활용 사례 뉴스언론 보도어제 발표
로봇공학의 '챗GPT 순간'을 기다리며: 물리 AI가 직면한 과제
Robots are waiting for a ChatGPT moment: Nvidia’s Les Karpas explains why at TechCrunch Disrupt 2026
TechCrunch AI테크크런치 디스럽트 2026에서 엔비디아는 로봇공학이 '챗GPT와 같은 혁신적 순간'을 맞이하기 위해 해결해야 할 핵심 과제들을 집중 조명합니다.
세 줄 요약
- 현재 범용 로봇의 가장 큰 기술적 한계는 대규모 언어 모델과 달리, 전 세계적인 규모의 물리 AI 데이터를 확보하는 것이 어렵다는 점입니다.
- 업계는 이 데이터 격차를 메우기 위해 시뮬레이션 및 합성 데이터를 활용하여 물리적 AI 생태계를 구축하는 데 집중하고 있습니다.
- 엔비디아 전문가의 관점에서 로봇, 자율주행 등 다양한 산업의 '물리적 AI' 난관과 돌파 전략을 한눈에 파악할 수 있는 기회입니다.
2022년 챗GPT 등장 이후 인공지능(AI)은 단순한 과장거리를 넘어 일상적인 현실로 진입했다. 하지만 로봇공학 분야는 아직까지 그러한 대규모 기술적 돌파구를 맞이하지 못했다. 엔비디아의 Les Karpas는 TechCrunch Disrupt 2026에서 이 현상의 원인과 향후 변화 가능성에 대해 논할 예정이다.
일반 목적 로봇이 직면한 핵심적인 한계는 언어 모델()처럼 인터넷 전반에 걸친 규모의 물리 AI 데이터셋을 확보하기 어렵다는 점이다. 자율주행 분야에서도 Waymo와 같은 기업들은 시장별로 수년간 축적된 주행 마일리지 데이터를 구축하며 이 문제를 해결하고 있다.
이러한 데이터 격차를 메우기 위해 스타트업 생태계는 시뮬레이션 및 를 활용하여 물리 AI를 개발하는 데 집중하고 있다. 엔비디아의 Les Karpas는 로봇공학, 자동차, 제조 등 광범위한 분야에서 이와 관련된 난관과 기회를 다루며 업계의 관점을 제시할 예정이다.
용어 풀이
- LLM
- 방대한 글을 학습해 문장을 이해하고 만들어 내는 AI 모델. ChatGPT, Claude, Gemini가 여기에 속해요.
- 합성 데이터
- 실제로 모은 것이 아니라 AI나 프로그램으로 만들어 낸 학습용 데이터.
