2025년 이후 등장한 주요 VLA 모델들(GR00T N1.6, Figure Helix, Gemini Robotics, π0)은 놀라울 정도로 유사한 구조로 수렴했다. 핵심은 크게 두 가지다. 첫째, System 1과 System 2의 분리이다. 빠른 반응이 필요한 action 제어(10-200Hz)와 느린 인지/추론(초당 1회 미만)을 명확히 분리했다. 이는 Daniel Kahneman의 인간 인지 모델을 차용한 것으로, 상황 인지는 천천히 해도 되지만 action은 실시간 반응이 필요하기 때문이다.
둘째, Diffusion 기반 action 생성이다. 초기 VLA(RT-1, OpenVLA)는 autoregressive 방식으로 discrete한 action 토큰을 생성했지만, 이는 동작이 뚝뚝 끊기는 문제를 야기했다. action은 본질적으로 연속적(continuous)이므로, 이미지 생성에서 성공한 diffusion model 또는 flow matching을 action decoder로 사용하는 것이 표준이 되었다.
이러한 수렴은 Physical Intelligence의 본질을 반영한다. 인지(cognitive intelligence)와 물리적 행동(physical intelligence)은 뇌에서도 분리되어 있을 가능성이 높다. VLA가 System 1/2 구조를 채택한 것은 단순한 엔지니어링 결정이 아니라, 지능의 이중 구조에 대한 간접적인 증거로 볼 수 있다. 또한 촉각(tactile)을 추가한 VTLA에서는 System 0(더 빠른 반사)이 등장하는데, 이는 행동 계층이 더 세분화될 가능성을 시사한다.
근거
“System 1, 2 구조를 가지고 있어요. … 상황 인지는 천천히 해도 돼요. 10초에 한 번만 하면 되는데 예를 들어서 행동이라는 거는 엄청 빨라야 되거든요.”
“action이라는 거는 continuous하니까 중간이라는 게 다 존재해야 돼서 … diffusion을 참고를 하게 됩니다.”
“모델의 구조, VLA는 대충 이런 식으로 만들면 되더라. 그런데 다른 논의들, 아직 해결되지 않은 논의들이 있는 것 같아요. 예를 들면 촉각이라는 게 필요할까?”
연결된 생각
- 20260606-vla-vision-language-action-robot-foundation-model — VLA의 기본 아키텍처
- 20260606-moravec-paradox-physical-intelligence-hard — 물리적 지능의 독특한 특성
- 20260606-vtla-tactile-vla-system0 — 촉각이 추가된 새로운 계층 구조
출처
- 📎 클리핑: 20260613-ep98-ko-transcript