Nvidia GTC Berlin 2026: Jensen Huang Full Keynote

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

엔비디아 GTC 베를린 2026 키노트에서 젠슨 황은 AI 공장부터 기업 에이전트와 물리적 AI까지 연결하는 통합 플랫폼을 유럽 AI 경제의 기반으로 제시했다.

📌 핵심 요점

1. AI를 소비하는 경제에서 생산하는 경제로: 황은 AI 산업을 토큰 형태의 디지털 지능을 생산하는 산업으로 설명한다. 에너지·컴퓨터·AI 공장·모델·응용의 다섯 계층을 구축하고 최종 산업이 이를 활용해야 유럽의 경제적 성과로 이어진다는 주장이다. 엔비디아는 지난 1년간 유럽 스타트업과 파트너십에 약 100억 달러를 투자했다고 밝혔다. [00:32–04:04]
2. 경쟁 단위가 GPU에서 전체 시스템으로 확대된다: Vera Rubin, NVLink, Spectrum-X, CUDA-X를 함께 최적화해 모델 추론뿐 아니라 에이전트 조율·데이터 처리·도구 실행까지 가속하려 한다. Vera Rubin에는 100% 액체 냉각과 5분 미만 조립 시간을 제시했으며, 성능 도약의 근거로 칩·시스템·소프트웨어·알고리즘의 공동 설계를 강조했다. [06:42–21:19]
3. AI 공장의 경제성은 전력과 가동 시점에 달려 있다: DSX는 디지털 트윈으로 전력·냉각·설비를 함께 설계하고, DSX Pod는 공장에서 통합·배선·검증을 끝내 현장 작업을 줄이는 접근이다. 현장 기반 설비가 준비됐다는 조건에서 배치를 수개월에서 수일로 단축하고, 장비 도착부터 토큰 생산까지는 약 4~5개월에서 약 1개월로 줄일 수 있다고 예상했다. [21:49–28:13]
4. 유용한 기업 에이전트에는 모델 밖의 구조가 필요하다: 모델·하네스·샌드박스·지식·도구가 함께 작동해야 한다. OpenShell은 에이전트 외부에서 파일·네트워크·시스템 호출 정책을 집행하고, 기업 데이터와 CUDA-X 기반 전문 도구는 추론을 실제 업무로 연결한다. 공개 모델을 기업 데이터로 특화하는 방식도 핵심 전략으로 제시됐다. [34:59–59:36]
5. 물리적 AI와 개인용 PC까지 같은 구조를 확장한다: 신약 연구·공장 운영·자동차 설계 사례는 모델, 전문 도구, 보안 실행 환경의 결합을 보여준다. 로봇 개발에는 훈련·디지털 트윈·실제 구동을 담당하는 세 종류의 컴퓨터를 연결하고, RTX Spark 기반 개인 에이전트에서 클라우드 훈련과 실제 로봇 배포로 이어지는 개발 흐름을 시연했다. [56:17–1:18:04]

🧩 배경과 문제 정의

• AI는 소프트웨어를 넘어 디지털 지능을 생산하는 산업으로 확장되고 있으며, 제품을 만드는 방법과 만들 수 있는 제품의 범위를 함께 바꿀 것으로 전망된다.
• 유럽의 AI 경제 참여에는 AI를 소비하는 것뿐 아니라 에너지·컴퓨팅·인프라·모델·응용 전반에서 생산 역량을 확보하는 일이 중요하다.
• 대규모 AI 공장은 막대한 투자와 전력, 냉각 설비를 필요로 한다. 성능 향상과 함께 구축 기간과 유휴 설비를 줄이는 것이 핵심 과제다.

🕒 시간순 섹션별 상세정리

1. 유럽의 AI 경제를 위한 투자와 협력 확대

• 엔비디아는 지난 1년 동안 유럽의 스타트업과 다양한 규모의 파트너십에 약 100억 달러를 투자했다. 프랑스·영국·스웨덴·베를린을 방문한 최근 일주일 동안에는 스타트업 14곳에 대한 투자를 발표했다 [00:32]
• 유럽 내 파트너십은 누적 1만 2,000개를 넘었다. 이 협력망은 새로운 AI 산업과 경제를 구축하는 기반이다 [01:00]

2. AI가 생산 방식과 생산 대상을 함께 바꾸는 산업혁명

• AI 산업의 생산물은 토큰으로 표현되는 디지털 지능이며, 이 지능이 각 산업과 응용에 통합된다. 새로운 기술이 무엇을 만드는지와 어떻게 만드는지를 함께 바꾼다는 점이 산업혁명의 기준이다 [01:42]
• AI는 모든 개인과 기업이 활용하는 기반 기술이 되고, 기존 산업을 변화시키면서 새로운 산업을 만들 것으로 전망된다. 전기에 비견되는 변화지만 아직 초기 단계라는 판단이다 [02:13]

3. AI를 생산하는 다섯 계층의 산업 구조

• AI용 컴퓨터는 사람이 사용하는 도구를 넘어 지능을 생산하는 공장의 기계와 인프라가 된다. 따라서 AI는 소프트웨어 기술이면서 동시에 제조 산업이라는 관점이 필요하다 [03:06]
• AI 경제는 에너지, 첨단 컴퓨터, AI 공장, 모델, 응용의 다섯 계층으로 구성된다. 에너지가 컴퓨터를 구동하고, AI 공장에서 실행되는 모델이 토큰을 생산해 응용에 공급한다 [03:43]

4. AI 인프라의 확장과 언어를 넘어서는 모델

• 유럽의 AI 공장과 클라우드 구축에는 에너지·전력 기업부터 신규 클라우드 사업자까지 참여한다. 향후 통신사의 약 10만 개 거점과 약 100기가와트 규모의 분산 기지국·데이터센터가 분산 AI 네트워크로 진화할 것이라는 전망도 드러난다 [04:41]
• 모델이 등장하고 활용되려면 인프라가 먼저 존재해야 한다. 인터넷에 네트워크가, 전기 활용에 발전소와 전력 설비가 선행해야 하는 것과 같은 관계다 [05:31]

5. GPU에서 AI 공장 전체를 제공하는 플랫폼으로 확장

• 엔비디아의 기술 범위는 그래픽 칩과 프로그래머블 GPU, CUDA 가속을 거쳐 AI 공장 전체를 구성하는 플랫폼으로 확장됐다 [06:42]
• Vera Rubin GPU, GPU를 연결하는 NVLink 스위치, BlueField 4, Spectrum-X 이더넷, 토큰 생성용 디코드 가속과 스토리지 가속 등이 AI 공장의 하드웨어를 구성한다 [07:14]

6. CUDA-X 라이브러리와 모델이 여는 응용 영역

• CUDA-X는 하드웨어 위에서 계산을 가속하는 알고리즘 라이브러리 계층이다. 엔비디아는 알고리즘을 개발하고 이를 가속하는 실리콘을 설계하는 기업이라는 정체성을 강조한다 [09:02]
• cuDNN은 AI 계산을 가능하게 한 핵심 라이브러리로, 데이터베이스 산업의 SQL이나 실시간 그래픽의 OpenGL·DirectX에 비유된다. 이 밖에도 계산 리소그래피, 신호·영상·데이터 처리, 입자·유체 계산과 희소 행렬 풀이 등을 위한 약 350개 라이브러리가 있다 [09:14]

7. 여섯 세대의 아키텍처와 전체 계층 공동 설계

• Pascal 기반 DGX-1은 10년 전 처음 도입된 AI 슈퍼컴퓨터이며, 첫 시스템은 OpenAI에 전달됐다. 이후 Volta·Ampere·Hopper·Blackwell을 거쳐 Vera Rubin까지 여섯 세대의 아키텍처로 이어졌다 [10:50]
• 엔비디아가 제시한 지난 10년간의 AI 성능 향상은 100만 배다. 같은 기간 무어의 법칙에 따른 개선을 약 100배로 비교하며, 차이의 원인을 칩·시스템·소프트웨어·알고리즘을 함께 최적화하는 공동 설계에서 찾는다 [11:44]

8. 랙 단위 컴퓨팅에서 에이전트 전체 처리로 확대

• 초기 세대의 GPU 중심 시스템에서 Blackwell은 랙 전체를 하나의 거대한 GPU처럼 작동시키는 구조로 확장됐다. Vera Rubin은 대규모 언어 모델을 넘어 에이전트 전체를 처리하는 방향으로 범위를 넓힌다 [12:48]
• 에이전트의 지각·추론·계획·도구 사용 판단은 모델이 담당한다. 하네스는 작업을 조율하고 작업 기억·장기 기억과 도구를 연결하는 실행 구조다 [13:32]

9. Vera Rubin의 액체 냉각과 조립 구조 개선

• 양산 중인 Vera Rubin 컴퓨터는 케이블과 전선을 없앤 구조와 100% 액체 냉각을 채택했으며, 제시된 컴퓨터 한 대에는 GPU 두 개가 들어간다 [14:42]
• Grace Blackwell 노드는 액체 냉각 비중이 80%이고 조립에 약 2시간이 걸렸지만, Vera Rubin은 100% 액체 냉각과 5분 미만의 조립 시간을 제시한다. 이 변화는 제조 효율·신뢰성·성능 개선으로 연결된다 [15:19]

10. 에이전트 실행과 데이터 처리에 맞춘 Vera CPU

• Vera CPU는 클록당 명령어 8개를 처리하며, LPDDR 메모리 서브시스템으로 높은 대역폭과 에너지 효율을 함께 추구한다 [17:45]
• 빠른 온칩 연결 구조는 데이터 처리와 에이전트 세션의 시작·처리를 지원한다. Vera 컴퓨터는 이러한 작업을 수행하도록 설계됐다 [18:09]

11. 광학 연결을 칩에 통합한 Spectrum-X

• Spectrum-X는 광학 부품을 칩과 함께 패키징하는 CPO 구조를 적용한다. TSMC와 개발한 COUPE 공정을 통해 실리콘 포토닉스를 칩에 직접 연결한다 [18:31]
• 광학 연결을 칩에 직접 통합하면 전송 성능이 낮은 PCB 경로를 줄이고 높은 데이터 전송률과 신호 품질을 확보할 수 있다 [19:10]

12. 에이전트 작업 전체의 가속과 세대별 성능 도약

• AI 인프라는 언어 모델의 추론, 에이전트 하네스, 지식용 데이터 처리, 도구용 가속 컴퓨팅을 함께 처리해야 한다. 이 전체가 에이전트의 작업 부하를 구성한다 [20:20]
• 무어의 법칙에 따른 성능 개선이 크게 둔화하면서 칩부터 시스템·소프트웨어·알고리즘·AI 공장까지 함께 설계할 필요성이 커졌다 [20:50]

13. DSX의 디지털 트윈과 전력·냉각 최적화

• DSX는 컴퓨팅·네트워크·스토리지·소프트웨어·전력·냉각을 하나의 시스템으로 설계하는 AI 공장 참조 아키텍처다. 건설 전에 디지털 트윈으로 성능·전력·물 사용·규모를 검증하며, 협력사들이 장비·시설·열·전력망·시공 계획을 연결한다 [21:49]
• AI 공장의 생산량은 전력에 제약받는다. DSX Max LPS는 작업 수요에 맞춰 전력을 동적으로 배분하는 제어 구조로, 같은 생산량에서 전력 사용을 30% 줄이는 수치를 제시한다 [23:01]

14. 공장에서 통합·검증해 운송하는 DSX Pod

• AI 공장은 건설에 수개월이 걸리며 가동 전까지 토큰을 생산하지 못한다. DSX Pod는 전체 플랫폼을 공장에서 제작·통합하는 시스템으로 구성해 이 대기 시간을 줄이려는 접근이다 [23:46]
• Vera Rubin NVL72 기반 액체 냉각 컴퓨팅 랙 7개를 Spectrum-X 케이블 17킬로미터로 연결해 하나의 Pod를 구성한다. 통합·배선·공장 시험을 마친 뒤 운송 가능한 컨테이너에 담아 전달한다 [24:03]

15. 공급망 안으로 조립을 옮겨 유휴 투자와 매출 지연 축소

• 랙 단위 NVLink 72는 현장에서 하던 조립을 공급망 내부로 옮겨 슈퍼컴퓨터를 대량 제조하는 방식으로 전환했다. 이 방식은 전 세계 수백 곳의 데이터센터 구축을 동시에 지원하는 생산 기반이 됐다 [25:12]
• DSX Pod는 배선·가동 시험·검증까지 공급망 안에서 끝내 현장 조립과 유휴 컴퓨팅을 줄이려 한다. 1기가와트 시설에서 연 매출 400억 달러를 가정하면, 가동이 3개월 늦어질 때 지연되는 매출은 100억 달러에 해당한다 [26:54]

16. 단일 알고리즘을 넘어서는 범용 가속 아키텍처

• 기업의 전문성은 무엇을 만들고 어떻게 만드는지에서 나온다. 엔비디아는 트랜스포머 같은 특정 알고리즘 하나에 한정하지 않는 범용 가속 컴퓨팅 아키텍처를 자사의 차별점으로 제시한다 [29:17]

17. 일관된 CUDA 아키텍처와 완성형 AI 인프라의 결합

• 엔비디아는 약 25년간 유지해 온 아키텍처와 산업계 협업을 바탕으로 유체·입자, 양자화학, 이미지·데이터 처리 등으로 가속 대상과 적용 산업을 넓혀 왔다. [30:18]
• 대부분의 기업은 직접 칩을 설계하고 슈퍼컴퓨터와 소프트웨어를 구축하기보다 사업에 사용할 AI 인프라를 도입하려 한다. CUDA와 전체 기술 스택을 갖춘 AI 팩토리의 결합은 이런 기업들과 협력할 수 있는 기반이다. [30:58]

18. 클라우드를 넘어 최종 산업까지 확장되는 AI 시장

• AI 인프라 수요는 대형 클라우드 사업자뿐 아니라 AI 신생기업, 지역별 네오클라우드, 기업용 컴퓨터 제조사와 여러 AI 연구소로 확장된다. 각 지역은 자국의 에너지와 자원이 지역 기업의 AI 경제 참여에 쓰이기를 원한다. [31:41]
• 유럽이 AI의 경제적 혜택을 얻으려면 최종 수요 산업의 도입과 성공이 필요하다. 자율주행, 로봇 제조, 신약 개발, 금융 등 각 산업이 AI를 사업에 통합해야 한다는 주장이다. [32:59]

19. 고가 인프라의 생산성을 높이는 범용성과 지속성

• 비용이 큰 AI 인프라는 데이터 처리부터 학습·후속 학습·추론·에이전트 처리까지 여러 단계에 활용할 수 있어야 한다. 언어뿐 아니라 화학·물리와 산업별 알고리즘까지 지원하는 범용성이 투자 활용도를 높인다. [33:53]
• 지속적인 소프트웨어 개선과 큰 설치 기반에서 형성된 생태계는 같은 아키텍처를 오래 생산적으로 사용할 수 있게 하는 기반이다. [34:30]

20. 에이전트의 유용성 증가와 다섯 가지 구성 요소

• 오픈소스 에이전트 OpenClaw를 계기로 강조된 추론·반복·도구 사용은 많은 토큰을 소비하지만 에이전트의 실용성을 높인다. 유용성 향상과 사용자 확대가 토큰 소비 및 GPU 수요 증가로 이어진다는 설명이다. [34:59]
• 에이전트는 모델, 작업을 조율하는 하네스, 하네스를 격리하는 샌드박스, 지식, 도구의 다섯 요소로 구성된다. 언어 모델이 생성한 토큰을 하네스가 활용하며, 샌드박스는 실행 환경을 나머지 시스템에서 분리한다. [35:47]

21. OpenShell로 에이전트 외부에서 접근 권한을 강제

• 파일·자원·네트워크·도구에 접근하는 자율 시스템에는 최소 권한과 지속적인 감시가 필요하다. OpenShell은 이를 위한 보안 런타임이다. [36:41]
• OpenShell은 시스템 호출, 파일 접근, 네트워크 연결 단위로 정책을 강제한다. 정책 변경은 형식 검증을 통해 허용 권한의 상한을 넘는지 확인하며, 통제는 에이전트 외부에서 작동한다. [38:03]

22. Sentry의 하드웨어 격리 감시와 OpenShell 배포 방식

• 선택적으로 추가하는 Sentry는 BlueField 4의 하드웨어 격리 영역에서 에이전트 활동을 감시하고 보안 정책을 집행한다. 모델과의 연결 차단을 통한 밀리초 단위 격리와 변조 흔적을 확인할 수 있는 기록을 지원한다. [39:26]
• OpenShell은 Apache 2.0으로 공개되며 엣지부터 클라우드까지 실행할 수 있다. CLI 설치와 샌드박스 생성 후 선호하는 에이전트를 실행하는 도입 절차를 제공한다. [40:00]

23. 사용자·작업마다 달라지는 동적 권한 관리

• 기업 내부에 에이전트를 배치하면 같은 에이전트라도 사용자, 작업, 요구 능력에 따라 필요한 권한이 달라진다. 실행할 때마다 달라지는 조건에 맞춰 권한 부여·정책 집행·감시도 동적으로 이루어져야 한다. [41:13]
• 엔비디아와 앤트로픽은 OpenShell을 활용하는 에이전트 개발에 협력한다. OpenClaw 등 기존 하네스뿐 아니라 LangChain이나 Python으로 만든 자체 하네스도 보안 샌드박스 안에서 실행하는 구성을 지원한다. [42:01]

24. 폐쇄형·개방형·맞춤형 모델을 함께 사용하는 기업 AI

• 앞으로 기업은 하나의 모델로 모든 업무를 처리하기보다 폐쇄형·개방형·맞춤형 모델 가운데 작업에 적합한 모델을 함께 사용할 것이라는 전망이다. 일반적인 업무와 기업 고유 지식이 많이 필요한 업무의 요구가 다르기 때문이다. [42:43]
• 엔비디아의 공개 모델군은 언어뿐 아니라 물리 세계, 휴머노이드 로봇, 자율 이동, 양자·고전 컴퓨팅, 기상·물리 AI 등 여러 영역을 대상으로 한다. [43:35]

25. 공개 모델의 한계와 기업 데이터 기반 특화

• 엔비디아의 공개 모델이 모든 영역에서 최상위 모델인 것은 아니며, 특히 언어 모델에는 이런 한계가 있다. 다만 기업 데이터와 파트너의 맞춤화 역량을 결합하면 특정 용도에서 최상위 수준의 능력을 확보할 수 있다는 주장이다. [44:49]
• 코드 검토, 법률, 콘텐츠 제작 등에서 공개 모델을 후속 학습하는 협력 사례가 있다. 핵심은 범용 공개 모델을 출발점으로 삼아 기업 고유 데이터를 해당 업무의 전문 능력으로 전환하는 것이다. [45:09]

26. 기업의 비정형·정형 데이터를 연결하는 지식 기반

• 에이전트 지식 기반은 PDF와 문서 같은 비정형 데이터, 데이터베이스의 정형 데이터에서 의미를 추출해 에이전트에 제공한다. 기업 내부 지식에 대한 접근이 에이전트의 업무 능력을 높이는 핵심 요소다. [46:45]
• 문서 해석용 Parse, 질의와 벡터 데이터의 연결을 위한 Embed, 검색 결과의 관련성을 정렬하는 Rerank, 정형 데이터 예측용 Kumo가 서로 다른 역할을 맡는다. [47:32]

27. 추론을 실제 작업으로 연결하는 CUDA-X 도구

• CUDA-X 라이브러리는 시뮬레이터, 해석기, 데이터 처리 엔진과 분야별 알고리즘을 제공한다. 과학적 발견, 엔지니어링, 연구, 설계와 창작에서 사용하는 전문 도구의 기반이다. [49:09]
• 모델이 계획하고 반복적으로 행동하더라도 실제 작업 수행에는 도구가 필요하다. 하나의 컴퓨터에서 유체역학·입자물리·양자화학·데이터 처리·광선 추적 도구를 실행하며, CPU 실행 대비 가속 수준으로 10배·50배·100배를 제시한다. [52:32]

28. 가상 실험과 실제 실험을 반복하는 신약 연구 에이전트

• B세포 림프종 치료제 설계를 목표로 하는 연구 에이전트는 목표를 실험 계획으로 바꾸고, 단백질 설계와 RNA 최적화 모델을 호출해 수백만 건의 가상 실험을 수행한다. [56:17]
• 유망 후보는 자율 로봇과 실험 장비를 갖춘 AI 과학 공장에서 제작·검증한다. 실험 결과를 다시 에이전트에 전달해 다음 설계와 실험에 반영하는 순환 구조다. [56:44]

29. 생산 전 검증과 공장 운영 계획을 연결하는 지멘스

• 지멘스 에를랑겐 전자 공장에서는 Cosmos로 가상 시제품과 합성 데이터를 생성하고, 생산 시작 전에 검사 모델을 학습·검증하는 에이전트를 활용한다. [57:02]
• 운영 에이전트는 주문·공급·생산라인 구성으로 생산 계획을 추천한다. Digital Twin Composer는 Omniverse 기반 물리 시뮬레이션과 실시간 공장 데이터로 계획을 검증해 실제 현장에 반영하기 전 영향을 확인한다. [57:18]

30. 설계·시뮬레이션·사람의 검토를 연결하는 자동차 개발

• 다쏘시스템 플랫폼의 사례는 폭스바겐 골프의 도어 설계를 티구안에 맞추는 작업이다. Aura와 LEO가 요구사항을 추론하고, 하네스가 계획·설계·시뮬레이션을 맡는 전문 에이전트들의 맥락을 유지한다. [57:42]
• 설계 에이전트가 차량 치수와 중량 제한 등에 맞춰 도어를 수정하고, CUDA-X로 가속한 시뮬레이션이 설계안의 진동 문제를 찾아낸다. 결과는 다시 설계 수정에 반영되며 최종안은 엔지니어가 검토해 선택한다. [58:02]

31. 도구 기업의 에이전트 기업 전환과 전문성의 가치

• AI가 소프트웨어와 도구 기업의 종말을 가져오기보다 도구 사용자를 늘릴 것이라는 전망이다. 도구 기업은 기존 제품과 함께 자사 도구를 능숙하게 사용하는 특화 에이전트도 제공하게 된다. [58:58]
• 에이전트 구축에는 모델, 하네스, OpenShell 보안 런타임, 지식, 도구가 필요하다. 이 가운데 기업이 보유한 지식과 도구는 그 기업의 전문성이며, 이를 결합한 에이전트 구축은 현재 가능한 일이라는 주장이다. [59:36]

32. 통신 기지국을 물리적 AI와 분산 AI 인프라로 확장

• 물리적 AI는 현실을 감지하고 추론한 뒤 적절한 수단으로 작용한다. 통신 기지국도 전파로 환경을 감지하고 정보를 처리하며 빔포밍으로 대응한다는 점에서 물리적 AI의 적용 대상이다. [1:00:03]
• AI가 통신의 주파수 이용 효율을 크게 높일 것으로 전망한다. 그래픽 분야에서 AI 적용 전후의 필요 연산량에 100만 대 1의 차이가 생겼다는 비교를 근거로, 통신망에서도 큰 효율 개선을 기대한다. [1:01:05]

33. 신체와 종양의 변화에 대응하는 적응형 방사선 치료

• 치료 중에는 신체와 종양의 형태가 변하므로 시스템이 환경 변화를 감지하고 종양의 위치와 경계를 정확하게 구분해야 한다. 그 결과에 맞춰 방사선을 정밀하게 조사하는 적응형 방사선 치료를 로봇 수술의 한 형태로 연결한다. [1:02:19]

34. Hyperion으로 파편화된 로보택시 생태계 연결

• 여러 자동차 브랜드의 로보택시가 기존 차량 호출 서비스에 연결될 미래를 예상한다. 높은 시스템·소프트웨어 개발 비용에 대응하기 위해 카메라 14개, 레이더 9개를 포함한 센서 구성과 이중 NVIDIA GPU 시스템을 공통 아키텍처로 제공한다. [1:03:00]
• Hyperion 위에 자율주행 소프트웨어를 구축하고 차량 호출 서비스와 연결하면 여러 업체가 참여하는 거대한 가상 차량군을 만들 수 있다. 세계의 연간 이동 거리를 약 1조 마일로 제시하며, 그중 상당 부분이 향후 마일당 1~2달러 수준의 로보택시 서비스로 전환될 가능성을 전망한다. [1:04:21]

35. 휴머노이드 표준화로 로봇 산업의 규모 확대

• 작업마다 전용 로봇 구성을 만들면 시장이 분절돼 생산량과 기술 개선의 선순환이 형성되기 어렵다. 휴대전화와 PC처럼 다양한 고객이 같은 구성을 사용해야 규모를 확보하고 성능 개선을 가속할 수 있다. [1:05:39]
• 휴머노이드는 모든 작업에 최적이지는 않지만 여러 작업에 대응할 수 있어 가장 큰 생산량을 확보하는 로봇 형태가 될 가능성이 있다. 빠르게 학습하는 AI가 결합되면 전문 로봇팀이 없는 중소기업도 작업을 보여주는 방식으로 로봇을 가르칠 수 있다. [1:06:40]

36. 물리적 AI를 구성하는 세 종류의 컴퓨터

• 물리적 AI에는 모델을 훈련하는 컴퓨터, 디지털 트윈에서 기술을 학습하는 컴퓨터, 실제 로봇을 구동하는 컴퓨터가 필요하다. AI가 현실에서 바로 시행착오를 겪게 하기보다 Omniverse의 가상 환경에서 동작을 학습하게 한다. [1:08:02]
• Omniverse는 여러 플랫폼과 도구에 연결되는 라이브러리로 디지털 트윈 구축을 지원한다. 실제 구동 단계에서는 Hyperion처럼 연산 장치, 기능 안전, 능동 안전, 물리적 AI의 안전을 위한 운영체제를 통합해야 한다. [1:08:46]

37. Agile One으로 로봇 개발의 출발점 제공

• Agile Robotics와 공동 개발한 NVIDIA Agile One은 컴퓨터와 소프트웨어가 통합된 레퍼런스 로봇이다. 다음 해 1분기 공급을 예고하며, 사전 조립된 상태에서 초기 동작을 수행해 로봇 개발을 가속하는 기반이 될 것으로 기대한다. [1:09:46]

38. 개인용 컴퓨터를 작업 도구에서 개인 에이전트로 전환

• NVIDIA는 1993년 PC 시대에 출발한 뒤 GPU, 프로그래머블 셰이딩, 실시간 레이 트레이싱과 CUDA로 컴퓨팅 영역을 확장했다. 이어 4년 전부터 사용자의 일을 돕는 개인 에이전트이자 비서로 PC를 재구상했다. [1:10:21]
• 에이전트용 PC에는 로컬 또는 클라우드에서 실행되는 모델, 하네스, 보안 런타임 OpenShell, 지식과 도구 접근이 필요하다. OpenGL·DirectX·CUDA를 가속하면 NVIDIA가 축적한 다양한 도구를 같은 컴퓨터에서 활용할 수 있다. [1:11:20]

39. RTX Spark와 Windows 기반 DGX Station의 성능·공급 계획

• Microsoft와 4년간 협력해 N1X 칩 기반 RTX Spark 제품군을 개발했으며 데스크톱, 노트북, 워크스테이션으로 확장한다. 제시된 성능과 메모리는 1페타플롭스와 128GB로, 2016년 OpenAI에 전달한 시스템과 같은 수치다. [1:12:00]
• RTX Spark는 두 사람이 운반해야 했던 DGX-1과 달리 손으로 들 수 있는 크기다. Windows 기반 DGX Station은 20페타플롭스와 754GB 메모리를 제공하며, 전문 설계·콘텐츠 제작 도구를 실행하는 워크스테이션으로 드러난다. [1:12:59]

40. 에이전트가 다른 에이전트를 구축하는 개발 방식

• PC, 클라우드, 온프레미스에서 실행할 에이전트는 다른 에이전트에게 구축을 요청하는 방식으로 만들 수 있다. 자연어 요청을 개발 작업으로 연결하는 접근이다. [1:13:50]
• 로봇 응용에서는 개인용 컴퓨터의 에이전트가 도구를 활용하고, 훈련·디지털 트윈·실제 로봇 구동을 담당하는 세 컴퓨터가 연결된다. 에이전트 개발 방식과 물리적 AI의 컴퓨팅 구조를 하나의 작업 과정으로 결합한다. [1:14:23]

41. Micro Duck의 학습 환경을 에이전트와 도구로 제작

• Micro Duck 개발 환경은 Hermes 하네스, Neotron과 OpenAI의 GPT6 Astra 모델, FreeCAD·Blender·Isaac Sim·Newton·Isaac Lab을 연결한다. 대부분의 작업은 RTX Spark에서 실행하고 큰 작업은 클라우드로 확장한다. [1:15:25]
• 사용자가 코스와 학습 목표를 설명하면 Hermes와 Neotron이 필요한 물체를 계획한다. Astra는 FreeCAD로 3D 물체를 만들고 Blender로 재질을 적용하며 Omniverse 라이브러리로 물리 속성을 추가한다. [1:15:55]

42. 병렬 훈련과 검증을 거쳐 실제 로봇에 정책 배포

• 클라우드의 Isaac Lab에서 수천 개 Micro Duck을 병렬로 훈련하고 넘어지는 경험을 통해 정책을 개선한다. Omniverse로 카메라를 시뮬레이션해 시각 인식을 학습시키며, 물리와 인식을 결합해 장애물 회피와 좁은 공간 이동을 익힌다. [1:16:43]
• 훈련한 정책을 RTX Spark로 내려받아 Neotron과 Isaac Sim으로 평가한 뒤 실제 로봇에 배포한다. 가상 환경의 훈련 결과를 검증하고 현실의 동작으로 연결하는 과정이다. [1:17:27]

43. AI 팩토리의 실행 대상을 모델에서 전체 에이전트로 확대

• 유럽 AI 경제의 출발점은 인프라이며, DGX Pod는 AI 팩토리 구축을 쉽게 만드는 시스템으로 드러난다. AI 팩토리의 역할도 개별 모델 실행에서 전체 에이전트 실행으로 확장된다. [1:20:25]
• 에이전트는 인식·추론·계획·행동을 담당하는 언어모델, 이를 작동시키는 하네스, 보안 런타임 OpenShell, 지식, 도구의 다섯 요소로 구성된다. 이 구조를 물리적 AI로 확장하며 유럽의 모든 기업이 AI 기업으로 전환할 것이라는 전망으로 연결한다. [1:21:04]

44. 에이전트의 권한 통제와 유럽 AI 생태계의 공동 구축

• 마무리 노래에서도 에이전트의 코딩과 의사결정에 자유를 주되 임무와 접근 권한을 통제해야 한다는 원칙을 강조한다. OpenShell, 자격 증명 확인, BlueField를 통한 샌드박스 보호가 통제 수단으로 연결된다. [1:23:53]
• 로봇이 중력·마찰과 도구 사용을 학습하는 과정, AI 인프라, 유럽의 전체 기술 계층과 오픈소스 생태계를 함께 묶는다. 유럽 AI 산업의 성장 가능성에 대한 낙관적 전망을 유지한다. [1:24:29]

🧾 결론

• 엔비디아가 제시한 사업 범위는 GPU 공급을 넘어 AI 공장의 구축·운영과 에이전트 실행에 필요한 전체 기술 계층으로 넓어진다.
• 기업 AI의 실용성은 모델 성능에 더해 내부 지식 접근, 전문 도구, 작업 조율, 권한 통제를 얼마나 잘 결합하는지에 달려 있다는 메시지다.
• 유럽 AI 경제의 성과를 판단하려면 인프라 투자 규모와 함께 제조·의료·금융 등 최종 산업의 도입 및 업무 성과를 확인해야 한다.
• 물리적 AI의 공통 플랫폼은 개발 준비를 줄이려는 접근이며, 시뮬레이션 결과를 실제 환경에서 검증하는 과정이 함께 필요하다.

📈 투자·시사 포인트

• 관찰 범위의 확대: 발표가 제시한 투자 대상은 GPU뿐 아니라 전력·냉각·네트워크·스토리지·시설 통합까지 이어진다. 실제 구축 일정과 가동률이 각 계층의 수요를 판단할 단서다.
• 가동 지연의 경제적 비용: 연 매출 400억 달러를 가정한 1기가와트 시설에서 3개월 지연은 매출 100억 달러의 지연에 해당한다는 예시가 제시됐다. 이는 확정 매출이 아닌 가정이며, 조기 가동의 가치를 설명하는 계산이다.
• 에이전트 수요의 조건: 추론·반복·도구 사용이 토큰 소비와 GPU 수요를 늘린다는 논리의 지속성은 실제 업무 효용과 사용자 확대 여부로 평가해야 한다.
• 기업 전문성의 가치: 내부 데이터와 전문 도구를 보유한 기업은 이를 특화 에이전트로 연결할 기회를 갖는다. 기존 도구 기업이 자사 도구를 사용하는 에이전트까지 제공한다는 전망이 제시됐다.
• 지역 생태계와 최종 수요: 유럽의 에너지·제조·메카트로닉스 역량이 AI 생산과 응용으로 연결되는지가 중요하다. 인프라 공급 확대와 최종 고객의 사업 성과를 함께 추적필요가 있다.

⚠️ 불확실하거나 확인이 필요한 부분

• 성능 30배 향상, 동일 생산량에서 전력 30% 절감, 조립 시간 단축 등은 발표에서 제시한 수치다. 비교 구성·작업 부하·측정 범위가 상세히 주어지지 않아 실제 도입 환경에 그대로 적용하기 어렵다.
• 현장 배치 기간 단축은 전력·부지·냉각 등 기반 설비가 준비됐다는 조건을 포함한다. 장비 도착부터 토큰 생산까지 걸리는 기간과 현장 배치 기간도 서로 구분해야 한다.
• 45도 냉각수와 건식 냉각기를 통한 물 절약은 적합한 기후와 시설 조건에 따른 설명이다. 모든 지역에서 같은 절감 효과를 기대할 근거는 제시되지 않았다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 성능·전력·조립 시간 수치별로 비교 대상, 측정 조건, 실제 고객 적용 결과를 확인한다.
• AI 공장 검토 시 장비 가격과 함께 전력 확보, 냉각 조건, 현장 준비, 가동까지 걸리는 기간을 비용표에 반영한다.
• 기업 에이전트 후보 업무 하나를 정하고 모델·하네스·샌드박스·지식·도구의 다섯 요소별 준비 상태를 점검한다.
• 파일·네트워크·도구 접근 권한과 자격 증명 처리 방식을 정의하고, OpenShell이 필요한 통제를 지원하는지 시험한다.

❓ 열린 질문

• 에이전트의 유용성 증가가 어느 수준의 토큰 소비와 인프라 수요로 이어지며, 고객의 비용 대비 효과는 어떻게 달라질까?
• DSX Pod가 현장 조립을 줄여도 전력 인입·인허가·냉각 설비가 전체 가동 일정을 지배한다면 단축 효과는 얼마나 남을까?
• 유럽의 AI 인프라 투자는 어떤 최종 산업에서 반복 가능한 매출과 생산성 개선으로 먼저 연결될까?