2024년에서 2025년 사이에 공개된 주요 VLA 모델들(Physical Intelligence의 π0, Figure의 Helix, NVIDIA의 GR00T, Google의 Gemini Robotics)은 놀라운 수렴 진화를 보여준다. 모두 ‘System 1(빠름/반응)‘과 ‘System 2(느림/인지)‘의 이분법적 구조를 채택했다. 이는 단순한 엔지니어링 패턴을 넘어, 인간의 두뇌가 물리적 세계와 상호작용하는 방식에 대한 깊은 통찰을 반영한다.
Daniel Kahneman의 ‘Thinking, Fast and Slow’에서 영감을 받은 이 구조는, Cognition(계획, 추론)과 Action(실행, 반사)의 명확한 역할 분담을 모델 수준에서 구현한다. 예를 들어, 한 VLM이 ‘컵을 잡아라’라는 명령과 카메라 영상을 받아 전체 장면을 이해하고 느린 속도로 전략을 수립하면, 별도의 Diffusion Transformer가 200Hz의 빠른 속도로 실제 모터의 각도를 생성한다. 촉각이 필요한 작업을 위해 ‘System 0’이라는 더욱 빠른 반사 계층을 추가하는 사례(Sharpa, Figure Helix)도 나타나고 있다.
이 수렴이 시사하는 바는 크다. 첫째, ‘하나의 거대한 모델이 모든 것을 처리한다’는 초기 VLA의 접근(RT-2)이 한계에 부딪혔음을 의미한다. 행동의 빠른 피드백 루프와 인지의 느린 추론을 하나의 네트워크로 처리하는 것은 비효율적이었다. 둘째, 물리적 지능을 구현하기 위해서는 신경망의 계층화가 필수적이며, 이는 인간 두뇌의 진화적 구조와 일치한다. 따라서 미래의 로봇 지능은 더욱 모듈화되고 계층화되는 방향으로 발전할 가능성이 높으며, 각 계층이 담당하는 기능(인지, 실행, 반사)에 최적화된 하드웨어(클라우드 GPU vs 로컬 엣지 AI 칩)가 별도로 발전할 것이다.
근거
“수렴 진화를 했다. 그래서 거의 모델들이 딱 까서 보면 다 비슷하게 생겼어요. 첫 번째 포인트는 System 1, 2 구조를 가지고 있어요.”
“어쨌든 느리게 생각하고 상황 인지하고 사고하고 점점 반응이 빨리 필요한 것들로 내려간다.”
연결된 생각
- 20260607-vla-system-1-2-architecture — 해당 아키텍처의 구체적인 정의와 속성.
- 20260607-action-data-bottleneck-physical-ai — 데이터 병목이 아키텍처 수렴에 미친 영향.