월드 랩스, ‘R2S2R 엔진’ 출시… 데이터 없이 로봇 훈련 가능하다고 주장

실질적인 물리적 자동화 구축에서 가장 큰 비중을 차지하는 항목은 하드웨어나 컴퓨팅 자원이 아니라, 원격 조작 데이터를 수집하는 데 필요한 인건비입니다. 수년 동안 로봇 산업은 ‘무차별 시도’ 방식에 의존해 왔습니다. 즉, 로봇이 새로운 작업을 학습하게 하려면 인간 조작자가 수백 번, 수천 번에 걸쳐 직접 로봇을 안내해야만 했습니다. 이러한 데이터 병목 현상은 범용 로봇의 확장성을 제한해 왔으며, 기업들은 기계에게 셔츠를 접거나 상자를 포장하는 법을 가르치기 위해서만도 거대하고 비용이 많이 드는 데이터 수집 시설을 구축해야만 했습니다. 이러한 접근 방식의 경제성은 근본적으로 확장성이 없어, 실험실 시연과 상업적 실현 가능성을 가로막는 구조적 장벽을 만들어 냅니다. 인간 조작자에 대한 의존은 일관성 부족을 초래하고, 반복 속도를 제한하며, 새로운 기능을 하나 추가할 때마다 그에 비례하여 인건비가 증가하도록 만듭니다.

스탠포드 대학의 리 페이페이(Fei-Fei Li) 교수가 설립한 샌프란시스코의 공간 지능 스타트업 월드 랩스(World Labs)는 이러한 장벽을 완전히 허물고자 시도하고 있다. 2026년 7월 30일, 이 회사는 물리적 데이터 수집의 필요성을 우회하도록 설계된 로봇 정책 훈련 및 평가 엔진인 ‘Real-to-Sim-to-Real(R2S2R)’을 발표했습니다. 월드 랩스가 약 1주일 전에 인수한 로봇 시뮬레이션 스타트업 ‘SceniX’의 기술을 기반으로 하는 R2S2R은 실제 로봇, 센서, 사물 및 이들의 상호작용을 정렬된 상호작용형 가상 세계로 재구성합니다. 로봇 정책은 이 시뮬레이션 환경에서 훈련 및 평가를 거친 후 실제 로봇에 다시 배포됩니다. 이 기술의 가장 주목할 만한 점은 실세계 데이터 없이 훈련된 로봇 정책이 사람의 개입 없이 1시간 동안 지속적으로 자율적으로 작동하며, 전원 케이블 배선과 같은 작업을 수행했다는 사실입니다.

케이블 삽입, 시험관 옮기기, 마커와 연필 잡기 등입니다.

이번 출시는 로봇 공학 생태계에서 중요한 전략적 전환점을 의미합니다. 월드 랩스는 로봇을 직접 제작하지 않습니다. 대신 하드웨어와 파운데이션 모델 사이에 위치하는 인프라 계층을 구축하고 있습니다. 훈련 환경을 물리적 구현체로부터 분리함으로써, 월드 랩스는 점점 더 분열되어 가는 시장에서 중립적인 스위스 같은 위치를 차지하고 있습니다. R2S2R 엔진은 구현 방식에 구애받지 않아 단일 팔, 양팔, 이동형 플랫폼을 모두 지원하며, 모델에 구애받지 않아 비전-언어-행동(VLA) 및 월드 액션 모델(World Action Model) 정책 모두와 호환됩니다. 이러한 접근 방식을 통해 World Labs는 고객이 어떤 하드웨어 공급업체나 모델 제공업체를 선택하든 상관없이 보편적인 훈련의 장 역할을 할 수 있습니다. 이러한 중립성의 전략적 가치는 아무리 강조해도 지나치지 않습니다. 하드웨어 마진이 축소됨에 따라 로봇 공학 분야의 가치는 일반화된 기능을 가능하게 하는 소프트웨어 및 훈련 인프라 쪽으로 빠르게 이동하고 있습니다.

합성 데이터의 경제학

World Labs의 통제된 시연 환경 밖에서도 ‘실제 데이터 제로(zero-real-data)’ 훈련이 실제로 가능하다는 사실이 입증된다면, 이는 조달 관리자 및 운영 책임자들에게 지대한 영향을 미칠 것입니다. 현재 새로운 로봇 시스템을 도입하는 데는 데이터 수집 및 현장 맞춤형 미세 조정을 위한 상당한 초기 투자가 수반됩니다. 정책을 시뮬레이션 환경에서 완전히 훈련시킨 후 높은 신뢰성으로 실제 로봇에 직접 배포할 수 있다면, 새로운 기능을 추가하는 데 드는 한계 비용은 급격히 감소합니다. 이는 경제적 계산을 자본 집약적이고 노동 집약적인 과정에서 소프트웨어 주도형 확장 가능한 모델로 전환시킵니다. 수십 개의 창고를 관리하는 물류 업체의 경우, 각 현장에 운영 인력을 파견하지 않고도 로봇 군에 새로운 피킹 정책을 적용할 수 있다면 총 소유 비용을 대폭 절감할 수 있습니다.

월드 랩스(World Labs)의 접근 방식은 컬럼비아 대학교 조교수이자 매사추세츠 공과대학교(MIT) 박사, 그리고 리페이페이(Fei-Fei Li) 교수의 지도 하에 스탠포드 대학교에서 박사후 연구원을 지낸 스세닉스(SceniX)의 공동 창업자 리윈주(Yunzhu Li)의 전문성을 활용합니다. 인수 전 월드 랩스의 ‘마블(Marble)’ 월드 모델의 고객사였던 스세닉스(SceniX)는 물리 기반 시뮬레이션 및 시뮬레이션-실제(sim-to-real) 전환 분야에서 깊은 전문성을 보유하고 있습니다. R2S2R 파이프라인은 ‘실제-시뮬레이션(Real-to-Sim)’ 단계에서 물리적 환경을 포착하고, 시뮬레이터가 정책을 학습하며, ‘시뮬레이션-실제(Sim-to-Real)’ 단계에서 이를 적용함으로써 효과적으로 루프를 완성합니다. 이는 리 페이페이(Fei-Fei Li)가 제시한 월드 모델의 광범위한 분류 체계와 일치하며, 이 체계는 렌더러(2025년 출시된 ‘Marble’), 시뮬레이터(R2S2R), 플래너라는 세 가지 핵심 기능을 정의합니다. SceniX의 통합은 시뮬레이터가 로봇 조작에 활용될 수 있도록 하는 데 필수적인 물리 엔진을 제공합니다.

복잡한 물리적 상호작용을 정확한 디지털 표현으로 변환하는 능력이 바로 이 기술의 핵심입니다. 로봇이 바늘과 실의 사진만 보고, 장력이나 저항을 직접 느껴보지 못한 채 바늘에 실을 꿰는 법을 배우도록 시도한다고 상상해 보십시오. R2S2R은 로봇이 실제 물체를 만지기 전에 그 작업을 “느낄” 수 있도록, 이러한 물리적 피드백 루프를 매우 정밀하게 시뮬레이션하려고 시도합니다. 디지털 세계와 물리적 세계를 연결하는 이 가교가 바로 ‘제로 데이터’ 주장을 이론적으로 가능하게 하는 요소이지만, 실제 실행 여부는 여전히 중요한 변수로 남아 있습니다. 이 시스템은 마찰의 미세한 변화, 센서 노이즈, 액추에이터 지연 시간을 고려하여, 이러한 물리적 현실을 훈련 알고리즘이 처리할 수 있는 수학적 모델로 변환해야 합니다.

R2S2R 평가 기능은 무엇인가요?

R2S2R 엔진에는 사용자가 실제 배포 전에 시뮬레이션 환경에서만 로봇 정책을 테스트하고 순위를 매길 수 있도록 하는 강력한 평가 프레임워크가 포함되어 있습니다. ALOHA 양팔 큐브 전달 테스트에서

World Labs는 GR00T N1.6 및 pi-0.5 아키텍처를 기반으로 구축된 정책을 테스트하는 과정에서, 체크포인트당 2,000회의 시뮬레이션 실험과 100회의 실제 실험을 수행했습니다. 그 결과, 시뮬레이션 순위가 실제 순위를 정확하게 예측하는 것으로 나타나, 광범위한 물리적 테스트 없이도 정책 성능에 대한 신뢰할 수 있는 평가 지표를 제공했습니다.

이러한 ‘서비스형 평가(Evaluation-as-a-Service)’ 기능은 자동화 솔루션 구매자에게 매우 유용한 도구입니다. 파일럿 프로그램을 시작하기 전에 공급업체의 정책을 비교할 때, 조달 팀은 종종 제한적인 실물 시연이나 공급업체가 제공한 지표에만 의존하곤 합니다. 수천 번의 시뮬레이션 실험을 수행하고 그 결과가 실제 성능을 반영할 것이라고 신뢰할 수 있는 능력은 공급업체 선정에 있어 엄격하고 객관적인 기준을 제공합니다. 이를 통해 시연에서는 우수한 성능을 보였으나 실제 운영 환경에서는 실패하는 정책에 투자할 위험을 줄일 수 있습니다. 키팅(kitting) 애플리케이션을 위해 세 가지 서로 다른 로봇 팔을 평가하는 운영 관리자에게 R2S2R 평가 엔진은 공급업체의 마케팅 주장을 넘어서는 표준화된 벤치마크를 제공합니다.

이러한 시뮬레이션을 통해 훈련된 정책의 이식성은 ALOHA, RB-Y1, YAM, Flexiv, xArm을 포함한 여러 플랫폼에서 입증되었습니다. 수행된 작업에는 상자 포장, 케이블 배선, 튜브 이송, 복잡한 환경에서의 피킹 등이 포함됩니다. World Labs는 창고, 실험실, 전자제품 조립과 같은 반구조화된 환경을 대상으로 삼음으로써, 변동성이 제한된 사용 사례에 집중하고 있으며, 이를 통해 시뮬레이션에서 실제 환경으로의 성공적인 이전 가능성을 높이고 있습니다. 이러한 환경은 연구실의 고도로 통제된 조건과 가정 거실의 예측 불가능한 혼돈 사이에서 실용적인 중간 지점을 제공합니다.

시뮬레이션 플랫폼 간 비교

World Labs는 막대한 자금력과 확고한 생태계를 갖춘 기존 강자들이 주도하는 경쟁 시장에 진출합니다. NVIDIA의 Isaac Sim과

Omniverse의 Isaac Lab은 합성 데이터 생성을 통한 물리 시뮬레이션을 제공하며, 광범위한 OEM(주문자 상표 부착 생산) 생태계와 궁극적으로 GPU 판매를 촉진하는 비즈니스 모델을 바탕으로 합니다. 구글 딥마인드는 MuJoCo 물리 엔진을 내부 시뮬레이션 파이프라인 및 대규모 혼합 원격 조작 데이터셋과 결합하여 활용하며, 여기에 제미니 로보틱스(Gemini Robotics)에 대한 접근 권한이 포함되어 있습니다(제미니 로보틱스 2는 R2S2R과 같은 날 출시됩니다).

월드 랩스(World Labs)의 차별점은 순수 인프라 라이선싱 모델과 ‘실제 데이터 제로(zero-real-data)’를 주장하는 공격적인 전략에 있습니다. 엔비디아와 구글 딥마인드가 여전히 상당한 물리적 데이터 수집이 필요한 혼합 데이터셋에 의존하는 반면, 월드 랩스는 자사의 ‘Real-to-Sim’ 재구성 기술이 원격 조작의 필요성을 완전히 대체할 수 있을 것이라고 내다보고 있습니다. 이는 자사 시뮬레이션 환경의 정확도에 대한 고위험 도박이다. 성공할 경우, 대규모 데이터 수집을 경쟁 우위의 기반으로 삼는 경쟁사들의 비즈니스 모델을 뒤흔들 수 있다.

'제로 데이터' 주장에 대한 현실 점검

1시간 자율 주행과 ‘실제 데이터 제로’ 주장은 매력적이지만, 상업적 현실이라는 관점에서 바라봐야 한다. 이러한 지표는 기업이 보고한 것이며 데모 규모의 배포를 기반으로 한 것으로, 아직까지 제3자가 실제 운영 환경에서 이를 재현한 사례는 없다. 또한, 초기 도입 대상으로 삼은 창고, 실험실 작업대, 전자제품 조립 현장은 조명, 물체 배치, 작업 매개변수가 비교적 통제된 반구조화된 환경을 나타냅니다. R2S2R의 진정한 시험대는 어수선한 가정이나 역동적인 제조 현장의 비정형적인 혼란을 처리할 수 있는 능력일 것이며, 이는 아직 입증되지 않은 상태입니다. 성공적인 1시간 데모와 신뢰할 수 있는,

다중 교대 근무 환경에서의 산업적 적용 범위는 방대하여, 시뮬레이션으로는 포착하지 못한 극단적인 사례들이 종종 드러납니다.

업계에서는 수많은 시뮬레이션 분야의 획기적인 발전이 있었지만, 실제 세계의 예측 불가능한 마찰, 조명 변화, 센서 노이즈에 직면했을 때 ‘시뮬레이션에서 현실로’의 격차를 극복하지 못한 사례가 많았습니다. World Labs의 SceniX 인수는 필요한 물리 기반 전문 지식을 제공하지만, 통제된 1시간 데모에서 연중무휴 24시간 산업 현장 배포로 전환하는 것은 복잡성 측면에서 비선형적인 도약입니다. 조달 담당자들은 제로 데이터 훈련 파이프라인을 도입하기 전에, 해당 현장에 맞춘 철저한 검증을 요구해야 합니다. 원격 조작을 없앨 수 있다는 전망은 매력적이지만, 처리량이 많은 환경에서 검증되지 않은 정책을 배포할 경우 운영상의 위험이 상당합니다.

월드 랩스의 R2S2R 엔진은 원격 조작이라는 병목 현상을 제거함으로써 로봇 훈련의 경제성을 재정의하려는 대담한 시도입니다. 만약 ‘제로 데이터’ 주장이 상용 배포에서 입증된다면, 반구조화된 산업 전반에 걸쳐 범용 로봇의 도입이 가속화될 수 있습니다. 그러나 이러한 기능이 제3자에 의한 대규모 배포를 통해 검증되기 전까지는, 이 인프라는 NVIDIA와 Google DeepMind의 확립된 데이터 집약적 패러다임에 대한 유망하지만 아직 입증되지 않은 대안으로 남을 것입니다. 로봇 산업계에는 물리적 세계의 마찰을 과소평가한 기업들이 수두룩하며, 월드 랩스는 이제 자사의 시뮬레이션이 현실을 감당할 만큼 견고하다는 것을 증명해야 합니다.

면책 조항: 이 기사는 정보 제공만을 목적으로 하며, 언급된 기업들이 제기한 어떠한 주장에 대한 투자 조언, 지지 또는 확인을 구성하지 않습니다.