2025년에 등장한 주요 VLA 모델들(NVIDIA GR00T, Figure Helix, Google Gemini Robotics)은 모두 동일한 구조적 패턴을 보인다. 큰 언어-비전 모델이 느리게 상황을 인지하고 추론하는 System 2 역할을, Diffusion 기반의 작은 모델이 빠르게 연속적인 행동을 생성하는 System 1 역할을 맡는다. 이는 인간 뇌의 ‘빠른 직관’과 ‘느린 추론’ 이분법과도 일치한다. 특히 System 2는 10Hz 정도로 느리게 동작하지만, System 1은 200Hz 이상의 고주파수로 행동을 내보내야 균형 유지나 물체 조작이 가능하다. 이 구조는 결국 Physical Intelligence가 하나의 단일 모델로는 해결하기 어려운, 서로 다른 시간 척도의 문제를 분리해야 함을 시사한다.
근거
박종현은 “모델들이 딱 까서 보면 다 비슷하게 생겼다”며 System 1/2 구조를 공통점으로 꼽는다. NVIDIA GR00T N1.6의 경우 VLM이 System 2, Diffusion Transformer가 System 1이며, Figure Helix도 7B의 System 2와 80M의 System 1, 그리고 추가로 10M의 System 0(반사적 움직임)으로 구성된다. 이유는 “상황 인지는 천천히 해도 되는데 행동은 엄청 빨라야 하기 때문”이다.
“느리게 생각하고 상황 인지하고 사고하고 점점 반응이 빨리 필요한 것들로 내려간다.”
연결된 생각
- cognitive-science-fast-slow — Kahneman의 Thinking Fast and Slow 이론과의 연결
- diffusion-policy-robotics — 연속적인 행동 생성을 위한 Diffusion 기반 접근
- moravec-paradox — 물리적 지능이 왜 별도의 구조를 필요로 하는지에 대한 설명
출처
- 📎 클리핑: 20260613-ep98-ko-transcript