얼마 전까지만 해도 로봇에게 새 일을 시키려면 새 정책을 학습시켜야 했습니다. Grid Robotics 팀의 입장 논문은 GPT-6 Astra가 이를 바꿨다고 주장합니다. 출시 몇 주 만에 에이전트 하네스 안에서 돌아가는 범용 모델이 추가 학습 없이 여러 로봇 벤치마크에서 작업 전용 정책과 같거나 더 나은 성적을 냈다는 것입니다. 저자들은 이 새로운 종류의 시스템이 무엇이고 어떻게 시험할지에 대해 분야 전체가 합의하기를 바랍니다.
저자들은 이 방식을 에이전트형 로보틱스라고 부릅니다. 카메라 영상을 곧바로 모터 명령으로 바꾸는 하나의 네트워크 대신, 파운데이션 모델이 맨 위에서 의사결정을 맡으며 이를 Embodied System 2라 부릅니다. 사용자의 의도를 읽고, 계획을 세우고, 하위 기술과 도구를 호출하고, 각 단계가 성공했는지 확인하고, 아니면 방향을 바꿉니다. 그 아래에는 시각·언어·행동 모델과 세계·행동 모델 같은 학습된 기술(System 1)이 있고, 다시 그 아래에 몸의 제어 루프(System 0)가 있습니다. 논문은 어려운 부분이 일반적 추론을 물리적 제약 아래에서 검증 가능한 행동으로 바꾸는 것이라고 말합니다. 반응할 시간이 짧고, 기계적 한계가 있으며, 환경이 바뀌고, 되돌릴 수 없는 행동이 있다는 점입니다.
실질적 기여는 모델 자체의 능력과 폐루프 시스템 전체의 성능을 모두 측정하는 평가 체계입니다. 현재 결과는 비교하기 어려워 이것이 중요합니다. 저자들은 RoboDojo에서 공개된 Astra 평가들이 작업 지식의 출처와 행동 예산이 서로 다르고, 계획기와 기술을 고정한 채 실행 기억만 더해도 성적이 크게 오른 연구가 있다고 지적합니다.
로드맵은 개별 동작에서 저자들이 상설 역할이라 부르는 단계까지 이어집니다. 지속적인 일을 맡아 시간에 걸쳐 목표를 추적하고, 실패에서 회복하며, 이미 아는 것을 잊지 않고 경험에서 배우는 로봇입니다. 도구 사용과 결과 확인처럼 소프트웨어 에이전트에서 넘어오는 교훈과, 물리적 실수는 비용이 커서 넘어오지 않는 교훈도 정리합니다.
이는 Gemini Robotics 2.5와 RoboScript의 문맥 내 학습 등 저희가 다뤄 온 다른 로봇 연구와 이어집니다. 주의할 점은 분명합니다. 동료 심사를 거치지 않은 프리프린트이고, 새 실험이 없으며, 패러다임 전환이라는 주장은 한 모델 계열의 몇 주 치 결과에 기대고 있습니다.