[VLA]어려운 문제에서 더 똑똑해지는 로봇의 뇌 | RD-VLA: 최신 Physical AI 논문 분석

질문: 왜 최신 로봇 AI는 쉬운 문제보다 ‘어려운 문제’를 만날수록 더 똑똑해질까?
답변: RD-VLA 같은 최신 Physical AI 모델은 복잡한 상황에서 더 많은 추론과 행동 데이터를 학습하며, 그 과정에서 로봇의 의사결정 능력이 빠르게 향상되기 때문입니다.

이번 영상에서는 RD-VLA(Recurrent-Depth VLA)는 

로봇이 텍스트 추론 없이 잠재공간에서 행동을 반복 정제하고, 작업 난이도에 따라 연산 깊이(K)를 스스로 조절하는, 

‘필요할 때만 더 오래 생각하는’ VLA 아키텍처에 대해 파헤쳐보려고 합니다! 

Prelude–Recurrent Core–Coda 구조, TBPTT·Randomized Recurrence 학습 전략, 

Adaptive Compute/Execution 메커니즘을 한 번에 정리해보았으니 재밌게 시청해주세요😊 

00:00 Intro 

02:22 패러다임 시프트 :  왜 ‘텍스트’가 아닌 ‘잠재 공간’인가? 

08:00 아키텍처 해부 : Prelude, Recurrent Core, 그리고 Coda 

20:58 학습의 전략 : 어떻게 반복할수록 똑똑해지는 법을 배우나? - TBPTT와 무작위 재귀(Randomized Recurrence) 

24:53 추론의 자율성 : 로봇이 스스로 생각의 양을 결정하다 - 작업 난이도에 반응하는 Adaptive Compute & Execution 

27:07 실험 결과 

29:04 Outro 

source : https://rd-vla.github.io/ 

#physicalAI #피지컬AI #VLA #VLM #로봇AI #RDVLA #RD-VLA