자율주행차가 "왜 그렇게 판단했는지" 말하기 시작했다 — 엔비디아 알파마요 2 수퍼 상용 개방의 의미

지난 8월 4일 엔비디아는 자율주행용 AI 모델 '알파마요 2 수퍼(Alpamayo 2 Super)'를 상업적으로 쓸 수 있도록 개방했다. 5월 말 처음 공개된 이 모델의 가중치가 이번에 허깅페이스에 리눅스재단의 개방 라이선스 'OpenMDW-1.1'로 올라갔는데, 미세조정과 파생 모델 제작, 상업적 재배포까지 모두 허용하는 조건이다. 340억 개 파라미터를 가진 이 모델이 특별한 이유는 크기가 아니라 하는 일에 있다. 기존 자율주행 시스템이 "다음 3초 동안 어디로 갈지"라는 궤적만 뱉어냈다면, 알파마요는 그렇게 판단한 이유까지 함께 내놓는다. 젠슨 황 엔비디아 CEO는 이를 두고 "알파마요는 자동차가 단순히 운전하는 것을 넘어 안전하게 추론하기 시작하는 순간"이라고 표현했다.

이 차이가 왜 중요한지 이해하려면 지금까지 자율주행 AI가 어떻게 만들어져 왔는지를 봐야 한다. 주류 방식은 '모방 학습'이라 불리는 접근으로, 사람이 운전한 방대한 주행 데이터를 보여주고 "이 상황에서는 이렇게 움직였다"를 통째로 흉내 내게 하는 것이다. 이 방식은 흔한 상황에서는 놀랄 만큼 잘 작동한다. 문제는 드물게 나타나는 상황, 이른바 '롱테일'이다. 도로에 갑자기 매트리스가 떨어져 있거나, 공사 인부가 손짓으로 역주행을 유도하거나, 앞차가 이해할 수 없는 방식으로 멈춰 선 경우에 모방 학습 모델은 학습 데이터에 비슷한 사례가 없어 헤맨다. 더 큰 문제는 왜 그렇게 움직였는지 개발자도 설명하지 못한다는 것이다. 사고가 나도 원인을 짚어낼 수 없으면 고칠 수도, 규제 당국을 설득할 수도 없다.

알파마요 2 수퍼는 이 지점을 겨냥해 설계됐다. 엔비디아의 코스모스(Cosmos) 세계 기반 모델 위에 만들어진 이 모델은 카메라 영상을 보고 언어로 상황을 이해한 뒤 행동을 결정하는 '비전-언어-행동(VLA)' 구조를 쓴다. 이전 세대인 알파마요 1 나노는 100억 개 파라미터였는데 이번에 3.4배로 몸집을 키웠고, 앞쪽만 보던 카메라 인식을 전후좌우 360도로 확장했다. 여기에 '메타 액션'이라는 출력이 새로 추가됐다. 양보, 차선 변경, 정지 같은 상위 수준의 결정을 궤적과 별도로 내놓는 것인데, 이렇게 하면 뒤에 붙는 경로 계획 모듈이 "이 차가 지금 양보하려는 중"이라는 의도를 명확히 알고 움직일 수 있다. 그리고 무엇보다 '인과 사슬(chain-of-causation)' 추적을 함께 출력한다. "앞 차량이 감속 → 우측 차선에 자전거 존재 → 추월 대신 감속 유지" 같은 식으로 판단의 근거를 언어로 남기는 것이다.

성능 수치도 함께 공개됐다. 자율주행 추론 능력을 평가하는 LingoQA 벤치마크에서 알파마요 2 수퍼는 약 40개 모델 중 1위를 기록했다. 엔비디아 자체 측정에서 Lingo-Judge 지표 기준으로 알리바바의 Qwen2.5-VL 72B보다 17.0점, 구글 제미나이 2.5 프로보다 15.1점, GPT-4o보다 23.2점 앞섰다. 파라미터 수가 72B 모델의 절반도 안 되는 34B로 이런 결과를 낸 것은 범용 대형 모델이 아니라 주행 데이터로 특화 학습한 효과로 볼 수 있다. 다만 이 수치들이 엔비디아 자체 테스트라는 점, 그리고 벤치마크에서의 추론 능력이 실제 도로에서의 안전성과 곧바로 같지 않다는 점은 감안해야 한다.

함께 공개된 도구들도 눈여겨볼 만하다. '알파짐(AlpaGym)'은 시뮬레이션 안에서 강화학습을 돌리는 오픈소스 프레임워크다. 기존 학습 방식이 녹화된 데이터를 보며 한 번의 판단만 채점하는 방식이었다면, 알파짐은 브레이크를 밟고 핸들을 꺾는 매 선택이 다음 상황을 바꾸는 연속적인 순환 속에서 모델을 훈련시킨다. 이렇게 하면 작은 오차가 눈덩이처럼 불어나 사고로 이어지는 패턴을 미리 잡아낼 수 있다. '코스모스-드림스(Cosmos-Dreams)'는 실제로는 거의 마주치기 힘든 위험 상황을 사실적인 영상으로 만들어내는 생성 모델이고, 여기에 실제 주행 데이터를 3D 장면으로 복원하는 뉴럴 리컨스트럭션 기능이 더해진다. 실제 도로에서 몇 년을 달려야 한 번 만날까 말까 한 상황을 시뮬레이션 안에서 반복해 겪게 하겠다는 발상이다. 인과 사슬 라벨을 사람 손 없이 자동으로 붙여주는 파이프라인도 깃허브에 오픈소스로 공개됐는데, 엔비디아는 이 덕분에 주행 데이터 라벨링 작업이 몇 달에서 며칠로 줄어든다고 설명했다.

엔비디아가 이 모든 것을 개방하는 이유는 자선사업이 아니다. 알파마요는 '교사 모델'로 설계돼 있어서, 34B짜리 큰 모델이 만들어낸 고품질 판단을 차량 안에 들어가는 작은 모델에 증류해 넣는 구조다. 그리고 그 작은 모델이 돌아가는 곳은 엔비디아의 드라이브 AGX 토르 칩이다. 모델을 무료로 열어 생태계를 키우고 하드웨어에서 수익을 거두는, 엔비디아가 CUDA로 성공시킨 전략의 반복인 셈이다. 실제로 알파마요는 출시 이후 40만 회 가까이 다운로드됐고, 지금은 허깅페이스에서 가장 많이 쓰이는 자율주행 오픈 추론 모델 자리에 올라 있다.

이번 상용 개방이 자율주행 업계에 남기는 질문은 결국 하나다. 각 회사가 처음부터 자기 힘으로 자율주행 스택을 쌓아 올리던 시대가 끝나가고 있는가 하는 것이다. 테슬라처럼 자체 데이터와 칩과 모델을 전부 수직계열화한 회사가 한쪽 끝에 있다면, 반대편에는 엔비디아가 깔아놓은 공용 기반 위에서 자기 데이터로 미세조정만 하는 회사들이 늘어나고 있다. 어느 쪽이 더 빨리 안전한 레벨4에 도달할지는 아직 결론이 나지 않았다. 다만 '차가 왜 그렇게 판단했는지 설명할 수 있는가'라는 요구는 이제 선택이 아니라 규제와 신뢰의 전제 조건이 되어 가고 있고, 이번 발표는 그 요구에 산업이 어떻게 답하려 하는지를 보여주는 한 사례다.