인공지능이 물리적 세계와 직접 상호작용하는 ‘체화된 지능(Embodied Intelligence)’은 그동안 두뇌와 신체 사이의 괴리라는 큰 장벽에 부딪혀 왔다. 대다수 AI 모델은 텍스트나 정지된 이미지를 통해 추론할 뿐, 물리적 공간과 시간에 대한 근본적인 감각이 부족했기 때문이다. 이러한 간극을 메우기 위해 다모 아카데미는 실제 환경에서 활동하는 에이전트의 통합 인지 핵심 역할을 수행할 시공간 기반 모델 RynnBrain을 출시했다. 이 모델은 인지와 추론, 계획을 단일 아키텍처로 통합하여 로봇이 단순히 사물을 보는 것을 넘어 3D 환경 내에서 자신의 행동이 가져올 물리적 결과를 이해하도록 돕는다.

RynnBrain 시리즈는 세 가지 규모로 제공되며, 특히 300억 개의 매개변수를 갖춘 혼합 전문가 모델(MoE) 버전은 특정 하위 네트워크만을 활성화해 작업을 매우 효율적으로 처리하는 것이 특징이다. 일반적인 시각 모델과 달리 RynnBrain은 물리적 환경에 확고히 뿌리를 두고 있어, 언어적 개념을 공간 좌표 및 시간적 순서와 직접 연결한다. 이와 같은 물리적 접지 덕분에 에이전트는 시간이 흐름에 따라 물체의 위치를 기억할 수 있으며, 손잡이가 ‘밀기’가 아닌 ‘당기기’를 위한 것이라는 점과 같은 물체의 행동 유도성(Affordance)을 고려해 실행 가능한 계획을 수립한다.

연구 커뮤니티를 지원하기 위해 개발진은 에피소드 기억이나 과거의 특정 사건을 회상하는 능력이 필요한 장기 과제를 테스트할 수 있는 RynnBrain-Bench도 함께 도입했다. 이번 발표는 로봇 공학이 미리 프로그래밍된 단순 루틴을 넘어 적응형 자율성을 갖춘 일반화 단계로 나아가는 중요한 이정표가 될 전망이다. 무엇보다 모델과 학습 프레임워크를 모두 오픈소스로 공개함으로써, RynnBrain은 기존의 폐쇄적인 독점 로봇 시스템에 대항하는 강력하고 투명한 대안을 제시하고 있다.

인공지능이 물리적 세계와 직접 상호작용하는 ‘체화된 지능(Embodied Intelligence)’은 그동안 두뇌와 신체 사이의 괴리라는 큰 장벽에 부딪혀 왔다. 대다수 AI 모델은 텍스트나 정지된 이미지를 통해 추론할 뿐, 물리적 공간과 시간에 대한 근본적인 감각이 부족했기 때문이다. 이러한 간극을 메우기 위해 다모 아카데미는 실제 환경에서 활동하는 에이전트의 통합 인지 핵심 역할을 수행할 시공간 기반 모델 RynnBrain을 출시했다. 이 모델은 인지와 추론, 계획을 단일 아키텍처로 통합하여 로봇이 단순히 사물을 보는 것을 넘어 3D 환경 내에서 자신의 행동이 가져올 물리적 결과를 이해하도록 돕는다.

RynnBrain 시리즈는 세 가지 규모로 제공되며, 특히 300억 개의 매개변수를 갖춘 혼합 전문가 모델(MoE) 버전은 특정 하위 네트워크만을 활성화해 작업을 매우 효율적으로 처리하는 것이 특징이다. 일반적인 시각 모델과 달리 RynnBrain은 물리적 환경에 확고히 뿌리를 두고 있어, 언어적 개념을 공간 좌표 및 시간적 순서와 직접 연결한다. 이와 같은 물리적 접지 덕분에 에이전트는 시간이 흐름에 따라 물체의 위치를 기억할 수 있으며, 손잡이가 ‘밀기’가 아닌 ‘당기기’를 위한 것이라는 점과 같은 물체의 행동 유도성(Affordance)을 고려해 실행 가능한 계획을 수립한다.

연구 커뮤니티를 지원하기 위해 개발진은 에피소드 기억이나 과거의 특정 사건을 회상하는 능력이 필요한 장기 과제를 테스트할 수 있는 RynnBrain-Bench도 함께 도입했다. 이번 발표는 로봇 공학이 미리 프로그래밍된 단순 루틴을 넘어 적응형 자율성을 갖춘 일반화 단계로 나아가는 중요한 이정표가 될 전망이다. 무엇보다 모델과 학습 프레임워크를 모두 오픈소스로 공개함으로써, RynnBrain은 기존의 폐쇄적인 독점 로봇 시스템에 대항하는 강력하고 투명한 대안을 제시하고 있다.