Executive Summary

"Spatial AI"는 2024~2025년 사이 사실상 신규 카테고리로 자리잡았다. 2024년 9월 스탠퍼드의 Fei-Fei Li가 World Labs를 창업하며 시드 $230M을 모았고, 2025년 11월에는 Marble을 정식 출시해 누적 펀딩 $1B을 돌파했다. World Labs는 "공간 지능(Spatial Intelligence)이 언어 지능에 필적·보완하는 AI의 다음 frontier"라는 명제를 내걸었다. Imperial College의 Andrew Davison이 2018~2019년 FutureMapping 시리즈에서 학술적으로 정의한 Spatial AI 개념 — SLAM이 진화한 형태로 공간을 인지·모델·추론·행동으로 통합하는 시스템 — 이 이제 산업 용어로 흡수된 것이다.

1.1같은 시기 흐름 — 5개 사례

2025년 한 해 동안 자연어 → 3D 공간 구조 생성이라는 같은 패턴의 도구·논문이 동시 다발적으로 등장했다. 다만 같은 카테고리 안에서도 도구의 결은 다르다. World Labs Marble은 navigable 환경 자체에 집중하고, STF Labs UrbanGPT 2.0은 도시·건축 도메인에 특화돼 GFA·FAR(용적률)을 다루며, Sat2City는 위성 입력만으로 도시를 복원한다. Cesium·Esri는 GIS 인프라 위에 AI 레이어를 얹는 방식이다.

1.2시장 수치 — 세 출처가 같은 방향을 가리킨다

세 시장조사 기관의 수치는 측정 범위는 다르지만 같은 방향을 가리킨다. AI 도시설계는 2025년 $2.26B에서 2035년 $13.60B로 CAGR 19.65% 성장 전망이다(Metatech Insights). Geospatial AI는 2024년 $38B에서 2030년 $64.6B (CAGR 9.25%)로 향하고(Arizton), 같은 시기 Geospatial Intelligence 전체는 2030년 $62.88B 규모로 전망된다(MarketsandMarkets). 자연어 → 3D 공간 생성이라는 좁은 카테고리에서 시작된 흐름이 GIS·디지털트윈·도시계획 전체로 확장되고 있음을 의미한다.

1.3⚠️ UrbanGPT 동명이인 disclaimer

1.4STF Labs UrbanGPT 2.0 — 공개 정보 정리

STF Labs(Studio Tim Fu)는 런던 기반의 RIBA·ARB 등록 건축사 스튜디오로, Tim Fu가 founder다. UrbanGPT 2.0 Beta는 GPT-4o(언어 계층) + 실시간 diffusion(공간 생성) + Rhino/Grasshopper(정밀 기하)를 결합한 자연어 도시 생성 도구다. "70% 주거, 30% 상업, FAR 450%" 같은 자연어 prompt를 받으면 3D 도시 레이아웃과 자동 GFA 최적화 결과를 출력한다. 공개된 파트너는 NVIDIA와 Lenovo이며, STF Labs의 로드맵은 "현실 도시 데이터 통합 → form-generation에서 spatial decision-making으로"로 정의돼 있다.

다만 평가 메서드론은 비공개다. Beta 출시문은 "production workflow integration, 안정성·정밀성 도달"이라는 정성 표현뿐이며, 정량 벤치마크·평가 데이터셋·baseline 비교는 공개되지 않았다. "자동 GFA 계산"이라는 표현은 있으나 어떤 법규 DB·어떤 알고리즘인지 명시되지 않았다. 이러한 정보 비대칭이 본 보고서의 출발점이다.

Spatial AI 출력은 세 가지 차원으로 구성된다. (1) 3D 모델(건물·도로·식재의 기하), (2) 메타데이터(좌표계, GFA, FAR, 용도지역), (3) 시나리오(인구·교통·환경 시뮬레이션 입력). 이 세 차원이 서로 정합해야 비로소 "사용 가능한 도시 설계안"이 된다. 그런데 기존 LLM 벤치마크(MMLU·HELM·MMBench)는 텍스트 출력의 정확도·일관성만 측정한다. 3D 기하·좌표·법규 충돌·시뮬레이션 입력의 타당성은 측정 영역 밖이다.

2.1학계의 진단 — "사람 평가에 의존"

Tsinghua + SJTU 연구진이 2024년 발표한 T3Bench(arXiv:2310.02977)는 Text-to-3D 평가가 "largely relied on subjective user experiments"임을 공식 진단했다. T3Bench의 Quality 메트릭은 사람 평가와 Spearman 상관 0.784(ImageReward 기반), Alignment 메트릭은 0.780(GPT-4 기반)에 달했지만, 여전히 단일 자동 메트릭으로 끝나지 않는다. 동시기 발표된 3D Scene Generation Survey(arXiv:2505.05474, S-Lab NTU)도 "no single metric performs consistently across all datasets"라는 합의를 정리했다. CityDreamer(CVPR 2024) 같은 SOTA 모델의 user study조차 N=20, 1~5 척도 수준이다. 산업도 학계도 같은 공백 위에 서 있다.

2.2"시각적 그럴듯함 ≠ 사용 가능성"

UrbanWorld(arXiv:2407.11965) 저자들은 자기 모델의 핵심 약점으로 "homogeneous styles, limited diversity"를 직접 지목했다. 보기에 그럴듯한 도시도 시드를 바꿔도 비슷한 도시만 나온다면, 도시계획 의사결정에 쓸 수 없다. FID 97.38(CityDreamer) vs 213.56(SceneDreamer)로 1년 만에 절반으로 줄어든 분포 거리 메트릭조차, 그것만으로는 사용 가능성을 보장하지 못한다. 시각적 자연스러움과 실무 적용 가능성 사이에 큰 간격이 남아 있다.

2.3표준의 시차

ISO/IEC 23894:2023(AI 리스크 관리)와 ISO/IEC 5259 시리즈(데이터 품질, 5259-4가 2024-07 발행 → 2025-02 EU 표준 EN ISO/IEC 5259-4:2025 채택)는 LLM에 적용되기 시작했다. 그러나 3D 공간 출력에는 미적용이다. Esri의 Trusted AI 가이드도 GIS 분석 워크플로우 위주이며, 자연어→3D 생성에는 빈 칸이다. ISO 23247(디지털트윈)은 제조 중심이라 도시에 적용하려면 보완 표준(ITU T-REC-Y.3090 등)이 필요하다. OGC CityGML 3.0은 conceptual model 단계(2021)에서 2025년 3DCityDB v5로 구현이 가속됐으나, "Spatial AI 출력 검증" 용도로는 아직 정형화되지 않았다. 표준과 기술 사이에 약 2~3년의 시차가 있다.

본 5가지 기준은 페블러스가 PebbloSim 관점에서 제안하는 평가 프레임워크다. 페블러스가 현재 운영 중인 표준이 아니라, Spatial AI 평가 공백을 메우기 위한 가설적 제안임을 명확히 둔다. 5가지는 학계가 부분적으로 정리한 메트릭과 업계가 비워둔 검증 차원의 교차점에서 도출됐다. 각 기준은 정의·측정 방법·학술 prior·페블러스가 제안하는 차별점을 함께 제시한다.

3.1Geo 정합성 (Geographic Coherence)

생성된 도시 모델의 좌표·축척·도로 토폴로지가 실제 지리(GIS·위성 영상)와 정합하는가를 묻는 기준이다. 자연어 prompt에서 "강남구 70만㎡"를 받았을 때, 출력 도시가 실제 강남구 GIS 폴리곤과 좌표·면적·도로 토폴로지에서 합리적으로 일치하는지를 측정한다.

3.2Scale 일관성 (Scale Consistency)

건물 높이·도로 폭·식재 비율·블록 크기 등의 상대적 비율이 도시 현실과 정합하는가를 측정한다. 한국의 일반 주거지역에서 갑자기 30층 단독주택이 나온다면 시각적으로 그럴듯해도 부적합하다. 도시별 비율 분포와의 통계적 거리를 정량화한다.

3.3GFA 검증 (Gross Floor Area Validation)

생성된 도시의 용적률(FAR)·건폐율·용도지역 분포가 법규와 충돌 없는가를 자동 검증한다. UrbanGPT 2.0이 "FAR 450%"를 prompt로 받았을 때, 실제 출력의 건물 footprint × 층수 합이 정말 FAR 450%인지, 그리고 해당 부지의 zoning code에서 FAR 450%가 허용되는지를 함께 묻는다. B2B·규제 환경에서 가장 즉시적인 가치를 갖는 기준이다.

3.4시나리오 다양성 (Scenario Coverage)

단일 prompt/seed에서 생성 가능한 도시 변형의 폭과 커버리지, mode collapse 여부를 측정한다. 같은 prompt에서 시드만 바꿨을 때 도시들이 얼마나 서로 다른가 — 다양성이 낮으면 의사결정 도구로서의 가치가 떨어진다. UrbanWorld 저자들이 자기 약점으로 "homogeneous styles, limited diversity"를 직접 지목한 바로 그 차원이다.

3.5Sim-to-Real Gap 측정

생성된 도시 데이터와 실제 도시 데이터(LiDAR·항공 영상·GIS) 사이의 분포·기하 거리를 측정한다. 시뮬레이션 데이터로 학습한 모델이 실세계에서 작동할 수 있는가 — 자율주행·로봇·디지털트윈의 핵심 질문이다. UCF의 HiFi DT framework가 사실상 표준 패키지를 정리해 두었다.

3.65기준 종합 표

5가지 기준을 학술 prior, 업계 prior, 페블러스 신규 기여 관점에서 정리하면 다음과 같다. ✅ 표시는 풍부한 prior가 존재해 즉시 채택 가능한 영역, ⚪ 표시는 학술·업계 모두 비어 있어 정의 자체가 신규 기여가 되는 영역이다.

4.15기준 적용 표 (외부 관찰 기반 추정)

각 기준별로 공개된 정보만 가지고 평가를 시도했다. 평가 메서드론이 비공개인 항목은 ⚪ 미측정으로 두었다.

4.2추정 강점 (2가지)

평가 메서드론은 비공개이지만, 공개된 기술 스택과 시연 영상에서 두 가지 강점이 일관되게 관찰된다.

4.3추정 약점 (3가지)

반면 평가 메서드론 비공개로 인한 약점이 세 가지 차원에서 관찰된다. 모두 본 보고서가 제안하는 5기준이 정확히 채울 수 있는 공백이다.

UrbanGPT 2.0이 자연어로 도시 레이아웃을 생성한다면, PebbloSim은 그 레이아웃 위에서 인구·교통·환경 시나리오를 시뮬레이션해 "실행 가능한 도시 설계안"으로 진화시킬 수 있다. 즉 UrbanGPT 출력 → PebbloSim 시뮬레이션 → 5기준 평가 → 피드백 파이프라인은 자연스러운 결합점이다. 본 섹션은 이 파이프라인의 구체적 형태를 청사진 수준으로 제시한다.

5.1워크플로우 표 — 5단계 파이프라인

입력에서 피드백 환류까지의 흐름을 단계별로 정리하면, 각 단계는 페블러스 제품군 중 하나 이상과 직접 매핑된다.

5.2페블러스 제품군 ↔ 5기준 매핑

DataClinic(학습 데이터 진단), PebbloScope(분포 시각), PebbloSim(합성 데이터 생성), Data Greenhouse(실측 큐레이션) 네 가지 제품군이 5기준의 측정 인프라를 직접 구성한다.

5.3NVIDIA Omniverse Smart City Blueprint와의 포지셔닝

NVIDIA의 Smart City AI Blueprint(팔레르모 시 사례, 초당 50B 픽셀 처리)는 인프라 레이어다 — Cosmos·NeMo·Metropolis가 1,000+ 비디오 스트림을 실시간 분석한다. Bentley iTwin은 인프라 자산의 디지털트윈 플랫폼이며, Cesium은 3D geospatial 인프라다. 이들은 모두 강력한 인프라이지만 자연어→3D 생성물의 품질 평가 메서드론은 비워두고 있다. 페블러스의 자리는 이 인프라들 위에서 작동하는 평가 메타 레이어다. NVIDIA Omniverse가 시뮬레이션을 돌리면 페블러스는 그 결과의 품질을 5기준으로 평가하고 피드백한다. 같은 카테고리에 들어가 경쟁하지 않고, 인프라 위에서 보완 관계로 동작 가능하다.

본 청사진은 STF Labs와 가능성을 탐색 중인 영역의 한 형태다. AI 도시설계·디지털트윈·시뮬레이션 분야에서 평가 메서드론을 고민하는 팀이 있다면, 본 5기준이 출발점이 될 수 있다.

ISO/IEC와 IEC, OGC, NIST가 2023~2025년 사이 AI 신뢰성·데이터 품질·디지털트윈 보안 표준을 연이어 정비하고 있다. 그러나 Spatial AI(자연어→3D 생성)에 직접 적용 가능한 도시 분야 정식 표준은 부재하다. 이 공백은 페블러스가 표준 논의 테이블에 진입할 수 있는 시간 창이다.

6.1핵심 표준 4가지

현재 Spatial AI 평가에 직간접으로 연결되는 핵심 표준은 네 가지다. 시점·범위·Spatial AI 적용도를 함께 정리한다.

6.2도시 분야 정식 표준의 공백

ISO 23247 시리즈는 manufacturing 중심이라 도시·smart city에는 보완 표준(ITU T-REC-Y.3090)이 필요하다. Digital Twin Consortium / OGC UDTIP(2025-02 종료된 Urban Digital Twin Implementation Pilot)도 합의 형성 단계다. 즉 도시 분야 정식 표준은 부재하고, 이는 평가 프레임워크를 먼저 가진 팀이 표준 논의에 의제를 제공할 수 있는 시간 창임을 의미한다.

본 보고서가 정리한 10개 주요 플레이어 — STF Labs, World Labs, Cesium, Esri, Mapbox, NVIDIA, Bentley, Autodesk Forma, TestFit, Hypar — 중 자체 출력 품질 검증 메서드론을 공개한 곳은 사실상 Esri 한 곳뿐이다. 나머지 9개는 자동 생성에는 강하지만 "어떻게 검증되는가"를 공개하지 않는다. 이 공백이 의미하는 바는 단순하다 — 평가 프레임워크를 가진 팀이 시장 진입 장벽을 세운다.

7.1평가 프레임워크 = 재인용 가능 IP

본 5기준은 단순한 측정 도구가 아니다. (a) 학계가 후속 연구에서 인용 가능한 정의, (b) 잠재 파트너가 자사 도구에 적용 가능한 체크리스트, (c) 정책 담당자가 조달 기준화 가능한 항목, (d) 페블러스 잠재 고객이 자사 데이터 품질을 자가 진단 가능한 도구 — 네 가지 층위로 재사용 가능한 IP 자산이다. 평가 프레임워크는 한 번 정의되면 인용·재사용·확장의 네트워크 효과를 일으킨다.

7.2페블러스의 자리 — "Spatial AI Data Quality" thought leader

페블러스는 AI-Ready Data 인프라 제공자다. Spatial AI 시대에 "AI-Ready"가 무엇인지 — 어떤 데이터·평가 기준·표준이 필요한지 — 정의하는 자리에 먼저 깃발을 꽂는다. DataClinic은 학습 데이터 품질 진단, PebbloScope는 분포·시각 진단, PebbloSim은 합성 데이터 생성, Data Greenhouse는 실측 데이터 큐레이션. 이 네 가지 제품군이 본 5기준의 측정 인프라를 직접 구성한다. 평가 프레임워크는 페블러스 제품군의 통합 외피이자, 외부와의 인터페이스다.

7.3다음 발걸음

ISO 5259-4 EN 채택(2025-02)과 OGC CityGML 3.0 implementation 가속(2025년 3DCityDB v5)은 모두 표준이 움직이고 있다는 신호다. 본 5기준은 그 표준 논의에 페블러스가 가져갈 의제다. 본 보고서가 첫 발이며, 시그니처 시리즈 2호(Palantir)에서는 같은 "평가 관점"을 데이터 운영 플랫폼으로 확장한다.

참고문헌

본 보고서가 인용한 학술 논문, 업계 발표, 표준·시장 자료를 트랙별로 정리한다.

학술 (Track A)

1. Wen, B., Xie, H., Chen, Z., Hong, F., Liu, Z. (2025). "3D Scene Generation: A Survey." arXiv:2505.05474. 링크
2. He, Y., Bai, Y., Lin, M., Zhao, W. (2024). "T3Bench: Benchmarking Current Progress in Text-to-3D Generation." arXiv:2310.02977. 링크
3. 3DGen-Bench Team (2025). "3DGen-Bench: Comprehensive Benchmark Suite for 3D Generative Models." arXiv:2503.21745. 링크
4. Xie, H., Chen, Z., Hong, F., Liu, Z. (2024). "CityDreamer: Compositional Generative Model of Unbounded 3D Cities." CVPR 2024 / arXiv:2309.00610. 링크
5. Shang, Y., Lin, Y., Zheng, Y. (2024). "UrbanWorld: An Urban World Model for 3D City Generation." arXiv:2407.11965. 링크
6. Shahbaz, M., Agarwal, S. (2025). "High-Fidelity Digital Twins for Bridging the Sim2Real Gap in LiDAR-Based ITS Perception." arXiv:2509.02904. 링크
7. Hua, T. et al. (2025). "Sat2City: 3D City Generation from A Single Satellite Image." ICCV 2025 / arXiv:2507.04403. 링크

업계 (Track B)

8. STF Labs (Studio Tim Fu). "Introducing UrbanGPT 2.0 Beta." LinkedIn 발표. 링크
9. World Labs. "Marble: Multimodal World Model." World Labs Blog. 링크
10. Esri. "Trusted AI — Implementation Best Practices" (ISO 23894 정합). 링크
11. NVIDIA. "Smart City AI Blueprint" (Palermo 사례). NVIDIA Blog. 링크
12. Fei-Fei Li. "From Words to Worlds: Spatial Intelligence." World Labs Substack. 링크

표준·시장 (Track C)

13. ISO/IEC 5259-4:2024 — AI Data Quality Process Framework (EN ISO/IEC 5259-4:2025로 EU 채택). 링크
14. ISO/IEC 23894:2023 — AI Risk Management. 링크
15. Metatech Insights. "AI in Urban Planning Market 2025-2035." 링크
16. Arizton. "Geospatial AI Market Report." 링크
17. OGC. "CityGML 3.0 Standard." 링크