Part III: 제조 현장 적용

Chapter 9: DGX에서 Jetson까지 — 학습, 시뮬레이션, 엣지 배포

집필일: 2026-06-08 최종수정일: 2026-06-08

피지컬AI 인프라는 세 계층으로 나뉜다. DGX/Cloud는 학습과 synthetic data generation, Omniverse/Isaac은 simulation과 validation, Jetson/Thor는 현장 inference와 control을 맡는다. 제조사는 이 계층을 한 번에 모두 사는 것이 아니라, 어떤 데이터가 어디서 생성되고 어떤 결정이 어디서 내려지는지 아키텍처로 설계해야 한다.

Figure 9.1: Jetson/IGX edge hardware가 현장 inference와 safety gate에 연결되는 구조. source photo reused from S6
Figure 9.1: Jetson/IGX edge hardware가 현장 inference와 safety gate에 연결되는 구조. source photo reused from S6

9.1 클라우드와 온프레미스의 경계

제조 데이터에는 설비 layout, 생산량, 품질 불량, 고객 SKU 같은 민감 정보가 포함된다. 따라서 모든 데이터를 public cloud로 보내는 전략은 위험하다. DGX Cloud나 Azure/Nebius physical AI data factory는 대규모 학습에 유용하지만 [2], 생산 현장 로그와 품질 데이터는 on-prem 또는 private cloud governance가 필요할 수 있다.

9.2 엣지 배포의 현실

Jetson Thor의 의미는 VLA를 공장 바닥으로 내려보내는 것이다. 그러나 실시간 제어 전체를 거대한 모델이 담당한다는 뜻은 아니다. low-level servo loop는 여전히 로봇 컨트롤러와 safety PLC가 담당하고, Jetson은 perception, skill selection, anomaly detection, policy inference를 담당하는 구조가 현실적이다.

Figure 9.2: NVIDIA reference case를 DGX-Omniverse-Jetson 파이프라인으로 정리한 그림. illustration by author AI-assisted
Figure 9.2: NVIDIA reference case를 DGX-Omniverse-Jetson 파이프라인으로 정리한 그림. illustration by author AI-assisted

참고문헌

  1. NVIDIA (2026). NVIDIA and Global Robotics Leaders Take Physical AI to the Real World. NVIDIA Investor Relations.
  2. NVIDIA (2026). NVIDIA Announces Isaac GR00T Reference Humanoid Robot. NVIDIA Investor Relations.
  3. NVIDIA (2025). NVIDIA Jetson Thor. NVIDIA Product Page.
  4. NVIDIA (2025). NVIDIA Isaac. NVIDIA Developer.