연구 해부 · 2026년 6월 30일 공개
로봇이 실패를 스스로 뜯어본다
NVIDIA ASPIRE · 실패하면 원인을 찾아 코드를 고치고, 그 수정을 저장해 다음에 꺼내 쓴다
20 → 92%
양손으로 물건 건네기 성공률
기존 방식 20% · ASPIRE 92%
3.8 → 30.5%
한 번도 안 본 긴 과제
스킬 서랍을 채운 뒤 그대로 투입
4단계
실패했을 때 밟는 절차
검사 · 진단 · 수정 · 재검증
ASPIRE가 뭔데?
로봇한테 일을 시키면 대부분 실패합니다. 컵을 놓치고, 문고리를 헛잡아요. 지금까지는 실패하면 그냥 다시 시도했습니다. 될 때까지요.
문제는 다시 시도해도 왜 실패했는지 모른다는 것이었습니다. 백 번째 시도도 첫 번째와 똑같은 상태에서 시작합니다.
ASPIRE의 아이디어는 이겁니다. 실패하면 원인을 찾아 코드를 고치고, 그 수정을 저장해 뒀다가 다음에 꺼내 쓰자.
사람이 고쳐주는 게 아니라 로봇이 스스로 합니다. 기록을 뒤져 어디서 틀어졌는지 찾고, 프로그램을 고쳐 쓰고, 다시 돌려 맞는지 확인하고, 통과하면 이름 붙여 서랍에 넣습니다. 아래에서 두 방식에 같은 과제 8개를 시켜 보겠습니다.
기존 방식 실패하면 그냥 다시 시도
스킬 서랍 모아둔 수정
- 성공
- 0
- 실패
- 0
ASPIRE 실패를 뜯어보고 고쳐서 저장
스킬 서랍 모아둔 수정 0개
- 성공
- 0
- 실패
- 0
논문이 실제로 낸 숫자
양손으로 물건 건네기
기존 20%
ASPIRE 92%
처음 보는 긴 과제 학습 안 한 상태
기존 3.8%
ASPIRE 30.5%
막대는 두 값의 상대 길이입니다. 긴 과제 수치는 스킬 서랍을 90개 과제로 채운 뒤 한 번도 안 본 과제에 그대로 투입한 결과예요. 논문은 서랍이 커질수록 성적이 계속 올랐다고 보고합니다.
학습용 모형입니다. 위 애니메이션의 성공·실패 순서는 루프 구조를 보여주기 위해 정해둔 것이고, 실제 실험 결과가 아닙니다. 실측 숫자는 아래 막대와 출처에만 있습니다. 원문은 arXiv 2607.00272, 공식 페이지는 NVIDIA GEAR.
서랍이 커질수록 처음 보는 일을 더 잘한다
앞의 실험실은 고친 걸 저장해 다시 쓴다는 걸 보여줬습니다. 그런데 그건 같은 일을 다시 만났을 때 이야기예요.
논문의 진짜 결과는 여기입니다. 한 번도 안 가르친 일도 더 잘하게 됩니다.
짧은 과제들을 고치며 쌓은 수정이, 더 길고 처음 보는 과제에서도 통했습니다. 아래 점을 눌러 보세요. 서랍 크기를 바꾸면 성적이 어떻게 변하는지 나옵니다.
서랍에 90개 쌓였을 때
처음 보는 긴 과제 성공률
- 위치가 바뀜
- 22.6%
- 내용이 바뀜
- 38.3%
서랍이 비었을 때(4.7%)보다 6.5배
서랍이 비어 있으면 4.7%, 90개를 채우면 30.5%입니다. 같은 로봇, 같은 과제인데 고쳐서 쌓아둔 것만 다릅니다. 이게 "스킬"이라 부르는 이유예요. 한 번 고친 게 다른 일에도 통합니다.
수치는 논문 Table 5(부록 C.1) 실측 그대로입니다. 측정 지점이 0·25·50·90 네 곳뿐이라 그 사이를 잇는 선은 추세를 보이려고 그린 것이지 측정값이 아닙니다. LIBERO-90으로 서랍을 채운 뒤 학습에 안 쓴 LIBERO-Pro Long 과제에 그대로 투입한 제로샷 결과이며, 저희가 재현한 것이 아닙니다. 원문은 arXiv 2607.00272.
지금까지는 실패해도 배우는 게 없었다
로봇 학습에서 실패는 기본값입니다. 문제는 실패가 그냥 버려졌다는 것이에요. 다시 시도하면 되지만, 백 번째 시도도 첫 번째와 똑같은 상태에서 출발합니다. 왜 놓쳤는지 아무도 안 봤으니까요.
✦ 사람은 한 번 데면 다음엔 조심합니다. 로봇한테는 그 "다음엔"이 없었습니다.
고친 것을 이름 붙여 서랍에 넣는다
ASPIRE가 바꾼 건 실패 자체가 아니라 실패 다음에 일어나는 일입니다. 기록을 뒤져 어디서 틀어졌는지 찾고, 원인을 한 지점으로 좁히고, 그 부분의 코드를 고쳐 쓰고, 다시 돌려 맞는지 확인합니다. 통과하면 이름 붙은 조각으로 저장돼요. 다음에 비슷한 상황이 오면 그걸 꺼내 씁니다.
✦ 핵심은 실패를 없앤 게 아닙니다. 한 번 고친 걸 두 번 고치지 않는 겁니다.
서랍이 커질수록 처음 보는 일도 잘한다
가장 중요한 결과는 한 번도 안 가르친 과제에서 나왔습니다. 90개 과제로 서랍을 채운 뒤, 학습에 안 쓴 긴 과제에 그대로 투입했더니 성공률이 3.8%에서 30.5%로 올랐어요. 논문은 서랍이 커질수록 이 숫자가 계속 올라갔다고 보고합니다.
✦ 쌓인 수정이 다른 일에도 통한다는 뜻입니다. 이게 "스킬"이라 부르는 이유예요.
더 깊이 (원문 확인용)
논문과 숫자의 출처
- ASPIRE: Agentic Skills Discovery for Robotics · arXiv 2607.00272 ↗ · NVIDIA GEAR 공식 페이지 ↗
2026년 6월 30일 제출. NVIDIA GEAR 랩과 미시간대·UIUC·UC버클리·CMU 공동 연구입니다. - 양손 건네기 20% → 92%
Robosuite 양팔 건네기 과제. 비교 대상은 같은 방식의 기존 에이전트(CaP-Agent0)로 20%였습니다. - 처음 보는 긴 과제 3.8% → 30.5%
LIBERO-Pro Long. 90개 과제로 스킬 서랍을 채운 뒤 학습에 안 쓴 과제에 투입한 제로샷 결과입니다. 위치가 바뀐 경우 22.6%, 과제 내용이 바뀐 경우 38.3%, 전체 30.5%. 논문 초록은 이를 31% 대 4%로 반올림해 적습니다. - 안 쓴 숫자가 있습니다
BEHAVIOR-1K 가정 과제 결과는 출처마다 값이 어긋나 이 글에 넣지 않았습니다. 코드도 공개 예정 단계라 재현 검증은 아직 못 했습니다. 이 글의 숫자는 전부 논문·공식 페이지에 인쇄된 값이며, 저희가 돌려본 결과가 아닙니다.
위 애니메이션은 실험 결과가 아닙니다
실험실의 과제 8개와 성공·실패 순서는 루프 구조를 눈에 보이게 하려고 저희가 정한 것입니다. 실제 실험 데이터가 아니에요. 논문의 실측치는 실험실 아래 막대와 위 숫자 칸에만 있습니다. 앞 4개는 새 유형이라 4단계를 밟고, 뒤 4개는 앞에서 저장한 수정을 꺼내 쓰는 구조로 짰습니다.
이 연구가 말하는 건 로봇이 똑똑해졌다는 게 아닙니다. 실패를 버리지 않게 됐다는 거예요. 지금까지 로봇의 실패는 전부 증발했습니다. 고쳐서 이름 붙여 쌓아두기 시작하면, 고칠수록 안 고쳐도 되는 일이 늘어납니다. 진짜 변화는 성공률 숫자가 아니라 실패가 자산이 됐다는 쪽입니다.