현대차 자율주행 관련해서 포티투닷 먹튀사건으로 크게 관심을 두고있지 않았는데, 최근 NVIDIA Alpamayo 비하인드 스토리를 파다보니 현대차 자율주행에 관해 새로운 관점이 생겨 이렇게 글로 정리해본다.
전반적인 자율주행 발전과정 역사는 유튜버 김한용 mocar님의 아래 영상이 도움이 많이됐다.
https://www.youtube.com/watch?v=-_lk4kxrJ3Q
테슬라, 엔비디아, 현대차
2016년 사고에서 2026년 Alpamayo까지, 자율주행 10년의 이야기
2016년, 테슬라 오토파일럿 사고와 함께 자율주행 논쟁이 본격적으로 시작되었다.
2026년, 엔비디아는 CES에서 **추론 기반 자율주행 모델 ‘Alpamayo’**를 공개했다.(NVIDIA Blog Korea)
불과 10년 남짓한 시간 동안 자율주행은 완전히 다른 게임이 되었다.
이 10년을 관통하는 축은 세 가지이다.
모듈러·룰베이스 vs End-to-End(E2E), 두 개의 기술 노선
테슬라와 엔비디아의 결별, 그리고 서로 다른 진화
그 빈 자리를 향해 들어오는 메르세데스·현대차 등 OEM들의 선택
아래는 그 흐름을 하나의 서사로 엮어 본 것이다.
1. 두 개의 길: 모듈러 vs E2E
1) 모듈러·룰베이스: “규칙을 쌓는 자율주행”
전통적인 자율주행 시스템은 네 단계로 쪼개진다.
인지(Perception): 센서로 차·보행자·신호등·차선을 인식
예측(Prediction): 앞차·보행자가 어떻게 움직일지 예상
계획(Planning): 어느 경로로, 어느 속도로 갈지 결정
제어(Control): 실제 조향·가감속 제어
각 단계에 사람이 만든 If–Then 규칙이 수만 개씩 들어간다.
앞차와 거리가 X 이하면 감속
신호등이 꺼져 있으면 정지
보행자 보호구역은 지정 속도 이하로 주행
장애물로 분류되면 회피
초기에 기능을 구현하기에는 매우 효율적이다.
무엇을 왜 그렇게 설계했는지 설명이 쉽다는 점도 강점이다.
그러나 현실 도로는 **롱테일(long tail)**로 가득하다.
공사로 신호등이 꺼진 사거리
바람에 날리는 비닐봉지와 사람 실루엣이 겹치는 상황
이상한 궤적을 그리는 전동 킥보드
교과서에 없는 예외적인 차선·표지·행동들
이 모든 것을 규칙으로 먼저 정의하려 하면
규칙 수와 복잡도가 폭발하고, 결국 **“모르면 일단 멈추는 차”**가 되어 버린다.
Waymo를 비롯한 레벨4 로보택시 서비스가 특정 도시·특정 구역으로 운영을 제한하는 이유가 여기에 있다.
2) E2E·신경망: “규칙 대신 학습에 거는 방식”
반대편에는 End-to-End(E2E) 자율주행이 있다.
카메라·센서 데이터 → 신경망(뉴럴넷) → 곧바로 조향·가감속 명령
중간에 “차선 검출·경로 계획” 모듈을 사람이 쪼개 설계하지 않는다.
운전 전체를 하나의 거대한 학습 문제로 본다.
2016년, 엔비디아 연구진은 단일 카메라 입력에서 조향각을 직접 예측하는 E2E 논문을 발표했다.
“픽셀 입력만으로 차선을 이해하고 조향을 배운다”는 이 접근은
당시 기준으로는 상당히 급진적인 발상이었다.(TeslaTap)
이 아이디어 위에서,
테슬라는 실제 양산차 데이터로 E2E를 현실화하는 쪽,
엔비디아는 ‘여러 완성차에 팔 수 있는 플랫폼’으로 E2E를 제품화하는 쪽으로 갈라지게 된다.
2. 테슬라와 엔비디아, 함께 달리다가 갈라선 이유
1) Mobileye → 엔비디아: E2E로 향하는 첫 분기점
2014년 이후 Autopilot HW1은 Mobileye EyeQ 기반으로 작동했다.
2016년 플로리다 트레일러 사고 이후 Mobileye와 테슬라는 결별했고,
2016년 10월부터 생산된 HW2 차량에는 엔비디아 Drive PX2가 탑재되었다.(위키피디아)
이 시기 엔비디아의 역할은 명확했다.
차 안에서 E2E 자율주행을 돌릴 수 있게 해 주는 고성능 온보드 컴퓨터 공급자
동시에, 자율주행 E2E 연구를 선도하는 칩·플랫폼 회사
즉, 테슬라와 엔비디아는
“카메라+신경망 기반 자율주행”이라는 새로운 길 위에 함께 올라탔던 상태였다.
2) HW3 FSD 칩: 테슬라가 느낀 한계 – “이제 범용 GPU로는 부족하다”
시간이 지나면서 테슬라 내부에서 문제가 뚜렷해졌다.
2018년 기준, 테슬라 AI 팀은 이미 매우 큰 뉴럴넷을 학습해 두었지만,
HW2/2.5(엔비디아 기반)로는 차량에서 실시간 실행이 어려웠다.(위키피디아)이를 해결하기 위해 설계된 것이 2019년 공급된 **자체 설계 FSD 칩(HW3)**이다.
HW2.5 대비 약 21배의 이미지 처리 성능, 2.5배 성능, 0.2배 비용을 지향하는 구조로 설계되었다.(위키피디아)
이 지점에서 테슬라와 엔비디아의 이해관계가 갈라진다.
테슬라 입장에서의 문제의식은 네 가지로 정리된다.
성능
비전 기반 FSD를 제대로 돌리려면,
범용 GPU보다 자기 뉴럴넷에 최적화된 전용 칩이 필요하다고 판단했다.
전력
전기차 배터리에서 전력을 뽑는 구조에서,
GPU의 전력 소모는 곧 주행거리·열·원가 문제와 직결된다.
원가
테슬라는 양산차에 FSD를 넓게 깔고 싶다.
칩 단가를 줄이지 못하면, 자율주행을 “프리미엄 옵션” 이상으로 확대하기 어렵다.
전략적 통제력
자율주행은 테슬라 밸류에이션의 핵심이다.
이 핵심을 외부 칩 공급사(동시에 경쟁 OEM의 파트너이기도 한 회사)에 맡기는 것은
장기적으로 전략 리스크가 된다.
결론적으로, 테슬라 내부에서는
“더 강력한 뉴럴넷, 더 낮은 전력과 원가, 완전한 통제력”을 확보하기 위해
범용 엔비디아 플랫폼이 아니라 자체 설계 FSD 칩으로 가야 한다는 공감대가 형성되었다고 볼 수 있다.
이 선택이 바로 **HW3(테슬라 FSD 칩)**이며,
이때부터 테슬라는 칩–FSD 소프트웨어–플릿 데이터–학습 인프라까지 모두 수직 통합된 구조로 이동한다.
3) 결별의 실질적 의미: “테슬라는 자기 길로, 엔비디아는 멀티 OEM으로”
이렇게 되면 협업 구조는 자연스럽게 바뀐다.
테슬라는
더 이상 차 안에서 엔비디아 GPU/SoC를 쓸 필요가 없다.
FSD 소프트웨어도 이미 자체 내재화되어 있어,
엔비디아에 의존할 유인이 거의 사라진다.
엔비디아는
테슬라는 자체 칩·자체 스택으로 가는 고객이 되었고,
이후 전략의 중심을 **“다수 OEM에 팔 수 있는 자율주행 플랫폼”**으로 옮기게 된다.
정리하면, 결별의 핵심 이유는 감정적 갈등이 아니라 사업모델의 분기이다.
테슬라: 한 회사의 수직 통합형 FSD 스택
엔비디아: 다수 완성차에 공급하는 범용 자율주행 플랫폼
이 갈라짐이 수년 뒤 Alpamayo와 다양한 OEM 협업으로 구체화된다.
3. 엔비디아 Alpamayo: “설명 가능한 E2E”로 방향 전환
1) Alpamayo의 정체: 추론·설명·플랫폼
2026년 CES, 엔비디아는 **‘Alpamayo’**라는 이름의 자율주행용 AI 제품군을 공개했다.
오픈 AI 모델
시뮬레이션 도구
데이터셋
으로 구성된 레벨4 자율주행 개발 패키지라는 점을 앞세운다.(NVIDIA)
Alpamayo의 특징은 세 가지로 요약된다.
추론(Reasoning)
단순 패턴 매칭이 아니라,
“왜 이런 행동을 선택했는지” 내부적으로 논리 구조를 쌓는 것을 지향한다.
설명 가능성(Explainability)
규제·보험·사고 조사 환경에서
“어떤 인식·판단 때문에 회피/감속/정지를 했는지”를 설명할 수 있어야 한다는 요구에 대응한다.
멀티 OEM 플랫폼
특정 한 회사 전용이 아니라,
메르세데스-벤츠, 현대차, 기타 OEM들이 공통으로 쓸 수 있는 레퍼런스 스택이다.(NVIDIA Blog)
테슬라가 “내 차 하나만 잘 돌아가면 된다”는 폐쇄형 수직 통합이라면,
엔비디아는 “여러 OEM을 한 번에 묶는 개방형 E2E+Reasoning 플랫폼”을 선택한 셈이다.
2) Mercedes CLA: Alpamayo의 첫 무대
엔비디아는 신형 메르세데스-벤츠 CLA에
NVIDIA DRIVE AV 소프트웨어 + Alpamayo 기반 추론 기능을 탑재해
미국 시장에서 향상된 레벨2 포인트-투-포인트 운전자 보조 기능을 선보일 계획을 밝혔다.(NVIDIA Blog)
이는 두 가지를 의미한다.
Alpamayo가 개념 증명(논문·데모) 수준을 넘어
실제 양산차에 올라가는 첫 쇼케이스로 등장했다는 점테슬라 이후 자율주행 분야에서의 “대표 고객” 자리를
메르세데스·현대차 등 여러 OEM으로 분산시키겠다는 전략이라는 점
다음 질문은 자연스럽게 이어진다.
왜 그 다음 타깃이 현대차인가.
4. 현대차 × 엔비디아: Tesla 공백 위에 올라탄 ‘물리 AI’ 동맹
1) 엔비디아의 필요: 데이터·플릿·하드웨어 파트너
테슬라와의 결별 이후, 엔비디아가 확보해야 할 것은 명확하다.
실도로 데이터와 대규모 플릿
Alpamayo·DRIVE AV를 고도화하려면
실제 도로에서 달리는 수십만·수백만 대의 차량 데이터가 필요하다.
AI 칩을 대량으로 태워 줄 완성차 그룹
Blackwell·Rubin 같은 최신 GPU/SoC와,
Alpamayo 모델·AI 팩토리 인프라를 함께 깔 수 있는 거대 제조 파트너가 필요하다.(NVIDIA)
테슬라가 **“모든 걸 자체적으로 가져간 고객”**이 되어 버린 순간,
엔비디아 입장에서는 자연스럽게 **“다른 OEM들과의 깊은 동맹”**으로 전략축이 이동한다.
2) 현대차의 필요: 후발주자의 현실적인 단축 코스
현대차그룹은 최근 몇 년간
자율주행·로봇·스마트 팩토리·휴머노이드 로봇(보스턴 다이내믹스) 등
소위 “물리 AI(Physical AI)” 영역에 공격적인 투자를 이어가고 있다.(Hyundai)
2025년 발표된 NVIDIA Blackwell 기반 ‘AI Factory’ 협업의 골자는 다음과 같다.
차량 내 AI·자율주행
공장 자동화·디지털 트윈
로봇·휴머노이드
를 하나의 AI 인프라로 통합한다는 구상이다. (Hyundai–NVIDIA AI Factory 공지) (Hyundai)
현대차 입장에서 보면 다음과 같은 현실적 제약이 존재한다.
테슬라처럼
전용 FSD 칩을 설계하고,
자체 슈퍼컴퓨터를 꾸리고,
글로벌 플릿 전체를 하나의 스택으로 통제하는 구조를
처음부터 끝까지 자체 개발하기에는 시간·비용·리스크가 매우 크다.
따라서 보다 현실적인 선택은 다음과 같다.
칩·모델·AI 팩토리 인프라는 엔비디아의 것을 활용하고,
차량·로봇·공장이라는 물리적 자산과 데이터를 현대차가 제공하는 구조로
양측이 부족한 부분을 채워주는 동맹을 맺는 것.
결국,
엔비디아는 “Tesla 공백”을 메워 줄 새로운 거대 OEM이 필요하고,
현대차는 **“자율주행·로봇·공장을 한 번에 끌어올릴 수 있는 AI 파트너”**가 필요하다.
양측의 니즈가 맞물린 지점이 바로 Alpamayo + AI Factory + 현대차그룹 구조이다.
5. 숫자로 보는 잠재력 (가정 시나리오)
아래 내용은 정량적 가정 시나리오이다.
구조적 잠재력을 감각적으로 보기 위한 예시 수준으로 이해할 필요가 있다.
EV 규모 가정
현대차그룹(현대·기아·제네시스 등)의 전기차 보급이
연간 50만 대 수준까지 성장한다고 가정한다.
자율주행 SW 요금 가정
엔비디아 Alpamayo 계열 고급 자율주행 패키지 가격을
대당 1,000만 원(일시불 혹은 구독 NPV)으로 놓는다.
매출 잠재력
50만 대 × 1,000만 원 = 연 5조 원의 잠재 매출.
수수료 구조 가정
엔비디아가 칩·SW·클라우드 인프라 대가로 **30%**를 가져가고,
현대차가 70%, 즉 3.5조 원을 가져가는 구조로 가정한다.
밸류에이션 감각치
이 3.5조 원이 소프트웨어 성격의 고마진 매출로 평가되고,
시장이 여기에 PER 15배를 적용한다면,
이론상 약 52.5조 원 시가총액 상향 여지라는 숫자가 나온다.
현실에서는
자율주행 기능의 실제 탑재율,
국가별 규제와 허용 레벨,
보험·책임 구조,
엔비디아와의 실제 계약(칩·클라우드 번들 여부)
등에 따라 숫자가 크게 달라질 수밖에 없다.
다만 방향성은 분명하다.
자율주행이 단순 옵션이 아니라
**“전기차 위에 올라타는 소프트웨어 구독 비즈니스”**로 자리 잡을 경우,
EV 판매대수 × 탑재율 × ARPU(대당 구독료)가
완성차와 엔비디아 양쪽의 밸류에이션 핵심 동력이 될 수 있다.
6. 결론: 기술의 승부가 아니라, 설계 철학의 승부
2016~2026년 자율주행 10년사는 다음 네 문장으로 정리된다.
모듈러·룰베이스 방식은 롱테일에서 벽에 부딪혔다.
E2E·신경망 방식이 그 벽을 우회하는 해답으로 부상했다.
테슬라는 자체 칩·자체 FSD·플릿 데이터 수직 통합으로 E2E를 밀어붙였고,
엔비디아는 Alpamayo·DRIVE AV·AI Factory로 다수 OEM을 묶는 플랫폼을 선택했다.(위키피디아)그 플랫폼 위에 메르세데스, 현대차, 기타 OEM이 올라타면서
자율주행 경쟁의 판은 “한 회사 vs 나머지”가 아니라
**“수직 통합 플레이어 vs 플랫폼 연합” 구도로 재편되고 있다.
이제 자율주행 경쟁은 단순한 센서 개수나 칩 성능의 싸움이 아니다.
어떤 철학으로 시스템을 설계하고,
어떤 구조로 데이터를 모으고,
어떤 방식으로 비즈니스 모델을 짜느냐가
앞으로 10년을 다시 가르게 될 가능성이 높다.
#글을 마치며
일시불로 약 $900에 판매되는 FSD 옵션은 현실적으로 가격부담이 높을거라고 한다.
따라서 필요할 때만 일정 기간 구독하는 월 구독형 FSD 모델이
실제 대중 보급 단계에서는 더 현실적인 경로가 될 것이라고 한다.
앞서 이야기했던 **체감 행복의 법칙(한계효용 체감)**을 적용해 보면,
FSD가 없는 세상에서 FSD를 처음 경험할 때의 효용은 압도적으로 크다.
한 번 그 수준의 편의와 안전을 경험한 운전자는
다시 FSD가 없는 세계로 돌아가는 것을 심리적으로 받아들이기 어려운 상태에 이르게 될지도 모르겠다.
자율주행 시장은 초기에 가격 부담 때문에 보급 속도가 더딜 수 있다.
하지만 FSD를 한 번 경험하면 편의와 안전이 ‘기본값’으로 인식되기 쉽다.
그 결과 일정 시점 이후 자율주행은 선택 옵션이 아니라, 스마트폰 데이터 요금제처럼 사실상 기본으로 붙는 구독 서비스로 자리 잡을 가능성이 있다.
투자자 관점에서도 현대차를 ‘자율주행 기술’만 놓고 보면 매력 포인트가 흐릿해 보일 수 있다.
그러나 시야를 넓혀 공장·로봇·디지털 트윈까지 포함한 **학습을 만들어내는 물리적 기반(Physical AI 인프라)**으로 보면 이야기가 달라진다.
이 관점에서는 현대차가 단순한 후발주자가 아니라, 엔비디아 같은 플랫폼 기업에게 반드시 필요한 데이터·현장·양산 파트너로 재해석될 수도 있지 않나 싶다.
문득 6년 전에 정리해둔 NVIDIA 글을 다시 읽어봤다.
NVIDIA-1
NVIDIA-2
NVIDIA-3
=끝
댓글 없음:
댓글 쓰기