엔비디아, 자율주행 AI ‘Alpamayo 2 Super’ 상업 이용 허용…로보택시 경쟁이 달라지는 이유

엔비디아가 2026년 8월 4일 로보택시와 자율주행차 개발용 AI 모델 ‘Alpamayo 2 Super’를 기업이 상업적으로 사용할 수 있게 공개했다. 이전에는 연구·개발 성격이 강했던 Alpamayo 계열에 상업 이용이 가능한 개방형 라이선스를 적용해 자동차 회사와 자율주행 스타트업이 모델을 내려받아 자사 주행 데이터에 맞게 수정하고 제품 개발에 활용할 수 있도록 한 것이다.

이 소식은 엔비디아가 곧 직접 운전하는 완성차를 판매한다는 뜻이 아니다. Alpamayo 2 Super를 자동차에 넣기만 하면 무인택시가 안전하게 달린다는 의미도 아니다. 이 모델은 도로의 여러 카메라 영상을 이해하고, 어떤 상황이 벌어졌는지 설명하고, 차가 취할 행동과 이동 경로를 제안하는 개발 기반에 가깝다. 실제 도로 투입에는 차량 센서, 제동·조향 장치, 지역 교통법규, 막대한 실차 시험과 정부 승인이 별도로 필요하다.

일반 독자가 궁금할 질문은 “개방형 자율주행 AI가 왜 로보택시의 출시 속도와 안전 경쟁에 영향을 주는가”다. 답은 자동차 회사마다 처음부터 거대한 AI를 만들 필요가 줄고, 같은 기반 모델을 자사 데이터와 안전기준에 맞게 발전시킬 수 있기 때문이다. 다만 엔비디아가 공개한 성능은 회사 측 벤치마크이며, 실제 비·눈·공사구간·보행자 돌발 상황에서의 안전성을 입증한 도로 주행 성적표와는 다르다.

무엇이 공개됐나

엔비디아 공식 발표에 따르면 Alpamayo 2 Super는 자율주행을 위한 ‘비전-언어-행동’ 모델이다. 여러 카메라로 본 장면을 해석하고, 언어로 상황과 판단 근거를 설명하며, 차량이 따라갈 경로를 제안한다는 뜻이다.

모델은 차의 앞·옆·뒤를 포함한 360도 카메라 영상을 함께 본다. 차선 변경, 합류, 비보호 회전, 복잡한 교차로처럼 한 방향 화면만으로 판단하기 어려운 상황에서 주변 차량과 보행자의 움직임을 종합하려는 설계다. 엔비디아는 한 장면에 대해 주행 궤적, 원인과 결과를 연결한 설명, 차가 취할 상위 행동, 자동 데이터 표기, 장면에 근거한 질문 답변 등 다섯 종류의 결과를 함께 낼 수 있다고 설명했다.

가장 큰 변화는 라이선스다. 모델 가중치는 AI가 학습하며 만들어 낸 수많은 숫자로, 사실상 모델의 판단 능력을 담은 핵심 파일이다. 엔비디아는 Alpamayo 2 Super를 허깅페이스에 공개하고 Linux Foundation의 OpenMDW-1.1 라이선스를 적용했다. 이 조건에서는 기업이 모델을 세부 조정하고 파생 모델을 만들며 상업적으로 배포할 수 있다. 엔비디아는 새 모델뿐 아니라 기존 Alpamayo 계열에도 같은 상업 이용 조건을 적용한다고 밝혔다.

독립 AI 매체 Unite.AI의 보도도 34B, 즉 약 340억 파라미터 규모의 모델 가중치가 상업적 세부 조정과 재배포를 허용하는 조건으로 게시됐다고 전했다. 다만 ‘오픈’이라는 말은 모든 학습 데이터와 개발 과정이 전부 공개됐다는 뜻과 같지 않다. 이용 기업은 실제 라이선스 전문, 데이터 조건, 안전 의무를 법무·기술팀과 함께 확인해야 한다.

왜 자율주행은 드문 상황에서 어려워지나

자율주행차는 평범한 직선도로를 달리는 것보다 거의 만나지 않는 복잡한 상황에서 더 큰 어려움을 겪는다. 업계에서는 이런 사례를 ‘롱테일’, 즉 빈도는 낮지만 종류가 매우 많은 예외 상황이라고 부른다.

예를 들어 공사 인부가 손짓으로 신호등과 다른 지시를 하거나, 앞차가 고장 나 차선을 반쯤 막고 있거나, 자전거가 주차 차량을 피해 갑자기 도로 안쪽으로 들어올 수 있다. 눈에 가려진 표지판, 비정상적으로 움직이는 긴급차량, 임시 차선도 문제다. 각각은 자주 일어나지 않지만 실제 도로에서는 끝없이 새로운 조합이 생긴다.

기존 자율주행 시스템은 물체를 찾는 기능, 움직임을 예측하는 기능, 경로를 계획하는 기능을 여러 부품처럼 나누어 구성해 왔다. 이 방식은 검증과 통제가 쉽다는 장점이 있지만, 예상하지 못한 상황의 전체 맥락을 이해하기 어렵다는 한계도 있다. Alpamayo는 장면을 설명하고 원인과 결과를 추론한 뒤 행동과 경로를 연결하는 하나의 큰 기반 모델로 이런 빈틈을 줄이겠다는 접근이다.

생활 속 비유로 보면 운전교습생이 “앞에 사람이 있다”는 사실만 인식하는 단계를 넘어 “공사 인부가 오른손으로 우리 차선에 정지를 지시하고, 반대 차선 차량을 먼저 보내고 있으므로 지금은 신호가 녹색이어도 기다려야 한다”고 설명하는 것에 가깝다. 설명이 가능하면 개발자는 모델이 어떤 단서를 보고 판단했는지 점검하기 쉬워진다.

그러나 설명이 그럴듯하다고 판단이 안전하다는 보장은 없다. AI가 실제 계산과 다른 사후 설명을 만들 수도 있고, 카메라에 보이지 않는 정보를 추측할 수도 있다. 따라서 언어 설명은 안전 검증을 돕는 자료이지 안전 인증 자체가 아니다.

큰 모델을 그대로 차에 넣는 것은 아니다

Alpamayo 2 Super는 주로 클라우드에서 자율주행 AI를 개발하기 위한 큰 ‘교사 모델’로 설명된다. 많은 계산이 필요한 대형 모델을 차량 안에서 그대로 실시간 실행하면 전력, 비용, 발열, 응답시간 문제가 생긴다. 자동차는 도로 상황에 몇 초 뒤가 아니라 즉시 반응해야 한다.

엔비디아가 제시한 흐름은 큰 모델이 클라우드에서 어려운 장면을 분석하고 고품질 설명과 가상 훈련 자료를 만든 뒤, 그 지식을 더 작고 빠른 차량용 모델에 옮기는 방식이다. 숙련된 교사가 수많은 사례를 정리해 학생용 문제집을 만들고, 학생은 시험장에서 그 문제집 전체가 아니라 배운 규칙을 활용하는 것과 비슷하다.

자동차 회사는 자사 차량이 수집한 데이터를 바탕으로 특정 지역과 차종에 맞는 파생 모델을 만들 수 있다. 한국의 복잡한 골목, 미국의 넓은 교차로, 유럽의 회전교차로처럼 지역마다 다른 도로 환경을 반영할 여지도 있다. 회사가 독점적으로 모은 주행 데이터를 외부 서비스에 매번 보내지 않고 자체 환경에서 다룰 수 있다는 점도 개방형 모델의 장점으로 제시된다.

하지만 데이터가 많다고 자동으로 안전해지는 것은 아니다. 주행 데이터에는 개인정보가 포함될 수 있고, 특정 도시·날씨·운전자 행동에 치우칠 수 있다. 큰 모델이 만든 가상 훈련자료에 오류가 있으면 작은 모델도 그 오류를 배울 수 있다. 교사 모델과 차량용 모델을 각각 검증해야 하는 이유다.

자동차 회사와 로보택시 업체에 달라지는 점

첫 번째 변화는 출발선이 낮아진다는 점이다. 지금까지 고성능 자율주행 기반 모델을 처음부터 만들려면 방대한 영상과 전문 인력, 계산 자원이 필요했다. 상업 이용 가능한 기반 모델이 공개되면 완성차 회사와 부품사, 스타트업은 공통 능력을 다시 만드는 대신 자사 차량과 서비스에 필요한 부분에 집중할 수 있다.

두 번째는 공급업체 선택권이다. 폐쇄형 서비스만 이용하면 모델 사용량과 가격, 업데이트 정책을 제공 업체에 크게 의존한다. 가중치를 확보하면 기업은 자체 시설이나 선택한 클라우드에서 모델을 조정하고 운영할 수 있다. 자율주행처럼 제품 수명이 길고 안전 책임이 큰 산업에서는 중요한 차이다.

세 번째는 생태계 확장이다. 자동차 회사, 카메라·센서 업체, 시뮬레이션 회사, 지도 업체가 같은 기반 모델을 중심으로 도구와 데이터를 만들 수 있다. 스마트폰 시장에서 공통 운영체제와 개발 도구가 여러 제조사의 앱 생태계를 키운 것과 비슷한 효과를 기대할 수 있다.

반면 책임 소재는 더 복잡해질 수 있다. 엔비디아 모델을 자동차 회사가 수정하고, 부품사가 차량용으로 줄이고, 로보택시 운영사가 추가 규칙을 얹었을 때 사고가 나면 어느 단계의 문제가 원인인지 밝혀야 한다. 개방형 모델은 수정 자유를 주지만 최종 제품의 안전 책임까지 원 제작사로 돌려주는 면허가 아니다.

벤치마크 1위 주장을 어떻게 봐야 하나

엔비디아는 Alpamayo 2 Super가 자율주행 장면 이해를 평가하는 LingoQA에서 약 40개 모델 가운데 1위를 기록했고, 자사가 평가한 여러 자율주행 벤치마크에서도 가장 높은 성능을 보였다고 밝혔다. 다른 범용 시각언어 모델과 비교한 점수 차이도 공개했다.

이 결과는 모델이 도로 장면을 설명하고 질문에 답하는 능력이 발전했다는 근거가 될 수 있다. 그러나 회사가 선택한 시험과 평가 방식에 따른 자체 결과라는 점을 분리해서 봐야 한다. 벤치마크 질문에 답하는 능력, 시뮬레이션에서 경로를 예측하는 능력, 실제 차량이 수백만 킬로미터를 안전하게 달리는 능력은 같은 것이 아니다.

자율주행의 안전은 평균 점수보다 실패의 종류가 중요하다. 99번 평범하게 잘 달려도 한 번 보행자를 놓치면 심각한 결과가 생긴다. 비, 눈, 역광, 카메라 오염, 공사구간, 지역별 표지 차이에서 성능이 어떻게 변하는지 봐야 한다. 다른 연구기관과 자동차 회사가 동일한 조건에서 결과를 재현하는지도 중요하다.

따라서 “기존 모델보다 몇 점 높다”는 발표를 “로보택시 사고가 줄었다”로 번역하면 안 된다. 실제 도로 안전에 관한 결론은 독립 시험, 규제기관 자료, 운행 거리와 개입·사고 기록이 쌓인 뒤에 내려야 한다.

일반 이용자가 곧 체감할 변화와 아닌 것

이번 공개로 다음 달 개인 차량이 갑자기 완전 자율주행차로 바뀌지는 않는다. 소비자가 직접 Alpamayo를 설치해 자동차를 개조하는 제품도 아니다. 체감 변화는 먼저 기업 개발 속도와 경쟁 구도에서 나타날 가능성이 크다.

로보택시 업체는 드문 상황을 분석할 공통 기반을 얻고, 완성차 회사는 자사 주행보조 기능을 개발할 때 활용 가능한 선택지가 늘어난다. 경쟁이 커지면 특정 기업만 보유하던 기능이 더 많은 차종과 지역으로 확산될 수 있다. 반대로 검증되지 않은 파생 모델이 서둘러 상용화되면 안전 격차가 커질 위험도 있다.

소비자가 볼 지표는 화려한 AI 이름이 아니라 실제 서비스 조건이다. 어느 도시와 도로에서 운행하는지, 운전자가 계속 주의를 기울여야 하는지, 악천후에 기능이 제한되는지, 사고가 났을 때 제조사와 운전자의 책임이 어떻게 나뉘는지 확인해야 한다. ‘AI가 판단 이유를 설명한다’는 홍보도 사고 조사에서 재현 가능한 기록으로 남는지 살펴야 한다.

개방형 AI가 안전에 유리한가

찬성 측은 모델을 더 많은 연구자와 기업이 살펴보면 오류를 빨리 찾고 지역별로 개선할 수 있다고 주장한다. 폐쇄형 시스템보다 한 회사에 덜 의존하고, 자동차 업체가 자체 데이터와 안전정책을 통제할 수 있다는 장점도 있다.

반대쪽 우려는 모델이 공개되면 역량은 빠르게 퍼지지만 모든 사용자가 같은 수준의 안전검증을 하지 않는다는 점이다. 자율주행은 챗봇과 달리 오답이 물리적 사고로 이어질 수 있다. 상업 이용 허용은 기술 접근 장벽을 낮출 뿐 도로 운행 허가와 제품 안전기준을 없애지 않는다.

결국 개방 여부만으로 안전을 판단할 수 없다. 모델이 어떤 데이터로 평가됐는지, 수정 이력이 추적되는지, 차량에 들어간 작은 모델이 원래 성능을 유지하는지, 위험 상황에서 기존 안전장치가 개입하는지가 더 중요하다. 독립기관이 검사할 수 있는 자료와 사고 보고 체계도 필요하다.

앞으로 볼 변화

이번 발표에서 확정된 것은 Alpamayo 2 Super와 기존 계열의 상업 이용 길이 열렸다는 사실이다. 확정되지 않은 것은 이 모델을 사용한 로보택시가 어느 도시에서 언제 운행을 시작할지, 실제 사고율이 얼마나 줄어들지다.

앞으로 확인할 첫 번째 지점은 어떤 완성차·로보택시 기업이 모델 채택을 공식 발표하는가다. 두 번째는 엔비디아의 벤치마크를 외부 기관이 재현하는가다. 세 번째는 큰 클라우드 모델에서 작은 차량용 모델로 지식을 옮겼을 때 어려운 상황의 판단력이 얼마나 유지되는가다.

일반 이용자가 기억할 핵심은 ‘자율주행 두뇌가 완성됐다’가 아니다. 자율주행 AI를 처음부터 만들지 않아도 되는 공통 기반이 상업 시장에 풀렸고, 이제 자동차 회사들의 경쟁은 모델 보유 여부에서 누가 더 안전하게 고치고 검증해 실제 도로에 적용하느냐로 옮겨갈 가능성이 커졌다는 점이다.