"그것은 잘못된 경주입니다."

2026년 6월 4일, Stanford, ETH Zurich, IIT, TU Darmstadt, 그리고 UCL의 연구진들이 지원하는 Motoniq이라는 회사가 의도적으로 도발적인 서두를 가진 포지션 페이퍼(position paper)를 발표했습니다:

"모두가 더 큰 VLA(Vision-Language-Action), 더 큰 로봇 정책(robot policies), 그리고 더 강력한 월드 모델(world models)을 구축하기 위해 경주하고 있습니다. 그것은 잘못된 경주입니다."

_Robots Need More Than VLAs & World Models_라는 제목의 이 논문은 로봇 공학의 현재 지배적인 패러다임이 구조적으로 불충분하다고 주장합니다. 이는 VLA가 나쁘기 때문이 아니라, 이 분야가 잘못된 변수를 최적화하고 있기 때문입니다.

저는 26페이지 분량의 논문 전체를 읽었습니다. 제가 분석한 내용은 다음과 같습니다. 그들이 무엇을 맞혔는지, 무엇을 틀렸는지, 그리고 이것이 체화된 지능(embodied intelligence) 문제의 더 깊은 구조에 대해 무엇을 드러내는지에 대한 분석입니다.

핵심 주장

로봇 공학의 병목 현상은 정책 스케일링(policy scaling)이 아닙. 그것은 세상에 풍부하게 존재하는 비구조화된 행동 데이터(unstructured behavioural data)를 접지된 로봇 감독(grounded robot supervision)으로 변환하는 메커니즘의 부재입니다.

텍스트는 왜 스케일링되었고, 로봇 공학은 왜 안 되는가:

LLMs	로봇 공학 (Robotics)
텍스트는 이미 디지털화되어 있었고, 풍부하며, 인간의 사용에 의해 구조화되어 있었습니다	물리적 경험은 아날로그적이고, 희소하며, 비구조화되어 있습니다
...

논문의 핵심 문구:

"세상에는 증거가 포함되어 있습니다. 로봇에게는 접지(grounding)가 부족합니다. 그것이 병목 현상입니다."

결여된 네 가지 기둥

Motoniq은 로봇 공학에 필요하지만 아직 갖추지 못한 네 가지 아키텍처 구성 요소를 식별했습니다:

1. 추출 (Extraction)

비구조화된 행동 비디오를 작업 단계(task phases), 객체 상태(object states), 접촉 이벤트(contact events), 목표(goals), 보상(rewards), 그리고 복구 신호(recovery signals)로 전환합니다. 누군가가 물리적인 일을 하는 비디오는 픽셀 그 이상의 것을 담고 있습니다. 하지만 이러한 신호들이 추출되고 접지되기 전까지는 약한 감독(weak supervision) 상태로 남게 됩니다.

2. 체화 (Embodiment)

인간의 행동은 로봇의 행동이 아닙니다. 손, 두 손가락 그리퍼 (two-finger gripper), 흡착 도구 (suction tool), 휴머노이드 팔 (humanoid arm), 그리고 모바일 매니퓰레이터 (mobile manipulator)는 형태 (morphology), 제약 조건 (constraints), 또는 어포던스 (affordances)를 공유하지 않습니다. 체화 인터페이스 (embodiment interface)는 무엇이 전이될지, 무엇이 변할지, 그리고 주어진 신체가 단순히 실행할 수 없는 것이 무엇인지를 결정합니다.

3. 반사실적 접지 (Counterfactual Grounding)

월드 모델 (world model)은 그 자체로 무엇이 작업을 성공하게 만드는지 알지 못한 채 그럴듯한 프레임 (frames)을 예측할 뿐입니다. 해결책은 예측을 버리는 것이 아니라 이를 접지 (grounding)하는 것입니다. 즉, 예측이 단순히 "다음에 무엇이 올 것인가"가 아니라 "다른 행동을 했을 때 어떤 일이 일어날 것인가"에 답하도록 강제하는 것입니다. 기하학 (geometry), 객체 상태 (object state), 접촉 (contact), 힘 (force), 제약 조건 (constraints), 그리고 물리적 결과 (physical consequence)의 보존이 요구됩니다.

4. 실행 피드백 (Execution Feedback)

로봇은 프레임이 그럴듯해 보이는지 여부가 아니라, 작업이 진행되고 있는지 여부를 알아야 합니다. 실행 인터페이스 (execution interface)는 비디오, 언어, 상태 변화 (state change), 그리고 배포 결과 (deployment outcomes)로부터 진행, 성공, 그리고 실패를 접지하며, 물리적 증거를 학습 신호 (learning signal)로 전환합니다.

배포 루프 (deployment loop)로 폐쇄됨으로써, 이 네 가지 요소는 로봇 공학에 결여된 시스템을 형성합니다.

Motoniq의 관점이 옳은 이유

VLA 스케일링 (scaling)에 대한 비판은 시의적절하며 정확합니다

VLA 경쟁 (RT-2, OpenVLA, π0, GR00T N1, Gemini Robotics)은 동질성 경쟁이 되었습니다:

더 큰 인터넷 사전 학습 (internet pretraining) + 더 많은 로봇 궤적 (robot trajectories) + 더 나은 액션 토큰화 (action tokenization) ≈ 더 강력한 VLA

하지만 이 공식은 결정적인 사실을 간과하고 있습니다. 당신이 학습시키는 로봇 데이터는 극도로 좁은 분포 (extremely narrow distribution) — 즉, 실험실 환경, 고정된 작업, 연구자에 의해 조작되는 환경 — 에서 수집된다는 점입니다. 인터넷 사전 학습은 의미론적 지식 (semantic knowledge)을 제공하지만, 실제로 작업을 실행할 때는 여전히 그 수십만 개의 로봇 궤적에 의존하게 됩니다. 물리적 세계의 복잡성에 비해 그 숫자는 LLM에 인터넷이 제공했던 것과 비교했을 때 전혀 대등하지 않습니다.

논문에서 언급했듯이:

"그럴듯한 다음 행동이 완료된 작업은 아니다."

"예측은 역량이 아니다 (Prediction is not competence)"는 진정으로 훌륭한 통찰입니다

"월드 모델 (World model)은 다음에 어떤 일이 일어날지 말할 수 있고, 플래너 (Planner)는 경로를 탐색할 수 있으며, 시뮬레이터 (Simulator)는 롤아웃 (Rollouts)을 생성할 수 있습니다. 하지만 그 중 어느 것도 단독으로는 무엇이 작업을 성공하게 만드는지를 로봇에게 알려주지 못합니다."

제 머릿속에 계속 남은 문장은 이것입니다:

"로봇 공학에서, '가까운 것'은 곧 실패입니다. 장면을 이해하는 것이 곧 과업을 완수하는 것은 아닙니다."

'대체로' 닫힌 서랍은 열려 있는 상태입니다. '거의' 딸깍 소리가 난 케이블은 헐겁습니다. '어느 정도' 맞는 부품은 끼어 있습니다. 아름다운 미래 프레임을 렌더링하는 월드 모델들은 이를 완전히 놓치고 있습니다. 왜냐하면 그들의 손실 함수 (Loss function)는 픽셀 수준의 유사성이지, 과업 수준의 성공이 아니기 때문입니다.

네 가지 기둥이 형성하는 일관된 아키텍처 (Architecture)

이것은 점진적인 기여가 아닙니다. 이것은 아키텍처에 대한 주장입니다. 즉, 차세대 로봇 지능은 단순히 네 개의 더 큰 모델을 연결함으로써 구축될 수 없다는 것입니다. 추출 (Extraction), 체화 전이 (Embodiment transfer), 반사실적 접지 (Counterfactual grounding), 그리고 실행 피드백 (Execution feedback)을 동시에 수행하는 하나의 시스템이어야 합니다.

그들의 실행 능력에 대해 어떻게 생각하든 간에, 이러한 프레임워크 설정은 논쟁을 벌이기에 적절한 추상화 수준입니다.

반론 (Where I Push Back)

실험이 전혀 없는 포지션 페이퍼 (Position paper)

26페이지 분량. 포괄적인 조사. 베이스라인 (Baselines) 없음. 어블레이션 연구 (Ablation studies) 없음. 네 가지 기둥 중 그 어떤 것에 대한 실험적 검증도 없음.

Motoniq는 기업입니다. 그들은 로드맵 보조금을 신청하는 학술 연구실이 아닙니다. 포지션 페이퍼를 주요 기술적 결과물로 발표하는 것은 여전히 "무엇을 만들지 고민하는" 단계에 있음을 시사합니다. 저자 명단 (Stanford, ETH, IIT, TU Darmstadt, UCL)이 신뢰성을 부여해주기는 하지만, 그것이 해결책을 보장해주지는 않습니다.

각 기둥은 그 자체로 박사 학위 수준의 문제임

기둥	미해결 연구 과제
추출 (Extraction)	비디오로부터 미세한 물리적 이해를 요구함 — 표준 벤치마크 (Benchmark)조차 없는 문제입니다. "그 접촉이 안전했는가?"는 픽셀로 해결하려는 힘 감지 (Force-sensing) 문제입니다.
...	Motoniq는 이 네 가지를 모두 수행하고자 합니다.

어색한 포지셔닝: 학계와 제품 사이

이 논문은 설득력 있는 논지를 주장합니다: 현재의 경로는 잘못되었으니 우리를 따르라는 것입니다. 하지만 Motoniq가 자신들이 설명하는 그 경로를 실제로 걸어갈 수 있다는 증거는 제시하지 못하고 있습니다.

이는 그들을 취약한 위치에 놓이게 합니다. 그들의 논지가 명확해질수록, 더 많은 자원을 보유한 팀들(Google DeepMind, NVIDIA, Physical Intelligence, Figure AI)이 논문을 읽고, 분석에 동의하며, 스스로 해결책을 구축하기가 더 쉬워지기 때문입니다. 포지션 페이퍼 (Position paper)는 경주를 정의할 뿐, 경주에서 승리하는 도구가 아닙니다.

Motoniq는 이 프레임워크가 부채가 아닌 자산이 되기 전에, 네 가지 기둥 중 적어도 하나—가급적 복제하기 가장 어려운 것—에 대해 구체적인 진전을 보여주어야 합니다.

더 깊은 패턴: 이것이 드러내는 것

저는 AI 역량을 계층별로 분해하는 **5계층 운영 체제 (Five-Layer Operating System)**라고 부르는 프레임워크를 개발해 왔습니다:

• L1–L4: 디지털 계층 (Digital layers) — 코드, 언어, 추론, 메타 인지 (Meta-cognition). 이들은 모두 순수 정보 공간에서 학습 및 평가될 수 있습니다. VLA 모델과 월드 모델 (World models)이 존재하는 영역입니다.
• L0: 체화된 기초 (Embodied foundation) — 물리적 상호작용, 센서모터 제어 (Sensorimotor control), 실시간 제약 조건, 안전이 보장된 실행. 접지 (Grounding) 문제가 존재하는 영역입니다.

Motoniq의 논문은 본질적으로 왜 L0 인프라 없이는 L1–L4가 완성될 수 없는지에 대한 상세한 기술적 정교화입니다. 네 가지 기둥은 L0 인프라가 어떤 모습이어야 하는지에 대한 구체적인 아키텍처 제안입니다.

이 평행 이론은 더 깊게 이어집니다. 저의 4계층 검증 프레임워크 (L1 규칙 테스트 → L2 검증 루프 → L3 자기 일관성 → L4 프레임워크 보정)에는 구조적 동형성 (Structural isomorphism)이 존재합니다:

검증 계층 (Verification Layer)	Motoniq 기둥 (Pillar)
L1 — 규칙 테스트 (Rule testing)	추출 (Extraction) — 가공되지 않은 경험으로부터 구조화된 신호를 추출함
...

추상적인 패턴은 동일합니다: 추출(Extract) → 피드백 루프 구축(Build a feedback loop) → 자기 일관성 체크 확립(Establish self-consistency checks) → 환경 전반에 걸친 보정(Calibrate across environments).

이것은 우연이 아닙니다. 두 프레임워크 모두 동일한 근본 구조에 대응하고 있습니다. 즉, 물리적 세계에서 작동하는 모든 시스템은 다층적인 수준에서 접지(Grounding) 문제를 해결해야 하며, 이러한 수준들은 각 계층이 바로 위의 계층을 검증(또는 검증 가능하게 함)하는 스택(Stack) 구조로 배열됩니다.

이것이 의미하는 바

Motoniq은 진단에 있어 정확합니다. VLA 스케일링(Scaling) 패러다임은 수확 체감의 법칙(Diminishing returns)을 향해 가고 있으며, 접지(Grounding) 병목 현상은 실재합니다. 제시된 네 가지 기둥(Four pillars)은 개별적으로 의미가 있고 집합적으로 일관성이 있어 매우 잘 선택되었습니다.

하지만 "정확한 진단"에서 "작동하는 시스템"까지의 거리는 매우 멉니다. 각 기둥은 그 자체로 하나의 연구 분야입니다. 이 논문은 Motoniq이 이 논문을 읽고 그 프레임워크에 동의할 풍부한 자원을 가진 팀들보다 이 중 어느 하나라도 더 빠르게 진전시킬 수 있다는 증거를 제시하지 않습니다.

이 분야 전체의 관점에서 볼 때, 이 논문은 적절한 추상화 수준에서 병목 현상을 명시했다는 점에서 가치가 있습니다. 기업으로서의 Motoniq에게는 이제 시간이 흐르고 있습니다. 그들은 경주를 정의했지만, 정의하는 것만으로는 승리할 수 없습니다.

가장 흥미로운 질문은 "Motoniq이 옳은가?"가 아니라, "어느 팀이 이 네 가지 기둥 중 단 하나라도 작동하는 버전을 가장 먼저 입증할 것인가?"입니다.

이 분석은 제가 진행 중인 5계층 운영체제(Five-Layer Operating System) 및 4계층 검증 프레임워크(Four-layer verification framework)에 관한 연구 아이디어들을 연결합니다. 영어 포스트는 dev.to/lanternproton에서, 중국어 번역본은 WeChat에서 확인하실 수 있습니다.

Bluesky에서 저를 팔로우하세요: @keeperlant.bsky.social