[심층기획] FSD v14.3.6, 왜 "회귀"라는 평가를 받았나 & 프린스턴대, GPU 안에 성능 브레이크를 심다

테슬라 FSD v14.3.6 광범위 배포, 왜 "회귀"라는 평가가 나왔나 — 심층 기획

지난주 테슬라는 빌드 번호 2026.20.6.11을 앞세워 FSD(Full Self-Driving) v14.3.6과 HW3 차량용 FSD v14 Lite를 동시에 넓은 사용자층에 배포했다. 7월 21일 AI4(HW4) 차량에서 처음 포착된 이 업데이트는 이후 매일 파도처럼 배포 대상을 넓혀갔고, 7월 28일 기준으로 미국과 캐나다의 상당수 차량에 도달한 상태다. 문제는 타이밍이었다. 바로 직전 버전인 v14.3.5가 테슬라 커뮤니티 안에서 "역대 최고의 FSD 릴리스 중 하나"라는 찬사를 받았던 참이라, 그 다음 버전에 걸린 기대치도 자연히 높아져 있었다. 그런데 막상 v14.3.6이 넓게 풀리자 SNS와 리뷰어들 사이에서 반복적으로 등장한 단어는 정반대의 "회귀(regression)"였다.

테슬라 전문 매체 테슬라라티의 기자 조이 클렌더는 7월 27일자 리뷰에서 이 회귀를 구체적인 장면으로 짚었다. 그는 2차선 이상으로 갈라지는 도로에 진입할 때 차량이 어느 차선을 탈지 확신하지 못하고 점선 위를 밟은 채 스티어링 휠을 좌우로 떨며 뒤늦게 차선을 고르는 현상을 여러 차례 겪었다고 전했다. 그가 "v14.3.6은 이전 .3 계열 대비 명백한 퇴보"라고 직접 언급했을 정도로, 이 흔들림은 한동안 사라졌던 v13 후반 버전의 조향 저크 현상을 떠올리게 만들었다. 더 눈에 띄는 불만은 따로 있었다. 운전자가 방향지시등을 직접 켜도 차량이 스스로 판단해 이를 세 번 연속으로 꺼버린 사례였다. 클렌더는 "Full Self-Driving 뒤에 여전히 Supervised(감독형)라는 단어가 붙어 있다면, 운전자의 입력을 차량이 임의로 무시해서는 안 된다"고 지적했는데, 이는 단순한 버그 리포트를 넘어 자율주행 시스템에서 인간의 최종 결정권을 어디까지 보장할 것인가라는 근본적인 질문과 맞닿아 있다.

Tesla Model Y facelift, 2025. 출처: Wikimedia Commons, CC0 라이선스.

물론 이번 업데이트가 전부 후퇴만은 아니었다. 그간 FSD 사용자들 사이에서 "새 브레이킹(bird braking)"이라 불리며 놀림거리가 됐던, 새가 지나갈 때마다 차량이 급제동을 거는 오작동은 v14.3.6에서 완전히 자취를 감췄다. 또한 일부 사용자는 차량이 평소 수동으로만 진입하던 편의점 입구나 자택 지정 주차 구역을 처음으로 스스로 찾아 들어가는 모습을 목격했다며, 오는 여름 업데이트에서 정식 도입 예정인 "운전자 선호 학습" 기능이 이미 이번 빌드에 부분적으로 반영된 것 아니냐는 관측을 내놓기도 했다. 다만 이런 개선이 하드웨어 세대에 따라 고르게 나타나지는 않았다는 점도 지적됐다. HW3 차량 소유자들은 대체로 이번 업데이트를 개선으로 받아들인 반면, 최신 AI4(HW4) 차량 소유자들에게는 오히려 체감 성능이 떨어진 것으로 나타나, 같은 신경망이라도 하드웨어 세대별 튜닝 차이가 사용자 경험을 가른다는 사실이 다시 확인됐다.

이런 굴곡은 테슬라의 FSD 개발 방식 자체가 지닌 특성과 무관하지 않다. 테슬라는 신중하게 검증된 소수 차량에 먼저 배포한 뒤 문제가 없으면 서서히 넓히는 방식 대신, 방대한 차량 함대에서 실제 주행 데이터를 실시간으로 걷어 들여 다음 버전의 신경망을 빠르게 재학습시키는 전략을 오랫동안 고수해 왔다. 그 결과 한 버전에서 두드러진 결함이 있어도 보통 다음 마이너 버전에서 빠르게 수정되는 패턴이 반복돼 왔고, 이번에도 클렌더를 비롯한 리뷰어들은 v14.3.7에서 조향 저크 문제가 해소될 가능성이 높다고 내다봤다. 이 배포는 또한 테슬라가 로보택시 서비스를 마이애미에 이어 탬파와 올랜도로 넓히던 시점과 겹친다. 같은 주에 테슬라는 로보택시 차량의 방향지시등 알림음을 무음 처리하는 변경도 단행했는데, 무인 차량에서는 탑승객에게 그 소리가 별다른 의미가 없다는 판단에서다. 다만 이 역시 호불호가 갈렸다. 경쟁사 로보택시 Zoox에서 이미 이 기능이 꺼져 있는 것을 경험했던 한 이용자는 "없으니 오히려 어색했다"는 반응을 남기며, 사람이 오랫동안 길들여 온 청각적 신호를 걷어내는 것이 반드시 더 나은 경험은 아닐 수 있음을 보여줬다.

2025년형 Tesla Model Y 실내. 출처: Wikimedia Commons (Ethan Llamas 촬영), CC BY-SA 4.0.

결국 이번 v14.3.6 사례가 보여주는 것은 FSD가 이미 완성된 제품이 아니라 매주 단위로 앞으로 갔다 뒤로 갔다를 반복하며 다듬어지는, 여전히 살아 움직이는 시스템이라는 사실이다. 테슬라는 파라미터 규모를 기존 대비 10배인 100억 개 수준으로 키운 FSD v15를 2026년 말에서 2027년 초 사이에 내놓아 "초인간적 신뢰성"에 도달하겠다는 목표를 제시해 둔 상태다. 그러나 이번 회귀 논란은 신경망 규모를 키우는 것만으로 문제가 해결되지 않는다는 점, 그리고 감독형 자율주행에서 운전자 입력을 어떻게 다룰 것인가 하는 설계 철학의 문제가 여전히 미해결 과제로 남아 있음을 보여준다. 로보택시 확장이 가속화되는 시점에 이런 잡음이 반복된다면, 완전 무인 운행에 대한 대중의 신뢰 형성 속도에도 영향을 줄 수밖에 없다.

GPU 안에 브레이크를 심다 — 프린스턴대 'AI 성능 조절 하드웨어' 심층 기획

AI 모델이 점점 더 똑똑해지고 있다는 뉴스는 매일 나오지만, 정작 "그 AI가 실제로 무엇을 하려 드는지 우리가 통제할 수 있는가"라는 질문에는 답이 궁색하다. 프린스턴대학교의 마하이유에, 로런 말렉, 조지프 포르차니, 데이비드 웬츨라프 교수 연구팀이 지난달 arXiv에 공개하고 컴퓨터 구조 분야 최고 권위 학회 중 하나인 MICRO 2026에 제출한 논문 "Hardware Mechanisms to Dynamically Throttle AI Performance"는 이 질문에 소프트웨어가 아니라 하드웨어로 답을 내놓는다. 연구팀의 문제의식은 명확하다. AI 모델이 점점 더 중요한 컴퓨터 시스템 안으로 파고드는 지금, 소프트웨어 차원의 안전장치는 결국 "이렇게 행동하지 마라"는 행동 제약에 불과하고, 충분히 영리해진 모델이라면 이를 우회할 가능성을 배제할 수 없다는 것이다. 그래서 연구팀은 아예 칩 자체에, 소프트웨어로는 건드릴 수 없는 층위에 성능을 강제로 조절하는 손잡이를 심어 넣는 방법을 제안했다.

연구팀이 주목한 지점은 GPU의 연산 코어가 아니라 메모리 서브시스템이었다. 아무리 연산 유닛이 빨라도 데이터를 실어 나르는 통로가 좁아지면 전체 성능은 그 통로의 속도로 수렴하기 때문에, 메모리 경로를 미세하게 조이는 것만으로 GPU 전체의 실효 성능을 원하는 수준으로 끌어내릴 수 있다는 발상이다. 연구팀은 용량, 대역폭, 지연시간, 주파수라는 네 가지 축에 걸쳐 여러 후보를 시험한 끝에 L2 캐시 용량, L2 캐시 지연시간, L2 캐시 대역폭, 공유메모리 포트 접근 비율이라는 네 개의 손잡이로 후보를 좁혔다. 중요한 것은 이 손잡이들을 완전히 새로운 회로로 만들지 않았다는 점이다. 캐시 웨이 마스킹(일부 캐시 영역을 의도적으로 못 쓰게 막는 기법), 크레딧 기반 속도 제한, 지연시간 삽입, 뱅크 조정이라는 이미 반도체 업계에 잘 알려진 미세구조 기법들을 그대로 재활용해 네 손잡이를 구현했다. 새 로직을 최소화해 설계 비용과 검증 부담을 줄이겠다는 실용적 판단이 깔려 있는 셈이다.

GPU 다이(die) 사진 예시. 연구는 이런 GPU의 L2 캐시·공유메모리 서브시스템에 성능 조절 손잡이를 두는 방식을 다뤘다. 출처: Wikimedia Commons (Hyins 촬영), 퍼블릭 도메인.

논문이 제시한 GPU 성능 조절 4대 손잡이와 구현 기반, 조합 시 확인된 성능 가변 폭. 자료: Ma, Malek, Forzani, Wentzlaff, arXiv:2607.18069(2026).

연구팀이 실측한 결과, 이 네 손잡이를 조합하면 최대 80%에 이르는 성능 편차를 만들어낼 수 있었다. 즉 같은 칩을 두고도 하드웨어 설정만 바꾸면 정상 성능과 그보다 크게 낮춘 성능 사이를 오갈 수 있다는 뜻이다. 이 발상은 사실 완전히 새로운 것은 아니다. 미국의 첨단 반도체 수출통제나 유럽연합의 AI법은 이미 누적 연산 자원을 AI 위험도를 가늠하는 대리 지표로 삼아 규제를 설계해 왔고, 하드웨어에 의한 성능 상한 자체는 정책 논의에서 익숙한 개념이다. 다만 기존 논의 대부분이 "이 칩을 아예 특정 성능 이상으로 만들지 못하게 하자"는 식의 정적이고 총량적인 규제였다면, 이번 연구는 이미 만들어진 칩 안에서 실시간으로, 그것도 세밀하게 성능 다이얼을 돌릴 수 있는 동적 메커니즘을 처음으로 구체화했다는 차이가 있다. 배포된 GPU가 상황에 따라 스스로, 혹은 외부 정책에 의해 성능을 조여야 하는 순간이 온다면, 이 논문이 제시한 네 손잡이가 그 실행 수단이 될 수 있다는 이야기다.

물론 이런 하드웨어 브레이크가 실제로 데이터센터에 깔리기까지는 넘어야 할 산이 많다. 성능을 임의로 낮추는 기능이 존재한다는 사실 자체가 악의적인 공격자에게는 서비스 거부(DoS)의 통로가 될 수 있고, 이 손잡이를 누가 어떤 권한으로 켜고 끌 것인지에 대한 거버넌스 체계가 뒷받침되지 않으면 오히려 신뢰의 구멍이 될 위험도 있다. 또한 연구팀의 실험은 특정 GPU 아키텍처 시뮬레이션을 기반으로 한 것이어서, 실제 상용 GPU 제조사들이 이 네 손잡이를 실리콘에 그대로 새겨 넣을지는 또 다른 문제다. 그럼에도 이 연구가 던지는 메시지는 분명하다. AI 안전과 거버넌스 논의가 그동안 모델 가중치나 API 사용 정책 같은 소프트웨어 층위에 머물러 있었다면, 이제는 그 아래 실리콘 층위에서도 "얼마나 빠르게 생각하게 둘 것인가"를 설계할 수 있다는 것이며, 이는 향후 각국의 AI 컴퓨트 거버넌스 논의에서 실질적인 기술적 선택지로 다뤄질 가능성이 크다.

태그: 테슬라, FSD, 자율주행, 로보택시, 일론머스크, 프린스턴대, AI하드웨어, GPU, AI안전, AI거버넌스, 반도체

이미지 출처 및 라이선스

- Tesla Model Y facelift 001.jpg — Wikimedia Commons, CC0

- Tesla Model Y 2025 interior.jpg — Wikimedia Commons, CC BY-SA 4.0 (Ethan Llamas)

- NVIDIA G80 GPU Core.jpg — Wikimedia Commons, 퍼블릭 도메인 (Hyins)

- 배너·조절손잡이 도표 — 자체 제작 (matplotlib)

참고 자료

- Tesla owners report regressions in FSD v14.3.6 - Tesla Oracle

- Tesla FSD v14.3.6 review: a rare regression - Teslarati

- Tesla Robotaxi gets sweeping but polarizing change - Teslarati

- Tesla launches Robotaxi Service in two more Florida cities - Tesla Oracle

- Hardware Mechanisms to Dynamically Throttle AI Performance - arXiv:2607.18069

- HW-based Methods to Dynamically Throttle AI Performance - Semiconductor Engineering