Physical AI Takes the Wheel: How the World’s Robotaxi Leaders Are Building With NVIDIA Technologies

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

NVIDIA는 로보택시의 대규모 상용화를 지원하기 위해 AI 학습·시뮬레이션 및 안전 검증·차량 내 연산을 연결하는 플랫폼을 제공하며, 글로벌 사업자들이 이를 전체 또는 일부 채택하고 있다고 설명한다.

📌 핵심 요약

• 원문은 글로벌 로보택시 시장이 2035년 4,000억 달러 규모, 상용 운행 차량 600만 대 이상에 이를 것으로 전망하며, 대규모 차량군에서 안전하고 신뢰할 수 있는 성능을 일관되게 유지하려면 개발 전 과정에 막대한 연산이 필요하다고 설명한다.
• NVIDIA의 3대 컴퓨터 구조는 학습용 NVIDIA DGX, NVIDIA RTX PRO Servers에서 실행되는 NVIDIA Omniverse·Cosmos 기반 시뮬레이션 및 검증, NVIDIA DRIVE Hyperion·DRIVE AGX 기반 차량 내 연산으로 구성된다.
• NVIDIA Alpamayo는 추론형 비전·언어·행동(VLA) 모델, 시뮬레이션 프레임워크, 물리 AI 데이터셋을 제공한다. 한 자율주행 평가에서는 메타 행동 및 사고 사슬 추론 데이터를 추가하자 VLA 모델의 궤적 예측 최소 평균 변위 오차가 2.08에서 1.18로 43% 감소했다.
• 레벨 4 대응을 위한 DRIVE Hyperion 10은 NVIDIA Blackwell 기반 DRIVE AGX Thor 칩 2개와 고화질 카메라 14개, 레이더 9개, 라이다 3개, 초음파 센서 12개를 결합한다. 연산·센서 이중화는 부품 고장 시에도 주행 기능을 유지하도록 지원하며, NVIDIA Halos는 안전 기반과 검증·인증 체계를 제공한다.
• Uber는 NVIDIA DRIVE Hyperion 기반 차량군을 2028년까지 28개 도시로 확대할 계획이며, NVIDIA Cosmos 기반 로보택시 AI 데이터 팩토리도 NVIDIA와 구축하고 있다. Waymo, Zoox, Tesla, Mercedes-Benz 등은 학습·시뮬레이션·차량 내 연산 중 서로 다른 영역에서 NVIDIA 기술을 활용하거나 관련 프로그램을 개발하고 있다.

🧩 주요 포인트

1. 차량군 확대에 따라 개발 전 과정의 연산 수요 증가 → NVIDIA의 3대 컴퓨터 구조가 학습·검증·실시간 주행을 연결하는 기반으로 제시됨.
2. NVIDIA Alpamayo의 추론 데이터와 NVIDIA Omniverse·Cosmos의 시뮬레이션 결합 → 드문 주행 상황의 학습·검증 범위를 넓히되, 43% 오차 감소는 특정 평가의 궤적 예측 결과로 해석할 필요가 있음.
3. Uber의 2028년 28개 도시 확대 계획과 기업별 상이한 NVIDIA 기술 활용 → 생태계 확장은 전체 플랫폼의 일괄 채택보다 학습·시뮬레이션·차량 내 연산의 다양한 조합으로 진행됨.

🧠 상세 정리

1. 로보택시 상용화의 다음 과제는 차량군 규모 확장

원문은 로보택시를 물리 AI의 첫 상업적 돌파구로 규정하고, 글로벌 시장이 2035년 4,000억 달러와 상용 운행 차량 600만 대 이상 규모에 이를 것으로 전망한다. 이미 복잡하고 혼잡한 도로에서 무인 차량이 승객을 운송하고 있지만, 차량 한 대를 배치하는 일과 수천 대에서 같은 수준의 안전성과 신뢰성을 유지하는 일은 다른 규모의 연산 과제라고 설명한다. 이에 필요한 연산은 데이터 준비와 AI 모델 학습부터 주행 시뮬레이션, 안전 검증, 차량 내부의 실시간 처리까지 이어진다. NVIDIA는 개발자가 자체 기술 스택과 함께 사용할 수 있는 라이브러리, 소프트웨어 개발 키트, 워크플로, 모델을 개방형 플랫폼으로 제공한다. 현재 상업적 규모로 운영되는 모든 주요 로보택시 프로그램이 자사의 모듈형 스택에서 학습·시뮬레이션·차량 내 연산 중 하나 이상을 사용한다는 것이 NVIDIA의 주장이다.

2. DGX와 Alpamayo로 학습하는 추론형 주행 모델

NVIDIA는 자율주행차의 개발·검증·배치를 포괄하는 기술 스택을 학습용, 시뮬레이션 및 검증용, 차량 탑재용의 3대 컴퓨터 구조로 설명하며, 학습에는 NVIDIA DGX 시스템을 활용할 수 있다고 제시한다. NVIDIA Alpamayo 포트폴리오는 개방형 추론 비전·언어·행동(VLA) 모델, 시뮬레이션 프레임워크, 물리 AI 데이터셋을 제공해 개발자가 자체 데이터와 요구사항에 맞게 조정할 수 있도록 한다. 추론 모델은 복잡한 주행 상황을 작은 단계로 나누고 각 단계를 추론해 가장 안전한 궤적을 선택하는 방식으로 드문 자율주행 문제에 대응하도록 설계됐다. NVIDIA는 대상 차량에 맞게 모델을 최적화할 수 있도록 물리 AI 데이터셋과 강화학습 블루프린트, 사후 학습 및 증류 방법도 제공한다. 한 까다로운 자율주행 평가에서는 메타 행동과 사고 사슬 추론 데이터를 추가한 뒤 예측 경로와 기준 경로의 평균 편차를 나타내는 최소 평균 변위 오차가 2.08에서 1.18로 43% 감소했다. 이 수치는 해당 평가에서의 궤적 예측 개선을 보여주는 결과이며, 원문은 이를 모든 실제 주행 상황의 안전성 향상 수치로 제시하지 않는다.

3. Omniverse·Cosmos로 희귀 상황을 확장하고 검증

로보택시 개발은 실제 도로에서 쌓은 주행 거리만으로 드문 상황을 충분히 포착하기 어렵다는 제약에서 출발한다. NVIDIA Omniverse NuRec 모델은 센서 데이터로 실제 주행 상황을 재구성하고, NVIDIA Cosmos 월드 파운데이션 모델은 물리 법칙에 기반한 변형을 생성한다. 이를 통해 수천 개의 실제 예외 상황을 주행 행동, 교통, 날씨, 조명, 센서 조건이 다른 수백만 개의 조합으로 확장할 수 있다는 설명이다. NVIDIA RTX PRO Servers에서 실행되는 Omniverse와 Cosmos는 모델의 행동과 환경 반응을 함께 평가하는 폐루프 시뮬레이션 및 검증을 지원한다. NVIDIA AlpaSim 시뮬레이션 프레임워크는 추론 기반 자율주행 모델의 학습과 평가로 이 과정을 확장해, 개발자가 배치 전에 모델의 약점을 찾도록 돕는다.

4. DRIVE Hyperion의 실시간 연산·센서와 안전 기반

NVIDIA DRIVE Hyperion은 레벨 4 대응 로보택시를 위한 모듈형 차량 연산·센서 참조 아키텍처다. DRIVE Hyperion 10은 NVIDIA Blackwell 플랫폼 기반 DRIVE AGX Thor 시스템온칩 2개에 고화질 카메라 14개, 레이더 9개, 라이다 3개, 초음파 센서 12개를 결합해 실시간 360도 센서 융합을 지원한다. 연산 장치와 센서의 이중화 설계는 일부 센서나 연산 부품이 고장 나더라도 주행 기능을 유지할 수 있도록 지원한다. 듀얼 DRIVE AGX Thor는 VLA 모델을 포함한 최신 AI 작업을 실행하며 인지, 추론, 경로 계획, 주행 행동을 처리하도록 설계됐다. NVIDIA Halos는 Halos OS를 통해 양산 적용을 위한 안전 기반을 제공하고, 독립 검사·시스템 검증·대규모 시뮬레이션·클라우드부터 차량까지의 지속적 테스트를 아우르는 검증 및 인증 체계를 제시한다.

5. 서비스 사업자의 지역 확장과 플랫폼 채택

NVIDIA는 자사 로보택시 생태계가 아시아, 유럽, 중동, 북미에 걸쳐 있으며, 모빌리티 사업자와 개발사, 완성차 업체가 3대 컴퓨터 구조를 활용하고 있다고 설명한다. Uber는 NVIDIA DRIVE Hyperion 기반 차량군을 2028년까지 28개 도시로 확대할 계획이며, NVIDIA와 Cosmos 기반 로보택시 AI 데이터 팩토리를 구축해 희귀 상황에 관한 차량군 주행 데이터를 선별·정리하고 있다. 두 회사는 Autobrains, Avride, Lucid, May Mobility, Mercedes-Benz, Momenta, Nissan, Nuro, Pony.ai, Stellantis, Waabi, Wayve, WeRide, Zoox와 협력해 NVIDIA 기반 로보택시 서비스를 Uber 플랫폼에 제공하려 한다. May Mobility는 NVIDIA DRIVE에서 소프트웨어 스택을 개발하면서 Uber 네트워크를 통한 자율주행 호출 서비스를 계획하고 있고, 현재 애틀랜타의 Lyft 네트워크에서도 NVIDIA DRIVE 기반 차량을 운영한다. Bolt는 유럽의 자율주행차 개발·확장에 NVIDIA 기술을 사용하며, Lyft는 향후 자율주행 차량군의 참조 아키텍처로 DRIVE Hyperion을 사용할 계획이다. WeRide는 Grab과의 제휴를 통해 DRIVE Hyperion·DRIVE AGX Thor 기반 GXR을 동남아시아 주요 시장에 도입할 계획이며, Waymo는 자율주행 연산 시스템 구축을 위해 NVIDIA와 협력한다.

6. 자율주행 개발사의 다양한 연산·차량 구성

Wayve, Nissan, Uber는 Nissan의 차량 공학, Wayve의 체화 AI, NVIDIA DRIVE Hyperion을 결합한 시제품 차량으로 글로벌 로보택시 프로그램을 개발하고 있다. Autobrains는 Agentic AI 기술과 DRIVE Hyperion을 기반으로 뮌헨에서 Uber와, 동남아시아에서 VinFast와 로보택시 프로그램을 개발한다. Zoox는 차량 내 연산과 클라우드 학습·시뮬레이션에 NVIDIA DRIVE를 사용하고, Momenta는 DriveOS에서 실행되는 DRIVE AGX를 기반으로 소프트웨어 스택을 개발한다. Pony.ai는 DRIVE Hyperion과 DRIVE AGX Thor로 신세대 자율주행 도메인 컨트롤러를 개발했으며, Tensor는 차량 내 슈퍼컴퓨터에 DRIVE AGX Thor 칩 8개를 넣는 레벨 4 Robocar를 개발 중이다. Waabi는 Uber와의 배치 협력을 통해 로보택시 시장으로 확장하며, Waabi Driver 플랫폼은 DRIVE AGX Thor를 기반으로 한다. TIER IV와 Isuzu는 DRIVE Hyperion·DRIVE AGX Thor 기반 레벨 4 자율주행 버스를 배치하고 있고, Lenovo는 SWM과의 차세대 로보택시 프로그램에 DRIVE AGX Thor 기반 AD1 레벨 4 도메인 컨트롤러를 공급한다. DeepRoute.ai 역시 DRIVE Hyperion과 DRIVE AGX Thor를 기반으로 신세대 로보택시를 개발하고 있어, 같은 플랫폼이 여러 차량 및 시스템 구성에 적용되는 양상을 보여준다.

7. 완성차 프로그램으로 이어지는 개발과 양산 통합

완성차 업체의 활용 범위도 서로 다르며, Tesla는 자율주행 신경망을 NVIDIA 슈퍼컴퓨터에서 학습한다. Mercedes-Benz와 NVIDIA는 Uber와 함께 신형 S-Class 기반 로보택시 생태계를 개발하면서 DRIVE Hyperion, 전체 스택 NVIDIA DRIVE AV L4 소프트웨어, NVIDIA Alpamayo의 개방형 AI 모델·시뮬레이션 도구·데이터셋을 활용해 추론 기반의 안전 우선 자율주행을 지원하려 한다. Stellantis, Wayve, Uber는 DRIVE Hyperion과 AI 연산 기술을 활용한 레벨 4 무인 모빌리티 서비스의 개발·배치를 추진하고, Lucid, Nuro, Uber는 DRIVE Hyperion 플랫폼의 일부인 DRIVE AGX Thor로 글로벌 로보택시 서비스를 개발한다. Hyundai Motor와 Kia는 DRIVE Hyperion 기반 데이터 중심 자율주행 시스템 개발을 위해 NVIDIA와 협력을 확대하고 있다. NVIDIA는 Hyundai Motor Group의 합작사 Motional과 레벨 4 로보택시 서비스를 진전시키기 위한 협력 확대도 검토할 예정이다. Geely는 생태계 파트너들과 DRIVE Hyperion을 활용한 로보택시 개발·상용화를 계획하며, Geely Auto Group 브랜드인 Zeekr는 중앙 집중형 도메인 컨트롤러에 DRIVE AGX Thor를 채택했다. 원문은 이 사례들을 근거로 클라우드부터 차량까지 로보택시 플랫폼의 거의 모든 계층이 NVIDIA 가속 연산 위에서 개발되고 있다고 결론짓지만, 개별 사례의 단계는 학습 활용·개발·채택·상용화 계획·협력 검토로 구분된다.

🧾 핵심 주장 / 시사점

• NVIDIA가 제시하는 핵심 가치는 차량용 칩 자체를 넘어, 차량군 데이터의 학습과 가상 검증, 차량 내 실행을 연결하는 개발 전 과정에 있다.
• 추론 데이터와 합성 시나리오는 드문 주행 상황에 대응하는 상호 보완적 수단으로 제시되며, 특정 평가의 예측 오차 개선과 실제 차량군의 안전성 검증은 구분해 해석할 필요가 있다.
• 생태계의 폭넓은 참여는 기업마다 다른 기술 채택 범위와 사업 단계를 포함하므로, NVIDIA 활용 여부만으로 전체 플랫폼 채택이나 상용 운행 완료를 판단하기 어렵다.

✅ 액션 아이템

• 2035년 4,000억 달러·600만 대 이상 전망을 바탕으로 로보택시 차량군 확대와 개발 전 과정의 연산 수요를 연계해 검토.
• NVIDIA Alpamayo 관련 43% 오차 감소를 특정 평가의 궤적 예측 결과로 한정해 해석.
• Uber의 2028년 28개 도시 확대 계획과 기업별 NVIDIA 기술 활용을 학습·시뮬레이션·차량 내 연산 범위에 따라 구분해 파악.

❓ 열린 질문

• 2035년 4,000억 달러·600만 대 이상이라는 로보택시 시장 전망은 어떤 가정에 근거하는가?
• NVIDIA Alpamayo 관련 평가에서 나타난 43% 궤적 예측 오차 감소는 다른 주행 상황에서도 재현되는가?
• Uber의 2028년 28개 도시 확대 계획에서 대규모 차량군의 안전성과 신뢰성을 일관되게 유지하는 데 필요한 조건은 무엇인가?