중국과학기술대 계열 바이저통징, 어브덕티브 세계 모델 AWM과 엣지 엔진 BAIZ-RUN 발표

위챗 공식 계정 「지치즈신(机器之心)」의 2026년 10월 보도에 따르면, 허페이의 바이저통징(白泽通境)은 라벨 없는 영상에서 개체·동역학·관계를 학습할 수 있다고 주장하는 어브덕티브 세계 모델 AWM(Abductive World Model)을 제안하고 논문과 코드를 공개했다. 함께 제시된 엣지 추론 엔진 BAIZ-RUN은 AMD 엣지 통합 GPU와 SSV2 데이터셋에서만 정량적 이득을 보고했다. 이 버전은 KimiSeek 현재 카탈로그에 존재하지 않는다.

게시 2026. 10. 11.수정 2026. 10. 25.

주요 변화

위챗 공식 계정 「지치즈신(机器之心)」의 2026년 10월 보도에 따르면, 허페이 기업 바이저통징(白泽通境)은 AWM(Abductive World Model, 어브덕티브 세계 모델)이라는 체화 모델을 제안했다. 이 모델의 접근은 미래 상태를 먼저 예측한 뒤 변화를 일으킨 원인을 역으로 추론하고, 세계를 개체·동역학·관계의 세 가지 구조로 분해하는 것이다. 보도는 팀이 이 작업을 논문 「Abductive World Modeling via Causal Representation Learning」으로 정리하고 코드를 공개했다고 전한다. 보도가 제시한 실험 결론은 다음과 같다. Push-T 조작 작업에서 75% 성공률에 도달할 때 AWM은 2000개 궤적이 필요했고, 비교 방법인 Causal-JEPA는 14728개가 필요했다. 데이터 양이 동일하게 14728개일 때 AWM의 성공률은 약 92%였다. V-JEPA 2와 비교해 행동 이해 Top-1 정확도가 68% 향상되었다. 핵심 물체를 가릴 때 모델이 변화를 가림과 무관한 물체로 판단하는 비율이 3.9배였다. 함께 제시된 엣지 추론 엔진 BAIZ-RUN은 오차 인지 양자화를 통해 가중치를 2bit, 활성값을 4bit로 압축한다고 하며, 팀은 AMD Radeon 엣지 통합 GPU와 SSV2 데이터셋에서만 메모리 사용량 2.56배 감소, 추론 빈도 94.6% 향상, 정확도 손실 1% 미만을 보고했다. 보도는 또한 NVIDIA, AMD, 화웨이 어센드를 대상으로 한 다중 백엔드 추론 체계를 계획하고 있다고 전한다. 보도는 또한 세 가지 산업 시나리오(상하차, 품질 검사, 공장 구역 순찰)가 계약을 체결하고 검증을 완료했다고 하며, 회사는 설립 3개월 이내에 첫 라운드 수천만 위안 규모의 자금을 조달했다고 전한다. 위 성능 수치와 실제 적용 진행 상황은 모두 해당 보도와 팀 논문에서 나온 것이며 독립적으로 재현되지 않았다.

개발자에게 미치는 영향

개발자에게 이 소식에서 활용 가능한 부분은 자금 조달이나 순위표가 아니라, V-JEPA류 잠재 공간 세계 모델과 다른 공학적 경로를 가리킨다는 점이다. 구조화된 인과 표현을 중간 계층으로 삼고, 초저비트 양자화로 이를 엣지 칩에 밀어 넣는 방식이다. 보도의 「2000개 궤적으로 75% 성공률, 14728개로 약 92%」라는 데이터 효율 결론이 더 많은 과제에서 성립한다면, 실제 로봇 궤적 수집 비용이 높고 대규모 라벨 데이터를 확보하기 어려운 팀은 평가 예산과 프로젝트 일정을 다시 산정해야 한다. 원래 수개월의 데이터 수집 후에야 시작할 수 있었던 엣지 정책 검증이 수주 단위로 압축될 수 있다. 2bit 가중치와 4bit 활성값이 정확도 손실이 매우 작으면서 안정적으로 재현된다면, 엣지 기기의 메모리와 전력 예산을 더 낮은 사양으로 계획할 수 있다. 그러나 강조해야 할 점은, 양자화 이득은 현재 하나의 하드웨어와 데이터셋 조합에서만 보고되었다는 것이다. 칩을 바꾸거나 모델을 바꾸거나 더 긴 시계열 예측 작업으로 옮겨도 유지되는지는 보도가 증거를 제공하지 않는다. 세 시나리오의 「계약 체결 및 검증 완료」는 상업적 표현이며, 검증에서 양산 배치까지는 일반적으로 캘리브레이션, 예외 처리, 운영 체계의 공학적 작업이 남아 있으므로 곧바로 인도 가능한 생산 능력으로 간주해서는 안 된다. 보도의 자금 조달, 밸류에이션, 기업 순위 내용은 모델이나 API 사용자에게 직접적인 기술적 결과가 없으며, 이 글은 이를 기술적 판단 근거로 삼지 않는다.

연동 및 평가 제안

다음은 조건부 분석과 제안이며, 보도가 진술한 사실이 아니다. 첫째, AWM을 후보군에 포함할지 여부: 여러분의 부하가 단기 시계열의 강한 접촉 조작 작업(예: 이동 중 파지와 보급)이고 실제 로봇 데이터 수집 비용이 주요 병목이라면, 먼저 공개 코드로 자체 데이터에서 Push-T류 성공률 곡선을 재현하고 「목표 성공률에 도달하는 데 필요한 궤적 수」를 측정 가능한 취사선택 기준으로 삼아 기존 잠재 공간 기준선과 비교할 수 있다. 시나리오가 장기 시계열의 다단계 계획이라면 보도 증거로는 선정을 뒷받침하기에 부족하므로 계속 지켜봐야 한다. 둘째, 엣지에서 같은 종류의 양자화 방식을 도입할지 여부: 대상 하드웨어가 AMD 엣지 통합 GPU이고 피크 메모리가 제한적이라면 「양자화 후 메모리 사용량 배수, 추론 빈도 변화, 정확도 하락 폭」 세 가지를 측정 가능한 지표로 삼아, 먼저 SSV2가 아닌 업무 데이터에서 정렬 테스트를 수행하여 정확도 손실이 수용 가능한 범위에 들어오는지 판단할 수 있다. 대상 하드웨어가 어센드나 다른 중국 국산 플랫폼이라면 보도는 다중 백엔드가 계획 단계임을 밝힐 뿐 공개 실측이 없으므로 AMD의 기존 결론을 외삽하지 말고, 벤더나 팀의 후속 발표를 기준으로 삼아야 한다. 셋째, 통합 세분화 측면에서 보도는 모델 팀은 데이터 파이프라인을, 기존 모델을 보유한 기업은 추론 엔진을 단독으로 채택할 수 있고, 본체 제조사는 전체 솔루션을 도입할 수 있다고 언급했다. 따라서 먼저 단일 계층 구성 요소로 소규모 검증을 하고, 인터페이스 안정성, 연산자 지원 범위, 양자화 후 정확도 하락을 진입 조건으로 삼은 뒤 전체 통합 여부를 결정할 수 있다.

제한과 확인할 사항

보도의 성능 수치는 모두 팀 논문과 자체 테스트에서 나온 것이며, 이 글은 재현하지 않았고 모델 능력에 대한 독립적 검증도 구성하지 않는다. AWM과 BAIZ-RUN은 현재 KimiSeek 실시간 카탈로그에 존재하지 않으며, 이 글에서 논의한 버전은 KimiSeek에 등록되지 않았고 대응하는 호출 가능 항목도 없다. 보도에서 언급된 BAIZ-RUN을 통한 엣지 배포는 KimiSeek가 제공하는 API나 서비스가 아니라 해당 팀 자체의 소프트웨어와 하드웨어 체계를 가리키며, 그 가용성은 해당 팀과 하드웨어 벤더의 발표를 기준으로 한다. 다중 백엔드 표현은 계층을 구분해야 한다. 실측 데이터는 AMD Radeon 엣지 통합 GPU와 SSV2 데이터셋 조합 하나뿐이며, NVIDIA와 화웨이 어센드는 「다중 백엔드 추론 체계 구축」이라는 계획성 표현에만 등장하고 어떤 공개 실측 수치도 없으므로, 셋을 동등하게 볼 수 없다. 세 시나리오의 「검증 완료」는 보도 주장이며, 과제 성공률, 택트(tact), 안정 운영 시간 등 확인 가능한 지표가 빠져 있어 양산 배치까지는 여전히 불확실성이 있다. 논문이 제시한 비교 결론은 특정 데이터셋과 기준선 구현에 의존하며, 기준선 버전이나 데이터 분포를 바꾸면 결론이 달라질 수 있다. 자금 조달 규모, 밸류에이션, 기업 순위 정보는 보도에서 나온 것이며 독립적으로 확인되지 않았고, 이 글은 이를 선정 근거로 삼지 않는다.