티스토리 뷰
목차
더 빨리 만들 수 있는데 일부러 늦춘 회사가 있다면, 그게 전략일까요, 변명일까요. 현대차그룹이 자체 자율주행 AI의 양산 시점을 2029년 하반기로 잡으면서 "기술이 없어서가 아니라 선택의 문제"라고 못 박았습니다. 이 발언을 처음 접했을 때 솔직히 반신반의했습니다. 그런데 전략의 맥락을 하나씩 뜯어보니 생각이 조금 달라졌습니다.
양산 전략: 빨리 내놓는 게 항상 이기는 게 아니다
"왜 이렇게 늦게 내놓느냐"는 질문을 먼저 뒤집어 볼 필요가 있습니다. 자동차 업계에서는 빠른 양산이 시장 선점과 동의어처럼 여겨지는 분위기가 있습니다. 하지만 제가 이번 발표 내용을 살펴보면서 느낀 것은, 속도와 완성도 사이의 선택이 꼭 명확하지 않다는 점이었습니다.
현대차·기아 사장이자 포티투닷 대표인 박민우 사장은 테슬라와 엔비디아에서 직접 경험한 실패 사례로 "눈앞의 것을 빨리하려다 인력이 소진되는 것"을 꼽았습니다. 이 발언이 제게는 꽤 인상적이었습니다. 보통 기업 발표에서는 "우리가 이렇게 잘 준비했다"는 이야기가 나오는데, 자신의 실패 경험을 전략의 근거로 제시한 것은 다른 결이었습니다.
현대차그룹의 양산 계획은 크게 두 단계로 나뉩니다. 2028년 상반기에는 엔비디아의 차량용 AI 컴퓨팅 플랫폼을 SDV(소프트웨어 중심 차량, Software-Defined Vehicle) 아키텍처에 통합해 레벨2+ 양산차를 먼저 내놓고, 같은 해 하반기에 레벨2++ 차량을 추가합니다. 여기서 SDV란 차량의 핵심 기능을 하드웨어가 아닌 소프트웨어로 정의하고, 무선 업데이트를 통해 기능을 지속적으로 개선할 수 있는 자동차 개념입니다. 그리고 2029년 하반기, 자체 개발 자율주행 AI인 아트리아 AI를 적용한 레벨2++ 차량이 나옵니다.
빠르게 출시할 수 있더라도 목표와 거리가 먼 "어정쩡한 레벨2++"를 내놓지 않겠다는 표현은, 들으면 당연한 말 같지만 실제로 실행하기는 쉽지 않습니다. 경쟁사들이 속속 기능을 발표하는 상황에서 일정을 전략적으로 늦춘다는 결정은 상당한 내부 압력을 이겨낸 결과일 것입니다. 이 전략이 옳다고 단정하기는 어렵지만, 적어도 일관된 논리는 있다고 봤습니다.
아트리아 AI: E2E와 VLA, 두 마리 토끼를 동시에
포티투닷과 현대차 AVP본부가 공동 개발 중인 자체 자율주행 시스템이 바로 아트리아 AI입니다. 이 시스템의 핵심은 E2E(End-to-End) 방식으로 설계되고 있다는 점입니다. E2E란 카메라 등 센서로 들어오는 입력 신호부터 핸들 조작, 가감속 같은 최종 행동까지 전 과정을 하나의 AI 모델이 통합적으로 학습하는 방식입니다. 기존에는 인지·판단·경로 계획·제어를 각각 별도 모듈로 나눠 설계하는 것이 일반적이었는데, E2E는 그 경계를 허물고 실제 주행 데이터에서 직접 운전 패턴을 학습합니다.
흥미로운 점은 현대차그룹이 E2E에만 올인하지 않는다는 것입니다. VLA(Vision-Language-Action)라는 기술도 병행 개발 중이라고 밝혔습니다. VLA란 시각 정보와 언어 기반 추론을 결합해 복잡한 상황을 이해하고 행동으로 연결하는 AI 접근 방식입니다. 쉽게 말해, 카메라가 보는 것과 "이 상황에서 어떻게 해야 하는가"에 대한 언어적 판단을 하나로 연결하는 구조입니다.
두 기술을 동시에 개발한다는 것에 대해 "선택을 못 한 것 아니냐"라고 보는 시각도 있습니다. 하지만 제 판단으로는 이게 오히려 현실적인 접근에 가깝습니다. E2E는 현재 완성도가 앞서 있고, VLA는 더 복잡한 상황 판단에서 장기적 강점을 가질 수 있습니다. 두 모델의 데이터와 기술 인프라, 차량 자원을 공유하면서 상황에 따라 선택하거나 조합하겠다는 구상은, 불확실한 기술 경쟁에서 리스크를 분산하는 방식으로 읽힙니다.
SAE(미국 자동차공학회) 기준으로 레벨2는 운전자가 주행 환경을 계속 감시해야 하는 부분 자동화 단계입니다(출처: SAE International). 레벨2+와 레벨2++는 이 기준을 넘어서는 고도화된 운전자 보조 기능을 가리키는 업계 표현으로, 공식 분류 명칭은 아닙니다. 따라서 레벨2++ 차량이라도 운전자가 도로 상황을 감시해야 하는 책임은 여전히 남아 있습니다.
- E2E(End-to-End): 센서 입력부터 최종 행동까지 단일 AI 모델이 통합 학습
- VLA(Vision-Language-Action): 시각 정보와 언어적 추론을 결합한 복합 판단 AI
- 두 모델의 데이터·인프라 공유 → 상황에 따라 선택·조합 가능한 구조
데이터 플라이휠: 결국 누가 더 많이, 더 잘 배우는가
이번 발표에서 제가 가장 오래 생각하게 된 부분은 데이터 플라이휠이라는 개념이었습니다. 데이터 플라이휠(Data Flywheel)이란 차량이 실제 도로에서 데이터를 수집하고, AI를 학습·검증한 뒤, 개선된 모델을 다시 차량에 배포하는 선순환 구조를 말합니다. 자전거 바퀴가 한 번 돌기 시작하면 관성으로 계속 도는 것처럼, 데이터가 쌓일수록 AI 성능이 높아지고 더 많은 사용자가 몰려 다시 데이터가 늘어나는 구조입니다.
현대차그룹은 현재 40여 대의 데이터 수집 전용 차량을 운영 중이며, 개발자들이 서울과 판교를 오가는 실제 출퇴근 과정에서 엣지 케이스를 직접 수집합니다. 엣지 케이스(Edge Case)란 AI가 평소에는 잘 처리하지만 특이하고 예외적인 상황에서 실수할 가능성이 높은 시나리오를 뜻합니다. 도로 공사 구간, 폭우, 급격한 차로 변경, 이면도로의 불법 주정차 차량 같은 상황들이 여기에 해당합니다.
더 나아가 하드 이그잼플 마이닝(Hard Example Mining)이라는 기법도 적용하고 있습니다. AI가 특히 어려워하는 상황을 자동으로 선별해 집중적으로 학습시키는 방식으로, 단순히 주행 거리를 늘리는 것과는 다른 접근입니다. 실제 주행 데이터를 3차원으로 재구성해 위험한 상황을 가상으로 반복 검증하는 방식도 병행합니다.
자율주행 경쟁이 단순히 "좋은 모델 하나를 만드는 싸움"이 아니라는 점, 제가 이번에 다시 확인한 부분입니다. 테슬라가 전 세계 수백만 대의 차량에서 데이터를 쌓아온 것이 기술 격차로 이어졌다는 시각이 있는 것처럼, 결국 데이터를 얼마나 효율적으로 모으고 학습하느냐가 장기적인 경쟁력의 핵심이 됩니다. 한국교통연구원 보고서에 따르면 자율주행 기술의 신뢰도는 실제 주행 데이터 축적량과 직결되는 것으로 분석됩니다(출처: 한국교통연구원).
엔비디아 협업과 규제 환경: 해결 안 된 질문들
외부 기술 활용과 자체 기술 내재화를 동시에 추진하는 구조는 이론적으로는 합리적으로 보입니다. 엔비디아 협업으로 검증된 차량용 AI 컴퓨팅 플랫폼을 먼저 쓰면서도, 그 과정에서 쌓인 데이터를 자체 아트리아 AI 개발에 활용하겠다는 구상입니다. 박민우 사장의 표현을 빌리면 "엔비디아에 우리의 운명을 맡기는 것이 아니라, 협업 과정의 데이터도 우리가 모두 활용하는 것"입니다.
이 구조를 두고 현명한 전략이라는 시각과, 외부 의존이 결국 경쟁력을 약화시킬 수 있다는 시각이 공존합니다. 저는 단정짓기보다 결과를 지켜봐야 한다는 입장입니다. 외부 기술을 활용하면서도 독자적인 역량을 축적한 사례가 있는가 하면, 초기 협업이 장기 의존으로 굳어버린 경우도 있기 때문입니다.
규제 문제도 제가 신경 쓰이는 부분이었습니다. 현재 HDA(고속도로 주행보조)4의 경우, 미국에서는 차량이 스스로 차선을 변경하거나 램프로 진입하는 것이 가능하지만 국내에서는 동작마다 운전자 확인이 필요합니다. 같은 소프트웨어라도 나라별로 허용되는 기능이 달라지는 것입니다. 기술이 앞서 있어도 제도가 따라오지 못하면 소비자가 체감하는 기능은 반쪽짜리가 될 수 있습니다.
또 한 가지, 솔직히 이건 예상 밖이었습니다. 데이터 수집과 관련한 개인정보 보호 문제가 이번 발표에서 거의 언급되지 않았다는 점입니다. 40여 대의 차량이 서울과 판교 도로를 돌아다니며 주변 차량과 보행자를 포함한 영상 데이터를 수집하고 있는 것인데, 어떤 데이터를 어떻게 보호하는지에 대한 설명은 보이지 않았습니다. 기술 완성도만큼이나 데이터 윤리와 투명성도 앞으로 현대차그룹이 답해야 할 질문으로 남아 있다고 생각합니다.
자주 묻는 질문
Q. 레벨2++가 되면 운전 안 해도 되나요?
A. 그렇지 않습니다. 레벨2++는 SAE(미국 자동차공학회)의 공식 자율주행 분류가 아니라 업계에서 고도화된 운전자 보조 기능을 설명할 때 쓰는 표현입니다. 여전히 운전자가 도로 상황을 감시하고 필요할 때 즉시 개입해야 하는 책임이 있습니다. 기능이 정교해질수록 오히려 그 한계를 정확히 아는 것이 중요합니다.
Q. 아트리아 AI가 테슬라 FSD와 다른 점이 뭔가요?
A. 아트리아 AI는 현대차그룹이 포티투닷과 AVP본부를 통해 자체 개발 중인 E2E 기반 자율주행 시스템입니다. 테슬라 FSD도 E2E 방식을 채택하고 있지만, 아트리아 AI는 여기에 VLA 기술을 병행 개발한다는 점에서 구조가 조금 다릅니다. 다만 실제 성능 비교는 2029년 양산 이후 현실 도로에서 검증되어야 의미 있는 판단이 가능합니다.
Q. 국내에서 자율주행 기능이 미국보다 제한적인 이유는 뭔가요?
A. 국내와 미국의 자율주행 관련 법규와 안전 기준이 다르기 때문입니다. 예를 들어 HDA4 기능에서 미국은 차량이 자율적으로 차선을 바꾸거나 램프로 진입하는 것을 허용하지만, 국내에서는 동작마다 운전자 확인이 필요한 경우가 있습니다. 기술이 준비돼 있어도 제도가 뒷받침되지 않으면 소비자가 경험하는 기능은 달라질 수밖에 없습니다.
Q. 데이터 플라이휠이 자율주행에서 왜 중요한가요?
A. 자율주행 AI는 단순히 좋은 모델 하나를 만드는 것으로 끝나지 않습니다. 실제 도로에서 발생하는 예외 상황을 얼마나 많이, 얼마나 효율적으로 학습하느냐가 성능의 핵심입니다. 데이터 플라이휠은 주행 데이터 수집 → AI 학습·검증 → 개선 모델 배포 → 다시 데이터 수집으로 이어지는 선순환 구조로, 차량이 많아질수록 AI가 더 빠르게 개선되는 구조를 만듭니다.
결론
빠르게 출시하는 것보다 제대로 준비하는 것이 더 어려운 선택이라는 생각, 이번 뉴스를 보면서 다시 한번 확인했습니다. 현대차그룹의 2028~2029년 양산 전략은 외부 기술 협업과 자체 기술 내재화를 나란히 가져가면서, 데이터 플라이휠을 통해 장기적인 경쟁력을 쌓겠다는 그림입니다. 단기 속도를 포기하는 대신 기술의 방향성을 잡겠다는 선택으로 읽힙니다.
다만 계획 발표와 실제 검증 사이에는 언제나 간극이 있습니다. 2028년 외부 기술 기반 양산차가 실제 도로에서 어떤 완성도를 보여주는지, 2029년 아트리아 AI가 정말로 차별화된 성능을 입증하는지, 그리고 데이터 수집 과정에서 개인정보 보호와 투명성 문제를 어떻게 해결하는지가 앞으로 이 전략을 평가하는 기준이 될 것입니다. 앞으로 나올 플레오스 27 행사와 시승 기회가 생기면 직접 확인해 볼 계획입니다.
참고: https://news.einfomax.co.kr/news/articleView.html?idxno=4434576