로보택시를 향한 두 갈래 길

CES와 오스틴 거리에서 확인된 두 가지 극명하게 다른 청사진

지난 1월 초 라스베이거스에서 열린 소비자 가전 전시회(CES)에서 Nvidia는 Alpamayo를 공개했습니다. 이는 자동차가 일반적이지 않은 교통 상황을 "추론"하도록 교육하기 위해 설계된 개방형 대규모 시각-언어-행동 모델(vision-language-action models) 제품군과 관련 시뮬레이션 도구입니다. 이 회사는 이 기술을 소위 "피지컬 AI(physical AI)"를 위한 획기적인 변화로 규정하며, 자동차 제조업체들이 자사 차량에 즉시 도입할 수 있는 교육 가능한 모듈형 플랫폼으로 홍보했습니다.

이보다 반년 앞선 텍사스주 오스틴에서 Tesla는 소수의 개조된 Model Y 차량을 이용해 초청받은 승객을 태우는 로보택시(Robotaxi) 파일럿 프로그램을 조용히 시작했습니다. 이는 카메라 기반의 플릿 트레이닝(fleet-trained) 주행 소프트웨어에 수십 년간 공을 들여온 이 회사의 도박을 시각적으로 입증하는 사례였습니다. 초기에는 제한적이고 모니터링하에 이루어진 이 출시는 대조적인 경로를 보여주었습니다. Tesla는 직접 제작한 차량 내부에 소프트웨어를 탑재하고 이를 통해 실제 주행 경험을 축적하는 방식을 취하고 있습니다.

플랫폼 대 제품: 엔지니어링 철학의 분기점

Nvidia의 대중적인 홍보 전략은 플랫폼 우선입니다. 이 회사는 실리콘(반도체), 미들웨어, 센서 스위트 및 운영 환경(DRIVE Hyperion 및 DRIVE AGX/Thor)을 판매하며, 지난 1월에는 제3자 안전 평가와 기존 자동차 제조업체 파트너 생태계를 강조했습니다. 이 파트너들은 스택 전체를 처음부터 새로 만드는 대신 일부를 채택할 수 있습니다. 이러한 모델을 통해 기존 자동차 제조업체와 신규 전기차(EV) 제조업체는 컴퓨팅과 소프트웨어를 외주화함으로써 개발 속도를 높이는 동시에, 센서와 차량 아키텍처를 자유롭게 선택할 수 있습니다.

학습 컴퓨팅: 클라우드 클러스터, 오픈 모델 그리고 Dojo의 운명

최근까지 Tesla는 완전 자율 주행(Full Self-Driving) 연구와 궁극적으로는 휴머노이드 로봇의 중추 역할을 할 자체 슈퍼컴퓨터 프로젝트인 Dojo를 통해 맞춤형 학습 경로를 추구해 왔습니다. 2025년 Tesla는 컴퓨팅 전략의 일부를 재편했으며, 2025년 중반 이후의 보고에 따르면 회사가 다른 칩 및 클러스터 계획으로 선회함에 따라 Dojo 프로그램이 축소되고 있다고 합니다. 이러한 변화는 핵심적인 갈등 요소를 보여줍니다. 독자적인 세계 최고 수준의 학습 슈퍼컴퓨터를 구축하는 것은 비용이 많이 들고 속도가 느린 반면, 최첨단 가속기를 구매하거나 공동 임대하는 방식은 확장이 빠르지만 통제권의 일부를 양보해야 하기 때문입니다.

Nvidia의 선택은 다릅니다. 고성능 컴퓨팅(GPU 및 DRIVE SoC)과 개방형 '스승-제자(teacher-student)' 워크플로우를 제공하는 것입니다. 이 방식에서는 Alpamayo와 같은 거대한 추론 모델을 차량 내부에서 실행되는 더 작은 런타임 네트워크로 압축할 수 있습니다. 또한 이 회사는 많은 플레이어가 인프라의 모든 요소를 새로 구축하지 않고도 학습, 테스트 및 검증을 수행할 수 있도록 설계된 시뮬레이션 도구와 공개 데이터 세트를 발표했습니다. 이러한 접근 방식은 전통적인 자동차 제조업체들이 첨단 운전자 보조 시스템을 도입하고, 궁극적으로 더 높은 자율 주행 수준에 도달하는 데 따르는 장벽을 낮춰줍니다.

센서와 롱테일(long-tail) 문제

두 회사는 센서에 대해서도 의견이 갈립니다. Nvidia의 Hyperion 레퍼런스 디자인은 카메라, 레이더, 그리고 점차 비중이 높아지는 라이다(lidar)를 포함한 멀티모달 센서 스위트를 명시적으로 지원합니다. Nvidia는 CES와 DRIVE Hyperion 플랫폼 관련 발표에서 라이다 공급업체와의 파트너십을 강조했습니다. Nvidia는 풍부한 센서 퓨전이 시스템의 깊이 지각을 돕고 가시성이 낮거나 엣지 케이스(edge-case) 시나리오에서 위험을 감지하는 데 도움이 된다고 주장합니다.

Tesla는 카메라 우선 전략을 고수하며, 인간 운전자는 시각만 사용하며 잘 훈련된 신경망이 비디오에서 깊이와 움직임을 추출할 수 있다고 주장합니다. 이 방식의 장점은 하드웨어 비용이 낮고 통합이 간편하며, Tesla 차량들로부터 수집되는 방대한 양의 실제 주행 영상을 통해 모델을 지속적으로 개선할 수 있다는 점입니다. 반면 규제 당국과 안전 전문가들이 반복해서 제기하는 단점은 희귀한 상황에 대한 불확실성, 그리고 시각 전용 시스템이 특이한 상황에서 멀티모달 스택만큼 일반화된 성능을 발휘할 수 있는지에 대한 의구심입니다.

규제, 사고 및 대중의 신뢰

운행 안전과 대중의 감시는 두 전략 모두에 있어 가혹한 시험대입니다. Tesla의 FSD 및 Autopilot 시스템은 여러 차례 규제 조사의 대상이 되었으며, 미국 안전 규제 당국에 제출된 지속적인 사고 보고 데이터 세트의 중심에 있었습니다. 2025년 미국 도로교통안전국(NHTSA)은 신호 위반 및 차선 변경 사고 보고에 따라 수백만 대의 차량을 대상으로 예비 조사를 시작했으며, 이는 조기 도입에 따르는 법적 리스크와 정치적 감시를 동시에 부각시켰습니다.

Nvidia는 자동차 제조업체들이 신뢰하는 기존 규제 프레임워크에 더 부합하도록 제3자 안전 평가와 기성 자동차 안전 기관과의 협력을 강조해 왔습니다. 인증된 부품, 공개 데이터 세트, 그리고 Alpamayo의 설명 가능한 추론 추적을 제공하겠다는 Nvidia의 제안은 완성차 업체(OEM)들이 자율 주행 기능을 확장할 때 안전 및 감사 요구 사항을 충족할 수 있도록 돕기 위해 명시적으로 설계되었습니다.

시장 역학 및 확장 경로

전략적으로 Nvidia와 Tesla는 대규모 자율 주행 차량군과 로보택시 서비스라는 겹치는 최종 목표를 쫓고 있지만, 위험과 보상의 프로필은 서로 다릅니다. Nvidia는 기존 생산 라인에 통합할 수 있는 검증된 모듈형 플랫폼을 선호할 가능성이 높은 거대한 자동차 제조 시장을 공략하고 있습니다. 이는 자동차를 직접 제조하거나 차량군을 운영하는 자본 집약적인 과정 없이도 많은 수익 경로를 열어줍니다. Nvidia의 CES 발표에 대한 초기 시장 반응으로 라이다 및 센서 기업의 주가가 급등한 것은 투자자들이 멀티 벤더 플랫폼 방식이 생태계 성장을 가속화할 것이라고 믿고 있음을 반영합니다.

융합, 경쟁 그리고 다음 단계

두 회사가 서로 다르더라도 그 경로는 수렴될 수 있습니다. Nvidia의 개방형 스승-제자 경로는 자동차 제조업체(이론적으로는 아마도 Tesla까지도)가 추론 기반 모델을 더 쉽게 채택할 수 있게 합니다. Tesla의 거대한 차량군은 엔드 투 엔드(end-to-end) 학습을 위한 데이터 우위를 계속해서 유지하고 있습니다. 두 진영 모두 모델과 실리콘의 정교함뿐만 아니라, 실제 환경에서의 안전성, 엣지 케이스 처리에 대한 투명한 지표, 그리고 운전자 없는 운행을 승인하려는 규제 당국의 의지에 따라 평가받게 될 것입니다.

소비자와 도시 입장에서 단기적인 상황은 혼란스러울 것입니다. 여러 방식이 섞인 차량군, 관할권마다 다른 파편화된 규제, 그리고 모니터 요원과 지오펜스(가상 울타리)를 동반한 점진적인 서비스 출시가 이어질 것입니다. 투자자와 기술자들에게 남겨진 질문은 업계가 자율 주행을 널리 보급할 수 있는 모듈형 플랫폼 쪽으로 기울 것인지, 아니면 전체 스택을 장악하는 소수의 수직 계열화된 승자 쪽으로 기울 것인지입니다. 어느 쪽이든 로보택시를 향한 경주는 이제 다중 트랙 경기로 읽힙니다. 한 차선에는 데이터를 수집하는 수백만 대의 소비자 차량이 쌓여 있고, 다른 차선에는 더 빠른 검증과 폭넓은 채택을 약속하는 표준화된 플랫폼과 오픈 모델이 달리고 있습니다.

출처

• NVIDIA 보도 자료 (Alpamayo, DRIVE Hyperion 및 DRIVE AGX 발표)
• 미국 도로교통안전국(NHTSA) (첨단 운전자 보조 시스템에 대한 예비 평가 및 조사 파일)
• TÜV SÜD 및 공급업체 자료에서 인용된 독립 자동차 안전 평가 보고서
• FSD, 로보택시 파일럿 및 컴퓨팅 전략에 관한 Tesla 공식 성명 및 기업 공시