VLA(Visual-Language-Action) 모델은 이미지·언어·행동을 하나의 트랜스포머 구조로 통합한 멀티모달 로봇 제어 방식이에요

로봇이 티셔츠를 개고 주방 물건을 구분하는 원리, VLA 모델이 설명해줘요.

VLA(Visual-Language-Action) 모델은 이미지·언어·행동을 하나의 트랜스포머 구조로 통합한 멀티모달 로봇 제어 방식이에요. 핵심은 픽셀이 아닌 '잠재 공간(latent space)'에서 예측한다는 거예요. 얀 르쿤이 주장하는 World Model 개념처럼, "유리를 떨어뜨리면 깨진다"는 식의 인과 추론이 이 레이어에서 이뤄져요.

학습 방식은 인간이 직접 시연하거나 원격 조종한 로봇 궤적을 모방하는 Imitation Learning에서 출발해, Policy Optimization으로 새로운 환경에도 일반화할 수 있게 확장돼요.

결국 로봇 지능의 열쇠는 '잘 만든 표현 학습'에 있다는 게 이 분야의 핵심 가설이에요.