2025년에 등장한 주요 VLA 모델들(GR00T N1, Helix, π0, Gemini Robotics)은 모두 느린 인지(System 2)와 빠른 행동 생성(System 1)을 분리하는 구조로 수렴했다. 이는 단순한 알고리즘적 선택이 아니라, 인지적 지능과 물리적 지능의 본질적 차이를 반영한 결과로 보인다.
System 2는 일반적으로 7B8B 규모의 VLM으로, 시각과 언어 입력을 처리해 고수준의 상황 이해와 계획을 수립한다. 이 계층은 10Hz 이하의 낮은 주파수로 동작하며, 복잡한 추론과 결정을 담당한다. 반면 System 1은 80M300M 규모의 Diffusion Transformer 또는 Flow Matching 모듈로, System 2의 출력과 로봇의 현재 상태(robot state)를 입력받아 200Hz 수준의 고속 연속적인 action을 생성한다.
일부 모델(예: Helix 2, Sharpa CraftNet)은 여기에 System 0을 추가하여 촉각이나 미세한 모터 제어와 같은 초고속 반사적 움직임을 담당하게 했다. 이는 인간의 뇌에서도 대뇌피질(인지)과 소뇌/척수(반사)가 분리되어 있다는 신경과학적 사실과 유사하다.
이러한 수렴은 필연적이다. 하나의 통합된 Transformer가 모든 주파수를 처리하려면 계산량이 폭발적으로 증가하고, 느린 인지 과정이 빠른 행동을 블로킹하게 된다. 분리된 구조는 각 계층이 자신에게 적합한 시간 스케일로 최적화될 수 있게 한다.
근거
“요즘 모델들이 딱 까서 보면 다 비슷하게 생겼어요. 첫 번째 포인트는 System 1, 2 구조를 가지고 있어요.”
“상황 인지는 천천히 해도 돼요. 10초에 한 번만 하면 되는데 … action이라는 거는 엄청 빨라야 되거든요.”
연결된 생각
- VLA 모델 — 수렴된 구조의 구체적 예시
- Physical Intelligence — 인지와 행동의 분리가 Physical Intelligence의 핵심 특징
- Diffusion Policy — 연속적 action 생성을 위한 기반 기술
출처
- 📎 클리핑: 20260613-ep98-ko-transcript