로보틱스. 어때요, 참 쉽죠? — 아니요, 전혀요?
VLA와 월드모델이 아무리 커져도, 세상의 데이터를 ‘로봇의 언어’로 옮겨 줄 연결고리가 없으면 로봇은 배우지 못해요. 화제의 논문 한 편으로 피지컬 AI의 진짜 병목을 짚어봤어요.
안녕하세요, 아크릴 테크블로그의 음유시인 갈리엄(Galliam)입니다. 여러분 혹시 밥 로스(Bob Ross) 아저씨를 기억하시나요? 오래전 TV에 나와 가슴이 뻥 뚫리는 풍경화를 그리는 방법을 쉽고 재밌게 알려주셨던 분인데요. 갈리엄은 대학시절 호기롭게 이젤까지 구해서 밥 아저씨를 따라하려다 대차게 실패했던 경험이 떠오릅니다. 붓의 종류, 물감 색, 붓질 방법까지 세세하게 다 알려주는 밥 아저씨였지만 캔버스 위에 그의 그림을 그대로 옮기는 건 참 어려웠는데요, 로봇의 눈에는 저희가 밥 아저씨처럼 보일 것 같습니다. VLA와 World Model은 나날이 발전하는데, 로봇의 데이터 학습은 여전히 갈 길이 멀거든요.
얼마 전 로봇 지능에 대한 재미난 논문이 나왔는데요. “어때요, 참 쉽죠?”가 되지 않는 로봇 지능에 대한 이야기, 지금부터 시작하겠습니다.
‘더 큰 모델’로 풀리는 문제가 아니에요
요즘 로봇 지능 이야기는 대개 VLA, 보고(Vision) 알아듣고(Language) 움직이는(Action) 큰 모델을 더 키우면 된다는 쪽으로 의견이 모이고 있어요. 그런데 이번에 공개된 ‘Robots Need More than VLA and World Models’는 그것이 반쪽짜리 답이라고 반박했어요. (Motoniq.ai와 스탠퍼드, ETH 취리히, UCL 등의 연구진이 2026년 6월에 공개한 포지션 페이퍼예요.) 그들은 진정한 해답은 모델을 더 키우는 것이 아니라, 차고 넘치는 행동 데이터를 로봇이 배울 수 있는 형태로 바꿔주는 장치를 만드는 데 있다고 지적해요.
세상에는 이미 사람의 동작, 영상, 시뮬레이션, 과제와 목표, 어디에 어떻게 도달했는지, 왜 실패했는지 같은 정보가 가득해요. 그런데 로봇이 알아들을 ‘행동 라벨’도, ‘잘했는지’를 알려줄 기준도 없어서, 그 풍부한 데이터를 효과적으로 활용하지 못하고 있어요. 사방이 다이아몬드 원석으로 뒤덮인 광산의 한가운데 있지만, 폴리싱과 커팅할 기계가 없는 상황이나 다름없는 거죠.
세상엔 행동 데이터가 가득하지만, ‘로봇의 언어’로 바꿔 줄 장치가 없어요. (논문 내용을 재구성한 다이어그램)
로봇에게는 ‘찰나의 순간’이 중요해요
여기서부터는 논문의 주장이라기보다, 현장에서 로봇을 굴려본 저희 시각을 덧붙인 이야기예요. 서버와 클라우드를 누비는 일반적인 AI 모델과 달리, 로봇은 실제 산업 현장에서 몸을 움직이는 기계예요. 매 밀리초, 매 와트가 곧바로 물리 행동으로 이어지는 거죠. 즉, 반응이 반 박자만 늦어도 부품을 놓치고, 찰나의 순간 전력에 부하가 걸리면 shut-down 될지도 몰라요. 그래서 현장에서 로봇을 관제하는 팀에겐 ‘지금 이 로봇 위에서 끊임없이 도는 것’이 무엇보다 우선이에요. 실제로 그런 요구들이 많아지면서 AI 모델을 로봇 안에서 통째로 로컬 구동해 저지연·프라이버시를 잡으려는 움직임이 커지기도 했죠. 구글 딥마인드의 Gemini Robotics On-Device나 NVIDIA의 로봇용 컴퓨터 Jetson Thor가 대표적인 예시예요.
클라우드의 AI와 달리, 현장의 로봇은 밀리초·와트 예산 안에서 살아요.
미씽 링크 — 인터페이스
그래서 ‘Robots Need More than VLA and World Models’는 4개의 Interface로 대변되는 연결고리를 해법으로 제시해요.
첫째는 데이터(Data Interface) — 비정형 행동 영상에 자동으로 라벨을 붙여줘요. 둘째는 동작(Embodiment Interface) — 사람의 동작을 로봇의 관절·동작으로 옮겨줘요(Re-targeting). 셋째는 추론(World-model Interface) — 물리 법칙에 맞는 3D 추론을 해줘요. 넷째는 보상(Reward Interface) — 영상과 말에서 ‘어디까지 잘 됐는지, 성공했는지’를 읽어내요.
논문이 제시한 네 개의 인터페이스 — 세상의 데이터와 로봇의 행동을 잇는 다리예요. 원문 다이어그램은 논문 Figure 1에서 볼 수 있어요.
그동안 너무 VLA와 월드모델의 성능에만 치우쳐져 있었으니, 이제부터는 그 성능이 로봇의 동작으로까지 이어지는 방법을 연구해서 실제 현장에서도 빛을 발하게 하자는 거죠. 좋은 AI의 성능을 현장의 고객에게 이어지도록 한다라, 아크릴의 슬로건 “AI to AX. Realized.”가 떠오르는군요(갈르륵).
‘모델’보다 ‘파이프라인’에 무게가 실리고 있어요
이러한 관점으로 다시 로봇 시장을 바라보면, 앞으로 로봇의 성능을 가를 지점이 달라질 것이라는 걸 볼 수 있어요. 누가 더 큰 모델을 갖고 있느냐가 아니라, 누가 더 효율적으로 데이터/파이프라인을 운영하느냐, 그리고 엣지에서 실시간으로 돌아가는 오케스트레이션을 얼마나 촘촘하게 설계했느냐가 승부를 가를 것이거든요. 이제 핵심은 ‘거대 모델 키우기’가 아니라, ‘모델과 함께 인지·제어·계획 스택을 나란히 돌리기’가 될 거예요. 무게중심이 모델에서 파이프라인으로 스르르 넘어가는 거죠.
맺음
저 갈리엄은 이번 논문을 보면서 한 가지 재밌는 지점을 발견했어요. 논문의 출발점은 로봇인데 결론은 ‘인프라’ 이야기로 수렴한다는 점인데요. 생각해보면 맞는 말이에요.
VLA와 월드모델은 앞으로도 계속 개발되고 출시될 거예요. VLA와 월드모델이 중요하지 않다는 게 아니에요. 논문은 이 둘을 더 큰 물리지능 스택의 한 층으로 보고, 그 위층이 힘을 쓰려면 아래쪽 연결고리부터 채워야 한다고 말하는 거죠. 이런 생각을 하다 보니 문득 GPU 인프라 효율화를 향해 열심히 달리고 있는 아크릴 GPUBASE가 생각나면서도, 옆 동네 로봇마을의 이웃사촌들 역시 인프라에 대한 고민을 하고 있다는 점에서 저도 모르게 입꼬리가 올라간 것 같습니다(사실 아크릴도 피지컬AI 연구를 시작했으니, 우린 어쩌면 이미 한 식구일지도 몰라요).
물감, 붓, 캔버스, 밥 로스의 <그림을 그립시다> 10시즌 DVD 박스세트 같은 재료는 누구나 구할 수 있어요. 하지만 같은 재료를 갖고도 누구는 모나리자 같은 걸작을, 누구는 갈리엄의 초등학교 그림일기 수준의 졸작을 완성하기도 하죠. 모델의 성능만큼이나 중요한 피지컬 AI의 인프라 운용, 피지컬 AI계의 걸작이 탄생할 수 있도록 한 번 더 들여다보기로 해요. 어때요, 참 쉽죠? 이상, 아크릴의 음유시인 갈리엄이었습니다.
참고 자료
1. Elis Karcini 외, “Robots Need More than VLA and World Models”, arXiv:2606.06556 (2026. 6.)
2. Google DeepMind, “Gemini Robotics On-Device brings AI to local robotic devices” (2025. 6.)
3. NVIDIA Blog, “NVIDIA Jetson Thor Unlocks Real-Time Reasoning for General Robotics and Physical AI” (2025. 8.)
4. Google DeepMind, Gemini Robotics 모델 페이지 (VLA 소개)
5. 아크릴, 제품 소개 페이지 (GPUBASE)
6. 위키백과, “밥 로스”