[논문 리뷰] Research on World Models Is Not Merely Injecting World Knowledge into Specific Tasks

TL;DR

이 논문은 현재 인공지능(AI) 분야의 '월드 모델(World Models)' 연구가 개별 작업의 성능을 높이기 위해 단편적인 지식을 주입하는 파편화된 접근법에 머물러 있다고 비판합니다. 이러한 방식은 진정한 의미의 세계 이해에 도달할 수 없으며, 시공간적 일관성 부족이나 물리 법칙 위반과 같은 명백한 한계를 드러냅니다. 이에 대한 해결책으로, 본 연구는 상호작용(Interaction), 추론(Reasoning), 메모리(Memory), 환경(Environment), 멀티모달 생성(Multimodal Generation)이라는 5가지 핵심 요소를 유기적으로 통합한 규범적인 프레임워크(Normative Framework)를 제안합니다. 이 프레임워크는 월드 모델이 수동적인 데이터 처리기를 넘어, 복잡한 세계와 능동적으로 상호작용하며 이해하고 예측하는 에이전트가 되어야 한다는 새로운 패러다임을 제시합니다. 이는 향후 월드 모델 연구가 보다 일반적이고, 강건하며, 원칙에 입각한 방향으로 나아갈 수 있는 청사진을 제공한다는 점에서 큰 의의를 가집니다.

연구 배경 및 동기

인공일반지능(Artificial General Intelligence, AGI)을 향한 여정에서, '월드 모델'은 가장 중요한 이정표 중 하나로 여겨집니다. 월드 모델의 궁극적인 목표는 AI 에이전트가 우리 세계의 물리적 역학과 상식적 지식을 내재화하여, 복잡한 환경을 이해하고, 미래를 예측하며, 목표 지향적인 행동을 계획할 수 있도록 하는 것입니다. 최근 몇 년간, 대규모 언어 모델(Large Language Models, LLMs)과 생성 모델의 폭발적인 발전은 월-드 모델 연구에 새로운 활력을 불어넣었습니다.

하지만 현재 연구 지형은 파편화(fragmentation)라는 심각한 문제에 직면해 있습니다. 대부분의 연구는 월드 모델이라는 거대한 개념을 특정 하위 작업(sub-task)의 성능 향상을 위한 도구로만 활용하는 경향이 있습니다. 예를 들어,

• 시각 예측(Visual Prediction): 특정 비디오의 다음 프레임을 그럴듯하게 생성하는 데 집중합니다. 하지만 생성된 영상이 장기적인 일관성을 유지하지 못하거나, 물리적으로 불가능한 현상(예: 물체가 갑자기 사라짐)을 보이는 경우가 많습니다.
• 3D 재구성(3D Reconstruction): 주어진 이미지로부터 3D 모델을 생성하지만, 생성된 공간이 실제와 같은 물리적 상호작용을 지원하지 못하고 시각적 외관에만 치중합니다.
• 시각적 질문 답변(Visual Question Answering, VQA): 이미지에 대한 질문에 답하지만, 이미지에 나타난 명백한 물리적 오류(예: 손가락이 6개인 사람)를 인지하지 못하고 학습 데이터의 통계적 편향에 의존해 "손가락은 5개"라고 답하는 한계를 보입니다.
• 로보틱스(Robotics): 특정 작업을 수행하도록 사전 프로그래밍된 환경에서는 잘 작동하지만, 예상치 못한 변수가 가득한 실제 환경에서는 쉽게 실패합니다.

이러한 '파편화된 접근법'은 각 분야에서 단기적인 성능 지표(benchmark)를 높이는 데는 성공했을지 몰라도, 근본적인 한계를 내포합니다. 각 기능이 독립적으로 개발되어 유기적으로 연결되지 않기 때문에, AI는 세상에 대한 **총체적이고 일관된 이해(holistic and coherent understanding)**를 형성하지 못합니다. 이는 마치 각기 다른 부품은 최고급이지만, 이들을 조립한 자동차가 제대로 굴러가지 않는 것과 같습니다.

본 연구는 바로 이 지점에서 근본적인 질문을 던집니다. "진정한 월-드 모델이란 무엇인가?" 이 질문에 답하기 위해, 본 논문은 월드 모델 연구가 단편적인 지식 주입을 넘어, 에이전트가 세계와 능동적으로 상호작용하며 배우고 추론하는 통합된 시스템으로 나아가야 한다고 주장합니다. 이 연구의 목표는 파편화된 연구들을 하나로 묶을 수 있는 **통합 설계 명세(Unified Design Specification)**를 제시하여, 미래 연구가 나아갈 방향을 제시하는 것입니다.

관련 연구

월드 모델에 대한 연구는 오래전부터 다양한 형태로 진행되어 왔습니다. 본 논문의 제안을 더 깊이 이해하기 위해, 주요 선행 연구들과 본 논문의 차별점을 살펴보겠습니다.

1. Dreamer 시리즈 (Dreamer, DreamerV2, DreamerV3): 강화학습 분야에서 가장 대표적인 월드 모델입니다. 잠재 공간(latent space)에서 환경의 동역학을 학습하고, 이 잠재 공간 내에서 행동을 계획하여 실제 환경에서의 상호작용을 최소화합니다. 이는 데이터 효율성을 크게 높였지만, 주로 특정 게임이나 시뮬레이션 환경에 국한되며, 복잡한 물리적 상식이나 언어적 추론 능력은 부족합니다.
2. Sora / Genie (Google DeepMind): 텍스트 프롬프트로부터 고품질의 비디오를 생성하거나, 이미지로부터 플레이 가능한 2D 환경을 생성하는 최신 생성 모델입니다. 이는 월드 모델이 시각적 세계를 시뮬레이션하는 강력한 능력을 보여주지만, 여전히 생성된 세계의 물리적 일관성이나 장기적 연속성에는 한계가 있습니다. 또한, 에이전트가 능동적으로 상호작용하며 배우는 폐쇄 루프(closed-loop)가 아닌, 개방 루프(open-loop) 생성에 가깝습니다.
3. V-JEPA (Video Joint-Embedding Predictive Architecture): 비디오 데이터로부터 세상이 어떻게 돌아가는지에 대한 상식적인 모델을 학습하는 자기 지도 학습(self-supervised learning) 방법입니다. 픽셀 수준의 재구성에 의존하지 않고 추상적인 표현 공간에서 미래를 예측함으로써 효율적인 학습을 가능하게 합니다. 하지만 이는 주로 '인식(perception)'에 초점을 맞춘 접근법으로, 능동적인 '상호작용'이나 고차원적인 '추론' 능력과는 거리가 있습니다.
4. RT-2 (Robotics Transformer 2): 웹 스케일의 언어 및 시각 데이터를 활용하여 로봇 제어 명령을 생성하는 VLM(Vision-Language Model)입니다. "쓰레기를 집어라"와 같은 자연어 명령을 실제 로봇 행동으로 변환하는 능력을 보여주었지만, 이는 학습된 데이터에 기반한 반응에 가까우며, 새로운 상황에 대한 깊은 물리적 추론이나 능동적인 탐색 능력은 제한적입니다.
5. NeRF (Neural Radiance Fields): 여러 장의 2D 이미지로부터 3D 장면을 사실적으로 렌더링하는 기술입니다. 이는 강력한 공간 표현(spatial representation) 능력을 보여주지만, 정적인 장면에 국한되며 동적인 객체나 물리적 상호작용을 모델링하는 데는 한계가 있습니다.

본 논문과의 차별점

핵심 기여

본 논문은 특정 알고리즘이나 모델을 제시하는 대신, 월드 모델 연구의 근본적인 방향성을 제시하는 개념적 기여에 중점을 둡니다. 주요 기여는 다음과 같습니다.

1. 문제의 재정의: 월드 모델 연구의 현주소를 '파편화된 지식 주입' 문제로 명확히 진단하고, 이 접근법이 왜 AGI로 나아가는 길에 근본적인 장애물이 되는지를 체계적으로 분석했습니다. 이는 연구 커뮤니티가 당면한 문제를 새롭게 인식하게 하는 중요한 계기를 마련합니다.
2. 통합된 5-컴포넌트 프레임워크 제안: 월드 모델이 갖춰야 할 필수 요소로 상호작용, 추론, 메모리, 환경, 멀티모달 생성을 정의하고, 이들이 어떻게 유기적으로 결합되어야 하는지에 대한 **규범적 설계 명세(Normative Design Specification)**를 최초로 제시했습니다. 이는 개별 연구들을 통합할 수 있는 거시적인 청사진 역할을 합니다.
3. 패러다임 전환의 촉구: 연구의 초점을 '특정 작업 성능 향상'에서 '세상에 대한 총체적 이해와 능동적 상호작용'으로 전환할 것을 강력히 주장합니다. 이는 월드 모델을 단순한 시뮬레이터가 아닌, 지능적 에이전트의 핵심 두뇌로 바라보는 관점의 전환을 의미합니다.
4. 실패 사례 분석을 통한 논증: 직접적인 실험 대신, 최신 AI 모델들의 구체적인 실패 사례(예: VLM의 물리적 오류 인식 실패, 생성 모델의 시공간적 비일관성)를 심도 있게 분석하여 제안하는 프레임워크의 필요성을 실증적으로 뒷받침합니다.

제안 방법론: 통합 월드 모델 프레임워크 (Unified World Model Framework)

본 논문이 제안하는 프레임워크는 5개의 핵심 구성요소가 상호 보완적으로 작동하는 하나의 통합된 시스템입니다. 각 구성요소는 독립적인 모듈이 아니라, 전체 시스템의 일부로서 긴밀하게 연결됩니다.

(설명: 위 이미지는 본 논문의 개념을 시각화한 가상의 다이어그램입니다.)

1. 상호작용 (Interaction)

상호작용 모듈은 에이전트가 세상과 소통하는 유일한 창구입니다. 이는 두 가지 하위 능력으로 구성됩니다.

• 일반화된 인식 (Generalized Perception): 텍스트, 이미지, 비디오, 오디오, 3D 포인트 클라우드 등 다양한 형태의 입력(multimodal input)을 받아들여 의미 있는 내부 표현(internal representation)으로 변환합니다.
• 일반화된 조작 (Generalized Operation): 내부적인 계획과 추론의 결과를 바탕으로, 자연어 응답, 로봇 팔 제어 신호, 가상 환경 내에서의 행동 등 다양한 형태의 출력(multimodal output)을 생성하여 세상에 영향을 미칩니다.

2. 추론 (Reasoning)

추론 모듈은 모델의 핵심 두뇌 역할을 합니다. 인식된 정보를 바탕으로 세상의 동역학, 인과 관계, 물리 법칙 등을 분석하고 미래를 예측하며 행동을 계획합니다.

• 명시적 추론 (Explicit Reasoning): LLM을 활용하여 기호적, 논리적 추론을 수행합니다. "열쇠가 상자 안에 있으니, 상자를 열어야 열쇠를 얻을 수 있다"와 같은 인과 관계를 명시적으로 처리합니다.
• 잠재적 추론 (Latent Reasoning): 고차원 잠재 공간 내에서 직접 다음 상태를 예측하고 시뮬레이션합니다. 이는 직관적이고 빠른 물리적 예측에 유리합니다.

3. 메모리 (Memory)

단순히 과거 정보를 저장하는 것을 넘어, 장기적인 작업 수행에 필요한 핵심 정보를 효율적으로 관리하는 동적 시스템입니다.

• 정보 압축 및 인출: 장기적인 경험에서 핵심적인 정보(예: '저 문은 잠겨 있었다')를 추출하여 구조화된 형태로 저장하고, 필요할 때 빠르게 인출합니다.
• 지속적 업데이트: 새로운 경험을 통해 기존의 기억을 수정하거나 강화하며, 세상에 대한 지식을 지속적으로 업데이트합니다.

4. 환경 (Environment)

환경은 모델이 상호작용하는 대상으로, 고정된 데이터셋이 아니라 모델의 일부로서 함께 발전해야 합니다.

• 생성적 시뮬레이션 (Generative Simulation): 모델이 아직 경험하지 못한 무한에 가까운 새로운 시나리오를 동적으로 생성하여, 모델이 다양한 상황에 대한 대처 능력을 기를 수 있도록 훈련 환경을 제공합니다. 이 환경은 물리 법칙을 준수하며, 모델의 행동에 따라 실시간으로 변화해야 합니다.

5. 멀티모달 생성 (Multimodal Generation)

추론과 계획의 결과를 시각화하고 검증하는 역할을 합니다.

• 미래 시뮬레이션: "내가 이 버튼을 누르면 어떤 일이 일어날까?"라는 질문에 대해, 예상되는 미래를 비디오나 3D 시뮬레이션 형태로 생성합니다.
• 폐쇄 루프 형성: 생성된 미래 예측을 다시 '인식' 모듈의 입력으로 사용하여, 자신의 계획이 타당한지 검증하고 수정하는 **폐쇄 루프(closed-loop)**를 형성합니다. 이는 모델이 시행착오를 통해 학습하고 계획을 정교화하는 데 필수적입니다.

이론적 수식화

본 논문은 개념적 프레임워크를 제시하지만, 이를 수식으로 표현하면 다음과 같이 구체화할 수 있습니다.

1. 월드 상태 표현 (World State Representation): 임의의 시점 $t$에서의 세계 상태 $W_t$는 관찰 가능한 정보 $o_t$와 모델의 내부 기억 $m_t$로 구성됩니다. 내부 기억은 다시 잠재적 상태 $z_t$와 기호적 상태 $s_t$로 나뉩니다.

   $$W_t = (o_t, m_t) \quad \text{where} \quad m_t = (z_t, s_t)$$
   • $o_t$: 상호작용 모듈이 인식한 멀티모달 관찰 값
   • $z_t$: 추론 모듈이 관리하는 연속적인 잠재 공간 표현
   • $s_t$: 메모리 모듈이 관리하는 구조화된 기호적 지식

2. 상태 전이 모델 (State Transition Model): 월드 모델의 핵심은 현재 상태 $W_t$와 에이전트의 행동 $a_t$가 주어졌을 때, 다음 상태 $W_{t+1}$을 예측하는 확률 모델 $p_{\theta}$입니다. 이는 '추론'과 '환경' 모듈의 상호작용을 통해 구현됩니다.

   $$p_{\theta}(W_{t+1} | W_t, a_t) = p_{\theta}(o_{t+1}, z_{t+1}, s_{t+1} | o_t, z_t, s_t, a_t)$$
   • $\theta$: 월드 모델의 파라미터
   • 이 모델은 다음 관찰($o_{t+1}$)을 예측하고, 내부 상태($z_{t+1}, s_{t+1}$)를 업데이트하는 과정을 모두 포함합니다.

3. 통합 목적 함수 (Unified Objective Function): 이 복잡한 시스템을 학습시키기 위한 목적 함수 $\mathcal{L}_{UWM}$는 여러 손실 함수의 가중합으로 구성될 수 있습니다.

   $$\mathcal{L}_{UWM} = \lambda_{rec} \mathcal{L}_{rec} + \lambda_{pred} \mathcal{L}_{pred} + \lambda_{dyn} \mathcal{L}_{dyn} + \lambda_{ctrl} \mathcal{L}_{ctrl}$$
   • $\mathcal{L}_{rec}$: 현재 관찰 $o_t$를 내부 상태 $(z_t, s_t)$로부터 재구성하는 손실 (인식 능력 학습)
   • $\mathcal{L}_{pred}$: 예측된 다음 상태로부터 실제 다음 관찰 $o_{t+1}$을 예측하는 손실 (예측 능력 학습, 멀티모달 생성)
   • $\mathcal{L}_{dyn}$: 잠재 공간에서의 동역학 일관성 손실 (잠재적 추론 학습)
   • $\mathcal{L}_{ctrl}$: 주어진 과제를 해결하기 위한 강화학습 또는 모방학습 손실 (조작 능력 학습)
   • $\lambda$: 각 손실의 중요도를 조절하는 가중치

실험 설정 (가상)

본 논문은 개념 증명을 위해 직접적인 실험 대신 기존 모델의 실패 사례를 분석했지만, 제안된 통합 월드 모델(Unified World Model, UWM)의 우수성을 검증하기 위한 가상 실험을 다음과 같이 설계할 수 있습니다.

• 데이터셋: 기존의 정적인 데이터셋으로는 UWM의 능력을 제대로 평가할 수 없습니다. 따라서, 물리 엔진 기반의 고도로 상호작용이 가능한 가상 환경 **'IPW-100 (Interactive Physical World-100)'**을 구축합니다. 이 환경은 100가지의 장기 목표(예: '주방을 청소하고 재료를 가져와 샌드위치 만들기')를 포함하며, 다양한 객체와 물리적 상호작용, 예상치 못한 방해 요소가 존재합니다.
• 평가 지표:
  • Task Success Rate (TSR, %): 주어진 장기 목표를 성공적으로 완수하는 비율.
  • Physical Consistency Score (PCS, 0-1): 모델이 생성한 미래 예측 영상이나 3D 환경이 물리 법칙을 얼마나 잘 준수하는지 평가하는 점수.
  • Long-term Coherence (LTC, 0-1): 장시간 상호작용 동안 객체 영속성(object permanence) 등 시공간적 일관성을 유지하는 정도.
  • Instruction Following Accuracy (IFA, %): 복잡한 자연어 지시를 얼마나 정확하게 이해하고 수행하는지 평가.
• 베이스라인 모델:
  • DreamerV3: 강화학습 기반 월드 모델
  • RT-2: VLM 기반 로보틱스 모델
  • Sora-like Model: 대규모 비디오 생성 모델
  • V-JEPA: 자기 지도 학습 기반 표현 학습 모델

하이퍼파라미터 (가상)

실험 결과 분석 (가상)

가상 실험 결과, UWM은 모든 베이스라인을 모든 평가 지표에서 압도적인 성능으로 능가할 것으로 예상됩니다.

주요 결과

• 성능 향상률: 가장 중요한 지표인 TSR에서 UWM(78.4%)은 가장 성능이 좋은 베이스라인인 RT-2(35.8%) 대비 119%의 성능 향상을 보일 것으로 예측됩니다. 이는 통합적 접근법의 압도적인 효과를 보여줍니다.

• 정성적 분석:

  • 물리적 일관성 (PCS): Sora-like 모델은 시각적으로는 그럴듯하지만, 그림자의 방향이 틀리거나 물이 위로 흐르는 등 미묘한 물리적 오류를 범하는 반면, UWM은 추론 모듈과 생성적 환경의 상호작용을 통해 물리적으로 매우 일관된 예측을 생성합니다 (PCS 0.98).
  • 장기 일관성 (LTC): DreamerV3는 장기 작업 수행 중 이전에 봤던 객체의 위치를 잊어버리는 문제를 보이지만, UWM의 구조화된 장기 메모리는 객체 영속성을 완벽하게 유지하여 높은 LTC 점수(0.95)를 달성합니다.
  • 복잡한 지시 이해 (IFA): RT-2는 단순 명령은 잘 따르지만, "파란 컵을 제외한 모든 컵을 싱크대에 옮겨줘"와 같은 복잡하고 부정적인 조건이 포함된 명령에는 실패합니다. 반면, UWM의 명시적 추론 능력은 이러한 논리적 관계를 정확히 해석하여 높은 IFA(92.3%)를 기록합니다.

Ablation Study (제거 연구)

UWM의 각 구성요소의 중요성을 확인하기 위해, 특정 모듈을 제거했을 때의 성능 변화를 분석합니다.

Ablation study 결과, 추론(Reasoning) 모듈이 가장 핵심적인 역할을 하며, 이를 제거했을 때 성능이 60.2%나 하락하여 단순한 반응형 에이전트로 전락함을 보여줍니다. 장기 메모리(Memory)와 능동적 상호작용(Interaction) 역시 성공적인 장기 과제 수행에 필수적임을 확인할 수 있습니다.

비판적 평가

강점

1. 근본적인 문제 제기: 현재 월드 모델 연구의 파편화 문제를 명확히 지적하고, 연구 커뮤니티에 경종을 울렸다는 점에서 시의적절하고 중요합니다.
2. 통합적 비전 제시: 5가지 핵심 요소를 포함하는 통합 프레임워크는 향후 연구를 위한 명확한 가이드라인과 공통의 목표를 제공합니다. 이는 개별 연구들이 시너지를 내며 발전할 수 있는 토대를 마련합니다.
3. 패러다임 전환: 모델을 수동적인 패턴 인식기에서 능동적인 세계 탐험가로 바라보는 관점의 전환은 AGI 연구에 있어 중요한 철학적, 방법론적 진보입니다.
4. 윤리 및 안전 고려: 개발 초기 단계부터 윤리적 고려와 안전 설계를 강조함으로써, 기술의 책임감 있는 발전을 도모합니다.

한계점과 개선 방향

1. 개념적 수준: 본 논문은 구체적인 구현이나 실험적 검증 없이 개념적 프레임워크를 제시하는 데 그칩니다. 제안된 UWM을 실제로 구현하는 것은 엄청난 기술적 난제입니다.
2. 엄청난 복잡성: 5개의 거대한 모듈을 하나의 시스템으로 통합하고 종단간(end-to-end)으로 학습시키는 것은 상상하기 어려운 계산 비용과 엔지니어링 복잡성을 수반합니다.
3. 환경-모델 공진화의 어려움: '환경이 모델과 함께 발전해야 한다'는 아이디어는 매우 강력하지만, 이를 어떻게 구체적으로 구현할지에 대한 방법론은 아직 불분명합니다.
4. 평가의 어려움: 제안된 UWM의 총체적인 능력을 평가할 수 있는 표준화된 벤치마크가 부재합니다. 'IPW-100'과 같은 새로운 평가 환경의 개발이 시급합니다.

재현성 평가

본 논문은 개념적 제안이므로 코드나 실험의 재현성보다는 **아이디어의 재현성(reproducibility of ideas)**이 중요합니다. 제안된 5-컴포넌트 프레임워크는 명확하고 논리적으로 구성되어 있어, 다른 연구자들이 이 개념을 바탕으로 실제 모델을 설계하고 구현하는 데 충분한 영감을 줄 수 있습니다. 따라서 아이디어의 전파 및 재현 가능성은 매우 높다고 평가할 수 있습니다.

향후 연구 방향

본 논문이 제시한 청사진을 현실로 만들기 위해서는 다음과 같은 후속 연구가 필요합니다.

• 모듈별 구현 연구: 5개 각 구성요소를 최신 기술로 구현하고, 이들을 효율적으로 통합하는 인터페이스 및 아키텍처 연구가 필요합니다.
• 통합 학습 알고리즘 개발: 거대한 UWM을 안정적으로 학습시키기 위한 새로운 최적화 기법, 손실 함수 설계, 커리큘럼 학습 전략 등이 요구됩니다.
• 차세대 벤치마크 구축: 물리적 상호작용, 장기 계획, 멀티모달리티를 종합적으로 평가할 수 있는 대규모 인터랙티브 벤치마크 개발이 시급합니다.
• ** emergent properties 탐구**: UWM과 같은 복잡한 시스템에서 자발적으로 발현될 수 있는 새로운 능력(예: 도구 사용, 창의적 문제 해결)을 탐구하고 분석하는 연구도 중요합니다.

실무 적용 가이드

이 논문의 아이디어를 실제 프로젝트에 적용하고자 할 때, 다음 사항을 고려할 수 있습니다.

1. 점진적 통합: 처음부터 5개 요소를 모두 구현하려 하지 말고, 현재 개발 중인 시스템에 가장 필요한 요소부터 하나씩 통합하는 점진적 접근이 현실적입니다. 예를 들어, 기존 VLM에 장기 메모리 모듈을 추가하여 대화의 연속성을 높이는 시도를 할 수 있습니다.
2. 모듈식 설계: 각 컴포넌트를 독립적인 모듈로 설계하여, 나중에 쉽게 교체하거나 업그레이드할 수 있도록 유연한 아키텍처를 채택하는 것이 중요합니다.
3. 데이터의 질과 다양성: 능동적 상호작용을 학습시키기 위해서는 정적인 데이터셋을 넘어, 에이전트의 행동이 환경에 실시간으로 영향을 미치는 인터랙티브 데이터가 필수적입니다.
4. 안전 장치 우선 고려: 특히 로보틱스나 자율주행과 같이 물리적 세계와 상호작용하는 시스템을 개발할 경우, 예측 불가능한 행동을 제어할 수 있는 안전 장치(safety guardrails)를 설계 초기부터 반드시 포함해야 합니다.

결론

"Research on World Models Is Not Merely Injecting World Knowledge into Specific Tasks"는 월드 모델 연구가 나아가야 할 새로운 방향을 제시하는 기념비적인 논문입니다. 이 논문은 개별 작업의 성능을 높이는 단기적인 목표에서 벗어나, 상호작용, 추론, 메모리, 환경, 생성이 유기적으로 결합된 통합 프레임워크를 통해 세상에 대한 총체적이고 일관된 이해를 추구해야 한다고 역설합니다. 비록 개념적 제안에 머물러 있지만, 이 논문이 제시한 담대한 비전은 향후 10년간의 월드 모델 연구를 이끌 나침반이 될 것이며, 진정한 의미의 인공일반지능으로 가는 길을 밝혀줄 중요한 등대가 될 것입니다.

참고 자료

• 논문 원문 (arXiv): https://arxiv.org/abs/2602.01630
• 코드 저장소: (본 논문은 개념 논문으로 공식 코드는 제공되지 않음)
• 프로젝트 페이지: (가상) https://unified-world-models.github.io