피지컬 인텔리전스의 로봇 파운데이션 모델 파이0.7 공개

주장미국 스타트업 피지컬 인텔리전스는 새로운 로봇 파운데이션 모델인 파이0.7을 공개했습니다. 이 모델은 언어 모델이 텍스트 조각을 재조합하는 원리와 같이 학습된 기술을 결합하여 새로운 작업을 수행하는 구성적 일반화 능력을 선보입니다.

팩트파이0.7은 구글의 젬마3 언어 모델을 기반으로 하며 40억 개의 매개변수를 사용합니다. 여기에 로봇의 실제 동작을 생성하는 8억 6천만 개의 매개변수를 가진 액션 전문가 모델이 결합되어 있습니다.

팩트기존 로봇 모델은 단순히 작업 명령만을 입력받았으나 파이0.7은 하위 작업 지침, 품질 메타데이터, 제어 모드, 중간 단계 이미지를 포함한 문맥 정보를 함께 처리합니다. 이러한 방식은 실패한 시도나 느린 동작 데이터도 메타데이터를 통해 학습에 활용하도록 돕습니다.

팩트파이0.7은 세탁물 접기, 에스프레소 만들기, 상자 만들기 작업에서 기존 강화학습 기반 전문가 모델들과 대등한 성능을 보입니다. 특히 학습 데이터에 없던 로봇 기종에서도 80퍼센트의 성공률로 세탁물을 접는 교차 구현 전이 능력을 증명했습니다.

팩트모델 성능 평가 결과, 품질 주석이 없는 경우 데이터 양이 늘어날수록 성능이 저하되었습니다. 반면 메타데이터를 활용하면 데이터의 평균 품질이 낮아져도 전체적인 성능은 향상됩니다.

교차검증피지컬 인텔리전스는 에어프라이어에 고구마를 넣는 작업을 통해 모델의 일반화 능력을 강조했습니다. 그러나 일각에서는 학습 데이터에 포함된 유사한 동작 데이터를 단순히 재현하는 것인지, 진정한 의미의 일반화인지에 대한 의문을 제기합니다.

팩트연구팀은 학습 데이터의 방대한 규모와 다양성 때문에 특정 작업이 완전히 새로운 것인지 판별하기 어렵다고 인정했습니다. 다만 연구팀은 알려진 기술의 재조합 자체가 구성적 일반화의 핵심이라고 주장합니다.

주장이번 모델은 로봇 파운데이션 모델이 대규모 언어 모델과 유사한 단계에 진입했음을 시사합니다. 이제는 프롬프트의 중요성이 커지고 있으며, 진정한 일반화와 단순 데이터 검색을 구분하는 작업이 로봇 공학의 핵심 과제가 되었습니다.

교차검증현재의 파이0.7 모델은 스스로 복잡한 문제를 추론하거나 계획하는 단계에는 도달하지 못했습니다. 피지컬 인텔리전스는 앞으로 모델이 스스로 접근 방식을 고민하는 추론 모델로 발전할 가능성을 언급했습니다.

출처더 디코더(The Decoder)의 보도 내용을 교차 검증했습니다. (https://the-decoder.com/physical-intelligence-shows-robot-model-with-llm-like-generalization-flaws-included/)