Executive Summary

주요 수치

출처: 각 회사 발표와 보도. 자세한 출처는 본문에 걸어 두었다.

브랜덤은 기사에서 자신이 올인 콘퍼런스의 월드모델 패널을 진행했다고 적었다. 같은 이름의 팟캐스트와는 무관한 행사다. 그 자리에서 이 분야의 큰 두 곳을 AMI 랩스와 월드 랩스로 꼽으면서, 두 회사가 화제와 자금은 잔뜩 모았는데 돈을 벌려는 노력에서는 꽤 아래쪽에 있다고 썼다.

기사의 설명을 따르면 월드모델의 핵심은 공간 지능을 자동으로 다루는 일이다. 가장 단순한 형태는 자율주행차를 움직이는 모델처럼 세상을 오갈 수 있게 그려 둔 지도다. 그런데 자율주행차가 차들 사이를 빠져나가게 해 주는 바로 그 방식이 휴머노이드 로봇이 상자를 나르는 데에도 쓰일 수 있다. 그래서 갈 수 있는 방향이 로보틱스부터 조작 가능한 영상, 더 복잡한 자율주행까지 넓게 열려 있다.

방향이 넓다는 말은 어디로 갈지 아직 고르지 않았다는 말이기도 하다. 상용화가 실제로 어디서 먼저 보이겠느냐고 밀어붙이자 대답이 뿌예졌다고 브랜덤은 적었다. AMI 랩스에서 월드모델을 맡은 마이클 라바는 패널에서 이렇게 답했다. 이야기할 준비가 되면 이야기하겠다는 것이다. 이메일로 다시 물었을 때 돌아온 답도 다르지 않았다. 아직 연구하고 만드는 단계라 제품 계획이나 일정을 공개적으로 이야기하지 않는다는 내용이었다.

아무것도 안 하고 있다는 뜻은 아니다. 기사에 따르면 AMI 랩스는 제조와 생명의학, 로보틱스에 이미 발을 걸쳤고 의사가 쓰는 AI 소프트웨어에도 협업으로 닿아 있다. 걸친 자리는 여럿인데 어느 쪽이 먼저 제품이 되는지는 말하지 않는 상태다.

상대적으로 말이 많은 쪽은 월드 랩스다. 브랜덤은 이 회사의 마블을 이 분야에서 가장 완성도가 높은 제품으로 꼽았고, 데모가 단순한 미디어 제작부터 비디오 게임용 탐험 가능 환경, CGI 효과까지 걸쳐 있다고 적었다. 마블은 2025년 11월 제한된 베타로 나왔다가 2026년 2월 정식 출시됐다. 같은 달 이 회사는 10억 달러를 추가로 모았다. 오토데스크가 2억 달러를 넣어 라운드를 받쳤고 엔비디아와 AMD도 참여했다. 누적 조달액은 12억 3천만 달러가 됐다. 그래도 이 제품 다음에 무엇이 오는지는 마찬가지로 비어 있다.

기사가 내놓는 설명은 두 갈래로 읽힌다. 하나는 경쟁이고 하나는 돈이다.

경쟁 논리는 간단하다. 어디에 쓸 기술인지를 먼저 밝히면 시장으로 가는 길이 드러나고, 그 길이 보이는 순간 경쟁사도 그 길을 향해 자금을 모을 수 있다. 브랜덤은 류츠신의 독자라면 알아볼 암흑의 숲 상황이라고 적었다. 숲에 누가 또 있는지 모른다면 관심을 끌지 않는 편이 낫다는 것이다. 자금이 넉넉하다는 사실이 오히려 이 계산을 강하게 만든다. 나를 조용히 만들게 해 준 그 돈이 잠재적 경쟁자들도 함께 먹이고 있기 때문이다.

자금 이야기는 침묵을 견딜 체력에 관한 것이다. AMI 랩스는 2025년 12월 파리에서 세워졌고, 석 달 뒤인 2026년 3월에 10억 3천만 달러를 시드로 받았다. 투자 전 기업가치는 35억 달러였고, 유럽에서 나온 시드 라운드 가운데 가장 컸다. 대표 알렉상드르 르브룅은 이 회사가 3개월 만에 제품을 내고 6개월 만에 매출을 올리는 흔한 응용 AI 스타트업이 아니라고 테크크런치에 말했다. 근본 연구에서 출발하는 기획이라는 설명이었다. 르쿤 본인은 AFP에 1~2년 안에 기업 파트너와 논의를 시작하고, 3~5년 안에 두루 쓸 만한 지능 시스템을 내놓는 것이 목표라고 말했다. 이 라운드를 다룬 보도들은 그동안 이 회사가 팔 제품 없는 연구 조직으로 남을 것이라고 적었다. 5년쯤이라는 기간은 그 보도들의 정리이고, 회사가 공언한 일정은 아니다.

여기에 하나가 더 붙는다. 월드모델이라는 말 자체가 아직 넓다는 사정이다. 르브룅은 반년쯤 지나면 모든 회사가 자금을 모으려고 스스로를 월드모델 회사라 부를 것이라고 예측한 적이 있다. 이름이 넓으면 무엇에 쓸지 특정하지 않아도 투자 서사가 성립한다. 침묵에 드는 비용이 그만큼 낮아진다.

월드 랩스는 실제로 꽤 많은 말을 했다. 2026년 6월 3일 이 회사는 월드모델이라는 말을 세 갈래로 가르는 글을 냈다. 사람 눈에 보일 픽셀을 내놓는 렌더러, 사람과 프로그램이 함께 계산하고 다룰 수 있는 상태를 내놓는 시뮬레이터, 다음에 무엇을 할지 행동을 내놓는 플래너다. 셋 가운데 시뮬레이터가 가장 주목을 덜 받으면서 가장 중요하다는 것이 이 글의 판단이었다. 데이터 이야기도 들어 있다. 기하 구조와 재질 속성, 물리 주석이 명시된 3D 데이터는 렌더러가 학습하는 인터넷 영상보다 몇 자릿수나 드물다고 짚었다.

무엇이 모자란지까지 공개한 셈이다. 그런데 이걸로 데이터를 만드는 쪽의 물음이 풀리지는 않는다. 드문 것이 무엇인지는 알려 줬지만, 그 데이터가 어느 과제에서 얼마나 정확해야 값을 하는지는 열려 있다. 목록을 받은 것이지 과제를 받은 것은 아니다.

브랜덤은 같은 콘퍼런스의 복도에서 피지클의 대표 알렉스 드 비강을 만났다. 피지클은 2026년 3월 엔비디아 GTC에서 스텔스를 벗은 프랑스 회사다. 리테일용 3D 데이터를 다루던 엔파이닛 팀이 피지컬 AI 전용으로 새로 세웠다. 출발 시점에 시뮬레이션에 바로 넣을 수 있는 3D 자산과 환경을 수백만 점 갖췄다고 발표했다. 겨냥한 곳은 셋이다. 로봇, 월드모델, 그리고 이미지와 언어를 함께 다루는 모델이다. 같은 발표문은 이 플랫폼이 이미 지원하고 있는 팀으로 메타와 딥마인드, 월드 랩스, 게티 이미지를 적었다. 자산을 어떻게 만드는지는 자사 사이트에 적혀 있다. 들어온 원본을 물리 속성이 태깅된 3D로 바꾸면서 형상을 정리하고 재질을 확정하고 마찰과 질량, 충돌 속성을 자동으로 끌어낸다는 설명이다.

드 비강이 발표문에 적어 둔 창업 논리는 분명하다. AI의 큰 도약에는 언제나 새로운 데이터 층이 필요했고, 피지컬 AI에서 빠져 있는 층은 구조가 잡혀 있고 공간적으로 일관되며 물리를 아는 데이터라는 것이다. 모델이 실제로 배울 수 있는 형태여야 한다는 단서가 그 문장에 붙어 있다.

그런 회사가 정작 고객이 무엇을 만드는지 모른 채 일하고 있다. 자기 데이터가 유용했다는 것은 안다. 무엇에 유용했는지를 모른다. 그래서 그가 한 말은 하소연이 아니라 사양 이야기로 읽힌다. 더 알려 주면 더 쓸모 있는 데이터를 만들 수 있을 텐데, 라는 문장은 만들 능력이 목적 부재에 막혀 있다는 보고다.

이 차이는 자산 하나를 만드는 장면에서 드러난다. 창고 한 칸을 3D로 짓는다고 하자. 로봇 팔이 물건 집는 법을 배우는 데 쓸 것이라면 손이 닿는 면의 마찰과 물체의 질량, 잡을 때 생기는 미세한 변형이 맞아야 한다. 영상이나 게임 환경을 만드는 데 쓸 것이라면 겉모습과 조명, 장면의 다양성이 먼저다. 둘 다 최고 수준으로 맞추려면 비용이 몇 배가 되고, 어느 쪽도 정해 주지 않으면 양쪽에 조금씩 모자란 자산이 나온다.

목적을 모르면 개선할 방향도 함께 사라진다. 어느 자산이 좋은 자산이었는지 알아야 다음 판을 그리로 밀 수 있는데, 그 자산이 어느 과제로 갔는지 모르면 잘 만든 것과 헛수고를 가를 기준이 서지 않는다. 물량은 늘어나고 품질은 여러 방향으로 흩어진다.

이 지점이 기존 논의와 갈라지는 자리다. 피지컬 AI의 데이터 병목을 말할 때 지금까지의 초점은 대체로 양과 비용에 있었다. 로봇이 배울 시연 데이터는 사람이 직접 로봇을 움직여 모아야 하니 웹 문서처럼 긁어올 수 없고, 그래서 규모가 안 나온다는 진단이다. 드 비강이 가리키는 곳은 그 옆이다. 만들 물량은 이미 서 있는데 조준할 과녁이 없다.

양이 병목이라는 진단에도 근거는 단단하다. 데이터 회사 스케일 AI는 2025년 9월에 올린 글에서 그 시점에 쓸 만한 공개 데이터셋을 다 합쳐도 로봇 상호작용 데이터가 5,000시간 남짓이라고 밝혔다. 그 부족을 메우려고 자사 샌프란시스코 시제품 실험실 한 곳에서만 10만 시간 넘게 작업했다는 수치도 같은 글에 있다. 부족은 실재하고 메우는 데 큰돈이 든다. 피지클도 발표문에서 게티 이미지가 사진을 대고 스케일 AI가 라벨 붙은 학습 데이터를 대듯 자기는 시뮬레이션에 바로 넣을 3D 데이터를 댄다고 스스로를 견주었다. 그래도 양을 다 채운 뒤에도 드 비강이 가리킨 공백은 그대로다.

이렇게 반문할 수도 있다. 월드모델은 애초에 여러 용도에 두루 쓰려고 만드는 기술인데, 데이터도 두루 쓸 수 있게 만들면 되지 않느냐는 물음이다. 맞는 말이지만 문제를 없애지는 못하고 자리만 옮긴다. 두루 쓴다는 것도 사양이어서 누군가는 그 범위를 적어 줘야 한다. 어떤 물체까지 담을지, 마찰 값을 얼마나 정확히 맞출지에는 늘 예산의 한계가 있고, 범위를 정해 주지 않으면 그 자리를 만드는 쪽의 짐작이 채운다. 짐작으로 채운 자리는 맞았는지 틀렸는지 확인할 길이 없어 그대로 굳는다.

우리가 AI-Ready Data를 말할 때 늘 붙드는 구별이 있다. 데이터가 있다는 것과 학습에 쓸 수 있게 준비됐다는 것은 다르다는 이야기다. 이번 기사는 그 구별의 한 칸 앞을 건드린다. 준비됐다는 판정을 내리려면 무엇에 쓸 데이터인지를 먼저 알아야 한다. 용도가 비어 있으면 준비 완료라는 상태 자체가 정의될 근거를 잃는다.

이 물음을 우리 일로 돌려 보면 사양서가 나온다. 외주로 데이터를 만들 때 공급자에게 넘기는 문서에는 대개 형식이 적혀 있다. 파일 규격, 라벨 스키마, 클래스 정의, 검수 기준, 납기. 반대로 목적이 적힌 경우는 드물다. 이 데이터로 무엇을 판단하려 하는지, 모델이 어떤 상황에서 틀리면 곤란한지, 잘 만들었다는 것을 무엇으로 확인할지가 문서에 없다. 그런 사양서를 받은 공급자는 피지클 대표와 같은 자리에 선다.

목적이 빠진 사양서에서 무너지는 것은 판단의 근거다. 규정에 없는 경우를 만났을 때 공급자가 기댈 곳이 없다. 임의로 정하면 검수에서 어긋나고, 매번 되물으면 일정이 밀린다.

목적을 전하는 언어는 업계가 이미 쓰고 있다. 스케일 AI는 로봇 데이터에 동작만 담지 않고 의도와 과제 구조, 실패 양상까지 붙인다고 밝혔다. 무엇이 실패인지 적어 두려면 그 데이터를 어디에 쓸지부터 정해야 한다. 다만 거기서 말하는 의도는 시연하는 사람의 의도이지 데이터를 사 가는 쪽의 목적은 아니다. 공급자가 스스로 채울 수 있는 칸과 발주하는 쪽만 채울 수 있는 칸은 끝내 갈린다.

그렇다고 목적을 전부 적으라는 말로 끝낼 수는 없다. 목적을 자세히 쓰는 일은 회사의 계획을 밖으로 내보내는 일이기도 하다. 월드모델 회사들이 입을 다무는 이유가 정확히 그것이었다. 그래서 실제로 풀어야 할 물음은 밝히느냐 마느냐가 아니라, 계획을 노출하지 않으면서도 데이터가 조준할 곳을 전할 방법이 있느냐다. 최종 용도는 가리고 평가 방식만 먼저 합의하는 길도 있고, 틀리면 곤란한 경우를 몇 가지 예시로 건네는 길도 있다. 아래 네 가지를 확인해 보면 지금 우리 사양서의 위치가 대략 나온다.

• 사양서 첫 장에 이 데이터로 무엇을 판단하려는지가 한 문장으로 적혀 있는가. 형식 규정만 있고 그 문장이 없으면 공급자는 겉모습만 맞춘다.
• 규정에 없는 경우를 만났을 때 공급자가 기준으로 삼을 판정 예시가 들어 있는가. 애매한 사례 열 개가 분류 체계 열 장보다 낫다.
• 납품물을 우리가 어떻게 평가할지를 공급자가 작업 전에 알고 있는가. 채점표를 뒤에 숨기면 다음 차수가 나아지지 않는다.
• 목적을 다 밝힐 수 없다면, 가려도 되는 부분과 반드시 전해야 할 부분을 구분해 두었는가. 전부 가리는 것은 보안이 아니라 포기다.

월드모델 회사들이 언제 입을 열지는 우리가 알 수 없다. 다만 이 기사가 남긴 장면은 그들의 일정표보다 오래 쓸모가 있다. 데이터를 만드는 쪽과 쓰는 쪽 사이에 목적이 흐르지 않으면, 그 사이를 잇는 문서가 아무리 두꺼워도 형식만 오간다. 돈이 부족해서 생기는 문제가 아니라서 돈으로는 풀리지 않는다.

여기까지 읽어 주셔서 감사하다. 이 글이 인용한 사실은 테크크런치 기사와 피지클 발표문에서 누구나 확인할 수 있다. 여러분이 최근에 외부로 넘긴 데이터 사양서에는 목적이 적혀 있었는지, 적지 못했다면 무엇이 그것을 막았는지 나눠 주시면 좋겠다.

1차 보도

• 1.Brandom, R. (2026). "World model companies are keeping a lot of secrets." TechCrunch.
• 2.TechCrunch. (2026). "Yann LeCun's AMI Labs raises $1.03 billion to build world models." TechCrunch.
• 3.The AI Insider. (2026). "Fei-Fei Li's World Labs Raises $1B in Fresh Funding to Advance Development of World Models." The AI Insider.

업계·공식 자료

• 4.Li, F. (2026). "A Functional Taxonomy of World Models." World Labs (Substack).
• 5.Nfinite / Physicl. (2026). "Physicl Launches the Data Infrastructure Layer for Physical AI at NVIDIA GTC." PR Newswire.
• 6.Physicl. (2026). "Physicl — Physical AI Data Infrastructure." physicl.ai.
• 7.Scale AI. (2025). "Physical AI." Scale AI Blog.