톈옌린(田晏林), 아페이쓰(凹非寺)에서 발송
양자위(量子位) | 위챗 공식계정 QbitAI
월드 모델이라는 이 트랙은 점점 세계 최고 AI 고수들이 겨루는 국면을 띠고 있다!
Yann LeCun은 예측 기반 월드 모델에 지속적으로 배팅하고 있고, 리페이페이(李飞飞)는 World Labs를 이끌며 상호작용 가능한 3D 세계를 탐색하고 있으며, 세계 최상위 AI 팀들이 서로 다른 기술 노선을 따라 탐색을 가속화하고 있다.
AI가 물리 세계를 진정으로 이해하고 물리적 변화를 예측하도록 만드는 것이 새로운 기술 경쟁의 초점이 되고 있다.
최근 이 월드 모델 열풍이 난징(南京)까지 뻗어 나갔다.
10월 20일,제1회 2026 물리 AI와 월드 모델 대회가 난징에서 개막했다. 튜링상 수상자LeCun, 야오치즈(姚期智)가 모두 온라인으로 최신 관찰을 공유했다.
이번 월드 모델 분야의 학술·산업 성회에서 칭화대 계열 엠비디드 AI 회사인천제(千诀) 테크놀로지도 대회에서 공식 발표했다.예측 기반 월드 모델 Polibrain。
천제 테크놀로지 창업자 가오하이촨(高海川)은 개막식 기조연설에서 한 문장으로 월드 모델의 독특한 가치를 설명했다:
지도가 있으면 최단 경로를 도출할 수 있지만, 경로가 있다고 해서 거꾸로 지도를 도출할 수는 없다.
여기서 말하는 '지도'는 바로 물리 세계와 그 변화 법칙에 대한 추상적 이해이다.
그리고 천제가 이번에 발표한 Polibrain이 하려는 것은 바로 로봇이 예측과 계획에 활용할 수 있는 이런 '지도'를 갖게 하는 것이다.
일찍이 2025년에 천제는 칭화대 팀과 함께 ICML에서 월드 모델 관련 이론 연구를 발표했으며, 잠재변수 식별 가능성, 저차원 선호 등 방향에서의 공개적 탐색은LeCun 팀의 유사 연구보다 약 1년 앞서 있었다.
단 1년 만에 천제는 관련 기술 축적을 실제 로봇 응용까지 진전시켰다.
환경 인식, 행동 예측에서 자율 계획과 실행 피드백까지, 천제는 로봇이 물리 세계의 변화에 따라 다음 단계를 스스로 결정하도록 만들려 하고 있다.
현재 이 지능 기능은이미 사족보행, 휴머노이드, 휠 형태, 양팔 등 로봇 형태에서 적합화 작업이 진행되고 있다.
천제의 예측 기반 월드 모델 Polibrain은 대체 무엇이 특별한가? 그들은 어떻게 서로 다른 형태의 로봇이 하나의 지능형 두뇌를 공유하게 만들었는가?
로봇 두뇌에 새로운 해법이 등장했다
"월드 모델 이야기가 이렇게 많았는데, 여러분은 정말 이해하고 계신가요?"
개막식의 피날레 연설에서 가오하이촨은 먼저 이러한 질문을 던졌다.
이어서 그는 '옛 상인이 광저우에서 장안으로 리치를 운반할 때, 가장 빠른 경로를 어떻게 찾을 수 있을까?'라는 이야기를 들려주었다.
영화 《장안의 리치》를 본 관객이라면 이 난제가 낯설지 않을 것이다.
가오하이촨은 두 가지 풀이법을 제시했다.
한 가지 방법은 가능한 경로를 모두 거쳐 보면서 그중 최적해를 찾는 것이다.
다른 방법은 먼저 광저우에서 장안까지 도중에 어떤 도시들이 있는지, 도시들 사이가 어떻게 연결되어 있는지 파악하여 지도를 그린 뒤, 그 지도를 바탕으로 경로를 계획하는 것이다.
전자를 그는 현재의 VLA 노선에 비유하는 데 사용했고, 후자는 세계 모델의 예측 및 계획 방법에 해당한다.
차이점은 로봇이 행동이 가져올 결과를 사전에 추론하여 실제 시행착오를 줄일 수 있는가에 있다.
이것이 바로 천제(千诀) Polibrain 예측형 세계 모델이 해결하고자 하는 문제이다.
그렇다면 이 방법을 실제 로봇에 적용하면 무엇을 할 수 있을까?
천제(千诀)가 제공한 애플리케이션 시연 영상 한 편이 직관적인 장면을 보여준다.
야외에서, 기계 팔을 달고 회수 바구니를 등에 진 사족 보행 로봇개가 쓰레기 회수 임무를 수행하고 있다.
이 로봇개는 지면 위의 쓰레기를 스스로 찾고, 목표 위치를 식별하고, 그곳으로 이동한 뒤, 기계 팔의 동작을 계획하여 쓰레기를 집어 들고 몸에 지닌 회수 바구니에 넣어야 한다.
겉보기에는 단순한 쓰레기 줍기 동작이지만, 그 이면에는 일련의 의사결정 난제가 있다:쓰레기는 어디에 있는가? 로봇개는 어느 방향에서 접근해야 하는가? 기계 팔을 뻗은 뒤 목표를 순조롭게 잡을 수 있는가?
특히 실제 환경에서는 물체의 위치와 공간적 관계가 변할 수 있다. 로봇은 다음에 무엇을 해야 하는지 아는 것만으로는 부족하고, 그 단계를 실행했을 때 무슨 일이 일어날지 미리 판단해야 한다.
이것이 바로 예측형 세계 모델이 해결하고자 하는 문제다.
Polibrain은 환경 상태, 이력 정보, 행동 결과 사이의 관계를 학습하여, 과업 관련 잠재 표현 공간에서 상태 변화를 예측한다.
여기에는 또 하나의 핵심적인 기술적 선택이 있다.
Polibrain은 미래의 모든 프레임을 온전히 생성해내는 것을추구하지 않는다。
쓰레기를 줍고 있는 로봇에게 지면이 무슨 색인지, 배경에 텍스처가 얼마나 많은지는 중요하지 않을 수 있다.
과업 완수에 진정으로 영향을 미치는 것은 쓰레기의 위치, 기계 팔과 목표의 상대적 관계, 그리고 파지 동작이 목표 상태를 어떻게 변화시킬지이다.
많은 연산 자원을 들여 세계 전체를 재구성하는 것보다, 행동에 진정으로 영향을 주는 핵심 정보를 집중적으로 예측하는 편이 낫다.
가오하이촨(高海川)은 강연에서도 다음과 같이 강조했다:"세계 모델이 잘 만들어지려면, 핵심은 상태 표현에 있다."
그러나 정확한 예측은 첫 번째 단계일 뿐이다.
실제 과업은 계획대로 진행되기 어렵다. 파지에 실패하거나 목표 위치가 변하면, 로봇은 앞으로 어떻게 계속해야 하는지도 알아야 한다.
Polibrain은 환경 인지, 상태 이해, 행동 예측, 과업 의사결정, 동작 실행, 피드백 조정을 연결하여 지속적인 의사결정 폐쇄 루프를 형성한다.
실행 결과가 예측과 일치하지 않을 때, 모델은 새로운 환경 상태에 따라 과업을 다시 평가하고 이후 행동을 조정할 수 있다.
또한 핵심 특징 디코딩을 통해 기대 상태와 실제 결과 사이의 편차를 추적할 수 있어, 이상 위치 파악과 과업 복구에 근거를 제공한다.
다만 이 메커니즘이 복잡한 장면에서 얼마나 신뢰할 수 있는지는 더 완전한 실측 데이터로 검증이 필요하다.
게다가 이 「지도」는 이론상 특정한 한 종류의 로봇에만 속하는 것이 아니다.
휴머노이드 로봇은 기계 손으로 컵을 집을 수 있고, 바퀴 달린 단일 팔 로봇도 가능하다.
본체 구조와 제어 방식은 다르지만, 이들이 이해해야 하는 물체 관계, 목표 상태 및 환경 변화 법칙에는 공통점이 존재한다.
이것은 곧,물리 세계를 대상으로 하는 일부 지능 능력은 서로 다른 로봇 사이에서 재사용될 가능성이 있다는 뜻이다.
현재 천제는 휴머노이드, 바퀴형, 단일 팔, 이중 팔 등 다양한 로봇 형태에서 어댑티브 작업을 진행하며, 동반 돌봄 서비스, 요식 서비스, 물품 정리 및 정밀 조작 등의 과업을 탐색하고 있다.
다만 서로 다른 형태의 로봇이 진정으로 하나의 지능 능력을 공유하게 하려면, 환경 예측만으로는 부족하다.
모델은 복잡한 실제 장면에서 환경을 넘고 과업을 넘어 재사용할 수 있는 법칙을 학습해야 한다.
여기서 천제의 더 근원적인 연구 과제가 등장한다:다항식 표현.
LeCun의 유사 연구보다 1년 앞선, 천결(Qianjue)은 어떻게 일반화 난제를 돌파했을까?
이른바 '다항식 표현(polynomial representation)'이란 간단히 말해일련의 수학적 방법을 통해AI가 복잡한 환경에서 과제 결과에 실제로 영향을 미치는 핵심 변수를 추출하게 하여무관한 세부 사항에 대한 의존을 줄이는 것이다.
왜 이 기술이 필요한가?
로봇이 다양한 시나리오에 적응하려면 피할 수 없는 난제가 하나 있다:일반화。
예컨대 로봇이 한 창고에서 집기 동작을 배웠더라도, 다른 창고로 옮겨지면 조명, 배경, 선반 위치가 달아지는 순간 성능이 크게 떨어질 수 있다.
문제는 모델 학습 시 과업과 무관한 세부 사항을 상당히 많이 기억해버릴 가능성이 높다는 점입니다. 배경 텍스처, 조명 조건, 심지어 물체 주변의 배치까지도 신경망이 판단 근거로 삼을 수 있습니다.
이는 쉽게 초래할 수 있다「특성 오염」。
또 다른 문제는 더 은밀합니다: 모델이 자주 동시에 발생하는 현상들 사이에 인과관계가 존재한다고 잘못 판단할 수 있습니다.
가오하이촨(高海川)은 연설에서 한 가지 예를 들었다.
주인이 외출하기 전에 서랍에서 열쇠를 가져갔습니다. 여기에는 세 가지 사건이 있습니다: 주인이 외출함, 주인이 열쇠를 가져감, 서랍의 열쇠가 사라짐.
모델이 사건들 사이의 상관관계만 학습한다면, 주인이 집을 나가기만 하면 서랍 속 열쇠가 사라진다고 잘못 판단할 수 있습니다.
주인이 실제로 열쇠를 두고 나와서 로봇에게 찾아달라고 할 때, 로봇은 오히려 주인이 이미 외출했으니 열쇠는 분명 서랍 안에 없을 것이라고 판단할 수 있다.
분명히 이것은 실제 세계의 인과 관계와 일치하지 않습니다.
모델이 과연 기계적으로 암기하고 있는 것일까, 아니면 물리 세계의 법칙을 학습한 것일까?
천결(千诀)은 다항식 표현을 통해 모델이 장면의 세부 사항을 적게 기억하고 전이 가능한 규칙을 더 많이 학습하기를 희망한다.
이 노선의 배후에는 천쥐(千诀)가 수년간 축적해 온 연구가 있다.
2025년, 천제(千诀)는 칭화 대학 팀과 함께 ICML에서 《When Do Neural Networks Learn World Models?》를 발표하여, 신경망이 어떤 조건에서 관측 데이터로부터 숨겨진 세계 구조를 복원할 수 있는지를 연구했다.
연구는 다음에서 시작된다「멀티태스크 학습」과「저차 선호」확보하여 Fourier-Walsh 변환 분석을 활용하다이산 부울 세계에서의 함수 구조, 모델이 언제 진짜 잠재 변수를 식별할 수 있는지 설명한다.
흥미로운 점은, LeCun 팀 역시 비슷한 이론적 관점에서 접근했다는 것입니다.
2026년 5월, LeCun 등은 《When Does LeJEPA Learn a World Model?》을 발표했으며, 마찬가지로 세계 모델의 잠재변수 식별 가능성과 함수 차수와 저차 선호 사이의 관계를 연구했다.
가오하이촨(高海川)은 강연에서 두 연구의 차이를 더 자세히 설명했다.
천결(千诀) 팀은 인과 추론과 불리언 공간의 관점에서 학습 판정 기준을 제시했고, LeCun 팀은 시간 차원에서 접근했다.
연구 대상은 다르고 수학적 도구도 다르지만, 두 연구가 제시한판별 기준일정한동등성, 최종적으로 내보낸 표현은 정보 측면에서도 어느 정도 등가성을 가진다.
사실 두 가지 모두 같은 질문에 답하려 하고 있습니다:
AI는 대체로 복잡한 관측으로부터 어떻게 일반화될 수 있는 세계 구조를 학습하는가?
공개 발표 시점으로 보면, 千诀가 칭화대학교 팀과 함께 수행한 유사한 방법론 방향의 연구는 LeCun 팀의 앞서 언급한 논문보다 약 1년 앞선 것이다.
2026년, 천저(千诀)는 칭화대학교 팀과 함께 「유효 계수(有效阶)」를 추가로 제안했다(Effective Degree, ED)는 신경망 복잡도에 계산 가능한 '자'를 제공하려 시도한다.
기존의 Benchmark는 연구자에게 모델이 답을 맞혔는지 여부는 알려줄 수 있지만, 모델이 학습한 함수가 실제로 얼마나 복잡한지는 판단하기 쉽지 않았다.
ED는 이 문제를 해결하려고 시도한다.
그 방법은 실제 데이터 점들 사이의 보간 경로를 따라 신경망을 관찰하고, 직교 다항식으로 모델 출력을 피팅한 뒤, 서로 다른 차수 성분의 가중치에 따라 복잡도를 계산하는 것이다.
저차 성분이 지배적이면 ED는 작아지고, 고차 성분이 많고 진폭이 클수록 ED는 높아진다.
이렇게 하면 연구자는 모델의 함수 복잡도를 정량화하고 비교할 수 있을 뿐만 아니라, 이 지표를 훈련 과정에 도입하여 모델이 불필요한 복잡한 변화를 줄이도록 도울 수 있다.
물론, 함수가 더 단순하다고 해서 모델이 반드시 올바른 물리 법칙을 파악했다는 뜻은 아니다.
하지만 이번 연구는모델의 일반화 능력을 분석하고 최적화하기 위한 새로운 도구를 제공한다。
규칙을 추출하는 법을 배우는 것 외에도, 로봇은 진정으로 중요한 일을 기억해야 한다.
예컨대, 로봇이 컵을 캐비닛에 넣고 문을 닫으면 그 컵은 더 이상 보이지 않는다. 다음 단계에서 이 컵을 조작해야 할 때, 컵이 어디에 놓였는지 기억하고 있어야 한다.
연속적인 작업에서는 물체가 가려질 수 있어, 일부 상태는 현재 화면만으로는 판단할 수 없다.
이에 천결(千诀) 팀은 또한반사실 추론에 기반한 역사 정보 선별 메커니즘을 연구했습니다。
간단히 말해, 특정 과거 관측이 이후의 예측과 의사결정에 영향을 미치는지 판단한 뒤 보존 여부를 결정하는 것입니다.
로봇은 본 모든 화면을 기억할 필요 없이, 이후 작업에 영향을 미치는 정보를 중점적으로 보존하면 됩니다.
배경이 무슨 색인지는 반드시 중요한 것이 아니지만, 컵을 어느 찬장에 넣었는지는 다음 동작에 영향을 미칩니다.
'다항식 표현'은 모델이 핵심 변수를 추출하도록 돕고, '인과 기억'은 모델이 중요한 경험을 선별하도록 돕습니다.
두 방법은 로봇이 가림, 지연된 피드백, 다단계 작업 등 복잡한 상황에 대처할 수 있도록 방법론적 지원을 함께 제공합니다.
다만 관련 기초 연구가 제공하는 것은 기술적 근거이며, 실제 효과는 더 많은 실제 작업 검증이 필요합니다.
로봇이 방을 바꿀 때마다 일하는 법을 다시 배워야 한다면 곤란하지 않겠습니까?
다항식 표현과 인과 기억은 모델이 전이 가능한 법칙을 학습하고 활용할 수 있는 기술적 기반을 제공합니다.
하지만 학습한 법칙을 어떻게 하면 서로 다른 형태의 로봇이 함께 사용할 수 있을까요?
여기서 또 다른 문제가 제기됩니다. 즉, 세계에 대한 이해를 구체적으로 동작을 실행하는 로봇 본체와 분리하는 방법입니다.
로봇을 만들지 않고, 천결은 모든 로봇의 두뇌가 되고자 합니다
다시 장안으로 보내야 할 그 리치 이야기로 돌아가 봅시다.
지도가 이미 있다 하더라도, 리치를 실제로 장안까지 보내려면 말, 수레와 배, 역참 등 서로 다른 운송 단계들의 협력이 여전히 필요합니다.
마찬가지로, 로봇이 세계에 대한 이해를 갖고 있다고 해서 반드시 모든 동작을 독자적으로 수행해야 하는 것은 아닙니다.
가오하이촨(高海川)은 예를 들어, 로봇에게 옷을 세탁기에 넣게 할 때 휴머노이드 로봇은 한 손으로 옷을 잡고 다른 손으로 문을 열 수 있다고 말했습니다.
그런데 만약 팔이 하나뿐인 휠형 로봇이라면 어떨까요?
그것은 스마트홈 IoT 시스템을 통해 세탁기가 스스로 문을 열게 할 수 있습니다.
하드웨어가 다르고 실행 방식이 다르지만, 최종적으로 물리 세계에 일으키는 변화는 같을 수 있습니다.
이것이 바로천결의 '루즈 커플링 세계 모델 아키텍처(松耦合世界模型架构)'가해결하고자 하는 문제입니다.
구체적으로, Polibrain은 환경과 작업에 공용되는 표현을 구체적인 로봇의 동작 실행 능력과 상대적으로 분리합니다.
세계에 대한 이해는 공유할 수 있으며, 실행 방법은 서로 다른 로봇 또는 자동화 장치가 자신의 능력에 따라 결정합니다.
이러한 사고방식은 또한천결의 제품 포지셔닝을 결정했습니다. 로봇 본체를 만들지 않고, 서로 다른 형태의 로봇에 지능 능력을 제공하는 것입니다.
게다가 천결의 목표는범용 로봇뿐만 아니라특정 작업용 전용 로봇도 포함합니다。
가오하이촨은 구현 지능의 상용화는 점진적일 수 있으며, 처음부터 완전한 휴머노이드 형태를 추구할 필요는 없다고 생각합니다.
예를 들어, 한쪽 팔(매니퓰레이터)을 줄이면 호텔 배달 로봇이 될 수 있고, 양팔로 바꾸면 외식 서비스 분야에 진입할 수 있으며, 바디 구조를 더 조정하면 순찰, 보안, 환경 미화 등의 작업에 활용할 수 있다.
형태는 장면에 따라 달라질 수 있지만, 세계에 대한 기저의 이해는 재사용될 기회가 있다.
더 주목할 만한 점은, 이러한 크로스 바디 재사용에는 한 층 더 있는다는 것이다.데이터 가치。
엠보디드 AI는 오랫동안 물리적 상호작용 데이터 부족이라는 문제에 직면해 왔다. 실기 로봇 수집은 비용이 높고 축적이 느리며, 서로 다른 형태의 데이터는 직접 공유하기 어렵다.
데이터 소스의 관점에서 보면, 로봇 학습에 필요한 데이터를 대략 세 가지 층위로 나눌 수 있다:
- 기저층은 1인칭 시점 영상, 인간 조작 영상 등 바디 비의존 데이터로, 모델이 환경, 사물 간의 관계 및 상호작용 과정을 학습하는 데 도움을 준다.
- 중간층은 실기 텔레오퍼레이션 등 로봇 바디 데이터로, 구체적인 동작과 물리적 환경 변화 사이의 연관성을 확립한다.
- 최상위 층은 실제 비즈니스 시나리오의 피드백 데이터로, 모델이 롱테일 문제를 발견하고 지속적으로 반복 개선하도록 합니다.
세 가지 유형의 데이터는 각각의 역할이 있지만, 이들이 진정한 가치를 창출하려면 크로스 임베디드(embodiment) 데이터의 재사용이 어려운 문제를 해결해야 합니다.
가오하이촨은 인간형, 휠형, 사족乃至 로봇청소기까지 구조는 다르지만 물체 간 관계, 작업 목표, 환경 변화에 대한 이해에는 공통점이 있다고 보았습니다.
Polibrain은 상위 표현을 공유함으로써 서로 다른 형태가 축적한 데이터가 동일한 모델에 기여할 수 있는 기회를 만들고자 합니다.
더 많은 로봇이 접속되어 더 많은 실제 시나리오를 커버하고, 데이터가 지속적으로 축적되어 모델의 일반화를 추진하며, 모델 능력이 향상되면 다시 더 많은 로봇 제조사와 고객을 유치할 기회가 생깁니다.
이로써 크로스 임베디드 데이터 플라이휠이 형성될 가능성이 생겼습니다.
다만,표현을 공유한다고 해서 데이터가 자동으로 연결되는 것은 아닙니다.가오하이촨은 로봇 기업 간의 데이터 장벽에 대해서도 언급했습니다.
각 임베디드 제조사 입장에서 데이터 자체가 상업적 가치를 지니기 때문에 개방과 공유는 쉽지 않습니다.
천쑤는 독립 모델 회사로서 다양한 로봇 기업에 서비스를 제공하며 크로스 임베디드 데이터의 협업 활용을 탐색하고 있습니다.
이론 연구에서 실제 로봇 적용에 이르기까지, Polibrain의 공개는 예측형 월드 모델의 산업 적용으로 가는 과정을 관찰할 수 있는 샘플을 제공합니다.
크로스 임베디드 데이터가 진정으로 연결될 수 있는지, 모델 능력이 적용 규모와 함께 지속적으로 향상될 수 있는지는 더 많은 실제 시나리오의 검증이 필요합니다.
이제 '지도'는 마련되었습니다.
하지만 지도를 그리는 것에서 그 '리치(荔枝)'를 진정으로 장안에 전달하기까지는 아직 갈 길이 멉니다.