Pillar 3 — 시뮬레이션 (Simulation)¶

최종 갱신: 2026-09 · owner: Youngjin · volatility: 높음(버전·인스턴스가 자주 바뀜) 개별 항목은 별도 표기가 없는 한 페이지 메타데이터(owner/updated/volatility)를 상속. 항목별 owner 지정 시 항목 푸터 추가. ← index로

L0 TL;DR: 로봇 정책은 실기체보다 시뮬레이션에서 수천 배 빠르고 안전하게 학습된다. AWS에서의 정답 스택은 EC2 G6e/G7e(RTX GPU) + NVIDIA Isaac Sim AMI(GUI) + AWS Batch(헤드리스³ 대규모 RL¹) 다. ⚠️ AWS RoboMaker는 2025-09-10 종료 — 절대 제안하지 말 것. Isaac Sim 최신 GA는 5.1.0이며 6.0은 아직 Preview다.

이 필러에서 고객이 가장 자주 묻는 질문 Top 3¶

"Isaac Sim/Lab을 AWS에서 어떻게 돌리죠? 어떤 인스턴스로?" → Isaac on AWS
"수천~수만 환경 병렬 RL을 클라우드에서 어떻게 스케일하죠?" → 대규모 병렬 RL
"NVIDIA에 다 걸어야 하나요? 오픈소스 대안은요?" → 오픈소스 대안, decisions

안정 원리 (잘 안 바뀜): 시뮬레이션의 가치는 (1) 병렬성(GPU 한 장에서 수천~8천 환경 동시)², (2) 안전(실기체 파손 없이 위험 정책 탐색), (3) 자동 라벨(완벽한 ground truth)⁵ — 그리고 이를 돈으로 환산한 실물의 경제학(로봇 한 대 값 = GPU 수만 시간)은 아래 6번. 렌더링에는 RTX(RT Core)⁴ GPU가 필수라 A100/H100(컴퓨트 GPU)은 Isaac Sim 렌더링에 못 쓴다 — 이건 인스턴스 선택을 좌우하는 불변 제약.

1. Isaac Sim & Isaac Lab on AWS 🟢 GA¶

L0 TL;DR: NVIDIA Isaac Sim(시뮬레이터) + Isaac Lab(RL 프레임워크)을 AWS EC2 GPU 위에서 돌리는 정석 경로. Marketplace에 무료 AMI가 있어 진입이 쉽다.

고객 니즈/문제: "로컬 워크스테이션 GPU로는 부족하다. Isaac Sim을 클라우드에서 GUI로 쓰고, 학습은 헤드리스로 대규모로 돌리고 싶다."

솔루션 개요 [1]:

버전: Isaac Sim 최신 GA = 5.1.0(2025-10-30). 6.0은 Preview("Early Developer Release", GTC'26) — GitHub 패치태그가 "GA"로 잘못 붙어있어도 6.0을 GA로 말하지 말 것. Isaac Lab 안정판 2.3.x, 3.0은 beta(Newton 물리엔진 도입).
라이선스: Isaac Sim 소스는 Apache 2.0(상업 무료). 단 Omniverse Kit 런타임을 3자 재배포/SaaS 제공/턴키 설치하면 NVIDIA AI Enterprise 라이선스 필요. 내부 R&D나 결과물만 판매하면 불필요. Isaac Lab은 BSD-3.
GPU 요구: RTX(RT Core) 필수. 최소 RTX 4080(16GB), 이상적 RTX PRO 6000 Blackwell(48GB). A100/H100 미지원(RT Core 없음).

스택 구성요소가 실제로 해주는 것 [1] (docs 2026-07 확인):

구성요소	기술 요약	시뮬레이션 관점
Isaac Sim	RTX 레이트레이싱 기반 고충실 시뮬레이터 — USD 씬, 카메라·LiDAR 등 센서 시뮬, Replicator SDG	사실적 렌더링이 필요한 인식·합성 데이터 축
Isaac Lab	Isaac Sim 위의 RL/모방학습 프레임워크 — GPU 한 장에서 수천 병렬 환경, skrl·rsl_rl 등 라이브러리 연동	보행·조작 정책 학습의 표준 진입점
Marketplace AMI	Isaac Sim 사전 구성 이미지(무료) — 드라이버·의존성 설치 없이 부팅 즉시 사용	"30분 핸즈온"을 가능하게 하는 진입 장벽 제거
NICE DCV	AWS 원격 디스플레이 프로토콜 — 고화질·저지연 스트리밍, EC2에서 추가 라이선스 비용 없음	클라우드 GPU의 Isaac Sim GUI를 로컬처럼 조작
AWS Batch MNP	멀티노드 병렬¹⁰ 배치 잡 — 컨테이너 잡을 여러 노드에 걸쳐 큐·스케줄링	GUI 없는 헤드리스 대규모 RL 잡의 병렬화(2번)
G6e / G7e	RT Core 탑재 렌더링 가능 GPU 인스턴스	안정 원리의 불변 제약(A100/H100 불가)을 만족하는 유일 계열

AWS 매핑 [1]:

인스턴스: G6e(L40S 48GB) / G7e(RTX PRO 6000 Blackwell 96GB, 2026-01 GA). 공식 Isaac Sim Development Workstation AMI(build 2026.1.1, Ubuntu 24.04, 무료)가 G6e·G7e 지원, g6e.4xlarge 권장.
접속: NICE DCV(=Amazon DCV) 클라이언트/웹으로 원격 GUI 스트리밍.
참조 아키텍처: AWS Solutions Guidance "Physical AI for Robotics on AWS"(Isaac Sim on GPU EC2 + Isaac Lab + SageMaker + IoT Greengrass 엣지). AWS에 Physical AI 전용 블로그 채널(aws.amazon.com/blogs/physical-ai/) 존재.

graph LR
    U[SA / 개발자] -- NICE DCV 원격 GUI --> WS["EC2 G6e/G7e<br>Isaac Sim AMI (GUI)"]
    WS -- 씬 편집 · SDG --> D[(USD 자산 · 데이터)]
    U -- 잡 제출 --> B["AWS Batch MNP<br>헤드리스 Isaac Lab"]
    D --> B
    B --> P[(학습된 정책)]

의사결정 기준:

GUI 씬 편집·SDG⁷ → G6e(비용) 또는 G7e(성능·큰 씬).
대규모 헤드리스 RL → 2번(AWS Batch).
오픈소스로 충분한지 → 3번 / decisions.

고객 사례: 사례 대기 (Unitree H1 학습은 pillar-2의 AWS 블로그 참조).

➡️ 다음 액션: "Marketplace Isaac Sim AMI를 g6e.4xlarge에 띄우고 NICE DCV로 접속하는 30분 핸즈온" 을 첫 제안으로, 이어서 pai-sim-isaaclab 엔드투엔드 핸즈온(Terraform으로 g6e 프로비저닝 → Isaac Lab 4족보행 PPO⁸ 헤드리스 학습 → 정책 export, ~2h/$12)으로 헤드리스 학습까지 연결. 라이선스 질문 나오면 "소스 Apache지만 재배포/SaaS면 AI Enterprise 필요" 를 정확히 안내.

🔗 관련 자산:

플레이북: pillar-2 학습 스택 · pillar-1 합성 데이터 · decisions
NVIDIA Isaac Lab on AWS 워크숍 — Batch MNP 헤드리스 RL
Physical AI E2E 워크숍 — 한국어. Isaac Lab RL + Batch 트랙
AWS Physical AI Recipes — Isaac Lab 멀티유저 GPU 환경 — 한국어, MIT. 위 E2E 워크숍의 코드 저장소: 멀티유저 Isaac Lab GPU 환경(DCV·EFS·Batch)을 CDK 원클릭으로 배포, NVIDIA OSMO¹¹ on EKS 오케스트레이션 레시피 포함
(사내) AWS·NVIDIA 로보틱스 참조 아키텍처 — AWS 내부망 필요
Physical AI Scaffolding Kit — Isaac Sim 워크스테이션 — aws-samples. EC2에 Isaac Sim/Lab 개발 환경 구축
VLA Simulator — 1-Click VLA 시뮬레이션 on AWS — aws-samples. GR00T N1.7/N1.6·π0.5·OpenVLA-OFT·LAP-3B·MolmoAct2·RLDX-1을 LIBERO/RoboCasa/SimplerEnv/Isaac Lab에서 CDK 원클릭으로 EC2 GPU(g5/g6/g6e) 데모·벤치마킹. 결과 MP4→S3+SNS 자동 수신·EC2 자동 종료, 정책별 실측 성공률·검증 일자 명시
robotic-cellsim-tools — 멀티로봇 산업 셀 시뮬레이션 도구 — aws-samples. 시판 URDF를 입력받아 Isaac Sim 5.1+ USDA 스테이지(PhysX 아티큘레이션·ROS 2 토픽·링크별 접촉 텔레메트리)를 조립·검증·구동하는 Rust CLI 도구군. 결정적(같은 입력=같은 출력)·버전드 REST API — 에이전트/MCP가 조합할 시뮬 프리미티브로 설계

🔄 휘발성 데이터 (버전 — 2026-07 확인, 연도 일부 GitHub 재확인 필요)

컴포넌트	상태	비고
Isaac Sim 5.1.0	🟢 GA (2025-10-30)	최신 GA
Isaac Sim 6.0	🟡 Preview	Early Dev Release, PhysX+Newton 멀티백엔드
Isaac Lab 2.3.x	🟢 GA	Isaac Sim 5.1 호환
Isaac Lab 3.0	🟡 beta	Newton 물리엔진
Isaac Sim AMI	🟢 GA	build 2026.1.1, G6e/G7e

2. 대규모 병렬 RL 시뮬레이션 🟢 GA¶

L0 TL;DR: Isaac Lab은 GPU 한 장에서 수천~8,192개 환경을 동시 시뮬레이션한다. AWS에서 헤드리스 대규모 RL의 공식 경로는 AWS Batch(Multi-Node Parallel) 다.

고객 니즈/문제: "정책 하나 학습에 며칠 걸린다. 환경을 대량 병렬화하고 여러 노드로 스케일하고 싶다."

솔루션 개요 [1]/[3]:

Isaac Lab은 GPU 한 장에서 수천~8천 환경을 동시 시뮬레이션하고, 멀티노드로 선형에 가깝게 스케일한다(구체 수치는 아래 접힌 블록 — 인용 시 반드시 측정조건 병기).
수렴 시간의 기준점 근거 [1]: ETH Zurich는 단일 워크스테이션 GPU에서 4,096개 병렬 환경(PPO)으로 ANYmal 보행 정책을 평지 4분 미만, 험지 약 20분에 학습시켰다(Rudin et al., CoRL 2021, arXiv:2109.11978) — 대규모 병렬 RL이 실용 시간 안에 수렴함을 공개 증명한 원점이자, ANYmal 실배포 보행의 연구 계보. "몇 분 만에 로봇 걷게 만들기" 데모의 근거로 인용.
AWS Batch Multi-Node Parallel Jobs가 AWS 권장 오케스트레이터(RoboMaker 마이그레이션 경로이기도). AWS HPC/Physical AI 블로그에 Isaac Lab on G6e + Batch MNP + EFS + ECR 레퍼런스 존재.

graph TD
    S[정책 학습] --> Q{관측 유형 · 규모?}
    Q -- 상태 관측 · 대부분 로코모션 --> ONE["단일 EC2 GPU<br>수천~8,192 환경 동시"]
    Q -- 픽셀 관측 · 초대형 --> MNP[AWS Batch Multi-Node Parallel]
    MNP --- EFS[(EFS 공유 스토리지)]
    MNP --- ECR[(ECR 컨테이너)]

🔄 휘발성 데이터 (벤치마크 — NVIDIA 공식 성능 벤치, "with training" 기준, 2026-07 확인)

태스크	환경 수	GPU	처리량
Cartpole-Direct	4,096	1×RTX 4090	510,000 FPS
휴머노이드(Velocity-Rough-G1)	4,096	1×RTX 4090	82,000 FPS
Cartpole-Direct	4,096	16×L40 (4노드)	3,500,000 FPS
정밀조작(Repose-Cube-Shadow)	8,192	1×RTX 4090	170,000 FPS

출처: isaac-sim.github.io/IsaacLab performance benchmarks [1]

AWS 매핑 [1]: AWS Batch(MNP) + EFS(공유 스토리지) + ECR(컨테이너) + G6e/G5. NVIDIA 쪽은 OSMO로 멀티노드 오케스트레이션. ⚠️ EKS·ParallelCluster용 Isaac 공식 레퍼런스 아키텍처는 없음 — Batch가 문서화된 경로.

의사결정 기준:

단일 GPU로 수천 환경 충분(대부분 로코모션) → EC2 단일 인스턴스.
멀티노드 필요(초대형·픽셀 관측) → AWS Batch MNP.
SageMaker로 학습 루프 통합 원함 → pillar-2의 Isaac Lab on SageMaker 블로그.

고객 사례: Unitree H1 RL(Isaac Lab on SageMaker) — pillar-2 참조.

➡️ 다음 액션: "AWS Batch MNP로 Isaac Lab 병렬 RL 스케일" 아키텍처를 그려주고, 고객 태스크가 픽셀 관측인지(→ 멀티노드 필요) 상태 관측인지(→ 단일 GPU 충분)로 스케일 판단. 벤치마크 인용 시 반드시 측정조건(환경 수·GPU) 병기.

🔗 관련 자산: pillar-2 HyperPod · decisions: GPU 확보

3. 오픈소스 시뮬레이터 대안 🟢 GA / ⚪ 일부 Hype¶

L0 TL;DR: NVIDIA 풀스택이 싫거나 특정 워크로드엔 오픈소스가 낫다. MuJoCo(+MJX) 가 가장 신뢰할 대안(Unitree가 실제 사용), Gazebo는 ROS 네이티브 표준, Genesis는 화제성 대비 검증 미흡(유명한 "430,000배" 주장은 반박됨).

고객 니즈/문제: "NVIDIA 종속이 부담스럽다" / "ROS 통합이 우선이다" / "미분가능 물리가 필요하다".

솔루션 개요 [1]:

MuJoCo / MJX — C 엔진 GA(v3.10), MJX-JAX는 성숙한 RL 워크호스(미분가능, 크로스벤더), MuJoCo Warp는 Alpha(프로덕션 아님). Unitree가 Go2/G1/H1 RL에 자체 MuJoCo 레포 유지 = 실제 벤더 채택. MuJoCo Playground는 RSS 2025 검증, 6개 플랫폼 sim-to-real.
Gazebo — 최신 LTS Jetty(2025-09), Harmonic이 가장 널리 배포. ROS 2 네이티브. ⚠️ Gazebo Classic 11은 2025-01 EOL — 신규 프로젝트에 Classic 금지. CPU 기반이라 GPU 병렬 RL엔 부적합(Isaac 보완재).
Genesis — Apache 2.0, 활발하나 "43M FPS/430,000배" 주장은 현실 워크로드에서 반박됨(접촉 많은 조작에서 오히려 ManiSkill보다 3~10배 느림). Isaac 대체재로 검증 안 됨 → ⚪ 과장 주의.

AWS 매핑: 전부 EC2에서 실행 가능. MuJoCo/MJX(JAX)는 A100/H100(P4/P5)도 활용 가능(RTX 렌더링 불필요) — Isaac과 달리 컴퓨트 GPU 사용 가능한 게 장점. 대규모는 AWS Batch.

의사결정 기준 (상세 → decisions):

포토리얼 렌더·SDG·풀스택 → Isaac Sim.
미분가능·경량·크로스벤더 GPU·빠른 RL 반복 → MuJoCo/MJX.
ROS 2 통합·CPU·전통 로보틱스 → Gazebo.
Genesis → PoC/실험만, 프로덕션 의존 금지.

graph TD
    Q{무엇이 우선인가?} -- 포토리얼 렌더 · SDG · 풀스택 --> I["Isaac Sim 🟢<br>(G6e/G7e 필요)"]
    Q -- 미분가능 · 크로스벤더 GPU · 빠른 RL 반복 --> M["MuJoCo / MJX 🟢<br>(P4/P5도 가능)"]
    Q -- ROS 2 통합 · CPU · 전통 로보틱스 --> G[Gazebo 🟢]
    Q -- 최신 화제성 검증 --> X["Genesis ⚪<br>PoC만 · 프로덕션 금지"]

고객 사례: Unitree(MuJoCo, 프로덕션 HW 학습).

➡️ 다음 액션: "NVIDIA 종속" 우려 고객에게 "AWS는 Isaac도 MuJoCo/Gazebo도 다 잘 돌린다 — 워크로드로 고르면 된다" 는 중립 포지션 제시. MuJoCo면 컴퓨트 GPU(P5) 재활용 가능하다는 비용 이점 강조.

🔗 관련 자산: decisions: NVIDIA vs 오픈소스

4. NVIDIA Cosmos 3 (월드 파운데이션 모델) 🟢 GA · ⚠️ AWS 미호스팅¶

L0 TL;DR: 물리 세계를 생성·추론·시뮬레이션하는 파운데이션 모델. 상업 사용 가능(OpenMDW-1.1). ⚠️ 하지만 AWS는 공식 Cosmos 3 클라우드 호스트로 이름을 올리지 못했다(Azure/CoreWeave/Baseten 등이 호스트) — SA가 알아야 할 경쟁 현실.

고객 니즈/문제: "다양한 현실 시나리오를 생성해 학습/평가에 쓰고 싶다." (데이터 생성 관점은 pillar-1)

솔루션 개요 [1]: Cosmos 3(2026-05-31 GTC Taipei GA)가 현 플래그십 — Reasoner(VLM) + Generator(diffusion), MoT 아키텍처. Super 64B(데이터센터), Nano 16B(RTX PRO 6000, 실시간 로보틱스, Nano-Policy-DROID 포함), Edge(Jetson, 예정 — 파라미터 미공개). 라이선스 OpenMDW-1.1(상업 가능). HF/GitHub/NGC 배포. ⚠️ 구 Predict/Transfer/Reason 라인업은 유지보수 모드(Cosmos 3로 이전 권고).

선긋기 — 물리 sim은 "몸", WFM은 "눈" [1]: WFM은 물리 시뮬레이터의 대체재가 아니라 생성형 데이터 증폭 층이다. Isaac 등 물리 sim이 강체·접촉·마찰을 수치로 계산해 로봇의 "몸"을 굴린다면, WFM은 sim이 만든 회색(gray) 장면을 photoreal로 변환하거나 조명·질감·시점을 다양화해 학습 데이터를 불린다(Cosmos-Transfer1, arXiv:2503.14492). "Cosmos가 Isaac을 대체하나?"라는 고객 질문에 대한 한 줄 답.

AWS 매핑: 직접 매핑 약함 — Cosmos 3는 AWS가 명시 호스트가 아님. 다만 오픈 가중치(HF/GitHub)라 EC2 G7e(Nano 16B, RTX PRO 6000)에서 셀프 호스팅 가능. 이게 AWS의 각도: "매니지드 호스트는 아니어도 최적 GPU로 직접 돌릴 수 있다".

의사결정 기준: 매니지드 Cosmos NIM 필요 → 타 클라우드. 오픈 가중치 셀프호스팅·데이터 주권·기존 AWS 스택 통합 → EC2 G7e.

고객 사례 (⚠️ 발표만, 프로덕션 미검증): Cosmos 3 채택사로 Doosan Robotics, LG Electronics, Samsung Electronics 등 한국 기업 다수 발표 — 국내 관련성 높으나 "발표된 채택"이지 검증된 프로덕션 아님.

➡️ 다음 액션: 국내 고객이 Cosmos 3 관심 → "AWS G7e에서 Cosmos 3 Nano 셀프호스팅" PoC로 대응(매니지드 호스팅 부재를 셀프호스팅+데이터주권 강점으로 전환).

🔗 관련 자산: pillar-1 Cosmos 데이터 생성 · pillar-4 sim-to-real

5. 디지털 트윈 — IoT TwinMaker & Omniverse on AWS 🟢 GA (저속도)¶

L0 TL;DR: AWS IoT TwinMaker는 폐기되지 않았다(3rd-party "discontinued" 주장은 오정보 — SiteWise 유지보수와 혼동). GA이고 신규 고객 오픈 상태지만 신기능이 느리다(저속도). Omniverse도 AWS Marketplace AMI로 GA.

고객 니즈/문제: "설비/공장 디지털 트윈⁹을 만들어 로봇 시뮬레이션·모니터링과 연결하고 싶다."

솔루션 개요 [1]:

AWS IoT TwinMaker — GA, 공식 제품 페이지 활성, 폐기 배너 없음(2026-07-11 확인). ⚠️ innfactory.de/oneuptime.com 등의 "discontinued" 주장은 미검증 루머로 반복 금지. 단 2025~26 주요 신기능 없어 저속도.
NVIDIA Omniverse on AWS — Marketplace AMI(Developer/Production, Linux/Windows). EC2 G6e/G7e 실행. Production AMI는 AI Enterprise 라이선스 + 지원이 번들된 유상 구독. ⚠️ 전용 "OVX" 인스턴스 패밀리 없음 — Omniverse on AWS = G6e/G7e + AMI. 매니지드 "Omniverse Enterprise on AWS"는 명확한 근거 없음.
현실→sim 파이프라인 3단계 [2]: ① Reality Capture — 실제 라인·셀을 as-is 실측 스캔(NavVis 등) → ② OpenUSD 변환 — layer composition으로 정적 배경 레이어 + 로봇·센서 레이어를 분리 합성 → ③ sim 검증 후 학습. AWS에서는 Omniverse AMI(G6e/G7e) + Amazon DCV로 이 편집 환경을 원격에서 구동한다.

🔄 휘발성 데이터 (AMI 버전·가격 — 2026-07 확인)

항목	값
최신 AMI	2026.1.0 (Ubuntu 24.04, 2026 Q1 Refresh)
Production AMI 구독	~$1.00/hr (Marketplace 표시가, AI Enterprise + 지원 포함)

AWS 매핑: IoT TwinMaker + IoT SiteWise + Omniverse AMI(G6e/G7e).

의사결정 기준: 설비 데이터 통합·경량 트윈 → TwinMaker(단 저속도 감안). 포토리얼 시뮬레이션·USD⁶ 협업 → Omniverse AMI.

고객 사례: 사례 대기.

➡️ 다음 액션: 고객이 "TwinMaker 죽었다던데?" 물으면 즉시 정정("GA, 신규 오픈, 다만 저속도"). 트윈+시뮬레이션 통합 원하면 Omniverse AMI로 연결. "OVX 있냐" 물으면 "없다, G6e/G7e + AMI" 로 정확히.

🔗 관련 자산:

플레이북: pillar-1
AWS IoT TwinMaker E2E 워크숍
Omniverse 디지털 트윈 핸즈온 — 한국어. Isaac Sim + Kinesis 실시간 데이터, CDK
(사내 디지털 트윈 워크숍 — 확인 필요 ⚠️)

6. 왜 시뮬레이션인가 — 실물의 경제학 (가격 · 원가 · 규제) 🟢 GA (안정 원리)¶

L0 TL;DR: "sim이 싸다"를 숫자로. 실물 로봇은 엔트리 4족 ~$1,600에서 미시판 휴머노이드 추정 ~$130K+까지 ~100배 스프레드, 휴머노이드 원가의 약 절반이 관절(액추에이터+손), 한국에선 법정 방호 셋업(→ pillar-4 안전 규제)까지 얹힌다. 같은 돈이면 GPU 수만 시간 — 4,096-환경 병렬 학습 한 판이 Spot 기준 $11~12다. 이 경제학이 이 필러 전체(1·2번)의 ROI 근거다.

고객 니즈/문제: "시뮬레이션 인프라 투자를 경영진에게 어떻게 정당화하나?" — 실물 시행착오의 비용 구조가 곧 sim의 ROI 논거다.

솔루션 개요 [1]/[3]:

로봇 한 대 가격 (공개가 기준 대략치, 시점 변동): Unitree Go2(4족 엔트리) ~$1,600 → Unitree G1(휴머노이드 엔트리) $13,500 → Franka Research 3(협동로봇 팔) ~$20–30K → Boston Dynamics Spot ~$74.5K부터(팔·LiDAR 풀구성 $150–300K+) → Unitree H1 ~$90K → Fourier GR-1 ~$150K. ⚠️ 가격표를 예산으로 읽지 말 것 — Tesla Optimus "$20–30K"는 판매가가 아니라 양산 목표가(현 제작원가 추정 $50–100K), BD Atlas는 일반 판매 안 함(애널리스트 추정 ~$130–145K), Figure·Apollo·Digit은 공개 단가 없음(파일럿/RaaS). 공개 10행 중 4행은 숫자로 살 수 없다.
원가의 절반은 "지능"이 아니라 관절 [3]: 휴머노이드 BOM¹²에서 액추에이터(모터+정밀 감속기)+정밀 손이 ~48–57%(Morgan Stanley 'The Humanoid 100', 2025-02 — Tesla Optimus Gen2 기준 액추에이터 ~56%, 유성 롤러 스크루 14개만 전체의 ~19%, ex-SW BOM $50–60K). 정밀 감속기 과점(Harmonic Drive ~85% 점유 인용)·희토류 자석 공급 편중·연 ~1.3만 대(2025 출하 추정)의 규모 부재가 겹쳐 단가가 쉽게 안 내려간다. sim 안에서는 이 절반이 공짜다 — 관절의 마모·고장·교체 비용이 0.
GPU 시간과의 등가 비교 [2]: 서울 리전 g6e.xlarge(L40S 48GB) On-Demand $2.288/hr, Spot 실측 ~$0.98/hr(2026-08, AWS Price List API — 시점·AZ 변동). ETH 레시피(4,096 환경, 보행 <4분~20분, → 2번) 기준 학습 한 판 $11~12. Spot 4족 한 대 값(~$75K)이면 g6e 수만 GPU-시간 — 실물 시행착오에는 마모·사고·인건비가 얹히지만 sim은 시간당 요금이 전부다.
규제 셋업 0: 실물 셀의 법정 방호(1.8m 울타리·KCs 인증 방호장치, → pillar-4 안전 규제)와 리스크평가·인증 리드타임이 sim에는 없다. 고속 충돌·낙하·하드웨어 고장 같은 위험 시나리오도 안전하게 무한 반복 — AWS·NVIDIA 공식 문서도 같은 논거를 쓴다("실세계 로봇 훈련은 느리고, 비싸고, 잠재적으로 위험하다").

AWS 매핑: 이 경제학이 1번(Isaac on EC2)·2번(Batch 병렬 RL)의 투자 정당화 그 자체. 가격은 AWS Price List API(ap-northeast-2) 실측 기준 — 인용 시 항상 시점 병기.

의사결정 기준: 실물 셀 선(先)투자 vs sim 선행 → 거의 항상 sim 선행이 정답. 단 조작(manipulation)은 sim만으로 안 풀린다는 한계(→ pillar-4 조작)를 같은 숨으로 말해야 정직하다.

고객 사례: (프레임 자체는 공개 벤더·리서치 수치의 조합 — 개별 수치 출처는 본문 병기)

➡️ 다음 액션: 경영진 대상 sim 투자 정당화 요청이 오면 "관절이 원가의 절반, sim에선 공짜" + "학습 한 판 $12" 두 숫자로 시작. 상세 가격은 변동이 크니 항상 시점을 병기하고, 안전·규제 축은 pillar-4로 연결.

🔗 관련 자산: pillar-4 안전 규제 · decisions · exec 경영진 브리핑

이 필러의 정직한 현실 (SA 필독)¶

AWS RoboMaker는 죽었다(2025-09-10 지원 종료). 절대 옵션으로 제시 금지. 후속 스택 = EC2 G6e/G7e + Isaac Sim AMI + AWS Batch MNP.
Isaac Sim 6.0은 GA 아님(Preview). 최신 GA는 5.1.0. GitHub 패치태그 라벨에 속지 말 것.
AWS는 Cosmos 3 명시 호스트가 아니다(Azure/CoreWeave가 호스트). 셀프호스팅(G7e)으로 대응하는 게 정직한 각도.
A100/H100은 Isaac Sim 렌더링 불가(RT Core 없음). 렌더는 G6e/G7e, 컴퓨트 RL은 P5도 가능(MuJoCo).
TwinMaker 폐기설은 루머 — 정정하되 "저속도"는 정직하게 인정.
Genesis "430,000배"는 반박됨, MuJoCo Warp는 Alpha, Unity Robotics Hub는 사실상 방치(2022년 이후), Habitat은 v0.3.4 이후 유지보수 중단 — 오픈소스 성숙도 과장 금지.

owner: Youngjin · updated: 2026-09 · volatility: 높음 (버전·인스턴스는 접힌 블록에서 관리) · sources: [1] 공식/논문, [3] 벤더, [4] 미검증. GitHub 릴리스 연도 일부 재확인 권고.

강화학습(RL, Reinforcement Learning) — 보상 신호를 최대화하도록 시행착오로 정책을 학습시키는 방법. 시뮬레이션에서 수천 개 환경을 병렬로 돌려 로봇 보행 같은 제어 정책을 빠르게 학습한다. ↩
병렬 환경(parallel environments) — GPU 한 장에서 같은 시뮬레이션 환경을 수천 개 복제해 동시에 돌리는 기법. 강화학습의 경험 수집 속도를 수천 배 끌어올리는 시뮬레이션의 핵심 가치다. ↩
헤드리스(headless) — GUI 화면 없이 시뮬레이터를 실행하는 모드. 렌더링 오버헤드가 없어 대규모 병렬 학습 잡은 헤드리스로 돌린다. ↩
RT Core / RTX GPU — 레이트레이싱 전용 하드웨어(RT Core)를 탑재한 NVIDIA GPU 계열. Isaac Sim의 사실적 렌더링에 필수라서, RT Core가 없는 A100/H100은 렌더링용으로 쓸 수 없다. ↩
ground truth(정답 라벨) — 학습·평가의 기준이 되는 정확한 정답 데이터. 시뮬레이션에서는 모든 물체의 위치·분할 마스크를 엔진이 이미 알고 있으므로 완벽한 라벨이 자동으로 생성된다. ↩
USD (Universal Scene Description) — 픽사(Pixar)가 만든 3D 씬 기술 표준 포맷. Isaac Sim의 씬·로봇·자산이 모두 USD로 기술되며, Omniverse 생태계의 공용 언어다. ↩
합성 데이터 생성(SDG, Synthetic Data Generation) — 시뮬레이터로 학습용 이미지와 주석(라벨)을 자동 생성하는 기법. 라벨링 비용이 0에 수렴하는 것이 최대 장점. 🎥 Isaac Sim Replicator SDG 튜토리얼 ↩
PPO (Proximal Policy Optimization) — 가장 널리 쓰이는 강화학습 알고리즘. 안정적으로 수렴해 로봇 보행 학습의 사실상 기본값이다. ↩
디지털 트윈(digital twin) — 실제 공장·창고·로봇을 물리적으로 충실하게 본뜬 가상 복제본. 실환경을 건드리지 않고 정책 학습·검증·시나리오 실험을 할 수 있게 한다. ↩
MNP (Multi-Node Parallel) — AWS Batch가 하나의 잡을 여러 EC2 노드에 걸쳐 실행하는 모드. 노드 간 통신이 필요한 대규모 학습·시뮬레이션 잡을 배치 큐로 관리할 수 있게 한다. ↩
OSMO — NVIDIA의 로보틱스 워크로드용 워크플로 오케스트레이션 플랫폼. 합성 데이터 생성·시뮬레이션·모델 학습 같은 멀티스테이지 잡을 온프레미스·클라우드의 여러 클러스터(Kubernetes 등)에 걸쳐 스케줄링한다. ↩
BOM (Bill of Materials, 자재 명세서) — 제품 한 대를 만드는 데 들어가는 부품·자재의 목록과 원가 구성. "휴머노이드 BOM의 절반이 관절"은 하드웨어 원가에서 액추에이터(모터+감속기)와 손이 차지하는 비중을 말한다. ↩