로봇 인공지능(AI) 분야에서 주목할 만한 진전이 있었습니다. 20가지 로봇 형태(embodiment)를 제어할 수 있는 개방형 시각-언어-행동(VLA) 파운데이션 모델인 '링봇-VLA 2.0(LingBot-VLA 2.0)'의 코드와 사전 학습된 가중치(pre-trained weights)가 공개되었습니다. 이 모델은 대규모 사전 학습을 넘어 실제 로봇 애플리케이션에 안정적으로 적용될 수 있도록 설계되어, 로봇이 다양한 환경과 작업에 유연하게 대응할 수 있는 기반을 마련했습니다.
링봇-VLA 2.0은 이전 버전 대비 세 가지 핵심 역량을 강화했습니다. 첫째, 20가지 로봇 구성과 10,000시간의 인간 시점 비디오를 포함한 약 60,000시간 분량의 방대한 사전 학습 데이터를 활용하여 다양한 작업과 로봇 형태에 걸쳐 뛰어난 일반화 능력을 보여줍니다. 둘째, 팔, 그리퍼, 손, 허리, 머리, 모바일 베이스 신호까지 아우르는 55차원의 통합된 행동 표현(unified action representation)을 지원하여 행동 공간을 크게 확장했습니다. 셋째, DINO-Video와 LingBot-Depth를 활용한 예측 동역학 모델링(predictive dynamics modeling)을 통해 미래 예측 능력을 강화하여 로봇이 더욱 정교하게 움직임을 계획하고 실행할 수 있도록 돕습니다. 이 모델은 Qwen3-VL-4B-Instruct 등 여러 기존 모델의 가중치를 활용하며, Hugging Face와 ModelScope를 통해 사전 학습된 가중치를 다운로드할 수 있습니다.
이번 링봇-VLA 2.0의 공개는 로봇 AI 연구 커뮤니티에 중요한 의미를 가집니다. 개방형 모델과 가중치 제공을 통해 연구자들이 실제 로봇에 적용 가능한 AI 모델을 개발하고 실험하는 데 필요한 자원을 얻게 되었습니다. 이는 로봇이 인간의 지시를 이해하고 복잡한 작업을 수행하는 비전-언어-행동(VLA) 모델의 발전 속도를 가속화할 것이며, 궁극적으로는 제조, 물류, 서비스 등 다양한 산업 분야에서 로봇의 활용 범위를 넓히는 데 기여할 것으로 기대됩니다. 특히, 다양한 로봇 형태에 대한 일반화 능력은 새로운 로봇 시스템을 개발할 때마다 처음부터 학습해야 하는 부담을 줄여줄 수 있습니다.