YS·VCFounder intake
← Back to list

VLA는 죽지 않았습니다, 로봇의 두뇌가 코드로 확장됩니다

로보틱스VLAAstraAI 에이전트VC 관점

‘VLA는 죽었다’는 문장에서 가장 중요한 부분은 그 뒤에 있습니다. 로봇의 느린 두뇌에는 멀티모달 코딩이 적합한 행동 공간이라는 조건입니다.

Jim Fan의 X 게시물로 공유된 문구는 이렇습니다.

Astra is the new VLA.

VLA is dead. Long live VLA 2.0: multimodal coding is the right action space for the System 2 (slow) brain of robotics.

발언 링크. 인용은 전달된 문구를 기준으로 했습니다. X 원문은 직접 열람이 제한돼 게시 시각·전체 스레드·첨부 시연은 확인하지 못했습니다. 아래 기술 판단은 별도로 확인한 공개 연구와 실험에 근거합니다.

이 발언을 로봇 전용 모델의 사망 선언으로 읽기는 어렵습니다. 더 설득력 있는 해석은 범용 모델이 계획과 코드 수정을 맡고, 학습된 동작 모델과 기존 제어기가 물리적 실행을 맡는 분업입니다. 앞으로 로봇 기업의 경쟁력도 ‘자체 두뇌를 만들었는가’에서 ‘외부 두뇌가 좋아질 때 우리 현장의 성과가 얼마나 빨리 개선되는가’로 일부 이동할 수 있습니다.

다만 이 전망에는 중요한 단서가 있습니다. 로봇을 프로그래밍하기 쉬워지는 것과, 사람이 개입하지 않아도 로봇이 돈을 버는 것은 다른 문제입니다. 이 글은 산업·기술·사업 검증을 다루며 개별 종목의 투자판단은 다루지 않습니다.

System 2의 행동과 로봇 관절의 행동은 다릅니다

VLA는 시각·언어·행동을 연결하는 모델입니다. 카메라 영상과 지시를 받아 로봇이 수행할 움직임을 출력합니다. 다만 VLA라는 이름만으로 내부 구조가 정해지지는 않습니다. 모든 VLA가 행동을 같은 방식으로 표현하거나, 하나의 신경망이 모든 판단과 제어를 같은 속도로 처리하는 것은 아닙니다.

NVIDIA는 이미 2025년 3월 GR00T N1 발표에서 환경과 지시를 해석하는 느린 System 2와 연속적인 움직임을 만드는 빠른 System 1을 구분했습니다. 느린 판단과 빠른 실행의 분리는 Astra에서 처음 등장한 생각이 아닙니다. NVIDIA 공식 발표

2026년 7월 공개된 Google DeepMind의 Gemini Robotics ER 2도 같은 구분을 보여 줍니다. 상위 모델이 물리 세계를 이해하고 여러 단계의 일을 계획한 뒤, 실제 움직임을 하위 VLA에 넘기는 구조입니다. 모델 설명서의 출력은 관절 명령이 아니라 텍스트입니다. 상위 모델은 도구와 로봇 기능을 호출해 실행을 조직합니다. 이는 VLA를 없애는 사례보다 VLA를 활용하는 상위 두뇌의 사례에 가깝습니다. 제품 설명 · 2026년 7월 모델 설명서

포장대에서 로봇이 부품을 집어 상자에 넣는 상황을 생각해 볼 수 있습니다. ‘어떤 부품을 먼저 집을지’, ‘가려진 부품을 찾으려면 카메라를 어디로 옮길지’, ‘집기에 실패했을 때 다른 접근을 시도할지’는 숙고할 수 있는 판단입니다. 반면 부품이 미끄러지는 순간 손의 힘을 조절하거나 사람과의 충돌을 막는 일은 늦게 답하면 안 됩니다.

Jim Fan의 문장에 있는 ‘행동 공간’은 상위 두뇌가 선택할 수 있는 출력의 종류를 뜻합니다. 상위 모델이 매 순간 모터의 힘을 직접 정하는 대신, 관측·분기·반복·검증을 담은 프로그램을 만들거나 고치는 것 자체를 행동으로 삼는다는 의미로 읽을 수 있습니다.

생각하는 속도와 움직이는 속도를 분리합니다상위 두뇌: 계획·코드 작성·실패 해석범용 멀티모달 모델 + 검증된 현장 지식실행 계층: 인식·동작 모델·경로·제어학습된 VLA와 기존 로봇 기능을 조합물리 현장: 센서·구동기·작업 대상관측 결과와 실제 성공·실패를 되돌려 줌별도 안전작업 한계실행 감시중단 권한개념도: 특정 제품의 내부 구조나 안전 인증을 뜻하지 않습니다.
상위 모델의 출력이 코드가 되어도 실제 움직임을 만드는 계층은 필요합니다. 안전 감시와 중단 권한을 생성 모델의 판단에만 맡기지 않는 것은 이 글의 설계 제안입니다.

코드의 장점은 한 번의 지시보다 오래 남는다는 데 있습니다

‘컵을 집어라’라는 지시는 의도를 전달합니다. 프로그램은 그 의도를 실행하는 절차를 표현할 수 있습니다. 컵의 위치를 다시 관측하고, 집을 수 있는 자세를 계산하고, 들어 올렸는지 확인한 뒤, 실패 원인에 따라 다른 접근을 선택하는 식입니다.

코드로 표현하면 반복과 조건을 명시할 수 있고, 좌표 계산에 수학 도구를 쓸 수 있으며, 성공한 절차를 저장해 다음 일에 다시 사용할 수 있습니다. 다만 프로그램에 grasp()라는 함수를 적었다고 집기 능력이 생기는 것은 아닙니다. 그 함수 뒤에는 물체 인식, 경로 계획, 손과 물체의 접촉을 처리하는 실행 능력이 있어야 합니다.

2022년 공개된 Code as Policies는 이 구분을 이미 보여 줬습니다. 언어 모델이 인식 결과와 로봇 제어 기능을 연결하는 정책 코드를 생성하고, 조건문과 반복문·수학 라이브러리로 작업을 수행합니다. 실물 로봇 시연도 포함됐지만, 기존 인식·제어 기능을 활용하는 구조였습니다. ‘코딩 모델이 로봇을 움직인다’는 생각의 출발점을 Astra로 잡으면 이 계보를 놓칩니다. 논문 · Google Research 설명

Astra에서 주목할 후보 역량은 코드 한 줄을 더 잘 쓰는 능력보다 보고, 실행하고, 결과를 비교하고, 이전 실패를 참고해 수정하는 일을 길게 이어 가는 능력입니다. OpenAI의 공식 발표는 코딩·컴퓨터 사용·시각 정보를 활용한 작업의 개선을 제시합니다. 그러나 소프트웨어나 3차원 설계 평가의 성적을 로봇의 정밀 조작 성적으로 바꿔 읽을 수는 없습니다. 로봇 적용에 유리할 것이라는 전망과 물리 현장에서 검증됐다는 사실을 구분해야 합니다. OpenAI 공식 발표

상위 프로그램이 아무리 정교해도 센서가 잘못된 위치를 알려 주면 실패할 수 있습니다. 반대로 동작 모델이 충분히 잘 작동하는 과제에서는 상위 모델의 계획·복구 능력을 개선하는 것만으로도 전체 성과가 나아질 수 있습니다. 어떤 층이 병목인지에 따라 필요한 기술과 투자 규모가 달라집니다.

로봇의 경험이 가중치 밖에도 쌓이기 시작했습니다

코드 생성보다 더 큰 변화는 실패를 고친 경험이 어디에 남는가입니다.

2026년 3월 Act–Observe–Rewrite는 실행 결과의 영상과 기록을 보고 다음 시도의 제어 프로그램을 다시 작성하는 방식을 제시했습니다. 실험은 시뮬레이션에서 이뤄졌습니다. 여기서 개선되는 것은 매번 신경망의 가중치가 아니라 프로그램입니다. 논문

6월의 RHO는 한 단계 더 나아가 여러 파일로 이뤄진 로봇 프로그램 묶음을 탐색·개선합니다. 중요한 것은 시점입니다. 논문의 일부 실험에서는 배포 전에 프로그램을 충분히 고쳐 두고, 실행 중에는 언어 모델이 코드를 다시 생성하지 않습니다. 논문은 모든 평가가 시뮬레이션이라는 한계도 명시합니다. 논문 본문과 한계

이 구조에서는 ‘로봇 한 대를 움직일 때마다 대형 모델을 계속 호출해야 한다’는 가정이 성립하지 않을 수 있습니다. 어려운 환경 적응과 프로그램 개발에는 큰 모델을 쓰고, 반복 실행에는 이미 검증된 코드와 작은 동작 모델을 쓰는 방식입니다. 지능을 만드는 비용과 만들어진 지능을 반복 사용하는 비용이 분리될 여지가 생깁니다. 이는 RHO에서 읽을 수 있는 사업적 함의이지, 모든 로봇에서 입증된 원가 구조는 아닙니다.

Jim Fan이 공동저자로 참여한 ASPIRE는 이 논지를 더 직접적으로 보여 줍니다. 실행 과정에서 인식 결과·잡기 후보·이동 경로·충돌 같은 기록을 남기고, 실패를 진단하고, 수정안을 실행해 확인한 뒤, 재사용 가능한 기술 지식으로 저장합니다. 다른 과제를 만났을 때 이 라이브러리를 참고합니다. NVIDIA 연구팀 프로젝트

ASPIRE 논문의 LIBERO-Pro Long 실험에서는 라이브러리의 원천 과제가 없을 때 평균 성공률이 4.7%, 90개 과제의 경험을 축적했을 때 30.5%였습니다. 시험 시 추가 디버깅을 하지 않는 전이 실험의 저자 보고값입니다. 모든 실물 작업이 30.5% 성공한다는 뜻도, 로봇이 사람 없이 끝없이 개선된다는 뜻도 아닙니다. 논문 부록 C, 표 5

이 연구들을 Astra의 로봇 성능표로 사용해서는 안 됩니다. 서로 다른 시점·모델·실험 조건의 연구입니다. 다만 로봇의 경험을 신경망 가중치뿐 아니라 수정된 코드, 적용 조건, 실패 사례, 재사용 지식으로 남기는 방향은 확인할 수 있습니다.

사업적으로는 흥미로운 갈림길입니다. 같은 범용 모델을 사용하는 두 회사라도, 한 회사는 매번 실패를 처음부터 해결하고 다른 회사는 이전 해결책을 검증해 재사용할 수 있습니다. 이 차이가 새 현장의 도입 기간과 운영 인건비를 반복적으로 줄인다면, 모델 자체를 소유하지 않아도 축적되는 자산이 생깁니다.

그러나 저장된 코드가 많다는 사실만으로 자산이라고 부를 수는 없습니다. 다음 고객에게 옮겨 쓸 수 없거나, 누가 언제 왜 만들었는지 알 수 없거나, 업데이트 때마다 다른 기능을 망가뜨린다면 유지보수 부채일 수 있습니다.

Astra도 블록 옮기기와 정밀 삽입 사이에서 갈립니다

범용 모델의 가능성과 한계를 함께 보여 주는 작은 실물 실험도 있습니다. Robocurve가 2026년 9월 4일 공개한 실험입니다. OpenAI의 공식 로봇 평가가 아니라, 평가 수행자가 공개한 결과입니다.

실물 과제 Astra 완수 Fable 5.1 완수 Astra 시도당 추정 추론비
블록을 집어 그릇에 넣기 19/20회, 95% 8/20회, 40% 0.94달러
퍼즐 조각을 홈에 끼우기 2/20회, 10% 2/20회, 10% 1.36달러

모델은 손끝의 목표 위치·방향을 지시했고, 관절 각도로의 변환은 로봇의 역기구학 기능이 담당했습니다. 모델별·과제별 표본은 20회입니다. 모델 평가 날짜가 달랐고, 그릇 과제는 Astra와 Fable의 장비가 달랐습니다. 채점자는 모델을 알고 있었으며 물체를 사람이 다시 놓았습니다. 속도 제한도 적용됐습니다. 따라서 엄격히 통제된 모델 순위나 무인 공장 생산성으로 확대할 수 없습니다. 실험 결과·조건·한계

그럼에도 같은 Astra가 서로 다른 과제에서 95%와 10%를 기록했다는 차이는 중요합니다. 물체를 찾아 옮기는 능력이 나아져도, 접촉 오차를 조절해야 하는 과제까지 같은 속도로 해결되는 것은 아니라는 관측입니다. 다만 이 실험만으로 실패 원인을 촉각 부족이나 특정 모델 구조로 확정할 수는 없습니다. 관측·제어 방식과 주어진 실행 기능도 결과에 영향을 줄 수 있기 때문입니다.

‘Astra가 로봇을 움직였다’는 문장은 너무 넓습니다. 어떤 물체를, 어떤 센서와 도구로, 어느 정도의 성공률로, 얼마나 많은 사람의 도움을 받아 움직였는지를 붙여야 사업 판단에 쓸 수 있습니다.

추론비가 내려가도 성공한 작업은 비쌀 수 있습니다

위 실험의 반올림된 평균 추론비를 이용하면, 관측된 성공 한 건당 추론비를 대략 계산할 수 있습니다.

그릇 과제: 20회 × 0.94달러 ÷ 19회 성공 ≈ 0.99달러/성공 건.

삽입 과제: 20회 × 1.36달러 ÷ 2회 성공 = 13.60달러/성공 건.

이는 공개된 실험값으로 계산한 근사치입니다. 반복 시도들이 독립이라는 가정 없이 해당 실험 묶음의 비용을 성공 건수로 나눈 값이며, 미래 생산 원가의 예측값은 아닙니다. 실제 청구액 대신 평가자가 제시한 추정 추론비를 사용했습니다. 장비, 사람의 재설정, 불량, 유지보수 비용은 들어 있지 않습니다.

한 번 호출하는 모델의 가격이 조금 저렴해져도, 대부분의 작업을 끝내지 못하면 완수 기준 비용은 높습니다. 반대로 모델 호출비가 다소 비싸더라도 실패를 줄이고 사람의 방문을 없앤다면 고객에게는 더 싼 시스템일 수 있습니다.

로봇 기업의 원가 검증에는 적어도 다음 분모가 필요합니다.

합격 작업 한 건당 총비용 = 같은 기간의 장비 비용·추론비·현장 지원비·복구비·불량 비용 합계 ÷ 고객 기준을 통과한 작업 건수.

대기·중단 손실을 별도로 더할 때는 이미 인건비나 장비 시간에 반영한 비용과 중복하지 않아야 합니다. 연구 시연의 ‘성공’과 고객이 검수한 ‘합격’도 일치하지 않을 수 있습니다. 컵을 옮겼다는 판정과 깨뜨리지 않고 정해진 위치에 제시간에 놓았다는 판정은 다릅니다.

여러 단계가 이어지면 부분 성공률도 조심해서 읽어야 합니다. 설명을 위한 가정으로 각 단계가 독립이고 성공률이 모두 99%인 20단계 작업을 잡으면, 전체 성공률은 0.99의 20제곱인 약 81.8%입니다. 실제 로봇의 실패는 독립적이지 않을 수 있고 복구가 가능할 수도 있습니다. 이 계산의 목적은 특정 시스템을 예측하는 데 있지 않습니다. 개별 동작의 높은 점수만으로 전체 업무의 신뢰성을 보장할 수 없다는 점을 드러내는 데 있습니다.

범용 두뇌를 빌리는 회사에도 남길 자산이 있습니다

이 변화는 로봇 스타트업에 기회인 동시에 가격 압박입니다. 범용 모델이 계획·코딩·시각 추론을 더 잘하면 작은 팀이 만들 수 있는 제품 범위가 넓어질 수 있습니다. 그러나 경쟁사도 같은 모델을 쓸 수 있습니다. 개발이 쉬워진 만큼 기능 자체의 희소성은 낮아질 수 있습니다.

다음은 공개 연구에서 도출한 사업적 판단입니다. 이미 실현된 산업 전체의 수익구조를 뜻하지는 않습니다.

기업이 내세우는 자산 경쟁력으로 인정하려면 필요한 증거 약해지는 경우
범용 모델과 로봇을 잇는 연결 기능 여러 장비에서 안정적으로 동작하고 도입 시간을 줄임 장비 제조사·모델 공급자가 같은 기능을 기본 제공
현장별 작업 기술과 복구 라이브러리 새로운 고객·물체·환경에서도 검증된 재사용 효과 고객마다 전면 재작성하고 사람이 계속 수정
정밀 조작과 동작 모델 범용 모델로 대체해도 남는 정확도·속도·안정성 우위 특정 시연에만 맞고 새 환경에서 우위 소멸
운영 기록·평가·안전·고객 업무 통합 개입과 불량을 줄이고 고객의 운영 절차에 정착 대시보드만 있고 실제 책임·성과 데이터가 없음

여기서 가장 오해하기 쉬운 것은 ‘통합’입니다. 현장과 연결됐다는 이유만으로 모두 좋은 사업은 아닙니다. 매출이 늘 때 엔지니어 출장과 고객별 개발 인력이 같은 비율로 늘어난다면, 범용 모델이 좋아져도 인력집약적 구축 사업에 머물 수 있습니다.

따라서 라이브러리의 개수보다 두 번째 현장이 첫 번째보다 얼마나 싸고 빠르게 열리는가를 보아야 합니다. 열 번째 현장에서도 사람의 개입이 비슷하게 필요하다면, 축적된 경험이 제품 경쟁력으로 전환됐다는 주장은 약합니다.

고객 접점 역시 자동으로 데이터 우위를 주지 않습니다. 실행 기록을 남길 권리, 다른 고객을 위한 개선에 활용할 권리, 사고·실패 원인을 판별할 정보가 있어야 합니다. 기록을 많이 보유해도 계약상 재사용할 수 없거나 성공 여부를 알 수 없다면 학습 자산의 범위는 작습니다.

로봇 데이터의 가치는 양보다 해결할 실패에 가까워집니다

범용 코딩 모델이 로봇으로 확장되면 ‘로봇 데이터는 이제 필요 없다’는 주장이 나오기 쉽습니다. 현재 근거로는 과도합니다. 코드로 집기 순서를 바꿀 수 있다는 사실은 손끝의 접촉 상태나 마찰을 충분히 안다는 뜻이 아닙니다.

오히려 수집할 데이터의 우선순위가 달라질 가능성이 있습니다. 계획을 이해하지 못해 생기는 실패가 줄어든다면, 남은 실패는 물체의 재질, 가림, 미끄러짐, 힘 조절, 예외 상황의 복구에 더 집중될 수 있습니다. 이 경우 사람이 모범 동작을 많이 보여 준 데이터뿐 아니라, 어떤 조건에서 실패했고 어떤 수정이 실제로 통했는지를 연결한 기록의 가치가 높아집니다.

단, 실패 기록이 저절로 개선을 만들어 내지는 않습니다. 원인이 인식이면 인식을 고쳐야 하고, 접근 경로면 계획을 고쳐야 하며, 접촉 제어면 해당 동작 모델이나 제어기를 개선해야 합니다. 코드 수정으로 해결할 문제와 추가 동작 학습이 필요한 문제를 가르는 능력 자체가 중요합니다.

한국 로봇 기업에 대한 제안도 여기서 나옵니다. 범용 모델을 자체 개발하지 않는다는 이유로 기술력이 없다고 볼 필요는 없습니다. 대신 실제로 접근 가능한 제조·물류 현장에서 특정 작업의 합격 기준을 정의하고, 실패를 관측하고, 개선 효과를 다음 현장에 재현할 수 있는지를 검증해야 합니다. ‘한국에는 공장이 많다’는 설명만으로 특정 기업의 고객 접근권·데이터 권리·매출이 생기는 것은 아닙니다.

코드 중심 구조가 항상 이기는 것은 아닙니다

가장 강한 반론은 학습된 모델이 인식부터 움직임까지 함께 처리하는 편이 더 나을 수 있다는 것입니다. 사람이 정한 기능 경계와 좌표 변환이 정보 손실을 만들 수 있고, 코드·인식 모듈·동작 모듈을 연결하는 과정에서 오류와 지연이 생길 수도 있습니다. 접촉이 복잡한 작업에서는 규칙을 늘리는 것보다 동작 모델을 더 잘 학습하는 편이 효율적일 수 있습니다.

또 하나의 반론은 경험 라이브러리의 유지 비용입니다. 기능이 축적될수록 서로 충돌하거나, 센서·장비·모델 버전이 바뀌면 과거의 성공 조건이 깨질 수 있습니다. 읽을 수 있는 코드라고 해서 안전하거나 정확한 것은 아닙니다. 생성된 프로그램의 시험 통과를 물리적 안전의 보증으로 삼아서도 안 됩니다.

따라서 향후 로봇 기업을 검토할 때는 같은 장비·센서·과제·시간 예산에서 기존 제어 방식, 학습된 VLA, 코딩 모델을 얹은 구조를 비교할 필요가 있습니다. 유리한 시연을 각각 골라 비교하면 판단할 수 없습니다.

검증 질문 받아야 할 자료
새로운 현장에서도 좋아지는가 개발에 쓰지 않은 고객 현장·물체·배치에서의 시험 결과
사람의 노동이 실제로 줄었는가 교대 시간 전체의 개입 횟수, 원격조작 시간, 재설정·출장 기록
경험이 재사용되는가 라이브러리를 켰을 때와 껐을 때의 도입 시간·합격률·수정 인력 차이
상위 모델 교체에 견디는가 모델을 바꿔도 남는 회사 고유의 성과와 전환 비용
실패를 포함해 돈을 버는가 합격 작업 기준 총비용, 중단·불량, 유지보수를 포함한 고객별 손익

저는 기존 방식보다 나은 결과가 나오더라도 바로 무인 운영의 증거로 보지 않겠습니다. 관찰 기간과 중단 조건을 먼저 정하고, 안전 문제가 발생하면 성능 점수와 별개로 시험을 멈출 수 있어야 합니다. 개선이 새 현장에 재현되지 않거나 지원 인력이 매출과 함께 계속 늘어난다면, ‘경험이 쌓일수록 좋아지는 소프트웨어 사업’이라는 가설을 낮춰야 합니다.

더 좋은 모델이 나올수록 더 강해지는 회사

‘VLA 2.0’은 여기서 Jim Fan의 문제 제기를 설명하는 표현입니다. 이 글은 이를 통일된 산업 표준이나 모든 로봇이 따라야 할 구조로 사용하지 않습니다. 공개 근거가 뒷받침하는 변화는 더 제한적이면서도 중요합니다. 범용 모델이 로봇 프로그램을 작성·수정하고, 검증된 경험을 재사용하는 역할을 맡을 수 있다는 것입니다.

상위 두뇌가 좋아지면 로봇을 만드는 비용은 낮아질 수 있습니다. 동시에 그 두뇌를 연결했다는 사실만으로 받을 수 있는 대가는 줄어들 수 있습니다. 로봇 전용 동작 모델, 정밀 제어, 현장 복구와 운영 통합은 사라지는 항목이 아니라 각각 자신의 기여를 증명해야 하는 항목이 됩니다.

검토할 회사가 Astra를 쓰는지는 출발점입니다. 더 중요한 질문은 다음 모델이 나왔을 때입니다. 그 모델에 기존 현장 경험을 연결해 고객의 개입 시간을 더 줄일 수 있는지, 그 개선을 다른 현장에도 반복할 수 있는지, 그리고 줄어든 비용 중 일부를 회사의 수익으로 남길 수 있는지를 확인해야 합니다.

출처와 검증 범위

기준일은 2026년 9월 9일입니다. 인용 발언, 연구자 보고값, 실물 실험, 이 글의 설계·사업 해석을 구분했습니다. 논문 실험을 직접 재현하지 않았으며, 공개된 자료 밖의 장기 운영성과와 기업별 수익성은 확인하지 않았습니다.

함께 읽기: 로봇 AI의 여러 실행 계층과 피지컬 AI · Astra의 장기 업무 학습과 추격 장벽

VLA는 죽지 않았습니다, 로봇의 두뇌가 코드로 확장됩니다