2027년 1분기 출시되는 Jetson T3000·T2000 스펙

연구실의 로봇은 성능을 위해 거대한 컴퓨터를 등에 업지만, 실제 현장의 로봇은 가벼운 몸체와 낮은 전력 소모가 필수적이다. 엔비디아가 이러한 간극을 메우기 위해 전력 효율을 높이고 크기를 줄인 Thor 아키텍처 기반의 Jetson T3000 및 T2000 모듈을 공개했다. 이 모듈들은 엣지 AI 환경에서 파운데이션 모델을 구동하는 콤팩트한 AI 슈퍼컴퓨터 역할을 하며, 범용 로봇과 자율 주행 기기의 상용 배치를 지원한다.

Jetson T3000은 865 FP4 테라플롭스(초당 865조 번의 부동소수점 연산)의 AI 연산 성능을 제공한다. Blackwell GPU와 8코어 Neoverse Arm CPU를 중심으로 설계되었으며, 32GB LPDDR5X 메모리(대역폭 273GB/s)와 25 GbE 연결성을 탑재했다. Jetson T2000은 400 FP4 테라플롭스의 연산 성능과 16GB 메모리를 탑재해 시각 AI 에이전트, 자율 이동 로봇, 산업용 매니퓰레이터 개발에 적합한 진입점을 제공한다. 한편 IGX T3000은 T3000의 성능에 기능 안전(Functional Safety) 설계를 통합하고 NVIDIA Halos 안전 시스템을 결합해 인간과 협업하는 로봇의 안전성을 확보했다.

엔비디아는 이번 신규 모듈을 통해 70 TOPS(초당 1조 번 연산)부터 2,000 테라플롭스까지 확장 가능한 엣지 AI 플랫폼 라인업을 구축했다. 제품의 정식 출시는 2027년 1분기로 예정되어 있다. 개발자는 이번 달 출시되는 `JetPack 7.2.1`의 T3000 에뮬레이션 모드를 통해 미리 성능을 검증할 수 있다. 현재 1X, Boston Dynamics, Amazon Robotics, FANUC 등 주요 로봇 기업들이 이 플랫폼을 기반으로 시스템을 구축하고 있으며, Jetson AGX Thor 개발자 키트를 통해 최적화 작업을 진행할 수 있다.

40억 개 파라미터 Cosmos 3 Edge와 에이전트 기술

엔비디아는 하드웨어 사양을 높이는 대신 소프트웨어 최적화로 효율을 높이는 전략을 택했다. 그 핵심인 40억 개 파라미터 규모의 Cosmos 3 Edge는 물리적 환경을 이해하고 행동을 예측하는 로봇 파운데이션 모델이다. 외부 서버 연결 없이 기기 자체에서 계산하는 온디바이스 추론 방식을 통해 주변 환경을 인식하고 즉각적인 행동을 생성하여 데이터 처리 지연 시간을 최소화한다.

특정 로봇의 외형이나 센서 특성에 맞춰 모델을 최적화하는 과정은 오픈 Cosmos 프레임워크를 통해 단축된다. 개발자는 이 프레임워크를 활용해 약 하루 만에 사후 학습(Post-train)을 완료할 수 있으며, 센서 데이터 입력 방식에 맞게 모델의 입출력 층을 조정해 시뮬레이션과 실제 물리 환경 간의 간극(sim-to-real)을 빠르게 메운다. 이렇게 최적화된 모델은 Jetson Thor에 배치되어 실시간 시각 분석과 제어 정책을 실행한다.

엔지니어가 수동으로 처리하던 메모리 최적화와 시스템 설정, 배포 작업은 Jetson agent skills가 자동화한다. 소프트웨어 스택 전체를 분석해 메모리 낭비를 줄이고 배포 효율을 높이는 이 도구는, 기존에 전문 엔지니어가 수주에 걸쳐 진행하던 최적화 작업을 며칠 수준으로 단축했다. 메모리 최적화가 이루어지면 동일 제품군 내에서도 더 낮은 메모리 사양의 모듈을 선택할 수 있어, 성능 저하 없이 하드웨어 단가를 낮추고 제품 배포 속도를 높일 수 있다.

이 모든 기능은 NVIDIA Isaac(시뮬레이션 및 인식), Nemotron(LLM), Isaac GR00T(휴머노이드 파운데이션 모델)와 유기적으로 연동된다. 개발자는 이 도구들을 조합해 가상 환경에서 학습시킨 지능을 실제 하드웨어로 옮기는 전체 파이프라인을 구축하며 추론과 행동 생성의 루프를 완성한다.

T5000 대비 절반의 크기로 구현한 동일 수준 추론 성능

이러한 소프트웨어 최적화는 하드웨어의 물리적 설계 효율화와 결합되어 더 큰 시너지를 낸다. Jetson T3000은 기존 T5000 대비 크기와 전력 소모를 약 절반 수준으로 줄였다. 하드웨어 부피를 축소하고 전력 효율을 극대화해 좁은 공간에 탑재해야 하는 휴머노이드 로봇이나 소형 엣지 장치에 최적화했으며, 이는 전력 공급 장치와 방열 설계의 간소화로 이어진다.

물리적 규모는 줄었지만 추론 성능은 T5000과 대등한 수준이다. 특히 LLM(대규모 언어 모델), VLM(시각 언어 모델), VLAM(시각 언어 행동 모델), 월드 파운데이션 모델 같은 멀티모달 워크로드에서 유사한 성능을 달성했다. 텍스트, 이미지, 행동 데이터 등 서로 다른 형태의 정보를 동시에 처리해 실제 물리적 행동으로 연결해야 하는 고부하 작업에서도 성능 저하 없이 동일한 처리 능력을 보여준다.

최근 글로벌 메모리 가격 급등으로 인한 비용 부담을 해결하기 위해 T3000은 하드웨어 구성을 효율화했다. 고가의 메모리 자원을 효율적으로 활용하도록 설계하여, 성능 손실 없이 하드웨어 도입 비용을 직접적으로 절감했다. 이는 고성능 모델 구동을 위해 무조건 고사양 하드웨어를 추가하는 대신, 효율적인 모듈 선택으로 비용을 최적화하는 경로를 제시한 것이다.

최대 15GB 메모리 절감으로 낮아진 하드웨어 진입장벽

실제 산업 현장에서는 소프트웨어 최적화를 통해 메모리 의존도를 낮춘 사례가 나타나고 있다. 휴머노이드 로봇 기업 UBTech와 Agile Robots, 산업 솔루션 기업 Connect Tech는 메모리 사용량을 최대 15GB까지 줄였다. 이들은 기존 NVIDIA Jetson AGX Orin 64GB 모듈에서 32GB 모듈로 변경하고도 동일한 성능의 워크로드를 유지했다.

스마트 리테일 솔루션 기업 SandStar는 메모리 사용량을 최대 4GB 절감해 Orin NX 16GB 대신 8GB 모듈에 시스템을 배치하며 도입 비용을 낮췄다. 지능형 교통 플랫폼 기업 NoTraffic는 Jetson TX2 NX 환경에서 메모리 사용량을 30% 줄여 확보한 여유 공간에 추가 AI 기능을 탑재함으로써 플랫폼의 지능을 확장했다.

이러한 성과는 앞서 언급한 Jetson agent skills의 자동화 최적화 기술이 뒷받침된 결과다. 개발자는 이 도구를 활용해 성능 저하 없이 메모리 SKU(재고 관리 단위)를 한 단계 낮추는 전략을 취할 수 있다. 이는 단순한 비용 절감을 넘어 고가 메모리 시장 상황에서 공급망 관리의 유연성을 확보하고, 더 많은 엣지 디바이스에 고성능 모델을 탑재할 수 있게 한다.

한국 AI 현장에서 볼 지점

시제품 개발 시 사용한 고성능 하드웨어를 양산 제품에 적용할 때 발생하는 크기와 전력 소모 문제는 Jetson AGX Thor 개발자 키트로 해결 가능하다. 개발자는 이 키트를 통해 T3000과 T2000 모듈의 성능을 미리 검증하고 소프트웨어를 최적화할 수 있어, 하드웨어 정식 출시 전에도 양산 단계의 성능을 확인할 수 있다.

로봇 산업은 제품 용도에 따라 요구 연산 성능의 편차가 매우 크다. 단순 이동형 로봇에는 T2000을, 복잡한 실시간 추론이 필요한 휴머노이드에는 T3000을 선택해 적용하는 식이다. 동일한 Thor 아키텍처 내에서 사양만 선택하는 방식은 제품 라인업 확장 시 발생하는 하드웨어 교체 비용과 소프트웨어 수정 시간을 최소화한다.

또한 Antmicro와 RidgeRun 같은 소프트웨어 파트너사는 고객사가 새로운 모듈로 마이그레이션할 수 있도록 전용 솔루션을 지원한다. 이는 개별 기업이 하드웨어 변경에 따른 드라이버 수정이나 라이브러리 최적화에 쏟는 시간을 줄여준다. 특히 NVIDIA Isaac이나 Nemotron 같은 기존 소프트웨어 스택과의 연동성을 유지하며 모듈을 교체할 수 있어, 세대 교체 시 발생하는 호환성 리스크를 관리하며 출시 일정을 앞당길 수 있다.

연구실의 프로토타입이 산업 현장으로 나가기 위해 넘어야 할 마지막 벽은 전력 효율과 하드웨어 크기다. 고성능 파운데이션 모델을 더 적은 메모리와 낮은 전력의 엣지 기기에서 구동하는 능력은 곧 시스템 전체 비용의 경쟁력으로 이어진다.

T3000의 865 FP4 테라플롭스 성능과 Cosmos 3 Edge의 40억 개 파라미터 조합은 저전력 환경에서 구현 가능한 성능의 새로운 기준점이 된다. Jetson AGX Thor 개발자 키트를 통해 실제 배포 환경에 맞는 최적화 경로를 검증하며 하드웨어 진입장벽을 낮추는 실무적 접근이 필요하다.