상하이 인공지능연구소(Shanghai AI Laboratory)의 Intern Physical World Model W0는 AI가 세운 디지털 계획을 실제 물체를 다루는 작업으로 연결하려는 체화 AI 시스템으로 소개됐다. 2026년 9월 13~14일 공개 보도에 따르면 W0는 시각뿐 아니라 힘, 촉각, 로봇의 몸 상태 피드백을 함께 활용해 로봇이 작업 중 인지하고, 예측하고, 행동하고, 수정하도록 설계됐다. 3235

카메라만으로 부족한 순간을 겨냥한다

로봇 조작이 실패하는 이유는 물체가 화면에서 사라져서만은 아니다. 용기가 예상보다 강한 저항을 보이거나, 그리퍼가 미끄러지기 시작하거나, 도구가 표면에 닿는 순간처럼 핵심 정보가 물리적 접촉 안에 있는 경우가 많다. W0는 이런 접촉이 많은 작업을 위한 월드 모델과 행동 제어 스택으로 제시된다.

공개 보도에서 설명한 W0의 구성 요소는 다음과 같다.

• 시각: 물체, 도구, 작업 공간 관찰
• 힘·촉각 신호: 접촉과 저항 감지
• 로봇 몸 상태: 자세나 운동 상태 등을 조작 판단에 반영
• 예측: 다음에 일어날 수 있는 물리적 변화를 추정
• 행동과 보정: 새로 들어오는 복합 센서 피드백에 맞춰 동작 수정 3235

핵심은 고정된 시각 계획을 실행하는 데 그치지 않고, 접촉 조건이 바뀌면 이후 동작을 바꾸는 더 촘촘한 제어 루프다. 섬세한 물체 취급, 삽입 작업, 혼합, 용기 조작처럼 카메라 영상만으로는 필요한 상태를 알기 어려운 작업이 대표적이다.

‘네이티브 힘·촉각’이 뜻하는 것

상하이 AI 랩의 공개 메시지에서 W0는 네이티브 힘·촉각(native force-tactile) 감지를 사용한다고 설명된다. 실질적으로는 힘과 촉각을 시각, 로봇 몸 상태와 나란히 조작 의사결정에 투입한다는 뜻이다. 즉 계획 뒤에 붙는 별도 안전 경보가 아니라, 작업을 수행하는 과정의 입력으로 취급한다는 설명이다. 35

예상치 못한 저항, 접촉력 변화, 잡은 물체의 미끄러짐 등은 영상만으로 추론하기 어렵다. 시각 및 접촉 결과를 함께 모델링해 접촉이 많은 조작을 수행하려는 촉각 네이티브 월드-액션 모델 연구 흐름 자체는 이미 존재한다. 33

다만 현재 공개된 보도만으로는 W0의 상세 기술 논문, 데이터셋, 재현 가능한 벤치마크 패키지를 확인하기 어렵다. 따라서 ‘네이티브’라는 표현은 공개된 설계 및 기능 설명으로 이해해야 하며, 외부에서 완전히 검증 가능한 구현 성과로 단정하기는 이르다.

예측과 반응을 병행하는 ‘듀플렉스 협업’

W0의 또 다른 핵심 표현은 **듀플렉스 협업(duplex collaboration)**이다. 공개 보도에 따르면 이는 비동기·이주파수(asynchronous, different-frequency) 구조로 구현된다. 35

쉽게 말하면 두 기능이 동시에 작동하는 방식이다.

1. 예측 경로는 작업의 흐름과 가까운 미래의 물리 상태에 대한 예상치를 유지하거나 갱신한다.
2. 반응형 제어 경로는 새 센서 데이터가 들어올 때마다, 느린 계획 주기가 끝나기를 기다리지 않고 모터 명령을 조정한다.

접촉이 많은 로봇 작업에서는 장기 계획과 빠른 접촉 제어가 모두 필요하다. 두 기능을 서로 다른 시간 단위에서 운용하면 환경 변화가 감지된 뒤 보정 동작이 나가기까지의 지연을 줄일 수 있다는 것이 이 구조의 취지다. 35

NCP-ArchPreview와는 무엇이 다른가

상하이 AI 랩이 상하이교통대 LUMIA Lab과 함께 개발한 NCP-ArchPreview에도 ‘협업’에 가까운 개념이 언급되지만, W0와 해결하려는 문제는 본질적으로 다르다.

시스템	주된 영역	결합하는 요소	출력
Intern W0	물리 로보틱스	시각, 힘, 촉각, 로봇 상태, 예측, 제어	물리적 동작 및 갱신된 상태 예측
NCP-ArchPreview	언어 모델	다음 토큰 예측과 다음 개념 예측	일반적인 다음 토큰 인터페이스를 통한 텍스트 생성

NCP-ArchPreview는 기존의 다음 토큰 예측과 함께, 여러 토큰에 걸친 이산적 잠재 ‘개념’을 예측하는 **다음 개념 예측(Next Concept Prediction)**을 학습한다. 이 개념 예측은 토큰 디코더를 안내하지만, 생성 인터페이스 자체는 일반적인 언어 모델의 다음 토큰 방식으로 유지된다. 1922

정리하면 W0는 물리 세계에서 센서와 동작을 연결하는 시스템이고, NCP-ArchPreview는 언어 표현을 잠재공간에서 조직하고 예측하는 모델이다. 현재 공개 자료는 NCP-ArchPreview가 W0의 제어기이거나 핵심 구성 요소라는 근거를 제시하지 않는다.

InkStone·Intern-S2와의 연결

공개 보도에 따르면 W0는 과학 발견 플랫폼 Intern InkStone과 연결됐고, Intern-S2 과학 모델과 함께 작동한다. 32 Intern-S2는 멀티모달 과학 이해, 추론, 생성, 장기 과업을 지원하기 위한 과학 에이전트 기반 모델 시리즈로 소개된다. 12

보도 내용을 바탕으로 보면 역할 분담은 다음과 같은 폐쇄 루프 실험실 구조로 이해할 수 있다.

• 과학 시스템이 가설, 절차, 실험 선택지를 구성하거나 다듬고,
• W0가 지시한 실험 장비가 물리적 단계를 수행하면서 실행 상태를 관찰하며,
• 실험 결과가 다음 반복 실험의 입력으로 돌아간다. 32

자율 연구에서 어려운 경계는 실험 절차를 만드는 일만이 아니다. 실제 장비와 재료를 다루며 그 절차를 안정적으로 수행하는 일이 핵심 과제다.

보고된 습식·건식 실험실 활용 사례

출시 보도는 W0, InkStone, Intern-S2의 조합이 다음과 같은 폐쇄 루프 응용을 지원했다고 전한다.

• 유전자 편집 단백질의 방향성 진화
• 메피바카인(mepivacaine) 다단계 유기합성
• 제조 중 공정 변수를 동적으로 조정하는 지질 나노입자(LNP) 제조 3235

이는 적응형 자동화가 겨냥할 만한 분야다. 예를 들어 LNP 제조는 조성 및 공정 조건의 영향을 받으며, LNP는 핵산 탑재물을 전달하는 데 널리 쓰이는 전달체다. 19 다만 W0의 시연 주장은 개발 측이 공개한 내용에 기반한다. 현재 자료에는 상세 프로토콜, 오류율, 데이터셋, 연구실 간 비교 또는 독립 재현 결과가 제시되지 않았다.

왜 주목받나, 무엇이 아직 입증되지 않았나

W0의 잠재적 의미는 AI의 과학적 추론과 실제 실험 수행 사이를 잇는 자동화 계층이 될 수 있다는 데 있다. 여러 장비와 연구실 환경에서 신뢰성이 입증된다면, 실험 계획과 실제 실행 사이의 단절을 줄이고 화학·생물학·재료 연구에서 설계-제작-시험-학습 주기를 더 유연하게 만들 수 있다. 32

그러나 가장 큰 과제는 일반화다. 접촉 중심 조작은 보정 상태, 센서 드리프트, 실험 용기 변화, 재료 편차, 오염 관리, 드물지만 치명적인 실패에 민감하다. 현재 공개 자료만으로는 W0가 여러 연구실, 장비, 장기 프로토콜, 독립 사용자 환경에서 어느 수준의 신뢰성을 보이는지 판단하기 어렵다.

현시점에서 W0는 야심 찬 통합 구상과 과학 실험실 활용 사례를 제시한 초기 단계의 과학 지향 물리 AI 사례로 보는 편이 적절하다. 중요한 다음 단계는 실제 현장에서의 검증과 재현성이다.

상하이 인공지능연구소(Shanghai AI Laboratory)의 Intern Physical World Model W0는 AI가 세운 디지털 계획을 실제 물체를 다루는 작업으로 연결하려는 체화 AI 시스템으로 소개됐다. 2026년 9월 13~14일 공개 보도에 따르면 W0는 시각뿐 아니라 힘, 촉각, 로봇의 몸 상태 피드백을 함께 활용해 로봇이 작업 중 인지하고, 예측하고, 행동하고, 수정하도록 설계됐다. 3235

카메라만으로 부족한 순간을 겨냥한다

로봇 조작이 실패하는 이유는 물체가 화면에서 사라져서만은 아니다. 용기가 예상보다 강한 저항을 보이거나, 그리퍼가 미끄러지기 시작하거나, 도구가 표면에 닿는 순간처럼 핵심 정보가 물리적 접촉 안에 있는 경우가 많다. W0는 이런 접촉이 많은 작업을 위한 월드 모델과 행동 제어 스택으로 제시된다.

공개 보도에서 설명한 W0의 구성 요소는 다음과 같다.

• 시각: 물체, 도구, 작업 공간 관찰
• 힘·촉각 신호: 접촉과 저항 감지
• 로봇 몸 상태: 자세나 운동 상태 등을 조작 판단에 반영
• 예측: 다음에 일어날 수 있는 물리적 변화를 추정
• 행동과 보정: 새로 들어오는 복합 센서 피드백에 맞춰 동작 수정 3235

핵심은 고정된 시각 계획을 실행하는 데 그치지 않고, 접촉 조건이 바뀌면 이후 동작을 바꾸는 더 촘촘한 제어 루프다. 섬세한 물체 취급, 삽입 작업, 혼합, 용기 조작처럼 카메라 영상만으로는 필요한 상태를 알기 어려운 작업이 대표적이다.

‘네이티브 힘·촉각’이 뜻하는 것

상하이 AI 랩의 공개 메시지에서 W0는 네이티브 힘·촉각(native force-tactile) 감지를 사용한다고 설명된다. 실질적으로는 힘과 촉각을 시각, 로봇 몸 상태와 나란히 조작 의사결정에 투입한다는 뜻이다. 즉 계획 뒤에 붙는 별도 안전 경보가 아니라, 작업을 수행하는 과정의 입력으로 취급한다는 설명이다. 35

예상치 못한 저항, 접촉력 변화, 잡은 물체의 미끄러짐 등은 영상만으로 추론하기 어렵다. 시각 및 접촉 결과를 함께 모델링해 접촉이 많은 조작을 수행하려는 촉각 네이티브 월드-액션 모델 연구 흐름 자체는 이미 존재한다. 33

다만 현재 공개된 보도만으로는 W0의 상세 기술 논문, 데이터셋, 재현 가능한 벤치마크 패키지를 확인하기 어렵다. 따라서 ‘네이티브’라는 표현은 공개된 설계 및 기능 설명으로 이해해야 하며, 외부에서 완전히 검증 가능한 구현 성과로 단정하기는 이르다.

예측과 반응을 병행하는 ‘듀플렉스 협업’

W0의 또 다른 핵심 표현은 **듀플렉스 협업(duplex collaboration)**이다. 공개 보도에 따르면 이는 비동기·이주파수(asynchronous, different-frequency) 구조로 구현된다. 35

쉽게 말하면 두 기능이 동시에 작동하는 방식이다.

1. 예측 경로는 작업의 흐름과 가까운 미래의 물리 상태에 대한 예상치를 유지하거나 갱신한다.
2. 반응형 제어 경로는 새 센서 데이터가 들어올 때마다, 느린 계획 주기가 끝나기를 기다리지 않고 모터 명령을 조정한다.

접촉이 많은 로봇 작업에서는 장기 계획과 빠른 접촉 제어가 모두 필요하다. 두 기능을 서로 다른 시간 단위에서 운용하면 환경 변화가 감지된 뒤 보정 동작이 나가기까지의 지연을 줄일 수 있다는 것이 이 구조의 취지다. 35

NCP-ArchPreview와는 무엇이 다른가

상하이 AI 랩이 상하이교통대 LUMIA Lab과 함께 개발한 NCP-ArchPreview에도 ‘협업’에 가까운 개념이 언급되지만, W0와 해결하려는 문제는 본질적으로 다르다.

시스템	주된 영역	결합하는 요소	출력
Intern W0	물리 로보틱스	시각, 힘, 촉각, 로봇 상태, 예측, 제어	물리적 동작 및 갱신된 상태 예측
NCP-ArchPreview	언어 모델	다음 토큰 예측과 다음 개념 예측	일반적인 다음 토큰 인터페이스를 통한 텍스트 생성

NCP-ArchPreview는 기존의 다음 토큰 예측과 함께, 여러 토큰에 걸친 이산적 잠재 ‘개념’을 예측하는 **다음 개념 예측(Next Concept Prediction)**을 학습한다. 이 개념 예측은 토큰 디코더를 안내하지만, 생성 인터페이스 자체는 일반적인 언어 모델의 다음 토큰 방식으로 유지된다. 1922

정리하면 W0는 물리 세계에서 센서와 동작을 연결하는 시스템이고, NCP-ArchPreview는 언어 표현을 잠재공간에서 조직하고 예측하는 모델이다. 현재 공개 자료는 NCP-ArchPreview가 W0의 제어기이거나 핵심 구성 요소라는 근거를 제시하지 않는다.

InkStone·Intern-S2와의 연결

공개 보도에 따르면 W0는 과학 발견 플랫폼 Intern InkStone과 연결됐고, Intern-S2 과학 모델과 함께 작동한다. 32 Intern-S2는 멀티모달 과학 이해, 추론, 생성, 장기 과업을 지원하기 위한 과학 에이전트 기반 모델 시리즈로 소개된다. 12

보도 내용을 바탕으로 보면 역할 분담은 다음과 같은 폐쇄 루프 실험실 구조로 이해할 수 있다.

• 과학 시스템이 가설, 절차, 실험 선택지를 구성하거나 다듬고,
• W0가 지시한 실험 장비가 물리적 단계를 수행하면서 실행 상태를 관찰하며,
• 실험 결과가 다음 반복 실험의 입력으로 돌아간다. 32

자율 연구에서 어려운 경계는 실험 절차를 만드는 일만이 아니다. 실제 장비와 재료를 다루며 그 절차를 안정적으로 수행하는 일이 핵심 과제다.

보고된 습식·건식 실험실 활용 사례

출시 보도는 W0, InkStone, Intern-S2의 조합이 다음과 같은 폐쇄 루프 응용을 지원했다고 전한다.

• 유전자 편집 단백질의 방향성 진화
• 메피바카인(mepivacaine) 다단계 유기합성
• 제조 중 공정 변수를 동적으로 조정하는 지질 나노입자(LNP) 제조 3235

이는 적응형 자동화가 겨냥할 만한 분야다. 예를 들어 LNP 제조는 조성 및 공정 조건의 영향을 받으며, LNP는 핵산 탑재물을 전달하는 데 널리 쓰이는 전달체다. 19 다만 W0의 시연 주장은 개발 측이 공개한 내용에 기반한다. 현재 자료에는 상세 프로토콜, 오류율, 데이터셋, 연구실 간 비교 또는 독립 재현 결과가 제시되지 않았다.

왜 주목받나, 무엇이 아직 입증되지 않았나

W0의 잠재적 의미는 AI의 과학적 추론과 실제 실험 수행 사이를 잇는 자동화 계층이 될 수 있다는 데 있다. 여러 장비와 연구실 환경에서 신뢰성이 입증된다면, 실험 계획과 실제 실행 사이의 단절을 줄이고 화학·생물학·재료 연구에서 설계-제작-시험-학습 주기를 더 유연하게 만들 수 있다. 32

그러나 가장 큰 과제는 일반화다. 접촉 중심 조작은 보정 상태, 센서 드리프트, 실험 용기 변화, 재료 편차, 오염 관리, 드물지만 치명적인 실패에 민감하다. 현재 공개 자료만으로는 W0가 여러 연구실, 장비, 장기 프로토콜, 독립 사용자 환경에서 어느 수준의 신뢰성을 보이는지 판단하기 어렵다.

현시점에서 W0는 야심 찬 통합 구상과 과학 실험실 활용 사례를 제시한 초기 단계의 과학 지향 물리 AI 사례로 보는 편이 적절하다. 중요한 다음 단계는 실제 현장에서의 검증과 재현성이다.