바이두 무인차, 세계 모델로 전역 실시간 시뮬레이션

제시카 2026-11-05 00:13:23 출처: 量子位

지나가는 행인조차도 자기 나름의 생각이 있다

제시카, 凹非寺에서 보내다

量子位 | 공식 계정 QbitAI

100만 킬로미터 ――

이는 지구와 달의 평균 거리의 약 2.6배로, 적도를 따라 지구를 25바퀴 도는 데 충분한 거리다.

L4 무인 운전 시스템이 이런 규모의 실제 도로 주행 테스트를 완수하려면 무엇을 의미할까?

차량 한 대가 매일 150킬로미터를 주행한다고 계산하면, 6600일 넘게 연속으로 주행하는 것과 같다. 시험 차량 수백 대를 동시에 투입하더라도 두 달 남짓이 걸린다. 게다가 실제 도로의 복잡한 상황은 대부분 테스트 계획대로 나타나지 않는다.

오랫동안 이것은 무인 운전의 규모화 발전이 마주한 현실적인 난제였다. 차량 운영 범위가 확대되고 운전 시스템이 업데이트될 때마다, 검증해야 할 교통 시나리오가 대량으로 뒤따르곤 했다.

그런데 이제 현실 세계에서 시간과 노력이 많이 드는 이런 검증 방식에 새로운 발상이 생겼다.

방금, 百度Apollo가 전혀 새로운 월드 모델 ApolloWorld를 공식 공개했다. 이것은 AI를 이용해 끊임없이 변화하는 가상 교통 환경을 구축하고, 무인차가 그 안에서 다양한 날씨와 도로, 교통 참여자를 겪으며 Robotaxi 운행 한 회차 전체를 완수하게 한다.

무인차의 가속, 감속 혹은 차선 변경은 주변 교통 참여자의 선택을 바꿀 수 있고, 나아가 다른 결과로 이어질 수 있다.

이야…… 자유도가 매우 높은 인터랙티브 게임처럼 보인다.

그런데 이 가상 도시는 이제 실제 용도를 갖게 되었다.

소개에 따르면, ApolloWorld는 이미 萝卜快跑 무인차의 글로벌 테스트와 검증에 적용되기 시작했으며, 원래 실제 도로에서 완수해야 했던 더 많은 훈련과 검증을 클라우드에서 진행하도록 옮기고 있다.

가장 직관적인 변화는 효율이다.

百度가 공개한 데이터에 따르면, ApolloWorld가 하루에 완료하는 가상 주행 테스트 주행거리는 안전 요원을 갖춘 실제 테스트 차량 한 대가 약 3년 동안 연속 주행한 것과 맞먹는다.

이는 한때 대량의 차량과 인력, 시간을 들여 축적해야 했던 일부 테스트 작업을 이제는 컴퓨팅 자원을 통해 병렬로 수행할 수 있음을 뜻한다.

이와 함께 차량 측 기술도 진전을 이루었다. 百度의 신세대 L4 엔드투엔드 모델 아키텍처는 이미 국내 일정 규모의 차량에 투입되어 실제 운영 중이며, 이전의 전통적 방식를 점차 대체하고 있다.

월드 모델이 가상 훈련과 검증 환경을 제공하면, 운전 모델은 그 안에서 거듭 시험을 받은 뒤 실제 도로 운행에 들어간다. 직관적으로 이해하면 AI로 AI에게 운전을 가르치는 것이다.

업무가 전 세계 28개 도시를 커버하는 萝卜快跑에게, 이 기술 체계는 글로벌 확장이 가속화되는 단계에 때맞춰 등장했다.

무인차가 더 많은 도시로 진입하면서, 연구개발이 대응해야 할 교통 환경은 점점 더 복잡해진다. 그런데 실제 도로에서 가장 연구할 가치가 있는 그 예상 밖의 상황들은 오히려 가장 마주치기 어렵다.

각본 없는 가상 도시, 하루 달려 3년치를 대신하다

영화 《매트릭스》를 본 적 있는 사람이라면, 프로그램으로 구성된 그 세계에 깊은 인상을 받았을 것이다. 거리든 건물이든 차량이든 행인이든 모두 실제 세계와 조금도 다를 바 없어 보이지만, 그 배후에서는 거대한 계산 시스템이 작동하고 있다.

이것이 불과 20여 년 만에, 각본 속의 가상 세계가 정말로 영화에서 현실로 들어올 줄은 몰랐다.

百度가 보여준 ApolloWorld가 생성하는 것은 다양한 무인차 주행용 가상 도시다. 차이점은 가상 도시의 교통 참여자들이 환경에 따라 스스로 판단을 내릴 수 있다는 점이다.

예를 들어 무인차가 고가도로 진입로에 이르렀을 때, 옆 측면 도로의 자동차가 본선에 합류하려 하고 있다.

무인차가 고가도로로 진입하기로 선택하면, 측면 도로 차량은 충분한 공간을 얻어 순조롭게 본선으로 들어간다.

하지만 무인차가 경로를 바꿔 오른쪽 보조 도로를 따라 계속 주행하며 원래의 합류 공간을 점유하면, 다른 차량도 결정을 바꿔 감속해 정차한 채 기다린다:

百度 스마트 드라이빙 사업군 그룹의 뛰어난 아키텍트이자 월드 모델 책임자인 양쩌(杨泽) 박사는, 이 시스템에서 월드 모델 팀이 다중 에이전트 구동 기술 방안을 채택해, 가상 도로 위의 차량과 행인 등 교통 참여자를 모두 의사결정과 상호작용 능력을 갖춘 AI 에이전트로 모델링했다고 소개했다.

각 에이전트는 자신의 행동 목표와 행동 논리를 갖고 있으며, 다른 교통 참여자의 동작에 따라 결정을 조정하기도 한다.

교통 참여자뿐만 아니라, 가상 도시의 교통 상황도 스스로 조정할 수 있다. 예를 들어 서로 다른 희소, 적당, 밀집 차량 흐름을 설정하거나, 다른 차량의 운전 스타일을 바꿔 더 신중하게 혹은 더 공격적으로 몰게 할 수 있다.

이와 유사한 복잡한 상호작용은 예전에는 무인차가 거듭 도로에 나가 특정 상황이 나타나기를 기다려야 했지만, 이제는 모두 가상 환경에 능동적으로 구성할 수 있다.

하지만 진정으로 Robotaxi 임무를 완수하려면, 단지 환경에 따라 차선 변경, 회피 같은 조작을 구현하는 것만으로는 턱없이 부족하다.

실제 상황에서 한 회차 운행은 20~30분 이어질 수 있고, 도중에 수십 개의 교차로를 지난다.

무인차의 매 의사결정은 이후 마주치는 교통 상황을 바꿀 수 있다. 그것은 연속적으로 변화하는 환경에서 운전 임무 전 구간을 완수해야 하고, 대량의 교통 참여자와 상호작용해야 하며, 앞선 운전 결정이 이후의 운행에도 영향을 미칠 수 있다.

ApolloWorld가 이번에 보여준 것은 바로 완전한 운행 회차 수준의 가상 주행 테스트다.

선전 빈하이대로, 홍콩 공항 부근 등 서로 다른 장면에서, 몇 대의 무인차가 같은 지점에서 출발해 서로 다른 목적지로 향할 수 있으며, 주변 교통 참여자의 행동, 도로 환경의 변화, 그리고 카메라와 라이다의 관측 데이터는 모두 월드 모델이 지속적으로 생성한다.

양쩌 박사는 이 시스템의 작동을 뒷받침하는 것이 에이전트 상호작용 모델링, 다시점 다중모달 생성, 그리고 완전한 운전 폐루프 등의 기술의 협동이라고 언급했다.

간단히 이해하면, 월드 모델이 기존 환경 상태와 차량 동작에 따라 다음 순간의 교통 변화를 예측하고, 운전 모델이 생성된 센서 데이터를 읽은 뒤 조향, 가속 혹은 제동 결정을 내려 다시 그 동작을 월드 모델에 피드백하는 것이다.

생성 속도가 운전 결정을 따라잡도록, 百度는 또한 지식 증류 등의 방법으로 모델 추론을 가속해 가상 환경이 차량 동작에 실시간으로 반응할 수 있게 했다.

한 AI가 도로 환경 구축을 맡아 끊임없이 새로운 운전 시험을 제공하고, 다른 AI는 그 안에서 거듭 연습한다. 둘의 관계는 마치 코치와 수강생 같다. 이런 순환을 통해 무인차는 끊임없이 변화하는 환경에서 운전 임무를 완수할 수 있다.

만약 운전 시스템이 어떤 장면에서 잘못된 판단을 내리면, 연구개발자는 동일한 초기 조건을 유지해 재현하고, 주변 차량의 행동을 조정해 시스템이 서로 다른 상황에서 보이는 성과를 관찰할 수 있다.

고정된 각본이 없고, 상호작용할 수 있으며, 오류를 교정할 수 있고, 추적이 가능한 이런 가상 도시는 이로써 무인차 훈련장이 될 조건을 갖추게 되었다.

하지만 지속적으로 작동할 수 있다는 것은 전제 조건 중 하나일 뿐이다. 더 관건적인 문제는, 어떤 월드 모델이라야 진정으로 무인 운전의 훈련과 검증을 담당할 수 있는가이다.

월드 모델에 검증 가능한 기준을 제시하다

시뮬레이션 기술은 원래부터 무인 운전 연구개발의 중요한 구성 요소였다.

생성형 월드 모델이 업계의 화두가 되기 훨씬 전부터, 엔지니어들은 실제 도로의 교통 시나리오를 기록해 가상 환경에 옮겨 거듭 테스트하는 데 익숙했다.

하지만 이런 연구개발 방식에는 오랜 난제가 있다.

오랫동안 자율주행 시뮬레이션에서 흔히 쓰이는 한 부류의 방법은 여전히 실제 도로 데이터의 비반응형 재생에 의존한다.

간단히 말해, 무인차가 운전 전략을 바꾸더라도 주변 차량은 여전히 원래 기록된 궤적대로 주행하며, 교통 환경은 이에 맞춰 조정되지 않는다.

바로 이것이 문제의 핵심이다.

실제 도로에서의 주행은 지속적인 상호작용이다. 무인차가 동작을 바꾸면 다른 차량도 그에 따라 결정을 바꿀 수 있다. 테스트 환경이 이에 반응하지 못한다면, 운전 시스템이 동적 교통 상황에서 보이는 실제 성능을 검증하기 어렵다.

생성형 월드 모델이 해결하는 것이 바로 이런 한계다. 가상 교통 참여자가 무인차의 동작에 따라 다시 판단을 내리도록 만들어, 운전 시스템이 끊임없이 변화하는 환경 속에서 검증받을 수 있게 한다.

바이두 지능형 운전 사업군(IDG) 수석 아키텍트이자 IDG 기술위원회 의장인 왕량 박사는 이를 "상호작용 가능한 생성"이라고 요약한다.

이는 바이두가 무인운전의 실제 수요에서 출발해 월드 모델을 이해하는 방식이다.

그런데 AI 분야 전체를 놓고 보면, "월드 모델"이라는 단어는 점점 더 넓게 쓰이고 있다.

사실적인 영상을 생성할 수 있는 모델도 월드 모델이라 불릴 수 있고, 3차원 공간을 구축해 사람이 자유롭게 거닐 수 있게 하는 시스템도 월드 모델이라 불릴 수 있으며, 외부 동작에 따라 환경 변화를 지속적으로 추론하는 기술 역시 월드 모델이라 불린다……

몇 가지 기술 모두 가상 세계를 구축하는 것처럼 보이지만, 실제로 갖춘 능력은 같은 수준이 아니다.

리페이페이(李飞飞) 팀은 월드 모델을 렌더러, 시뮬레이터, 플래너 세 가지 유형으로 나누었는데, 각각 시각 생성, 환경 상태 추론, 행동 계획에 중점을 두며, 이는 이 개념이 포괄하는 기술 범위가 얼마나 넓은지를 또 다른 각도에서 보여준다.

개념의 경계가 계속 확장되면서 문제도 점차 드러나기 시작했다. 모델이 생성한 세계가 충분히 사실적이라면, 그것이 물리 법칙을 진정으로 이해한다는 뜻일까? 교통 화면을 연속으로 생성할 수 있다면, 무인차의 동작에 따라 서로 다른 주행 결과를 추론할 수 있다는 뜻일까?

무인운전 연구개발에는 이런 차이가 결코 사소한 기술 분류 문제가 아니다.

모델이 차량 동작에 정확히 반응하지 못하거나, 생성한 교통 변화가 실제 물리 법칙에 부합하지 않는다면, 화면이 아무리 사실적이라도 신뢰할 수 있는 훈련·검증 근거가 되기 어렵다.

바이두가 월드 모델 기준을 중시하는 것은 바로 이런 실제 수요에서 비롯된다.

바이두의 기술 사고에서, 월드 모델에 어떤 능력이 필요한지는 우선 그것이 최종적으로 어떤 임무를 맡느냐에 달려 있다. 목표가 안전요원 없는 L4 무인차를 훈련하는 것인 만큼, 모델이 어떤 교통 관계를 이해하고, 어떤 물리 법칙을 준수하며, 장시간·실시간 상호작용하는 주행 임무를 지원할 수 있는지를 명확히 해야 한다.

먼저 목표 임무, 능력 경계, 엔지니어링 요구를 명확히 하고, 그다음 이런 요구를 중심으로 기술 체계를 구축한다. 이러한 정방향 설계 사고 덕분에 바이두가 이번에 제시한 월드 모델은 처음부터 명확한 목표 지향성을 갖는다.

이런 사고에는 현실적 배경도 있다.

리페이페이는 무인운전 자동차를 2차원 장애물 회피를 하는 네모난 상자에 비유한 적이 있는데, 이는 자동차와 복잡한 3차원 조작을 완수할 수 있는 로봇 사이의 차이를 설명하기 위해서였다.

왕량 박사는 무인운전의 어려움이 운전 동작 자체보다 훨씬 크다고 본다.

안전요원이 없는 Robotaxi는 완전히 개방된 도로에 놓여, 독립적인 의도를 지닌 수많은 교통 참여자와 끊임없이 마주해야 한다. 평범해 보이는 차선 변경 결정 뒤에도 여러 차량 사이의 판단과 게임이 얽혀 있을 수 있다.

동작의 복잡성보다 더 중요한 것은 안전 책임의 변화다.

왕량 박사는 다큐멘터리 《프리 솔로》를 비유로 들었다.

영화 속 등반가는 약 900미터 높이의 거의 수직인 암벽에 도전한다. 이 도전을 완수하기 위해 그는 길고도 지루한 연습을 거친다.

왕량 박사가 보기에 L2 보조주행은 보호 로프가 있는 암벽 등반과 같다. 등반가는 멋지고 아슬아슬한 동작을 시도할 수 있는데, 보호 조치가 여전히 존재하기 때문이다. 보조주행 차량의 운전석에도 사람이 있어 결정적인 순간에 개입할 수 있다.

그러나 L4 무인운전은 무보호 등반과 같다. "보호 로프"가 걷어내지고 운전석은 텅 비어 있다.

운전 동작은 근본적으로 달라진 것처럼 보이지 않지만, 그 배후의 위험과 안전 요구는 이미 비교할 수 없을 정도로 달라졌다. 조명을 받지 못하는 반복 훈련, 세세한 부분 하나하나의 검증이 결국 전체 시스템의 신뢰성을 책임져야 한다.

왕량 박사는 L2 양산 연구개발에 참여한 데 이어 오랫동안 L4 완전 무인 시스템에 투입되어, 두 시스템 사이의 간극을 몸소 체감했다.

바로 그렇기 때문에 그가 보기에 월드 모델이 실제로 L4 훈련에 쓰일 수 있는지에는 더욱 엄격하고 명확한 판단 방법이 필요하다.

바이두는 물리 AI를 겨냥한 "2+3" 월드 모델 평가 프레임워크를 제시했다.

그중 "2"는 인과성과 상호작용성이라는 두 가지 기본 조건을 가리킨다.

인과성은 모델이 알려진 상태에 따라 이후의 변화를 추론할 수 있음을 강조하고, 상호작용성은 외부 동작이 환경을 지속적으로 변화시켜 서로 다른 결정이 서로 다른 결과를 낳도록 요구한다.

"3"은 각각 물리적 정확성, 지속성, 실시간성을 나타내며, 모델이 실제로 물리 세계에서의 임무를 감당할 수 있는지를衡量한다.

어쨌든 월드 모델이 아무리 사실적이라도, 실제 물리 법칙에 대한 이해에 편차가 생기면 테스트 결과는 참고 가치를 잃을 수 있다.

비 오는 날이 대표적인 예다.

노면이 젖으면 차량의 제동 거리가 달라지고, 빗방울이 라이다의 반향을 방해해 점군에 대량의 노이즈가 생긴다. 가상 세계에 비가 내리는 화면만 있고 차량은 여전히 맑은 날의 조건으로 제동하고 인지한다면, 가상 테스트는 의미를 잃는다.

사소해 보이는 세부 사항이 바로 월드 모델 연구개발에서 가장 까다로운 부분이다.

왕량 박사는 월드 모델의 개념 자체는 희귀하지 않아 누구나 연구개발에 투자할 수 있지만, 진정으로 진입 장벽을 형성할 수 있는 것은 렌더링 속도, 장기 기억, 물리적 진실성 등 장기간 축적된 엔지니어링 능력이라고 판단한다.

라이다를 예로 들면, 레이저가 빗방울에 부딪힌 뒤의 반사 간섭은 상당히 복잡한 물리 현상을 수반한다. 월드 모델이 이런 변화를 정확히 학습하게 하려면 시각적으로 사실적인 폭우를 생성하는 것보다 훨씬 더 많은 공력이 든다.

이런 종류의 엔지니어링 다듬기를 왕량 박사는 "dirty work"라고 부른다. 이른바 기술 장벽이란, 대개 이런 문제들이 하나하나 해결되는 과정에서 비로소 서서히 드러나는 법이다.

이에 따라 바이두가 제시한 "2+3" 월드 모델 평가 프레임워크는 사실상 월드 모델이 L4 연구개발에 진입하기 위한 구체적인 능력 기준선을 그어 주고, 이 기술을 어떻게 설계하고 어떻게 검증해야 하는지에 대한 명확한 엔지니어링 경로를 제공한다.

월드 모델에 대한 정의가 여전히 모호하고 기술 노선이 계속 분화하는 단계에서, 바이두가 이처럼 실제 임무를 겨냥한 판단 방법을 제시할 수 있다는 것 자체가 장기간 쌓아온 L4 연구개발의 가치를 보여준다.

또한 완전한 Robotaxi 한 번의 주행은 수십 분 동안 이어질 수 있다. 월드 모델은 장시간 추론 속에서 환경의 연속성을 유지해야 하고, 차량 동작에도 시기적절하게 반응해야 한다.

물리적 정확성, 지속성, 실시간성은 결국 모두 가상 훈련의 가치에 영향을 미친다.

바이두가 이번에 제시한 "2+3"은 정의가 계속 확장되고 있는 한 기술에 대해 실제 L4 임무를 겨냥한 엔지니어링 좌표를 제시한 셈이다.

바이두만이 아니다. 전 세계 무인운전 선도 기업들이 지금 이 방향을 탐색하고 있다.

올해 2월, Waymo는 Waymo World Model을 정식 발표했다. 이는 Google DeepMind의 Genie 3를 기반으로 적용되었으며, 주행 동작, 장면 배치, 자연어에 따라 가상 환경을 조정하고 카메라와 라이다 데이터를 생성하는 것을 지원한다.

두 회사가 최근 공개한 월드 모델을 나란히 놓고 보면, ApolloWorld가 완전한 Robotaxi 임무를 겨냥한다는 특징이 더욱 뚜렷해진다.

△양측이 공개한 기술 자료를 토대로 정리한 것으로, 도표는 AI로 생성

비교해 보면, 월드 모델을 무인차의 시험장으로 본다면 Waymo는 복잡한 시험 문제를 어떻게 출제할지에 더 두각을 나타내고, 바이두는 완전한 이동 임무를 아우르는 한 세트의 시험 체계를 보여준다.

또한 ApolloWorld는 이미 萝卜快跑(루보콰이파오)의 실제 테스트 및 검증 절차에 들어가 있다. 그 배경에 있는 '2+3' 엔지니어링 평가 프레임워크는 다시금 가상 환경의 인과성, 상호작용 능력, 엔지니어링 성능에 대해 명확한 요구 사항을 제시한다.

이로써 무인 주행 테스트는 실제 도로에서 무작위로 나타나는 복잡한 교통 상황에 대한 의존을 점차 줄이기 시작했다.

그러나 새로운 시험도 함께 등장했다. 도대체 어떤 우연히 발생한 상황이 식별하고, 이해하고, 반복 검증할 가치가 있는 것일까?

주행 거리보다 재현하기 어려운 우연

바이두는 또 취안쯔웨이(量子位)에 팀이 실제 주행 테스트에서 매우 특별한 사례를 겪은 적이 있다고 밝혔다.

살수차가 공사 구역을 지나갈 때, 길가의 라바콘(锥筒)이 물줄기의 충격에 밀려 무인차의 주행 경로 쪽으로 미끄러져 들어왔다. 살수차, 공사용 라바콘 같은 것들은 지극히 평범한 도로 요소이지만, 하필 이들이 한데 겹치면서 예측하기 어려운 장면이 만들어졌다.

이런 우연한 상황은 엔지니어가 미리 테스트 스크립트에 써 넣기도 어렵다. 설령 실제로 한 번 발생했다 해도 원래의 조건대로 다시 연출하기란 어렵다.

바이두의 계획은 세계 모델이 이와 유사한 장면을 재현해, 무인차가 반복적으로 검증을 받도록 하는 것이다.

이 사례 배후에는 무인 주행 연구개발에서 아직 해결되지 않은 문제가 있다.

실제 도로 위의 위험은 천차만별이지만 모든 교통 상황이 같은 연구개발 가치를 지니지는 않는다. 일부 극히 희귀한 돌발 상황은 심각한 안전 위험과 관련될 수 있고, 또 다른 평범한 장면들은 차량의 통행 효율과 탑승 경험에 빈번히 영향을 미친다.

가상 도시는 대량의 교통 상황을 생성할 수 있지만, 이는 오히려 새로운 선택의 문제를 낳는다. 어떤 문제를 중점적으로 연구할 가치가 있는가? 이 판단이 어떤 장면이 실제로 훈련과 검증 과정에 들어갈 수 있는지를 직접 결정한다.

그럼 어떻게 걸러내는가?

결국 경험에 기댈 수밖에 없다.

바이두에 따르면, 그 사업은 이미 전 세계 28개 도시를 커버하며 누적 2300만 회 이상의 이동 서비스를 완료했고, 누적 주행 거리는 3억 5천만 킬로미터를 돌파했으며, 그중 완전 무인 주행 거리는 2억 4천만 킬로미터를 넘는다.

3억 5천만 킬로미터는 아마 감이 잘 오지 않을 텐데, 예를 들자면 시속 300킬로미터의 고속철도로 133년을 계속 달려야 완주할 수 있는 거리다.

이는 바이두 무인차가 10년간 축적한 데이터로, 서로 다른 지역의 도로 환경과 교통 습관, 그리고 장기 운영 과정에서 마주친 대량의 복잡한 상호작용 경험이 응축되어 있다.

바이두 지도가 여러 해 축적한 도로 및 지리 정보 역시 서로 다른 지역의 가상 장면 구축에 기반을 제공한다.

차량 대수가 늘어나면서 이러한 실제 교통 경험은 세계 모델에 지속적으로 유입되고, 선별과 정리, 추론을 거쳐 더 많은 훈련 및 검증 과제로 전환된다.

동일한 실제 경험 한 토막에 대해 연구개발 인력은 차량 속도, 주변 교통 흐름 또는 도로 조건을 바꿔가며 주행 시스템이 서로 다른 상황에서 어떻게 대응하는지 관찰할 수 있다. 반복적인 훈련과 검증을 거쳐 새로운 주행 모델은 다시 실제 운영에 투입되고, 차량 대수가 더 많은 도시로 진출하면 이전에 겪지 못한 상황을 다시 가져온다.

이로써 원래 단 한 번만 발생했던 교통 경험은 반복적으로 연구되고 지속적으로 활용될 가치를 지니게 된다.

실제 운영이 계속 축적되면서 모델은 더 많은 훈련 재료를 얻고, 주행 능력의 향상은 다시 더 빠른 배포를 추동해 데이터 출처를 더욱 확대할 기회를 만든다.

운영 축적이 깊어질수록 모델이 얻는 유효한 훈련 재료가 많아지고, 세계 모델의 능력이 향상되면 주행 시스템의 반복 개선 효율을 높여 실제 운영 규모의 확대를 더욱 추동할 기회가 생긴다.

규모와 모델 능력이 서로를 촉진하면서 Scaling Law의 성장 논리가 이로부터 점차 드러난다. 그리고 바이두가 10여 년간 쌓아온 무인 주행의 축적도 세계 모델 시대에 새로운 가치를 드러내고 있다.

이는 전 세계에서 차세대 엔드투엔드 주행 모델을 실제로 100대 규모의 순수 무인 운영까지 끌어올린 곳이 바이두와 테슬라 두 곳뿐이기 때문이다.

바이두 입장에서 ApolloWorld의 합류는 이 실제 운영 체계에 가상 훈련 경험을 지속적으로 축적하는 능력을 더해주어, 차기 기술 반복의 지속적으로 활용 가능한 자원이 되게 한다.

그리고 규모 우위가 가져오는 첫 번째 변화는 확장 효율이다.

세계 모델은 기존 경험을 더 많은 지역에 재활용할 수 있게 하여, 새 도시가 처음부터 다시 검증할 필요가 없게 만든다. 이를 통해 무인 주행은 과거 도시 하나하나를 힘겹게 확장해 나가던 방식을 벗어나 더 높은 효율의 규모화发展阶段에 들어설 기회를 얻는다.

세계 모델은 기존 경험을 더 많은 지역에 활용할 수 있게 하고, 일부 테스트를 클라우드로 앞당겨 옮기면서 새 도시 배포에서 반복적인 시행착오를 줄일 기회를 만든다.

일단 기술 반복의 속도가 도시 확장의 속도로 전환될 수 있다면, 바뀌는 것은 한 기업의 연구개발 효율뿐 아니라 무인 주행 산업 전체의 확장 리듬이 될 것이다.

자본 시장의 관련 기술 및 산업 역량에 대한 관심도 계속 뜨거워지고 있다.

올해 2월, Waymo는 160억 달러 규모의 자금 조달을 완료해 투자 후 기업가치가 1260억 달러에 달했고, 이후 Waymo World Model을 발표했다. 9월에는 AMD가 리페이페이(李飞飞)가 창업한 World Labs를 약 82억 달러의 전액 주식 거래로 인수한다고 발표했다.

한쪽은 대규모 무인 주행 운영 기반을 갖추고 있고, 다른 한쪽은 AI가 물리 세계를 이해하고 생성하고 시뮬레이션하는 데 집중한다. 두 거래가 포함하는 상업적 경로는 다르지만, 함께 AI가 물리 세계로 뻗어 나가는 산업적 가치를 비춘다.

진정으로 시대를 뛰어넘는 의미를 지닌 돌파구는 흔히 하나의 신기술 출현에 그치지 않고, 그것이 산업 전체의 발전 방식을 바꾸는 데 있다.

iPhone은 스마트폰을 바꿨고, GPT는 AI 응용을 바꿨다. 무인 주행의 경우, 그와 같은 분수령은 주행 능력이 더 효율적으로 이전되고 복제되어 점점 더 많은 도시의 규모화 운영을 뒷받침할 수 있게 되는 시점에 나타날지 모른다.

세계 모델이 가져오는 상상의 공간은 이로써 무인 주행이 더욱 구체적인 기술 기반을 얻도록 하여, 무인 주행 자신만의 산업적 질적 변혁의 순간을 맞이하게 할 것이다.

그때가 되면 실제 도로에서 10여 년간 쌓아온 축적은 더 이상 과거에 달려온 주행 거리에 그치지 않고, 다음 라운드 성장의 출발점이 될 수도 있다.

무인 주행의 새로운 산업 변혁이 무르익고 있다. 바이두는 변혁이 일어나는 현장에 서 있을 뿐 아니라, 그것을 앞으로 밀어가는 중요한 힘이 되어 가고 있다.