월드랩스(World Labs)가 차세대 월드 모델 '아틀라스(Atlas)'를 공개하며, 스마트폰 영상만으로 로봇 훈련용 3D 공간을 구축하는 새로운 가능성을 제시했습니다. 이 모델은 텍스트, 이미지, 영상, 3D 정보를 하나의 모델이 통합적으로 처리하여 장면을 생성하고 복원하며 시뮬레이션하는 '옴니 월드 모델(omni world model)' 개념을 구현합니다. 이는 기존에 각기 다른 모델로 처리되던 작업을 하나의 3차원 공간 안에서 일관성 있게 수행하는 혁신적인 접근 방식입니다.
아틀라스의 핵심 기능 중 하나는 카메라 움직임을 직접 제어하는 영상 생성입니다. 한 장 또는 여러 장의 이미지를 입력하고 카메라 위치와 경로를 지정하면, 1440p 해상도로 최대 1분 길이의 새로운 시점 영상을 만들어냅니다. 특히, 처음 사진에 보이지 않던 영역까지 기존 공간과 어긋나지 않게 추론하여 채우는 능력이 돋보입니다. 또한, 여러 시점의 이미지를 입력받아 실제 공간을 3D로 복원하며, 두세 장의 사진만으로도 실제 장소에 가까운 복원이 가능하고, 100장 이상 입력 시 더욱 충실한 재구성을 제공합니다. 이 3D 데이터는 게임, 설계, 시각효과 작업에 바로 활용될 수 있습니다.
월드랩스가 아틀라스의 가장 중요한 용도로 강조하는 것은 로봇 시뮬레이션입니다. 스마트폰으로 촬영한 실제 공간을 3D 환경으로 재구성한 뒤 가상 로봇을 움직이는 '리얼투심(Real-to-Sim)' 작업에 아틀라스가 활용될 수 있습니다. 기존에는 고가의 전문 장비가 필요했던 공간 스캔 작업을 스마트폰 영상 24프레임만으로 대체할 수 있어, 로봇 개발 및 훈련의 진입 장벽을 크게 낮출 수 있습니다. 이를 통해 로봇은 실제 환경에서 수천, 수만 번 반복할 필요 없이 다양한 가상 환경에서 훈련하고 평가받을 수 있게 됩니다. 이는 '리얼투심투리얼(Real-to-Sim-to-Real)'이라는 월드랩스의 로봇 학습 전략의 핵심 기반이 됩니다.
아틀라스는 '멀티모달 자기회귀 확산 트랜스포머(multimodal autoregressive diffusion transformer)'라는 독특한 구조를 가집니다. 이는 언어모델처럼 앞선 정보를 바탕으로 다음 요소를 순서대로 생성하는 방식과 이미지·영상 생성에 쓰이는 확산 모델 방식을 결합한 형태입니다. 이 구조 덕분에 언어모델의 속도 개선 기법과 영상 생성 모델의 경량화 기법을 모두 활용할 수 있습니다. 현재 텍스트, 이미지, 카메라 위치 및 방향, 3D 깊이 지도를 직접 처리하며, 영상은 이미지의 연속으로 다룹니다.
이러한 '공간지능(spatial intelligence)' 기술은 대규모 언어모델(LLM)이 텍스트의 구조를 학습하듯, 월드 모델이 공간과 시간 속에서 사물이 어떻게 보이고 움직이며 상호작용하는지를 학습하는 개념입니다. 이는 단순히 콘텐츠 제작을 넘어, 로봇이 현실 세계를 이해하고 자율적으로 행동하기 위한 필수적인 기반 기술로 평가됩니다. 월드랩스는 아틀라스를 자사 3D 월드 생성 제품 '마블(Marble)'의 차세대 버전과 다른 제품에도 기반 모델로 활용할 계획이며, 로봇 스타트업 세닉스(SceniX) 인수를 통해 로봇 분야에서의 공간지능 적용을 가속화하고 있습니다.