자율주행 상용화, 기술 경쟁이 아니라 데이터 운영 경쟁이다

웨이모는 미국 몇 개 도시에서 주간 20만 회 수준의 로봇택시 운행을 돌리고 있고, 테슬라 FSD는 누적 13억 마일을 넘겼다. 20년 전 DARPA 챌린지에서 사막을 달리던 차량과 비교하면 확실히 다른 단계다. 기사들은 이 숫자를 두고 "자율주행이 드디어 왔다"고 쓴다. 현장에서 보면 이 숫자가 말하는 건 조금 다르다. 기술이 완성됐다는 신호가 아니라, 데이터를 계속 모으고 문제를 하나씩 처리하는 운영 체계를 갖춘 곳만 남았다는 신호에 가깝다.

배경: 왜 중요한가

자율주행의 기술 스택은 최근 몇 년 사이 구조가 바뀌었다. 규칙 기반 판단 로직이 인공지능 기반으로 넘어갔고, 인지와 경로 계획을 따로 학습시키던 방식이 End-to-End 신경망 하나로 통합되는 흐름이다. 카메라 영상에서 3차원 정보를 뽑아내는 기술이 발전하면서 3차원 객체 검출, 점유 격자 예측, BEV 영역 분할, 온라인 지도 생성을 하나의 특징값으로 동시에 처리한다. 고정밀 HD맵을 미리 깔아두지 않아도 센서 데이터로 주변 지도를 실시간 생성하는 방향으로 가고 있다.

이 변화가 산업적으로 중요한 이유는 비용 구조가 바뀌기 때문이다. HD맵 방식은 지도를 만드는 비용과 유지하는 비용이 지역 확장에 비례해 늘어난다. 도로 공사 한 번에 지도가 틀어지고, 최신성을 지키려면 계속 다시 측량해야 한다. 반면 센서로 로컬 맵을 만드는 방식은 초기 기술 난도가 높은 대신 지역을 넓힐 때 추가 비용이 상대적으로 적다. 같은 자율주행이라도 어느 쪽 구조를 택했느냐에 따라 확장 곡선의 모양이 완전히 달라진다.

동시에 난도도 올라갔다. 인공지능 기반 시스템은 대규모 데이터로 일반화 성능을 확보하는 방식이라, 데이터가 없으면 성능도 없다. 롱테일 문제 — 확률은 낮지만 발생하면 치명적인 상황 — 는 정의상 데이터가 적은 영역이다. 이걸 채우는 일이 자율주행 상용화의 실제 작업량 대부분을 차지한다.

핵심: 일반 기사가 놓치는 지점

기사들은 보통 어떤 기술을 쓰는지에 집중한다. End-to-End인지 모듈형인지, 라이다를 쓰는지 카메라만 쓰는지. 현장에서 실제로 승부가 갈리는 지점은 그보다 아래에 있다.

라벨링 비용과 자동화 수준

3차원 인지 작업은 2차원 영상 작업보다 데이터 구축과 라벨링 비용이 훨씬 높다. 사람이 3차원 공간에 박스를 치고 점유 격자를 채우는 작업은 단가도 비싸고 속도도 느리다. 그래서 자동 라벨링이 선택이 아니라 전제 조건이 된다. 거리 추정 결과와 영역 분할 결과를 활용해 라벨을 자동 생성하고, 사람은 검증만 하는 구조로 가야 한다.

여기서 갈리는 게 실제 개발 속도다. 같은 양의 주행 데이터를 확보해도 자동 라벨링 파이프라인이 있는 조직과 없는 조직은 학습 데이터로 전환하는 속도가 몇 배 차이 난다. 모델 아키텍처는 논문으로 공개되고 금방 따라잡히지만, 데이터 파이프라인은 조직 내부에 쌓이는 자산이라 복제가 어렵다. 자율주행 경쟁력을 볼 때 모델 이름보다 이 부분을 봐야 하는 이유다.

원격 개입과 시뮬레이션이라는 운영 비용

웨이모는 돌발 상황이나 사고가 나면 전문 인력이 원격으로 차량을 제어해 문제를 해결한다. 이건 기술 미완성의 흔적이라기보다, 자율주행 서비스가 실제로 어떤 원가 구조를 갖는지 보여주는 부분이다. 차량 대수가 늘어날 때 원격 관제 인력이 같은 비율로 늘어나면 규모의 경제가 안 나온다. 차량당 개입 빈도를 어디까지 낮추느냐가 서비스의 수익성을 결정한다.

시뮬레이션도 마찬가지다. 실제 도로에서 롱테일 상황을 만나기를 기다리는 건 비효율적이라, 월드모델 같은 생성형 모델로 실제에 가까운 주행 환경을 만들고 그 안에서 학습시키는 방향이 개발되고 있다. 동적 객체의 운전 행동을 모사하는 운전자 모델 연구도 같은 맥락이다. 다만 시뮬레이션에서 잘 되는 것과 실제 도로에서 잘 되는 건 다르고, 그 간극을 좁히는 검증 체계 자체가 하나의 기술 영역이다. 자율주행에서 "성능이 좋다"는 말은 이 검증을 어떤 기준으로 통과했느냐를 빼면 의미가 흐릿하다.

그래서 뭘 봐야 하나

투자나 산업 관점에서 참고할 만한 포인트는 몇 가지로 정리된다.

첫째, 발표된 모델 구조보다 데이터 수집·라벨링·재학습 사이클이 얼마나 빨리 도는지다. 실제 주행 데이터를 지속적으로 모으고 문제를 하나씩 해결하며 성능을 올리는 과정이 자율주행 개발의 본체다. 이 사이클이 도는 조직인지 아닌지는 서비스 지역 확장 속도와 개입률 개선 추이로 어느 정도 드러난다.

둘째, HD맵 의존도다. 지도 없이 주행 가능한 구조로 넘어간 곳은 지역 확장 비용이 낮다. 반대로 HD맵 기반이면 어느 도시에 몇 개 노선을 깔았는지가 그 자체로 원가다. 국내 자율주행 사업자들의 서비스 지역 확대 발표를 볼 때 이 구분이 유용하다.

셋째, 연산 하드웨어와 모델 경량화 쪽이다. 멀티모달 언어 모델을 자율주행 판단에 쓰려는 시도는 아직 실시간 처리 한계 때문에 필요한 상황에만 개입하는 방식으로 연구되고 있다. 차량용 반도체 성능과 경량화 기술이 어디까지 오느냐에 따라 이 구조가 언제 바뀔지 갈린다. 자율주행 밸류체인에서 센서보다 연산 쪽 비중이 커지는 흐름도 여기서 나온다.

넷째, 안전 기준과 사고 데이터 공개 방식이다. 규제가 어떤 지표를 요구하느냐에 따라 기업이 최적화하는 방향이 달라진다. 개입률, 주행거리당 사고율, 원격 제어 횟수 중 무엇을 공식 지표로 삼는지가 산업 전체의 개발 우선순위를 움직인다.

자율주행은 AI 응용 분야 중에서도 난도가 높은 축에 속한다. 높은 성능과 높은 안전성을 동시에 요구받고, 실패 비용이 크기 때문이다. 지금 벌어지는 경쟁은 누가 더 좋은 모델을 만드느냐보다, 누가 데이터를 계속 돌리고 문제를 처리하는 체계를 오래 유지하느냐에 가깝다. 화려한 데모보다 지루한 반복 작업이 결과를 만드는 분야이고, 그래서 진척 상황도 발표 자료보다 운영 지표에서 먼저 드러난다.