엔비디아 ENPIRE: AI 코딩 에이전트가 실제 로봇으로 스스로 연구해 GPU까지 조립한다

엔비디아 GEAR Lab은 2026년 6월 17일 AI 에이전트가 실제 로봇 하드웨어로 스스로 실험을 수행하는 로봇 학습 프레임워크 ENPIRE를 공개했다. Codex·Claude Code 같은 프런티어 코딩 에이전트가 사람 개입 없이 정밀 조작을 익혀, GPU를 메인보드에 꽂는 작업을 99% 성공률로 해냈다. ASAP은 카네기멜런·UC버클리와 함께 발표된 이 결과를 직답형으로 정리한다.

ENPIRE가 공개한 것

ENPIRE는 코딩 에이전트가 실제 로봇으로 직접 연구를 돌리게 하는 에이전트형 로봇 프레임워크다. 2026년 6월 17일 엔비디아 GEAR Lab이 카네기멜런·UC버클리와 함께 공개했고, GPU 삽입·핀 정리·케이블 타이 절단 같은 고정밀 작업에서 99% 성공률을 기록했다. Codex(GPT-5.5)·Claude Code·Kimi Code 변형을 로봇 1·4·8대 규모로 테스트했다.

에이전트가 학습 루프를 직접 닫는 구조

ENPIRE의 핵심은 에이전트가 학습 루프를 직접 닫는다는 점이다. 정책 개선(Policy Improvement) 모듈이 보상·영상·실행 로그·실패 분석을 근거로 정책 코드를 생성·수정·테스트한다. 특히 에이전트는 온라인에서 연구 논문을 읽고 알고리즘 가설을 스스로 제안하는데, 이는 사람이 설계한 학습을 넘어 에이전트가 연구자 역할까지 수행한다는 의미다.

기존 로봇 학습과 무엇이 다른가

그동안의 로봇 학습은 사람이 보상 함수를 짜고, 실패를 관찰하고, 코드를 고쳐 다시 돌리는 반복 노동에 묶여 있었다. 이 과정에서 병목은 로봇이 아니라 사람의 시간이었다. ENPIRE가 흥미로운 지점은 그 병목을 루프 밖으로 빼냈다는 데 있다. 가설 수립부터 실험, 실패 분석, 코드 수정까지를 에이전트가 담당하면 개선 속도는 로봇의 물리적 반복 속도와 에이전트의 추론 속도에만 묶인다. 시뮬레이션 안에서만 자율 학습을 돌리던 기존 접근과 달리, ENPIRE는 실제 하드웨어 위에서 그 루프를 닫으려 한다는 점에서 결이 다르다.

99% 성공률을 어떻게 읽어야 하나

99%는 인상적이지만 숫자만 떼어 보면 오해하기 쉽다. GPU 삽입·케이블 타이 절단은 위치와 힘이 비교적 정형화된 작업이라, 성공률은 이 과제군에 한정된 값으로 봐야 한다. 진짜 신호는 성공률 자체보다 그 숫자에 도달하는 방식에 있다. 사람이 튜닝하지 않고도 에이전트가 논문을 읽고 정책을 고쳐가며 이 수치를 냈다면, 중요한 것은 결과값이 아니라 결과에 이르는 자율 반복이 성립했다는 사실이다. ASAP은 이 지점을 데모와 프레임워크를 가르는 선으로 본다.

한국 현장에는 어떤 의미인가

엔비디아는 이 프레임워크를 오픈소스로 공개할 계획이라고 밝혔다. 오픈소스라는 조건은 대기업 연구실뿐 아니라 국내 제조·물류 현장의 소규모 팀에도 문을 연다. 다만 실제 로봇 하드웨어와 반복 실험을 감당할 셋업이 전제라는 점에서, 당장의 진입 장벽은 소프트웨어가 아니라 물리 인프라 쪽에 있다. 국내 관점에서 주목할 대목은 코딩 에이전트 역량이 곧 로봇 셀의 자기개선 속도로 직결되기 시작했다는 흐름 자체다. 프런티어 모델 접근성이 제조 자동화 경쟁력의 변수로 옮겨붙는 신호로 읽을 만하다.

출처: NVIDIA GEAR Lab ENPIRE 공개(2026-06-17, NVIDIA·카네기멜런·UC버클리), 보도(Tom's Hardware·NVIDIA Blog·TechTimes).