최근 아카이브(arXiv)에 공개된 연구에 따르면, 인공지능(AI)의 월드 모델(World Model)이 복잡하고 역동적인 환경에서 사물의 물리적 속성을 제대로 학습하지 못하는 '물리적 표현 게으름(physical representation laziness)'이라는 새로운 실패 모드가 확인되었습니다. 이는 잠재 공간(latent space)에서 예측 및 계획을 수행하는 월드 모델이 표현 붕괴(representation collapse) 없이도 핵심 물리적 특성을 놓쳐, 결국 계획 실패로 이어지는 현상입니다.
연구팀은 이 문제를 해결하기 위해 '푸리에 보조 헤드(Fourier auxiliary head)'를 활용한 훈련 시간 보조 감독(training-time auxiliary supervision) 방식을 제안했습니다. 이 방법은 가벼운 보조 헤드를 통해 잠재 공간에 물리적으로 정보화된 구조를 강제하며, 추론(inference) 시에는 추가 비용이 발생하지 않습니다. 실험 결과, 이 보조 헤드는 기존 LeWorldModel(LeWM)이 물리적 표현 게으름을 보이는 동적 환경에서 계획 성공률을 크게 향상시켰으며, 다른 환경에서도 준수한 성능 개선을 보였습니다. 특히 데이터가 부족한 환경(low-data regimes)에서 성공률을 높이는 데 더욱 효과적이었습니다.
이 연구는 월드 모델이 현실 세계를 더 정확하게 이해하고 예측할 수 있도록 돕는 중요한 진전을 의미합니다. 잠재 공간이 물리적 속성과 더 높은 상관관계를 가지도록 학습함으로써, AI 시스템은 더욱 견고하고 효율적인 계획 능력을 갖출 수 있게 됩니다. 이는 자율주행, 로봇 공학, 시뮬레이션 등 동적 환경에서의 AI 적용 범위를 넓히고, 데이터 효율성을 높여 AI 모델 개발 비용을 절감하는 데 기여할 것으로 기대됩니다.