--- title: "엔비디아, 레벨 4 로보택시용 320억 파라미터 오픈 추론 모델 알파마요 2 슈퍼 공개" published: 2026-06-02T03:05:03.870Z canonical: https://jeff.news/article/3627 --- # 엔비디아, 레벨 4 로보택시용 320억 파라미터 오픈 추론 모델 알파마요 2 슈퍼 공개 엔비디아가 레벨 4 로보택시 개발을 겨냥한 320억 파라미터 규모의 추론 기반 VLA 모델 알파마요 2 슈퍼를 공개했어. 단순 주행 경로 예측을 넘어 360도 인식, 메타 액션, 인과 관계 추적, 자동 레이블링, 폐쇄 루프 강화학습까지 자율주행 개발 파이프라인 전체를 묶으려는 전략이야. ## 엔비디아가 로보택시용 오픈 추론 모델을 키웠다 - 엔비디아가 레벨 4 로보택시 개발을 겨냥한 NVIDIA Alpamayo 2 Super를 공개함 - 320억 개 파라미터를 가진 추론 기반 VLA 모델임 - VLA는 vision language action의 줄임말로, 시각 정보를 보고 언어적 추론을 거쳐 행동까지 결정하는 모델 계열임 - 엔비디아는 이 모델을 오픈 AI 모델, 시뮬레이션 프레임워크, 피지컬 AI 데이터셋으로 구성된 Alpamayo 제품군의 확장판으로 소개함 - 핵심 목표는 자율주행 스택을 처음부터 다시 만들 부담을 줄이는 것임 - 로보택시 개발사는 인식, 추론, 계획, 실행, 검증 파이프라인을 모두 자체 구축해야 하는 압박이 큼 - Alpamayo 2 Super는 인간과 비슷한 인식·추론·행동을 지원하고, 안전성 검증과 규제기관 협업에 필요한 해석 가능성까지 제공하는 걸 목표로 함 > [!IMPORTANT] > 엔비디아가 강조하는 건 “차가 움직인다”가 아니라 “왜 그렇게 움직였는지 설명할 수 있다”는 쪽임. 로보택시에서 이건 성능만큼이나 규제와 안전 검증에 직접 걸리는 문제임. - 모델 규모는 기존 100억 파라미터급에서 320억 파라미터로 커졌음 - NVIDIA Cosmos 월드 파운데이션 모델을 기반으로 구축됨 - 롱테일 시나리오에서의 추론, 3D 공간 이해, 궤적 예측 성능을 끌어올렸다고 설명함 - 여기서 롱테일 시나리오는 자주 나오진 않지만 사고 위험이 큰 희귀 주행 상황을 뜻함 - 인식 범위도 전방 중심에서 360도 상황 인식으로 확장됨 - 전방, 측면, 후방 맥락을 함께 보도록 바뀜 - 차선 변경, 합류, 교차로 통과처럼 주변 차량과 보행자 맥락이 중요한 상황에서 더 안전한 판단을 목표로 함 - Alpamayo 2 Super는 단순 궤적만 내는 모델이 아니라 고수준 주행 결정을 예측함 - 양보, 차선 변경, 정지 같은 메타 액션을 출력함 - 궤적과 인과 관계(chain-of-causation, CoC) 추적 정보도 함께 다룸 - 즉 “어디로 갈지”뿐 아니라 “왜 그 선택을 했는지”까지 모델링하려는 방향임 - 데이터 레이블링 쪽 개선도 꽤 큼 - 320억 파라미터 파운데이션 모델로 2D 그라운딩 기반 추론 자동 레이블링을 도입함 - 엔비디아는 데이터 레이블링 주기를 수개월에서 수일로 줄일 수 있다고 설명함 - 자율주행 데이터는 장면 수가 많고 예외 케이스가 중요해서, 이 비용 절감은 개발 속도에 바로 영향을 줌 ## 폐쇄 루프 훈련과 시뮬레이션까지 묶는다 - 엔비디아는 AlpaGym이라는 오픈소스 폐쇄 루프 강화학습 프레임워크도 공개함 - 오픈 루프 훈련은 기록된 데이터를 기준으로 모델을 평가하고 한 번의 행동 세트를 생성하는 방식임 - AlpaGym은 NVIDIA AlpaSim 안에서 모델의 지속적인 의사결정과 관찰 사이클을 지원함 - 제동, 조향, 경로 탐색 같은 선택이 환경에 영향을 주고, 그 결과가 다시 다음 판단으로 이어짐 - 폐쇄 루프가 중요한 이유는 자율주행의 실패가 한 번의 예측 오류로 끝나지 않기 때문임 - 정적인 데이터셋에서는 멀쩡해 보이는 모델도 실제 주행에서는 작은 실수가 누적될 수 있음 - AlpaGym은 이런 누적 오류와 극한 상황 실패 사례를 찾고, 모델이 경험을 통해 학습하게 돕는 구조임 - NVIDIA OmniDreams는 희귀 주행 상황을 대규모로 만들어내는 생성형 월드 모델임 - 현실 도로에서 드물게 발생하는 롱테일 시나리오를 시뮬레이션으로 많이 만들 수 있음 - 로보택시 안전성 검증에서는 평범한 주행보다 이런 희귀 케이스 대응이 훨씬 중요함 - Omniverse NuRec 기반 Neural Reconstruction도 함께 언급됨 - 실제 차량 주행 시나리오를 시뮬레이션에 활용해 대규모 합성 훈련 데이터를 생성함 - 현실 주행 데이터를 다시 학습 가능한 시뮬레이션 자산으로 바꾸는 역할에 가까움 ```mermaid sequenceDiagram participant 실제차량 as 실제 차량 participant 누렉 as Omniverse NuRec participant 시뮬 as AlpaSim·OmniDreams participant 훈련 as AlpaGym participant 모델 as Alpamayo 2 Super 실제차량->>누렉: 주행 장면 데이터 제공 누렉->>시뮬: 시뮬레이션 가능한 장면 재구성 시뮬->>훈련: 희귀 주행 시나리오 생성 훈련->>모델: 폐쇄 루프 강화학습 수행 모델->>훈련: 조향·제동·차선 변경 행동 선택 모델->>실제차량: 소형 모델로 압축 후 차량 배포 ``` ## 오픈 모델로 로보택시 생태계를 잡겠다는 그림 - Alpamayo 2 Super는 교사 모델로 설계됨 - 차량 내부의 NVIDIA DRIVE Hyperion 플랫폼에서 돌아가는 더 작은 모델로 압축될 수 있음 - 예시로 NVIDIA DRIVE AGX Thor 같은 차량용 가속 컴퓨팅 환경이 언급됨 - 큰 모델로 고품질 추론을 만들고, 차량에는 실행 가능한 작은 모델로 내리는 구조임 - 기존 Alpamayo 1 Nano와 Alpamayo 1.5 Nano는 100억 파라미터 모델이었음 - 이번 320억 파라미터 모델로 올라가면서 전체 자율주행 스택의 추론과 인식 성능을 끌어올리려는 흐름임 - 제조사가 완전히 처음부터 스택을 새로 만들 필요 없이 단일 오픈 릴리스로 출발점을 얻을 수 있다는 게 엔비디아의 주장임 - Alpamayo는 출시 이후 다운로드 약 40만 회를 기록함 - COMPUTEX Best Choice Awards의 Vehicle Technology and Smart Cockpit Award도 수상함 - 연구자와 개발자가 자기 데이터셋, 시나리오, 주행 정책에 맞춰 모델을 조정할 수 있는 사후 훈련 스크립트도 제공됨 - Alpamayo 2 Super는 올여름 공개 예정임 - 깃허브에는 추론 코드 형태로 공개됨 - 허깅 페이스에는 모델 가중치 형태로 제공될 예정임 - 로보택시 연구팀이나 자율주행 스타트업 입장에서는 꽤 큰 실험 기반이 열리는 셈임 --- ## 기술 맥락 - 엔비디아가 Alpamayo 2 Super를 크게 키운 이유는 자율주행이 단순 인식 문제가 아니기 때문이에요. 차선, 차량, 보행자를 보는 것만으로는 부족하고, 왜 양보해야 하는지, 왜 멈춰야 하는지, 다음 행동이 어떤 결과를 낳는지까지 이어져야 하거든요. - 320억 파라미터 교사 모델을 두고 차량에는 더 작은 모델을 배포하는 구조도 현실적인 선택이에요. 큰 모델은 고품질 레이블과 추론을 만들기에 좋지만, 실제 차량 안에서는 지연 시간과 전력, 하드웨어 제약이 있어요. 그래서 큰 모델로 학습시키고 작은 모델로 압축하는 방식이 나와요. - 폐쇄 루프 강화학습이 중요한 이유는 실제 주행에서는 모델의 행동이 다음 상황을 바꾸기 때문이에요. 오픈 루프 평가는 기록된 영상에 답을 맞히는 데 가깝지만, 로보택시는 조향 한 번이 주변 차량 반응과 다음 위험 상황을 바꿔요. AlpaGym은 이 누적 효과를 훈련에 넣으려는 도구예요. - OmniDreams와 NuRec은 데이터 부족 문제를 풀기 위한 축이에요. 희귀 사고 상황을 현실에서 충분히 모으는 건 비싸고 위험하거든요. 실제 주행 장면을 재구성하고 합성 시나리오를 만들면, 로보택시가 평소에는 거의 만나지 못하는 예외 상황을 훨씬 많이 학습할 수 있어요. - 오픈 모델 공개는 생태계 전략이기도 해요. 개발자가 깃허브와 허깅 페이스에서 코드와 가중치를 받아 실험할 수 있으면, 엔비디아의 시뮬레이션·훈련·차량용 컴퓨팅 플랫폼까지 같이 쓰게 될 가능성이 커져요. 모델 공개가 곧 하드웨어와 플랫폼 확산으로 이어지는 구조예요. ## 핵심 포인트 - 알파마요 2 슈퍼는 100억 파라미터급 기존 모델에서 320억 파라미터로 확장됨 - 360도 상황 인식, 메타 액션, 인과 관계 추적, 궤적 예측, 추론 자동 레이블링을 지원함 - 데이터 레이블링 주기를 수개월에서 수일로 줄일 수 있다고 엔비디아가 설명함 - 올여름 깃허브에 추론 코드, 허깅 페이스에 모델 가중치가 공개될 예정임 - AlpaGym, OmniDreams, Omniverse NuRec으로 실제 데이터부터 시뮬레이션, 폐쇄 루프 훈련까지 연결함 ## 인사이트 엔비디아가 말하는 자율주행은 이제 ‘차가 잘 달린다’가 아니라 ‘왜 그렇게 판단했는지 설명 가능한 피지컬 AI 스택’에 가까워지고 있어. 모델, 데이터셋, 시뮬레이터, 강화학습 환경, 차량용 배포 플랫폼을 한꺼번에 쥐려는 전략이라 로보택시 생태계에는 꽤 큰 신호임.