앤트로픽 “로봇, 美 육체노동 74% 수행 가능하지만 비용 경쟁력은 0.3%뿐”

로봇 AI 모델은 앞으로의 동작을 한 묶음씩 예측하는데, 그중 몇 개를 실행한 뒤 다시 주변을 살필지는 대개 사람이 고정값으로 정해 왔다. 칭화대와 베이징즈위안인공지능연구원(BAAI) 등이 낸 이번 프리프린트는 이 값을 작업 중에 스스로 고르는 부가 모듈을 제안했고, 피지컬인텔리전스와 엔비디아의 기존 모델을 다시 학습시키지 않고도 시뮬레이션과 실제 양팔 로봇에서 성공률을 끌어올렸다.

ChunkTrust는 두 부분으로 구성된다. 학습이 필요 없는 행동 인지 구간 선택기(AHS)는 작업 중에 후보 구간 길이마다 두 신호를 잰다. 첫째는 묶음 내부의 스펙트럼 안정성으로, 플로우나 디퓨전 방식 행동 헤드가 노이즈를 걷어내는 단계를 거치는 동안 예측 속도의 고주파 성분이 얼마나 흔들리는지를 본다. 둘째는 묶음 사이의 연속성으로, 이미 실행한 동작과 새 구간이 이어지는 지점에서 속도가 매끄럽게 유지되는지를 측정한다. 두 점수를 같은 비중으로 섞은 뒤 구간 길이별 신뢰도를 베타 분포로 관리해 곱한다. 이 신뢰도는 재계획마다 갱신되고 0.99의 망각 계수로 이전 단계의 근거가 서서히 옅어지며, 인접한 구간 길이끼리 피드백을 나눈다. 선택 사항인 질의 기반 구간 어댑터(QHA)는 고정된 기반 정책의 시각 언어 문맥과 행동 잠재 표현을 읽어 AHS가 선호할 구간을 한 번의 연산으로 예측하도록 학습한 소형 모듈이다. 배치 단계에서는 이 사전 분포를 실시간 근거와 결합한다. 기반 정책 자체는 전혀 수정하지 않는다.