월드모델데이터, 게임 데이터 공급망 구축을 위해 700만 파운드 규모의 시드 투자 유치

케임브리지에 본사를 둔 월드모델데이터(Worldmodeldata)가 700만 파운드 규모의 시드 투자 유치와 함께 스텔스 모드를 벗어났으며, 로봇 훈련을 위한 라이선스 획득된 비디오 게임 데이터를 통합해 물리적 AI 개발의 핵심적인 병목 현상을 해소하는 것을 목표로 하고 있다.

A
2분 소요Posted: 2026년 7월 7일
월드모델데이터, 게임 데이터 공급망 구축을 위해 700만 파운드 규모의 시드 투자 유치

케임브리지에 본사를 둔 월드모델데이터(Worldmodeldata)는 2026년 7월 6일, 물리적 인공지능 분야의 중대한 한계를 해결하기 위해 700만 파운드(약 890만 달러) 규모의 시드 투자 라운드를 유치하며 스텔스 모드를 벗어났다. 아이오나 스타 캐피털(Iona Star Capital)이 주도한 이번 자금 조달을 통해, 이 스타트업은 최신 비디오 게임의 라이선스된 게임플레이 데이터를 수집·정리하여 물리적 AI 및 월드 모델용 훈련 데이터셋으로 구축하는 노력을 가속화할 예정이다 [1].

물리 인공지능 산업은 심각한 공급망 병목 현상에 직면해 있는데, 그 원인은 실리콘이나 액추에이터가 아니라 바로 데이터입니다. 대규모 언어 모델은 인터넷에서 텍스트를 수집하여 훈련되었지만, 로봇 공학 개발자들은 이에 상응하는 물리적 상호작용 데이터 저장소를 확보하지 못하고 있습니다.

물리 AI를 위한 데이터 공급망

월드모델데이터(Worldmodeldata)는 비디오 게임 업계에서 4~5년의 경력을 쌓은 베테랑인 레아 루카스(Rhea Loucas)가 현재 AI 훈련 방식의 한계를 인식하고 2025년 말에 설립했다 [1]. 이 회사의 핵심 전제는 복잡한 물리 엔진과 상호작용이 가능한 환경을 갖춘 현대 비디오 게임이 인과 관계를 보여주는 방대하고 미개척된 구조화된 데이터 저장소를 제공한다는 것이다.

이 스타트업의 당면 목표는 2026년 말까지 100만 시간 분량의 게임 플레이 데이터를 수집하는 것이다. 이 목표가 달성된다면, 회사 측 주장에 따르면 현재 이용 가능한 최대 데이터셋인 약 4만 시간보다 25배나 많은 양이 될 것이다 [1].

2025년 12월에 마감되었으나 7개월간의 스텔스 기간 동안 비공개로 유지되었던 700만 파운드 규모의 시드 라운드는 이러한 인프라 구축에 필요한 자금을 마련해 주었다. 또한 이 회사는 메타(Meta)의 전 EMEA 지역 공공정책 부사장이었던 리처드 앨런 경을 비상임 회장으로 선임함으로써, 데이터 거버넌스와 라이선스 규정 준수에 중점을 둘 것임을 시사했다 [1]. 현재 팀은 고문 및 계약직 인력을 포함해 약 10명으로 구성되어 있다 [1].

시장 현황 및 경쟁 구도

~시장은~

합성 및 라이선스 기반 훈련 데이터 시장이 급속히 확대되고 있다. 모르도르 인텔리전스(Mordor Intelligence)는 이 부문이 2026년 7억 1,000만 달러에서 2031년 36억 7,000만 달러로 성장할 것으로 전망하며, 이는 연평균 성장률 39%에 해당한다 [1].

Worldmodeldata는 자사의 모델을 ‘물리적 AI 시대’의 Scale AI에 비유하며, 순수 데이터 제공업체로서의 입지를 다지고 있다. 이러한 전략은 메달(Medal)의 스핀오프 기업인 제너럴 인튜이션(General Intuition)과 같은 경쟁사들과 대조를 이룬다. 제너럴 인튜이션은 두 차례의 투자 라운드를 통해 4억 5,400만 달러를 조달했으며, 최근 기업 가치가 23억 달러에 달했다. General Intuition이 독자적인 모델을 구축하고 판매하기 위해 게임 데이터를 사내에 보관하는 반면, Worldmodeldata는 로봇 공학 및 AI 개발자로 구성된 더 광범위한 생태계에 데이터를 공급할 계획이다 [1].

또 다른 주목할 만한 경쟁사는 샌프란시스코에 본사를 둔 오리진 랩(Origin Lab)으로, 2026년 5월 800만 달러 규모의 시드 라운드를 유치했으며 20개 이상의 게임 퍼블리셔와 파트너십을 맺었다고 밝혔습니다[1]. 이 틈새 시장에서 자금이 풍부한 여러 스타트업이 등장한 것은 투자자들이 게임 데이터를 차세대 AI를 위한 핵심 원동력으로 보고 있음을 확인시켜 줍니다.

uploaded image
로봇 공학 개발의 진정한 제약 요인

로봇 공학 업계는 역사적으로 하드웨어 엔지니어링, 즉 모터, 센서, 배터리 수명 개선에 주력해 왔습니다. 그러나 초점이 범용 휴머노이드와 적응형 산업 시스템으로 이동함에 따라, 주요 제약 요인은 소프트웨어, 특히 지각, 의사 결정, 제어를 관장하는 AI 모델로 바뀌었습니다.

이러한 모델을 훈련시키려면 물체가 어떻게 행동하는지, 환경이 행동에 어떻게 반응하는지, 복잡한 작업이 어떻게 순차적으로 진행되는지를 보여주는 방대한 양의 데이터가 필요합니다. 원격 조작이나 물리적 실험을 통한 실제 데이터 수집은 속도가 느리고 비용이 많이 들며, 규모를 확장하기 어렵습니다. 시뮬레이션 환경은 유용하지만, 실제 세계에서 발견되는 다양성과 극한 사례를 종종 반영하지 못합니다.

비디오 게임은 매우 다양하고 상호작용이 가능한 환경을 제공함으로써 양자 간의 절충점을 제시합니다.

일관된 물리 법칙에 따라 작동하며, 매일 수백만 명의 플레이어가 이와 상호작용함에 따라 방대한 양의 구조화된 데이터를 생성합니다. Worldmodeldata와 같은 기업들은 이러한 데이터를 수집하고 정제함으로써, 물리적 AI 시스템을 위한 기초 훈련 자료를 제공하는 것을 목표로 하고 있습니다.

로봇 공학 개발자들이 직면한 과제는 물리적 세계가 무한히 복잡하다는 점입니다. 창고에서 작동하는 로봇은 빈 골판지 상자와 무거운 금속 부품으로 가득 찬 상자가 서로 다르게 행동한다는 사실을 이해해야 합니다. 또한 젖은 바닥은 마른 바닥보다 접지력이 낮다는 점과, 깨지기 쉬운 물건은 튼튼한 물건과는 다른 그립 강도가 필요하다는 점을 인식해야 합니다. 이러한 미묘한 차이는 전통적인 프로그래밍이나 제한된 실제 데이터 수집만으로는 포착하기 어렵습니다.

비디오 게임, 특히 정교한 물리 엔진을 갖춘 게임들은 이러한 상호작용의 상당 부분을 시뮬레이션합니다. 게임에서 플레이어가 물체를 던지면, 게임 엔진은 시뮬레이션된 질량, 속도, 중력을 바탕으로 궤적을 계산합니다. 캐릭터가 다양한 표면 위를 걸을 때, 게임 엔진은 그에 따라 마찰력과 이동 속도를 조정합니다. Worldmodeldata는 이러한 데이터를 추출함으로써, 실제 로봇에 적용할 수 있는 물리학 및 물체 상호작용에 대한 기초적인 이해를 제공하는 것을 목표로 합니다.

일반화의 과제

비디오 게임 데이터는 데이터 부족 문제에 대한 유망한 해결책을 제시하지만, 한계가 없는 것은 아닙니다. 주요 과제는 시뮬레이션 환경과 실제 물리적 세계 간의 차이인 ‘시뮬레이션 대 현실(sim-to-real)’의 격차에 있습니다. 현대 비디오 게임의 가장 진보된 물리 엔진조차도 실제 세계의 복잡한 마찰, 재료 특성, 예측 불가능한 환경 요인을 완벽하게 재현할 수는 없습니다.

또한, 비디오 게임 속 캐릭터가 수행하는 행동은 게임 플레이를 위해 종종 양식화되거나 단순화되어 있어, 실제 로봇에 필요한 정밀한 동작으로 직접 전환되기 어려울 수 있습니다. 예를 들어,

게임 속 캐릭터가 물체를 집어 올리는 행동은, 공장 환경에서 동일한 작업을 수행하는 로봇 팔이 필요로 하는 수준의 정교한 운동 제어 능력이나 촉각 피드백을 요구하지 않을 수 있습니다.

이러한 과제를 해결하기 위해 Worldmodeldata와 같은 기업들은 게임플레이 데이터를 필터링하고 보강하며, 물리적 AI 모델 훈련에 유용한 형식으로 변환하는 정교한 방법을 개발해야 합니다. 이 과정에는 게임에서 시각적 및 물리적 정보를 추출할 뿐만 아니라, 이를 다양한 로봇 플랫폼의 구체적인 운동학적 및 동역학적 제약 조건에 매핑하는 작업도 포함됩니다.

이 접근 방식의 성공 여부는 시뮬레이션과 실제 환경 간의 격차를 효과적으로 해소할 수 있는 능력에 달려 있습니다. 비디오 게임에서 추출된 데이터가 지나치게 추상적이거나 부정확할 경우, 물리적 로봇에서 예측 불가능하거나 안전하지 않은 행동이 발생할 수 있습니다. 따라서 실제 환경에서의 엄격한 테스트와 검증은 개발 과정의 핵심 요소로 남아 있을 것입니다.

라이선스를 취득한 비디오 게임 데이터에 의존하는 것은 잠재적인 법적·윤리적 고려 사항도 수반합니다. 게임 퍼블리셔는 자사 게임에 대한 지적 재산권을 보유하고 있으며, 상업적 AI 훈련을 위해 게임플레이 데이터를 사용하려면 명확한 라이선스 계약이 필요합니다. Worldmodeldata가 공공 정책 분야의 경력을 가진 리처드 앨런 경을 임명한 것은 이러한 복잡한 문제들을 해결하기 위한 선제적인 접근 방식을 시사합니다 [1].

조달에 미치는 영향

자동화 구매 담당자와 운영 책임자들에게 물리적 AI를 위한 견고한 데이터 공급망의 출현은 중대한 시사점을 제공합니다. 로봇 업체들이 시스템의 적응력과 상식적 판단 능력을 향상시킬 수 있는 속도는 고품질 훈련 데이터에 대한 접근 여부에 크게 좌우될 것입니다.

로봇 공학 공급업체를 평가할 때, 조달 팀은 하드웨어 사양을 넘어 공급업체의 데이터 전략에 대해서도 문의해야 합니다. 느리고 수동적인 데이터 수집에만 의존하는 공급업체는 경쟁사들과의 경쟁에서 뒤처질 수 있습니다.

방대한 합성 데이터셋이나 라이선스 데이터셋을 활용함으로써. 다양한 데이터 소스를 활용해 모델을 신속하게 훈련하고 개선할 수 있는 능력은 자율 시스템의 상용화 준비도를 가르는 핵심 차별화 요소가 될 것입니다.

Worldmodeldata의 700만 파운드 규모의 시드 라운드는 물리적 AI 산업이 자원을 어디에 집중하고 있는지를 보여주는 지표입니다. 병목 현상은 하드웨어 설계에서 데이터 확보로 옮겨갔습니다. 물리적 AI를 위한 데이터 공급망을 성공적으로 구축하는 기업들은 전체 로봇 공학 생태계의 발전에 막대한 영향력을 행사하게 될 것입니다. 대규모 언어 모델 시대에 방대한 텍스트 데이터셋에 대한 접근성이 승자를 결정했듯이, 신체 기반 AI 시대에는 구조화된 물리적 상호작용 데이터에 대한 접근성이 리더를 결정할 것입니다.

데이터 중심의 로봇 공학 개발로의 전환은 로봇 시스템의 수명 주기도 변화할 것임을 의미합니다. 고정된 일련의 작업을 수행하는 정적인 기계 대신, 미래의 로봇은 새로운 데이터셋을 활용한 지속적인 훈련을 바탕으로 무선 소프트웨어 업데이트를 통해 끊임없이 업데이트되고 개선될 것입니다. 이러한 지속적인 학습 능력으로 인해 조달 팀은 선택한 공급업체의 장기적인 소프트웨어 지원 및 데이터 인프라를 고려해야 할 것입니다.

또한, 물리적 AI가 산업 및 상업 환경에 통합됨에 따라 안전 및 규정 준수에 대한 새로운 접근 방식이 필요해질 것입니다. 로봇이 점점 더 자율적이고 적응력이 높아짐에 따라, 역동적인 환경에서 안전하게 작동하도록 보장하는 것이 가장 중요해질 것입니다. 훈련 데이터의 품질과 다양성은 이러한 시스템의 신뢰성과 안전성을 결정하는 데 결정적인 역할을 할 것입니다.

Worldmodeldata와 같은 기업에 대한 투자는 로봇 산업에서 근본적인 변화를 보여줍니다. 초점은 로봇의 물리적 구성 요소에서 로봇의 지능을 구동하는 디지털 인프라로 이동하고 있습니다. 조달 전문가들은 이러한 변화를 이해하고 공급업체의 데이터 역량을 바탕으로 평가해야 할 것입니다.

물리적 AI 시대에 정보에 입각한 구매 결정을 내리는 데 필수적일 것입니다. 이러한 진화는 전 세계 다양한 산업 분야에서 차세대 지능형 자동화 시스템을 지원하기 위해 견고하고 확장 가능하며 법적 요건을 준수하는 데이터 공급망이 절실히 필요함을 강조하며, 로봇 공학의 미래가 고품질의 구조화된 데이터라는 견고한 기반 위에 구축되도록 보장합니다.

참고 문헌

1. Tech Funding News, “Worldmodeldata, 게임 데이터를 AI 훈련 데이터로 전환하기 위해 700만 파운드의 시드 투자 유치”, 2026년 7월 6일. https://techfundingnews.com/worldmodeldata-7m-seed-ai-training-data-video-games/