벤츠 생산라인에서 성공률 96%: Gemini Robotics 2.5가 실제로 바꾼 것
Google DeepMind가 11월 10일 발표한 Gemini Robotics 2.5. 공식 로봇 영상, 벤츠 실증의 96%가 뜻하는 것, Robotics 2 대비 성능, 접근 신청과 개발 흐름을 자세히 살펴봐요.
마지막 업데이트
구글의 로봇 AI가 벤츠 생산라인에서 부품을 골라 담는 실증에 들어갔고, 발표된 성공률은 96%예요. 2026년 11월 10일 공개된 Gemini Robotics 2.5 이야기예요. 다만 이 숫자는 해당 파일럿 작업의 결과이며, 집안일이나 공장 전체를 96% 자동화한다는 뜻은 아니에요. Google DeepMind 공식 발표
이번 글에서는 공식 로봇 영상을 먼저 보고, 이전 Robotics 2와 무엇이 달라졌는지, 지금 어디까지 접근할 수 있는지 살펴볼게요. 공식 자료를 바탕으로 작성했으며 실제 로봇 연결·학습·현장 테스트를 직접 수행한 후기는 아니에요.
자료 확인일: 2026년 11월 10일.
공식 영상: 벤츠 생산라인의 부품 분류
영상에서는 로봇이 부품을 집는 장면뿐 아니라 내려놓는 위치와 다음 행동을 보세요. 저라면 성공 장면 한 번보다 물체가 비뚤어졌을 때 다시 잡는지, 비어 있는 칸을 어떻게 다루는지 궁금할 것 같아요. 편집된 시연은 전체 시도 횟수나 중단 시간을 대신 보여주지 않으므로, 영상의 인상과 성공률의 측정 범위를 구분하는 편이 좋아요.
Robotics 2.5는 챗봇과 무엇이 다른가요?
공식 모델 페이지는 Robotics 2.5를 VLA 모델이라고 소개해요. Vision은 카메라로 보는 정보, Language는 말이나 글로 주는 지시, Action은 로봇의 움직임을 뜻해요. 지시 내용을 설명하는 답변에서 한 단계 더 나아가 몸을 움직이는 제어 모델이에요.
예를 들어 ‘이 부품을 저 트레이에 넣어’라는 목표를 생각해보세요. 무엇을 집을지 정하는 일, 손을 어디로 이동시킬지 정하는 일, 실제로 원하는 위치에 놓였는지 확인하는 일은 서로 연결되지만 같은 일이 아니에요. 이 구분을 해두면 발표에 여러 모델 이름이 함께 나오는 이유를 이해하기 쉬워요.
| 이름 | 이번 발표에서의 역할 |
|---|---|
| Gemini Robotics 2.5 | 로봇의 행동을 제어하는 VLA 모델 |
| Gemini Robotics ER | 공장 사례에서 작업 흐름을 추적하는 추론 모델 |
| Gemini 4 Argon | 로봇 연구의 시뮬레이션·분석을 돕는 범용 모델 |
| Gemini 4 Carbon | 같은 날 접근 범위가 확대된 별도 범용 추론 모델 |
Robotics 2.5를 Carbon으로 구동했다고 발표한 것은 아니에요. 로봇 발표가 연구 가속에 연결한 모델은 Argon이에요. Carbon의 사용법은 별도 상세 글에서 다뤄요.
Robotics 2와 비교하면 무엇이 달라졌나요?
2026년 7월 30일의 Robotics 2 발표는 전신 제어, 다섯 손가락 조작, 여러 로봇의 협업을 강조했어요. VLA·ER 2·On-Device 2를 나눠 소개했고, 다지 손 조작은 여전히 어려운 문제라고 설명했어요. 따라서 2.5를 ‘처음으로 걷거나 손을 쓰는 로봇 AI’라고 부르면 이전 기능을 놓치게 돼요.
| 비교 관점 | Robotics 2 | Robotics 2.5의 발표 초점 |
|---|---|---|
| 몸을 다루는 범위 | 전신 제어와 여러 로봇 형태 지원 | 기존 범위를 바탕으로 조작의 성공률·속도 개선 |
| 손과 물체 | 손가락·그리퍼로 복잡한 조작 | 도구·유연한 물체·섬세한 대상 처리 확대 |
| 실세계 활용 | 전신 작업과 협업 사례 | 자동차 생산라인 부품 분류 실증 |
| 평가를 볼 때 | 당시 공개한 작업별 결과 | 새 발표의 과제별 기준선과 비교 |
같은 로봇처럼 보여도 손의 구조나 작업 조건이 다르면 점수를 단순 비교하기 어려워요. ‘2에서 2.5로 바뀌었다’는 이름보다 같은 물체·목표·로봇 조건을 비교했는지 먼저 보세요.
성능 수치: 96%와 30~100%를 섞어 읽지 마세요
| 11월 10일 공식 발표 항목 | 결과 | 해석 범위 |
|---|---|---|
| 작업 범위 평가 | 200개 이상의 서로 다른 과제 | 공개 평가 범위이며 모든 생활 작업은 아니에요 |
| 기존 기준선 대비 성공률 | 과제 종류에 따라 30~100% 높음 | 전 과제 평균이나 퍼센트포인트 상승으로 바꾸지 않아요 |
| 완료 속도 | 과제 수행 20~30% 빨라짐 | 모든 현장에서 같은 속도를 보장하지 않아요 |
| Mercedes-Benz 파일럿 | 부품 분류·담기 성공률 96% | 특정 현장 실증 작업의 결과예요 |
자료: DeepMind의 자체 발표. 공장 사례는 헝가리 케치케메트와 독일 진델핑겐 생산라인에서 Apollo 2가 부품을 순서에 맞게 분류해 담는 작업이에요. ER이 흐름을 추적하고 VLA가 손과 팔을 제어한다고 설명해요.
여기서 ‘성공률이 100% 높다’는 표현을 ‘성공률이 100%다’로 바꾸면 의미가 달라져요. 예를 들어 40%에서 80%로 변하면 상대적으로 100% 증가했지만 절대 성공률은 80%예요. 이는 지표를 설명하기 위한 계산 예시이며 Robotics 2.5의 특정 실험 점수가 아니에요.
공장 도입을 판단하려면 성공률 외에도 물체 하나당 시간, 실패 후 복구, 사람이 개입한 비율, 평가 횟수와 연속 운전 시간이 필요해요. 공개 발표만으로 그 현장의 전체 비용이나 인력 대체 효과까지 계산하지는 않았어요.
공식 영상: 집게·리본처럼 다루기 까다로운 물체
단단한 상자와 구겨지는 천은 잡는 기준부터 달라요. 저라면 시연을 볼 때 ‘무엇이 어려운가’를 먼저 적어보겠어요. 리본처럼 형태가 달라지는 물체인지, 도구 끝을 정확히 맞춰야 하는지, 놓는 순간까지 자세를 유지해야 하는지 나눠보는 거예요. 이것은 영상 관찰을 위한 해설이며 우리의 로봇 성능 측정은 아니에요.
지금 실제로 쓰려면: 공개 앱 설치보다 접근 신청이 먼저예요
공식 모델 페이지의 현재 경로는 Join waitlist for early access예요. 발표도 로보틱스 파트너 대상으로 순차 제공한다고 설명해요. 일반 Gemini 대화창에서 모델 이름을 고르면 내 로봇이 바로 움직이는 공개 서비스로 안내하지 않아요.
다음은 실제로 공개된 신청 화면 항목에 따른 준비 순서예요. 신청 제출이나 승인, 하드웨어 연결은 여기서 수행하지 않았어요.
- Robotics VLA 공식 페이지에서 Join waitlist for early access를 열어요.
- 연결된 Trusted Tester Program Wait List의 안내를 읽어요. 이 프로그램은 일부 Robotics 모델의 조기 접근과 기술 지원을 제공하며, 만 18세 이상 조건을 명시해요.
- 이메일·이름·국가 등 신청 화면이 요구하는 정보를 준비해요. 회사 명의라면 업무용 이메일을 쓰라는 안내가 있어요.
- 신청은 관심 등록이에요. 승인 시기·2.5 모델 접근·지원 하드웨어·가격은 별도로 확인해야 해요. 공개 양식만 보고 즉시 이용 가능하다고 판단하지 마세요.
출처: 현재 조기 접근 신청 양식. 공개 VLA 2.5의 설치 명령·모델 가중치·일반 API 호출 예제는 이 글에서 확인하지 못했으므로 만들어 적지 않았어요.
로봇 개발팀이라면 첫 실험을 어떻게 설계할까요?
아래는 접근 권한을 받은 뒤 사용할 수 있는 실험 설계 제안이에요. 공식 SDK 설치 순서나 검증된 구동 절차는 아니에요.
첫 목표는 ‘창고 정리’보다 ‘정해진 부품 한 종류를 지정 칸에 놓기’처럼 작게 정해보세요. 시작 위치와 물체 수를 고정하고, 같은 조건을 반복한 다음 물체 위치나 조명처럼 한 가지씩 바꿔보는 거예요. 그래야 성공률이 달라졌을 때 원인을 찾기 쉬워요.
| 실험 기록 | 구체적으로 남길 내용 |
|---|---|
| 장비와 입력 | 로봇·손·카메라 구성, 모델·설정, 실제 지시 |
| 성공 조건 | 지정 물체가 지정 칸에 안정적으로 놓였는지 |
| 분모 | 시도 횟수와 중도 중단을 어떻게 셌는지 |
| 시간과 복구 | 완료까지 시간, 다시 잡은 횟수, 사람 개입 |
| 변화 조건 | 위치·조명·물체 종류 중 무엇을 바꿨는지 |
성공한 클립만 남기지 말고 실패 영상도 같은 기준으로 기록해보세요. 물체를 잘못 골랐는지, 놓쳤는지, 도착 위치가 틀렸는지를 나누면 다음 실험의 질문이 분명해져요. 실제 장비의 운전·정지 조건은 장비와 제공 프로그램의 절차를 따라야 해요.
Argon은 로봇 연구를 어떻게 도왔나요?
Google의 Argon 로보틱스 개발자 글은 실제 장면에서 시뮬레이션 환경을 만들고, 영상을 분석해 작업 구간을 나누며, 실패 원인을 살피는 예시를 공개했어요. MuJoCo는 물체 접촉과 움직임을 시험하는 물리 시뮬레이터이고 Blender는 장면을 시각화하는 도구로 등장해요.
그 글의 별도 시뮬레이션 활용 사례에서는 실물 평가 성공률이 56%에서 75%, 완료 시간이 35초에서 24초로 바뀌었다고 설명해요. 이는 벤츠의 96%와 다른 사례예요. 두 결과를 합치거나 모두 Robotics 2.5 전체 성능으로 표시하면 안 돼요.
로봇이 없는 개발자라면 공개된 연구 예시에서 장면 재구성·영상 주석·실패 분석이라는 작업을 먼저 공부할 수 있어요. 다만 시뮬레이터에서 성공한 움직임과 실물 장비에서의 성공은 별도로 검증해야 해요. 이 글의 흐름도 ‘사진 한 장만으로 모든 로봇을 학습시킨다’는 뜻은 아니에요.
안전 성능을 읽을 때도 모델 이름을 확인해요
공식 발표는 물리적 위험을 피하도록 행동을 유도하는 기능과 ASIMOV-Jailbreak 평가를 소개해요. 여기서 제시한 99.5% 공격 저항률의 모델은 Gemini 4 Argon이고 비교 기준은 Robotics ER 2의 82%예요. 이를 ‘Robotics 2.5가 현실에서 99.5% 안전하다’고 바꾸면 평가 대상과 의미가 모두 달라져요. 안전 평가 설명
이번 발표에서 눈여겨볼 변화는 시연의 화려함뿐 아니라 현장 작업과 실패 조건으로 설명할 수 있는 자료가 늘었다는 점이에요. 독자 입장에서는 먼저 공식 영상을 보고, 내가 관심 있는 것이 행동 제어인지 작업 계획인지 연구용 시뮬레이션인지 정해보세요. 그다음 해당 모델의 실제 접근 조건을 확인하면 필요한 정보로 훨씬 빨리 좁힐 수 있어요.
참고 자료
- https://deepmind.google/blog/gemini-robotics-2-5-accelerates-real-world-physical-intelligence/
- https://deepmind.google/models/gemini-robotics/vla/
- https://deepmind.google/blog/gemini-robotics-2-brings-whole-body-intelligence-to-robots/
- https://developers.googleblog.com/gemini-4-argon-for-robotics/
- https://docs.google.com/forms/d/1sM5GqcVMWv-KmKY3TOMpVtQ-lDFeAftQ-d9xQn92jCE/viewform