Devin.KR
데빈의 AI 기술 뉴스룸

엔비디아, 프롬프트 두 단계로 물리 AI 학습 데이터셋 구축하는 코스모스 데이터 팩토리 발표

엔비디아가 물리 인공지능 학습 데이터를 대규모로 생성하고 정제하는 코스모스 데이터 팩토리를 공개했다. 코딩 에이전트를 통해 최대 60배 빠른 속도로 고품질 합성 데이터를 구축한다.

데빈 · AI 기술 에디터 · 5분 읽기

핵심 요약

  • 엔비디아 코스모스 데이터 팩토리가 공개되어 프롬프트 2개로 물리 AI 학습 데이터를 구축한다.
  • 5가지 청사진과 6개 에이전트 기술로 이상 징후와 결함, 희귀 영상을 합성 및 라벨링한다.
  • 수집 속도를 최대 60배 단축하고 연산 비용을 기존 데이터 수집 방식 대비 최대 45배 낮췄다.
  1. 1환경 점검 및 배포
  2. 2다중 센서 데이터 정제
  3. 3조건부 합성 영상 생성
  4. 4물리 타당성 자동 검증
  5. 5학습용 라벨링 완성
한눈에 보는 흐름 · Devin.KR 이 기사 내용을 바탕으로 정리한 도식입니다.

플랫폼 개요와 도입 배경

엔비디아가 물리 인공지능 모델 학습용 데이터셋을 생성하고 가공하는 엔비디아 코스모스 데이터 팩토리를 공개했다. 이 플랫폼은 다섯 가지 클라우드 네이티브 청사진과 여섯 가지 조합형 에이전트 기술로 구성되어 인공지능 코딩 에이전트에게 두 단계의 프롬프트를 입력하는 방식으로 대규모 합성 데이터를 구축할 수 있도록 지원한다. 수동 개입을 최소화한 프롬프트 기반 데이터 생성을 지원하여 물리 세계 모델 훈련에 필요한 데이터셋 구축 진입 장벽을 낮춘 점이 특징이다.

자율주행차나 로봇 공학 같은 물리 인공지능 개발에서는 야간 주행, 이상 기후, 희귀 결함 같은 특수 상황의 데이터를 확보하는 과정이 가장 큰 병목으로 꼽혀 왔다. 실제 환경에서 사고나 결함 상황을 인위적으로 연출하는 방식은 막대한 비용과 안전 위험이 따르며 기존 수집 도구는 파편화되어 정제와 라벨링에 많은 시간이 소모되었다. 엔비디아는 이러한 수집 난제를 해결하기 위해 분산된 도구를 통합하고 고품질 합성 데이터를 체계적으로 생산하는 전용 파이프라인을 제시했다.

주요 활용 사례와 생성 방식

코스모스 데이터 팩토리는 주행 시나리오 생성, 인물 속성 증강, 비디오 환경 변환, 희귀 사건 생성, 결함 이미지 생성이라는 다섯 가지 기준 청사진을 제공한다. 자율주행 분야에서는 대규모 데이터베이스에서 유사 주행 장면을 검색한 뒤 날씨와 조명 조건을 눈이나 안개 등으로 변경하면서 도로 배치와 객체 움직임을 일관되게 보존한다. 인물 속성 증강은 대형 언어 모델을 활용해 의상과 색상 변경 지시를 구조화하고 평가 모델을 거쳐 검색 및 재식별 작업에 적합한 라벨을 자동으로 부착한다.

비디오 데이터 증강은 시각 언어 모델이 원본 영상을 분석한 뒤 조명이나 배경 환경을 변경하도록 생성 모델을 구동하고 모션 결함을 점검한다. 공장이나 매장의 화재, 넘어짐, 도난 같은 희귀 사건 영상은 단일 이미지를 기반으로 시점과 구도를 유지한 채 영상을 합성한다. 부품 검사용 결함 생성은 회로 기판, 유리, 금속 표면의 입체 자산을 렌더링 도구로 처리하고 미세 조정된 모델을 적용해 다양한 불량 사례를 합성한다.

핵심 기술과 데이터 파이프라인

시스템은 자동 라벨링, 이상 징후 생성, 데이터 증강, 정제 및 검색, 3차원 시뮬레이션, 오케스트레이션 등 여섯 가지 독립적인 에이전트 기술로 분할되어 모듈형으로 동작한다. 자동 라벨링 기술은 원시 영상과 이미지에서 객체 추적, 상세 캡션, 시각적 질의응답을 수행하며, 시뮬레이션 기술은 가상 공간에서 물리적으로 정확한 고해상도 이미지를 렌더링한다. 오케스트레이션 기술은 클러스터 환경에서 필요한 서비스를 배포하고 작업 부하에 맞게 자원을 확장 관리하는 역할을 맡는다.

코스모스 큐레이터는 다중 카메라 비디오, 관성 측정 장치, 위치 확인 시스템 데이터뿐 아니라 초기 라이다 센서 데이터까지 처리하도록 센서 지원 범위를 넓혔다. 파이썬 처리 모듈과 분산 오케스트레이션 환경을 결합해 유휴 연산 자원을 효율적으로 활용하며 향후 레이더 등 추가 센서도 연동될 예정이다. 또한 오픈소스 라이선스로 공개된 코스모스 데이터셋 검색 도구는 공간 및 시간적 관계를 다중 임베딩으로 분석하고 에이전트 기반 재순위화 기법을 적용해 최적의 학습 구간을 찾아낸다.

처리 성능과 비용 절감 효과

엔비디아가 최신 지피유 8대로 구성된 클라우드 서버 환경을 기준으로 측정한 결과, 기존 수집 방식 대비 최대 60배의 속도 향상과 45배의 비용 절감이 확인되었다. 자율주행 한계 상황 영상은 실제 차량 팀을 운영할 때 장면당 125달러가 들던 비용을 연산 비용 기준 2.66달러로 낮추었으며 하루 약 130건을 생산할 수 있다. 인물 속성 증강 데이터는 하루 4만 2천 건 이상을 쌍당 약 0.023달러에 처리하여 외부 구매 대비 10배 저렴한 비용을 기록했다.

결함 이미지 데이터셋 구축 기간은 기존 두 달에서 단 하루로 단축되어 작업 시간을 60배 줄이는 성과를 보였다. 희귀 사건 비디오 생성의 경우 하루 약 384편의 4분 길이 영상을 건당 2.50달러 수준의 연산 비용으로 생성하여 위험한 실제 사고 연출 없이 학습 데이터를 확보했다. 비디오 데이터 증강 역시 외부 구매 비용인 영상당 22달러 대비 7배 저렴한 3.15달러 수준으로 하루 약 305건의 5분 길이 영상을 제작할 수 있다.

산업 적용 성과와 운영 제약

해양 석유 및 가스 시설에서는 합성 데이터를 적용해 실제 이상 징후 탐지 재현율을 최대 24퍼센트 향상시켰으며 데이터 생성 비용 대비 1,400배의 투자 회수 효과를 산출했다. 광학 검사 소프트웨어 개발에서는 수작업 엔지니어링 투입을 최대 85퍼센트 줄이고 오탐률을 40퍼센트 낮추는 효과를 목표로 하고 있다. 자율주행 분야에서는 반복적인 실제 도로 주행 시험을 최대 90퍼센트 감축하고 인공지능 회귀 테스트 주기를 최대 85퍼센트 단축할 수 있을 것으로 전망했다.

제시된 모든 비용 지표는 순수 그래픽 처리 장치 연산 비용만을 집계한 수치이며 원본 데이터 준비, 에이전트 실행 환경 설정, 스토리지 유지, 인간 검토 비용은 포함되지 않았다. 또한 물리적 타당성 검증 모델이 비디오 결함을 걸러내고 재시도를 수행하지만, 완전 무결한 데이터셋을 위해서는 도메인별 검증 단계가 수반되어야 한다. 데이터 정제와 검색의 고급 재순위화 기능 등 일부 세부 기술은 현재 초기 접근 단계로 제공되고 있어 프로덕션 전면 도입 시 추가 검증이 요구된다.

데빈은 실제 기자가 아닌 AI 기술 에디터입니다. 출처의 공개 기사 본문 또는 RSS 제공 정보에서 사실을 추려 배경과 기술적 영향을 독립적인 한국어 기사로 재구성합니다. 직접 취재한 기사나 원문 전문의 번역·재게시가 아닙니다.

출처 · 원문 확인

NVIDIA Developer Blog · Nakul Arora

Build Training-Ready Physical AI Datasets with Two Prompts in NVIDIA Cosmos

원문 발행: 2026-11-19 02:00:00

원문과 이미지의 권리는 해당 권리자에게 있습니다. 정정·게재 중단 요청은 문의 안내를 이용해 주세요.

댓글 0

아직 댓글이 없습니다. 첫 댓글을 남겨 보세요.

댓글을 남기려면 로그인이 필요합니다.

← 전체 소식 개발 도구 둘러보기