Claude 혼자 로봇 개 과제를 다시 해 본 Project Fetch 2차 실험을 읽고
Anthropic Frontier Red Team이 2026년 6월에 낸 「Project Fetch: Phase two」를 읽었어요. 2025년 8월, 로봇 전문가가 아닌 직원들이 Claude의 도움을 받아 시판 4족 로봇(로보독)으로 과제를 했던 실험을 이번에는 Claude Opus 4.7 혼자 다시 해 본 리포트예요. 여기서는 인사이트 세 개를 정리했어요.
들어가기 전에 — 용어 짚기
라이다(lidar) — 레이저를 쏘고 되돌아오는 시간으로 주변 사물까지의 거리를 재는 센서예요. 로보독은 카메라 영상과 라이다로 주변을 파악해요. 인사이트 1에 나와요.
닫힌 루프(closed loop) — 결과를 보고, 오차를 확인하고, 다음 입력을 고치는 과정을 계속 되풀이하는 제어 방식이에요. 공이 빗나간 걸 보고 바로 조종을 바꾸는 일이 여기에 해당해요. 인사이트 2에 나와요.
인사이트 1: 사람 도움 없이, 가장 빠른 사람 팀보다 약 20배 빨랐어요
Claude Opus 4.7은 사람 도움 없이, 1년도 안 된 지난 실험에서 참가자들이 해낸 모든 과제를 가장 빠른 사람 팀보다 약 20배 빠르게 끝냈어요.
실험은 Claude Code에서 Opus 4.7로 세 번 돌렸어요. 연구자는 노트북을 로봇에 꽂고 첫 프롬프트를 넣은 뒤, 명령과 다음 과제 진행을 승인하는 것만 했어요. 과제는 로봇의 카메라 영상과 라이다에 연결하기, 수동 조종 프로그램 짜기, 이동 경로 추적하기, 비치볼 인식하기 같은 것들이었어요. 두 사람 팀이 모두 해낸 과제 네 개만 보면 Opus 4.7은 Claude 없는 팀보다 37배 넘게, Claude를 쓴 팀보다 18배 넘게 빨랐고, 코드는 Claude 팀의 거의 10분의 1만 썼어요.
1년 전에는 Opus 4.1이 같은 과제에서 로봇에 연결하는 첫 단계부터 막혀 혼자서는 아무것도 못 했어요. 그 사이 모델이 사람 팀을 20배 앞지른 걸 보면, 발전 속도가 생각보다 너무 빨라요.
인사이트 2: 모델이 돕고, 사람이 돕고, 결국 모델이 혼자 해요
다시 한번 이런 패턴이 보여요. 처음엔 모델이 사람을 돕고, 다음엔 사람이 모델을 돕고, 결국 모델이 대부분을 스스로 해요. 사이버보안에서 이미 이걸 봤고, 이제 AI와 물리 세계가 만나는 곳에서도 같은 흐름이 자리 잡기 시작했어요.
1년 전 1차 실험은 첫 단계였어요. Claude를 쓴 사람 팀이 더 많이, 더 빨리 해낸 정도였죠. 이번 실험은 사람이 승인만 하는 마지막 단계에 가까워요. 아직 못 한 일도 있어요. 비치볼을 출발점까지 정확히 몰고 오는 일은 앞서 짚은 닫힌 루프 제어가 필요한데, Claude는 로봇을 공 뒤에 세우는 데까지만 가고 제어가 엉성해서 성공하지 못했어요. 그래도 원문은 시간과 scaffolding(모델 주위에서 단계를 이어 주는 코드와 구조)을 더 주면 지금 세대 Claude도 해낼 가능성이 높다고 봐요.
지금 못 하는 일까지 곧 해낼 거라고 보는 걸 보면, 앞으로 모델이 어떤 일들을 혼자 하게 될지 상상이 안 가요.
인사이트 3: 로봇 능력을 일부러 키우지 않았는데 물리 도구를 쓰기 시작했어요
이번 발전은 우리 모델의 로봇 능력을 키우려고 공들인 결과가 아니라는 점을 강조할 만해요. LLM 개발 역사의 다른 많은 개선처럼, 훨씬 일반적인 스케일링에서 나왔어요.
스케일링은 모델과 데이터, 연산을 키워 능력을 전반적으로 끌어올리는 걸 말해요. 원문은 모델이 기성 물리 도구를 비교적 쉽게 쓰는 세상에 가까워졌다고 보고, 에이전트 코딩으로 넘어갈 때 모델이 string-replace 같은 기존 편집 도구를 쓰기 시작한 것과 비슷하다고 해요. 그래서 "물리적 에이전트 AI의 초기 시대"에 들어서고 있을 수 있다고요. 맞춤형 제어 정책을 짜거나 로봇 시스템을 설계하는 일에는 아직 큰 장벽이 있을 수 있다는 단서도 달아요.
로봇을 따로 노리지 않았는데도 여기까지 왔다면, 하드웨어까지 금방 따라올 것 같아요.
원문은 다음으로, Claude가 공 몰기라는 마지막 과제를 다른 과제만큼 빠르고 안정적으로 해내는지 지켜보겠다고 해요.
