햄버거 사진을 보여주고, "이 사진 속에 있는 게 뭐야?"라고 물으면 "햄버거입니다" 라고 답을 하는 게 인지 AI입니다. "햄버거를 그려 봐"라고 했을 때 그 려주는 것이 생성형 AL이고요. AI 에이전트는 사용자가 "나 햄버거 먹 고 싶어"라고 하면, 인터넷 창을 스스로 알아서 열고 맥도날드 웹사이트 에 접속해 내가 좋아하는 메뉴를 클릭한 후 주문까지 해줍니다. 피지컬 AL는 주문한 곳에 가보니, 로봇이 실제로 패티를 굽고 있는 것에 비유 할 수 있습니다.

그런데 여기서 이런 의문이 생길 수 있습니다. "기존에도 로봇이 있었는데, 피지컬 AI는 무엇이 다른가?" 피지컬 AI는 단순히 '로봇+AT'의 결합을 뜻하지 않습니다. VLA(비전-언어-행동)로 불리는 아키텍처가 핵심인데요. 카메라와 센서를 통해 환경을 인식하고(ision), 거대언어모델을 포함한 멀티모달 모델로 지시·상식•맥락을 해석하며(Language), 그 결과를 바탕으로 주행·조작•작업 등 물리적 행동을 실행하는(Action) 방식 으로의 전환을 말합니다.

나날이 진화하는 AI의 능력과 한계는 어디일까?