World Labs의 SceniX 인수, 물리 AI 경쟁은 ‘데이터 수집’에서 ‘세계 제작’으로

도입

페이페이 리가 이끄는 World Labs가 로봇 시뮬레이션 기업 SceniX를 인수했다. 이 거래는 단순한 기술 확보 이상의 의미를 갖는다. 월드 모델의 관심이 ‘그럴듯한 3D 공간을 생성하는 것’에서 ‘로봇이 행동했을 때 세계가 어떻게 변하는지 시뮬레이션하는 것’으로 이동하고 있음을 보여주기 때문이다.

인수 직후 World Labs는 Real-to-Sim-to-Real, 즉 R2S2R 관련 진전을 공개했다. 실제 로봇 과제를 시뮬레이션 환경으로 옮기고, 그 안에서 다양한 조건의 과제로 확장한 뒤 정책을 훈련·평가하고, 다시 실제 로봇에 배포하는 흐름이다. 관건은 시뮬레이션에서 잘 작동하는지가 아니라, 그 결과가 실제 성능을 예측하고 실패 가능성을 미리 드러낼 수 있는지다.

핵심 포인트

• 월드 모델의 질문이 달라진다: 로봇에게 필요한 것은 보기 좋은 장면만이 아니다. 상자가 눌리면 어떻게 변형되는지, 케이블이 힘을 받으면 어떻게 휘고 얽히는지 같은 물리적 결과가 중요하다.
• 시뮬레이션이 핵심 연결층이 된다: SceniX는 실제 과제 재구성, 물리 속성 복원, 복잡한 상호작용 시뮬레이션, 로봇 정책 훈련과 평가 역량을 보완한다. 월드 모델은 렌더러에서 시뮬레이터로 확장되고 있다.
• R2S2R은 단일 기술이 아니다: 실제 데이터, 세계 재구성, 생성 확장, 물리 시뮬레이션, 모델 훈련, 평가, 실제 로봇 피드백이 하나의 폐루프로 묶여야 한다.
• 데이터 인프라의 기준이 바뀐다: 앞으로는 수집 시간이나 3D 자산 수보다, 하나의 실제 과제에서 얼마나 많은 유효한 훈련 세계를 만들고 실패를 다음 데이터 요구로 바꿀 수 있는지가 중요해진다.

의미와 영향

로봇과 embodied AI에서 데이터는 더 이상 한 번 모아두는 정적 자산이 아니다. 실제 세계 데이터는 기준점을 제공하고, 생성 모델은 물체·배치·예외 상황의 분포를 넓히며, 시뮬레이터는 물리적 변화를 계산한다. 이후 실제 로봇에서 발생한 실패와 분포 밖 상태가 다시 시스템으로 돌아와 다음 학습을 이끈다.

소재는 무문지커가 제시한 “세계 수집–세계 생성–세계 시뮬레이션” 접근도 함께 다룬다. 이는 단순히 더 큰 데이터 저장소를 만드는 것이 아니라 수집, 정제, 재구성, 생성, 시뮬레이션, 훈련, 평가를 연결하는 지속적 데이터 인프라에 가깝다.

World Labs는 세계 생성에서 출발해 로봇 시뮬레이션을 보강하고 있고, 무문지커는 실제 현장 데이터에서 출발해 폐루프 인프라를 강조한다. 출발점은 다르지만 결론은 같다. 현실 세계를 물리 AI가 반복적으로 학습하고 시험할 수 있는 계산 가능한 자원으로 바꾸는 것이 다음 경쟁의 핵심이다.

출처: 量子位