로봇 월드모델이란? 움직이기 전에 다음 장면을 예측하는 AI

로봇 분야의 월드모델은 로봇이 곧 취할 행동을 넣으면 카메라에 다음에 보일 장면을 예측하는 학습 모델이다. 로봇은 이 모델 안에서 움직임을 먼저 상상해 본 뒤 실제로 움직인다. 기본 정의는 MEKAWIRE [월드모델 기술 페이지](/technologies/world-model)에 정리돼 있고, 이 해설은 월드모델이 어디에 쓰이는지, 누가 돈을 대는지, 논문이 말하는 한계가 무엇인지를 다룬다.

돈이 먼저 움직였다. AMD는 9월 28일 [월드랩스를 주식 약 82억 달러에 인수](/news/amd-to-acquire-world-labs-8-2b-physical-ai-20260928)하기로 합의했고, 하루 뒤 제너럴 인튜이션은 [기업가치 62억 달러에 2억2000만 달러를 유치](/news/general-intuition-220m-6-2b-gameplay-action-models-20260929)해 6월 공개 가치의 2.70배가 됐다. 런웨이, 엔비디아, 오디세이도 로봇용 월드모델을 내놨다.

[[table:0]] 남은 질문은 이 기술이 그 가격이 전제하는 역할을 해낼 준비가 됐느냐다.

월드모델의 일은 셋이고, 로봇의 두뇌는 그중 하나다

첫째는 시뮬레이터다. 사람이 짠 물리 엔진 대신 영상에서 장면 변화를 배워 그 안에서 정책을 시험한다. [런웨이의 Praxis-1](/news/runway-praxis-1-world-action-model-20260930)은 모델 안 성적과 실로봇 성적의 상관계수가 0.95라고 밝혔다. 둘째는 정책을 조종하거나 검증하는 역할이다. [Dream-to-Remember](/papers/dream-to-remember-continual-steering-of-generalist-robot-policies-with-2610-13816)는 월드모델 안에서 작은 조종 모듈을 학습시켜, 미세조정이 11.7%로 무너진 연속 과제 8개에서 고정 정책의 성공률을 63.7%에서 74.8%로 끌어올렸다. 셋째는 정책 그 자체로 다음 장면과 행동을 함께 예측하는 것인데, [유비테크의 Thinker-WM](/papers/thinker-wm-a-unified-world-model-with-shared-multimodal-representation-2610-18447)과 [스베르의 GreenWAM](/papers/greenwam-a-world-foundation-model-for-robotics-2610-18774)이 이를 내세운다.

[비전언어행동(VLA) 모델](/news/what-is-a-vla-model-robot-foundation-models-explained-rt-2-pi0-gr00t-gemini-robotics-2-94bn-raised-2026-20261017)과의 차이는 예측 단계다. VLA는 영상과 지시를 곧바로 모터 명령으로 바꾸고, 월드모델은 미래에 대한 명시적 추정을 더한다. 이달의 [TS-WAM](/papers/ts-wam-temporal-latent-actions-and-world-action-coupling-for-vision-la-2610-21922)은 둘을 합쳐 실제 로봇에서 피지컬인텔리전스의 pi0.5를 72.5% 대 55.0%로 앞섰다.

10월 논문이 측정한 것

MEKAWIRE가 10월 1일 이후 수집한 로봇 논문 485편 중 54편(11.1%)이 월드모델 태그를 달았고 44편에 브리핑을 붙였다.

[[table:1]] 결과는 뚜렷하게 갈린다. 월드모델이 다른 시스템을 검증하거나 적응시킬 때는 개선 폭이 크다. 칭화대와 덴소의 [ExecutionBridge](/papers/plans-are-not-executions-adapting-frozen-world-model-planners-to-contr-2610-22041)는 차량 제어기가 바뀌었을 때 주행 플래너의 난코스 점수를 44% 높였다. 국내에서는 서울대와 이화여대의 [AnisoWM](/papers/anisotropic-representations-improve-planning-in-jepa-world-models-2609-37441)이 잠재 공간 정규화만 바꿔 Cube 과제 계획 성공률을 74%에서 79%로 올렸다. 반면 긴 시간의 물리 결과를 예측해야 할 때는 약하다. 애지봇과 엔비디아 연구진의 벤치마크 [WorldOracle](/papers/worldoracle-benchmarking-action-conditioned-world-models-against-real-2610-18826)에서 시험한 모델 7종은 모두 실로봇 장기 구간에서 표류했고 잡기 실패나 쏟음을 자주 틀렸다. 얀 르쿤이 공저한 [LeHami](/papers/lehami-symplectic-latent-dynamics-for-world-models-2610-15267)도 속도 오차는 2.8배 줄였지만 계획 성능은 0.527로 최강 기준 0.800에 못 미쳤다.