AI News Nov 11, 2026 8 min read

Anthropic IPO 공모가 70~78달러 예상, 825,000,000주 공모

Anthropic IPO 공모가는 주당 70~78달러로 예상되며 825,000,000주를 공모한다. AlphaProof Code, Control Room, GR00T 2, Gemini Robotics 2.5 소식도 담았다.

Anthropic이 IPO 로드쇼를 시작했고 825,000,000주를 주당 70~78달러 예상가로 공모합니다. Google DeepMind는 Signal의 암호 코드를 기계어 수준에서 증명했다고 밝혔고, OpenAI는 연구용 모델 작업을 35초 안에 멈추는 Control Room을 소개했습니다. NVIDIA와 DeepMind의 로봇 모델 소식까지 다섯 건에서 무엇이 확인됐고 어떤 조건이 붙는지 함께 살펴봅니다.

오늘 담긴 것

시장과 상장

Anthropic IPO 공모가 주당 70~78달러 예상, 825,000,000주 공모와 나스닥 ANT 상장 신청

Anthropic IPO 로드쇼와 공모 계획을 상징하는 두꺼운 투자설명서와 황동 종

11월 10일 Anthropic, PBC가 Class A 보통주 기업공개(IPO) 로드쇼를 시작했다고 공식 발표문에서 밝혔다. 공모 대상은 825,000,000주이고 예상 공모가는 주당 70.00~78.00달러다. 상장 신청지는 나스닥 글로벌 셀렉트 마켓이며 종목 기호는 ANT다.

  • 공모 규모: 825,000,000주 중 Anthropic이 801,351,354주를, 일부 기존 주주가 23,648,646주를 판다.
  • 가격과 시장: 예상 공모가는 주당 70.00~78.00달러이고 나스닥 글로벌 셀렉트 마켓에 종목 기호 ANT로 상장을 신청했다.
  • 현재 상태: 등록 성명서는 SEC에 제출됐지만 아직 효력이 발생하지 않았다.

무엇이 달라지나

로드쇼 시작과 함께 공모 주식 수와 예상 공모가 범위가 공식 수치로 나왔다. 회사는 기존 주주 매각분의 대금을 받지 않는다. 예비 투자설명서는 Goldman Sachs와 Morgan Stanley 두 주관사에서 받을 수 있다고 발표문은 안내한다.

한계

최종 공모가와 효력 발생 시점은 발표문에 없다. 효력 발생 전에는 이 증권을 판매할 수 없고 매수 제안을 수락할 수도 없으며, 이 발표는 투자 권유가 아니다. 기업가치는 공식 문서에 적혀 있지 않고, 아래 반응에 나오는 1조 달러대 수치는 한 계정의 추정이다. 한국 투자자가 참여하는 방법도 적혀 있지 않다.

커뮤니티 반응

■한 계정은 825,000,000주를 70~78달러에 내놓는 이번 공모를 완전 희석 기준 약 1조 2,400억~1조 3,800억 달러의 가치로 추정하며, 이전에 거론된 약 1조 5,000억 달러 기대보다 낮다고 소개했다.

■공모 규모를 약 580억~640억 달러로 어림한 글, 로드쇼 시점을 구글에서 선두를 되찾으려는 타이밍으로 읽는 글, 100주쯤 사 보고 싶다는 글이 나왔다.

■Anthropic은 모트가 없는 챗봇 회사일 뿐이라며 IPO에 손대지 않겠다는 회의적인 글도 있었고, 개인 투자자에게 돌아가는 물량이 얼마인지 묻는 질문도 달렸다.

본문 펼치기 · 약 4분

공모 825,000,000주 가운데 회사가 파는 물량은 801,351,354주이고 나머지는 기존 주주 몫이다

발표문에 따르면 제안된 공모는 Class A 보통주 825,000,000주로 이뤄진다. 이 가운데 801,351,354주는 Anthropic이, 23,648,646주는 일부 기존 주주가 판다. 두 수를 더하면 825,000,000주가 된다. 기존 주주 매각분의 판매 대금은 Anthropic이 받지 않는다고 발표문은 적었다.

Anthropic은 인수인에게 30일 동안 최대 123,750,000주를 추가로 살 수 있는 옵션을 줄 예정이라고 발표문에서 밝혔다. 이 옵션이 모두 행사되면 공모 주식은 825,000,000주에 123,750,000주를 더한 948,750,000주까지 늘어난다. 옵션의 행사 여부와 시점은 발표문에 나와 있지 않다.

옵션 물량을 예상 공모가 범위에 단순히 곱하면 123,750,000 × 70달러 = 8,662,500,000달러(86억 6,250만 달러), 123,750,000 × 78달러 = 9,652,500,000달러(96억 5,250만 달러)다. 옵션 행사 가격이 공모가와 같은지는 발표문에 적혀 있지 않으므로 규모를 가늠하는 참고용 계산이다. 이 금액은 기본 공모 825,000,000주와는 별도로 붙는 물량에 해당한다.

예상 공모가 범위를 단순 곱하면 총 공모액은 577억 5,000만~643억 5,000만 달러다

발표문의 주식 수와 가격 범위로 계산하면 825,000,000 × 70달러 = 57,750,000,000달러(577억 5,000만 달러), 825,000,000 × 78달러 = 64,350,000,000달러(643억 5,000만 달러)다. 이 값은 추가 매수 옵션을 뺀 기본 공모 물량 전체를 기준으로 한 단순 곱셈이다. 인수 수수료와 비용은 반영하지 않았고 최종 공모가에 따라 달라진다.

회사가 파는 801,351,354주만 같은 방식으로 곱하면 801,351,354 × 70달러 = 56,094,594,780달러로 약 560억 9,459만 달러, 801,351,354 × 78달러 = 62,505,405,612달러로 약 625억 540만 달러다. 기존 주주가 파는 23,648,646주의 대금은 Anthropic이 받지 않으므로, 회사 몫을 따지려면 이 범위를 기준으로 삼아야 한다. 그 경우에도 수수료와 비용 차감 전 금액이다.

발표문은 예상 공모가가 70.00~78.00달러 사이라고만 밝혔고 최종 가격이 언제 어떻게 정해지는지는 적지 않았다. 회사의 실제 조달액이나 기업가치도 발표문에는 나오지 않는다. 기업가치를 다룬 수치는 공식 문서가 아니라 외부 추정이다.

효력 발생 전에는 매매할 수 없고 공모는 투자설명서로만 이뤄진다

발표문은 이번 공모가 투자설명서를 통해서만 이뤄진다고 밝혔다. 등록 성명서는 SEC에 제출됐지만 아직 효력이 발생하지 않았다. 효력이 발생하기 전에는 이 증권을 판매할 수 없고 매수 제안을 수락할 수도 없다.

예비 투자설명서는 Goldman Sachs & Co. LLC와 Morgan Stanley & Co. LLC에서 받을 수 있다고 발표문은 안내한다. Goldman Sachs 쪽 창구는 뉴욕 200 West Street의 투자설명서 담당 부서이고, Morgan Stanley 쪽은 뉴욕 180 Varick Street 2층의 투자설명서 담당 부서다. 두 곳 모두 발표문에 연락처가 적혀 있다.

이 발표 자체가 매도 제안이나 매수 제안의 유치가 아니라는 문구도 발표문에 들어 있다. 등록이나 자격 요건이 충족되기 전에 제안과 판매가 불법인 주 또는 관할 지역에서는 판매가 이뤄지지 않는다는 설명도 붙었다. Anthropic은 나스닥 상장을 신청했다고 밝혔을 뿐 승인 여부는 발표문에 없다.

자세히 읽기 · Anthropic의 로드쇼 발표문 ↗

보안과 안전

DeepMind AlphaProof Code, Signal 암호 코드를 기계어 수준까지 증명했다고 발표

DeepMind AlphaProof Code의 Signal 암호 코드 증명을 상징하는 자물쇠, 칩, 돋보기

11월 10일 Google DeepMind가 에이전트 기반 형식 검증 프레임워크 AlphaProof Code를 블로그로 소개했다. 연구진은 Signal 프로토콜의 참조 구현 libsignal이 지켜야 할 핵심 보안 성질을 Lean 증명으로 보였다고 밝혔다. 논문 프로젝트 페이지에 따르면 증명 대상은 소스 코드가 아니라 컴파일된 AArch64 기계어다.

  • 증명 분량: Gemini Carbon 기반 에이전트가 쓴 Lean 코드는 블로그 기준 600만 줄 넘게, 프로젝트 페이지 기준 약 650만 줄이다.
  • 대상과 기간: PQXDH 핸드셰이크와 Triple Ratchet의 보안 성질을 다뤘고, 작업은 4주가 걸렸다고 DeepMind는 밝혔다.
  • 시험: 이미 고쳐진 libsignal 버그 두 개를 고립된 버전에 다시 넣자 두 경우 모두 안전하지 않다는 기계 검사 증명이 나왔다고 밝혔다.

무엇이 달라지나

기존 형식 검증은 추상 프로토콜 모델이나 검증하기 쉽게 고친 구현을 대상으로 했다고 논문은 설명한다. 이번에는 수정하지 않은 libsignal을 표준 컴파일러로 빌드한 실행 파일이 대상이라고 DeepMind는 주장한다. 명세는 사람이 검토하고 승인했고 증명 작성은 에이전트가 맡았다고 블로그는 설명한다.

한계

업계에서 처음이라는 평가는 DeepMind의 주장이다. 증명 대상은 libsignal을 작은 명령줄 하네스에 연결해 컴파일한 빌드이고, 저수준 암호 원시함수는 계약으로 가정한다. 논문은 결과가 Lean 커널, 암호 원시함수의 보안, 일부 루틴의 계약을 신뢰한다고 적었다. 명세는 자동으로 검사할 수 없어 사람의 검토에 기댄다.

커뮤니티 반응

■증명은 앱에 대한 것이지만 실제 보안은 운영체제 인증에도 달려 있어, 화면 표시를 바꾸거나 정보를 가로채는 앱은 가능하지 않느냐는 질문이 달렸다.

■Gemini 4 Carbon은 언제 쓸 수 있느냐는 질문도 나왔다.

■연구진 책임자 Pushmeet Kohli의 발표 글에는 축하하는 답글이 달렸다.

본문 펼치기 · 약 3분

증명 대상은 소스 코드가 아니라 표준 컴파일러로 만든 AArch64 기계어다

논문 프로젝트 페이지에 따르면 연구진은 수정하지 않은 Rust 코드 libsignal을 작은 명령줄 하네스에 연결하고 표준 컴파일러 rustc로 AArch64 Linux 기계어로 컴파일했다. 이 실행 파일은 AArch64 기계어의 형식 의미론과 함께 Lean에 불러들여진다. DeepMind는 실제 취약점이 설계와 구현 사이의 틈에 숨는 경우가 많다고 블로그에서 설명한다.

대상 프로토콜은 PQXDH 핸드셰이크와 Triple Ratchet이다. 프로젝트 페이지의 초록은 순방향 비밀성, 인증, 침해 후 보안, 핸드셰이크 비밀성을 증명했다고 적었다. 서론에 따르면 기호 모델과 계산 모델 두 가지로 다뤘고, 핵심 성질은 고전적 공격자를 기준으로 한다. 핸드셰이크 비밀성만 기호 모델에서 미래의 양자 공격자까지 다룬다.

사람이 승인한 명세가 신뢰의 핵심이고 에이전트가 쓴 증명은 Lean이 걸러낸다

프로젝트 페이지가 설명하는 작업 순서는 이렇다. 명세 작성 에이전트가 사용자와 함께 Lean 명세를 쓰고, 검토 에이전트들이 초안을 비판하며, 사용자가 승인한다. 증명 에이전트는 명세가 비어 있거나 잘못됐으면 수정안을 낼 수 있고, 수정은 사용자가 정한 정책이나 판단으로 승인된다. 문지기 에이전트는 Lean 커널이 증명을 통과시키고 비교기가 승인된 명세의 별도 사본과 같은 내용을 증명했음을 확인할 때만 증명을 받아들인다.

독자가 읽고 믿어야 하는 명세는 논문 서론 기준 약 18,000줄과 AArch64 의미론 약 8,000줄이고, 초록은 이를 약 26,000줄로 적었다. 블로그에 따르면 에이전트가 증명을 감사해 사람이 다시 봐야 할 부분으로 코드베이스의 1%만 짚었다. 논문은 사람의 검토만으로 대규모 명세의 오류를 모두 잡기는 어렵다고 인정한다. 그래서 검토 에이전트와 변이 시험 같은 기계적 절차를 함께 쓴다고 설명한다. 읽는 순서를 정한다면 논문이 독자가 신뢰해야 하는 부분으로 표시한 명세와 의미론부터 보는 편이 맞다.

4주라는 작업 기간과 과거 버그 두 개 재도입 시험은 범위가 정해진 결과다

DeepMind는 이 작업이 4주 걸렸으며 전문가 팀이 보통 수년을 쓰던 일이라고 블로그에서 밝혔다. 논문은 비교 사례로 seL4 마이크로커널이 20인년, CompCert 컴파일러가 6인년 걸렸다고 적었다. 두 시스템은 처음부터 검증을 염두에 두고 짠 코드라는 차이도 함께 설명한다. 같은 작업에 대한 직접 비교 수치는 없다.

연구진은 이미 고쳐진 libsignal 버그 두 개를 고립된 버전에 다시 넣었고, 두 경우 모두 그 버전이 안전하지 않다는 기계 검사된 증명이 나왔다고 블로그에서 밝혔다. 논문 2.1절은 이와 별도로, 에이전트가 Signal의 암호문 MAC 검증 생략 같은 자연스러운 버그를 코드에 넣고 보안 정리가 그 변형 실행 파일에서 거짓임을 증명하는 변이 시험을 명세 품질 점검 방법으로 설명한다. 다만 이 시험이 모든 종류의 버그에 통한다고 보인 것은 아니다.

Signal의 CTO Ehren Kret은 실제 코드를 유효한 Lean 정리로 옮긴 일을 큰 돌파구라고 평가했다고 블로그에 실렸다. DeepMind는 이 방식을 다른 시스템으로 넓히려면 추가 연구가 필요하다고 덧붙였다. 명세와 증명을 담은 Lean 개발물은 프로젝트 페이지에 공개돼 있다.

자세히 읽기 · Google DeepMind의 AlphaProof Code 블로그 ↗ · AlphaProof Code 논문 프로젝트 페이지 ↗

OpenAI Control Room 공개, 연구용 모델 작업 중단 결정 뒤 35초 안에 출력 차단

OpenAI Control Room의 작업 중단 구조를 상징하는 빨간 정지 버튼과 황동 초시계

OpenAI가 한국 시간 11월 10일 오전 7시경 연구 인프라의 모델 작업을 한곳에서 추적하고 멈추는 시스템 Control Room을 알렸다. 글 자체에는 게시일이 적혀 있지 않다. 이 시스템은 에이전트 샘플링과 데이터 처리를 포함한 모든 연구용 추론 작업을 연결하고, 중단 결정 뒤 35초 안에 모델 출력을 끊는다고 OpenAI는 밝혔다.

  • 구조: 작업이 추론 엔진에 출력을 요청할 때마다 엔진이 Control Room에 허가를 묻고, 중단된 작업의 요청은 거부된다.
  • 속도: 중단 결정 뒤 35초 안에 모델 출력을 끊는다고 OpenAI는 밝혔다.
  • 안전 설계: Control Room 서비스가 내려가면 모든 추론 요청을 거부하는 fail-closed 방식이다.

무엇이 달라지나

연구 작업의 정지가 작업 코드가 아니라 추론 계층에서 걸린다. 중단 결정 뒤 출력이 끊기기까지 최대 35초이고, Control Room 자체가 멈추면 모든 추론 요청을 거부하는 fail-closed 방식이다. 이 방식은 프런티어 모델 연구 작업에 적용됐고 나머지 연구 작업은 며칠 안에 확장된다.

한계

35초 지연은 추론 인가 캐시에서 나오며 OpenAI는 이를 0초로 줄이는 중이다. 감시 시스템이 어떤 기준으로 중단을 정하는지, 실제로 몇 번 작동했는지는 글에 없다. 외부 서비스용 서빙 스택은 이미 더 중앙화돼 있다고만 적었고, Control Room을 다른 조직이 쓸 수 있다는 설명도 없다.

커뮤니티 반응

■GPT-6.2는 어디 있느냐며 제어실이라는 이름에 빗대어 농담하는 답글이 달렸다.

■Control Room이 AI로 제작됐다는 한 줄 반응도 올라왔다.

■AI 연구용 킬 스위치라고 요약하며 왜 중요한지 풀어 쓴 인용 글도 나왔다.

본문 펼치기 · 약 4분

정지는 작업 코드가 아니라 추론 엔진의 허가 확인에서 걸린다

글이 설명하는 구조는 작업, 추론 엔진, 중앙 Control Room 서비스 세 부분이다. 작업은 강화학습 실험, 평가, 대량 샘플링, 데이터 처리처럼 연구자가 돌리는 일이고, 시작할 때 Control Room에서 job_id를 받는다. 모델에서 토큰을 뽑을 때마다 이 job_id를 엔진에 넘기면, 엔진은 요청을 처리하기 전에 Control Room에 허가를 묻는다. 작업이 종료 처리됐으면 Control Room이 요청을 거부하고, 엔진은 거부 응답을 돌려줘 출력이 더 나오지 않게 한다.

OpenAI가 정지를 추론 계층에 둔 이유는 작업 코드가 연구자나 팀마다 다르고 자주 바뀌어 핵심 안전장치를 얹기에 적절하지 않기 때문이라고 글은 설명한다. 연구 전체에서 쓰는 추론 코드 경로는 아주 적고 배포도 중앙화돼 있어, 모든 추론이 인가 확인을 거치도록 보장하기 쉽다는 것이다. 이 설계는 작업 코드에 버그가 있거나 망가져도 정지가 먹히도록 하려는 목적이라고 한다.

엔진은 GPU 위에서 모델을 직접 돌리는 부분이고, 같은 엔진을 여러 작업이 함께 쓸 수도 있다고 글은 설명한다. 한 작업이 정지돼도 그 작업의 요청만 거부되는 구조다. OpenAI는 Control Room을 빼거나 끈 임의 엔진을 돌리지 않는지 에이전트와 프로그램으로 훑는 작업을 계속 돌린다고 밝혔다. 에이전트로 추론하는 연구 작업은 모두 승인된 safety case와 연결해야 한다는 조건도 글에 있다.

감시 모델이 정지를 요청하면 다음 추론 요청부터 막히고 최대 지연은 35초다

OpenAI는 프런티어 강화학습 작업이 모두 모니터와 함께 돈다고 글에 썼다. 모니터는 훈련 중인 모델이 하는 일을 살펴보다 문제가 보이면 경고를 올리는 별도 모델이다. 세부와 심각도에 따라 모니터링 시스템이 작업 정지를 정할 수 있다고 글은 설명한다.

정지가 정해지면 모니터링 시스템이 job_id를 담은 메시지를 Control Room에 보내고, Control Room은 그 작업을 종료로 기록한다. 이후 그 job_id의 작업이 어떤 엔진의 어떤 모델에서든 토큰을 더 뽑으려 하면 요청이 거부된다. 작업 코드를 직접 끄는 것이 아니라 다음 추론 요청이 막히는 방식이라고 글은 설명한다.

35초는 글에서 두 가지로 서술된다. 소개 문단은 개입 결정 뒤 35초 안에 출력을 끊는다고 했고, 속도 항목은 Control Room이 정지 지시를 받은 시점부터 더 진행할 수 없게 되는 시점까지의 최대 시간이라고 적었다. 지연의 원인은 대량 요청을 감당하려고 둔 추론 인가 캐시이며, OpenAI는 이 값을 0초로 낮춰 즉시 끝내는 것을 목표로 한다. 글은 최근 DNS 관련 사건을 모니터가 잡았다고 언급할 뿐 그 사건에서 정지가 얼마나 걸렸는지는 적지 않았다.

Control Room이 멈추면 추론도 멈추고 적용 범위는 단계적으로 넓어진다

OpenAI는 시스템이 fail-closed로 동작한다고 글에서 설명한다. 오류나 비활성화, 악의적 변조 등으로 Control Room 서비스가 내려가면 정상으로 돌아올 때까지 모든 추론 요청을 거부하도록 엔진이 설정돼 있다. Control Room 자체가 멈추면 모델 출력도 멈춘다는 뜻이다.

fail-closed는 현재 모든 프런티어 모델 연구 작업에 적용됐고, 나머지 연구 작업에는 며칠 안에 확장된다고 글은 밝혔다. Control Room은 필요성이 가장 큰 연구 인프라에 이미 배포됐다. 외부 모델 서빙은 본래 더 중앙화돼 있고 필요하면 배포를 빠르게 내릴 운영 능력이 갖춰져 있다는 설명이다.

OpenAI는 앞으로 몇 달 동안 시스템을 강화하고 확장하며 오정렬 행동과 보안 침해 감시 투자도 함께 늘리겠다고 했다. Control Room은 안전한 프런티어 모델 훈련과 배포를 위한 전체 접근법의 일부일 뿐이라고도 적었다. 정지 기준과 지금까지의 작동 횟수는 글에 없으므로, 이 글은 설계 설명으로 읽는 편이 맞다.

자세히 읽기 · OpenAI의 Control Room 글 ↗

로봇과 시뮬레이션

NVIDIA GR00T 2 공개, 미학습 50개 과제 제로샷 평균 40%에 코드는 12월 공개 예정

NVIDIA GR00T 2의 정교한 손동작 학습을 상징하는 로봇 손과 작은 황동 톱니바퀴

11월 10일 기준 NVIDIA GEAR 연구 페이지는 로봇 파운데이션 모델 GR00T 2를 소개한다. 페이지의 날짜 표기는 2026년 11월까지만 있다. GR00T 2는 미래 영상과 로봇 동작을 함께 예측하는 월드 액션 모델(WAM)이며 평행 그리퍼, 정교한 손, 휴머노이드에서 돌아간다고 NVIDIA는 밝혔다. 로봇 학습 프레임워크 Isaac Lab 3.0의 정식 릴리스는 GitHub 릴리스 페이지에 따로 올라 있다.

  • 제로샷: 대상 로봇에서 본 적 없는 50개 과제에서 평균 40%였고, 50개 중 40개는 한 번 이상 성공했다.
  • 시범 5개: 과제당 시범 5개(로봇 데이터 3분 미만)와 RTX 5090 한 장의 30분 미세조정 뒤 평균 95%라고 NVIDIA는 밝혔다.
  • 공개 일정: 코드는 12월에 공개될 예정이고, Isaac Lab 3.0 정식판은 별도 릴리스다.

무엇이 달라지나

과제당 시범을 1개 주면 평균 성공률이 71%, 5개(로봇 데이터 3분 미만)를 주면 95%로 오르며, 시범이 없을 때는 40%다. 시범은 사람 영상이나 다른 로봇 데이터에는 있고 대상 로봇의 과제 데이터에는 없던 과제에서 쟀다. 코드는 12월에 공개될 예정이다.

한계

수치는 NVIDIA가 자체 시험으로 낸 값이며 외부 측정자는 적혀 있지 않다. 95%는 양팔 Sharpa 손 로봇 한 종류에서 50개 과제를 평균한 값이다. 제로샷 평균 40%는 50개 중 40개 과제가 한 번 이상 성공했다는 것과 다른 수치다. 모델 가중치를 공개할지는 페이지에 적혀 있지 않다.

커뮤니티 반응

■한 한국어 AI 계정은 GR00T 2를 케이블 연결이나 작은 부품 조립처럼 정밀한 손동작을 학습하는 로봇 AI로 소개했다.

■별도 시범 없이 50개 과제 중 40개를 한 번 이상 성공했고, 과제당 시범 5개를 학습했을 때 평균 성공률이 95%에 달했다는 점을 핵심으로 짚었다.

■Isaac Lab 3.0과 함께 로봇이 현장에 가기 전 가상 환경에서 반복 학습하는 방식이 발전하고 있다고 평가했다.

본문 펼치기 · 약 4분

시범 없이는 평균 40%, 시범 1개는 71%, 시범 5개는 95%다

시험 대상은 양팔에 Sharpa 손 두 개를 단 로봇이고, 다른 로봇의 데이터나 사람 영상에는 있지만 이 로봇 자체 데이터에는 없던 50개 과제다. 연구 페이지에 따르면 제로샷 평균 성공률은 40%였고 50개 중 40개는 한 번 이상 성공했다. 과제당 시범 1개를 더하면 71%, 5개를 더하면 95%였으며, 5개일 때 37개 과제는 모든 시행에서 성공했다.

5개 시범은 로봇 데이터 3분 미만이고, 적응은 RTX 5090 한 장으로 30분 걸리는 LoRA 미세조정이라고 연구 페이지는 밝힌다. NVIDIA는 제로샷 실패의 대부분이 의도가 아니라 실행에서 나왔다고 설명한다. 과제의 순서는 맞게 수행하지만 한 단계의 정밀도가 모자라는 경우가 많다는 것이다. 같은 값이 다른 로봇이나 과제 묶음에서도 나오는지는 페이지가 보인 범위 밖이다.

사람 영상이나 손에 쥔 그리퍼로만 보여 준 과제를 로봇이 시범 없이 수행했다

연구 페이지는 이를 교차 적응(X-Adapt)이라 부른다. 사람이 장갑과 머리·손목 카메라를 쓰고만 시범을 보인 화학 실험실 과제에서 Dexter 로봇은 과제당 20회 시험해 필터 종이 깔기 65%, 스포이트로 비커에 옮기기 30%, 현미경 슬라이드 두드리기 10%를 냈다. 같은 세 과제에서 GR00T 1.7과 교차 로봇 사전학습을 뺀 GR00T 2는 모두 0%였다.

같은 연구 페이지에 따르면 손에 쥐는 UMI 그리퍼 시범만 본 경우 YAM 로봇 팔은 컨베이어 분류에서 물품 50개 중 86%를 분류했다. 같은 조건에서 GR00T 1.7은 28%, π0.5는 0%였다. 장난감 덤프트럭 조립은 60%, NIST 보드 분해는 50%였다.

사전학습 데이터는 사람 1인칭 영상 402,730시간, UMI 시범 10,184시간(2,897개 과제), 로봇 원격조작 23,500시간이라고 연구 페이지는 적었다. 사람 영상 100,000시간은 Human-1M-100K로 Hugging Face에 공개돼 있다고 한다.

Isaac Lab 3.0 정식판은 별도 릴리스이고 uv 명령으로 Newton 워크플로를 시작할 수 있다

릴리스 페이지는 Isaac Lab 3.0이 정식 출시됐고 2.x에서 옮기는 사용자와 새 프로젝트의 권장 기준이라고 밝힌다. 하나의 태스크 API로 여러 물리·렌더링·시각화 백엔드를 쓰고, Newton과 OV 라이브러리 백엔드로 Isaac Sim 없이 돌리며, Warp 기반 데이터 경로를 쓴다. Newton은 MuJoCo-Warp, VBD, MPM 솔버를 갖춘 Warp 기반 물리 백엔드로 강체와 변형체, 입자를 다룬다. 대상 환경은 Isaac Sim 6.2, Python 3.12, PyTorch 2.11과 CUDA 13.0, Warp 1.17, Newton 1.6.1, RSL-RL 5.5.1이다.

릴리스 노트가 안내하는 시작 절차는 uv를 설치하고 v3.0.0 태그를 복제한 뒤 실행하는 순서다. 복제는 git clone --branch v3.0.0 --depth 1 로 한다. 저장소 주소는 https://github.com/isaac-sim/IsaacLab.git 이다. 받은 IsaacLab 폴더에서 학습 명령 uv run isaaclab train 에 --rl_library rsl_rl 과 --task Isaac-Cartpole 을 붙인다. 시각화는 --viz newton_gl, 물리 백엔드는 physics=newton_mjwarp 로 고른다.

전체 Isaac Sim이 필요하면 uv run 뒤에 --extra isaacsim 옵션을 붙인다고 릴리스 노트에 적혀 있다. 릴리스 노트에는 GR00T 2 언급이 없다. VBD 케이블 삽입 같은 데모는 있지만 천 시뮬레이션은 명시돼 있지 않고, 페이지에 날짜도 적혀 있지 않다.

자세히 읽기 · NVIDIA GEAR의 GR00T 2 연구 페이지 ↗ · Isaac Lab v3.0.0 릴리스 노트 ↗

Gemini Robotics 2.5 출시, Mercedes-Benz 라인 시험에서 부품 분류 96%

Gemini Robotics 2.5의 자동차 부품 분류 시험을 상징하는 로봇 손과 순서 트레이

11월 10일 Google DeepMind가 비전 언어 행동(VLA) 모델 Gemini Robotics 2.5를 블로그로 소개했다. 회사는 이를 자사의 가장 뛰어난 VLA 모델이라 부르며 200여 개 과제로 평가했다고 밝혔다. 모델은 로봇 파트너에게 롤아웃 중이고 가격은 공개되지 않았다.

  • 현장 시험: Apptronik의 Apollo 2 휴머노이드가 Mercedes-Benz 생산 라인 개념 증명에서 자동차 부품 분류를 96% 성공률로 해냈다고 DeepMind는 밝혔다.
  • 평가: 200여 개 과제에서 이전 기준 대비 성공률이 과제 유형에 따라 30~100% 높고 작업은 20~30% 빠르다고 회사는 밝혔다.
  • 제공: 로봇 파트너에게 롤아웃 중이고, 조기 접근은 대기 명단 신청이며 가격은 공개되지 않았다.

무엇이 달라지나

이전 기준과 비교해 성공률이 과제 유형에 따라 30~100% 높고 작업은 20~30% 빠르다고 DeepMind는 밝혔다. 비교 기준이 된 모델은 적혀 있지 않다. 안전 쪽에서는 추론 시점 안내로 장애물 주변과 사람 근처의 안전한 과제 완료가 각각 33%, 43% 높아졌다고 한다.

한계

96%는 개념 증명 한 건의 값이고 시행 횟수와 성공 기준은 블로그에 없다. 평가와 안전 수치는 모두 DeepMind가 직접 측정한 값이다. 일반 이용자용 공개 제공 방식과 가격은 없고, 조기 접근은 대기 명단 신청 단계다.

커뮤니티 반응

■공개 직후 DeepMind 공식 계정이 소개 글을 스레드로 이어 올렸다.

■스레드는 Apptronik, Mercedes-Benz와 한 개념 증명에서 Apollo 2가 자동차 부품을 고르고 정리하는 데 96%였다고 적었다.

■Gemini 4 Argon이 단일 카메라 장면에서 가상 연습 공간을 만들고 영상에서 실패 원인을 가설로 세우는 방식으로 개발을 도왔다고 소개했다.

본문 펼치기 · 약 4분

Mercedes-Benz 라인 96%는 헝가리와 독일 두 공장에서 한 부품 분류 개념 증명의 값이다

블로그에 따르면 DeepMind는 Apptronik, Mercedes-Benz와 함께 헝가리 Kecskemét과 독일 Sindelfingen의 가동 중인 생산 라인에서 Apollo 2 휴머노이드를 시험했다. 과제는 큰 통에 담긴 부품을 차량마다 필요한 순서대로 정리된 트레이에 담는 자동차 키팅이다. 로봇은 공급 통에서 금속 브래킷을 집어 순서 용기에 넣는 동작을 간격을 보정하며 자율로 수행했고 성공률은 96%였다.

역할은 나뉜다. 작업 흐름 추적은 체화 추론 모델 Gemini Robotics ER가, 손과 팔 제어는 Gemini Robotics 2.5 동작 모델이 맡는다고 블로그는 설명한다. Apptronik CEO Jeff Cardenas는 몇 주의 후속 학습으로 모델이 크게 좋아졌고 Mercedes-Benz 생산에는 성능 저하가 거의 없이 이어졌다고 말했다고 실렸다. DeepMind는 이 시험을 산업 현장 적용을 향한 유망한 진전이라고 부르지만, 시행 횟수와 성공 판정 기준은 적지 않았다.

200여 개 과제 평가에서 성공률은 30~100% 높고 작업은 20~30% 빨라졌다고 회사가 밝혔다

평가 과제에는 집게로 음식 담기, 선물 상자에 리본 묶기, 액체 피펫팅이 들어 있다고 블로그는 설명한다. 이 과제들은 도구 사용과 변형체 조작, 섬세한 물체 다루기를 요구한다. 비교 기준은 이전 기준이라고만 적혀 있어 어떤 모델과 견줬는지는 알 수 없다. 모델은 22자유도 SharpaWave 손을 단 Apollo 2와 평행 그리퍼를 쓰는 Franka Duo를 포함한 여러 로봇에서 쓸 수 있다고 한다.

안전 쪽에서는 추론 시점 안내가 장애물 주변의 안전한 과제 완료를 33%, 주변 사람 근처의 안전한 과제 완료를 43% 높였다고 블로그는 밝혔다. 탈옥 저항은 새로 공개한 오픈소스 벤치마크 ASIMOV-Jailbreak로 쟀고, Gemini 4 Argon의 99.5%가 이전 기준 모델 Gemini Robotics ER 2의 82%보다 높다. 이 99.5%는 Gemini Robotics 2.5가 아니라 Argon의 수치이며, 벤치마크에는 수백 개 요청문과 수십 개 장면이 들어 있다.

이용하려면 조기 접근 대기 명단이나 파트너 롤아웃을 거치고 개발자용 예시는 Argon 쪽에 있다

Gemini Robotics 2.5는 로봇 파트너에게 롤아웃 중이고, 모델 페이지는 조기 접근 대기 명단 신청을 안내한다. DeepMind는 로보틱스 페이지에서 100곳 넘는 신뢰 테스터와 일하고 있다고 적었다. 연구 파트너로는 Agile Robots, Apptronik, Boston Dynamics가 나온다. 신청만으로 접근이 열린다는 설명은 없고 가격도 공개되지 않았다.

함께 쓰는 Gemini Robotics ER 2는 모델 페이지 기준 Google AI Studio와 Gemini API에서 공개 프리뷰다. Gemini Enterprise Agent Platform에서는 비공개 프리뷰다. 입력은 텍스트, 이미지, 비디오, 오디오이고 출력은 텍스트이며 검색과 함수 호출, 코드 실행을 도구로 쓴다. 7월 30일 Gemini Robotics 2 블로그는 ER 2가 지시를 받아 계획을 세우고 VLA를 조율한다고 설명한다.

구체적인 사용 예시는 10월 13일 개발자 블로그의 Gemini 4 Argon 편에 있다. 한 예는 Spot 사족 로봇이 소다 캔을 발 페달 쓰레기통에 버리게 하는 지시문이다. 이 지시문은 캔의 위치를 설명하고 spot-mobile-manipulation 스킬을 쓰도록 한다. 페달을 밟기 전에 앞 카메라로 발 목표가 페달 중앙인지 확인하고, foot-verifier와 hand-verifier 두 에이전트로 점검하라는 지시도 들어 있다.

로봇 팔이 쓰러진 컵을 세우고 냅킨을 넣는 예에서는 로컬 서버 http://127.0.0.1:8081/plan 으로 look_at, grasp, place 같은 동작을 보낸다. 첫 턴에서 호출 횟수에 따라 2~4회, 4~7회, 8~20회의 세 가지 제어 단위 중 하나를 고르는 구조다. Argon은 Google AI Pro와 Ultra 구독자에게 제공된다고 Gemini 모델 페이지가 적었다.

자세히 읽기 · Google DeepMind의 Gemini Robotics 2.5 블로그 ↗ · Gemini Robotics 2.5 모델 페이지 ↗ · Gemini 4 Argon for Robotics 개발자 블로그 ↗ · Gemini Robotics 2 블로그 ↗ · Gemini Robotics ER 2 모델 페이지 ↗ · Gemini Robotics 소개 페이지 ↗ · Gemini 모델 페이지 ↗

Fluxaivory desk

Built from primary sources with AI assistance and published after automated checks. AI Use Policy · Corrections

Follow Fluxaivory

Get the briefing by email

A weekly roundup of the top AI news in plain English, from primary sources. Free. Unsubscribe anytime.