베어 로보틱스, 엔비디아와 함께 ‘KINO-2’ 조작 플랫폼 출시
베어 로보틱스(Bear Robotics)는 2026년 10월 21일 베를린에서 열린 NVIDIA GTC 행사에서 자사의 휴머노이드 로봇 KR1을 위한 ‘시연 기반 기술 학습 플랫폼’인 KINO-2를 공개했으며, 이와 함께 NVIDIA는 Isaac OS의 첫 공개 베타 버전과 Holoscan SDK 5.0의 정식 출시를 발표했습니다. NVIDIA Jetson AGX Thor에서 구동되는 이 플랫폼에 대해 베어는 자사 모델과 NVIDIA 아이작(Isaac) GR00T 모델에서 각각 약 4.2배에서 8배에 달하는 추론 성능 향상을 기록했다고 밝혔으며, 현재 창고 내 상자 취급 및 슈퍼마켓 반품 분야에서 시범 운영이 진행 중이다.

2026년 10월 21일, 베를린. 베어 로보틱스(Bear Robotics)는 NVIDIA의 GTC 베를린 컨퍼런스에서 자사의 휴머노이드 로봇 KR1을 위한 로봇 학습 및 배포 플랫폼인 ‘KINO-2’를 출시했으며, 이번 출시와 함께 NVIDIA의 ‘Isaac OS’ 첫 공개 베타 버전과 ‘Holoscan SDK 5.0’의 정식 출시도 발표했습니다. 이 플랫폼은 기록된 인간의 작업 시연을 KR1이 창고와 매장에서 실행할 수 있는 조작 기술로 변환하며, 베어 로보틱스는 이번 협력을 통해 엔비디아의 새로운 제트슨 AGX 토르(Jetson AGX Thor) 하드웨어에서 모델 추론 시간을 약 4~8배 단축했다고 밝혔다.
베어 로보틱스는 2017년 존 하(John Ha) 최고경영자(CEO)가 설립한 베이 에어리어 소재 서비스 로봇 제조사입니다. 이 회사는 물건을 운반하는 자율 주행 로봇을 기반으로 사업을 구축해 왔습니다. 식당용 ‘Servi’, 병원 및 노인 요양 시설용 ‘Carti’ 등 관련 플랫폼은 현재 북미, 유럽, 아시아 전역의 5,000여 개 고객 현장에 16,000대 이상 배치되어 운영되고 있습니다. 올해까지 베어의 로봇들은 물체를 이동시킬 수는 있었지만 직접 다루지는 못했습니다. 2026년 6월, 베어가 영국 브리스톨에 본사를 둔 키니시 로보틱스(Kinisi Robotics)를 인수하면서 이 공백이 메워졌습니다. 이를 통해 바퀴 달린 휴머노이드 로봇 ‘KR1’, ‘키노(Kino)’라는 자체 조작 학습 프로그램, 그리고 베어의 최고 로봇 책임자(CRO)로 합류한 키니시 창립자 브렌 피어스(Bren Pierce)를 확보하게 되었습니다.
KINO-2는 해당 조작 기술의 2세대 버전으로, 독립적인 신제품 출시라기보다는 키니시 통합의 결과물입니다. 이 플랫폼은 정해진 순서를 따릅니다. 베어는 작업자가 작업을 수행하는 시연을 기록하고, 해당 데이터를 바탕으로 모델을 훈련 및 정교화한 뒤, KR1 유닛에서 결과적인 기술을 평가한 다음 고객 시범 운영 단계로 넘어갑니다. 이 플랫폼은 베어의 자체 모델은 물론 엔비디아(NVIDIA)의 아이작(Isaac) GR00T를 포함한 외부 파운데이션 모델까지 모두 지원하도록 설계되어, 고객의 요구 사항이 더욱 까다로워지더라도 배포 파이프라인을 재구축하지 않고도 타사 모델로 교체할 수 있습니다. 피어스는 ‘시연 우선’ 접근 방식의 배경을 다음과 같이 직접 설명했습니다. “업무를 수행하는 사람들은 이미 해당 제품과 장비를 이해하고 있으며,
"그리고 작업 순서." 모든 동작을 일일이 수동으로 코딩하는 대신 작업자들로부터 이러한 지식을 추출하는 것이 바로 이 플랫폼 전체가 구축된 전제입니다.엔지니어링 측면의 구체적인 내용은 NVIDIA와의 파트너십에서 드러납니다. 현재 첫 번째 공개 베타 버전이 출시된 Isaac OS는 KINO-2의 지각 런타임의 중추를 이루며, NVIDIA의 새로운 Jetson AGX Thor 컴퓨팅 모듈에서 실행되고, 같은 날 정식 출시된 Holoscan SDK 5.0과 연동됩니다. Bear는 새로운 플랫폼을 중심으로 내비게이션 및 플릿 소프트웨어를 재구축하는 대신, NVIDIA의 Isaac ROS Bridge를 사용하여 해당 런타임을 기존 자율 주행 스택에 연결했으며, 기존의 FPGA 기반 카메라 보드 설계를 대체할 맞춤형 Thor 캐리어 보드를 설계했습니다. 이러한 협약을 통해 Bear는 NVIDIA의 로봇 공학 소프트웨어가 대중에 공개되기 전에 이를 조기에 이용할 수 있고, 해당 소프트웨어를 개발하는 팀과 직접 기술적 소통을 할 수 있는 반면, NVIDIA는 Bear의 실제 운영 배포 피드백을 수집하여 향후 Isaac OS 버전에 반영할 수 있습니다.
독립적인 검증이 아닌 내부적으로 측정된 베어의 자체 벤치마크 결과는 이러한 접근의 효과를 가장 명확하게 보여줍니다. 아이작 OS, 텐서RT(TensorRT), 모델 양자화를 함께 사용함으로써, ‘Thor’에서 GR00T 추론 시간이 약 500밀리초에서 약 60밀리초로 단축되어 대략 8배의 성능 향상을 기록했습니다. GR00T 1.7에 대한 보다 세부적인 수치를 보면, 액션 청크당 GPU 실행 시간의 중앙값이 56.6밀리초로 나타났으며, 이는 모델을 8개의 TensorRT 엔진에 분할하고 비전 트랜스포머, 확산 트랜스포머, 크로스 어텐션 키 및 값 투영에 FP8 양자화를 적용함으로써 달성된 결과입니다. Bear의 자체 개발 모델은 72.3밀리초에서 17.2밀리초로 단축되어, 일반 PyTorch 실행 대비 4.2배의 속도 향상을 보였습니다. 이와는 별도로, Bear는 명령된 동작을 실행하는 방식을 변경함으로써 명령된 저크를 초당 237미터³에서 33미터³로 약 7배 줄였다고 밝혔습니다. 이러한 변화는 데모 영상보다는 로봇 팔의 마모, 전력 소모 및
창고 작업장에서 근무 시간 내내 사람 주변에서 안전하게 작동합니다.이러한 수치 뒤에는 고정된 스크립트를 실행하기보다는 끊임없이 계획을 재수립하도록 설계된 제어 루프가 자리 잡고 있습니다. KR1은 카메라 영상, 팔과 그리퍼의 상태, 작업 조건 신호를 입력으로 받아, 자체 개발된 모델을 통해 10헤르츠 주파수로 40단계에 해당하는 4초간의 향후 동작을 예측합니다. 로봇은 해당 계획에 따라 0.1초 단위의 단일 단계를 실행한 후, 상황을 관찰하고 다시 예측합니다. 훈련 데이터는 동기화된 카메라 영상, 로봇 상태 및 조작자의 동작을 기록한 원격 조종 시연에서 비롯되며, NVIDIA의 Cosmos 월드 모델을 사용하여 시연 영상을 재구성함으로써 모델이 원본 녹화 영상보다 더 다양한 시각적 변형을 인식할 수 있도록 했습니다. 시뮬레이션 훈련은 NVIDIA의 Isaac Lab에서 1,024대의 병렬 KR1 인스턴스를 통해 정책을 실행하며, 카메라 입력 대신 시뮬레이터가 제공한 상태를 사용한 한 피킹 작업 실행 사례에서 피킹당 소요 시간이 7.4초에서 3.7초로 단축되었다. 이 시뮬레이션 결과는 이상적인 조건에서 해당 학습 접근 방식이 무엇을 할 수 있는지에 대한 유용한 지표일 뿐, 실제 배포 환경에 대한 성능 주장은 아니므로, 플랫폼을 평가하는 독자들은 이 차이를 명확히 구분해야 합니다.
NVIDIA 부스에서 Bear는 영업팀이 앞으로 몇 달 동안 재사용할 것으로 보이는 시연을 진행했습니다. 창고 관리 시스템이 주문을 내리면, KINO-2를 탑재한 KR1이 병을 집어 상자에 포장하고, 배송 지점으로 전달한 뒤 빈 용기를 가지고 돌아오는 과정을, 사람이 각 동작을 지시하지 않아도 반복하는 방식입니다. 베어의 최고기술책임자(CTO)인 팡웨이 리(Fangwei Li)는 상업적 논리를 다음과 같이 명료하게 설명했습니다. “우리 고객들은 상자 포장, 이동, 빈 상자 반환까지 전체 작업이 완료되기를 원합니다.” 이 한 문장은 그 어떤 벤치마크 표보다도 베어의 실제 영업 전략을 더 잘 요약하고 있습니다. 이 회사는 이미 슈퍼마켓 반품 처리 및 창고 상자 취급 분야에서 시범 운영을 진행 중이지만, 구체적인 고객사, 시범 운영 건수 또는 본격 가동 일정은 밝히지 않았기 때문에, 시연장을 넘어선 실제 도입 규모는 여전히
문서화된 사실이 아닌 회사의 주장일 뿐입니다.구매자들은 이번 출시의 배후에 있는 경쟁 논리에 주목해야 한다. 엔비디아는 다양한 휴머노이드 및 이동형 로봇 제조사들에게 아이작 OS(Isaac OS), GR00T, 아이작 랩(Isaac Lab)을 제공하고 있는데, 이는 기본 인식 및 기초 모델 계층이 특정 기업의 독점적 경쟁 우위가 아닌 공유 인프라로 자리 잡고 있음을 의미한다. 단순히 엔비디아의 레퍼런스 스택을 자사 하드웨어에 탑재하는 데 그치는 로봇 제조사는 지능 측면에서 차별화할 여지가 제한적입니다. 동일한 엔비디아 문서를 참고하는 경쟁사들도 비슷한 지연 시간 수치를 달성할 수 있기 때문입니다. 베어(Bear)의 해법은 이 공유 소프트웨어 계층을 빠르게 모방하기 어려운 요소, 즉 5,000개 이상의 고객 사이트에서 이미 가동 중인 16,000대 이상의 이동형 로봇 설치 기반과, 9년에 걸친 식당, 병원, 노인 요양 시설 배포 경험을 바탕으로 구축된 차량 관리 및 워크플로우 소프트웨어와 결합하는 것입니다. KINO-2의 명시된 설계, 즉 운송용 특수 이동 로봇과 조작용 KR1이 하나의 차량 관리 계층을 공유하는 방식은, 창고나 매장 워크플로우의 양쪽 부분을 모두 장악하는 것이 단순히 가장 빠른 추론 파이프라인을 단독으로 보유하는 것보다 상업적으로 더 중요하다는 판단에 기반한 전략입니다.
이는 첫 상용 이동 로봇 기반을 아직 구축 중인 순수 휴머노이드 개발사들과는 물론, 차량은 보유하고 있으나 조작 기술 역량이 부족한 기존 AMR 공급업체들과도 베어(Bear)의 입지를 차별화합니다. 이러한 경쟁에서 자본 지원은 엔지니어링 접근성만큼이나 중요합니다. LG는 2025년 1월 베어 로보틱스의 지분 과반수를 인수했으며, 이후 LG CNS 및 LG 에너지솔루션을 통해 상업적 파트너십을 맺음으로써, 모기업이 없는 벤처 자본 지원 휴머노이드 스타트업이라면 별도로 조달해야 할 자금 여력을 베어 로보틱스에 제공했습니다. 이러한 지원 덕분에 베어 로보틱스는 인수 합병을 소화하고, 새로운 컴퓨팅 플랫폼을 구축하며, 기존 식당 및 병원용 차량을 동시에 가동할 수 있는 여력을 확보할 수 있었으며, 그렇지 않았다면
다른 우선순위들보다 한 가지를 선택하는 것.이러한 조합이 실제로 매출로 이어질지는 베어가 아직 공개하지 않은 사실들, 즉 구체적인 고객사 명단, 계약 건수, 시범 운영에서 본 운영으로의 전환율, 그리고 특히 데이터 조작 라인에 대한 단위 경제성에 달려 있습니다. 추론 시간이 500밀리초에서 60밀리초로 단축되었다는 벤치마크 결과는 엔지니어링상의 결과일 뿐, 실제 배포 결과는 아닙니다. 따라서 KR1을 대체 제품과 비교 평가하는 조달 팀은 베를린 GTC에서 선보인 내용을 양산 준비가 완료되었다는 증거로 간주하기 전에, 컨퍼런스 현장에서의 시연이 아닌 현장 수준의 시범 운영 데이터를 요청해야 합니다. 유용한 실사 질문은 간단합니다. 인용된 16,000대 이상의 배포된 유닛 중, 수년 동안 해오던 업무를 수행하는 이동 전용 Servi 및 Carti 로봇이 몇 대이며, 단계적 테스트가 아닌 실제 주문 처리를 위해 KINO-2를 실행 중인 KR1 유닛이 고객 사이트에서 몇 군데나 가동되고 있는가 하는 점입니다. 베어(Bear)의 공개 자료는 아직 이 질문에 대한 답을 제공하지 않고 있으며, 입찰을 비교하는 구매자들은 베어를 포함한 공급업체들에게 전체 차량 수에 대한 총계 대신 현장별 구체적인 답변을 얻을 때까지 계속 압박해야 합니다.
이번 출시에서 주목할 만한 점은 엔비디아(NVIDIA)의 로봇 공학 스택이 빠르게 표준 인프라로 자리 잡아가고 있어, 서비스 및 창고 로봇 분야에서 단순한 모델 성능이 아닌 실제 배치된 플릿 규모가 모방하기 더 어려운 경쟁 우위로 부상하고 있다는 사실입니다.
다음으로 주목해야 할 구체적인 지표는 베어가 슈퍼마켓 반품 또는 창고 크레이트 시범 운영과 관련해 특정 고객사를 공개하거나 시범 운영에서 양산으로의 전환율을 제시할지 여부입니다. 이는 KINO-2를 GTC 베를린 시연 단계에서 검증 가능한 상업적 성과로 끌어올릴 것이기 때문입니다. 두 번째 지표는 아이작 OS(Isaac OS)가 이번 베타 버전에서 정식 생산 버전으로 전환될 때, 엔비디아의 다른 로봇 공학 파트너사들이 이를 대규모로 도입할 경우 동일한 4~8배의 지연 시간 개선 효과를 유지할 수 있는지 여부입니다.
이 기사는 2026년 10월 21일 기준 기업의 성명 및 공개된 제품 정보를 종합한 것입니다. 본 기사는 일반적인 정보 제공을 목적으로 하며,
이는 투자, 금융 또는 전문적인 조언을 구성하지 않습니다.











