창간 준비호

거대 인공지능을 쓴 로봇, 적은 시범으로 익혀

매개변수 5520억 개 모델로 충전기 꽂기 성공률이 올랐다

쎈프레스 편집국읽는 데 2분
거대 인공지능을 쓴 로봇, 적은 시범으로 익혀

연구진이 매개변수 5520억 개 규모의 거대 모델을 로봇 제어에 쓰는 스케일VLA(ScaleVLA)를 내놓았다고 밝혔다. 시범 횟수가 적어도 더 잘 배우고, 처음 보는 상황에서도 성공률이 높았다고 주장한다.

지금까지

로봇에게 일을 가르칠 때는 사람이 직접 하는 모습을 여러 번 보여 주는 방식이 널리 쓰였다. 최근에는 사진과 글을 함께 이해하고 행동까지 정하는 '시각·언어·행동 모델(VLA)'이 주목받았다. 다만 이런 모델의 뼈대 역할을 하는 언어·시각 모델은 크기가 비교적 작은 것이 대부분이었다.

AI 시대에는

연구진은 GPT-6 Astra 같은 최첨단 언어·시각 모델이 로봇 제어에서 좋은 능력을 보였다는 점에서 출발했다고 밝혔다. 이들은 5520억 개 규모의 DeepSeek-V4.1-Flash를 뼈대로 삼고, 여기에 행동을 만들어 내는 학습 가능한 부분을 연결했다. 같은 조건에서 2B부터 552B까지 모델 크기별로 비교한 결과, 시범 10번만 보여 준 경우의 성공률이 시범 50번을 쓴 작은 모델(20억 개 규모)보다 높았다(87.8% 대 85.6%)고 한다. 일반화 능력을 재는 시험 LIBERO-PRO에서는 성공률 45.1%로, 더 작은 모델들의 최대 31.3%를 앞섰고, 실제 충전기 꽂기는 10번 중 4번에서 9번으로 늘었다고 한다. 행동 묶음 하나를 내놓는 데 걸리는 시간은 중간값 216밀리초였다. 이 글은 동료 심사를 거치기 전에 공개된 사전 공개 논문의 초록이어서, 이 결과는 아직 연구진의 주장이다.

지금 해 볼 것

  • 논문 주소(arxiv.org/abs/2611.21607v1)에서 초록을 읽고, 시범 횟수·성공률 같은 수치가 어떤 조건에서 나온 것인지 직접 확인해 본다.
  • 평소 쓰는 대화형 인공지능에 집 안 물건 사진을 보여 주고 '이 물건을 어떻게 집어 들어야 하는지' 물어보면서, 사진과 글을 함께 이해하는 모델이 어디까지 설명하는지 살펴본다.

원문에서 확인한 사실

  • 스케일VLA는 매개변수 552B(5520억 개) 규모의 DeepSeek-V4.1-Flash를 뼈대로 쓰고 여기에 학습 가능한 행동 생성 부분(action DiT)을 연결했다.
  • 연구진은 2B부터 552B까지 여러 크기의 언어·시각 모델을 같은 학습 조건에서 비교했다.
  • 시범 10번으로 학습한 스케일VLA가 시범 50번으로 학습한 2B 모델보다 높은 성공률을 보였다(87.8% 대 85.6%).
  • LIBERO-PRO 성공률은 45.1%로, 더 작은 모델들의 최대 31.3%보다 높았다.
  • 실제 충전기 꽂기 실험에서 성공이 10번 중 4번에서 9번으로 늘었다.
  • 행동 묶음 하나당 중간 지연 시간은 216밀리초였다.
#로봇#거대 모델#시각·언어·행동 모델#사전 공개 논문

이 기사는 쎈프레스 편집국이 공개된 원문을 바탕으로 정리했습니다. 원문에 없는 내용은 싣지 않는 것을 원칙으로 하며, 틀린 곳은 010-8114-3468로 알려 주시면 바로 고칩니다.

넘겨 보기로 이어 보기

이어서 읽기

로봇

모래와 점토 다루는 로봇 손, 재료 모사 없이 학습

연구진이 모래를 푸고 점토를 미는 것 같은 도구 사용 기술을, 모래나 점토를 컴퓨터로 흉내 내지 않고 로봇에게 가르치는 방법 DAPPT를 내놓았다. 연구진은 이 방법이 여섯 가지 작업에서 추가 학습 없이 실제 환경으로 옮겨졌다고 밝혔다.

로봇

드론 여러 대가 번지는 오염 구름을 쫓는다

연구진이 여러 대의 무인항공기(UAV)가 바람에 따라 움직이는 대기오염 분포를 추적하고 지도로 그리게 하는 제어 방식을 내놓았다. 연구진은 시뮬레이션에서 이 방식이 기존 방법보다 크게 나았다고 밝혔다.

로봇

물건 찾는 로봇, 현실 성공률 0.455

연구진이 방 종류를 단서로 물건을 찾아가는 로봇 길찾기 방식을 실제 로봇 두 종류에 적용해 시험했다. 보스턴 다이내믹스의 스팟(Spot)으로 한 66번의 시험에서 성공률은 0.455로, 시뮬레이션 결과보다 낮았다.

과학

새 환경을 배워도 옛 경험을 잊지 않는 학습 연구

연구진은 환경마다 잘하는 작은 신경망 '전문가'를 진화 방식으로 만들어 보관해 두고, 상황이 바뀌면 알맞은 것을 꺼내 쓰는 구조를 내놓았다고 밝혔다. 막대 세우기 과제인 카트폴(CartPole)에서 이 구조는 시험 환경 다섯 곳의 평균 성공률 83.2%를 기록했다.