로봇의 지능을 결정하는 VLA 모델이 중요한 이유

피지컬 AI 기술이 고도화되면서 로보틱스 시장이 성장 중이다 / 출처=피규어AI [IT동아 강형석 기자] 얼마 전까지만 해도 인간형 로봇은 전시장 무대 위에서 춤을 추거나 손을 흔드는 수준에 머물렀지만, 요즘은 물류창고에서 상자를 나르고 자동차 조립 라인에 실제로 투입되는 노동력으로 탈바꿈하는 중이다. 최근 로봇 산업 변화의 중심에는 피지컬 AI(실물 인공지능)가 자리 잡았다. 피지컬 AI 산업은 빠르게 성장하는 추세다. 시장조사업체 카이소 리서치는 전 세계 피지컬 AI 시장 규모가 2025년 814억 달러에서 2035년 1조 1450억 달러로 커질 것이라고 내다봤다. 대형언어모델이 챗GPT 등장 이후 폭발적으로 확산됐듯, 로봇도 정해진 작업만 되풀이하는 산업기계에서 벗어나 스스로 상황을 판단하고 대응하는 장비로 진화하리라는 전망이 그 배경으로 꼽힌다. 관건은 로봇의 상호작용에 필요한 AI 하드웨어·소프트웨어 기술이다. 인간형 로봇이라고 하면 자연스럽게 걷고 손가락을 정교하게 움직이는 몸체부터 떠올리기 쉽다. 다만 로봇 하드웨어 자체는 이미 상당 부분 상품화 단계에 들어섰다. 오히려 사람의 지시를 로봇이 직관적이고 정확하게 수행하도록 만드는 영상(Vision)·언어(Language)·행동(Action) 모델, 다시 말해 로봇의 '두뇌'가 중요해졌다. 로봇에게 필요하다는 VLA 모델은 무엇인가? VLA는 '영상(Vision)·언어(Language)·행동(Action)'을 의미한다. 로봇이 보고 말을 이해해 곧바로 몸을 움직이게 하는 인공지능 모델을 가리킨다. 카메라로 들어온 영상 정보와 사람이 건넨 자연어 지시를 한꺼번에 입력받아 로봇 팔이나 다리를 움직이는 구체적인 모터 명령까지 뽑아내는 하나의 통합 모델이라는 점이 핵심이다. 이 개념이 등장하기 전 로봇은 저마다 다른 방식으로 움직였다. 전통적인 산업용 로봇은 정해진 좌표를 반복적으로 오가도록 사람이 일일이 코드를 짜 넣는 구조였다. 컨베이어 벨트 위 부품 위치가 몇 센티미터만 달라져도 오작동하기 일쑤였고, 새로운 작업을 맡기려면 처음부터 다시 프로그래밍해야 했다. 정해진 틀 안에서는 정교하게 움직이지만, 틀을 벗어나는 순간 무력해지는 구조였던 셈이다. 그러던 중 대형언어모델(LLM)의 발전에 힘입어 영상·언어 모델(VLM)이 등장했다. 그런데 LLM과 VLM 모두 '이해'에는 강했지만 '행동'으로는 이어지지 못했다. LLM은 대화에는 능숙해도 로봇 팔을 움직...