지난 20년 동안 자율주행 기술은 풀리지 않는 난제와 같았다. 인간은 도로 위에서 예상치 못한 상황을 유연하게 판단하고 해결하는 능력이 탁월하지만 이러한 복잡다단한 인간의 운전 패턴을 시스템 안에서 ‘규칙’의 형태로 구현하는 것은 매우 어려웠다. 실제 도로 환경에서 마주치는 상황이 너무나 다양하고 복잡했기 때문이다.

모든 상황을 일일이 규칙으로 정의하려는 시도는 시스템의 복잡도를 기하급수적으로 증가시켰고, 결국 엣지케이스(돌발 상황)를 처리하지 못하는 한계에 부딪혔다. 그래서 인공지능(AI)을 부분적으로 도입했음에도 ‘과연 자율주행이 상용화 수준에 도달할 수 있을까’라는 회의적인 시각이 여전하다.

이런 난제를 해결할 실마리는 의외로 챗GPT와 같은 대규모언어모델(LLM)의 발전에서 찾아볼 수 있었다. LLM 개발은 인류가 축적해 온 방대한 문장 데이터를 학습시키면서 획기적인 성과를 거뒀다. 데이터의 양과 모델의 크기가 커질수록 인공신경망의 성능이 지속적으로 향상되는 현상, 즉 ‘스케일링 법칙’이 나타난 것이다.

자율주행 기술 역시 이러한 접근 방식을 받아들이기 시작했다. 미국의 테슬라는 매일 도로 위에서 생성되는 방대한 주행 데이터에 주목했다. 운전자가 주어진 환경에서 어떤 판단과 조작을 했는지에 대한 기록을 모아 인공신경망이 사람의 운전 패턴을 모방하도록 학습시켰다. 테슬라는 학습 데이터 규모가 증가함에 따라 성능이 향상되는 스케일링 법칙의 효과를 경험했다. 이전에는 규칙 기반 접근으로는 해결할 수 없었던 수많은 엣지케이스들이 데이터의 확대를 통해 점차 해결되기 시작했다. 이를 기반으로 테슬라는 센서 입력부터 차량 제어까지 단일 AI 모델로 처리하는 엔드투엔드(End to End) 자율주행이라는 기술을 완성시켰다.

이는 자율주행 기술의 새로운 패러다임의 등장을 의미한다. 주행 중 발생하는 다양한 도전적 상황들을 더 복잡한 규칙 기반이 아닌 데이터 중심의 접근을 통해 해결하는 시대가 온 것이다. 데이터의 규모와 다양성이 커질수록 자율주행 시스템은 점차 인간 운전자의 수준에 가까운 성능을 보이게 된다.

이러한 데이터 중심 AI 모델을 학습시키기 위해서는 막대한 컴퓨팅 자원이 필수적이다. 언어모델의 성공이 대규모 데이터센터 인프라에 의해 가능했듯이 자율주행 모델의 성공 또한 그래픽처리장치(GPU) 기반의 데이터센터 지원이 뒷받침돼야 한다. 실제로 테슬라와 같은 해외 기업들은 수조 원 규모의 투자를 통해 전용 데이터센터를 확장하고 있다. 따라서 우리에게 자율주행 전용 데이터센터의 구축과 운영은 매우 시급한 과제다. 막대한 자본력으로 인프라에 직접 투자하는 해외 기업들과 자금력이 상대적으로 부족한 국내 기업 간의 기술 격차는 점점 벌어지고 있는 것이 현실이다.

4차 산업혁명 시대, 자율주행 기술은 자동차 강국으로서의 위상을 유지하고 새로운 도약을 이루기 위한 중요한 기회다. 이 기술의 성공을 위해서는 패러다임 전환의 본질을 정확히 이해하고, 데이터 학습이 가능한 인프라 체계를 선제적으로 구축해야 한다. 이를 위해 정부와 산업계, 학계가 긴밀히 협력해 공동의 방향성을 가지고 나아가는 것이 무엇보다 중요하다.

최준원 서울대 교수