말을 들은 로봇이 물건을 집으러 가는 동안, 다음 순서도 함께 생각했습니다
사실과 해설 더 보기
Google DeepMind는 7월 30일 Gemini Robotics ER 2를 공개했습니다. 이 모델은 연속 영상으로 작업 진행을 추적하고, 문제가 생기면 수정하며, 상위 단계의 계획을 세운 뒤 실제 모터 동작은 VLA 모델이나 로봇 API에 맡깁니다. 공식 Spot 데모에서는 자연어로 팝콘을 가져오라는 요청을 받아 이동과 매니퓰레이터 API를 이어 붙였습니다. Google이 공개한 측정에서 순간 찾기 정확도는 91.3%, 평균 시간 오차는 0.96초였고, ER 1.6보다 실행 속도가 4배 빨랐습니다. 수치는 모두 회사 평가입니다.
제가 꽂힌 건 “로봇이 더 영리해졌다”보다 역할 분리가 또렷해졌다는 점입니다. 예전 흐름이 한 번 보고 계획한 뒤 멈춰서 다음 판단을 기다리는 쪽이었다면, ER 2는 영상을 계속 보면서 다음 단계를 준비하고 여러 로봇 사이의 인계까지 맡습니다. Google이 노리는 방향은 로봇 몸체 하나를 파는 것보다 서로 다른 기계 위에 얹히는 ‘현장 지휘층’을 잡는 쪽으로 보입니다. 이 구조가 굳어지면 작은 사업자도 비싼 전용 로봇 한 대보다 기존 장비와 API를 조합할 여지가 커집니다. 반대로 현장 통합업체와 안전 검증의 힘은 더 세집니다. 지금 공개된 것은 개발자용 모델과 회사 데모입니다. 로봇 하드웨어·VLA·통신을 따로 붙여야 하고 가격, 장시간 실패율, 실제 매장 안전성은 아직 공개되지 않았습니다. 당장 사람을 대체했다는 얘기보다, 자동화 설계가 ‘한 기계’에서 ‘여러 도구를 감독하는 층’으로 이동한다는 신호로 보는 편이 정확합니다.
짧게 볼 변화
길게 설명하지 않아도 직접 확인할 가치가 있는 자료입니다.
빈 땅을 보여주자, Google Earth가 그 자리에 들어설 가게 시안을 만들었습니다
사실과 해설 더 보기
Google은 7월 30일 Google Earth 웹에 Nano Banana 2 이미지 생성을 전 세계 공개했습니다. 위성·항공·3D 영상이 보이는 장소에서 ‘create image’를 누르고 문장을 입력하면 실제 지형에 맞춘 시안을 만듭니다. 공식 예시는 도쿄의 빈 부지를 상업지구로 바꾸거나 호숫가 부지에 집을 배치하는 장면입니다.
이전에는 지도 캡처, 레퍼런스 수집, 합성 시안을 따로 만들었다면 이제 첫 대화가 지도 위에서 바로 시작됩니다. 인테리어·부동산·행사 기획처럼 “여기에 이렇게 해보면요”를 먼저 보여줘야 하는 1인기업에는 제안서 첫 장을 만드는 시간이 줄어듭니다. 다만 이것은 설계도나 인허가 검토가 아니라 생성 이미지입니다. 경계·높이·구조 안전을 맞춘 결과로 오해하면 안 됩니다.240시간짜리 펭귄 기록 정리가 몇 분으로 줄었다는 현장 사례가 나왔습니다
사실과 해설 더 보기
Google.org는 뉴질랜드의 자원봉사 연구단체 Tawaki Project가 손글씨 펭귄 연구 데이터를 옮기던 240시간 업무를 Google Sheets와 Maps Platform API를 이용해 몇 분으로 줄였다고 소개했습니다. 같은 발표에서 비영리단체용 무료 온라인 과정 3개와 일대일 지원을 공개했고, 6,000개 이상 참여 조직 조사에서는 정기적 AI 사용률이 평균 49%라고 밝혔습니다.
화려한 챗봇보다 오래 쌓인 표와 위치 데이터를 정리해 다음 의사결정으로 넘긴 장면이 현실적입니다. 작은 조직에서는 한 사람의 반복 정리가 멈추면 사업 전체가 멈추기 때문입니다. 다만 240시간 단축과 주 1일 절감 수치는 Google 프로그램 참여자가 보고한 회사 사례·평균입니다. 독립 실험 결과가 아니고, API를 붙이는 초기 작업과 데이터 검수 비용도 함께 봐야 합니다.AI가 싸졌는데, 회사 청구서는 오히려 예측하기 어려워졌습니다
사실과 해설 더 보기
OpenAI는 7월 30일 GPT-5.6 Luna 입력·출력 가격을 각각 100만 토큰당 1달러→0.20달러, 6달러→1.20달러로 내리고 Terra는 2.50달러→2달러, 15달러→12달러로 조정했습니다. 최상위 Sol 가격은 유지했습니다. Reuters는 모델 단가는 내려가도 사용량 기반 과금과 작업당 토큰 증가로 총비용은 커질 수 있다고 짚었습니다.
전략은 분명합니다. 최고 성능 하나를 비싸게 호출하던 기준에서, 작은 모델을 반복 업무에 넓게 깔아 기업 사용량을 가져오려는 움직임입니다. 자동화하는 1인기업은 분류·초안·확인 같은 다량 작업의 단가가 내려가지만, 에이전트가 여러 번 생각하고 도구를 호출하면 월 청구액은 여전히 흔들립니다. 가격표만 비교하지 말고 한 건을 끝낼 때 호출 횟수와 실패 재시도까지 재야 합니다. 실제 고객의 총비용이 얼마나 줄었는지는 아직 공개되지 않았습니다.