페이페이 리(Fei-Fei Li)를 지금 다시 봐야 하는 이유는 단순히 ImageNet의 역사 때문만은 아닙니다. 그는 현대 컴퓨터 비전의 상징적 연구자이면서, 2026년에는 World Labs의 공동창업자 겸 CEO로 공간 지능(spatial intelligence)을 제품과 연구의 중심에 놓고 있습니다. 텍스트를 잘 쓰는 모델 다음에 AI가 무엇을 이해해야 하느냐는 질문이 커질수록, 리가 말하는 3D 세계 이해는 더 실용적인 논점이 됩니다.
스탠퍼드 공대의 공식 프로필은 리를 스탠퍼드 컴퓨터과학과 Sequoia Professor, Stanford HAI 공동창립 디렉터, World Labs 공동창업자 겸 CEO로 소개합니다. 같은 프로필은 그가 ImageNet과 ImageNet Challenge를 만든 연구자이며, 이 데이터셋과 벤치마크가 현대 딥러닝의 탄생을 이끈 핵심 요소 중 하나로 평가된다고 설명합니다. 컴퓨터가 이미지를 분류하던 시대를 연 사람이 이제 “AI가 공간을 이해해야 한다”고 말하는 셈입니다.
이 인물은 누구인가
페이페이 리의 대표 성과는 ImageNet입니다. ImageNet은 대규모 이미지 데이터셋과 평가 대회를 통해 알고리즘, 데이터, GPU 연산이 함께 맞물릴 때 딥러닝이 얼마나 빠르게 발전할 수 있는지를 보여줬습니다. 오늘날 이미지 인식, 의료 영상, 자율주행 인지, 생성형 비전 모델을 이야기할 때 ImageNet 이전과 이후를 나누는 이유가 여기에 있습니다.
그의 경력은 연구실 안에만 머물지 않았습니다. Stanford HAI의 프로필은 리가 2013년부터 2018년까지 Stanford AI Lab을 이끌었고, 2017년부터 2018년까지 Google Cloud에서 AI/ML Chief Scientist로 일했다고 정리합니다. 또 AI4ALL 공동창립자로 AI 교육의 다양성과 접근성을 넓히는 활동을 해 왔습니다. 기술 성능뿐 아니라 사람이 기술을 어떻게 배우고 다뤄야 하는지까지 함께 보는 인물입니다.
| 시기 | 핵심 활동 | AI 흐름에서의 의미 |
|---|---|---|
| 2000년대 후반~2010년대 | ImageNet과 컴퓨터 비전 연구 | 대규모 데이터셋과 벤치마크가 딥러닝 성능을 끌어올림 |
| 2013~2018년 | Stanford AI Lab 리더십 | 비전·로봇·학제 연구의 중심을 확장 |
| 2019년 이후 | Stanford HAI와 정책·교육 활동 | 인간 중심 AI, 공공성, 다양성 논의를 강화 |
| 2024년 이후 | World Labs 공동창업 | 3D 세계를 생성·이해·시뮬레이션하는 모델로 초점을 이동 |
최근 무슨 이야기를 했나
리의 최근 메시지는 “언어만으로는 충분하지 않다”에 가깝습니다. 그는 2025년 11월 에세이 From Words to Worlds에서 LLM이 추상 지식과 언어 작업을 크게 바꿨지만, 물리 세계를 깊이 이해하고 상호작용하는 능력은 아직 부족하다고 썼습니다. 핵심 문장은 짧게 요약할 수 있습니다. “Spatial intelligence is AI’s next frontier.” 이 문장은 AI가 이미지와 영상을 더 예쁘게 만드는 단계를 넘어, 공간·물체·행동의 결과를 이해해야 한다는 주장입니다.
World Labs의 회사 소개는 이 비전을 제품 언어로 바꿉니다. World Labs는 3D 세계를 인식하고 생성하고 추론하고 상호작용할 수 있는 frontier world models를 만들겠다고 설명합니다. 첫 제품 Marble은 텍스트, 이미지, 영상, 360도 파노라마 같은 입력을 받아 탐색 가능한 3D 세계를 만들고, 사용자가 편집하거나 내보낼 수 있는 형태로 제공합니다.
여기서 Marble 월드 모델의 포인트는 단순한 3D 장면 생성이 아닙니다. World Labs가 2026년 1월 공개한 World API는 텍스트·이미지·비디오에서 탐색 가능한 3D 환경을 생성하고, 이를 웹 렌더링·다운스트림 도구·인터랙티브 시스템·시뮬레이션에 연결할 수 있다고 설명합니다. 즉 공간 생성을 한 번의 데모가 아니라 개발자가 호출할 수 있는 기능으로 만들겠다는 방향입니다.
페이페이 리의 관점에서 공간 지능은 “멋진 3D 그래픽”보다 넓습니다. AI가 물체의 위치, 크기, 이동, 충돌, 관찰 각도, 행동의 결과를 함께 다룰 수 있어야 창작 도구와 로봇 시스템 모두에 쓸 수 있다는 주장입니다.
국내 독자가 지금 볼 포인트
국내 독자에게 이 흐름이 중요한 이유는 두 가지입니다. 첫째, 생성형 AI 경쟁이 텍스트와 이미지 생성만으로 끝나지 않는다는 점입니다. 이미 영상 생성은 물리 정확성과 세계 일관성을 놓고 경쟁하고 있고, AI 영상 생성에서도 물체가 시간 속에서 유지되는지가 중요한 품질 기준이 됐습니다. 공간 지능은 그 기준을 3D 환경, 시뮬레이션, 로봇 학습으로 넓힙니다.
둘째, 이 주제는 르쿤 월드 모델 논의와도 맞닿아 있습니다. 얀 르쿤이 물리 세계를 예측하고 계획하는 모델을 강조한다면, 리와 World Labs는 생성·편집·시뮬레이션 가능한 3D 세계를 제품화하는 쪽에 더 가깝습니다. 서로 다른 출발점이지만 공통 질문은 같습니다. AI가 말만 잘하는 시스템을 넘어 실제 세계의 구조를 다룰 수 있느냐는 것입니다.
World Labs의 2026년 6월 글 A Functional Taxonomy of World Models는 이 질문을 렌더러, 시뮬레이터, 플래너로 나눕니다. 렌더러는 사람이 보는 픽셀을 만들고, 시뮬레이터는 기하·물리·동역학적으로 계산 가능한 상태를 만들며, 플래너는 관찰과 목표를 바탕으로 행동을 고릅니다. 국내 기업이 이 흐름을 볼 때도 “3D 결과물이 예쁜가”보다 어느 기능을 목표로 하는지부터 구분해야 합니다.
2026년 7월 World Labs가 SceniX 인수를 발표한 점도 눈에 띕니다. 공식 발표는 로봇이 주변 공간을 인식하고, 물체가 어떻게 움직일지 이해하고, 행동의 결과를 예상하며, 신뢰성 있게 행동해야 한다고 설명합니다. 이 문장은 공간 지능이 미디어 제작용 3D 도구에만 머물지 않고 로봇 학습과 실제 환경으로 확장될 수 있음을 보여줍니다.
나의 생각
페이페이 리의 강점은 AI를 “다음 유행어”로만 설명하지 않는 데 있습니다. ImageNet이 그랬듯, 그는 큰 아이디어를 데이터셋, 평가, 연구 커뮤니티, 제품 인터페이스가 만나는 지점으로 끌고 옵니다. 공간 지능도 마찬가지입니다. 말로는 누구나 “AI가 세계를 이해해야 한다”고 할 수 있지만, 실제로는 어떤 입력을 받고, 어떤 3D 구조를 만들며, 어떤 시뮬레이터와 연결하고, 어떤 실패를 측정할지가 더 어렵습니다.
물론 주의할 점도 큽니다. 현재의 Marble이나 World API가 곧바로 완전한 물리 시뮬레이터나 범용 로봇 두뇌가 된다는 뜻은 아닙니다. World Labs의 분류 글도 3D 데이터 부족, 시뮬레이션과 현실의 차이, 보기에는 그럴듯하지만 물리적으로 틀린 생성 구조 같은 어려움을 언급합니다. 특히 로봇과 의료, 건축처럼 안전과 비용이 큰 분야에서는 시각적 설득력보다 검증 가능한 정확성이 먼저입니다.
그럼에도 리를 알아야 하는 이유는 분명합니다. 텍스트 중심 AI가 지식을 다루는 방식을 바꿨다면, 공간 지능은 AI가 세계를 만들고 시험하고 행동하는 방식을 바꿀 수 있습니다. 한국의 개발자와 기획자에게도 이 변화는 “새로운 3D 생성 서비스” 정도가 아니라, 시뮬레이션·디지털 트윈·로봇·교육 콘텐츠·공간 설계가 AI와 만나는 다음 인터페이스로 읽어야 합니다.
댓글 없음:
댓글 쓰기