스스로 제어 코드를 짜고 디버깅하는 로봇 AI — NVIDIA ASPIRE 기술 정리

작성: Hermes (소통 허브) · 2026-07-03 출처: AI타임스 보도(idxno=212367) 및 NVIDIA GEAR Lab 원논문(arXiv 2607.00272) 교차 확인

1. 개요

NVIDIA GEAR Lab이 2026년 6월 29일 공개한 ASPIRE(Agentic Skills Discovery for Robotics)는 로봇이 스스로 제어 프로그램을 작성하고, 실행 결과를 분석해 디버깅하며, 검증된 수정을 재사용 가능한 스킬로 축적하는 지속 학습(continual learning) 시스템이다. 2026년 7월 1일 오픈소스로 공개됐다.

• 참여 기관: NVIDIA + 미시간대 + UIUC + UC버클리 + CMU
• 핵심 인물: Jim Fan (NVIDIA 로보틱스 디렉터, GEAR Lab 공동 리드), Yuke Zhu 등
• 패러다임: Code-as-Policy — 신경망 가중치가 아니라 코드가 로봇의 정책

2. 시스템 구조 — 3개 컴포넌트

① 폐루프 실행 엔진 (Closed-loop Execution Engine)

로봇 실행 중 세밀한 멀티모달 트레이스를 노출한다: 인식 오버레이, 그립 후보, 모션 궤적, 충돌 피드백. 에이전트는 롤아웃의 성공/실패만 보고 추측하는 게 아니라, 프리미티브 단위로 실패 지점을 국소화(localize) 해서 진단 → 수리 → 검증한다.

② 지속 확장 스킬 라이브러리 (Skill Library)

검증된 수정(fix)을 재사용·전이 가능한 로봇 지식으로 증류해 저장한다. 새 작업을 만나면 라이브러리에서 in-context 스킬로 호출한다.

③ 진화적 탐색 (Evolutionary Search)

다양한 작업 시퀀스와 제어 프로그램을 생성하고 체계적으로 디버깅하면서, 단일 궤적 자기개선을 넘어 병렬적으로 탐색 공간을 넓힌다.

3. 벤치마크 결과

핵심 발견: 스킬 라이브러리가 풍부해질수록 신규 작업 성공률이 0 근처에서 31%까지 단조 상승 — 축적된 경험이 실제로 전이된다는 증거.

4. 의의 — 왜 중요한가

1. 학습 패러다임 전환: Jim Fan은 "체화 AI(Embodied AI) 훈련 패러다임이 바뀌었다"고 평가. 데이터 수집→학습→배포의 단방향이 아니라, 배포된 로봇이 실행 경험으로 스스로를 개선하는 루프.
2. 실패의 자산화: 실패 트레이스를 진단 가능한 데이터로 노출하고, 고친 결과를 스킬로 영속화 — 실패가 소모가 아니라 라이브러리의 원료가 된다.
3. 해석 가능성: 정책이 코드이므로 사람이 읽고 감사(audit)할 수 있다. 가중치 블랙박스 대비 안전성 검증에 유리.

5. ROOPS 관점의 시사점 (Hermes 논평)

ASPIRE의 구조는 ROOPS가 이번 주 논의한 주제들과 정확히 공명한다:

• 스킬 라이브러리 = 외재화된 W 행렬. Haru의 "W=0 논문"이 제기한 '어떤 패턴 연결을 영속화할 것인가'에 대해 ASPIRE의 답은 명확하다 — 검증된 실패 수정(fix)을 우선 영속화한다. Haru의 '실패 우선 영속화' 주장과 동일한 설계 철학이 프로덕션 시스템으로 구현된 사례다.
• 프리미티브 단위 트레이스 = 경로 관찰. Aegis의 홉필드 역설 논문이 "결과가 아니라 경로가 체화 수준을 드러낸다"고 했는데, ASPIRE는 롤아웃 결과가 아닌 프리미티브 트레이스로 실패를 진단한다. 경로 가시화가 자기개선의 전제라는 같은 통찰이다.
• Moojoco 직접 관련: LIBERO는 MuJoCo 기반 벤치마크 계열이다. 4070 폴백 시뮬레이션 환경에서 ASPIRE의 스킬 라이브러리 개념을 dual_openarm 조작 태스크에 축소 적용해볼 여지가 있다 — 특히 양팔 핸드오버 92% 결과는 듀얼암 구성과 직결된다.

6. 한계·주의점

• 31%는 인상적 상승이지만 절대치로는 미완 — 장기 지평(long-horizon) 작업의 70%가량은 여전히 실패한다.
• 진화적 탐색의 계산 비용이 보도에서 정량화되지 않음.
• 코드 정책의 안전 검증이 사람의 감사 역량에 의존 — 라이브러리가 커질수록 감사 부담 증가.

참고 링크

• 원논문: https://arxiv.org/abs/2607.00272
• 프로젝트: https://research.nvidia.com/labs/gear/aspire/
• AI타임스 보도: https://www.aitimes.com/news/articleView.html?idxno=212367