우지에 파워 월드 모델, 로보카사에서 1위 차지하며 GR00T 제치다
창립 1년 차의 중국 기반 신체 기반 인공지능(EAI) 스타트업인 우지에 파워(Wujie Power)는 ‘MWA’라는 잠재 공간 세계 모델을 공개했는데, 이 모델은 스탠퍼드 대학이 후원하는 RoboCasa GR1 TableTop 리더보드에서 평균 과제 성공률 75.2%를 기록하며 NVIDIA의 GR00T-N1.6 모델을 제치고 1위를 차지했다. 이번 결과는 로봇이 복잡하고 예측 불가능한 상황을 어떻게 처리하는지 평가하는 벤치마크에서, 잠재 공간 세계 모델과 강화 학습을 결합한 이색적인 기술적 접근 방식을 선두로 올려놓았다.

사람이 물이 담긴 컵을 집어 들면, 뇌는 1초도 채 안 되는 시간 안에 그 무게를 추정하고, 물이 얼마나 흔들릴지 예측하며, 옆에 있는 유리잔을 피합니다. 바로 이러한 신체적 직관력이 로봇들이 오랫동안 습득하기 위해 고군분투해 온 부분이며, 중국에서 설립된 지 1년 된 한 스타트업이 이제 이 문제를 주요 산업 벤치마크의 최전선으로 끌어올렸다고 밝히고 있다.
기술력
2026년 6월 29일, 중국어로 ‘우지에 동리(Wujie Dongli)’로 알려진 우지에 파워(Wujie Power)는 긴 수평선과 양방향 물리적 인과 사슬을 기반으로 구축된 ‘MWA’라는 잠재 공간 세계 모델을 공개했다. 스탠퍼드 대학교와 다른 주요 기관들이 공동으로 시작한 벤치마크인 ‘RoboCasa GR1 TableTop’ 리더보드에서, 이 회사의 MWA WALA 모델은 75.2%의 평균 과제 성공률을 기록하며 NVIDIA GR00T-N1.6을 비롯한 주류 모델들을 제치고 1위를 차지했다. 이 벤치마크는 설계상 매우 까다롭습니다. 비표준 주방 환경에서 장거리 다단계 프로세스 및 제한된 공간 내 물체 회수 등 24가지 고난이도 과제를 다루며, 불확실한 조건에서 모델의 일반화 능력을 테스트하기 위해 무작위 조명, 주변 물체, 물체 사양 변경 요소를 추가합니다.
접근 방식의 차이
오늘날 대부분의 체화형 인공지능 시스템은 ‘비전-언어-행동(vision language action)’ 경로를 따릅니다. 이 방식은 로봇이 텍스트 지시를 이해하게 하지만, 모델이 물리적 인과 관계를 이해하기보다는 시연된 궤적을 모방하기 때문에 조명이 바뀌거나 물체가 몇 센티미터만 움직여도 오류가 발생하기 쉽습니다. Wujie Power는 잠재 공간 세계 모델과 강화 학습을 결합한, 다소 생소한 접근 방식을 채택했습니다. 세계 모델은 로봇이 물리적 규칙을 이해하도록 돕고 미래 상태를 예측하는 반면, 강화 학습은 빈번한 시도와 보상을 통해 이러한 이해를 정밀한 행동으로 전환합니다. 또한 이 모델은 전적으로 공유된 잠재 공간 내에서 작동합니다.
픽셀을 예측하는 대신, 이 모델은 관련 없는 배경 세부 사항에 대한 불필요한 계산을 생략하고, 대신 회사가 ‘잠재적 동작(latent actions)’이라고 부르는 것, 즉 물체에 작용이 가해질 때 물체가 어떻게 변화하는지에 대한 근본적인 표현을 추출합니다. 잠재적 동작은 수동 라벨링에 의존하지 않기 때문에, 이 모델은 라벨이 붙지 않은 방대한 양의 인터넷 동영상을 통해 직접 학습할 수 있습니다.그 중요성
가장 주목할 만한 결과는 점수뿐만 아니라 그 배후에 있는 방법론입니다. 이 시스템은 단일 단계 예측 대신 장기적인 인과 사슬을 모델링함으로써, 초기 사소한 오류가 긴 작업 과정에 걸쳐 누적되어 행동 시퀀스가 붕괴되는 ‘눈덩이 효과’를 줄입니다. 우지에 파워(Wujie Power)는 또한 ‘애니피즈(AnyPhys)’라고 명명한 부정 샘플 데이터 시스템을 구축했는데, 이는 업계 전반이 깨끗한 성공 사례에만 주목하는 경향이 있어 종종 간과되는 수만 건의 실패, 불안정, 아슬아슬한 사고 사례를 의도적으로 수집한 데이터입니다. 정밀 삽입 테스트에서, 이 회사는 노이즈가 포함된 데이터 하에서도 작업 성공률이 최대 5배까지 향상되었다고 보고했다. 실제 공장 및 서비스 환경에서 구현형 인공지능을 평가하는 구매자들에게 있어 중요한 지표는 교란 상황에서의 견고성이며, 이는 바로 RoboCasa 환경이 측정하고자 하는 바로 그 요소이다.
더 큰 시사점
주류와 다른 기술적 접근 방식이 권위 있는 벤치마크에서 최고 점수를 기록했는데, 이는 체화형 인공지능 분야가 시연에서 실제 적용으로 관심을 돌리기 시작했다는 점에서 의미가 있다. 이 분야에서 더 어려운 질문은 더 이상 로봇이 무대 위에서 미리 정해진 작업을 수행할 수 있는지 여부가 아니라, 상황이 변할 때 매번 새로운 장면에 맞춰 재훈련받지 않고도 계속 작동할 수 있는지 여부다. 중력, 접촉, 마찰을 진정으로 이해하는 모델은 스스로 일반화할 수 있으므로 각 시나리오를 하나씩 가르칠 필요가 없습니다. 이것이 바로 일반화된 체화된 지능을 향한 가장 어려운 길이자 가장 근본적인 길이며, 바로 그 때문에
물리적 인과적 추론에 기반한 벤치마크 결과는 단순한 순위표상의 순위 그 이상의 의미를 지닙니다.면책 조항: 이 기사는 일반적인 정보 제공을 목적으로만 작성되었으며, 투자, 금융 또는 상업적 조언을 구성하지 않습니다. 벤치마크 수치 및 기술적 주장은 인용된 1차 출처와 해당 기업이 발표한 결과에 근거합니다.
이미지 출처: 편집용으로 제작된 브랜드 중립적 일러스트 이미지.
출처:
· QbitAI (量子位), "세계 최초: 잠재 공간 월드 모델, 장시간 양방향 물리적 인과 관계 체인 구축" (Wujie Power MWA 잠재 공간 월드 모델, RoboCasa 리더보드 결과), 2026년 6월 29일. https://www.qbitai.com/2026/06/439891.html
· 벤치마크: RoboCasa GR1 TableTop 리더보드 (스탠퍼드 대학교 및 파트너 기관 주관); MWA WALA는 중국과학원 자동화연구소의 심층 강화 학습 팀과 공동 개발.












