MTT S5000의 로봇 AI 성능, 숫자별로 따져보니

2026년 9월 무어스레드는 GPU MTT S5000을 활용한 로봇 강화학습과 실제 로봇 시험 결과를 공개했다. 학습 곡선의 유사도부터 로봇 작업 성공률까지 눈에 띄는 수치가 있지만, 서로 다른 시험에서 나온 숫자를 하나의 GPU 성능 순위로 읽어서는 안 된다. 4

학습 곡선이 비슷하다는 것은 무슨 뜻일까

로봇이 환경과 상호작용하며 동작을 익히는 강화학습 시험에서, RLinf 프레임워크의 WoVR 작업은 248개 병렬 환경으로 실행됐다. 학습 방식과 난수 시드를 같게 했을 때 S5000과 해외 주요 GPU의 단계별 학습 곡선 상관계수는 r=0.976이었다. LIBERO-Spatial 평가에서도 두 하드웨어에서 학습한 정책의 성공률이 비슷했다고 보고됐다. 다만 곡선이 비슷하게 움직였다는 결과만으로 학습을 마치는 데 걸린 시간까지 같았다고 판단할 수는 없다. 410

개발 환경 측면에서는 RLinf의 무어스레드 MUSA 백엔드 지원도 의미가 있다. 관련 보도에 따르면 RLinf는 0.3 버전부터 코드를 주 개발 브랜치에 병합하기 전 MTT S5000에서 자동 검증하는 절차를 공식 지속적 통합(CI)에 포함했다. 이는 새 코드가 해당 하드웨어에서 작동하는지 지속적으로 확인하는 장치이지, 성능 우위를 입증하는 시험은 아니다. 4

26% 빨라진 것은 어느 구간인가

무어스레드는 이미지 처리를 호스트 컴퓨터에서 GPU로 옮기고, 잡음 제거 반복 과정의 수치 검사를 통합하고, 자주 실행되는 코드 경로의 Python 스칼라를 GPU상의 텐서로 바꿨다고 설명했다. 측정한 설정에서 단계당 시간은 2.549초에서 1.888초로 약 26% 감소했고, **GPU 유휴 비율은 18.5%에서 3.1%**로 낮아졌다. 이는 같은 처리 과정의 최적화 전후 비교다. 다른 GPU보다 전체 학습이 26% 빠르다는 뜻은 아니다. 4

회사는 별도로 GEMM(행렬 곱셈)과 어텐션 연산의 개별 연산자 시험에서 해외 주요 GPU 대비 1.6~2배 성능을 주장했다. 개별 연산의 결과를 전체 학습이나 로봇 운용 속도로 그대로 확대해 해석해서는 안 된다. 4

실제 로봇 결과를 구매 판단에 쓰려면

π0.5 기반의 정책 개선 과정을 적용한 두 로봇팔 조립 작업에서는 실제 로봇의 성공률이 약 **20%에서 92%**로 높아지고, 정밀 조작 시간은 39.5% 단축됐다고 보고됐다. 이는 해당 작업의 결과로, S5000을 쓰는 로봇 전반의 성공률을 나타내지 않는다. 4

로봇 개발팀에는 AI 모델 학습뿐 아니라 영상 렌더링, 물리 시뮬레이션, 학습된 정책의 평가가 함께 중요하다. 무어스레드는 여러 단계를 아우르는 솔루션을 설명하지만, 공개된 수치만으로 전체 개발 과정의 성능이 독립적으로 검증됐다고 볼 수는 없다. 도입을 검토한다면 재현 가능한 시험 설정, 실제 로봇에서의 반복 결과, 팀이 수행할 작업에 대한 처음부터 끝까지의 시간·성능 측정을 요청하는 편이 타당하다. 411