월드 모델 vs LLM: 얀 르쿤과 손잡고 유럽 최대 시드를 유치한 창업자의 베팅

핵심 메시지

• 창업자는 LLM이 언어·수학·프로그래밍처럼 저차원 기호 문제에는 뛰어나지만, 세상을 텍스트로만 배운 탓에 직접적 경험과 상식이 부족해 그 자체로는 범용 지능(AGI)에 이르지 못한다고 본다.
• 그 대안이 '월드 모델(world model)'이다. 텍스트가 아니라 아기처럼 영상·음성·감각 데이터를 통해 실제 세계에서 직접 배우는 방식으로, 얀 르쿤(Yann LeCun)이 과학적 방향을 이끈다.
• 월드 모델의 유력한 응용은 로봇공학이다. 오늘날 로봇은 하드웨어는 정교해도 '두뇌'가 단순해 개방된 환경에서 안전하게 쓰기 어렵기 때문이다.
• 그는 컴퓨트(GPU) 비용 때문에 유럽 사상 최대 규모인 약 12억(유로 기준 약 10억) 규모의 시드를 유치했고, 진짜 대가는 지분 희석이 아니라 외부에 생기는 '기대치'라고 말한다.
• 창업 조언으로는 '아주 좁은 문제를 고르되 그 안에서는 크게 야심을 가지라'는 원칙과, 큰 회사가 못 하는 위험 감수야말로 스타트업의 무기라는 점을 강조한다.

쉽게 이해하기

이 대담에서 여러 차례 창업을 경험한 프랑스 출신 창업자 알렉스(Alex)는 지금 가장 야심 찬 프로젝트를 이야기한다. 그는 2002년 챗봇 회사(Virtual)를 시작으로, '.ai' 최초의 도메인을 쓴 Wit(wit.ai)를 만들어 2015년 페이스북에 매각했고, 이후 메타 근무와 Nabla를 거쳐 얀 르쿤과 함께 월드 모델 스타트업(자막상 'Ami Labs')을 세웠다. 흥미롭게도 그는 마크 저커버그가 보낸 인수 제안 이메일을 처음엔 스팸으로 여겨 삭제했다가 뒤늦게 열어 봤다고 회상한다.

그가 던지는 핵심 주장은 이렇다. LLM은 세상에 대해 인간이 써 놓은 모든 텍스트를 읽고 배우지만, 이는 세계를 '간접적으로'만 접하는 것이다. 그는 LLM을 '태어난 방을 한 번도 나가 본 적 없이 수백 년간 책만 읽은 사람'에 비유한다. 많은 것에 박식해 보여도 직접 경험이 없어 상식이 부족하고, 처음 마주친 상황에서 새로운 해법을 찾는 능력이 떨어진다는 것이다.

월드 모델은 이 '속임수'를 쓰지 않는다. 텍스트가 아니라 아기가 그러하듯 영상·음성·감각 데이터로 실제 세계에서 직접 배운다. 훈련 데이터로는 구하기 쉬운 영상이 많이 쓰이지만, 로봇공학을 통해 촉각 데이터까지 모을 수 있다고 그는 설명한다. 단기적으로 가장 유망한 응용은 로봇이다. 오늘날 로봇은 하드웨어는 놀랍게 발전했지만 두뇌는 단순한 수직형에 머물러, 개방된 환경에서는 안전하지도 유용하지도 않기 때문이다.

그는 LLM에 무리하게 로봇 제어를 얹는 이른바 VLA 방식을 '망치를 들고 모든 것을 못으로 보는' 나쁜 편법이라 비판한다. 부정확하고 느린 데다, 짧은 지연 시간이 필요한 로봇 응용에는 비용이 너무 크다는 것이다. 다만 그는 LLM이 언어·수학·프로그래밍 같은 저차원 기호 문제에서는 앞으로도 최강일 것이라며, 월드 모델은 고차원이고 잡음이 많으며 긴 시야가 필요한 문제에서 크게 앞설 것이라고 선을 긋는다.

그는 이 방향이 1년 전엔 역발상이었지만 이제는 점점 아니라고 말한다. 얀 르쿤이 회사의 과학적 비전과 연구 방향을 이끄는 '이사회 의장' 역할을, 자신은 사람·전기·GPU·데이터·사무실을 챙기는 실행을 맡는다. 연구자를 관리하는 일은 '고양이 몰기'와 같아서, 방향을 주되 충분한 자유를 남기는 미묘한 균형이 관건이라고 했다. 조직은 파리·뉴욕·몬트리올·싱가포르 네 도시에 두되 실리콘밸리 사무실은 일부러 두지 않았다. 마지막으로 그는 특히 유럽이 충분히 야심 차지 못하다며, '아주 좁은 문제를 고르되 그 안에서는 큰 비전을 품으라'고 조언한다.

주요 인사이트

• '스케일링 되는 LLM이 곧 AGI'라는 전제에 대한 정면 반박이다. 창업자는 언어라는 프록시를 통해서만 세계를 배우는 모델은 상식과 그라운딩(경험적 근거)이 결여될 수밖에 없다고 본다.
• LLM과 월드 모델은 대체재가 아니라 역할 분담에 가깝다. 저차원 기호(언어·수학·코드)는 LLM이, 고차원·잡음·장기 시야 문제는 월드 모델이 맡는다는 구도다.
• 기술 자체의 아이디어(예: 트랜스포머, JEPA류)가 먼저 나와도 실제 성과는 위험을 감수하고 스케일링한 쪽에서 나온다. 큰 회사가 리스크를 못 지는 사이 스타트업이 파고들 틈이 생긴다.
• 컴퓨트 비용이 창업의 문법을 바꿨다. 파운데이션 모델을 만들려면 수천 장의 GPU와 수십억 규모의 자금이 필요하고, 돈이 있어도 GPU 확보 자체가 어렵다. 대규모 자금의 진짜 부담은 지분이 아니라 외부의 '기대치'다.
• 야심의 방향이 중요하다. 처음부터 모든 것을 다 하려 들면 작은 팀이 가치를 내기 어렵다. 좁은 문제에 집중하되 장기 비전은 크게 그리는 편이 살아남는 길이라는 조언이다.

자주 묻는 질문

관련 AI 소식