로봇이 30분짜리 일을 계획할 때 — 세계 모델을 두 층으로 쪼개면 오차가 줄어드는 이유

문을 열고, 복도를 지나, 계단을 내려가, 다른 방의 서랍을 연다. 사람에게는 한 문장이지만, 로봇에게는 수천 번의 작은 판단이 이어지는 일이다. 2026년 10월 30일 arXiv에 올라온 논문 하나가 이 사슬에서 정확히 어디가 끊어지는지를 겨냥한다. 저자 일곱 명 가운데 Yann LeCun이 이름을 올린 이 논문의 제목은 「Hierarchical World Models with Implicit Dynamics」, 줄여서 ID-WM이다. 이들이 내건 숫자는 38.5%와 135%다. 각각 기존 최고 수준의 정책·확산 기반 계획기보다 나은 성능, 그리고 단층 세계 모델 계획기보다 나은 성능이다.

왜 하필 '세계 모델'인가. 세계 모델은 로봇이 자기 행동의 결과를 머릿속으로 미리 그려 보는 장치다. 실제로 움직이기 전에 시뮬레이션을 돌려보고, 그 결과가 좋으면 실행한다. 문제는 이 상상이 길어질수록 어긋난다는 점이다. 한 걸음의 예측 오차가 다음 예측의 입력이 되면서 오차가 곱해지고, 서른 걸음쯤 지나면 상상 속 로봇은 현실의 로봇과 전혀 다른 곳에 서 있다.

길게 계획할수록 틀리는 구조

논문이 지적하는 첫 번째 문제는 누적 오차다. 세계 모델은 자기 예측을 다시 입력으로 받아 굴러가기 때문에, 작은 편차가 시간에 따라 증폭된다. 두 번째 문제는 탐색 복잡도다. 행동 하나하나를 이산적인 선택지로 두고 미래를 펼치면, 계획 길이에 대해 경우의 수가 폭발한다. 30분짜리 과제를 밀리초 단위 행동으로 펼치는 것은 계산상 불가능에 가깝다.

기존의 해법은 계층 구조였다. 상위 계층이 굵직한 '거시 행동'을 고르고, 하위 계층이 그것을 실행하는 방식이다. 그런데 논문은 이 접근이 두 가지 방식으로 망가진다고 본다. 하나는 거시 행동을 사람이 미리 정해 둔 고정된 동작 묶음으로 두는 경우, 다른 하나는 잠재 공간의 스킬로 학습하는 경우다. 전자는 표현이 경직되고, 후자는 세밀한 제어 능력을 잃는다. 요컨대 계층을 나눠도 상위 계층이 여전히 하위 계층의 실행 사정에 묶여 있다는 것이 문제의 핵심이다.

두 층을 자르는 기준을 바꾼다

ID-WM의 발상은 계층을 나누되, 자르는 기준을 '행동의 크기'가 아니라 '도달 가능성'으로 바꾸는 것이다. 상위 모델은 상태 공간 위에서 지금 여기서 실제로 닿을 수 있는 다음 상태들을 샘플링한다. 하위 모델은 그렇게 고른 목표 상태를 정확한 행동으로 번역하는 역동역학(inverse dynamics) 해결사 역할을 맡는다. 상위 계획기는 하위 계층이 그 목표를 어떻게 달성할지를 몰라도 된다. 대신 '이 상태로 갈 수 있는가'만 판단하면 된다.

ANYmal 사족보행 로봇이 2019년 스위스 ARCHE 대회에서 주행 시험을 받는 모습 — Auledas, CC BY-SA 4.0 (Wikimedia Commons)

이 분업이 만들어내는 효과는 생각보다 크다. 상위 계층은 물리적 실현 가능성을 신경 쓰지 않고 상태 공간의 지형만 본다. 하위 계층은 반대로 국소적인 물리적 실현 가능성만 본다. 논문은 이렇게 역할을 분리하면 상위 계획기가 훈련 중에 보지 못한 행동 양식 조합도 조립할 수 있다고 설명한다. 짧은 구간들을 이어 붙여 긴 계획을 합성하는 방식이기 때문에, 훈련 데이터에 존재하던 특정 행동 모드에 갇히지 않는다는 것이다. 저자들이 강조하는 표현은 '전역적 행동 패턴보다 국소적 물리적 실현 가능성을 우선한다'는 것이다.

반직관적인 결론: 계획은 거칠게, 실행은 정밀하게

직관과 어긋나는 지점이 여기다. 보통은 계획을 정교하게 세울수록 실행이 좋아진다고 생각한다. ID-WM은 반대 방향으로 간다. 상위 계획기는 의도적으로 거칠게, 상태 공간에서 닿을 수 있는 점만 찍는다. 대신 하위 모델이 그 점들을 촘촘한 행동 열로 메운다. 정밀함을 위로 올리는 대신 아래로 내린 셈이다.

논문은 이 구조가 누적 오차를 완화한다고 주장한다. 짧은 구간 단위로 예측하고 그 사이를 다시 계획하기 때문에, 한 번의 긴 상상이 어긋날 시간이 줄어든다. 저자들이 제시한 수치가 135%다. 복잡하고 학습 때 보지 못한 배치의 장기 과제에서, 단층 세계 모델 기반 모델예측제어(MPC)보다 성능이 135% 높았다고 논문은 보고한다. 38.5%는 정책 기반 및 확산 기반 계획기와 비교했을 때의 향상 폭이다. 실험은 내비게이션과 조작을 아우르는 세 개의 평가군에서 이뤄졌다.

ANYmal X가 해상 플랫폼 계단을 내려가며 점검을 수행하는 장면 — Cvoellmy, CC BY-SA 4.0 (Wikimedia Commons)

경쟁 가설과 반론

물론 다른 설명도 가능하다. 성능 향상이 계층 구조 자체에서 왔는지, 아니면 역동역학을 하위 모델로 쓴 특정 설계에서 왔는지 구분하기 어렵다. 계층을 나누면 계산량이 줄어드는 것만으로도 장기 과제 성능이 올라갈 수 있기 때문이다. 논문이 '국소 물리 실현 가능성'을 강조하는 만큼, 상위 모델의 상태 공간 샘플링 품질이 실제 성능을 좌우할 것이라는 반론도 성립한다.

또 하나는 일반화의 범위다. 세 개의 평가군에서 좋은 결과를 냈다고 해서, 다른 형태의 로봇이나 다른 물리 환경에서도 같은 이득이 나온다는 보장은 없다. 저자들 역시 이 점을 인정한다. 하위 모델이 목표 상태를 실행 가능한 행동으로 번역하지 못하는 상황, 즉 상태 공간에서 '닿는다'고 판단했지만 실제로는 실행할 수 없는 경우가 남는 한계다.

논문이 스스로 인정한 한계

논문은 하위 세계 모델이 부정확할 때 상위 계획의 이점이 사라진다는 점을 명시한다. 상위 계층이 아무리 좋은 하위 목표를 골라도, 하위 모델이 그것을 정확한 행동으로 옮기지 못하면 계획은 허공에 뜬다. 결국 이 구조는 하위 모델의 품질에 성능이 종속되는 구조다.

또한 계층 간 인터페이스, 즉 '어떤 상태를 하위 계층에 넘길 것인가'를 정하는 문제가 남는다. 논문은 상태 공간에서의 도달 가능성으로 이를 정의하지만, 그 판단 자체가 학습된 모델의 추정에 기대고 있다는 점은 피할 수 없다. 추정이 틀리면 계층 구조는 오차를 줄이는 대신 오차를 조직적으로 분배하게 된다.

독자에게 던지는 질문

이 논문은 로봇 공학의 오래된 질문을 새로운 각도에서 다시 던진다. 계획과 실행을 나눌 때, 그 경계는 어디에 두어야 하는가. 행동의 시간적 크기로 나누는 것이 자연스러워 보이지만, ID-WM은 '무엇이 도달 가능한가'라는 공간적 기준이 더 나을 수 있다고 말한다.

만약 이 주장이 맞다면, 앞으로의 로봇은 더 정교한 시뮬레이터를 갖는 방향이 아니라 더 좋은 '닿을 수 있음'의 지도를 갖는 방향으로 발전할지도 모른다. 여러분이라면 30분짜리 집안일을 로봇에게 맡길 때, 어느 층에 어느 정도의 정밀함을 주고 싶은가.

참고 자료

arXiv:2610.42146v1 — Hierarchical World Models with Implicit Dynamics. Gaoyue Zhou, Yvonne Wu, Zichen Jeff Cui, Nicolas Ballas, Mido Assran, Lerrel Pinto, Yann LeCun. 2026년 10월 30일 제출.

https://arxiv.org/abs/2610.42146v1 · 프로젝트 영상: https://id-wm.github.io