 다 돌아 제자리로 오려면 웨이브 제너레이터가 몇 바퀴를 돌아야 할까요. 100바퀴입니다. 감속비 100:1이 이렇게 나옵니다. 공식으로 적으면 플렉스플라인 톱니 수를 톱니 수 차이로 나눈 값. 200 나누기 2. 기어를 여러 단으로 쌓아 올려 감속비를 버는 유성기어와는 발상 자체가 다릅니다. 하모닉은 단이 하나뿐인데도 30:1에서 320:1까지 냅니다. 그래서 얇습니다. 백래시 1아크분이 손끝에서 몇 밀리미터인지 계산했습니다 감속기 카탈로그에서 감속비 다음으로 큰 글씨는 백래시입니다. 기어 이와 이 사이의 틈이죠. 방향을 바꿀 때 그 틈만큼 헛돕니다. 단위는 아크분(arcmin), 1도의 60분의 1입니다. 숫자만 보면 작아 보여서, 팔 끝에서 얼마가 되는지 직접 환산해 봤습니다. 1아크분은 라디안으로 0.000291. 어깨에서 손끝까지 600밀리미터인 팔이라면 0.000291 곱하기 600, 약 0.17밀리미터입니다. 여기까지는 괜찮습...
자세한 내용 보기

서보모터는 가만히 있을 때 가장 뜨겁습니다

로봇이 팔을 든 채 가만히 서 있습니다. 아무 일도 하지 않는 것처럼 보이죠. 그런데 그 순간이 모터에게는 가장 가혹합니다. 회전이 없으니 기계적 출력은 정확히 0와트인데, 전기는 조금도 줄지 않고 계속 들어가고 있으니까요. 들어간 전기가 전부 어디로 가는지 계산해 봤더니, 휴머노이드가 왜 데모 영상만큼 오래 일하지 못하는지가 한 줄로 정리됐습니다. 출력은 0와트인데 전력은 그대로 먹습니다 회전 기계가 내는 일은 토크에 각속도를 곱한 값입니다. 그래서 각속도가 0이면, 토크를 아무리 크게 내고 있어도 출력은 0입니다. 물리적으로는 아무 일도 하지 않는 상태죠. 그렇다고 전기가 안 드는 것은 아닙니다. 모터의 토크는 전류에 비례하기 때문에, 팔을 든 자세를 유지하려면 그 토크에 해당하는 전류를 계속 흘려야 합니다. 그리고 전류가 흐르는 곳에는 저항이 있습니다. 권선 저항 0.1옴짜리 관절에 20암페어를 흘린다고 놓고 계산해 보면, 0.1 곱하기 20의 제곱, 40와트입니다. 이 40와트는 로봇을 움직이는 데 한 푼도 쓰이지 않습니다. 전부 열입니다. 관절 하나에서요. 옵티머스처럼 액추에이터가 28개인 로봇이라면, 자세를 잡고 서 있기만 해도 몸 안에서 수백 와트가 열로 바뀌고 있는 셈입니다. 다만 이 계산의 권선 저항은 제조사가 잘 공개하지 않는 값이라 200와트급 브러시리스 모터의 통상 범위에서 가정했습니다. 숫자 자체보다는 관계를 봐야 합니다. 토크를 두 배 내면 열은 네 배가 됩니다 그 관계가 제곱이라는 게 핵심입니다. 손실은 전류의 제곱에 비례합니다. 토크를 두 배로 올리려면 전류를 두 배로 올려야 하고, 그러면 열은 네 배가 됩니다. 세 배면 아홉 배죠. 모터 카탈로그에 연속 정격 토크와 순간 최대 토크가 따로 적혀 있는 이유가 여기 있습니다. 최대 토크는 열이 쌓여 권선이 타기 전까지, 길어야 몇 초 동안 쓸 수 있는 숫자입니다. 휴머노이드 사양표에 적힌 관절 토크가 대체로 이 피크 값이라는 점은 짚어 둘 만합니다. 400뉴턴미터라고 적혀 ...
자세한 내용 보기