정의
최신 로봇 파운데이션 모델(RFM)에서 채택된 수렴적 아키텍처로, 느린 고수준 인지(System 2)와 빠른 저수준 행동 생성(System 1)을 분리하여 물리적 세계와 상호작용한다. 이 구조는 인간의 인지 시스템(Thinking, Fast and Slow)을 모방한 것으로, Cognitive Intelligence와 Physical Intelligence의 간극을 메우기 위해 설계되었다.
핵심 속성
- System 2 (고수준 인지): VLM(Vision-Language Model) 기반. 시각적 상황 인지, 언어 명령 이해, 추론 및 계획 수립. 낮은 주파수(예: 10Hz)로 동작. (예: Gemini Robotics의 Cloud VLM, GR00T의 VLM)
- System 1 (저수준 행동): Diffusion Transformer 또는 Flow Matching 기반. 연속적인 액션 토큰을 생성. 높은 주파수(예: 200Hz)로 동작하여 빠른 반응과 균형 유지에 관여. (예: π0의 Action Expert)
- System 0 (반사 신경): 일부 구현(Helix, CraftNet)에서 추가된 계층. 촉각(Tactile)이나 관성 측정 장치(IMU) 데이터를 입력받아 초고속 피드백 루프를 구성. 가장 빠른 주파수로 동작.
- 연속적 액션(Continuous Action): 토큰화된 이산적 액션(RT-1 방식)과 달리, Diffusion을 통해 연속적인 모터 각도 값을 생성하여 부드럽고 정밀한 움직임을 가능하게 함.
- 크로스-엠보디먼트(Cross-Embodiment): 다양한 로봇 폼팩터(팔, 휴머노이드, 그리퍼)에서 수집된 데이터를 통합 학습하여, 특정 하드웨어에 종속되지 않는 일반화 능력을 목표로 함.
관계
- Physical Intelligence — 상위 개념. VLA는 물리적 지능을 구현하는 대표적인 방법론.
- End-to-End Learning — 구현 방식. VLA는 Rule-based 로직을 제거하고 센서 입력에서 모터 출력까지 단일 신경망으로 처리.
- Moravecs-Paradox — VLA가 해결하려는 근본적인 문제. 인간에게 쉬운 작업(핀 집기)이 AI에게 어려운 이유를 설명.
- Action Data Bottleneck — VLA 발전의 주요 제약 조건. 텍스트와 달리 액션 데이터는 인터넷에 존재하지 않음.
인용
“결국엔 이 VLA를 만들고 하는 게 Physical Intelligence를 우리가 풀어나가는 과정이다.” — 박종현(sudoremove)