VLA는 Vision-Language-Action의 약자로, 직역하면 'Vision-Language-Action' 모델을 의미합니다. 일반 멀티모달 모델과 가장 큰 차이점은 이미지를 읽고 텍스트를 이해할 수 있을 뿐만 아니라, 그 결과를 실행 가능한 동작으로 전환할 수 있다는 점입니다. 바로 이 단계 때문에 VLA는 이제 로봇과 몸 지능에 관한 논의에서 거의 피할 수 없는 키워드가 되었습니다.
전통적인 시각 언어 모델이 주로 텍스트를 출력하는 반면, VLA는 더 나아가 환경을 보고, 명령을 이해한 후 행동을 생성합니다. 예를 들어, "테이블 위의 빨간 컵을 싱크대로 가져다라"는 VLA 시스템의 경우, 단순히 빨간 컵을 인식하고 문장을 이해하는 것뿐만 아니라, 이를 로봇 팔을 구동하는 실제 제어 신호로 변환하는 것도 중요합니다.
왜 불이 났지? 로봇공학 분야가 오랫동안 단층에 갇혀 있었기 때문입니다. 지각은 시스템이고, 언어 이해는 시스템이며, 행동 제어도 또 다른 시스템이며, 이 세 가지는 종종 많은 수작업 규칙에 의존해 치열하게 싸운다. VLA의 매력은 모두가 이 층들을 더 통합적으로 연결하고자 한다는 점입니다. 그래서 모델이 '이해하고 이해한다'에서 '할 수 있다'로 직접적으로 전환할 수 있습니다.
하지만 VLA는 단순히 로봇 팔에 연결된 대형 모델이 아닙니다. 진짜 문제는 현실 세계가 단순한 대화보다 훨씬 복잡하다는 점입니다. 연속성이 작용하며, 환경이 변하고, 잡기가 실패하며, 물체의 위치가 어긋나고, 센서가 소음이 나며, 안전 경계가 틀릴 수 없습니다. 따라서 VLA 모델은 단순히 이해할 뿐만 아니라 충분히 안정적이고 실시간적이어야 하며, 물리적 세계의 불확실성을 견딜 수 있어야 합니다.
이는 물리적 AI와 세계 모델이라는 단어와 밀접한 관련이 있지만, 경계는 다릅니다. 물리적 AI는 AI가 실제 물리적 환경에 진입하는 것을 강조하는 큰 방향 단어에 가깝습니다; 세계 모델은 시스템이 환경의 인과관계 및 미래 변화를 이해하도록 허용하는 경향이 있습니다; VLA는 시각적·언어적 입력을 행동 출력으로 변환하는 데 더 구체적입니다. 이것은 로봇 실행 계층에서 매우 중요한 모델 형태라고 생각할 수 있습니다.
최근 출시된 구글 딥마인드의 로봇 모델, RT-2, 제미니 로보틱스는 VLA라는 단어를 다시 대중의 눈으로 끌어올릴 것입니다. 이는 업계가 "로봇이 일반적으로 무언가를 할 수 있는지"를 현실적인 가능성으로 여기기 시작했기 때문입니다. 고정된 스테이션에서만 반복하는 로봇은 새로운 것이 아니며, 진정으로 창의적인 로봇은 오픈 지시를 이해하고 환경 변화에 적응할 수 있는 시스템이다.
그래서 VLA는 단지 최첨단처럼 들리기 때문만이 아니라, 로봇 착륙의 가장 중요한 교차점, 즉 인식, 이해, 행동이 연결될 수 있는지라는 점에서 뜨거운 단어가 되었습니다. 로봇이 가정, 창고, 공장, 상점 등에 진입하려 할 때, 이 문제는 피할 수 없습니다.
