VLA 모델이란? 휴머노이드 로봇에게 필요한 시각-언어-행동 두뇌

최근 삼성과 LG의 로봇 로드맵 발표를 보다가 문득 궁금해졌다. 저 휴머노이드 로봇들은 도대체 어떻게 “생각”해서 움직이는 걸까.

챗봇처럼 텍스트만 주고받는 게 아니라, 눈으로 보고 판단해서 팔다리를 실제로 움직여야 한다. 이 지점에서 등장하는 개념이 바로 VLA 모델이다. 필자가 보기엔 이 용어를 모르고는 요즘 로봇 뉴스를 제대로 이해하기 어렵다.

VLA 모델이란 무엇인가

VLA는 Vision-Language-Action의 줄임말이다. 우리말로는 ‘시각-언어-행동’ 모델 정도로 옮길 수 있다.

말 그대로 세 가지 능력을 하나의 모델에 합쳐놓은 구조다. 카메라로 주변을 보고(Vision), 명령이나 맥락을 이해하고(Language), 그 결과를 실제 움직임으로 옮긴다(Action).

기존 로봇 제어 방식과 비교하면 차이가 확 드러난다. 옛날 로봇은 정해진 동작을 반복하는 자동화 기계에 가까웠다. 컨베이어 벨트 위에서 같은 부품을 같은 방식으로 집는 식이다.

반면 VLA 모델을 탑재한 로봇은 “처음 보는 컵을 집어서 싱크대에 놓아줘” 같은 지시도 처리할 수 있다. 눈으로 컵의 위치를 확인하고, 언어로 지시를 해석하고, 그에 맞는 행동을 즉석에서 생성하기 때문이다.

개인적으로는 이 부분이 진짜 도약이라고 본다. 로봇이 ‘프로그래밍된 존재’에서 ‘학습된 존재’로 바뀌는 지점이기 때문이다.

배경에는 휴머노이드 로봇 산업의 급성장이 있다. 최근 XPeng 로봇 부문은 첫 외부 투자 유치에서 9억 달러 넘는 자금을 모았다. 기업가치는 63억 달러를 넘겼다.

삼성과 LG도 나란히 로봇 로드맵을 내놓으며 상용화 경쟁에 뛰어든 상태다. 이 지점이 흥미로운데, 하드웨어 경쟁만큼이나 ‘어떤 두뇌를 쓰느냐’가 승부처로 떠오르고 있다.

결국 로봇 팔다리를 아무리 정교하게 만들어도, 그걸 실제 상황에서 움직이게 하는 VLA 모델이 부실하면 무용지물이다.

표로 보면 차이가 명확하다. 기존 방식은 ‘정해진 일을 잘하는 로봇’을, VLA 모델은 ‘새로운 일에 적응하는 로봇’을 지향한다.

구글 딥마인드의 RT-2가 이 분야 초기 대표 사례로 꼽힌다. 이후 여러 기업과 연구팀이 오픈소스 VLA 모델을 내놓으며 경쟁이 본격화됐다.

흥미로운 점은 이 흐름이 클라우드 AI와는 조금 다른 방향으로 간다는 것이다. 로봇은 네트워크가 끊겨도 즉시 반응해야 한다. 그래서 온디바이스 AI 방식으로 VLA 모델을 로봇 몸체 안에서 직접 돌리려는 시도가 늘고 있다.

이 대목에서 피지컬 AI라는 표현도 자주 등장한다. 디지털 세계에만 머물던 AI가 실제 물리 공간으로 나온다는 뜻이다. VLA 모델은 그 피지컬 AI를 실현하는 핵심 엔진 역할을 한다.

관련해서는 위키피디아의 VLA 모델 항목에서 기술적 배경을 더 자세히 확인할 수 있다.

솔직히 이 분야는 아직 초기 단계다. VLA 모델이 “처음 보는 상황”을 완벽하게 처리한다고 말하기엔 이르다. 오작동이나 안전 문제도 계속 해결해야 할 숙제다.

그럼에도 방향은 분명해 보인다. 로봇 산업의 경쟁 축이 하드웨어에서 ‘두뇌’, 즉 VLA 모델 쪽으로 확실히 옮겨가고 있다.

여기서 눈에 띄는 건, 이 경쟁에 뛰어드는 주체가 로봇 제조사만이 아니라는 점이다. 구글, 오픈AI 같은 AI 기업들도 이 시장을 주목하고 있다.

앞으로 로봇을 고를 때 ‘몇 개의 관절을 움직이는가’보다 ‘어떤 VLA 모델을 쓰는가’를 물어야 할지도 모른다. 개인적으로는 이 전환이 생각보다 빠르게 올 것 같다.