창업자가 전망을 수정하며 Unitree 휴머노이드 돌파구 예상 시점이 2028년으로 앞당겨져
Unitree 창업자 Wang Xingxing은 이제 이르면 2028년에 휴머노이드 분야의 돌파구가 나올 것으로 예상하며, 최대 10년에 이르던 기존 전망의 범위를 좁혔다. Unitree 휴머노이드 돌파구 전망은 단순히 미리 연습한 동작을 수행하는 수준이 아니라, 음성 지시를 통해 일상적인 업무를 처리하는 기계에 관한 것이다. Bloomberg가 10월 23일 보도한 바에 따르면, Wang은 로봇이 공장이나 가정에서 맡은 작업의 80%를 완료하는 모습을 전망한다.
이 전망은 로보틱스 전반에서 이미 드러난 긴장을 더욱 선명하게 보여 준다. 즉, 발전하는 인공지능과 신뢰할 수 있는 물리적 작업 수행 사이의 긴장이다. 로봇은 지시를 행동으로 옮기고, 실수를 인식하며, 또 다른 문제를 만들지 않고 복구해야 한다. 상대가 원하는 바를 이해하는 것은 작업 완수의 일부일 뿐이다.
Figure의 BMW 협업은 이 논의에 유용한 기준점을 제공한다. 공장 적용 사례는 구체적인 작업과 관찰 가능한 결과를 제공하는 반면, 가정 내 작업은 예측하기 어려운 환경을 수반한다. Wang의 높아진 자신감은 AI 발전이 이 두 환경 사이를 얼마나 빠르게 오갈 수 있는지라는 질문을 제기한다.
Unitree 휴머노이드 돌파구 전망이 실제로 바꾸는 것
Wang은 기대 시점을 앞당겼을 뿐, 범용 가정 자율성이 이미 존재한다고 발표한 것은 아니다.
The Edge Malaysia가 재게시한 Bloomberg의 휴머노이드 돌파구 전망은 그의 높아진 낙관론을 최근 AI 발전에 기인한다고 전한다. 이 보도는 Unitree가 공유한 녹취록을 바탕으로, Hangzhou에서 열린 업계 콘퍼런스에서 나온 발언을 설명한다.
Wang은 현재의 한계도 직접 인정했다. “지금 휴머노이드를 집에 데려가 방 청소를 시킨다면, 솔직히 그 작업을 완료할 수 있다고 생각하지 않습니다.”
이 인정은 오늘날 제품과 그가 예상하는 이정표 사이의 거리를 분명히 한다. 또한 로봇이 발전하고 있다는 차별성 없는 주장보다 이 발표를 더 유용하게 만든다. 이 전망은 특화된 행동에서 일상 업무 전반의 실용적 지시를 따르는 능력으로의 전환에 관한 것이다.
다만 과거와의 비교에는 주의가 필요하다. The Next Web이 8월 20일 보도한 그의 기존 로보틱스 전망은 고정된 10년 기한이 아니라 범위를 설명했다. 당시 Wang은 유리한 조건에서는 2~3년 내 돌파구가 가능하고, 진전이 더딜 경우에는 5~10년이 걸릴 수 있다고 봤다.
따라서 그의 최신 입장은 더 빠른 결과에 대한 자신감이 커졌음을 의미한다. 다음 10년 이전의 진전을 그가 과거에 배제했다는 뜻은 아니다. 기존 범위의 낙관적인 끝점이 이미 2028년과 겹쳤기 때문에, 변화를 정확하게 설명하는 일은 중요하다.
이 구분은 독자가 이 날짜를 해석하는 방식도 바꾼다. 전망은 예상되는 방향과 시점을 제시하지만, 공급 약속은 고객이 받게 될 것을 명시한다. 보도된 발언은 소비자 출시 일정, 정의된 인수 테스트, 또는 보장된 성능을 확립하지 않는다.
또한 업계의 이정표가 서로 다른 적용 분야에서 동시에 도래하는 것은 아니다. 일부 공장 작업을 처리하는 기계도 낯선 가정용 물체 앞에서는 여전히 어려움을 겪을 수 있다. 이 날짜는 모든 로봇이 갑자기 폭넓게 유용해진다는 뜻을 담지 않아도 의미를 지닐 수 있다.
실질적인 변화는 AI 발전이 지시에서 유용한 행동으로 이어지는 경로를 단축할 것이라는 믿음이 더 강해졌다는 데 있다. 그 믿음은 해당 행동을 실행해야 하는 하드웨어를 만드는 사람에게서 나온다는 점에서 주목할 가치가 있다.
독자에게 핵심 질문은 이 자신감이 어떻게 측정 가능한 결과로 이어지느냐이다. 성공적인 시연은 출발점을 제시한다. 공개된 조건에서의 반복적 성능은 수정된 일정 전망을 받아들이는 더 강한 근거가 된다.
이 범주들을 구분해 두면 불필요한 과장을 막을 수 있다. Wang의 낙관론은 그 자체로 뉴스 가치가 있다. 그것이 그가 설명한 기준을 가정용 로보틱스가 이미 넘었다는 주장으로 바뀔 필요는 없다.
더 빠른 AI 발전이 로봇 개발자에게 압박을 가하다
수정된 일정은 더 나은 AI가 로봇 배치에 필요한 작업을 줄인다는 점을 개발자들이 입증하도록 압박한다.
엔지니어링 노력을 어디에 투자할지 결정하는 팀들에게 이 압박은 즉각적이다. 더 강력한 AI가 낯선 지시를 처리할 수 있다면, 새로운 작업마다 광범위한 프로그래밍을 하는 일은 정당화하기 더 어려워진다. 중요한 결과는 신뢰할 수 있는 작업 완료와 함께 배치 작업이 줄어드는 것이다.
The Standard의 10월 12일 보도는 이미 Wang의 로봇 자율성 전망을 다뤘다. 이 보도는 현재 시스템의 지속적인 한계와 함께, 그가 1~2년 안에 상업적 전환점이 올 것으로 예상한다고 전했다.
같은 보도는 코딩, 훈련, 배치, 테스트, 피드백을 연결하는 Unitree의 내부 개발 과정을 설명했다. Wang의 발언에 따르면, 사람들은 여전히 움직임과 작업 성능을 점검해야 했다. 시스템이 스스로 개선된다는 주장을 평가할 때 이 단서는 중요하다.
체화형 AI, 즉 물리적 기계를 통해 인식하고 행동하는 AI는 소프트웨어의 결정과 화면 밖 결과를 연결한다. 계획 능력의 개선은 물체, 표면, 장애물, 변화하는 지시와 실제로 맞닿아도 유지돼야 한다. 추가되는 의존성 하나하나는 유망한 모델이 유용한 제품이 되는 경로를 더 까다롭게 만든다.
가령 다른 방에서 물건을 가져오라는 가상의 요청을 생각해 보자. 로봇은 의도된 물체를 식별하고, 위치를 찾고, 손을 뻗어 잡은 뒤, 다시 가져와야 한다. 불분명한 요청이라면 움직이기 전에 질문이 필요할 수 있다.
더 나은 지시 처리 능력은 그 작업의 실제 일부를 해결할 것이다. 그러나 미끄러운 그립, 막힌 경로, 또는 기계의 손이 닿지 않는 물체까지 자동으로 해결하지는 못한다. 결과를 기다리는 사람에게는 전체 과정이 중요하다.
이는 AI 개발자뿐 아니라 하드웨어 팀에도 압박을 만든다. 기계적 역량은 소프트웨어가 선택한 행동을 뒷받침해야 한다. 시스템에는 행동이 물리적 한계를 벗어났을 때 이를 감지할 신뢰할 수 있는 방법도 필요하다.
기업 구매자는 다른 결정을 마주한다. 더 이른 돌파구 전망은 평가 프로젝트를 준비할 이유를 제공하지만, 조달 결정을 끝내 주지는 않는다. 이들의 과제는 향상된 유연성이 실질적 가치를 낼 수 있는 업무를 식별하는 것이다.
예를 들어 자재 취급을 평가하는 구매자는 물체나 그 위치가 바뀔 때 준비 과정이 얼마나 달라지는지 물어야 한다. 준비가 적게 필요한 적응형 로봇은 반복적인 엔지니어링 방문이 필요한 로봇과는 다른 가치를 제안한다.
개발자에게 이는 배치 노력이 작업 성공의 중요한 동반 지표가 된다는 뜻이다. 광범위한 맞춤화 이후 작업을 완료하는 것과 일반적인 지시만으로 완료하는 것은 서로 다른 이야기를 보여 준다. 두 결과 모두 유용할 수 있지만, 뒷받침하는 주장은 다르다.
상업적 압박은 이 구분에서 직접 비롯된다. 더 빠른 AI 발전은 고객이 더 이른 시점에 적응형 행동을 받게 될 것이라는 기대를 높인다. 이에 공급업체는 그러한 적응성이 어디에서 작동하는지, 어떤 준비가 필요한지, 사람의 지원이 얼마나 남아 있는지를 보여 줘야 한다.
전망 변화의 핵심은 더 나은 안무가 아니라 낯선 작업이다
Wang의 높아진 자신감은 로봇이 개발자가 미리 준비하지 않은 환경에서도 유용한 행동을 수행할 수 있을 때 가장 큰 의미를 갖는다.
이는 이 전망과 현재의 배치 요건 사이에 놓인 핵심 갈등이다. 미리 연습한 동작은 협응과 제어를 보여 줄 수 있다. 그러나 그것만으로 같은 기계가 다른 방에서 다른 작업을 이해할 수 있다는 점을 입증하지는 못한다.
일반화란 학습한 행동을 낯선 상황에 적용하는 것을 뜻한다. 로봇에게 낯선 요소는 물체, 그 위치, 주변 공간, 또는 지시 자체일 수 있다. 설득력 있는 평가는 어떤 요소가 바뀌었는지를 설명해야 한다.
이 때문에 평범해 보이는 작업이 정교한 공연보다 더 많은 것을 드러낼 수 있다. 낯선 용기를 집어 드는 작업은 기계가 형태, 접촉, 움직임에 관해 결정을 내리도록 요구한다. 해당 용기에 대해 사전 준비를 할 수 없도록 구성할 때 결과는 더 많은 정보를 제공한다.
Unitree 휴머노이드 돌파구 전망은 이러한 구분을 특히 중요하게 만든다. 이 전망의 의미는 또 하나의 고립된 기술을 추가하는 데 있지 않고, 유용한 행동의 범위를 넓히는 데 있다. 준비된 루틴의 수가 늘어나는 모습과 적응형 시스템은 선별된 영상에서 비슷하게 보일 수 있다.
차이는 누군가 조건을 바꿀 때 드러난다. 물체를 옮기거나, 요청을 바꾸거나, 장애물을 추가하면 기계는 적절하게 반응해야 한다. 원래의 동작을 반복하는 것만으로는 더 이상 충분하지 않다.
그렇다고 준비된 행동이 중요하지 않다는 뜻은 아니다. 산업 자동화는 환경을 예측 가능하게 만들고 엄격하게 정의된 작업을 반복함으로써 성공하는 경우가 많다. 문제는 새로운 시스템이 고객이 만들어야 하는 예측 가능성의 양을 줄이느냐이다.
Figure가 6월 30일 설명한 공장 순차 작업은 구체적인 비교 사례를 제공한다. 회사는 Figure 03이 부품 선택과 배치를 포함하는 물류 작업을 위해 BMW의 Spartanburg 공장에 도착했다고 밝혔다. 이 설명은 카트, 빈, 부품 위치의 변동성을 강조했다.
이는 범용 자율성에 대한 독립적 증명이라기보다 공급업체가 보고한 역량이다. 그럼에도 유용한 워크플로 내에서 변동성을 다룬다는 관련된 운영 문제를 제시한다. 이 작업은 움직임을 보여 주는 것 이상의 목적을 지닌다.
Unitree에 견줘 볼 질문은 전문가의 개입이 필요해지기 전까지 배치된 시스템이 얼마나 많은 변동성을 흡수할 수 있느냐이다. 여기에는 물체와 주변 환경의 변화뿐 아니라, 중단과 불완전한 지시도 포함된다. 유연한 로봇은 무모하게 추측하지 않고 불확실성을 처리할 방법이 필요하다.
따라서 Wang의 전망 변화는 소프트웨어의 기여에 대한 기대가 바뀌었다는 의미다. 그의 낙관론은 AI가 각각의 작업을 준비하는 부담을 더 많이 덜어낼 것임을 시사한다. 물리적 실행이 신뢰할 수 있게 유지된다면, 고객이 얻는 이점은 더 쉬운 적응이 될 것이다.
이 마지막 조건은 서사를 현실에 붙들어 둔다. 더 강력한 계획기는 기계가 여전히 안전하게 수행할 수 없는 합리적 행동을 선택할 수 있다. 지시 처리, 움직임, 피드백이 함께 작동할 때 진전은 상업적으로 의미를 갖는다.
가장 강력한 증거는 낯선 작업 전반에서 그 연결을 보여 줄 것이다. 로봇이 어떤 입력을 받았고 어떤 지원이 필요했는지를 설명해야 한다. 그러면 시연의 매력에 의존하지 않고도 이 전망을 평가할 수 있다.
공장 파일럿은 더 좁지만 유용한 비교를 제공한다
공장 배치는 유용한 작업의 증거를 제공하지만, 더 광범위한 가정용 주장은 여전히 해결되지 않은 채로 남는다.
생산 환경은 로봇 개발자에게는 구체적인 작업을, 고객에게는 결과에 대한 운영상의 이해관계를 제공한다. 이는 명확한 목적 없이 제시된 역량과 유용한 적용 사례를 구분하는 데 도움이 된다. 또한 반복 성능을 측정할 기회도 만든다.
BMW가 9월 21일 설명한 Leipzig 로봇 파일럿은 또 다른 사례를 보여준다. 이 자동차 제조사는 AEON이 반복 작업과 자재 운반을 통해 생산을 지원한다고 설명했다. BMW는 이 프로젝트를 자사의 제조 시스템과 통합하는 데 초점을 맞춰 제시했다.
이는 Wang의 전망과 실질적으로 관련된다. 로봇은 텅 빈 작업장에 들어가 주변의 모든 것과 독립적으로 작동하지 않는다. 일정, 동선, 데이터, 장비, 그리고 주변 작업자의 책임과 맞물려야 한다.
공장은 이러한 조건 일부를 더 예측 가능하게 만들 수 있다. 관리자는 자재를 둘 위치와 기계가 시도해야 할 작업을 정의할 수 있다. 또한 언제 멈추고 도움을 요청해야 하는지도 지정할 수 있다.
이 때문에 산업 현장은 유용한 검증 무대가 되지만, 성공적인 파일럿이 입증하는 범위에는 한계가 있다. 이미 알려진 워크플로를 중심으로 설계된 애플리케이션이 가정 환경에 대한 준비 상태를 자동으로 보여주지는 않는다. 물리적 환경과 성공의 의미가 다르기 때문이다.
공장의 가상 분류 작업을 생각해 보자. 허용되는 물체를 지정할 수 있고, 필요한 목적지에 도달했는지도 확인할 수 있다. 반면 물건을 제자리에 정리해 달라는 가정 내 요청에는 개인적 선호와 뚜렷한 범주에 속하지 않을 수 있는 물건이 포함된다.
공장 작업 역시 여전히 까다로울 수 있다. 부품은 움직이고, 장비는 마모되며, 사람들은 워크플로를 중단시킨다. 다만 고객은 일반적으로 가정 사용자보다 원하는 결과를 더 명확하게 정의할 수 있다는 장점이 있다.
이는 중립적인 경쟁사 비교가 왜 작업 과제에 초점을 맞춰야 하는지도 설명한다. Figure의 순차 작업과 BMW의 Leipzig 파일럿은 식별 가능한 생산 수요를 다룬다. 그 가치는 해당 수요의 요구사항을 통해 판단해야 한다.
로봇 기업의 일반적인 순위는 이러한 차이를 가릴 수 있다. 특정 물류 워크플로를 위해 설계된 시스템과 다양한 개발 작업을 목표로 하는 플랫폼에는 서로 다른 평가가 필요하다. 공개 시연이 반드시 같은 질문에 답하는 것도 아니다.
기업 구매자에게 유용한 비교 대상은 현재 그 업무를 수행하는 방식이다. 여기에는 사람, 고정형 장비 또는 이들의 조합이 포함될 수 있다. 로봇의 인간형 모습은 워크플로의 요구사항을 충족하는 데 도움이 되는 경우에만 중요하다.
이는 더 이른 혁신 시점이 누구에게 압박으로 작용하는지도 분명히 한다. 공급업체는 더 폭넓은 역량 주장을 고객 성과와 연결해야 한다. 구매자는 일반적인 가정용 보조자 수준에 미치지 못한다는 이유만으로 유용하지만 제한적인 애플리케이션을 배제해서는 안 된다.
공장 현장의 증거는 전체 논쟁을 결론짓지 않으면서도 낙관론을 뒷받침할 수 있다. 오늘날 적응형 행동이 어디에서 가치를 만드는지 보여줄 수 있다. 다음 질문은 이러한 이점이 더 적은 준비와 지원으로 다양한 과제까지 확장되는지다.
80% 목표에는 명확한 성공 정의가 필요하다
헤드라인에 제시된 성공률은 그 뒤에 있는 작업, 조건, 인적 지원을 설명하지 않으면 유용성을 입증할 수 없다.
Wang의 기준은 기억하기 쉬운 목표를 제시하지만, 업계 인증이 아니라 그가 제안한 이정표다. 그 의미는 평가가 과제를 어떻게 정의하느냐에 달려 있다. 단순한 행동의 집합은 완전한 가사 작업과 다르다.
Stanford의 2026 AI Index는 더 폭넓은 휴머노이드 배치 평가를 제시한다. 이 보고서는 하드웨어 가용성과 투자 증가를 광범위한 배치와 구분했다. 또한 수요의 불확실성과 구조화된 파일럿에서 예측하기 어려운 환경으로의 전환을 강조했다.
이 독립적 관점은 이 전망을 신중하게 해석해야 한다는 점을 뒷받침한다. 사용 가능한 하드웨어의 발전이 고객이 이를 어떻게 활용할지를 입증하지는 않는다. 발표된 활용 사례와 운영 결과는 증거가 이들을 연결하기 전까지 별도의 범주에 속한다.
제안된 기준에서 첫 번째 쟁점은 과제 선정이다. 평가는 누가 과제를 선택했는지, 그리고 그것이 실제 고객 수요를 대표하는지 설명해야 한다. 그렇지 않으면 좋은 결과가 유리한 과제 선택을 반영했을 수 있다.
다음 쟁점은 성공의 경계다. 물체를 가져오는 일은 그것을 요청하게 된 더 큰 요구를 완수하는 것과 반드시 같지는 않다. 로봇은 물건을 정확히 운반하면서도 주변 작업을 미완료 상태로 남길 수 있다.
인적 지원 역시 명확히 설명되어야 한다. 사람이 매번 다음 행동을 선택하는 것은 최초 요청만 내리는 경우와 다른 수준의 지원을 제공한다. 두 방식 모두 유용한 작업을 만들어낼 수 있지만, 입증하는 자율성의 정도는 다르다.
로봇을 사람이 원격으로 제어하는 텔레오퍼레이션은 특히 공개가 중요하다. 이는 개발자가 경험을 축적하고 초기 배치를 지원하는 데 도움이 될 수 있다. 텔레오퍼레이션의 존재는 독립적인 작업 완료에 관한 주장을 시청자가 해석하는 방식을 바꾼다.
오류 발생 후의 개입에도 같은 원칙이 적용된다. 멈춰서 도움을 요청하는 기계는 실패한 채 계속 진행하는 기계와 다르게 작동한다. 고객은 두 상황이 각각 얼마나 자주 발생하는지와 복구 과정에 무엇이 필요한지 알아야 한다.
속도는 또 다른 차원을 더한다. 결국 완료된 과제라도 작업장 요구사항을 충족하지 못할 수 있다. 유용한 보도는 완료 여부와 함께 소요 시간, 준비, 감독, 오류의 결과를 함께 제시해야 한다.
안전성은 성공한 시도만으로 추론할 수 없다. 로봇은 안전하게 진행할 방법이 없을 때도 이를 인식해야 한다. 단순한 성공 카운터가 이를 실패로 처리하더라도, 부적절한 행동을 거부하는 것이 올바른 결과일 수 있다.
이는 전망을 일축할 이유가 아니라 평가에 관한 질문이다. 어떤 증거가 이 주장을 설득력 있게 만들지 식별한다. 공개된 테스트는 한계를 드러내더라도 의미 있는 개선을 보여줄 수 있다.
기술 팀에게는 이러한 세부 사항을 함께 유지하는 것이 호환되지 않는 시연 간 비교를 막는 데 도움이 된다. 기술 문서의 검색 가능한 기록은 사양, 테스트 조건, 운영 관찰 결과를 연결할 수 있다. 목표는 각 결과의 맥락을 보존하는 것이다.
이러한 조건이 명시되기 전까지 Unitree 휴머노이드 혁신 전망은 미래 역량에 대한 기대에 머문다. 자동적인 수용도 일축도 모두 적절하지 않다. 유용한 대응은 어떤 결과가 증거로 인정될지를 묻는 것이다.
지금부터 2027년 초까지 주목할 점
다음으로 유용한 신호는 공개된 자율성 테스트, 고객의 운영 증거, 그리고 배치에 드는 노력의 측정 가능한 감소다.
첫 번째 신호는 명확히 제시된 조건 아래 로봇을 낯선 과제에 노출하는 평가다. 전체 작업 목록, 준비 과정의 공개, 인적 개입에 대한 설명을 살펴봐야 한다. 연속 영상은 독자가 선택된 성공 장면 사이에 어떤 일이 있었는지 이해하는 데 도움이 될 것이다.
물체, 지시, 주변 환경의 변화에도 성능이 유지된다면 이러한 평가는 Wang의 전망을 강화할 것이다. 각 변형에 상당한 사전 프로그래밍이 필요하다면 설득력은 떨어진다. 중요한 차이는 공개된 조건에서의 적응성이다.
실패 사례는 성공한 시도와 함께 제시되어야 한다. 이는 시스템의 한계가 어디에 있는지, 그리고 시스템이 이를 인식하는지를 보여준다. 실패한 결과를 설명하는 시연은 모든 행동이 수월해 보이도록 만든 영상보다 더 유용한 증거를 제공할 수 있다.
두 번째 신호는 실제 워크플로에서 나온 고객 뒷받침 운영 정보다. 과제에 대한 고객의 설명, 로봇의 책임, 지원 인력이 제공하는 지원을 살펴봐야 한다. 예정된 시연이 아니라 일상적인 운영을 다룰 때 증거는 더 강해진다.
결과를 평가한 뒤 사용 범위를 확장하는 고객은 Wang 전망의 상업적 측면을 뒷받침할 것이다. 변화 없는 파일럿이라면 결론을 내리기 전에 더 많은 맥락이 필요하다. 그 이유는 역량, 통합, 수요 또는 고객 사업 내 우선순위와 관련될 수 있다.
세 번째 신호는 과제를 추가하거나 변경하는 데 필요한 노력의 감소다. 이는 수정된 전망의 논리와 직접 맞닿아 있다. 더 나은 AI가 배치까지의 경로를 단축한다면, 준비 과정도 더 쉽게 문서화할 수 있어야 한다.
과제와 하드웨어 요구사항을 명확히 유지하는 비교에 주목해야 한다. 더 짧은 설정 과정은 그 결과 행동이 계속 신뢰할 수 있을 때 가장 중요하다. 엔지니어의 작업을 숨겨진 운영자에게 옮기는 경우에는 다른 해석이 필요하다.
이러한 신호는 기술적 진전과 도입도 구분한다. 로봇은 고객이 이를 중심으로 업무를 재구성하기 전에 더 유능해질 수 있다. 반대로, 일반적인 가정용 기준을 충족하지 못해도 제한된 범위에서 유용한 애플리케이션은 고객을 확보할 수 있다.
향후 몇 달 동안 가장 유익한 발표는 역량을 운영 조건과 연결할 것이다. 무엇이 바뀌었고, 무엇이 여전히 어려우며, 고객이 이제 기계에 무엇을 요청할 수 있는지를 설명할 것이다. 이것이 더 이른 일정표를 평가하는 데 필요한 증거다.
이러한 구분을 염두에 두고 Unitree 휴머노이드 혁신 전망을 지켜봐야 한다. 시연을 공개된 조건을 통해 비교하고, 이어서 동일한 행동이 일상 업무에서도 유지된다는 고객 설명을 찾아야 한다. 낯선 과제, 개입 요구사항, 추가 작업을 도입하는 데 필요한 노력에 특히 주목하라.
구매자와 개발자에게 즉각적인 행동은 로봇을 선택하기 전에 테스트할 가치가 있는 업무를 정의하는 것이다. 허용 가능한 결과, 허용되는 지원, 시스템이 멈춰야 하는 조건을 명시하라. 그런 다음 새로운 발표를 그 기준에 맞춰 평가하라. 기술을 지켜보는 단계에서 자체 워크플로에서의 테스트로 넘어갈 만큼 충분한 증거를 제공할 다음 결과는 무엇일까?
