NVIDIA Alpamayo 2 Super, 상업적 활용 가능해졌지만 로보택시 안전성은 여전히 시험대

NVIDIA가 Alpamayo 2 Super를 공개했다. 이 340억 파라미터 규모의 주행 모델은 최초 공개부터 상업 개발자가 수정, 미세 조정, 재배포할 수 있다. nvidia alpamayo 업데이트가 중요한 이유는 라이선스 장벽을 없애는 동시에 모델의 범위를 시각적 해석에서 추론, 계획, 행동으로 확장했기 때문이다.

이 조합은 자율주행 팀의 부담을 키운다. 이제 이들은 대규모 모델을 연구하고, 비공개 플릿 데이터로 맞춤화하며, 그 동작을 더 작은 시스템으로 증류할 수 있다. 그러나 다운로드 가능한 가중치와 우수한 벤치마크 결과가 운전자 없이 승객을 태울 준비가 된 차량임을 입증하는 것은 아니다.

따라서 핵심 경쟁 구도는 NVIDIA와 특정 로보택시 사업자 간의 대결이 아니다. 이는 NVIDIA의 오픈 교사 모델 전략과 선도적 자율주행 프로그램이 활용하는 폐쇄형 수직 통합 개발 경로의 경쟁이다. Waymo를 비롯한 사업자는 독점 플릿 데이터, 내부 시뮬레이션, 안전 프로세스, 엄격히 통제된 배포를 기반으로 시스템을 구축한다. NVIDIA는 공유 기반 모델이 이러한 통제를 대체하지 않으면서도 여정의 일부를 단축할 수 있다고 보고 있다.

NVIDIA Alpamayo 2 Super가 실제로 바꾸는 것

이번 공개는 이전에 발표된 연구 플랫폼을 자율주행 팀이 살펴보고 맞춤화할 수 있는 상업적 기반 모델로 전환한다.

NVIDIA는 2026년 5월 31일 GTC Taipei에서 Alpamayo 2 Super를 처음 소개했다. 당시 회사는 여름 동안 추론 코드와 모델 가중치를 제공할 것이라고 밝혔다. 이번 공개는 발표 단계에서 다운로드 가능한 결과물로 전환하겠다는 약속을 이행한 것이다.

모델 가중치는 Linux Foundation의 OpenMDW-1.1 라이선스를 사용한다. NVIDIA는 관련 추론 코드를 Apache 2.0으로 배포한다. 이 조건들은 기업이 모델을 시험하기 전에 별도의 연구 전용 예외를 협상하도록 요구하지 않으면서 상업 개발을 허용한다.

이 구분은 중요하다. “오픈”으로 설명되는 모델도 상업적 이용, 재배포 또는 파생 제품에 제한을 둘 수 있다. 더 명확한 권한은 로보택시 개발사, 자동차 제조사, 공급업체 또는 연구소가 알려진 조건 아래 동일한 기반을 평가할 수 있게 한다.

340억 파라미터라는 총규모는 320억 파라미터의 비전·언어 백본과 주행 출력을 위한 행동 구성 요소를 결합한 것이다. NVIDIA의 이전 자료는 때때로 이 모델을 320억 파라미터 백본 기준으로 설명했다. 업데이트된 공개 요약은 완전한 시스템 기준으로 340억을 사용한다.

Alpamayo 2 Super는 시각적 관찰과 언어와 유사한 추론을 예측 행동에 연결하는 비전·언어·행동 모델, 즉 VLA다. 다중 카메라 주행 맥락을 받아 텍스트 설명에 그치지 않고 미래 궤적을 생성할 수 있다.

이 시스템은 관찰과 주행 결정을 연결하는 구조화된 설명에 대한 NVIDIA의 용어인 인과관계 추적도 생성한다. 관련 객체를 식별하고, 충돌 요인을 설명하며, 고수준 행동을 선택하고, 차량의 움직임을 예측할 수 있다.

이 출력은 보행자, 신호등 또는 차선 표시를 인식하는 수준을 넘어선다. 이 모델은 특정 객체가 왜 중요한지와 차량이 어떻게 대응해야 하는지를 표현하도록 설계됐다. 이러한 초점 때문에 Alpamayo는 단순 인지 모델이 아니라 오프라인 교사 및 개발 도구에 가깝다.

NVIDIA는 입력도 전방 중심 카메라에서 6개 카메라 기반의 360도 커버리지로 확장했다. 카메라당 4개의 과거 프레임은 모델에 시간적 맥락을 제공한다. 합류, 차선 변경, 교차로 이동 중 차량 측면과 후방의 상황을 고려할 수 있다.

궤적 출력은 0.1초 간격의 64개 웨이포인트를 통해 6.4초를 포괄한다. 각 지점은 차량 좌표계에서 예측된 위치와 방향을 나타낸다. 이 출력은 평가 도구, 라벨링 워크플로, 또는 후속 계획 시스템에 활용할 수 있다.

메타 행동은 또 다른 계층을 더한다. 모델은 세부 경로를 표현하기 전에 정지, 양보, 차선 변경 같은 고수준 결정을 할당할 수 있다. 개발자는 선언된 의도와 결과 궤적 및 추론 추적을 비교할 수 있다.

따라서 당장의 변화는 단순한 파라미터 증가보다 크다. NVIDIA는 가중치, 코드, 라이선스가 상업적 실험을 지원하는 다중 출력 교사 모델을 공개했다. 이는 폐쇄형 개발 프로그램에 압력을 가하지만, 이들의 운영상 우위를 없애지는 않는다.

오픈 로보택시 모델이 폐쇄형 스택에 압력을 가하는 이유

NVIDIA는 Waymo 규모의 데이터와 인프라 운영이 없는 팀에도 비용이 많이 드는 자율주행 연구 계층을 제공하고 있다.

수직 통합 로보택시 기업은 거의 모든 관련 입력을 통제한다. 플릿 데이터를 수집하고, 어려운 장면에 라벨을 붙이며, 독점 모델을 학습하고, 시뮬레이션 시스템을 운영하고, 릴리스를 검증하며, 공공도로의 차량을 관리한다. 이러한 통제는 일관성을 뒷받침하지만 상당한 자본과 전문 인력도 필요로 한다.

Alpamayo 2 Super는 다른 출발점을 제시한다. 팀은 이 모델을 사용해 장면을 검토하고, 궤적을 제안하며, 추론 라벨을 만들고, 더 작은 모델을 지도할 수 있다. 더 이상 모든 추론 실험을 무작위로 초기화된 구성 요소나 범용 비전 모델에서 시작할 필요가 없다.

이번 공개는 유용한 주행 데이터를 보유했지만 성숙한 기반 모델이 없는 기업에 특히 관련성이 크다. 자동차 제조사는 양산 차량의 영상을 보유할 수 있다. 공급업체는 특정 센서 구성에 익숙할 수 있다. 대학은 강력한 평가 방법을 갖추고 있지만 학습 역량은 제한적일 수 있다.

오픈 가중치는 이들 조직이 지역 전문성과 공통 기반을 결합할 수 있게 한다. 지역 교통 패턴, 다른 카메라 배치 또는 내부 주행 정책에 맞춰 모델을 미세 조정할 수 있다. 또한 민감한 플릿 영상을 폐쇄형 외부 API로 보내지 않고도 실패 사례를 검토할 수 있다.

NVIDIA는 이전 Alpamayo 모델의 다운로드가 약 40만 건에 이르렀다고 밝혔다. 이 수치는 실제 서비스 도입이 아니라 관심도를 측정한다. 그럼에도 연구자들이 범용 시각 추론 시스템과 완전한 독점 자율주행 스택 사이에 위치한 주행 특화 모델을 원한다는 점을 보여준다.

더 폭넓은 플랫폼은 이 제안을 강화한다. Alpamayo는 Physical AI Autonomous Vehicles 데이터세트, AlpaSim 시뮬레이션, AlpaGym 학습, NVIDIA의 NuRec 재구성 기술과 연결된다. 각 구성 요소는 기록된 데이터와 시험된 주행 정책 사이의 서로 다른 단계를 다룬다.

오픈 주행 데이터세트는 25개국 2,500개 이상의 도시에서 수집한 1,727시간의 주행 데이터를 담고 있다. NVIDIA는 이 컬렉션에 다중 카메라와 라이다 커버리지를 갖춘 310,895개 클립이 포함됐다고 보고한다. 레이더는 163,850개 클립에 포함된다.

이 수치는 주요 상업 플릿이 축적한 데이터 규모와는 맞먹지 않는다. 그러나 공개 접근은 소규모 팀에 실험과 비교를 위한 일관된 기반을 제공한다. 이들은 자체 제한 데이터를 추가하기 전에 워크플로의 일부를 재현할 수 있다.

NVIDIA는 사후 학습 레시피도 제공한다. 이는 개발자가 지도 미세 조정 또는 강화학습을 사용해 사전 학습 모델을 맞춤화하도록 돕는다. 이 레시피는 설정 작업을 줄이지만, 신중한 데이터 선택, 보상 설계, 검증의 필요성을 없애지는 않는다.

바로 이 지점에서 폐쇄형 스택에 대한 압력이 구체화된다. NVIDIA는 Waymo와 운행 건별로 경쟁하는 공개 로보택시 서비스를 제공하는 것이 아니다. 대신 기저 개발 인프라의 일부를 재사용 가능한 제품 계층으로 전환하고 있다.

이 접근 방식은 다른 AI 시장에서의 NVIDIA 전략과 닮아 있다. 회사는 컴퓨팅, 소프트웨어 라이브러리, 참조 모델, 배포 도구를 제공하고 고객이 최종 애플리케이션을 구축한다. 자율주행에서 이 전략은 NVIDIA의 역할을 차량 하드웨어에서 학습 데이터, 시뮬레이션, 추론, 모델 개발로 확장한다.

공유 기반 모델은 인력 효율성도 개선할 수 있다. Alpamayo 2 Super는 원시 클립에서 구조화된 라벨을 생성하는 추론 자동 라벨링을 지원한다. NVIDIA는 이 과정이 주석 작업 주기를 수개월에서 수일로 줄일 수 있다고 밝혔지만, 독립 팀은 자체 워크플로에서 이 주장을 검증해야 한다.

경제적 질문은 하나의 모델이 자율주행 부서를 대체하는지 여부가 아니다. 대체하지 못할 것이다. 핵심은 오픈 교사 모델이 더 많은 기업이 특화된 주행 시스템을 학습할 수 있을 만큼 반복 작업을 줄여 주는지다.

그렇다면 폐쇄형 프로그램은 더 넓어진 개발자 생태계와 경쟁하게 된다. 이들의 독점 데이터와 배포 경험은 여전히 가치가 있지만, 정교한 주행 모델에 대한 독점적 접근은 방어하기 어려워진다.

핵심은 차량마다 340억 파라미터 컴퓨터를 넣는 것이 아니라 교사 모델이다

Alpamayo 2 Super는 전체 규모가 직접적인 실시간 차량 제어에 적합하지 않기 때문에 더 작은 주행 모델을 가르치도록 설계됐다.

340억 파라미터 모델은 상당한 메모리와 컴퓨팅 성능을 요구한다. 자율주행 차량에는 예측 가능한 응답 시간, 통제된 전력 소비, 중복된 안전 동작도 필요하다. 이러한 제약 때문에 전체 모델을 직접 배포하는 방식이 기본 선택지가 될 가능성은 낮다.

대신 NVIDIA는 Alpamayo 2 Super를 오프라인 교사로 포지셔닝한다. 교사 모델은 더 작은 학생 모델이 모방하도록 라벨, 설명, 궤적 또는 중간 특성을 생성한다. 이후 학생 모델은 더 낮은 지연 시간으로 차량 하드웨어에서 실행될 수 있다.

더 큰 모델의 동작을 더 작은 모델로 옮기는 과정인 증류는 이 계획의 핵심이다. 개발자는 NVIDIA DRIVE AGX Thor 또는 다른 목표 플랫폼용 소형 정책을 학습할 때 Alpamayo의 출력을 지도 신호로 활용할 수 있다.

모델은 여러 방식으로 이 과정을 도울 수 있다. 첫째, 원시 주행 영상에 객체와 공간 참조를 라벨링할 수 있다. 둘째, 상호작용을 설명하는 인과관계 추적을 생성할 수 있다. 셋째, 메타 행동과 세부 궤적을 제안할 수 있다.

주차된 밴에 가려진 자전거 운전자가 있는 교차로에 접근하는 차량을 생각해 보자. 기존 라벨은 자전거 운전자의 위치를 식별할 수 있다. Alpamayo는 여기에 가림과 불확실성을 연결하고, 양보를 권고하며, 더 느린 궤적을 생성할 수 있다.

이처럼 풍부한 출력은 개발자가 의도와 움직임 사이의 불일치를 찾는 데 도움이 될 수 있다. 추적 결과는 양보를 권고하지만 궤적은 지나치게 공격적일 수 있다. 이런 불일치는 유용한 시험 사례가 되지만, 텍스트 자체를 안전한 내부 추론의 증거로 취급해서는 안 된다.

이 모델은 2차원 그라운딩을 활용한 시각 질의응답도 지원한다. 개발자는 어떤 객체가 결정에 영향을 줬는지 물은 뒤, 응답을 카메라 이미지의 특정 영역과 연결할 수 있다. 이는 데이터 팀이 주석을 감사하거나 이례적인 장면을 찾는 데 도움이 될 수 있다.

전방위 입력은 이러한 활용 사례를 확장한다. 차선 변경은 전방 시야뿐 아니라 차량 측면과 후방의 교통 상황에 좌우된다. 6개 카메라 입력은 교사가 차량 전체 주변의 라벨과 궤적을 생성하는 데 더 많은 맥락을 제공한다.

NVIDIA는 약 11만5,000시간의 다중 카메라 주행 영상과 약 370만 건의 인과관계 추적을 학습에 사용했다고 보고한다. 이 회사 제공 수치는 각 사례의 다양성이나 품질이 아니라 학습 규모를 설명한다. 공개 버전은 전체 기저 코퍼스를 노출하지 않는다.

그 한계가 중요한 이유는 희귀 사건이 서로 대체 가능하지 않기 때문이다. 모델은 많은 비정상적 장면을 접할 수 있지만, 실제 배포 실패를 유발하는 정확한 지역적·행동적·환경적 조건은 여전히 놓칠 수 있다. 총 주행 시간만으로는 어려운 사례들이 특정 서비스 지역에 집중되는지를 보여줄 수 없다.

AlpaGym은 이 메커니즘의 또 다른 부분을 다룬다. 기존의 오픈 루프 평가는 예측값을 기록된 인간의 주행 궤적과 비교한다. 장면은 이미 발생한 일이므로 모델의 행동은 이후 전개에 영향을 주지 않는다.

클로즈드 루프 평가는 예측된 행동이 시뮬레이션 환경을 바꾸도록 허용한다. 작은 조향 오차도 다음 카메라 시점을 변화시킨다. 다른 시뮬레이션 도로 이용자도 반응할 수 있다. 오류는 기록된 각 프레임에서 초기화되는 대신 시간에 따라 누적될 수 있다.

NVIDIA의 closed-loop workflow는 AlpaGym과 AlpaSim을 연결한다. 이후 강화학습은 시뮬레이션에서 자신의 결정이 초래한 결과를 바탕으로 정책을 조정한다.

이 피드백은 주행에서 매우 중요하다. 시스템은 기록된 클립에서 그럴듯한 다음 궤적을 예측할 수 있지만, 연속된 여러 결정 이후에는 경로를 이탈하거나 망설이거나 안전하지 않은 상호작용을 만들 수 있다. 클로즈드 루프 테스트는 단일 단계 정확도가 숨길 수 있는 실패를 드러낸다.

NVIDIA의 접근 방식은 대형 교사 모델, 자동화된 라벨링, 소형 학생 모델, 반복 시뮬레이션을 결합한다. 이 메커니즘은 이번 공개가 일반적인 체크포인트 업로드보다 더 중요한 이유를 설명한다. 이는 단순한 시각 모델이 아니라 개발 루프를 제공한다.

이 오픈 전략에는 여전히 의존성이 내재돼 있다. 가장 통합된 경로는 NVIDIA의 학습 하드웨어, 시뮬레이션 소프트웨어, 재구성 도구, 차량 내 컴퓨팅을 사용한다. 개발자는 재사용 가능한 스택에 접근하게 되는 반면, NVIDIA는 자동차 엔지니어링 파이프라인으로 진입할 또 하나의 경로를 확보한다.

강력한 벤치마크도 로보택시 준비 상태를 측정하지는 않는다

Alpamayo 2 Super는 NVIDIA가 보고한 테스트에서 선두를 달리지만, 그 점수는 공공도로 안전이 아니라 주행 지능의 구성 요소를 측정한다.

공개된 technical analysis에 따르면, Alpamayo 2 Super는 Lingo-Judge 지표를 사용한 LingoQA에서 79.2점을 기록했다. LingoQA는 질문과 답변을 통해 주행 영상에 대한 추론을 평가한다.

NVIDIA의 결과에 따르면 이 모델은 Qwen2.5-VL 72B보다 17점, Gemini 2.5 Pro보다 15.1점, GPT-4o보다 23.2점 높았다. 평가된 약 40개 모델 가운데 1위를 차지했다.

이 비교는 주행 특화 모델이 주행 추론 벤치마크에서 범용 비전·언어 시스템을 능가할 수 있음을 보여준다. 그러나 상용 자율주행 플릿을 운영하는 비공개 시스템보다 동등하게 우수하다는 점까지 입증하지는 않는다.

GPT-4o와 같은 범용 모델은 Waymo의 주행 정책으로 사용되지 않는다. LingoQA에서 이를 이기는 것은 시각 추론 측면에서는 유의미하지만, 로보택시 간 정면 비교 결과는 아니다. 관련 비공개 시스템은 동일한 공개 평가에 사용할 수 없다.

NVIDIA는 또한 910개의 재구성된 NuRec 시나리오 전반에서 0.13의 마진과 함께 AlpaSim 클로즈드 루프 점수 1.50을 보고했다. 클로즈드 루프 테스트는 결정이 이후 상태를 바꾸기 때문에 실제 배포에 더 가깝다. 그러나 시뮬레이터의 품질과 시나리오 선택은 여전히 테스트의 경계를 규정한다.

또 다른 보고 결과는 937개의 까다로운 샘플에 대한 오픈 루프 궤적 정확도를 측정한다. Alpamayo 2 Super는 6개의 후보 궤적을 고려했을 때 6.4초 시점에서 최소 평균 변위 오차 0.911m를 기록했다.

최소 변위 오차는 여러 출력 가운데 가장 가까운 후보에 보상한다. 이는 모델이 그럴듯한 미래를 표현했는지 측정하는 데 유용할 수 있다. 하지만 실제 배포된 컨트롤러가 가장 안전한 후보를 일관되게 선택한다는 뜻은 아니다.

각 지표는 하나의 역량을 분리해 측정한다. LingoQA는 주행 장면에 관한 답변을 테스트한다. 오픈 루프 변위는 궤적 유사성을 테스트한다. AlpaSim은 재구성된 시뮬레이션에서의 행동을 테스트한다. 어느 것도 무인 서비스의 전체 운영 부담을 결합하지 않는다.

공공도로 운행 준비 상태는 센서 보정, 위치 추정, 지도화, 차량 제어, 날씨 대응, 원격 지원, 유지보수, 사이버보안, 폴백 동작, 사고 대응에도 달려 있다. 파운데이션 모델은 그 시스템의 일부만 다룬다.

추론 흔적은 또 다른 평가 과제를 만든다. 모델은 기저의 결정이 잘못된 신호에 의존하더라도 일관성 있어 보이는 설명을 생성할 수 있다. 언어 모델은 그럴듯한 텍스트를 생성하도록 학습되므로, 유창성만으로 인과적 충실성을 입증할 수는 없다.

“인과 사슬”이라는 용어는 일반적인 근거 제시 이상을 뜻한다. 이는 해당 흔적이 실제로 행동을 만들어낸 관찰값을 식별한다는 의미다. 독립 테스트는 그 관찰값을 바꿨을 때 제시된 이유와 계획된 궤적이 모두 바뀌는지를 판단해야 한다.

예를 들어 평가자는 다른 세부 사항을 보존한 채 장면에서 관련 보행자를 제거할 수 있다. 충실한 모델이라면 설명과 행동을 모두 업데이트해야 한다. 설명은 바뀌는데 궤적은 바뀌지 않거나 그 반대라면, 그 흔적은 인과적이라기보다 서술적일 수 있다.

벤치마크 오염에도 주의가 필요하다. 정확한 테스트 라벨이 보호되더라도 공개 평가 세트는 연구 선택에 영향을 미칠 수 있다. 동일한 과제군을 상대로 반복적으로 최적화하면 낯선 교통 상황에서의 개선에 비례하지 않는 높은 점수가 나올 수 있다.

지리적 차이는 불확실성을 더한다. 주행 규범은 도시, 국가, 도로 설계에 따라 다르다. 북미의 사거리 정지를 잘 처리하는 시스템이라도 표지 없는 유럽 교차로나 스쿠터 통행이 밀집한 아시아 횡단 구간에서는 다른 기대에 직면할 수 있다.

보고된 결과는 여전히 유용하다. 개발자가 미세 조정이나 시뮬레이션에 투자하기 전에 참고 지점을 제공한다. 또한 향후 공개 릴리스와 모델을 더 쉽게 비교할 수 있게 한다.

그러나 가장 중요한 벤치마크는 독립 팀에서 나올 것이다. 이들은 결과를 재현하고, 반사실적 장면을 테스트하고, 개입률을 측정하며, 의도한 운영 도메인 전반의 실패를 문서화해야 한다.

NVIDIA는 유능한 연구 도구를 공개했다. 340억 매개변수 모델이 상용 로보택시의 안전 사례를 독립적으로 충족할 수 있다는 증거를 공개한 것은 아니다.

오픈 라이선스는 접근성을 넓히지만 책임성을 보장하지는 않는다

상업적 사용 허가는 Alpamayo의 도입을 쉽게 만들지만, 모든 배포자는 자신이 파생한 시스템을 검증할 책임을 계속 진다.

OpenMDW-1.1은 일반 소프트웨어만이 아니라 모델 배포물을 위해 만들어졌다. 이 프레임워크는 가중치, 매개변수, 아키텍처, 스크립트, 문서, 관련 모델 자료를 하나의 라이선스 구조 아래 다룬다.

Linux Foundation license는 적용 대상 모델을 학습, 수정, 재배포, 배포할 권리를 부여한다. 이는 모호한 “오픈 모델”이라는 라벨보다 개발자에게 더 명확한 기준을 제공한다.

Apache 2.0은 추론 코드에 대해 익숙한 역할을 수행한다. 팀은 구현을 검토하고, 내부 도구에 통합하며, 확립된 소프트웨어 조건에 따라 수정할 수 있다. 모델 라이선스는 소프트웨어 라이선스가 다루도록 설계되지 않은 아티팩트를 별도로 다룬다.

상업적 사용성은 실험실 평가를 넘어서는 조직에 가장 중요하다. 공급업체는 파생 모델을 구축할 수 있고, 완성차 업체는 플릿 데이터로 미세 조정할 수 있으며, 스타트업은 조정된 출력을 유료 개발 제품에 포함할 수 있다.

그럼에도 허용적인 라이선스는 안전 인증이 아니다. 특정 차량, 센서 배열, 도시 또는 규제 환경에 대한 적합성을 보장하지 않는다. 또한 실패에 대한 책임을 배포자에서 NVIDIA로 이전하지도 않는다.

개발자는 모델 카드, 허용 사용 조건, 학습 공개 사항, 한계를 검토해야 한다. 또한 어떤 아티팩트에 OpenMDW-1.1이 적용되고 어떤 코드 저장소에 Apache 2.0이 적용되는지도 판단해야 한다. “오픈”이 연결된 모든 데이터세트에 동일한 조건이 적용된다는 의미는 아니다.

플릿 데이터는 별도의 의무를 만든다. 카메라 영상에는 얼굴, 차량 번호판, 주거 위치, 민감한 이동 패턴이 포함될 수 있다. 비공개 주행 기록으로 공개 모델을 미세 조정하려면 기본 라이선스가 제공할 수 없는 거버넌스가 필요하다.

생성된 라벨도 마찬가지다. 자동화된 주석은 수작업을 줄일 수 있지만, 오류가 대규모로 학생 모델에 전파될 수 있다. 편향된 교사 모델은 한 번 놓친 엣지 케이스를 수천 개의 확신에 찬 학습 사례로 바꿀 수 있다.

따라서 팀에는 자동 라벨을 인간의 판단 및 측정 가능한 결과와 비교하는 검토 시스템이 필요하다. 쉬운 장면만 표본으로 삼으면 오해를 부르는 확신이 생길 수 있다. 검토는 모호하고 결과가 중대한 사건에 집중해야 한다.

일반적인 모델이 공동 의존성이 되면 보안 위험도 커진다. 연구자는 오픈 체크포인트를 검토하고 개선할 수 있지만, 공격자도 이를 연구할 수 있다. 차량 개발자는 적대적 입력, 손상된 카메라 피드, 공급망 변경, 안전하지 않은 미세 조정을 평가해야 한다.

교사 모델 아키텍처는 실제 배포 차량과 어느 정도 분리를 제공한다. 팀은 완전한 공개 체크포인트를 양산 차량에 탑재할 필요가 없다. 선택된 역량을 통제된 학생 모델로 증류하고, 이를 결정론적 안전장치로 둘러쌀 수 있다.

이 분리는 가치가 있지만, 책임성을 더 복잡하게 만든다. 실패는 교사 모델, 비공개 미세 조정 데이터, 증류 과정, 컨트롤러 또는 통합 계층에서 비롯될 수 있다. 각 변환에는 추적 가능한 평가가 필요하다.

추론 텍스트는 엔지니어가 이러한 변환을 문서화하는 데 도움이 될 수 있다. 라벨링 과정에서 교사 모델이 무엇을 고려했는지 보여주고, 특정 불일치를 더 쉽게 찾게 할 수 있다. 그러나 규제 기관은 그러한 설명을 신뢰할 수 있는 행동과 연결하는 실증적 증거를 필요로 할 것이다.

오픈 릴리스는 여러 연구실이 동일한 모델을 테스트할 수 있게 함으로써 이 증거 기반을 개선할 수 있다. 독립 연구자는 API 접근에 의존하지 않고 반례를 설계하고, 평가 방법을 비교하며, 실패 사례를 공개할 수 있다.

가장 바람직한 결과는 맹목적 도입이 아니라 모델을 중심으로 한 공동의 테스트 문화일 것이다. 공개 가중치는 검증을 가능하게 한다. 상업적 마감 시한 전에 그러한 검증이 이루어진다고 보장하지는 않는다.

NVIDIA Alpamayo의 중요성을 보여줄 세 가지 신호

다음 단계는 독립적 재현, 성공적인 증류, 그리고 오픈 도구가 실제 주행 프로그램을 개선한다는 증거에 달려 있다.

첫 번째 신호는 NVIDIA 외부에서의 재현 가능한 평가다. 연구자들은 설정을 공개하면서 출시된 체크포인트를 LingoQA, AlpaSim 및 관련 없는 데이터세트에서 실행해야 한다. 독립적인 환경 전반에서 강력한 결과가 유지된다면 NVIDIA의 성능 주장을 뒷받침할 것이다.

반사실적 테스트는 특히 가치가 클 것이다. 평가자는 신호등을 바꾸고, 장애물을 제거하고, 내비게이션 명령을 변경하거나, 주변 차량의 위치를 조정할 수 있다. 그런 다음 모델의 추론 흔적, 메타 행동, 궤적을 비교할 수 있다.

이들 출력 간의 일치는 Alpamayo가 관련 원인을 추적한다는 주장을 뒷받침할 것이다. 모순은 텍스트 설명이 검증을 개선한다는 주장을 약화할 것이다. 어느 결과든 단일 리더보드 순위보다 더 많은 통찰을 제공할 것이다.

두 번째 신호는 팀이 장기 꼬리 사례에서의 이점을 잃지 않고 교사 모델을 더 작은 모델로 증류할 수 있는지다. 대형 오프라인 모델은 차량의 지연 시간 및 신뢰성 제약을 충족하는 시스템으로 행동을 이전할 수 없다면 상업적 가치가 제한적이다.

개발자들은 증류 이후 학생 모델의 크기, 하드웨어, 응답 시간, 전력 사용량, 성능을 보고해야 한다. 또한 압축 전후의 희귀 사건 대응 방식도 비교해야 한다. 평균 정확도는 Alpamayo가 해결하려는 바로 그 실패를 감출 수 있다.

DRIVE AGX Thor에서 소형 모델이 일관되게 실행된다는 증거는 NVIDIA의 풀스택 제안을 강화할 것이다. 추론 또는 궤적 품질이 크게 떨어진다면, 340억 파라미터 교사 모델은 직접적인 정책 개발보다 라벨링에 더 유용하다는 점을 보여줄 것이다.

세 번째 신호는 실제 자율주행 프로그램에서의 채택이다. 다운로드 수와 GitHub 활동은 관심을 보여주지만, 조직이 실제 운영 워크플로를 변경했는지는 드러내지 않는다. 구체적인 통합 사례, 공개된 안전성 연구, 또는 공급업체 파트너십이 더 큰 의미를 가질 것이다.

가장 신뢰할 수 있는 보고서는 좁고 명확한 기여를 제시할 것이다. 한 기업은 자동화된 추론 라벨이 교차로 장면의 검토 시간을 줄였다는 점을 보여줄 수 있다. 다른 기업은 AlpaGym이 오픈 루프 테스트에서 놓친 실패를 드러냈음을 입증할 수 있다.

Alpamayo가 로보택시 전체를 “구동한다”는 주장은 운영 세부사항 없이는 정보 가치가 낮다. 자율주행차는 여러 모델, 규칙, 센서, 폴백 시스템을 결합한다. 파운데이션 모델의 정확한 역할은 계속 명확히 드러나야 한다.

경쟁사들의 대응 역시 채택 양상을 좌우할 것이다. 다른 칩 제조업체, 자동차 제조사, 연구 그룹도 비슷하게 허용적인 조건으로 주행 특화 파운데이션 모델을 공개할 수 있다. 그렇게 되면 개방형 자율주행은 단일 공급업체 프로그램이 아니라 진정한 모델 시장으로 발전할 것이다.

비공개 로보택시 선도 기업들은 다른 선택에 직면한다. 자체 시스템이 더 성숙했기 때문에 이번 공개를 무시할 수도 있고, 라벨링과 평가 같은 보조 작업에 오픈 컴포넌트를 활용할 수도 있다. 제한적인 활용만으로도 NVIDIA의 인프라 전략을 검증하게 될 것이다.

nvidia alpamayo 공개가 개방형 또는 폐쇄형 자율주행 중 어느 쪽이 더 안전한 차량을 만들지에 대한 결론을 내리지는 않는다. 다만 누가 이 기술 경쟁에 참여할 수 있는지, 그리고 무엇을 검토할 수 있는지를 바꾼다.

개발자들은 배포 약속이 아니라 집중된 평가부터 시작해야 한다. 현지 주행 장면을 대상으로 모델을 테스트하고, 모든 아티팩트에 걸쳐 라이선스를 검증하며, 반사실적 입력으로 설명을 검증해야 한다. 그런 다음 폐쇄 루프 테스트를 통해 이 모델의 라벨과 궤적이 더 작은 정책을 개선하는지 측정해야 한다.

엔터프라이즈 구매자에게도 핵심 질문은 똑같이 실용적이다. Alpamayo가 검증된 엔지니어링 작업을 줄이는가, 아니면 검토가 필요한 아티팩트만 더 만들어내는가? 향후 몇 달 안에 첫 신뢰할 만한 답이 나올 것이다. 그때까지 NVIDIA는 로보택시 스택의 중요한 한 층을 개방했지만, 가장 어려운 증거는 여전히 도로에서 나와야 한다.