시작하기
이 튜토리얼은 딥러닝의 World Model(세계 모델) 을 머신러닝 초급자가 처음부터 끝까지 혼자 따라갈 수 있도록 쓴 글입니다. “World Model 이 뭐지?” 라는 질문에서 시작해, 필요한 확률 · 정보 이론 · 딥러닝 · 강화학습을 하나씩 쌓고, 마지막에는 그림만 보고 진자를 세우는 법을 상상 속에서 배우는 Dreamer 를 직접 구현합니다.
- 튜토리얼 전체의 지도: 어떤 순서로 무엇을 배우는지
- 실습 준비: Python · PyTorch 설치와 실습 코드 받기
- 수식 읽는 법: 그리스 문자, 기호, 이 튜토리얼의 표기 규칙
- 이 튜토리얼을 가장 잘 활용하는 방법
이 튜토리얼이 약속하는 것
World Model 을 다룬 글은 많지만, 대부분 “VAE 는 이미 안다”, “ELBO 는 유명하니 생략한다”, “벨만 방정식은 기본이다” 처럼 중요한 단계를 건너뜁니다. 초급자는 바로 그 건너뛴 자리에서 길을 잃습니다. 이 튜토리얼은 다음 세 가지를 약속합니다.
- 건너뛰지 않습니다. 수식이 나오면 한 줄씩 풀고, 각 줄 옆에 “왜 이렇게 되는지” 를 적습니다. “쉽게 보이듯이(it is easy to see)” 라는 말은 쓰지 않습니다.
- 직접 만들어 봅니다. 모든 핵심 개념은 PyTorch 코드로 구현합니다. 코드는 실제로 돌려 본 것이고, 본문의 그래프 · 그림은 그 코드가 만든 결과입니다.
- 같은 세상에서 끝까지 갑니다. 처음부터 끝까지 진자(pendulum) 라는 하나의 작은 세상을 씁니다. 처음에는 숫자 3개(각도와 속도)로 보고, 나중에는 64×64 그림으로 봅니다. 세상이 같으니 모델이 바뀌는 것에만 집중할 수 있습니다.
World Model 을 한 문장으로
1장에서 자세히 다루지만, 먼저 한 문장으로 정리해 두겠습니다.
World Model 은 “지금 상태에서 이 행동을 하면 다음에 무슨 일이 일어날까?” 를 예측하도록 학습한 신경망입니다. 이 예측기가 있으면 에이전트(행동하는 주체)는 실제로 해 보지 않고도 머릿속에서 미리 시뮬레이션 해 볼 수 있고, 그 상상을 이용해 계획을 세우거나 행동을 배울 수 있습니다.
수식으로 쓰면, 현재 상태 $s_t$ 와 행동 $a_t$ 로 다음 상태 $s_{t+1}$ 과 보상 $r_t$ 를 예측하는 함수입니다.
$$ (s_t,\ a_t) \;\xrightarrow{\ \text{World Model}\ }\; (\hat{s}_{t+1},\ \hat{r}_t) $$$\hat{s}$ 처럼 기호 위에 모자(^, “햇” 이라고 읽습니다)를 쓴 것은 “모델이 예측한 값” 이라는 뜻입니다. 진짜 값 $s_{t+1}$ 과 예측 $\hat{s}_{t+1}$ 이 가까워지도록 신경망을 학습시키는 것, 이것이 World Model 학습의 가장 단순한 형태입니다. 여기에 “그림을 보고”, “불확실성까지”, “긴 시간을 기억하며”, “상상 속에서 행동을 배우는” 능력을 하나씩 더해 가는 것이 이 튜토리얼의 줄거리입니다.
튜토리얼 지도
전체는 15개 장입니다. 크게 네 단계로 나뉩니다. 각 단계가 다음 단계의 재료가 되므로 처음이라면 순서대로 읽기를 권합니다.
단계별로 무엇을 얻는가
| 단계 | 장 | 끝나면 할 수 있는 것 |
|---|---|---|
| 1. 기초 체력 | 01 – 05 | World Model 이 왜 필요한지 설명하기. 가우시안 · 최대우도 · KL 발산을 손으로 계산하기. PyTorch 로 신경망 학습하기. 벨만 방정식 유도하기. |
| 2. 첫 World Model | 06 – 07 | 숫자로 된 상태를 보고 다음 상태를 예측하는 모델 만들기. 그 모델 안에서 계획(MPC · CEM)을 세워 진자를 실제로 세우기. |
| 3. 그림을 보는 World Model | 08 – 10 | 그림을 작은 잠재 벡터로 압축하기(VAE). 잠재 공간에서 미래를 예측하기(MDN-RNN). 모델이 꾸는 “꿈” 속에서 행동 배우기. |
| 4. 상상 속 학습과 현대 모델 | 11 – 14 | RSSM 의 학습 목표(순차 ELBO)를 직접 유도하기. Dreamer 를 구현해 그림만 보고 진자 세우기. MuZero · Transformer · Diffusion · JEPA · 비디오 World Model 의 위치 이해하기. |
읽는 방법 세 가지
목적에 따라 읽는 깊이를 고를 수 있습니다. 어느 길을 가든 각 장의 “핵심” 상자 와 그림 은 꼭 보세요.
| 길 | 이런 분께 | 읽는 법 |
|---|---|---|
| A. 직관의 길 | 개념만 빨리 잡고 싶은 분 | 01, 05 앞부분, 06, 08, 10, 12, 13 장의 설명 · 그림 · 핵심 상자만 읽고, 풀이 상자는 결과 줄(파란 바탕)만 봅니다. |
| B. 수학의 길 | 논문을 읽을 수 있게 되고 싶은 분 | 모든 장을 순서대로, 풀이 상자를 한 줄씩 종이에 따라 쓰며 읽습니다. 확인 문제를 풀어 봅니다. |
| C. 구현의 길 | 직접 만들어 보고 싶은 분 | B 의 길에 더해, 각 장의 코드를 직접 타이핑해 실행하고, “직접 바꿔 보기” 의 실험을 해 봅니다. |
수식에서 막히면 그 줄의 “↳” 설명을 먼저 읽고, 그래도 막히면 2 · 3장으로 돌아가 해당 개념을 다시 보세요. 모르는 용어는 14장 부록의 용어집 에 모두 모아 두었습니다.
준비물
배경지식
이 튜토리얼은 다음 정도만 알고 있다고 가정합니다.
- Python 기초: 변수, 함수,
for반복문, 리스트, 클래스를 읽을 수 있는 정도. - 고등학교 수학: 함수, 지수 · 로그, 그래프, 간단한 미분(“기울기”). 잊어버렸어도 괜찮습니다. 필요할 때 다시 설명합니다.
선형대수(행렬), 확률, 미적분, 딥러닝, 강화학습은 몰라도 됩니다. 필요한 만큼 2 – 5장에서 처음부터 설명합니다.
컴퓨터
- Windows · macOS · Linux 아무것이나. 메모리 8GB 이상이면 충분합니다.
- 10장까지는 GPU 가 없어도 됩니다. 2 – 7장은 CPU 로 몇 초 – 20분, 8 – 10장은 CPU 로 20분 – 1시간(GPU 면 2 – 15분)입니다.
-
11 · 12장(그림을 보는 PlaNet · Dreamer)은 GPU 가 필요합니다. 노트북 GPU(8GB)로 각각 45분 – 1시간 남짓 걸렸고,
CPU 로는 하루 이상 걸려 사실상 어렵습니다. GPU 가 없다면
--quick으로 코드가 도는 것만 확인하고 본문의 결과 그림을 보거나, Google Colab 같은 무료 GPU 환경을 쓰세요. - 장별 실습 파일에는 몇 초 – 1분 안에 끝나는 축소판
--quick이 있습니다(원래 1초면 끝나는ch13_numbers.py만 예외). 각 장에 실제로 걸린 시간을 적어 두었습니다.
설치
Python 3.10 이상이 필요합니다. 터미널(Windows 는 “명령 프롬프트” 나 PowerShell)을 열고 다음을 차례로 입력합니다.
$ 는 입력하는 줄이라는 표시이므로 따라 치지 않습니다.
$ python --version # Python 3.10 이상인지 확인 (macOS · Linux 는 python3)
$ mkdir world-model && cd world-model
$ python -m venv .venv # 이 폴더 전용 Python 환경 만들기
$ source .venv/bin/activate # Windows 는: .venv\Scripts\activate
$ pip install torch numpy matplotlib # 또는: pip install -r requirements.txt (최소 버전까지 맞춤)
venv(가상 환경)는 이 실습 전용 Python 방을 하나 만드는 것입니다. 여기에 설치한 패키지는 다른 프로젝트와 섞이지 않습니다.
NVIDIA GPU 를 쓰려면 pip install torch 대신 PyTorch 설치 안내
에서 자기 환경을 고르고 나오는 명령을 쓰세요.
설치가 잘 되었는지 확인합니다.
$ python -c "import torch; print(torch.__version__, torch.cuda.is_available())"
2.x.x False
버전 숫자가 나오면 성공입니다. 두 번째 값은 GPU 를 쓸 수 있으면 True, 아니면 False 입니다. 어느 쪽이든 실습할 수 있습니다.
실습 코드 받기
각 장의 코드는 이 튜토리얼과 함께 있는 code/ 폴더에 파일로 들어 있습니다. 본문에 보이는 코드 상자는 그 파일의 일부를
그대로 불러온 것이라 본문과 파일이 어긋나지 않습니다. 코드 상자 머리의 “파일 열기” 로 전체 파일을 볼 수 있습니다.
| 파일 | 장 | 내용 |
|---|---|---|
requirements.txt | — | 필요한 패키지 목록 |
wm_envs.py | 4장부터 | 진자 환경(숫자 · 그림). 진자를 쓰는 실습 파일(4 – 8장, 10 – 12장, 13장의 ch13_diffusion_toy.py)이 이 파일을 불러옵니다. |
장마다 쓰는 실습 파일은 다음과 같습니다. 시간은 이 튜토리얼을 쓴 환경(노트북 CPU 4스레드 · 노트북 GPU 8GB)에서 기본 설정으로 잰 값입니다. 뒤 장의 파일은 앞 장의 파일이나 결과를 불러다 쓰므로 “먼저 필요한 것” 칸의 순서를 지켜 주세요.
| 파일 | 장 | 먼저 필요한 것 | 걸린 시간 |
|---|---|---|---|
ch02_probability.py | 02 | — | CPU 몇 초 |
ch03_information.py | 03 | — | CPU 몇 초 |
ch04_basics.py | 04 | — | CPU 3 – 6분 |
ch05_rl_basics.py | 05 | — | CPU 30초 안쪽 |
ch06_dynamics.py | 06 | — | CPU 약 1분 |
ch07_mpc.py | 07 | ch06_dynamics.py 파일 | CPU 6 – 10분 |
ch07_pets.py | 07 | ch06_dynamics.py · ch07_mpc.py 파일 | CPU 약 20분 |
ch08_vae.py | 08 | — | GPU 2 – 4분 / CPU 약 50분 |
ch09_mdn_rnn.py | 09 | ch08_vae.py 를 실행해 만든 결과 | GPU 2 – 3분 / CPU 약 20분 |
ch10_world_models.py | 10 | ch08_vae.py · ch09_mdn_rnn.py 를 실행해 만든 결과 | GPU 약 15분 / CPU 약 1시간 |
ch11_rssm_planet.py | 11 | — | GPU 약 1시간 (CPU 는 하루 이상) |
ch12_dreamer.py | 12 | ch11_rssm_planet.py 파일 | GPU 약 45분 (CPU 는 하루 이상) |
ch13_numbers.py · ch13_diffusion_toy.py | 13 | — | CPU 1초 · 약 2분 |
받은 파일은 모두 같은 폴더 에 두고, 그 폴더에서 실행하세요. 각 장의 실습 파일이 만드는 그림은 그 폴더 아래 figures/ 에 저장됩니다.
먼저 환경 파일만 실행해 보세요. 이 파일만은 확인용 진자 그림 한 장을 figures/ 가 아니라 실행한 폴더에 pixel_pendulum.png 로 저장합니다(그림 0-1 이 바로 이 그림입니다).
$ python wm_envs.py
상태 관측 (201, 3) 행동 (200, 1) 보상 합 -1071.9 그림 관측 (201, 64, 64) uint8 값 범위 0 255 pixel_pendulum.png 저장
무대 미리 보기: 진자 환경
이 튜토리얼의 모든 실습은 진자 스윙업(pendulum swing-up) 이라는 작은 세상에서 합니다. 강화학습에서 가장 유명한 연습 문제 가운데 하나로,
OpenAI Gym 의 Pendulum-v1 과 물리 법칙이 같습니다. 물리 법칙이 어떻게 나왔는지는 6장에서 뉴턴 법칙부터 유도합니다.
- 상태: 막대의 각도 $\theta$(세타)와 각속도 $\dot{\theta}$(세타 닷, 1초에 몇 라디안 도는지). $\theta = 0$ 이면 막대가 위로 똑바로 서 있습니다.
- 행동: 축에 거는 토크(돌리는 힘) $u \in [-2, 2]$.
- 보상: $r = -(\theta^2 + 0.1\,\dot{\theta}^2 + 0.001\,u^2)$. 위에 가만히 서 있을 때 가장 큰 값 0 을 받습니다.
- 어려운 점: 토크가 약해서 한 번에 들어 올릴 수 없습니다. 그네처럼 앞뒤로 흔들어 에너지를 모은 뒤 세워야 합니다.
지금 이 코드를 모두 이해할 필요는 없습니다. step() 안의 단 세 줄(속도 갱신, 속도 자르기, 각도 갱신)이 이 세상의 물리 법칙 전부라는 것만 기억해 두세요.
World Model 은 이 세 줄을 보지 못한 채, 오직 (상태, 행동, 다음 상태) 데이터만 보고 비슷한 함수를 배워야 합니다.
수식 읽는 법
수식은 “짧게 쓴 문장” 일 뿐입니다. 기호 몇 가지만 익히면 한국어 문장처럼 읽을 수 있습니다. 이 튜토리얼에서 쓰는 기호를 미리 모아 두었습니다. 지금 다 외울 필요는 없고, 수식이 낯설 때 돌아와 찾아보세요.
본문에서 점선 밑줄이 그어진 낱말을 누르면 그 뜻 · 대표 식 · 자세히 설명한 장이 담긴 카드가 열립니다. 수식을 누르면 그 식에 나오는 기호가 그 자리에서 무슨 뜻인지 보여 줍니다(같은 글자도 장 · 절마다 뜻이 다를 수 있어서입니다). 카드 안의 관련 항목을 누르면 같은 카드 안에서 옮겨 가고, Esc 를 누르거나 카드 바깥을 누르면 닫힙니다.
그리스 문자
| 기호 | 읽는 법 | 이 튜토리얼에서 주로 쓰는 뜻 |
|---|---|---|
| $\theta$ | 세타 (theta) | ① 진자의 각도 ② World Model 신경망의 매개변수(가중치) — 문맥으로 구별합니다 |
| $\phi$ | 파이 (phi) | 인코더(관측 → 잠재 변수) 신경망의 매개변수 |
| $\psi$ | 프사이 (psi) | 정책(행동을 고르는 신경망, actor)의 매개변수 |
| $\xi$ | 크사이 (xi) | 가치 함수(critic) 신경망의 매개변수 |
| $\mu$ | 뮤 (mu) | 평균 |
| $\sigma$ | 시그마 (sigma) | 표준편차. $\sigma^2$ 은 분산 |
| $\epsilon$ | 엡실론 (epsilon) | 표준 정규 분포에서 뽑은 잡음, 또는 아주 작은 수 |
| $\gamma$ | 감마 (gamma) | 할인율 (미래 보상을 얼마나 깎을지, 0 – 1) |
| $\lambda$ | 람다 (lambda) | λ-리턴의 섞는 비율 (12장). 그 밖에 고윳값(4 · 6장), CMA-ES 의 후보 수(10장)로도 쓰며, 그때마다 본문에서 밝힙니다 |
| $\eta$ | 에타 (eta) | 학습률 (한 번에 얼마나 고칠지). 12장에서는 엔트로피 계수로도 씁니다 |
| $\pi$ | 파이 (pi) | ① 원주율 3.14159… ② 정책(policy) ③ 아래 첨자가 붙은 $\pi_k$ 는 $k$ 번째 범주 · 혼합 성분의 확률(2 · 9장) — 문맥으로 구별합니다 |
| $\tau$ | 타우 (tau) | ① 궤적(trajectory): 상태 · 행동 · 보상을 시간 순으로 늘어놓은 것 ② 진자에 거는 토크(6장) ③ 표본을 뽑을 때의 온도(9 · 10 · 13장) — 문맥으로 구별합니다 |
| $\Sigma$, $\sum$ | 시그마 (대문자) | 합. $\sum_{i=1}^{3} x_i = x_1 + x_2 + x_3$ |
| $\prod$ | 파이 (대문자) | 곱. $\prod_{i=1}^{3} x_i = x_1 \cdot x_2 \cdot x_3$ |
자주 쓰는 기호
| 기호 | 읽는 법 | 뜻과 예 |
|---|---|---|
| $x_t$ | 엑스 티 | 시각 $t$ 의 $x$. 아래 첨자는 “몇 번째” 를 나타냅니다. |
| $x_{1:T}$ | 엑스 일부터 티까지 | $x_1, x_2, \dots, x_T$ 를 한꺼번에 부르는 이름 |
| $\hat{x}$ | 엑스 햇 | 모델이 예측 · 추정한 $x$ |
| $\dot{\theta}$ | 세타 닷 | $\theta$ 의 시간 변화율(속도). 점 두 개 $\ddot{\theta}$ 는 가속도 |
| $x \in \R^n$ | 엑스는 알 엔에 속한다 | $x$ 는 실수 $n$ 개로 된 벡터. 예: $x = (0.3, -1.2, 5.0) \in \R^3$ |
| $p(x)$ | 피 엑스 | $x$ 의 확률(또는 확률 밀도) |
| $p(y \mid x)$ | 엑스가 주어졌을 때 와이의 확률 | 조건부 확률. 세로 막대 뒤가 “이미 아는 것” |
| $x \sim p$ | 엑스는 피를 따른다 | $x$ 를 분포 $p$ 에서 뽑는다(샘플링) |
| $\E_{x \sim p}[f(x)]$ | 피에 대한 에프의 기댓값 | $x$ 를 $p$ 에서 여러 번 뽑아 $f(x)$ 를 평균 낸 값 (2장) |
| $\Normal(\mu, \sigma^2)$ | 정규 분포 뮤, 시그마 제곱 | 평균 $\mu$, 분산 $\sigma^2$ 인 가우시안(종 모양) 분포 (2장) |
| $\KL(q \,\|\, p)$ | 큐와 피의 KL 발산 | 두 분포가 얼마나 다른지 재는 값 (3장) |
| $\log x$ | 로그 엑스 | 이 튜토리얼에서 log 는 모두 자연로그($\ln$, 밑이 $e \approx 2.718$)입니다 |
| $\nabla_\theta L$ | 나블라 세타 엘 | $L$ 을 $\theta$ 의 각 성분으로 미분한 값을 모은 벡터(기울기, gradient) (4장) |
| $\frac{\partial L}{\partial w}$ | 엘을 더블유로 편미분 | 다른 변수는 고정하고 $w$ 만 조금 바꿀 때 $L$ 이 바뀌는 비율 (4장) |
| $\argmax_x f(x)$ | 아그맥스 | $f(x)$ 를 가장 크게 만드는 $x$. 최댓값 자체가 아니라 그때의 $x$ 입니다 |
| $\propto$ | 비례한다 | $p(x) \propto f(x)$: 상수배 차이만 있다 |
| $\approx$ | 근사적으로 같다 | 정확히는 아니지만 거의 같다 |
| $:=$ | 정의한다 | $G := r_1 + r_2$: 왼쪽 이름을 오른쪽으로 정한다 |
| $a \odot b$ | 원소별 곱 | 같은 자리끼리 곱한다. $(1,2) \odot (3,4) = (3, 8)$ |
| $\sg(x)$ | 기울기 차단 (stop-gradient) | 값은 $x$ 그대로 쓰되, 이 부분으로는 기울기를 흘리지 않는다 (12장) |
이 튜토리얼의 표기 규칙
| 기호 | 뜻 |
|---|---|
| $s_t$ | 환경의 진짜 상태(state). 진자에서는 $(\theta, \dot{\theta})$ |
| $o_t$ | 관측(observation). 에이전트가 실제로 보는 것. World Model 의 입력으로 6 · 7장은 $[\cos\theta, \sin\theta, \dot\theta]$, 8장부터는 64×64 그림을 씁니다 |
| $a_t$ | 행동(action). 진자에서는 토크 $u$ |
| $r_t$ | 보상(reward). $s_t$ 에서 $a_t$ 를 했을 때 받는 점수 |
| $z_t$ | 잠재 변수(latent). 관측을 압축한 작은 벡터 (8장부터) |
| $h_t$ | 은닉 상태(hidden state). RNN 이 들고 다니는 기억 (9장부터) |
| $T$, $H$ | $T$: 에피소드 · 시퀀스 길이. $H$: 계획 · 상상의 길이(horizon) |
| $p_\theta$ | 매개변수 $\theta$ 를 가진 모델이 정하는 분포(World Model) |
| $q_\phi$ | 매개변수 $\phi$ 를 가진 인코더가 정하는 분포(관측을 보고 잠재 변수를 추측) |
| $\pi_\psi$, $v_\xi$ | 정책(actor)과 가치 함수(critic) |
| $\mathcal{D}$ | 모아 둔 데이터(경험)의 집합. 리플레이 버퍼 |
$\theta$ 는 “진자의 각도” 와 “신경망 매개변수” 두 가지로 쓰입니다. 둘 다 너무 널리 쓰이는 관례라 바꾸지 않았습니다. 진자 각도가 나올 때는 늘 “각도 $\theta$”, 매개변수일 때는 주로 $p_\theta$, $f_\theta$ 처럼 아래 첨자로 붙여 쓰거나 “매개변수 $\theta$” 라고 밝혀 써서 구별합니다. $\pi$ 는 원주율, 정책, 그리고 범주 · 혼합 성분의 확률 $\pi_k$ 세 가지로 쓰입니다. 정책은 주로 $\pi(a \mid s)$ 처럼 괄호가, 성분의 확률은 $\pi_k$ 처럼 아래 첨자가 붙습니다. $\sigma$ 도 표준편차와 시그모이드 함수 $\sigma(z)$ 두 가지이고(함수일 때는 늘 괄호가 붙습니다), $H$ 도 괄호가 붙은 $H(p)$ 는 엔트로피(3장), 홀로 쓰인 $H$ 는 계획 · 상상의 길이입니다.
풀이 상자 읽는 법
이 튜토리얼에서 수식 유도는 모두 다음과 같은 풀이 상자 에 들어 있습니다. 예로 아주 쉬운 것을 하나 풀어 보겠습니다.
각 줄은 바로 위 줄과 같고, “↳” 뒤에 그 변형의 이유를 적었습니다. 줄을 건너뛰지 않으므로, 종이에 따라 쓰며 읽으면 혼자서도 모든 유도를 끝까지 따라갈 수 있습니다.
다른 상자들
더 알면 좋은 배경 지식입니다. 처음 읽을 때는 건너뛰어도 됩니다.
실습 · 구현에서 도움이 되는 요령입니다.
초급자가 자주 빠지는 함정이나 헷갈리기 쉬운 부분입니다.
그 절에서 꼭 가져가야 할 한두 문장입니다. 복습할 때 이것만 다시 읽어도 됩니다.
$\sum_{t=0}^{2} \gamma^t$ 를 $\gamma = 0.5$ 일 때 계산해 보세요.
답 보기
$\gamma^0 + \gamma^1 + \gamma^2 = 1 + 0.5 + 0.25 = 1.75$. ($\gamma^0 = 1$ 입니다. 0 이 아닌 어떤 수도 0제곱은 1 입니다.)
이 튜토리얼이 다루지 않는 것
- 대규모 모델의 분산 학습, 하드웨어 최적화.
- 로봇 실기 적용 · 안전성 검증 같은 실무 배포 문제.
- Sora · Genie 같은 초대형 비디오 World Model 의 구현. 이들은 13장에서 원리와 위치를 설명하지만, 개인 컴퓨터로 재현할 수 있는 규모가 아니므로 직접 구현은 하지 않습니다. 대신 그 바탕이 되는 원리 가운데 잠재 공간과 자기회귀 예측은 앞 장들에서, 확산 모델은 13장에서 작은 실습과 함께 다룹니다.
- World Model = “상태와 행동이 주어지면 다음을 예측하는 학습된 시뮬레이터”.
- 튜토리얼은 기초 체력(01–05) → 첫 모델(06–07) → 그림 보기(08–10) → 상상 학습과 현대 모델(11–14) 순서입니다.
- 무대는 처음부터 끝까지 진자 하나. 실습 코드는
code/폴더, 환경은wm_envs.py. - 수식은 풀이 상자에서 한 줄씩 풀며, “↳” 가 각 줄의 이유입니다.
준비가 끝났습니다. 다음 장에서 “World Model 이란 무엇인가” 를 직관부터 차근차근 잡아 보겠습니다.