로봇 파운데이션 모델(RFM)이란? 피지컬 AI 도입 전 알아야 할 핵심 개념

피지컬 AI 이야기를 보다 보면 최근 자주 등장하는 또 하나의 용어가 있습니다.
바로 로봇 파운데이션 모델(Robot Foundation Model, RFM)입니다.

그렇다면 RFM은 기존 로봇 AI와 무엇이 다르고, 함께 자주 언급되는 VLA와는 어떤 관계일까요? 또 실제 산업 현장에 적용하려면 무엇을 확인해야 할까요?

이 글에서는 피지컬 AI 도입을 검토하는 사람이 RFM을 왜, 어디까지 알아야 하는지 쉽게 살펴봅니다.

로봇은 왜 작업마다 새로 가르쳐야 했을까?

공장에서 일하는 산업용 로봇은 정해진 작업을 빠르고 정확하게 반복하는 데 강합니다.
자동차 부품을 용접하거나, 정해진 위치의 물건을 집어 옮기는 작업이 대표적입니다.

이런 로봇을 움직이려면 어떤 위치로 이동하고, 어느 각도로 팔을 돌리고, 언제 물건을 잡아야 하는지 등을 작업에 맞게 미리 설정해야 합니다. 이를 로봇을 ‘티칭(Teaching)한다’고 표현합니다.

문제는 제품이나 공정이 바뀔 때입니다. 제품의 크기나 위치가 달라지거나 새로운 작업이 추가되면 기존 설정을 그대로 사용하기 어려워, 엔지니어가 로봇의 움직임을 다시 조정해야 합니다. 이 과정에는 추가적인 시간과 인력이 필요하고, 경우에 따라서는 작업을 멈추고 로봇을 다시 설정해야 할 수도 있습니다.

사람은 한 번 익힌 경험을 비슷한 상황에 활용할 수 있습니다.
그렇다면 로봇도 한 작업에서 배운 것을 새로운 작업에 활용할 수는 없을까요?

이 질문이 다음 장에서 살펴볼 RFM의 출발점입니다.

RFM은 무엇이 다른가?

앞서 살펴본 기존 산업용 로봇은 새로운 작업이 생기면 그 작업에 맞게 동작을 다시 설정해야 했습니다.
RFM은 이 과정을 매번 처음부터 시작하지 않도록 하는 것을 목표로 합니다.

핵심은 다양한 로봇과 작업에서 얻은 데이터를 미리 학습해 여러 작업에 활용할 수 있는 공통 기반을 만드는 것입니다.
사람이 이전 경험을 바탕으로 새로운 업무에 적응하듯, 로봇도 이미 학습한 것을 바탕으로 새로운 작업이나 환경에 필요한 부분을 추가로 학습하고 적응합니다.

여기서 ‘파운데이션 모델(Foundation Model)’은 다양한 데이터를 미리 학습한 뒤 여러 용도로 활용할 수 있는 기반이 되는 AI 모델을 뜻합니다.

앞선 글에서 살펴본 월드모델도 피지컬 AI를 이해할 때 함께 알아두면 좋은 개념입니다.
월드모델이 로봇이 행동하기 전에 “이렇게 움직이면 다음에 어떤 일이 일어날까?”를 예측하는 데 초점을 둔다면, RFM은 다양한 작업에 활용할 수 있는 로봇 AI의 공통 기반을 만드는 것에 초점을 둡니다.

그런데 RFM을 살펴보다 보면 또 하나 자주 등장하는 용어가 있습니다.
바로 VLA입니다.

RFM과 VLA는 같은 의미일까요?

RFM과 VLA는 무엇이 다를까?

두 용어는 함께 쓰이는 경우가 많아 같은 개념처럼 느껴질 수 있지만, 바라보는 관점은 조금 다릅니다.

RFM은 여러 작업과 로봇에 활용할 수 있는 공통 기반 모델을 가리킵니다.
반면 VLA는 로봇이 무엇을 보고, 어떤 지시를 받았는지 이해한 뒤 이를 실제 행동으로 연결하는 방식을 설명합니다.

VLA라는 이름도 이 과정을 그대로 담고 있습니다.

쉽게 말하면 RFM이 “여러 작업과 로봇에 활용할 수 있는 로봇 AI를 만들 수 있을까?”라는 질문에 가깝다면,
VLA는 “로봇이 보고 이해한 것을 어떻게 행동으로 연결할까?”라는 질문에 가깝습니다.

두 개념은 서로 별개로 떨어져 있는 것도 아닙니다. 실제로 RFM을 구현하는 과정에서 VLA 방식이 활용되기도 합니다.

NVIDIA의 GR00T 계열이 대표적입니다. NVIDIA는 GR00T를 여러 작업과 다양한 형태의 로봇에 활용할 수 있는 파운데이션 모델로 개발하고 있으며, 시각과 언어 정보를 바탕으로 로봇의 행동을 만들어내는 VLA 방식을 활용하고 있습니다.

즉 하나의 모델이 여러 작업과 로봇에 활용할 수 있는 기반을 지향하면서, VLA 방식으로 행동을 만들어낼 수 있기 때문에 RFM과 VLA라는 두 용어가 자주 함께 등장합니다.

그렇다면 이러한 RFM이 최근 피지컬 AI 분야에서 더욱 중요하게 다뤄지는 이유는 무엇일까요?

왜 지금 RFM이 중요해지고 있을까?

RFM이 중요한 이유는 새로운 작업이 추가될 때마다 반복되는 설정과 조정의 부담을 줄일 수 있기 때문입니다.
기존 방식에서는 로봇이 맡는 작업의 수와 종류가 많아질수록 필요한 시간과 인력도 함께 늘어납니다.

RFM은 이미 배운 경험을 새로운 작업에도 활용하는 방향으로 발전하고 있습니다.
예를 들어 물건의 위치를 파악하고 집는 방법을 이미 배운 로봇이라면, 새로운 물건을 다룰 때도 이전 경험을 바탕으로 더 빠르게 적응하는 것을 목표로 할 수 있습니다.

여기서 한 단계 더 나아가면 이런 질문도 가능합니다.

“한 로봇이 배운 경험을 다른 형태의 로봇도 활용할 수 있을까?”

로봇마다 팔의 길이나 관절 구조, 움직이는 방식은 다릅니다. 그럼에도 서로 다른 로봇에서 얻은 경험을 다른 형태의 로봇 학습에도 활용하려는 연구가 진행되고 있습니다.

이를 크로스 임바디먼트(Cross-Embodiment)라고 합니다.

쉽게 말하면 로봇의 몸이 달라져도 배운 경험을 서로 나눠 쓸 수 있도록 하는 것입니다.
물론 로봇마다 구조와 움직임이 다르기 때문에 새로운 로봇에 맞게 추가로 적응하는 과정은 필요합니다.

다음으로는 실제 사례를 통해 RFM이 어디까지 와 있는지 살펴보겠습니다.

RFM은 실제로 어디까지 와 있을까?

대표적인 사례가 NVIDIA의 GR00T입니다. GR00T는 여러 작업과 다양한 형태의 로봇에 활용할 수 있는 파운데이션 모델로 개발되고 있으며, 특정 로봇이나 작업에 맞게 추가로 적응할 수 있도록 설계되고 있습니다.

Google의 Gemini Robotics에서도 비슷한 흐름을 확인할 수 있습니다. 특히 Gemini Robotics On-Device 2는 비교적 적은 데이터로 새로운 형태의 로봇에 적응할 수 있도록 개발됐습니다.

Google은 실제로 새로운 양팔형 로봇에 모델을 적용하는 과정에서 몇 시간의 적응 시간과 통상 200개 미만의 예시를 활용했다고 설명합니다.

또 하나 주목할 부분은 On-Device, 즉 로봇 자체에서 AI를 실행하는 방식입니다. 산업 현장에서는 네트워크 지연이나 연결 불안정이 문제가 될 수 있는데, On-Device 2는 로봇 자체에서 모델을 실행할 수 있도록 설계됐습니다.

현재 RFM과 로봇 AI의 발전 방향을 정리하면 크게 세 가지입니다.

하나의 모델로 더 다양한 작업을 수행하고,
배운 경험을 새로운 형태의 로봇에도 활용하며,
네트워크 의존도를 낮추고 로봇 자체에서 실행하는 방향입니다.

다만 아직 하나의 RFM을 가져와 어떤 로봇이나 현장에서도 바로 사용할 수 있는 단계는 아닙니다. 새로운 로봇과 환경에 맞는 데이터와 적응 과정이 여전히 필요하며, 학습하지 않은 작업이나 복잡한 로봇을 제어하는 능력에도 한계가 있습니다.

결국 현재의 RFM은 모든 로봇이 하나의 두뇌를 그대로 공유하는 단계라기보다, 하나의 기반 모델을 여러 작업과 로봇으로 확장하는 부담을 줄여가는 단계라고 보는 편이 정확합니다.

지금까지 기술이 어디까지 발전했는지를 살펴봤다면, 마지막으로 실제 피지컬 AI 도입을 검토할 때 무엇을 확인해야 하는지 정리해보겠습니다.

RFM 관점에서 보는 피지컬 AI 도입 전 체크리스트

RFM을 이해했다면, 이제 우리 현장에 적용할 수 있는지 점검할 차례입니다. 도입 전 아래 다섯 가지 질문을 확인해 보세요.

1. 우리 현장의 로봇과 작업에 적용할 수 있는가

로봇마다 구조와 관절, 카메라와 센서 구성이 다릅니다. 어떤 로봇과 작업을 학습한 모델인지, 현재 사용 중인 로봇과 수행하려는 작업에도 적용할 수 있는지 먼저 확인해야 합니다.

2. 새로운 작업에 적응하려면 얼마나 많은 데이터가 필요한가

RFM도 새로운 현장에 적용하려면 추가 데이터와 학습이 필요할 수 있습니다. 얼마나 많은 데이터를 새로 수집해야 하고, 적응에 얼마나 많은 시간과 인력이 필요한지 확인해야 합니다.

3. 기존 로봇 제어·안전 시스템과 어떻게 연결되는가

실제 현장에서는 RFM·VLA만으로 로봇 운용이 완결되는 것은 아닙니다. 기존의 모션 제어와 충돌 방지, 비상 정지 같은 제어·안전 시스템과 어떻게 연결되는지를 함께 살펴봐야 합니다.

4. 실제 현장에서 충분히 빠르고 안정적으로 동작하는가

실제 로봇은 정확한 판단뿐 아니라 빠른 반응과 안정적인 동작이 중요합니다. 네트워크 지연이나 연결 불안정이 발생할 수 있다면 로봇 자체에서 모델을 실행할 수 있는지도 확인해야 합니다.

5. 새로운 작업이나 로봇이 추가돼도 확장할 수 있는가

첫 작업에서 성능이 잘 나오는 것만으로는 충분하지 않습니다. 새로운 제품이나 공정, 로봇이 추가됐을 때 얼마나 적은 데이터와 학습으로 확장할 수 있는지를 확인해야 합니다.

결국 RFM 도입의 핵심은 이미 배운 경험을 우리 현장에 얼마나 잘 적용하고, 이후 다른 작업과 로봇으로 얼마나 효율적으로 확장할 수 있는가에 있습니다.

RFM은 로봇을 작업마다 처음부터 다시 가르치던 방식에서 벗어나, 이미 배운 경험을 새로운 작업과 로봇으로 확장하려는 변화입니다.

피지컬 AI 도입을 검토하고 계신가요? 

NC AI는 산업 현장 데이터를 바탕으로 RFM·VLA를 개발하고, 파트너사의 로봇 제어·시뮬레이션 기술과 연계해 실제 산업 현장 적용을 추진하고 있습니다.

새로운 작업과 로봇으로의 확장을 고려한 RFM 도입이 고민이시라면 NC AI와 함께해 보세요.

[참고 자료]
Google DeepMind, 「Gemini Robotics 2 brings whole body intelligence to robots」 (2026.7)

NVIDIA, 「Develop Humanoid Robot Policies End-to-End with NVIDIA Isaac GR00T」 (2026.7)

NC AI, 「포스코DX-NC AI, 피지컬 AI 기반 산업현장 로봇 파운데이션 모델 공동 개발」 (2026)