https://v.daum.net/v/WUrFiBMVJA
“현대차, 사실상 폐기 검토”…’수조 원’ 쏟고도 꼴찌 되자, ‘전면 중단’
현대자동차그룹이 ‘소프트웨어 중심 자동차(SDV)’ 전환의 핵심 승부수로 띄웠던 자체 자율주행 시스템 ‘아트리아AI(Artria AI)’가 좌초 위기에 처했다. 수조 원의 천문학적인 개발비와 1,000여
v.daum.net
나 : 현대차 자율주행 알고리즘 개발 중에 어떤 방식으로 했는지 알려줘
GPT :
현대차 자율주행 알고리즘 개발 방식
현대자동차그룹의 자율주행 기술은 완전한 End-to-End 학습이 아닌, 모듈 분리형 아키텍처를 기본 철학으로 발전해 왔다. 이는 안전성과 검증 가능성을 최우선으로 둔 접근이다.
1. 전체 구조: 분리형 파이프라인 기반
- 구조 개요
인지(Perception) → 예측(Prediction) → 계획(Planning) → 제어(Control) 단계로 명확히 분리됨. - 설계 철학
각 단계별 독립 검증 가능성 확보, ISO 26262 및 SOTIF 대응 용이성 중시.
2. 인지(Perception): 센서 융합 중심
- 사용 센서
카메라, 라이다, 레이더 기반 멀티 센서 구성. - 핵심 기법
딥러닝 기반 객체 인식 + 센서 융합(Kalman Filter, Probabilistic Fusion). - 특징
단일 센서 의존 회피, 악천후·야간 상황 대응력 강화.
3. 예측(Prediction): 확률적 행위 모델링
- 대상
주변 차량, 보행자, 자전거 등의 미래 궤적. - 방법
LSTM, Graph-based Neural Network 기반 다중 시나리오 예측. - 목적
최악 상황까지 포함한 안전 중심 의사결정 지원.
4. 계획(Planning): 규칙 + 최적화 혼합
- 글로벌 플래닝
HD Map 기반 경로 탐색(A*, Dijkstra 변형). - 로컬 플래닝
MPC(Model Predictive Control), 샘플링 기반 궤적 생성. - 특징
강화학습 단독 사용 지양, 해석 가능한 제어 로직 유지.
5. 제어(Control): 고전 제어 중심
- 방식
PID, MPC, 차량 동역학 모델 기반 제어. - 이유
실차 안정성, 검증 가능성, 법규 대응을 위한 보수적 접근.
6. 학습 전략: 시뮬레이션 + 실차 병행
- 시뮬레이션
자체 시뮬레이터 및 상용 툴을 활용한 대규모 가상 주행. - 실차 데이터
실제 주행 로그 기반 재학습 및 검증. - 핵심 원칙
Sim2Real 격차 최소화, Corner Case 반복 학습.
7. 최근 경향: End-to-End의 부분적 도입
- 변화 방향
전체 End-to-End가 아닌, 인지·예측 일부에 학습 기반 통합 시도. - 목적
복잡한 도심 상황에서의 일반화 성능 향상. - 여전한 원칙
최종 제어와 안전 판단은 규칙 기반 유지.
요약
- 개발 기조: 모듈 분리형 + 안전 검증 우선
- 기술 조합: 딥러닝 + 고전 제어 + 최적화
- 전략적 선택: 완전 End-to-End 회피, 단계적 도입
원하시면 Waymo·Tesla와의 알고리즘 철학 비교,
또는 **현대차 방식의 장단점(VLA/RFM 관점)**으로도 정리해 드릴 수 있습니다.
나 : 타 경쟁기업과의 알고리즘 철학을 비교해줘
GPT :
네, 요청하신 대로 주요 자율주행 경쟁사들의 알고리즘 철학 비교를 정리했습니다.
기업별로 구조적 선택과 철학의 차이가 드러나도록 구성했습니다.
자율주행 경쟁기업 알고리즘 철학 비교
1. 현대자동차그룹
- 핵심 철학: 안전·검증 중심의 모듈 분리
- 구조: 인지–예측–계획–제어 명확 분리
- 학습 범위: 인지·예측 중심, 제어는 고전 기법 유지
- 특징:
- ISO 26262, SOTIF 대응 용이
- 실차 적용과 양산을 전제로 한 보수적 설계
2. Waymo
- 핵심 철학: 완성도 높은 로보택시를 위한 정밀 공학
- 구조: 고도화된 모듈 분리 + 대규모 HD Map 의존
- 학습 범위: 인지·예측·일부 플래닝에 딥러닝 적극 활용
- 특징:
- 라이다 중심 고정밀 센서 스택
- 지리적 확장성보다 안정성·정확성 중시
3. Tesla
- 핵심 철학: End-to-End 학습과 대규모 데이터
- 구조: Vision 기반 단일 파이프라인 지향
- 학습 범위: 인지부터 플래닝까지 통합 학습
- 특징:
- 카메라 only 전략
- 해석 가능성보다 데이터 스케일과 일반화 중시
- OTA를 통한 빠른 반복 개선
4. Cruise
- 핵심 철학: 도심 특화 자율주행
- 구조: Waymo와 유사한 모듈 분리형
- 학습 범위: 복잡한 도심 시나리오 대응 강화
- 특징:
- 특정 도시에서의 고밀도 테스트
- 정책·규제 리스크에 민감
5. Baidu Apollo
- 핵심 철학: 플랫폼·생태계 중심
- 구조: 모듈형 오픈 플랫폼
- 학습 범위: 파트너사별 상이
- 특징:
- 범용성 강조
- 중국 내 인프라·정책과 강결합
6. 철학 비교 요약
- 현대차
- 안전 규격과 양산을 기준으로 한 현실적 접근
- Waymo
- 제한된 환경에서의 완성도 극대화
- Tesla
- 인간 운전의 통계적 모사와 확장성 우선
- Cruise
- 도심 문제 해결 특화
- Baidu
- 기술 그 자체보다 생태계 확장 중시
7. 구조적 대비 정리
- 모듈 분리형: 현대차, Waymo, Cruise
- End-to-End 지향: Tesla
- 플랫폼형: Baidu Apollo
결론
자율주행 알고리즘의 차이는 기술력의 우열이라기보다 철학의 선택에 가깝다.
양산과 책임을 전제로 하는 기업일수록 분리형 구조를 유지하고,
확장성과 데이터 우위를 가진 기업일수록 End-to-End에 가까운 선택을 한다.
원하시면 다음 주제로도 이어서 정리해 드릴 수 있습니다.
- 이 철학 차이가 VLA / RFM 트렌드와 어떻게 충돌·수렴하는지
- 현대차 접근이 휴머노이드·모바일 매니퓰레이터로 확장될 수 있는지
내부 사람이 아니니 어떤 식으로 개발이 이루어졌을지는 모른다. 하지만 내 주변에서도 매번 반복되는 패턴으로 보여서 글을 써본다.
단순히 국내 연구자들이 무능해서 저런 일이 벌어질까? 글쎄... 난 국내의 인력들이 수준이 떨어진다고 생각하지 않는다. 오히려 국내의 AI인력들의 유출을 걱정하는 기사들이 많았는데, 그건 그만큼 우리나라 인재들이 팔린다는 의미다. 팔리는 인재들이 떨어질 리가 없지. 물론 이미 실력있는 이들이 다 떠나서, 라는 관점의 해석도 가능하긴 하지만, 사람들이 실력순으로 모두 해외로 뜨는 건 아니다. 저마다의 사정에 따라 국내에 남아있거나, 나름의 사명감을 가지고 남는 사람들도 많다.
문제는 그런 사람들까지 다 쫓아낼 정도로 국내의 기술개발 여건이 안 좋은게 문제...
뭐, 아무튼.
자동차 자율주행의 경우 이미 2007년에 이미 현실화 된 것으로 본다. 그래서 2007년 DARPA 에서 Grand Challenge 라는 자율주행 대회를 도시 내에서 수행했고, 그 다음부터는 Robotics Challenge로 주제를 바꿨을 정도다.
https://en.wikipedia.org/wiki/DARPA_Grand_Challenge
물론 그렇다고 해서, 현대차 뿐만 아니라 미국의 기업들도 자율주행을 온전히 도입하는 데에는 많은 시간이 든다. 반대로,
이미 기술적으로 된다~!라고 할 정도가 되어도 그게 제품화되려면 얼마나 많은 시간과 노력이 드는지 이걸 통해서도 알 수 있다. 테슬라가 자율주행을 실제 적용해 베타 테스트를 한 것이 21년으로 나온다. 무려 14년의 시간을 들여 제품화 한 것이다.
테슬라 오토파일럿
테슬라 차량에 탑재된 2단계 자율주행 ADAS 이다. 향후 FSD (Full Self Driving)로의 탈바
namu.wiki
그런데도 아직 자율주행의 신뢰도 확보는 쉽지 않다. 25년에도 상당히 많은 부정적 의견들이 남아있을 정도다.
https://www.chosun.com/economy/tech_it/2025/08/30/H53KEUMBENHRJKTRCHU5D27FKU/
“자율주행 때문에 테슬라 안사” 美 소비자 35%가 부정적
자율주행 때문에 테슬라 안사 美 소비자 35%가 부정적
www.chosun.com
단순히 업계에 자율주행이 소개된 것 기준이 아니더라도, 테슬라가 부분적으로라도 자율주행 기술을 실현하기 위해 하드웨어부터 제품에 탑제시키기 시작한 시점이 12~14년 정도로 보인다. 그러면 21년까지 최소 7년을 연구개발을 한 것이다. 당연하지만, 애초에 하드웨어 탑재를 시작한 시점은 이미 기술을 한참 개발한 후였을 것이다. 못해도 8~9년 연구해야 그걸 현장에 적용할 수가 있다.
소프트웨어만이라면 좀 더 빠르다. 하지만 하드웨어가 끼면 타임 스케줄은 훨씬 느려질 수밖에 없다. 뭐 하나 하려고 해도 만드는 데 시간이 걸리기 때문이다.
그런데 3년?
심지어 그 시점은 테슬라가 베타테스트를 시작한 21년보다 늦다. 테슬라가 다 완성한 거 보고 그제서야 시작한 것이다. 물론 그 이전에서도 부분적으로 연구개발을 하고 있었을 거라 믿는다. 하지만 위, 기술 비교 답변을 참고하면, 테슬라가 이미 정답을 알려줬음에도 그걸 그대로 따라하지조차 않았다.
왜일까? 왜긴.
데이터를 졸라게 많이 수집하고 졸라게 많이 GPU 녹여 학습시켜야 하는데, 그렇게 했는데 안 되면 누가 책임질건데? 그걸 시도하는 것 만으로도 엄청난 투자가 필요한 사업이 되는데 했다가 안 되면? 안 될지도 모르니까 더 안전한 대안 방법도 필요하지 않겠어? 이미 검증된 요소기술들 싸그리 다 모아서 일단 해봐야 하지 않겠어? 기존 연구자들도 관련 업체들도 전부 불러다가 한 파트씩 맡겨놓고 다 부분부분 검증해가면서 해야 하지 않겠어?
오류가 나도 설명 가능하고 누가 책임질지 명확하잖아.
데이터 충분히 안 모여도 높으신 분에게 시연해 보일 건덕지는 남잖아.
이게 단순히 운이 없어 나온 아쉬운 결과이거나, 아니면 기술자 역량의 문제가 아니라 구조적 문제로 보이는 건 내가 잘못 생각하고 있는 걸까?
나 : 현대차가 자율주행에 투자한 비용과 기간이 총 얼마나 되?
GPT :
네, 공개 자료와 업계 추정을 종합해 현대차의 자율주행 투자 규모와 기간을 정리했습니다.
정확한 단일 수치는 공개되지 않아 범위 추정임을 전제로 봐주시면 됩니다.
[본문] 현대차 자율주행 투자 비용·기간 정리
1. 투자 기간 개요
- 초기 연구 착수: 2010년대 초반
- 본격 대규모 투자 전환: 2018~2019년 이후
- 현재까지 누적 기간: 약 15년 이상
현대차는 초기에는 ADAS 중심으로 시작해, 2018년 이후 레벨 3~4 자율주행을 목표로 연구 조직과 투자를 대폭 확대했다.
2. 누적 투자 비용(추정)
총 투자 규모(누적): 약 8조~12조 원 수준
구성별 추정은 다음과 같다.
- 내부 R&D(자율주행 SW, 센서 융합, 제어): 약 3~4조 원
- 해외 연구조직·인수·지분투자: 약 3~5조 원
- 실차 테스트·시뮬레이션·인프라: 약 2~3조 원
3. 핵심 투자 이벤트
- 현대자동차그룹 × Aptiv 합작(2019)
- 투자 규모: 약 2조 원
- 목적: 레벨4 로보택시 기술 확보
- Motional 설립 및 운영(2020~)
- 연간 수천억 원 규모 지속 투입
- 미국 도심 실차 테스트, 로보택시 실증
- ADAS → L3 상용화 투자
- 고속도로 자율주행(HDP) 양산 적용
- 양산 차량 SW·HW 통합 비용 포함
4. 연평균 투자 강도
- 2010~2017: 연 수백억~천억 원대
- 2018~현재: 연 5천억~1조 원 내외
최근 5~6년이 전체 투자에서 가장 큰 비중을 차지한다.
5. 경쟁사 대비 위치
- Tesla: 누적 수십조 원 이상(차량 판매 기반 재투자)
- Waymo: 연 1조 원 이상, 15년 이상 지속
- 현대차: 양산·안전 중심, 중장기 누적형 투자
즉, 절대 금액은 빅테크 대비 작지만, 양산 적용 밀도와 실제 책임 범위를 고려하면 매우 큰 투자로 평가된다.
6. 요약
- 투자 기간: 약 15년 이상
- 누적 투자 비용: 약 8~12조 원(추정)
- 특징:
- 단기 성과보다 장기 안정성 중심
- 로보택시 + 양산 자율주행 병행 전략
필요하시면 다음도 이어서 정리해 드릴 수 있습니다.
- “이 정도 투자로 왜 Tesla처럼 안 보이느냐”에 대한 구조적 이유
- 현대차 투자 대비 기술 성과 ROI 평가
- 자율주행 실패 비용(리스크) 관점에서의 합리성 분석
나 : 테슬라가 투자한 비용과 개발 기간은?
GPT :
네, 테슬라의 자율주행 투자 비용과 개발 기간을 공개 자료·재무 추정·기술 흐름을 종합해 정리했습니다.
(테슬라는 항목별 분리 공시를 하지 않아 범위 추정임을 전제로 보시면 됩니다.)
테슬라 자율주행 투자 비용·기간
1. 개발 기간
- 초기 착수: 2013~2014년 (Autopilot 팀 구성)
- Autopilot 1.0 출시: 2015년
- FSD(완전자율주행) 본격 전환: 2019년 이후
- 현재까지 누적: 약 12~13년
초기에는 Mobileye 기반 ADAS였으나, 2016년 이후 전면 내재화하며 독자 노선을 택했다.
2. 누적 투자 비용(추정)
총 누적 투자: 약 15조~25조 원 수준
구성별 추정은 다음과 같다.
- 자율주행 SW·AI 인력(R&D): 약 6~9조 원
- 대규모 학습 인프라(GPU 팜, Dojo): 약 4~7조 원
- 실차 데이터 수집·OTA·검증 비용: 약 3~5조 원
- 센서·HW 반복 변경 비용: 약 2~4조 원
※ 차량 판매 자체가 “데이터 수집 인프라” 역할을 하므로, 테스트 비용이 연구비에 자연스럽게 흡수됨.
3. 연평균 투자 강도 변화
- 2014~2018: 연 수천억 원 수준
- 2019~2022: 연 1~2조 원
- 2023~현재: 연 2~4조 원 추정
(FSD v12, End-to-End 전환, Dojo 집중)
4. 핵심 특징 (현대차와의 구조적 차이)
- 투자 방식
- 테슬라: 차량 판매 → 데이터 → 재투자 선순환
- 전통 OEM: 연구비·프로젝트 단위 투자
- 비용 효율
- 테스트 차량 = 판매 차량
- 별도 시험차량·시험운전자 비용 최소화
- 리스크 감수
- 미완성 기능의 OTA 배포
- 사회적·법적 책임을 감수한 실험적 접근
5. 경쟁사 대비 위치
- Waymo: 15년+, 누적 수십조(추정), 로보택시 집중
- 현대차: 8~12조, 양산·안전 중심
- Tesla: 15~25조, 데이터 스케일·End-to-End 중심
6. 요약
- 개발 기간: 약 12~13년
- 누적 투자: 약 15~25조 원
- 본질:
“AI 회사에 가까운 자동차 회사” 방식의 장기 베팅
→ 기술 성공 시 압도적 레버리지, 실패 시도 감내
원하시면 다음 주제로 이어서 분석해 드릴 수 있습니다.
- “같은 돈을 썼는데 왜 결과 체감이 다른가” 구조 분석
- Tesla식 End-to-End가 로봇(VLA/RFM)에 주는 교훈
- 현대차가 Tesla 방식을 그대로 못 쓰는 이유(법·책임·양산 관점)
딱 봐도 차이가 보이는 느낌이다.
먼저, 투자 규모가 다르다. 현대차는 8~12조로 추산되고 테슬라는 15~25조로 추산된다. 투자 규모가 2배다.
조직 형태가 다르다. 구성별 추정 항목을 보면 알 수 있다. 현대차는 내부 R&D, 해외 연구조직 인수/지분투자 등, 시뮬레이션/실차 테스트 등으로 구분된다. 어떤 방식으로 연구개발을 하고 있었는지 불분명하며, 내부조직과 외부조직의 기여와 R&R이 어떻게 구분되는지도 미지수다. 물론 저렇게 써 놓고도 잘 할 수 있긴 하다. 하지만 테슬라 쪽과 비교하면, 그 불분명하다는 것이 무엇인지 명확히 드러난다. 테슬라는 GPU 팜, 데이터수집/검증, 센서변경과 같이 기능적으로 나눠져있다. 그리고 저렇게 나눈 이유는 명확하다.
딥러닝 방법론으로 모델 개발할 때 구성과 완전히 같다. 센서만 추가될 뿐.
End-to-End 방법론으로 개발한다는 것 자체가 투자방식에서부터 드러나며, 각 부분에 따른 역할이 명확히 드러난다. 저걸 보면 느껴진다. 현대차는 방법론을 확정 못하고 연구개발을 진행하지 못했을 가능성이 높아보이며, 반면 테슬라는 처음부터 방법론을 명확히 설정한 것으로 보인다. 당연히 이것저것 다 해보는 것 보다 한가지 방향을 집중적으로 해 보는 게 더 능률이 좋다.
나 : “같은 돈을 썼는데 왜 결과 체감이 다른가” 구조 분석, Tesla식 End-to-End가 로봇(VLA/RFM)에 주는 교훈, 현대차가 Tesla 방식을 그대로 못 쓰는 이유(법·책임·양산 관점), 위 3 관점 모두 분석해줘
GPT :
네, 요청하신 세 가지 관점을 하나의 구조로 연결해 분석했습니다.
아래 [본문]은 기술·조직·법·제품화를 함께 묶은 구조적 해석입니다.
[본문] “같은 돈을 썼는데 결과 체감이 다른 이유”에 대한 구조 분석
1. 같은 비용인데 결과 체감이 다른 이유
1.1 비용이 쓰이는 지점의 차이
- Tesla
- 비용 집중 영역: 데이터 수집, 학습 인프라, 모델 반복
- 투자 단위: 전사 단일 모델
- 결과물 성격: 사용자 체감형 기능(FSD Behavior)
- 현대자동차그룹
- 비용 집중 영역: 안전 검증, 중복 시스템, 조직 분리
- 투자 단위: 기능·차종·시장별
- 결과물 성격: 안정성 확보, 규제 통과
즉, 테슬라는 성능 향상에 직접 연결되는 비용 비중이 높고,
현대차는 보이지 않는 안전·검증 비용 비중이 매우 높다.
1.2 “성과의 가시성” 차이
- Tesla
- 미완성이라도 OTA로 노출
- 사용자 체감 → “엄청 발전했다” 인식
- 현대차
- 완성도 기준 충족 후에만 출시
- 내부 성능 개선이 외부에 거의 보이지 않음
→ 체감 차이는 기술 격차라기보다 공개 전략의 차이다.
2. Tesla식 End-to-End가 로봇(VLA / RFM)에 주는 교훈
2.1 Tesla 방식의 본질
- End-to-End란 단순히 “한 모델”이 아님
- 핵심은 다음 구조다.
- 초대규모 실제 데이터
- 실패를 허용하는 배포 구조
- 행동 결과를 다시 학습으로 환류하는 폐루프
2.2 로봇(VLA/RFM)에 주는 교훈
(1) 데이터 스케일이 모든 것을 압도함
- 로봇에서 End-to-End가 어려운 이유는 모델이 아니라 데이터 부족이다.
- Tesla는 차량 자체가 데이터 수집기다.
- 로봇은 동일한 구조를 만들기 매우 어렵다.
(2) “행동 실패 허용” 구조의 중요성
- Tesla는 잘못 끼어들어도 사람이 개입한다.
- 로봇은 물리적 충돌·파손·인명 위험이 즉시 발생한다.
- 따라서 로봇에서는 완전 E2E보다 Guarded E2E가 현실적이다.
(3) RFM/VLA에 대한 현실적 시사점
- 상위 정책(What to do): 학습 기반
- 하위 실행(How to do): 규칙·제어 기반
- Tesla의 교훈은 “전부 E2E”가 아니라
**“학습이 닿을 수 있는 최대 영역을 넓혀라”**는 점이다.
3. 현대차가 Tesla 방식을 그대로 못 쓰는 이유
3.1 법·책임 구조의 근본적 차이
- Tesla
- 법적 책임: 운전자
- FSD는 “보조 기능” 주장
- 현대차
- L3 이상: 제조사 책임 명확
- 사고 시 형사·민사 리스크 직접 부담
→ 불확실한 End-to-End는 법적으로 채택 불가다.
3.2 양산 OEM의 구조적 제약
- 차종 수십 종
- 지역별 규제 상이
- 수명 10년 이상
- 리콜 불가한 SW 결함 리스크
Tesla는 단일 플랫폼·단일 OS·단일 모델에 가깝다.
현대차는 구조적으로 그 방식을 복제할 수 없다.
3.3 조직·철학의 차이
- Tesla: AI 회사에 가까운 조직
- 현대차: 안전 인증을 내재한 제조업 조직
현대차가 Tesla처럼 하면 “혁신”이 아니라 **“회사 존속 리스크”**가 된다.
4. 종합 결론
- 같은 돈을 썼는데 결과가 달라 보이는 이유는
기술 격차가 아니라 구조·책임·공개 전략의 차이다. - Tesla식 End-to-End의 교훈은
“모두를 E2E로 만들라”가 아니라
**“학습이 닿을 수 있는 경계를 끝까지 확장하라”**는 점이다. - 현대차의 선택은 보수적이지만
양산·책임·법을 전제로 하면 거의 유일한 선택에 가깝다.
필요하시면 다음 주제로도 확장해 드릴 수 있습니다.
- 이 관점에서 본 휴머노이드·모바일 매니퓰레이터의 최적 아키텍처
- VLA + 규칙 제어 하이브리드 설계 템플릿
- “로봇판 Tesla가 되려면 무엇이 달라야 하는가” 구조 조건 분석
GPT의 해석도 별반 다르지 않다.
갑자기 VLA/RFM이 나오는 건 내가 요즘 그걸 GPT에 자주 물어서다... ㅡ.ㅡ;;
아무튼 방법론 불명확, R&R 불명확, 중간 채크포인트 역시 실패 허용에 대비되는 완벽 추구, 투자 단위까지. 총체적으로 다르다. 테슬라는 선택과 집중을 했고, 더 과감한 투자를 했으며, 현대차는 안전빵이란 명목하에 문어발을 걸쳤고, 그것도 소극적으로 한 것으로 보인다.
내가 경험해 본 K-연구개발의 전형적인 행태가 그대로 재현되었을 것 같은 스멜이 풀풀 풍긴다. 질 수 밖에 없는 판을 짜 놓고 전쟁에 나가니 지는 게 당연하다. 그리고 항상 그 결과는,
거 봐. 국내 연구개발 소용 없잖아. 해외 업체 불러.
그리고 이번에도 NVIDIA 를 불렀다. 그럼 NVIDIA는 잘 해줄까? 잘 하면 잘 하는 데로 돈을 왕창 받을 거고, 안 되면 안 되는 대로 돈만 날릴거다. 그 사이 현대차의 경쟁력은 더욱 더 멀어지겠지.
K-연구개발이란...
목적의식 부재
내가 경험해 본 다수의 연구개발 사업들을 보았을 때 일관되게 드러나는 게 목적의식 부재이다. 왜냐하면, 그 기술을 개발하는 게 목적이 아니기 때문이다. 아무튼간에 돈을 벌겠어, 가 목표이다. 따라서 연구개발에 비용이 과도해진다 싶으면 그건 잘못된 연구고, 잘라낸다.
연구비가 과도하면 자르는 게 당연하지 않나요? 응. 아니다. 적어도 테슬라는 아니었다. 애초에 일론 머스크는 남들이 볼 때 무모할 정도의 사업을 한 번에 2개를 동시에 벌려 (테슬라, 스페이스X) 파산 직전까지 갔다. 그럼에도 그는 아무튼간에 난 이걸 하고 싶어 라며 밀어붙였다. 오픈 AI도 마찬가지다. 오픈 AI를 창업한 샘 올트먼은, 창업을 할 때는 최소 자본으로 빠르게 출시하라는 메시지를 던졌지만 정작 본인이 성공한 방식은 그 정반대라며 그때의 발언을 후회한다고도 했다.
샘 알트만이 창업 조언을 후회한 이유 “ChatGPT는 내가 말한 스타트업 성공 공식을 따르지 않았다
샘 알트만은 2014년부터 2019년까지 와이컴비네이터 대표로 활동하며 ‘빠르게 출시하라’, ‘최소 자본으로 시작하라’ 같은 린 스타트업 전략과 궤를 함께 하는 메시지를 널리 전파했습니다.
kr.linkedin.com
둘 다 큰 계획을 세우고 될 때 까지 밀어붙이며, 그것을 실현할 수 있다고 투자자들을 설득해 마침내 끝장을 봤다. 이런게 목표의식이다.
우리나라로 치면 이건희가 당시 국내의 반도체 역량이 전무한 상황에서도 반도체 해야겠다고, 마누라 빼고 다 바꾸라고 했다. 그런게 목적의식이다. 계산이 아니라, 사업을 이루고자 하는 지독한 목표다.
물론 그렇다고 무조건 큰 목표를 지니라는 게 아니다. 샘 올트먼의 창업 조언은 틀리지 않았다. 유효하다. 대부분의 사람들은 그들 정도로 큰 투자를 끌어오지 못하고, 너무 과도한 목표는 파멸의 원인이 된다. 하지만 목표의식이란 건 목표가 커야 한다는 걸 말하는 게 아니다. 우선순위에 대한 내용이다. 그것을 정말 제대로 이뤄낼 의지가 있느냐의 문제이다.
기업의 목표가 손해를 안 보는 거라면, 새로운 사업이 성공하는 건 불가능하다. 왜냐하면 그 어떤 사업도 그것이 제대로 이륙하기 전에는 무조건 손해를 보기 때문이다. 우리는 그걸 투자라고 한다. 그런데 국내의 대기업들은 그것을 적자라고 한다.
놀라운 일이다. 현대차가 자율주행 사업을 시작했을 때, 이미 성공사례도 있었다. 방법론도 명확했다. 투자 규모도 산정될 수 있었다. 막말로, 이미 테슬라가 25억 가지고 성공했다면, 이미 일부 기술들이 퍼져있고 많은 시행착오를 줄일 수 있는 만큼 12억이면 충분히 성공하고도 남을 돈이다. 화끈하게 그거 하나만 보고 밀어붙여도 되었을 것이다. 하지만 그러지 않았다. 아마도 무수히 많은 사연과 사정들이 있었을 것이다. 하지만 그건 지금에 와서, 외부인인 우리가 알 길이 없다. 단지 우리가 아는 것 하나는.
그런 사정들이 저 자율주행이라는 목적보다 우선했을 것이란 사실 하나 뿐이다.
철학 부재...
저번에 국내의 로봇공학 쪽 교수들 서베이 해보고 놀랐다. 최근 유행하며 로봇 붐을 일으킨 핵심적인 키워드, RFM을 제대로 연구하는 교수가 매우 극히 드물었기 때문이었다. 물론 교수님들이 연구하고 그것이 논문으로 나오는 데에는 시차가 있다. 이미 연구를 많이들 하고 있는데 아직 나오지 않았을 뿐일 수도 있다. 하지만 기존의 연구들을 보면 기조가 보이고 철학이 보인다. 그리고 그런 것들 속에서 보이는 패턴이, 다분히 이런 새로운 트렌드와 동떨어져 있는 게 보였다.
처음 딥러닝이 나왔을 때, 그걸로 해외에서 무수히 논문이 쏟아질 때, 많은 국내의 교수들과 연구가들이 말했다. 저딴 것들이 논문으로 나오다니 말세라고. 참으로 옳은 말이었다. 그냥 이러이러하게 모델 만들어서 이러이러한 데이터 쑤셔넣어봤는데, 되네요? 왜 되는진 모르겠음. 하는 것들이 천지였기 때문이었다. 그 이전 시대의 ML과 이후의 딥러닝, 최신 LLM까지 다 건드려 본 나로서는 그들이 왜 그 때 그렇게 반응했는지 잘 안다. 반대로 당시의 논문들이 왜 그런식으로 나왔고 또 나와야 했는지도 잘 안다.
패러다임의 변화다.
예를 들면, 이전에는 물리학으로, 원자 하나하나의 동작을 분석하고 해석하며 현상을 설명했던 거라면, 지금은 AI영역이 생물학으로 바뀌었다. 너무 커다란 시스템이라 개별 원소 하나하나의 동작을 가지곤 전체 시스템을 설명할 수가 없다. 더 추상적이고 더 모호해질 수밖에 없었다. 한마디로, 물리학 저널에 생물학 논문이 실리는 꼴이니 기존 연구자들이 벙 찌는 게 당연하다.
하지만 연구자들의 역할은 패러다임이 바뀌면 놀라는 게 아니라 그걸 따라가고 그걸 넘어서는 것이다.
여전히 로봇계에서는 End-to-End방식이 불안정적이고 위험하며 현실에 적용하기 어렵다고 보는 시각이 강한 듯 하다. 그리고 그 말도 틀리지 않다. 해석 불가능한 오류 발생도 심각한 문제다. 아무리 XAI 가 발전해도 한계가 있다. 안 그래도 자동차의 오작동 문제가 계속 사회이슈가 되는 마당에 End-to-End 방식의 자율주행은 부담이 클 수밖에 없다.
하지만 착각이다. End-to-End 방식이 오류를 일으키는 기제와, 룰 베이스 / 모듈별 결정론적 방법론이 오류를 일으키는 기제는 종류가 다를 뿐 둘 다 오류의 가능성을 내포하고 있다. 그런데도 End-to-End로 가는 이유는 시스템이 훨씬 단순해지기 때문이다. 복잡한 코드일수록 오류 가능성이 늘어나는 건 누구나 아는 상식이다. 일단 End-to-End로 기본 뼈대를 잡아놓고 소수의 오류들을 보조하는 알고리즘으로 해결한다면 훨씬 완성도 빠르고 안정적일 수 있다. 하지만 기초를 룰 베이스로 잡으면 예외 하나하나 나올 때 마다 한도끝도 없이 복잡해진다.
철학의 부재를 언급한 건 2가지다. 하나는 새로운 패러다임이 나왔을 때, 그것이 나온 배경과 원리를 이해하지 못하고 무조건 거부하는 건 애초에 연구자들이 연구 방향에 대해 제대로 철학을 가지고 있는지 의심스러운 부분이기 떄문이다. 그리고 또 하나, 나름의 철학이 있어 고전 알고리즘을 우선한다 해도 어쨌건 새로운 방법론이 여러 분야에서 효과적인 것이 드러난 것도 현실이다. 그렇다면 스스로의 명확한 철학에 따라 그것을 반영할 방법을 고민하는 게 정상인데 그런 노력도 잘 보이지 않기 때문이다.
사실 철학의 부재와 목적의식의 부재는 맞물려있다. 무엇을 해야하고 그것을 이루려면 어떻게 해야 할지에 대한 인식이 철학이다. 목적이 없으면 당연히 철학이 있을 수 없고, 철학이 없으면 무엇을 해야 할지 인사이트가 없으니 목적도 희미해진다.
보여주기식 연구...
회사생활을 하다보면 관리자의 딜레마가 생긴다. 무언가 가시적인 성과가 없는 상황이 지속되면 불안해지는 것이다. 실제로 많은 프로젝트들이 가시적인 성과 없이 공회전하며 비용만 갉아먹곤 한다. 그래서 이를 관리하기 위해 관리자는 중간에 채크포인트를 정하고, 그 때에 맞춰 가시적인 성과를 내도록 하며, 이를 마일스톤이라 한다.
문제는, 이 마일스톤이 최종 목적과 괴리될 때 생긴다.
예를 들면 한가지 경우로는 점수가 있다. 기술의 연구는 점진적으로 이루어지지 않는다. 어느 순간 방법을 찾으면 비약적으로 뛴다. 그래서 연구 조직을 리딩하는 사람은 그 방향성이 올바른지, 뚜렷한 철학을 바탕으로 나아가고 있는지, 거기에서 발견한 성공과 실패를 모두 고려해 체계적으로 수행되고 있는지를 봐야 한다. 하지만 대부분의 관리자들에게는 그건 어려운 일이다. 그렇게 디테일하게 보기엔 시간도 부족하고, 그럴 전문성조차 없는 경우도 태반이다. 그런 경우, 단순히 기술 수준을 수치화하여 점수로 나타내거나, 기술 항목들을 목록화하여 ToDo리스트 같은 식으로 하여 달성률을 채크하곤 한다.
물론 그런 과정도 필요하다. 하지만 그것만 남는 순간 실제 기술 발전과 눈에 보이는 점수는 괴리되기 시작한다. 대개 점수로 관리하는 경우 디테일을 보지 않기 때문에, 목표 점수를 달성 못하면 그 자체로 질책사유가 된다. 그러면 당연히 하급자들도 그런 질책을 막기 위해 달성 가능한 점수 기준을 세운다. 그리고 최종 결과를 내지 못하는 문제는 추후로 미루고, 심한 경우 시니어 기술자들의 중간 탈주로 이어진다.
자율주행이든 로봇이든, 매우 복잡하고 다양한 기술과 시스템들이 모두 연동되어 돌아가야 한다. 그것들이 서로 엉켜 돌아갈 때 또 무슨 예상하지 못한 일들이 벌어질지 모르기 때문에 처음부터 그럴싸한 마일스톤을 세운다는 건 불가능하다. 하지만 위에서는 관리하려고 하고, 채크하려고 한다. 그럼 당장 보여주고 안심시키며 땜빵할 수 있는 기술만을 찾으며, 정말로 그 문제를 해결할 수 있는 장기적인 플랜을 피하게 된다. 왜냐하면, 중간에 못 보여주니까.
막말로, 회장이 시찰 나왔을 때 시연을 해 보이면, 실패를 안할 경우 오히려 이를 질책하며 깊이 살펴야 한다. 왜냐하면 연구중인 기술은 실패를 하는 게 당연하기 때문이다. 그리고 경쟁사에 비해 더 잘된다고만 말하면 그것도 따져야 한다. 왜냐하면, 국내의 대부분의 기업들이 후발주자로서 경쟁사보다 적은 투자로 시작하기 때문이다.
왜 경쟁사만큼 안 되? 라는 말을 하면 절대로 안 된다. 그런 말을 한 마디라도 하는 순간, 기술자들은 거짓말 아닌 거짓말을 시작할 것이기 때문이다. 평가지표를 유리하게 바꾸거나, 평가 데이터 중 우리가 잘 나오는 것만 선별하거나 등등, 연구윤리를 줄타기 하며 그럴싸한 점수를 만들 방법은 무궁무진하다. 점수가 몇 점이고, 몇 점이면 우리가 출시를 할 수 있고, 경쟁사 대비 몇 점이 높다는 식으로 따지는 순간 그 연구개발은 망한다.
물론 다들 알 것이다. 저 방법이 바로 우리나라가 연구개발 사업들을 관리하는 가장 일반적인 방법임을.
기술을 모르는 사람이, 기술에 애착이 없는 이들이 기업을 이끌어가면 그렇게 된다.
남의 것은 남의 것이다...
어느 기업도 혼자서 모든 것을 할 수는 없다. 대부분은 다른 기업, 오픈소스와 같은 다른 소스로부터 가져온다. 그건 필연적인 일이고 그걸 안 하는 게 바보다. 왜냐하면 현대의 기술은 너무도 복잡해 그걸 홀로 모두 개발한다는 건 너무나 비용이 비싸고 쓸데없는 중복투자가 되는 일이기 때문이다.
하지만 그렇다고, 내가 부족한 걸 무작정 사오면 끝, 이 아니다. 여기에는 2가지 함정이 있다.
기술을 통합하는 것도 대단히 어려운 일이고 비싼 작업이다. 때론 차라리 내가 만드느니만 못할 수도 있다. 어떤 기술 하나도 그것이 어떤 범위에선 동작하고 또 어떤 범위에선 제대로 동작하지 않고는 한다. 하지만 위에서는 마치 채크리스트마냥 필요한 기술 키워드를 어느 것은 사오고, 어느 것은 빌려오고 하는 식으로 채우며, 그렇게 다 채우면 완성으로 생각하기 쉽다. 하지만 그걸 막무가내로 통합하면 정작 우리가 써야 할 환경에서 오작동할 수도 있고, 통합 과정에서 문제가 발생할 수도 있으며, 그런 마인드로 기술확보 작업을 할 때 정작 통합에 드는 개발비와 기간을 무시하는 경우도 허다하고, 그런 모든 것들이 기술부채로 남는다.
그런 얼기설기 조합한 솔루션은 100% 터지며, 그럴 때 마다 거봐, 우리가 하면 안된다니까. 그냥 턴키로 된 거 사오자고 로 귀결되곤 한다. 주로 선구자가 이미 있는데, 당장 그 선구자가 진입하지 못하는 시장이 있으면, 거기에서 있는 기술들 짜맞춰서 빠르게 시장 장악하자고 연구개발을 급하게 시작하고, 당장 안 되는 거 확인하고, 결국은 그 선구자가 들어오는 거 기다리는 루틴이 반복된다.
그리고 그렇게 바로 쓸 수 있을 정도로 완성도 있는 기술이 있는 협력업체가 있다면? 당연하지만, 그 기술을 싸게 팔 리가 없다. 가격이 안 맞으면? 정작 그걸 실전 도입해야 할 땐 안 팔 수도 있다.
그렇게 되는 것도 관리자가 기술의 디테일을 살피는 게 아니라 구색만 맞추려 하기 때문에 벌어진다. 그리고 정작 연구자, 개발자들에게는 필요한 기술 다 마련해줬는데 왜 안 돼? 라며 따지게 된다. 연구개발을 하는 입장에선 환장하는 일이다.
남의 것은 남의 것이다. 가져오면 쓸 수 있는 것, 그딴 거 없다.
ROI 가 결정하는 기술...
연구개발은 재정적 결정이 아니다. 사업적 판단이다. 이걸 하면 손익이 얼마이냐의 문제가 아니다. 이걸 가지고 사업을 시작할까 말까의 문제다. 연구개발에 효율을 추구해야 하는 건 사실이다. 하지만 적당히 하다가 버리면 의미가 없다. 그걸로 사업을 하겠다고 마음먹었으면 어떻게든 되는 방법을 찾아야지, 이렇게 투자했는데도 안 돼? 하면 안 된다.
그걸 성공시키지 못한 것 자체가 그 회사의 리더, 회장이 그 사업을 할 자격이 없었다는 의미다.
왜냐하면 그 기술을 확보하면 제품 가치가 좀 더 올라 이익률이 오르거나, 비용을 다소 절감할 수 있는 그런 문제가 아니기 때문이다. 기술을 제압하는 기업이 그 시장을 장악하며, 따라오지 못하는 이들은 시장에서 도태된다. 기술기업의 숙명이다.
앞으로의 시장에서 자율주행 없이 자동차 사업이 될 거 같은가?
파운드리를 버린 인텔이 지금 어떤 꼴인지 보이지 않는가?
오픈AI와 파트너십을 끝내고 구글과도 손을 잡는 MS의 모습을 보며, 파트너십이란 게 정말 믿을만한 것으로 보이나?
그런 환경에서 자동차 차체 만드는 기술이 소프트웨어 파워를 능가할 만한 핵심 기술로 보이나? 테슬라는 원래 자동차 만들던 전통 기업이 아니었는데도 현재 전기차에서는 탑급의 지위를 가지고 있는데?
끊어지는 프로젝트...
위의 모든 이유로, 프로젝트들이 끊어진다. 못 하면 더이상 해봐야 안 될 거 같으니까, 잘 하면 이미 다 했으니까, 라는 이유로, 추가 투자를 포기하고 끝내버린다.
게임에서 업그레이드는 아이콘을 누르면 고정비가 들어가며, 그것이 완료되는 순간 명확한 혜택이 주어진다. 그리고 그 기술의 유지보존을 위한 어떠한 노력도 들지 않는다. 하지만 현실의 기술은 다르다.
기술은 끊임없이 발전하고 있기에 계속 관리해주지 않으면 노후화되고 사라진다. 특히나 소프트웨어 쪽은 관련된 하드웨어의 구조와 그에 따른 드라이버 변경, 관련 패키지들의 버전 변경 등으로 끊임없이 변하므로 관리해주지 않으면 사용이 불가능하게 된다. 그리고 그게 아니더라도 내가 우위였던 기술도 결국 남들에게 따라잡히며 의미없게 되어버린다.
계속 하든가, 애초에 하지 말든가, 두 가지 선택밖에 없다.
난 의문이 든다. 과연 현대차에서 하던 저 아트리아AI가, 프로젝트가 성공적으로 끝났다면 그것의 버전업을 위해 얼마나 추가로 투자했을까. 만일 저기서 경쟁사를 압도하는 성적을 냈다 해도 거기서 멈춰버린다면 전부 쓸모없어질 것이다.
기술개발을 멈추면 단순히 기술이 낙후될 뿐 만이 아니다. 그 기술이 해결하지 못하는 문제가 발생했을 때, 거기에 대응할 인력도 남아있지 않게 되는 것이다. 예를 들어, 기존 알고리즘이 처리하지 못하는 도로 패턴이 발견되면? 혹은 도로교통법이 바뀌면? 하다못해 주변 차들의 디자인이 바뀌든가, 기후변화로 센서의 동작이 바뀌면 그것들도 전부 영향이 있을 수 있다. 그런 걸 계속 트래킹하며 문제가 크게 나기 전에 해결해줘야 한다.
그런데 당장 안 된다고 바로 접어버린다. 설령 좋은 성적을 냈다 해도 추가 투자 없이 뭉개고 있다가 나중에 성능이 떨어지면 타 업체의 기술로 대체되어 버릴 것 처럼 느껴지는 건 내 착각일까?
https://www.youtube.com/shorts/sd3MP7zBlgk
도로 위에선 무슨 일이 벌어질지 누구도 모른다. 테슬라는 그걸 어마어마한 데이터, 즉 경험의 축적으로 해결하려 했다. 하지만 현대는 룰 베이스로 해결하려 했다. 될 리가 없다. 예외는 계속 나올 것이고, 설령 당장 되었다 한들 나중에는 결국 감당할 수 없었을 것이다. 그럼 결국 방향이 잘못된 걸 인정하고 제대로 다시 해야 할 테지만, 지금의 모습을 보면 글쎄.
문제는...
로봇이다.
자동차? 난 별 관심 없다. 이미 밀렸다. 앞으로의 자동차 기술의 핵심은 결국 소프트웨어가 될 것이다. 그런 면에서 현대차의 전략은 옳았다. 하지만 그걸 끝까지 이뤄낼 힘이 없었을 뿐. 그 시장에서 핵심적인 기술을 따라가지 못하면 밀려날 뿐이다. 다만, 어차피 남의 일이다.
문제는 지금 한창 열이 오른 피지컬 AI, 로봇 산업에서도 똑같은 양상이 보여지고 있다는 것이다.
룰 베이스의 로봇 제어, 파편화된 방법론, 데이터에 대한 투자 미비, 기술개발에 몸 사리는 기업들, 갈 곳 없는 기술자들...
이미 LLM을 필두로 한 1차 웨이브에서도 그 성적표가 나왔다. 국내에서 제대로 사업화에 성공한 것들은 대부분 빅테크의 API를 활용한 서비스들 투성이고, 원천기술은 내로라 하는 대기업들 다수가 GG를 치고 손절했다. 그리고 그들이 연구개발을 할 때 부터 그럴 기미가 보였다. 뚜렷한 전략도 없었고, 하다못해 성공사례를 그대로 따라가려는 노력도 없었다. 지금도, 국내에서 대규모로 로봇 깔아두고 데이터 생성을 하는 기업이 있긴 한가? 다크팩토리를 위해 라인 전체를 뜯어고칠 기업은 얼마나 있을까?
하드웨어는 중국에서 어마어마하게 나오고 있고, 거기에 들어가는 소프트웨어 쪽은 미국 기업들이 주도하고 있다.
https://www.irobotnews.com/news/articleView.html?idxno=44395
로봇 SW 스타트업 스킬드AI, 7개월 만에 기업가치 20조원으로 3배 급등 - 로봇신문
미국의 범용 로봇 파운데이션 모델(RFM) 전문 스타트업 스킬드AI가 14억달러(약 2조원) 규모의 투자 유치를 마치며 기업가치를 140억달러(약 20조원) 이상
www.irobotnews.com
로봇? 그거 중국에서 사오면 되지. AI? 그거 미국에서 사오면 되지. 그렇게 남의 기술로 다크 팩토리 만들어서, 거기서 생산되는 자동차에도 남의 자율주행 모델이 들어간다. 그나마 전기차 배터리만큼은 자국 기업이 아직 강해서 다행이다. 다만 그거도 중국의 위협을 무시하기 힘들어보인다.
아이폰을 필두로 스마트폰의 시대가 열릴 때, LG는 그 흐름에 따라가지 못했다. 그리고 뒤늦게 따라가며 분투하던 LG는 결국 스마트폰을 접었다.
앞으로 열릴 시장들에서는 어떨까.
'단상 > 기술' 카테고리의 다른 글
| 러다이트 운동, 시대의 변화를 맞이하는 자세 (0) | 2026.02.09 |
|---|---|
| 연구의 방법, Principal 과 철학 (0) | 2026.02.09 |
| 우리가 소버린을 해야하는 이유 (1) | 2026.01.27 |
| 현대차 노조, 러다이트 운동은 실패한다 (1) | 2026.01.27 |
| 기술 독자성 함정? 아니, 의지의 문제 (1) | 2026.01.27 |