NVIDIA Cosmos 3 시뮬레이션 모델, 생성된 세계에 인터랙티브 제어 기능 추가
NVIDIA는 4개의 NVIDIA Cosmos 3 시뮬레이션 체크포인트를 공개하며, 생성형 비디오를 로봇 동작과 주행 제어에 반응하는 환경으로 확장했다. 체크포인트는 개발자가 실행하거나 조정할 수 있도록 저장된 모델 가중치 집합이다. 이번 공개는 설득력 있는 장면을 생성하는 일과 신뢰할 수 있는 학습 환경을 만드는 일에는 서로 다른 근거가 필요하다는 실질적인 구분을 제시한다.
NVIDIA의 11월 5일 발표는 주행 데이터, 스트리밍 주행 관측, 시뮬레이터 기반 이미지, 로봇 동작 예측을 위한 특화 모델을 설명한다. 이는 기본 Cosmos 3 제품군을 새로 도입한 것이 아니라 Cosmos 3 Nano를 조정한 모델들이다. 그 의미는 지원하는 상호작용과 드러나는 개발 작업에 있다.
Google DeepMind의 Genie 3는 인터랙티브 생성 세계를 이해하는 데 유용한 기준점이 된다. NVIDIA의 즉각적인 제안은 로보틱스 및 주행 시스템을 구축하는 개발자를 겨냥한다. 핵심적인 긴장은 시각적 그럴듯함과 신뢰할 수 있는 시뮬레이션 사이에 있다. 환경은 사실적으로 보일 수 있지만 제어기에 오해를 부르는 피드백을 줄 수 있다.
NVIDIA Cosmos 3 시뮬레이션 공개가 추가하는 것
이번 공개는 개발자에게 데이터를 생성하고, 동작 결과를 예측하며, 상호작용 중 관측을 제공하기 위한 서로 다른 출발점을 제공한다.
시뮬레이션 체크포인트 발표에 따르면, 4개 모델은 연관되어 있지만 서로 다른 역할을 수행한다. Cosmos3-Nano-Transfer-Auto는 카메라 시점과 환경 조건 전반에 걸친 주행 데이터를 생성한다. Cosmos3-Nano-Sim-Auto는 카메라 이미지와 레이저 광선으로 거리를 측정하는 감지 방식인 LiDAR를 포함한 스트리밍 주행 관측을 제공한다.
Cosmos3-Nano-Sim-Transfer는 시뮬레이터 제어와 텍스트로부터 컬러 비디오를 생성한다. Cosmos3-Nano-Sim-Bimanual은 로봇 또는 카메라 동작으로부터 관측을 예측한다. NVIDIA는 네 모델 모두를 160억 개의 학습 가능한 파라미터를 갖춘 오픈 웨이트 조정 모델로 설명하며, 해당 조건에 따라 상업적 및 비상업적 용도로 사용할 수 있도록 OpenMDW 1.1 라이선스로 공개했다.
이러한 구분은 오프라인 데이터 생산과 실시간 상호작용이 서로 다른 문제를 해결하기 때문에 중요하다. 오프라인 생성기는 다른 시스템이 소비하기 전에 완성된 시퀀스를 만들 수 있다. 인터랙티브 환경은 동작을 받아들이고, 관측을 생성하며, 다음 의사결정을 위한 준비 상태를 유지해야 한다.
복잡한 교차로를 조사하는 주행 팀을 생각해 보자. 가시성의 변형을 생성하면 인지 테스트에 활용할 수 있는 자료를 확장할 수 있다. 주행 제어기가 변화하는 장면 안에서 반응하도록 하려면 추가 요건이 생긴다. 제어기가 행동을 바꿀 때 환경이 일관되게 반응해야 한다.
같은 구분은 로봇 조작에도 적용된다. 성공적인 파지 장면을 담은 비디오는 하나의 동작을 보여줄 수 있다. 그러나 제어기를 평가하는 환경은 실패한 접근, 중단된 움직임, 회복 시도까지 처리해야 한다. 이처럼 덜 편리한 결과가 환경이 의미 있는 실험을 지원하는지를 결정한다.
이러한 사례는 모델 이름을 인터랙티브 비디오에 관한 하나의 주장으로 뭉뚱그려서는 안 되는 이유를 보여준다. 개발자는 어떤 구성요소가 관측을 생성하고, 어떤 구성요소가 물리적 결과를 결정하며, 동작 인터페이스가 어디에 연결되는지 알아야 한다. 그렇지 않으면 겉보기에는 유사한 시연이 상당히 다른 시스템을 나타낼 수 있다.
이번 공개는 외부 연구자가 조사할 수 있는 범위도 바꾼다. 다운로드 가능한 가중치는 로컬 환경에서의 행동을 살펴볼 기회를 만든다. 그러나 그것이 그 행동을 사전에 입증하는 것은 아니다. 접근 권한은 논의의 일부를 선택된 시연을 보는 일에서 강점과 약점을 드러내는 실험 설계로 옮긴다.
발표를 지켜보는 독자에게 즉각적인 요점은 분명하다. NVIDIA는 인터랙티브 환경을 위한 특화된 구성요소를 제공했다. 열린 질문은 개발자가 이를 조합해 만드는 환경의 신뢰성, 특히 생성된 관측이 이후 동작에 영향을 미칠 때의 신뢰성에 관한 것이다.
이 구분은 이번 공개를 다루는 보도의 기준이 되어야 한다. 유용한 설명은 이용 가능한 구성요소와 의도된 기능을 식별한다. 기존 평가 방식을 대체한다는 주장은 완성된 시스템에 관한 별도의 근거를 필요로 한다.
로보틱스 및 주행 팀이 직면한 통합 결정
첫 번째 부담은 생성된 관측을 기존 개발 과정의 어디에 배치할지 결정하는 팀에 놓인다.
NVIDIA의 월드 모델 개발 프레임워크는 모델 맞춤화, 평가, 최적화, 추론을 연결한다. 추론은 학습된 모델을 실행해 출력을 생성하는 것을 뜻한다. NVIDIA는 특정 센서, 동작, 데이터에 맞춰 모델을 조정한 뒤 애플리케이션에 도입하는 과정으로 이 프레임워크를 제시한다.
이러한 구도는 사실적인 비디오에 관한 일반적인 약속보다 더 큰 의미를 지닌다. 개발자는 추상적인 환경을 배포하지 않는다. 로봇에는 고유한 카메라와 움직임 규칙이 있고, 차량에는 특정 센서 구성이 있다. 통합은 생성된 관측이 이를 소비하는 시스템이 올바르게 해석할 수 있는 상황을 묘사하는지 결정한다.
따라서 실질적인 부담은 경쟁 문제가 되기 전에 내부에서 발생한다. 연구 책임자는 조정 작업에 엔지니어링 시간을 배정할지 결정해야 한다. 인프라 팀은 생성 워크로드가 사용 가능한 컴퓨팅 자원에 맞는지 평가해야 한다. 평가 팀은 결과를 신뢰할 근거가 무엇인지 판단해야 한다.
그럴듯한 초기 적용 사례는 기존 작업을 둘러싼 시각적 변형을 확장하는 것이다. 서로 다른 배경에서 로봇이 같은 물체를 인식하는지 조사하는 팀을 상상해 보자. 관련 물체 특성과 작업 조건이 통제된다면, 생성된 관측은 실험적 경로를 제공할 수 있다.
어려운 점은 개선의 원인을 귀속하는 데 있다. 제어기가 생성된 이미지에 노출된 뒤 더 나은 성능을 보이더라도, 팀은 그 이유를 밝혀야 한다. 추가 학습, 더 폭넓은 외관 변형, 파이프라인 내 다른 변화가 모두 비교를 복잡하게 만들 수 있다. 설득력 있는 평가는 이러한 대안을 계속 드러내 둔다.
주행 개발도 관련된 문제를 제시한다. 시각적으로 까다로운 장면은 그 어려움이 의도한 테스트와 일치할 때만 유용하다. 날씨를 바꾸는 과정에서 장애물의 겉보기 위치도 바뀐다면, 실험은 더 이상 날씨만 분리해 검증하지 못한다. 출력은 시청자에게는 설득력 있게 보일 수 있지만 평가자에게는 모호해질 수 있다.
이는 기존 시뮬레이션 공급업체에도 기회를 만든다. 팀에는 여전히 장면 제어, 작업 정의, 발생 기록, 실패를 검토할 방법이 필요하다. 생성된 관측은 더 많은 시각적 변형을 만들고, 이는 검증할 자료를 늘리므로 그러한 역량에 대한 수요를 높일 수 있다.
따라서 예상되는 조직적 질문은 구체적이다. 어떤 실험이 더 쉬워지며, 이를 위해 어떤 추가 검증이 필요한가? 모든 생성 환경을 서로 대체 가능한 것으로 취급하는 것보다 이것이 더 나은 투자 기준이다.
엔지니어링 관리자에게는 추적 가능성도 이 결정에 포함되어야 한다. 모델 수정, 입력 규칙, 평가 에피소드, 관측된 실패는 공동 기록으로 관리될 필요가 있다. 검색 가능한 엔지니어링 지식 베이스는 실험이 누적됨에 따라 이러한 연결을 보존하는 데 도움이 될 수 있다.
이번 공개는 엄격한 비교의 가치를 높인다. 모델이 어디에서 도움이 되는지 설명할 수 있는 팀은 가장 매력적인 출력만 보여줄 수 있는 팀보다 더 강력한 도입 근거를 갖게 될 것이다.
인터랙티브 세계는 누가 물리적 상태를 유지하는지에 달려 있다
아키텍처의 선택은 시스템이 시각적 결과를 직접 예측할지, 아니면 별도로 유지되는 물리적 상태에서 관측을 생성할지에 관한 것이다.
NVIDIA의 인터랙티브 시뮬레이션 연구는 두 접근법을 모두 설명한다. 이 프레임워크는 동작과 장면 제어에 반응해 관측을 스트리밍한다. 또한 외부 시뮬레이터가 유지하는 물리적 상태로부터 관측을 생성하는 기능도 지원한다.
물리적 상태란 물체의 위치와 움직임처럼 관련된 속성에 대한 시스템의 기록을 의미한다. 이 기록을 생성된 이미지와 분리하면 유용한 경계가 형성된다. 시뮬레이터가 근본적인 상황을 결정하고, 생성 구성요소는 관측 시스템이 무엇을 보는지 결정한다.
이러한 구성은 개발자가 오류를 조사하는 방식을 바꾼다. 생성된 이미지에서 로봇이 물체를 통과하는 것처럼 보인다고 가정해 보자. 별도로 유지되는 상태는 검토할 또 다른 기록을 제공한다. 연구자는 물리적 업데이트가 잘못되었는지, 혹은 시각적 출력이 이를 잘못 표현했는지 물을 수 있다.
이런 분리가 없으면 진단 방식은 달라진다. 모델이 다음 관측을 직접 예측한다면 개발자는 그 출력이 동작의 결과를 얼마나 신뢰성 있게 보존하는지 확인해야 한다. 그럴듯한 프레임이 접촉이 올바르게 발생했는지 또는 물체의 보이지 않는 위치가 일관되게 유지됐는지를 반드시 보여주지는 않는다.
어느 접근법도 모든 평가 문제를 자동으로 해결하지는 않는다. 정확한 물리적 상태는 제어기를 오도하는 관측을 보완할 수 없다. 반대로 설득력 있는 관측이 기본 동역학이 작업과 일치함을 입증하지도 않는다. 중요한 질문은 구성요소들이 어떻게 함께 작동하는가이다.
따라서 Cosmos 3 인터랙티브 시뮬레이션은 시스템 행동으로 평가하는 것이 가장 적절하다. 동작 인터페이스, 상태 업데이트, 관측 생성기, 제어기가 모두 결과에 영향을 미친다. 비디오만 살펴보면 여러 가능한 실패 원인이 설명되지 않은 채 남는다.
가상의 파지 실험은 이 구분을 분명하게 만든다. 제어기는 그리퍼를 닫고, 또 다른 이미지를 받은 뒤, 다음 움직임을 선택한다. 그 이미지가 안전한 파지를 잘못 암시한다면, 뒤따르는 동작은 관측에 비추어 합리적일 수 있으나 실제 작업에는 잘못된 것이 될 수 있다.
주행 실험도 비슷한 방식으로 실패할 수 있다. 제어기는 차량 흐름에서 보이는 틈에 반응한다. 서로 다른 생성 시점이 그 틈에 대해 불일치한다면, 그에 따른 행동은 제어기뿐 아니라 관측 파이프라인에 대해서도 무언가를 말해준다. 평가는 이 구분을 보존해야 한다.
이 아키텍처는 성공적인 시연이 무엇을 입증하는지에도 영향을 준다. 작동하는 상호작용 루프는 구성요소들이 정보를 교환함을 보여준다. 그러나 모든 동작이 적절한 결과를 낳는다는 점을 입증하지는 않는다. 운영상의 통합과 환경 충실도는 서로 다른 테스트를 요구하는 별개의 주장이다.
기업 구매자에게는 이 경계가 기술 논의에서 명시적으로 드러나야 한다. 공급업체는 어떤 구성요소가 상태를 소유하는지, 생성된 관측이 그 상태에 어떻게 연결되는지, 불일치를 어떻게 감지하는지를 식별해야 한다. 이러한 답변은 결과를 더 쉽게 해석하게 한다.
더 큰 흐름은 인터랙티브 시스템 내에서 더 유연한 관측 생성으로의 이동이다. 그 유용성은 환경에서 실제로 일어난 일과 제어기에 보여진 것 사이에 명확한 관계를 유지하는 데 달려 있다.
Genie 3는 맥락을 제공하고, 하드웨어는 배포를 좌우한다
인터랙티브 비디오는 공동의 연구 방향이지만, 서로 다른 제어 방식과 컴퓨팅 요구 사항을 갖는 시연만으로 순위를 정할 수는 없다.
Google DeepMind는 Genie 3 world models를 사용자 입력으로부터 인터랙티브 환경을 생성하는 모델이라고 설명합니다. 발표문은 환경의 일관성과 지속적인 생성 과정에서 오류가 누적되는 문제도 다룹니다.
이 점에서 Genie 3는 Cosmos를 이해하는 데 관련 있는 맥락입니다. 두 연구 모두 상호작용이 계속되는 동안 변화하는 세계를 다룹니다. 비교를 어느 시연이 더 좋아 보이는지의 문제로 축소하면 유용성이 떨어집니다. 로보틱스 팀에는 자신들이 의도한 제어 방식, 관측값, 작업 및 운영 조건에 관한 근거가 필요합니다.
경쟁하는 연구 경로가 동일한 제품을 만들어야 하는 것도 아닙니다. 폭넓은 탐색을 위해 설계된 환경은 특정 로봇 행동 인터페이스에 연결된 환경과 다른 평가 우선순위를 갖습니다. 책임감 있게 비교하려면 어떤 역량이 중요한지와 그 비교를 뒷받침하는 근거가 무엇인지 밝혀야 합니다.
하드웨어 역시 중요한 단서를 추가합니다. NVIDIA의 simulation performance examples는 하나의 GB300 GPU에서 480p Sim-Bimanual이 초당 48.1프레임과 166밀리초의 지연 시간을 기록했다고 보고합니다. GPU는 여기서 모델 연산을 가속하는 데 사용되는 프로세서입니다.
같은 페이지는 하나의 GB200 GPU에서 640 x 640 해상도의 Sim-Transfer가 초당 15.85프레임과 240밀리초의 지연 시간을 기록했다고 보고합니다. Sim-Auto 사례는 16개의 GB200 GPU를 사용해 7개 컬러 카메라 뷰와 LiDAR 전반에서 초당 16.7프레임을 기록했다고 설명합니다.
이는 독립적으로 재현된 결과가 아니라 NVIDIA가 보고한 구성입니다. 또한 서로 다른 워크로드를 설명합니다. 이 수치는 전체 제품군이 특정 속도로 실행된다는 일반적 주장으로 바뀌어서는 안 되며, 해상도, 센서 출력, 하드웨어와 함께 해석되어야 합니다.
배포 결정을 위해 처리량과 응답 지연은 서로 다른 질문에 답합니다. 처리량은 시스템이 시간에 따라 얼마나 많은 출력을 생성하는지 설명합니다. 응답 지연은 새 입력이 출력에 영향을 미치기까지 걸리는 시간을 설명합니다. 인터랙티브 컨트롤러는 두 요소 모두에 민감할 수 있습니다.
주변 애플리케이션은 추가 작업도 요구합니다. 행동은 환경에 전달되어야 하고, 관측값은 컨트롤러에 도달해야 하며, 실험은 발생한 일을 기록해야 합니다. 생성 벤치마크만으로는 이 전체 순서에 걸친 지연 시간을 설명할 수 없습니다.
따라서 구매자는 의도한 워크로드를 물어야 합니다. 탐색적 연구에 적합한 구성은 많은 동시 평가를 실행하는 데는 부적합할 수 있습니다. 오프라인 데이터 생성 과정은 실시간 상호작용 실험을 훼손할 지연도 감수할 수 있습니다.
접근성과 실용성이 갈리는 지점도 여기입니다. Open weights는 개발자가 모델을 조사하고 수정할 수 있게 합니다. 그러나 컴퓨팅 용량, 통합 작업, 워크로드별 측정의 필요성을 없애지는 않습니다.
유용한 경쟁 질문은 누가 전체 world model 분야를 이끄는가보다 더 좁습니다. 특정 실험에 필요한 관측값, 제어 방식, 재현성을 어떤 시스템이 제공하는가? 이 틀은 연구자와 구매자 모두에게 실제로 활용할 수 있는 비교 기준을 제공합니다.
시각적 충실도에는 중요한 근거 공백이 남는다
현실적인 환경은 매력적인 시연이 감출 수 있는 실패를 포함해, 작업과 관련된 검증을 통해 신뢰를 얻는다.
NVIDIA world model 평가는 이미지 품질과 행동 결과의 신뢰성을 구분해야 합니다. 두 특성은 겹칠 수 있지만 서로 다른 질문에 답합니다. 시각적으로 매력적인 시퀀스는 보는 이에게 외관에 관한 정보를 제공합니다. 신뢰할 수 있는 평가 환경은 행동에 대해 타당한 결론도 뒷받침해야 합니다.
긴 상호작용에는 특히 주의가 필요합니다. 초기의 시각적 오류는 이후 이용 가능한 관측값을 바꿀 수 있습니다. 컨트롤러가 그 관측값을 바탕으로 행동하면 실험은 다른 경로를 따르게 됩니다. 연구자가 발산이 시작된 지점을 파악할 수 없다면, 결과를 해석하기가 까다로워집니다.
이는 생성된 모든 상호작용이 실패한다는 주장이 아니라 실패를 면밀히 살펴봐야 하는 이유입니다. 이번 공개는 조사할 자료를 제공합니다. 작업, 로봇 설계, 센서 구성 또는 환경 전반에서 성능이 변함없이 이전된다고 가정할 근거는 제공하지 않습니다.
합리적인 평가는 행동이 성공하지 않는 상황도 포함해야 합니다. 작업이 허용하는 경우 로봇은 막힌 이동, 접촉 상실, 실패한 파지를 경험해야 합니다. 주로 그럴듯한 진행만 만들어내는 환경은 복구 과정에서 중요한 약점을 감출 수 있습니다.
같은 논리는 주행에도 적용됩니다. 연구자는 컨트롤러가 주저하거나, 방향을 바꾸거나, 예상치 못한 방식으로 반응할 때 장면이 일관성을 유지하는지 살펴봐야 합니다. 기록된 경로와 인터랙티브 경로는 의사결정과 관측값 사이의 서로 다른 관계를 시험합니다.
여러 센서는 또 다른 검토 층위를 만듭니다. 서로 다른 뷰는 양립 가능한 상황을 설명해야 합니다. 거리 측정값은 관련된 가시 구조와 일치해야 합니다. 다음 행동을 결정할 때 소비 시스템이 이 신호들을 결합할 수 있으므로, 일치 여부가 중요합니다.
변화와 커버리지 사이에도 차이가 있습니다. 서로 다르게 보이는 많은 장면을 생성한다고 해서 배포와 관련된 실패가 평가에 포함되었음을 입증하지는 않습니다. 커버리지에는 작업별 정의가 필요하며, 생성된 사례가 이를 충족한다는 근거가 뒤따라야 합니다.
Open access는 이러한 질문을 조사 가능하게 만드는 데 도움이 됩니다. 연구자는 잠재적으로 실험을 반복하고, 모델 행동을 분석하며, 적응 방식을 비교할 수 있습니다. 그러나 재현성에는 여전히 사용할 수 있는 입력값, 기록된 설정, 명확하게 정의된 평가 조건이 필요합니다. 다운로드 가능성만으로는 이러한 요소를 제공할 수 없습니다.
상업적 주장에도 비슷한 엄격함이 필요합니다. 생성 환경은 개발 결과를 개선할 때 매력적입니다. 유용한 결과에는 더 나은 작업 성능, 더 유익한 실패 발견, 적합한 실험 준비에 드는 노력 감소가 포함됩니다. 각각은 신뢰할 수 있는 기준선과의 비교가 필요합니다.
그 기준선은 조사 중인 질문을 보존해야 합니다. 생성 데이터가 기존 과정을 보완한다면, 추가된 기여를 평가해야 합니다. 생성된 관측값이 구성 요소를 대체한다면, 신뢰성과 워크로드가 어떻게 바뀌는지 검토해야 합니다. 그렇지 않으면 유리한 결과의 원인을 밝히기 어렵습니다.
NVIDIA world model 평가에서 가장 강력한 근거는 환경 행동을 홀드아웃 작업의 다운스트림 결과와 연결하는 것입니다. 홀드아웃 작업은 관련 학습 과정에서 제외된 평가 사례입니다. 이는 유용한 일반화와 개발 자료에 대한 익숙함을 구분하는 데 도움이 됩니다.
따라서 이번 발표는 개발 접근법을 시험하라는 제안으로 읽어야 합니다. 외부 팀이 성공적인 활용 사례와 명확한 한계를 모두 보고할 수 있을 때 그 중요성이 커집니다. 실패에 대한 정직한 설명은 이러한 모델이 어디에 적합한지 이해하는 데 힘을 보탤 것입니다.
다음으로 재현, 작업 전이, 적응을 지켜봐야 한다
다음의 의미 있는 신호는 개발자가 행동을 재현하고, 작업 결과를 개선하며, 그 성과를 잃지 않고 모델을 적응시킬 수 있는지에 관한 것이다.
첫 번째 신호는 공개된 구성의 독립적 재현입니다. 유용한 결과는 모델 리비전, 하드웨어 설명, 입력값, 측정 방법을 보존해야 합니다. 또한 출력 품질이 저하되는 조건을 포함해 의도된 실험 전반의 응답 행동을 보고해야 합니다.
이러한 결과는 개발자가 NVIDIA의 시연 밖에서도 광고된 행동을 얻을 수 있다는 신뢰를 높일 것입니다. 결과가 크게 다르다면 주장은 실제로 재현된 조건으로 좁혀집니다. 어느 결과든 자체 작업을 계획하는 팀에 이번 공개를 더 유용하게 만들 것입니다.
두 번째 신호는 생성 환경이 다운스트림 작업을 개선한다는 근거입니다. 이는 관측값을 소비하는 컨트롤러 또는 인식 시스템을 측정한다는 뜻입니다. 출력물이 더 보기 좋아졌다는 것만으로는 개발 과정이 더 유능한 시스템을 만들었는지 답할 수 없습니다.
설득력 있는 비교는 기저의 학습 또는 평가 질문을 명확히 유지합니다. 생성된 자료가 무엇을 기여했는지 설명하고 기준선을 식별해야 합니다. 배포는 개발 사례를 정확히 반복하는 일이 드물기 때문에, 이전에 제외된 조건에서의 결과는 특히 유익합니다.
그러한 조건에서 작업 성능이 개선된다면 Cosmos 3 인터랙티브 시뮬레이션의 근거는 더 강해집니다. 개선이 익숙한 생성 장면에만 머문다면, 근거는 더 좁은 적용 사례를 뒷받침하게 됩니다. 개발자는 환경에 대한 의존도를 확대하기 전에 이 구분을 알아야 합니다.
세 번째 신호는 다른 센서 구성, 로봇 또는 운영 환경으로의 적응입니다. 중요한 결과는 필요한 데이터, 엔지니어링 노력, 컴퓨팅 리소스, 후속 검증을 포함한 완전한 적응 결과입니다. 작동하는 내보내기만으로는 도입에 관한 질문의 상당 부분이 남습니다.
성공적인 적응은 이 체크포인트들이 재사용 가능한 출발점을 제공한다는 NVIDIA의 주장을 뒷받침할 것입니다. 적응이 어렵다고 해서 연구 가치를 없애는 것은 아닙니다. 이는 전문 지식이 여전히 필요한 지점과 일반성에 대한 기대를 수정해야 하는 지점을 보여줄 것입니다.
이 신호들은 이 순서로 평가해야 합니다. 재현은 공유된 기준점을 확립합니다. 다운스트림 평가는 유용성을 시험합니다. 적응은 그 유용성이 원래 설정을 넘어 확장되는지 살펴봅니다. 이 세 가지는 시연 품질만으로는 얻을 수 없는 더 명확한 도입 근거를 제공합니다.
연구자에게 당장의 기회는 측정 가능한 결과를 갖춘 범위가 정해진 실험을 구성하는 것입니다. 구매자에게는 공급업체에 환경의 어느 부분이 검증되었고 어느 부분이 여전히 가정인지 묻는 일입니다. 두 접근 모두 광범위한 발표를 답할 수 있는 기술적 질문으로 바꿉니다.
NVIDIA Cosmos 3 시뮬레이션을 도입하기 전에, 환경이 개선해야 하는 개발 결정을 선택하십시오. 시스템에 필요한 관측값과 신뢰할 수 있어야 하는 행동 결과를 명시하십시오. 기존 과정과 비교한 뒤 구성을 보존하고 실패를 살펴보십시오. 근거가 이를 연결할 때까지 시각 품질, 상호작용 행동, 작업 성능을 별개의 결과로 유지하십시오. 이러한 접근은 성공적인 결과에 더 큰 의미를 부여하고, 실망스러운 결과를 더 쉽게 진단하게 합니다. 이번 공개는 로보틱스와 주행 전반의 실용적 조사를 위한 새로운 자료를 제공합니다. 이 빌딩 블록이 특정 작업을 개선하는지 확인할 수 있는 가장 작은 실험부터 시작하십시오.
