EBKernel Cog-WM 1.0, 로봇의 ‘인지형 세계 모델’은 무엇을 약속하나

EBKernel은 2026년 9월 14일 상하이 푸장 혁신 포럼에서 Cog-WM 1.0을 공개했다. 회사가 ‘인지형 세계 모델’로 부르는 이 시스템의 목표는 로봇이 미리 작성된 지도 없이도 낯선 공간을 파악하고, 목표에 맞춰 이동하거나 물체를 조작하도록 하는 것이다. 39

Cog-WM 1.0은 무엇이 다른가

세계 모델은 로봇이 주변 환경을 내부적으로 표현하고, 어떤 행동 뒤에 어떤 상태가 이어질지를 예측하도록 돕는 접근이다. EBKernel은 Cog-WM을 잠재 공간(latent space) 예측 모델로 설명한다. 카메라 장면의 모든 픽셀을 그대로 재현하는 대신, 현재 작업에 중요한 정보만 추상화해 인코딩하고 다음 상태를 예측한다는 구상이다. 3

회사는 이 구조에 인지 지도 개념을 적용했다고 설명한다. 관찰 결과에 따라 기억을 선택적으로 갱신하고, 재사용할 수 있는 공간 지식과 개별 경험을 구분하며, 여러 시간 범위에 걸쳐 결과를 예측하는 방식이다. 이는 생물학적 뇌를 그대로 복제했다는 뜻이라기보다, 신경과학의 기억·인지 원리를 계산 모델 설계에 참고했다는 의미로 보는 편이 적절하다.

내비게이션에서는 명시적인 공간 기억을 바탕으로 탐색의 다음 목표와 이동 경로를 고른다는 것이 핵심 주장이다. 이는 자아 중심 이동 궤적과 맥락 정보에서 할당 중심(allocentric) 인지 지도를 구성하는 BSC-Nav의 연구 방향과도 닿아 있다.

내비게이션 성능: 성공률은 크게, 경로 효율은 소폭

가장 구체적인 비교 수치는 HM3D-ObjectNav의 일부 평가 세트에서 제시됐다. EBKernel이 공개한 수치에 따르면 Cog-WM 1.0은 다음 성능을 기록했다.

• 성공률(SR) 86.89%: BSC-Nav의 **78.50%**보다 8.39%포인트 높다. 상대 상승률로는 **10.69%**다.
• SPL 48.35: BSC-Nav의 47.70보다 높다.

SPL은 목표 도달 여부와 경로의 효율을 함께 반영하는 지표다. 따라서 공개된 결과만 놓고 보면 Cog-WM은 이 시험에서 목표 도달 빈도는 더 높았지만, 성공한 경로가 크게 더 짧아졌다고 보기는 어렵다. 성공률 차이에 비해 SPL 차이는 작기 때문이다.

물체 조작에서는 최대 약 16% 우위 주장

EBKernel은 조작 부문에서 Cog-WM이 RoboTwin 2.0 등을 포함한 세 개의 평가군에서 대규모 사전학습을 거친 π0.5 계열 기준 모델보다 최대 약 16% 높은 성능을 보였다고 밝혔다. 3

회사는 짧은 시간 범위와 긴 시간 범위에서 행동의 결과를 학습하고, 목표 달성에 더 기여한 경험에 높은 가치를 부여하는 방식을 설명한다. 그러나 현재 이용 가능한 자료에는 벤치마크별 전체 결과표, 센서 구성, 학습 데이터, 평가 프로토콜이 충분히 공개돼 있지 않다. 따라서 π0.5 계열 기준 모델과의 비교 조건이 동등했는지 외부에서 검증하기는 어렵다.

LIBERO-Plus에서 정책 단독 약 80%에서 전체 시스템 84.6%까지 높아졌다는 구성요소 제거 실험 수치 역시 언급됐지만, 완전한 기술 보고서와 결과표가 공개된 상태가 아니므로 독립 검증을 거치지 않은 기업 내부 측정치로 해석해야 한다.

실제 로봇 적용 가능성은 어디까지인가

EBKernel은 바퀴형 휴머노이드와 4족 로봇에서 사전 지도 없는 내비게이션, 경로 계획, 시공간 기억 검색, 공간 관계 질의응답, 물체 찾기 기능을 시연했다고 밝혔다. 바퀴형 휴머노이드에서는 조작 능력도 검증했다고 주장한다. 3

상하이에 기반을 둔 EBKernel은 2025년에 설립됐으며, 인지와 기억에 기반한 구조가 로봇 AI의 대규모 데이터·연산 자원 의존도를 줄이고 일반화 능력을 높일 수 있다는 방향을 내세운다. 11

어떻게 받아들여야 하나

Cog-WM 1.0은 구조화된 공간 기억, 추상 상태 예측, 목표 중심 계획을 결합하려는 일관된 연구 방향이다. 특히 BSC-Nav처럼 공간 지식을 핵심 문제로 다루는 방법과 비교했다는 점은 주목할 만하다.

다만 가장 눈에 띄는 성능 수치의 출처는 주로 기업 발표다. 기술의 실제 경쟁력과 범용성을 판단하려면 공개 코드 또는 상세 기술 문서, 학습 데이터와 센서 조건의 일치, 연산 예산, 다양한 환경에서의 제3자 평가가 필요하다.

정리하면, Cog-WM 1.0은 잠재 공간 예측과 인지형 공간 기억을 결합한 초기 단계의 유망한 임바디드 AI 제안이다. 벤치마크 개선 수치는 관심을 끌기에 충분하지만, 개방된 실제 환경에서 범용적이고 안정적인 로봇 자율성을 입증했다고 보기는 아직 이르다.