갈봇 ET1 휴머노이드 공개 — 아스트로브레인 두뇌와 로봇 공학 업데이트

01핵심 개요

02핵심 기능/내용 구조

1. 갈봇 ET1의 외형과 하드웨어: 별명 "갤럭시 스타 키드"로 불리며, 일반 성인보다 약간 작은 체구에 무게는 시연 영상 기준 약 4kg 수준으로 추정(원문에서 "4톤"으로 언급되었으나 문맥상 오기로 보이며 실제로는 경량급으로 해석하는 것이 합리적임 — 정확한 공식 스펙은 미공개). 가슴 부분에 파워바 형태의 부품이 있고, 어깨와 관절 부위에는 협착(끼임) 방지용 천이 덧대어져 있음. 발 관절의 움직임이 특히 유연하다고 소개되며, 전체 자유도(관절 축 개수)는 공식 수치가 아직 공개되지 않음.
2. 아스트로브레인(Astrobrain) — 3단 구조 AI 두뇌: ET1의 핵심은 외형보다 이 AI 시스템이라는 것이 영상의 주된 주장. 세 가지 구성 요소로 이루어짐.

- 대뇌(Cerebrum): 장면 이해와 고차원적 행동 계획을 담당. 기존에는 별도로 분리되어 있던 "이해 모델"과 "계획 모델"을 하나로 통합해, 로봇이 다음 동작을 정하기 전에 그 행동이 물리적으로 어떤 결과를 낳을지 미리 예측하는 기능을 갖춤. - 두뇌 다리(Brain Bridge): 대뇌의 고차원적 추론과 소뇌의 저차원적 실행(모터 제어) 사이를 연결하는 중간 계층. - 소뇌(Cerebellum, 일명 아스트로브레인 WBC): 수십 개 관절에 걸쳐 밀리초 단위의 빠른 물리적 조정·균형·운동 능력을 관리. 매개변수 약 8,040만 개, 약 10만 시간 분량의 다양한 인간 동작 데이터로 학습되어 몸 전체를 세밀하게 제어. 이 소뇌 덕분에 데모에서 로봇이 춤 동작 전체를 학습하는 모습을 보여줌.

1. Engine AI의 T800 — 실제 공장 배치: 세 손가락으로 구성된 정교한 로봇 손이 실제 공장에서 분류(피킹) 작업을 처음 수행하는 1인칭 시점 영상 공개. 시각-언어-동작(Vision-Language-Action) 모델과 전신 양팔 협응 시스템을 활용해 물체를 인식하고 정확히 분류. 주변 로봇·물체를 감지해 충돌을 방지하는 시각 인식 시스템을 갖췄고, 한쪽 팔로 물체를 들면서 균형을 유지하는 전신 동작 제어 능력도 시연. 안정적인 보행 모습도 함께 공개.
2. 1X의 네오(Neo) — 보행 훈련 영상: 테슬라 옵티머스의 경쟁사로 꼽히는 미국 기업 1X가 네오 로봇에게 쪼그려 앉았다가 걷는 동작을 훈련시키는 영상을 공개. 해당 영상은 "첫 촬영본"으로 소개되며, 로봇의 움직임이 점진적으로 부드러워지고 있다는 점이 강조됨(완성된 결과물이 아니라 훈련 과정 공개).
3. Meta의 Muse Spark 1.2 — 멀티모달 로봇/비전 모델 업데이트: 로봇 조작을 "고차 플래너(장면 이해·객체 구분·작업 분할)"와 "Muse Spark Vision-Language-Action 모델(단계별 실행)"의 2단계로 분리하는 시스템. 헤어 브러시와 메이크업 브러시 분류, 도시락을 상자에 담기, 비정형 환경에서 특정 물체(고무 오리) 찾기 등을 시연.

- 벤치마크 성적: 일반 시각 추론 테스트(ZeroBench)에서 GPT 계열과 유사한 성능, 단순 시각 질의응답(VQA)에서는 비교 대상 모델들을 앞섰으나 특정 경쟁 모델(영상에서 언급된 Gemini 계열 최신 버전)에는 뒤처짐. - 시각적 코딩: 이미지·영상을 웹페이지/게임용 작동 코드로 직접 변환하고 스스로 결과를 재검토해 오류를 수정하는 기능. 제3자 리더보드(Design Arena)에서 영상→웹사이트 변환 1위, 단일 이미지→웹사이트 변환 2위, 이미지→프론트엔드 변환 3위(경쟁 모델들에 이어) 기록. - Wild Artifact Bench: Meta가 새로 공개한 내부 평가 도구로, 정답이 고정되지 않은 실제 에이전트형 작업(게임 개발, 심장 박동 분석, 초음파 영상 촬영, 운전 시뮬레이터 제작 등)에서 두 에이전트의 결과물을 비교해 사람과 자동 평가자가 선호도를 매겨 승률을 산출하는 방식.

03기술적 맥락

이 영상이 다루는 핵심은 "하나의 로봇이 다른 로봇을 이겼다"는 단순 비교가 아니라, 휴머노이드 로봇 업계 전반이 AI 두뇌(인지·계획)와 모터 제어(실행)를 분리하되 긴밀히 연결하는 아키텍처로 수렴하고 있다는 점이다. 갈봇의 아스트로브레인(대뇌-브리지-소뇌), Meta의 Muse Spark(고차 플래너-실행 모델) 모두 "고차원적 이해·계획"과 "저차원적 실시간 동작 제어"를 별도 모듈로 나누는 유사한 설계 철학을 따른다. 이는 하나의 거대 모델이 인식부터 모터 명령까지 전부 처리하는 방식보다, 계획을 세우는 부분과 밀리초 단위로 몸을 움직이는 부분의 요구 속도·정밀도가 근본적으로 다르기 때문에 나온 실용적 절충안으로 해석할 수 있다. 또한 Meta의 Wild Artifact Bench 사례처럼, 정답이 하나로 정해지지 않은 실제 업무(게임 개발, 의료 영상 등)에 대한 AI 에이전트 평가 방식 자체도 함께 진화하고 있다.

04전략적 의미

첫째, 로봇의 물리적 외형(손가락 개수, 관절 유연성)보다 "AI 두뇌 아키텍처"가 실질적 차별화 지점으로 부상하고 있다 — 갈봇이 외형보다 아스트로브레인을 전면에 내세운 것이 이를 보여준다. 둘째, Engine AI의 T800처럼 실험실 데모를 넘어 실제 공장에 로봇이 투입되는 사례가 늘고 있어, 휴머노이드 로봇의 상용화 단계가 "시연"에서 "실전 배치" 초기 국면으로 이동 중임을 시사한다. 셋째, 다수의 로봇이 서로 협업하며 인간과 나란히 작업하는 장면이 언급된 것은, 단일 로봇의 성능보다 "여러 로봇 간 협업 체계"가 다음 경쟁 포인트가 될 가능성을 암시한다. 넷째, Meta가 정답이 고정되지 않은 실제 업무 기준의 새 벤치마크(Wild Artifact Bench)를 공개한 것은, 기존의 표준화된 벤치마크만으로는 프론티어 모델의 실제 에이전트 능력을 제대로 평가하기 어렵다는 업계의 공통된 문제의식을 반영한다.

05핵심 워크플로우 또는 비교표

06활용 시나리오

1. 휴머노이드 로봇 업계 동향을 추적하는 투자자/분석가: 특정 기업의 개별 발표보다 "AI 두뇌와 실행부를 분리하는 아키텍처가 업계 표준으로 수렴 중"이라는 공통 패턴을 파악해 기술 트렌드 리포트나 투자 메모 작성에 참고할 수 있다.
2. 로봇공학·AI 융합 분야 연구자: 아스트로브레인의 대뇌-브리지-소뇌 구조나 Muse Spark의 고차 플래너-실행 모델 분리 방식을 참고해, 자체 로봇 제어 시스템의 계층적 아키텍처 설계에 아이디어를 얻을 수 있다.
3. 제조업 자동화 도입을 검토하는 현장 관리자: Engine AI T800처럼 실제 공장에 투입된 정밀 피킹·분류 로봇 사례를 참고해, 자사 라인에 휴머노이드 로봇 도입 시 기대할 수 있는 기능 범위(충돌 회피, 균형 유지 등)를 가늠하는 데 활용할 수 있다.
4. AI 에이전트 평가 방법론을 연구하는 실무자: Meta의 Wild Artifact Bench처럼 정답이 고정되지 않은 실제 업무 기반 평가 방식을 참고해, 자사 AI 에이전트의 성능 평가 프레임워크를 설계하는 데 참고할 수 있다.

07현황 및 전망

영상 시점 기준으로 갈봇 ET1은 아직 예고편·시연 단계이며 공식 자유도·정확한 무게 등 세부 스펙은 공개되지 않았다. 반면 Engine AI T800은 이미 실제 공장에서 가동 중이라는 점에서 상용화 단계가 한발 앞서 있다. 1X 네오는 아직 보행 훈련 초기 단계(첫 촬영본)로, 완성도보다는 개선 추이를 보여주는 데 초점이 맞춰져 있다. Meta는 로봇 하드웨어가 아닌 멀티모달 AI 모델(Muse Spark) 쪽에서 벤치마크 순위와 새로운 평가 도구(Wild Artifact Bench)를 통해 경쟁하고 있어, 하드웨어 업체들과는 다른 축에서 휴머노이드 생태계에 기여하고 있다. 전반적으로 2026년 하반기 휴머노이드 로봇 시장은 여러 업체가 병렬적으로 AI 두뇌·정밀 제어·실전 배치 각 영역에서 진전을 보이는 다극화 경쟁 구도로 해석된다.

08용어 사전