Nscale Figure AI 컴퓨팅 계약, 휴머노이드 로보틱스를 인프라 시험대로 만들다

Nscale와 Figure는 35억 달러 규모의 컴퓨팅 계약을 체결하며 Figure의 휴머노이드 로봇 비전을 최대 100,000개의 차세대 NVIDIA GPU와 연결했다.

Nscale Figure AI 컴퓨팅 계약은 단순한 대규모 클라우드 구매가 아니다. Nscale는 Figure에도 투자하고, Figure의 우선 컴퓨팅 제공업체가 된다. 초기 배포는 텍사스주 바스토에 Nscale가 계획 중인 인프라에서 2027년 하반기로 예정돼 있다.

이 구조가 핵심적인 긴장을 만든다. Figure는 더 많은 데이터와 컴퓨팅 자원이 Helix 로보틱스 모델의 성능을 높일 것이라고 말한다. 그러나 양사는 결제 일정, 배포 이정표, 또는 대규모 학습 실행이 상업용 로봇 성능과 연결된다는 독립적 증거를 공개하기 훨씬 전에 이 규모를 발표했다.

이 계약은 기술 체인 전반에 NVIDIA를 배치한다. Figure는 NVIDIA Vera Rubin 시스템에서 모델을 학습하고, NVIDIA Isaac Sim으로 검증하며, 로봇 내부에 NVIDIA 프로세서를 탑재할 계획이다.

Figure에 이 계약은 프런티어 모델 수준의 인프라로 향하는 경로를 확보해 준다. Nscale에는 대형 로보틱스 고객을 확보하는 동시에 해당 고객에 대한 지분을 추가하는 효과가 있다.

따라서 이번 발표는 휴머노이드 로보틱스를 인프라 시험대로 바꾼다. 이제 질문은 로봇이 신중하게 선별된 시연을 완료할 수 있는지가 아니다. 데이터센터, 시뮬레이션, 실제 데이터, 자금 조달, 로봇 배포가 함께 개선될 수 있는지가 관건이다.

Nscale Figure AI 컴퓨팅 계약에 실제로 포함된 내용

이 계약은 Figure에 막대한 컴퓨팅 용량으로 가는 경로를 제공하지만, 오늘날 100,000개의 GPU가 가동 중이라는 뜻은 아니다.

Figure와 Nscale는 2026년 9월 3일 다년간의 파트너십을 발표했다. 양사는 초기 35억 달러 규모의 컴퓨팅 약정을 설명하면서, 관계를 60억 달러 이상으로 확대할 의향을 밝혔다.

이 인프라는 궁극적으로 NVIDIA의 Vera Rubin 플랫폼 기반 GPU를 최대 100,000개까지 포함할 수 있다. 초기 시스템은 2027년 하반기 텍사스주 바스토에서 배포를 시작하는 것을 목표로 한다.

이러한 단서는 중요하다. “최대”는 잠재적 상한을 뜻하고, “목표”는 완료된 납품이 아니라 일정을 의미한다. 발표에는 연도별 GPU 수량이나 최대 규모에 도달하는 날짜가 제시되지 않았다.

양사는 계약의 결제 일정도 공개하지 않았다. Figure가 얼마나 많은 용량을 구매해야 하는지, 의무가 언제 시작되는지, 이후 단계는 어떤 이정표에 따라 진행되는지는 여전히 불분명하다.

파트너십 발표에 따르면, Nscale는 Figure에 전략적 투자를 진행한다. 투자 규모와 조건은 공개되지 않았다.

Nscale는 Figure의 우선 컴퓨팅 제공업체도 된다. 이 구조는 클라우드 공급업체의 상업적 수익을 Figure의 수요와 연결하는 한편, Nscale의 지분은 Figure의 기업가치에 대한 노출을 제공한다.

계약은 단순히 프로세서를 임대하는 수준을 넘어선다. Nscale는 자사 모델이 데이터센터 용량, 전력, GPU 인프라, 클라우드 오케스트레이션을 결합한다고 말한다. 오케스트레이션은 다수의 시스템에서 컴퓨팅 워크로드를 일정에 맞춰 배분하고 관리하는 소프트웨어 계층이다.

Figure는 이 인프라를 휴머노이드 로봇 제어용 모델군인 Helix의 차세대 버전에 사용할 계획이다. Helix는 시각 입력, 언어 지시, 물리적 행동을 연결한다.

계획된 워크플로는 세 단계에 걸친다. 학습은 Nscale의 NVIDIA 인프라에서 진행된다. 시뮬레이션과 검증에는 로보틱스 시스템을 개발하고 시험하는 가상 환경인 NVIDIA Isaac Sim이 사용된다.

학습된 모델은 이후 Figure 로봇 내부의 NVIDIA 컴퓨팅 하드웨어에서 실행된다. 실제 환경에서의 활동은 추가 학습 데이터를 만들 수 있으며, 이는 다음 모델 개발에 반영될 수 있다.

NVIDIA CEO 젠슨 황은 이 과정을 로보틱스 플라이휠이라고 불렀다. 이 표현은 의도된 순환 구조를 포착하지만, 각 사이클이 성능을 얼마나 빠르게 개선하는지는 입증하지 않는다.

이 거래에는 운영상 연계 가능성도 포함된다. Figure와 Nscale는 Nscale 공급망에서 휴머노이드 로봇을 활용하는 방안을 검토하겠다고 밝혔다.

이 제안은 여전히 탐색 단계다. 양사는 Nscale 관련 운영 현장에 투입될 로봇의 배포 대수, 위치, 작업 목록, 일정을 발표하지 않았다.

따라서 가장 신뢰할 수 있는 해석은 헤드라인 수치가 시사하는 것보다 좁다. Figure는 2027년 이전에는 시작되지 않을 대규모 컴퓨팅 자원 확보 경로를 마련했다.

Nscale는 중요한 잠재 고객과 지분을 확보했다. NVIDIA는 학습, 시뮬레이션, 로봇 배포 전반에 하드웨어와 소프트웨어를 배치했다.

변한 것은 Figure의 인프라 약정 규모다. 아직 변하지 않은 것은 해당 인프라를 구축하고, 자금을 조달하며, 생산적으로 활용해야 한다는 과제다.

Figure가 로봇에 프런티어급 컴퓨팅이 필요하다고 말하는 이유

Figure는 휴머노이드의 발전이 이제 모터, 손, 제조만큼이나 모델 학습과 다양한 데이터에 좌우된다고 보고 있다.

전통적인 산업용 로봇은 대체로 엄격히 통제된 환경에서 작동한다. 엔지니어는 작업 공간, 움직임, 도구, 안전 경계를 정의한다.

범용 휴머노이드는 더 폭넓은 과제에 직면한다. 다양한 물체를 인식하고, 지시를 해석하며, 균형을 조정하고, 긴 물리적 행동 순서를 수행해야 한다.

이 복잡성은 막대한 학습 문제를 만든다. 유용한 시스템에는 서로 다른 방, 물체 형태, 조명 조건, 시점, 인간의 선호, 예상치 못한 방해를 아우르는 사례가 필요하다.

Figure는 Helix가 데이터와 컴퓨팅을 통해 모두 개선된다고 말한다. Figure의 창립자 겸 CEO인 브렛 애드콕은 이러한 자원을 추가 모델 개발의 주요 제약으로 설명했다.

이 컴퓨팅 계약은 로봇 학습용 실제 영상 수집 시스템인 Index를 Figure가 출시한 뒤에 나왔다. Figure의 Index 업데이트에 따르면, 이 플랫폼은 8월 25일까지 1,600만 개 이상의 업로드 영상을 받았다.

Figure는 또한 264,000건 이상의 다운로드와 44,000명 이상의 주간 활성 사용자를 보고했다. 회사는 파이프라인이 매초 약 30분 분량의 업로드 영상을 처리하고 있다고 밝혔다.

이 수치는 Figure가 제공한 것으로, 독립적인 감사를 거치지 않았다. 그럼에도 Nscale 로보틱스 컴퓨팅 전략의 배경에 있는 순서를 설명한다.

Index는 물리 세계 데이터의 공급을 늘리려 한다. Nscale는 그 데이터를 새 세대 모델로 처리할 미래의 경로를 제공한다.

이는 주로 텍스트와 코드로 언어 모델을 학습하는 것과 다르다. 물리 데이터에는 움직임, 타이밍, 깊이, 접촉, 힘, 물체 상태, 환경 변화가 포함된다.

로봇은 모델 출력을 안전한 행동으로도 변환해야 한다. 부정확한 텍스트 응답은 사용자를 답답하게 만들 수 있지만, 잘못된 물리적 움직임은 재산을 손상시키거나 사람을 다치게 할 수 있다.

시뮬레이션은 개발자가 로봇을 모든 가능한 상황에 투입하지 않고도 더 많은 조건을 시험하도록 돕는다. Isaac Sim은 소프트웨어가 물리 하드웨어에 도달하기 전에 장면, 센서, 로봇 행동을 모델링할 수 있다.

시뮬레이션에도 한계는 있다. 실제 물체는 변형되고, 미끄러지고, 부서지며, 가상 표현과 다르게 행동한다. 인간이 생활하는 환경에는 완전히 모델링하기 어려운 불규칙한 배치도 존재한다.

Figure가 제안한 플라이휠은 이 격차를 메우려 한다. 사람이 생성한 데이터는 학습을 지원하고, 시뮬레이션 환경은 검증을 지원하며, 배포된 로봇은 실제 운영에서 증거를 만든다.

더 많은 컴퓨팅 자원은 실험, 모델 크기, 학습량을 확대할 수 있다. 하지만 편향된 데이터, 약한 평가, 신뢰할 수 없는 하드웨어, 시뮬레이션과 현실 사이의 격차를 자동으로 해결하지는 못한다.

이 구분은 Figure AI 컴퓨팅을 설명할 때 핵심이다. 이 계약은 용량을 제공할 뿐, 지능을 보장하지는 않는다.

Figure가 하나의 학습 시스템으로 많은 작업을 지원하려 하기 때문에 인프라는 중요하다. 이 목표는 하나의 고정된 작업대에서 로봇을 프로그래밍하는 것보다 더 높은 일반화 능력을 요구한다.

Figure는 물류 및 가정 환경과 유사한 작업을 수행하는 로봇을 선보였다. BMW 및 Catalyst Brands와 관련된 상업적 협업도 발표했다.

이 사례들은 Figure에 실제 시험 환경을 제공한다. 그러나 공개 시연과 발표된 파트너십만으로는 전 기단의 신뢰성, 개입률, 고객 경제성을 알 수 없다.

Nscale Figure AI 컴퓨팅 계약은 이러한 상업적 지표가 공개되기 전에 하나의 병목을 다룬다. Figure가 더 많은 데이터를 수집할수록 학습 용량이 주요 제약으로 남을 것이라는 가정에 기반한다.

이 가정은 그럴듯하지만, 여전히 가정이다. 결정적인 증거는 낯선 환경에서의 측정 가능한 개선과 장기 배포에서 나올 것이다.

진짜 경쟁은 인프라 약속과 배포 현실 사이에 있다

Figure는 대규모 physical AI 시스템에 필요한 요소를 확보했지만, 이를 신뢰할 수 있는 로봇으로 전환하는 어려운 작업은 아직 남아 있다.

이 이야기의 주된 상대는 다른 휴머노이드 기업이 아니다. 인프라 약정과 실제로 운영되는 로보틱스 사업 사이의 격차다.

발표된 수치는 잠재적 용량을 설명한다. 납품된 GPU 시간, 완료된 학습 실행, 생산 로봇 물량, 고객 갱신율을 설명하지는 않는다.

초기 배포는 2027년 하반기로 예정돼 있다. 이 프로젝트는 건설 일정, 전력 확보, 네트워킹 설치, 냉각 시스템, 칩 공급, 소프트웨어 통합의 영향을 받게 된다.

100,000개 GPU에 근접하는 클러스터는 단순한 가속기 카드 모음이 아니다. 고속 인터커넥트, 스토리지, 전력 분배, 냉각, 모니터링, 장애 관리가 필요하다.

학습에는 이 프로세서들을 생산적으로 유지할 소프트웨어도 필요하다. 부실한 데이터 파이프라인이나 비효율적인 모델 코드는 값비싼 인프라를 충분히 활용하지 못하게 할 수 있다.

Vera Rubin은 Blackwell 뒤를 잇는 NVIDIA의 차세대 컴퓨팅 플랫폼이다. NVIDIA는 Rubin을 독립형 칩이 아니라 랙 규모 시스템으로 제시해 왔다.

이 설계는 가속기를 CPU, 네트워킹, 기타 구성 요소와 결합한다. 또한 전체 시스템 전반의 조율된 납품에 대한 의존도를 높인다.

따라서 Nscale는 건설과 운영 양쪽에서 실행력을 입증해야 한다. Figure는 확보한 용량을 정당화할 만큼 가치 있는 학습 워크로드를 개발해야 한다.

데이터센터 계획에 따르면, Figure의 계획된 배포는 Nscale의 바스토 시설에 이뤄진다. Nscale는 그곳에서 Microsoft를 위한 인프라도 개발 중이다.

여러 대형 고객은 시설의 경제적 기반을 강화할 수 있다. 동시에 용량 배분, 납품 순서, 공유 인프라에 관한 의문을 낳을 수 있다.

공개 발표는 Figure의 잠재 GPU가 다른 약정과 함께 어떻게 배치되는지 설명하지 않는다. 모든 시스템이 Figure 전용으로 할당되는지도 명시하지 않았다.

Figure는 다른 실행 과제에 직면한다. 더 큰 학습 실행이 고객이 관찰하고 가치를 인정할 수 있는 개선으로 이어진다는 점을 보여야 한다.

모델 벤치마크만으로는 이 문제를 해결할 수 없다. 구매자는 빈번한 사람의 개입 없이 장기간 유용한 작업을 완료하는 로봇을 필요로 한다.

관련 측정 지표에는 작업 완료율, 고장 사이의 운영 시간, 안전 사고, 원격 지원, 유지보수 요구 사항, 낯선 환경에서의 성능이 포함된다.

Figure는 대규모 상업용 로봇 플릿 전반에 걸쳐 그러한 지표의 완전한 세트를 공개하지 않았다. 이는 초기 로보틱스 시장에서 흔한 일이지만, 외부 평가에는 한계가 있다.

이 일정은 단계적 검증을 필수로 만든다. Figure는 2027년 이전에 Helix를 개선할 수 있지만, 약속된 최대 규모의 인프라는 그보다 나중에 도입된다.

이러한 순서는 Figure가 더 많은 데이터를 수집하고 모델을 개선할 시간을 제공한다. 동시에 발표된 용량이 현재 로봇 성능을 설명할 수 없다는 의미이기도 하다.

Nscale 역시 자체적인 상업적 위험을 안고 있다. 빠르게 성장하는 고객을 위한 인프라 구축은 수요가 현실화될 경우 지속적인 클라우드 매출을 창출할 수 있다.

그러나 배포가 지연되거나 고객이 예상보다 적은 용량을 소비하면 미래 약정의 가치는 낮아진다. 어떤 위험이 공급업체에 남는지는 계약 구조에 따라 결정된다.

양사는 이 문제를 해소할 만큼 충분한 상업적 세부 사항을 공개하지 않았다. 외부에서는 Figure가 초기 약정 전체를 얼마나 확고하게 구매해야 하는지 판단할 수 없다.

이것이 지분 투자가 주목할 만한 이유다. Nscale은 Figure에 컴퓨팅을 판매하는 데 그치지 않고, 그 컴퓨팅을 구매하는 기업의 주주가 되고 있다.

이러한 구조는 인센티브를 정렬할 수 있다. Figure가 성장하면 Nscale도 이익을 얻고, Figure는 자사의 확장을 지원할 동기가 있는 공급업체를 확보한다.

다만 수요 분석을 복잡하게 만들 수도 있다. 고객이 공급업체 용량 구매를 약정하는 동시에, 일부 경제적 가치는 공급업체에서 고객으로 이전된다.

그렇다고 이 거래가 인위적이라는 뜻은 아니다. 독립적으로 조달된 수요와 전략적으로 지원된 수요를 구분해서 봐야 한다는 의미다.

물리적 인프라가 가동되고 Figure가 이를 생산적인 학습에 활용할수록 이 계약은 더 설득력을 얻는다. 그때까지 이 규모는 아직 구축 중인 약속에 머문다.

NVIDIA는 물리 AI 전 과정에 걸쳐 있다

NVIDIA는 Figure의 데이터 센터와 각 로봇을 연결하는 학습 시스템, 시뮬레이션 환경, 온보드 컴퓨팅을 공급하게 될 것으로 보인다.

Nscale의 로보틱스 컴퓨팅 계약은 NVIDIA가 대규모 언어 모델 학습을 넘어 입지를 확장하는 방식을 보여준다. 휴머노이드 로보틱스는 가속 컴퓨팅의 또 다른 잠재 시장을 만든다.

이 기회는 여러 층위에 걸쳐 있다. 대규모 GPU 클러스터는 로보틱스 모델을 학습시키고, 시뮬레이션 플랫폼은 이를 시험하며, 더 작은 온보드 시스템은 물리적 기계 안에서 모델을 실행한다.

NVIDIA는 각 층위에 참여한다. Vera Rubin은 계획된 학습 플랫폼을 제공하고, Isaac Sim은 가상 테스트를 지원하며, NVIDIA 프로세서는 Figure 로봇 내부에서 작동한다.

이 구조는 개발자에게 클라우드 학습에서 물리적 배포까지 더 통합된 경로를 제공한다. 동시에 상당한 기술적 의존성이 한 공급업체의 플랫폼에 집중된다.

Figure는 공통 소프트웨어와 툴링의 혜택을 볼 수 있다. 정렬된 환경에서 개발된 모델은 학습, 시뮬레이션, 배포 사이를 더 쉽게 이동할 수 있다.

하지만 긴밀한 통합은 전환 비용을 높일 수 있다. 워크로드를 다른 가속기로 옮기려면 소프트웨어, 네트워킹, 모델 최적화, 운영 절차의 변경이 필요할 수 있다.

컴퓨팅 계약은 수년에 걸쳐 이어지기 때문에 이러한 상충관계는 중요하다. 그 기간 동안 하드웨어 로드맵과 경쟁 가격은 달라질 수 있다.

NVIDIA의 역할은 이 거래를 더 광범위한 인프라 경쟁 속에 위치시킨다. 클라우드 제공업체와 전문 GPU 사업자들은 AI 연구소, 기업, 모델 개발자를 위한 용량을 구축하고 있다.

Nscale은 이 시장에서 기존 하이퍼스케일러 및 전문 제공업체들과 경쟁한다. CoreWeave와 Lambda는 대규모 가속 컴퓨팅 워크로드를 공략하는 기업들이다.

Amazon, Google, Microsoft는 클라우드 인프라와 자체 설계 프로세서를 결합한다. 이러한 칩은 대형 고객에게 NVIDIA 하드웨어 의존도를 다각화할 또 다른 경로를 제공한다.

로보틱스는 다른 수요 프로필을 더한다. 학습에는 집중형 클러스터가 필요할 수 있는 반면, 배치된 로봇에는 효율적인 로컬 추론과 지속적인 데이터 처리가 필요하다.

이는 여러 층위를 조율하는 제공업체에 유리하게 작용할 수 있다. 동시에 로보틱스 기업들이 플릿을 확장하면서 단일 공급업체 의존을 피하도록 만들 수도 있다.

Nscale의 접근 방식은 수직 통합형이다. 데이터 센터, 전력 접근성, 컴퓨팅 시스템, AI 워크로드 제공을 위한 소프트웨어 계층을 결합한다.

이 회사는 이전에 Microsoft와 관련된 대규모 NVIDIA 인프라 계약을 발표했다. Texas deployment에는 별도 사이트 및 고객 계획을 위해 약 104,000개의 NVIDIA GB300 GPU가 포함됐다.

이 배경은 Nscale이 유사한 수치 규모의 프로젝트를 추진하고 있음을 보여준다. 모든 발표 프로젝트가 원래 일정대로 도입될 것이라는 증거는 아니다.

데이터 센터 건설은 AI 산업 전반의 핵심 제약 요인이 됐다. 그리드 연결, 냉각, 토지, 자금 조달, 네트워크 용량 없이는 칩 접근성만으로 충분하지 않다.

Figure의 수요는 인프라를 둘러싼 이 경쟁에 로보틱스를 추가한다. 또한 비슷한 확장 논지를 따르는 다른 휴머노이드 개발업체들의 기준을 높인다.

Tesla, Apptronik, Agility Robotics 및 다른 기업들은 하드웨어, 데이터, 시뮬레이션, 배포 파트너십을 서로 다르게 조합해 추진하고 있다.

이들의 공개 전략은 서로 다르며, 공개된 수치만으로는 모델 학습 용량을 깔끔하게 비교할 수 없다. 따라서 중요한 경쟁은 단순한 GPU 약정 규모에만 있지 않다.

경쟁사들은 더 나은 데이터 효율성, 특화 모델, 대체 가속기, 또는 더 큰 실제 배포를 통해 대응할 수 있다. 데이터와 학습 프로세스가 더 잘 정렬돼 있다면 더 작은 시스템이 더 큰 시스템을 능가할 수 있다.

Figure의 결정은 시장에 분명한 기준점을 제시한다. 이 회사는 범용 휴머노이드에 매우 큰 중앙집중형 컴퓨팅 접근성이 필요해질 것이라고 믿는다.

이 논지가 성공한다면 로보틱스 개발업체는 점점 프런티어 AI 연구소를 닮아갈 것이다. 자본 수요는 공장과 기계공학을 훨씬 넘어 확장될 것이다.

이 논지가 기대에 못 미친다면, 업계는 구현체, 신뢰성, 배포 데이터가 학습 용량보다 더 어려운 병목으로 남는다는 점을 발견할 수 있다.

따라서 Nscale과 Figure AI의 컴퓨팅 거래는 로보틱스 발전이 어디에서 비롯되는지에 대한 베팅이기도 하다. NVIDIA는 거의 모든 단계에서 이 베팅을 위한 도구를 공급하고 있다.

35억 달러 약정이 아직 입증하지 못하는 것

헤드라인은 전략적 의도를 확인하지만, 계약의 확실성, 기술적 수익, 또는 Figure 로봇의 상업적 수요를 입증하지는 않는다.

첫 번째 불확실성은 계약 자체에 관한 것이다. 양사는 초기 약정을 설명했지만 계약 조건이나 연간 최소 사용량은 공개하지 않았다.

다년간의 컴퓨팅 약정이 반드시 선불 결제를 의미하는 것은 아니다. 지출은 용량이 उपलब्ध해지고 워크로드가 실행되기 시작하면서 발생할 수 있다.

헤드라인 금액이 대부분의 로보틱스 기업이 현재 사업으로 감당할 수 있는 수준을 넘어서기 때문에 이 구분은 중요하다. Figure의 자금 조달과 매출 세부 사항은 비공개 상태다.

reported agreement는 다년 구조를 확인한다. 그러나 공개 기록만으로는 전액이 무조건적인지 알 수 없다.

두 번째 불확실성은 Nscale의 지분 투자에 관한 것이다. 어느 쪽도 투자 규모, 기업가치, 거버넌스 권리, 또는 컴퓨팅 대금과의 연계를 공개하지 않았다.

지분 요소는 장기적인 정렬을 만들면서 초기 단계 고객을 지원할 수 있다. 동시에 공급업체 위험의 일부를 투자 포지션으로 전환할 수도 있다.

조건을 알 수 없으므로 독자는 거래의 순경제성을 계산할 수 없다. 또한 약정 중 얼마가 향후 자금 조달이나 로봇 매출에 의존하는지도 판단할 수 없다.

세 번째 불확실성은 기술적 측면이다. Figure는 Helix가 추가 데이터와 컴퓨팅으로 더 유능해진다고 말하며, 이는 머신러닝에서 흔히 나타나는 패턴과 부합한다.

로보틱스가 항상 언어 모델링처럼 깔끔하게 확장되는 것은 아니다. 물리 시스템에는 센서 노이즈, 기계적 마모, 지연 시간, 안전 제약, 예측 불가능한 환경이 수반된다.

모델은 학습 분포에서 개선될 수 있지만 드문 물리적 사건에서는 여전히 실패할 수 있다. 로봇은 사람과 고가 장비가 공유하는 공간에서 작동하기 때문에 이러한 실패는 중요하다.

Figure의 Index 프로젝트는 데이터를 넓힐 수 있다. 그러나 업로드된 인간 영상이 자동으로 로봇 경험과 동등해지는 것은 아니다.

인간의 신체, 카메라, 도달 범위, 힘, 움직임은 휴머노이드 기계와 다르다. 학습 파이프라인은 이 자료를 로봇이 실행할 수 있는 행동으로 변환해야 한다.

Figure는 자사 시스템이 범용 로보틱스를 위해 물리 세계 데이터를 활용할 수 있다고 말한다. 독립 평가는 이 전이가 새로운 물체와 환경 전반에서 얼마나 잘 작동하는지 시험해야 한다.

네 번째 불확실성은 상업적 도입이다. 발표된 파일럿은 고객 관심을 보여주지만, 더 큰 구매를 보장하지는 않는다.

기업 구매자는 휴머노이드를 고정형 자동화, 모바일 로봇, 재설계된 워크플로, 인간 노동력과 비교할 것이다. 신뢰성과 운영 비용은 시각적 새로움보다 더 중요할 것이다.

고객에게는 지원, 유지보수, 안전 절차, 기존 시스템과의 통합도 필요하다. 이러한 요구 사항은 기반 모델이 개선되더라도 배포를 늦출 수 있다.

다섯 번째 불확실성은 시점이다. Figure용 첫 Nscale 시스템은 2027년 하반기를 목표로 한다.

건설, 그리드 접근, 하드웨어 생산, 시스템 검증이 함께 맞물려야 한다. 어느 한 층위라도 지연되면 Figure가 기대하는 학습 용량도 늦어질 수 있다.

어느 회사도 초기 기간에 100,000 GPU 전체 상한이 도입될 것이라고 약속하지 않았다. 이 표현은 단일 납품 시점이 아니라 잠재적 규모를 설명한다.

이러한 한계가 계약을 무효화하는 것은 아니다. 이는 계약을 판단하는 데 필요한 증거를 규정한다.

투자자와 고객은 예약된 컴퓨팅을 로봇 배포의 대체물로 여겨서는 안 된다. 개발자 역시 프로세서 수를 측정된 모델 발전의 대체물로 여겨서는 안 된다.

가장 강력한 향후 검증은 특정 학습 증가를 더 낮은 개입률과 더 나은 작업 성능으로 연결하는 것이다. 이 증거는 선별된 시연이 아니라 여러 환경에 걸쳐 제시돼야 한다.

그러한 결과가 나오기 전까지 이 거래는 확신이 높은 인프라 약정에 머문다. 범용 휴머노이드가 상업적 규모에 도달했다는 독립적 증거는 아니다.

베팅의 성패를 보여줄 세 가지 신호

다음 단계는 또 하나의 더 큰 헤드라인이 아니라 인프라 제공, 측정 가능한 로봇 개선, 상업적 사용을 통해 평가돼야 한다.

첫 번째 신호는 Barstow의 물리적 배포다. Nscale과 Figure는 초기 시스템을 위해 2027년 하반기를 목표로 하고 있다.

가장 유용한 업데이트는 제공된 GPU 수, 가용 전력, 클러스터 가동, 해당 용량에서 실행되는 워크로드를 구체적으로 제시할 것이다.

완료된 첫 단계는 Nscale의 실행력에 대한 신뢰를 강화할 것이다. 대체 용량이 나타나지 않는다면 지연 또는 모호한 수정은 발표된 일정을 약화시킬 것이다.

독자는 부지 발표와 전력이 공급되는 시스템을 구분해야 한다. 데이터 센터는 생산 워크로드를 제공하지 않은 상태에서도 자금이 조달됐거나 건설 중일 수 있다.

두 번째 신호는 측정 가능한 Helix 성능이다. Figure는 새로운 데이터와 학습 자원을 통제된 시연 밖에서도 의미 있는 결과와 연결해야 한다.

유용한 지표에는 처음 보는 작업 전반의 성공률, 개입 빈도, 연속 작동 시간, 오류 복구 능력, 사람 주변에서의 행동이 포함된다.

독립 테스트는 회사가 선별한 영상보다 더 큰 비중을 가질 것이다. 고객의 결과 역시 개선이 낯선 작업 환경에서도 유지되는지를 보여줄 것이다.

Barstow 배포 이전의 성능 향상은 Figure의 더 광범위한 확장 논지를 뒷받침할 것이다. 현재의 데이터 및 컴퓨팅 투자가 이미 반복 가능한 개선을 만들어 내고 있음을 보여줄 것이다.

측정 가능한 진전이 거의 없다면, 훨씬 더 큰 클러스터가 남은 문제를 해결할 것이라는 가정은 약화될 것이다. 병목은 오히려 구현체나 배포에 있을 수 있다.

세 번째 신호는 반복적인 상업적 활용이다. Figure와 BMW, Catalyst Brands의 파트너십은 로봇이 실제 운영상의 요구를 마주할 수 있는 환경을 제공한다.

핵심 증거는 파일럿을 넘어선 확장이다. 플릿 규모, 유료 사용량, 계약 갱신, 인력 감독의 감소는 실질적인 고객 가치를 보여줄 것이다.

이러한 상업적 신호는 자금 조달 측면에도 영향을 미친다. 반복적인 로봇 매출은 수년에 걸친 인프라 투자를 뒷받침하기 더 쉽게 만들 것이다.

배포 규모가 계속 작게 유지된다면 Figure는 외부 자본에 더 크게 의존할 수 있다. 그렇게 되면 자금 조달 여건이 컴퓨팅 소비의 중요한 제약 조건이 될 것이다.

계약 공개는 더 이른 시점에 상황을 명확히 할 수 있다. 어느 회사든 최소 구매 물량, 투자 조건 또는 단계별 용량에 대해 결국 설명할 수 있다.

이러한 세부 사항은 계약의 구속력 있는 부분과 확장 목표를 구분하는 데 도움이 된다. 또한 고객과 공급업체 사이에서 위험이 어떻게 나뉘는지도 보여줄 것이다.

개발자에게 이 이야기는 더 폭넓은 변화를 부각한다. 고급 로보틱스 모델을 구축하려면 점점 더 많은 시스템에 걸쳐 데이터, 평가, 시뮬레이션, 인프라 근거를 관리해야 한다.

이 시장을 추적하는 팀에는 발표와 이후의 실제 이행을 연결할 신뢰할 수 있는 방법이 필요하다. 검색 가능한 AI 지식 베이스는 일정이 전개되는 동안 주장, 이정표, 출처 자료를 보존하는 데 도움이 될 수 있다.

같은 원칙은 기업 구매자에게도 적용된다. 공급업체를 비교하기 전에 약속된 기능, 배포 날짜, 평가 방식, 상업적 요구사항을 기록하라.

Nscale과 Figure AI의 컴퓨팅 계약은 휴머노이드 로보틱스에 이례적으로 큰 인프라 투자가 뒷받침된다는 점에서 주목할 만하다. 이제 그 중요성은 발표 이후 실제로 무엇이 도착하느냐에 달려 있다.

운영 시스템 측면에서는 Barstow를, 독립적으로 의미 있는 성과 측면에서는 Helix를, 반복 사용 측면에서는 Figure의 고객을 지켜봐야 한다. 이러한 신호는 피지컬 AI가 확장 가능한 사업으로 자리 잡는지, 아니면 수요에 앞서 용량만 축적하고 있는지를 보여줄 것이다.

다음 발표보다 중요한 것은 다음으로 검증되는 이정표다. 이 세 가지 신호 중 어느 것이 휴머노이드 로보틱스 시장에 대한 당신의 견해를 가장 먼저 바꿀까?