기사 원문 - https://www.nvidia.com/ko-kr/solutions/autonomous-vehicles/alpamayo/
　

AI 컴퓨팅 기술 분야의 선두주자인 엔비디아(www.nvidia.co.kr)가 아시아 최대 ICT 전시회 컴퓨텍스(COMPUTEX) 2026을 맞이해 개최한 엔비디아 GTC 타이베이(NVIDIA GTC Taipei)에서 추론 기반 VLA(vision language action) 모델인 엔비디아 알파마요 2 슈퍼(Alpamayo 2 Super)를 공개했다. 320억 개의 파라미터를 갖춘 알파마요 2 슈퍼는 오픈 AI 모델, 시뮬레이션 프레임워크, 피지컬 AI 데이터셋으로 구성된 엔비디아 알파마요 제품군을 확장한 모델로, 안전한 레벨 4 로보택시 개발을 지원한다.

 

해당 모델과 더불어 엔비디아는 실제 데이터 수집부터 폐쇄형 루프 훈련, 차량 내 배포에 이르는 전체 파이프라인을 완성하는 새로운 도구, 모델, 에이전트 기술도 공개했다. 여기에는 엔비디아 알파짐(AlpaGym), 엔비디아 옴니드림스(OmniDreams), 엔비디아 옴니버스 뉴렉(Omniverse NuRec)의 새로운 모델들이 포함된다.

 

알파마요 2 슈퍼는 자율주행의 핵심 인프라를 처음부터 완전히 새로 구축해야 하는 부담을 없애 자율주행차(AV) 개발을 가속화한다. 이 모델은 인간과 유사한 인식, 추론, 행동을 가능하게 하며, 안전성 검증과 규제 당국과의 협업에 필요한 이해를 제공한다.

 

알파짐 프레임워크는 실제 도로 주행을 위한 모델 훈련을 더욱 효과적으로 수행할 수 있는 폐쇄형 강화학습(RL)용 플랫폼을 제공한다. 엔비디아 옴니드림스는 사실적인 폐쇄형 자율주행 시나리오 생성을 위한 생성형 월드 모델을 통해 드물게 발생하는 롱테일(long-tail) 주행 시나리오를 대규모로 시뮬레이션할 수 있도록 지원한다.

 

엔비디아는 개발자의 생산성을 높이기 위해 자사의 모든 자율주행차 개발 도구에 피지컬 AI 에이전트 기술을 제공하고 있다. 예를 들어, 엔비디아 옴니버스 뉴렉 기반의 뉴럴 리컨스트럭션(Neural Reconstruction) 기술은 실제 차량 주행 시나리오를 시뮬레이션에 활용해 대규모의 합성 훈련 데이터를 생성한다.

 

엔비디아 창립자 겸 CEO 젠슨 황(Jensen Huang)은 “알파마요는 자동차가 단순한 주행을 넘어 안전한 추론을 시작하는 전환점이다. 전 세계 로보택시 생태계가 극한 상황을 이해하고, 의사결정을 설명하며, 신뢰를 얻고, 수백만 대의 차량으로 안전하게 확장할 수 있는 레벨 4 기능을 개발할 수 있도록 오픈 모델, 시뮬레이션, 실제 데이터, 에이전트 기술을 제공하는 곳은 오직 엔비디아뿐”이라고 말했다.

 

추론 기반 자율주행차를 위한 알파마요 2 슈퍼 출시

알파마요 2 슈퍼가 추가되면서 엔비디아 알파마요 제품군의 파라미터 또한 100억 개에서 320억 개로 확장됐다. 알파마요 2 슈퍼는 단순한 주행 경로 생성을 넘어 전체 주행 스택 전반에서 추론, 계획, 실행 기능을 지원한다. 여기에는 추론, 자동 레이블링, 장면 이해, 모델 평가, 소형 모델로의 지식 정제 등 멀티 태스크 역량을 탑재해 확장 가능한 레벨 4 자율주행차의 개발과 배포를 위한 핵심 기반을 제공한다.

 

주요 기능은 다음과 같다.

 

l  3배 확장된 파라미터 규모: 엔비디아 코스모스™(Cosmos™) 월드 파운데이션 모델을 기반으로 구축된 알파마요 2 슈퍼는 기존 100억 파라미터 규모 모델에서 320억 파라미터로 확장돼, 롱테일 시나리오에서의 추론, 3D 공간 이해, 궤적 예측 성능을 향상시킨다.

l  전방위 인식: 전방 중심 카메라에서 전방, 측면, 후방을 아우르는 360도 상황 인식으로 확장돼, 모델이 차선 변경, 합류, 교차로 통과를 보다 안전히 수행할 수 있도록 완전한 맥락을 확보한다.

l  메타 액션(Meta-Actions): 양보, 차선 변경, 정지 등 거시적 액션을 포함한 메타 액션 출력이 추가돼, 궤적과 인과 관계(chain-of-causation, CoC) 추적 정보 외에도 후속 계획에 필요한 고수준 주행 의사결정을 예측할 수 있다.

l  추론 자동 레이블링과 2D 그라운딩: 320억 파라미터 규모의 파운데이션 모델로 2D 그라운딩 기반 추론 자동 레이블링을 도입해 고품질의 추론 레이블을 생성하며, 데이터 레이블링 주기를 수개월에서 수일로 단축해 자율주행차 데이터 파이프라인의 비용 효율을 크게 개선한다.

l  CoC와 궤적 품질 향상: 기존의 모방학습(imitation-learning) 기반 자율주행 스택이 처리에 어려움을 겪는 희귀하고 복잡한 롱테일 시나리오에서 CoC 추적과 궤적의 품질을 개선했다.

 

이러한 발전을 통해 알파마요 2 슈퍼는 현재까지 엔비디아가 개발한 가장 강력한 자율주행 파운데이션 모델로 자리매김했다. 교사 모델(teacher model)로 설계된 알파마요 2 슈퍼는 차량 내부에 탑재된 엔비디아 드라이브 하이페리온™(DRIVE Hyperion™) 플랫폼의 가속 컴퓨팅 환경에서 실행되는 엔비디아 드라이브 AGX 토르™ (DRIVE AGX Thor™)와 같은 소형 모델로 압축될 수 있다.

 

엔비디아 알파마요 1 나노(Alpamayo 1 Nano)와 엔비디아 알파마요 1.5 나노(Alpamayo 1.5 Nano) 등의 100억 파라미터 모델에서 알파마요 2 슈퍼의 320억 파라미터 모델로 확장됨에 따라, 알파마요 기반의 자율주행차 스택은 각 제조사가 완전히 처음부터 새로 구축할 필요 없이 단일 오픈소스 릴리스만으로도 고품질의 추론과 인식 성능을 적용할 수 있다.

 

알파마요는 최근 컴퓨텍스 베스트 초이스 어워드(COMPUTEX Best Choice Awards)의 차량 기술 및 스마트 콕핏(Vehicle Technology and Smart Cockpit category) 부문을 수상했다.

 

출시 이후 알파마요의 다운로드 횟수는 약 40만 회에 달한다. 알파마요 오픈 플랫폼에는 연구자와 개발자가 자신의 데이터셋, 시나리오, 주행 정책에 맞춰 모델을 조정하도록 지원하는 사후 훈련(post-training) 스크립트도 포함된다.

 

알파마요 2 슈퍼는 올여름 깃허브(GitHub)에서 추론 코드 형태로, 허깅 페이스(Hugging Face)에서 모델 가중치 형태로 제공될 예정이다.

 

알파짐 기반 폐쇄 루프 훈련과 배포 주기 구현

엔비디아는 또한 오픈소스 기반의 고처리량 폐쇄 루프 강화학습 프레임워크인 엔비디아 알파짐을 공개했다.

 

오픈 루프 훈련이 기록된 데이터를 기준으로 모델을 평가하고 단일 행동 세트를 생성했다면, 알파짐은 엔비디아 알파심(AlpaSim) 내에서 모델의 지속적인 의사 결정과 관찰 사이클을 지원한다. 이 과정에서 제동, 조향, 경로 탐색 등의 모든 선택이 환경에 영향을 미치도록 한다.

 

그 결과 알파짐은 정적인 데이터셋으로는 포착하기 어려운 누적 오류와 극한 상황에서의 실패 사례를 식별해 모델이 경험을 통해 학습할 수 있도록 돕는다.

 

알파짐은 알파심 마이크로서비스 시뮬레이션 스택과 엔비디아 옴니버스 뉴렉을 기반으로 구축됐으며, 효율적이고 확장 가능한 폐쇄 루프 강화학습을 통해 주행 성능의 한계를 돌파한다. 알파마요는 피지컬 AI AV 데이터셋(Physical AI AV Dataset)과 결합돼 오픈형 사전 훈련부터 폐쇄형 루프 보정에 이르는 연속적인 개발 경로를 제공한다.

 

엔비디아는 CoC 오토-레이블링 파이프라인(CoC Auto-Labeling Pipeline)을 깃허브에 오픈소스로 공개하고 있다. 이 파이프라인은 인력을 통한 별도의 주석 작업 없이 원본 주행 영상으로부터 의사결정에 기반하고 인과 관계가 담긴 CoC 레이블을 자동 생성하며, 체화된 추론 모델의 대규모 훈련에 필요한 인과 훈련 데이터의 기반을 제공한다.

 

엔비디아 기반 자율주행차용 피지컬 AI 에이전트 신기술

추론 기반 자율주행차 개발을 지원하기 위해 엔비디아는 엔비디아 에이전트 툴킷(Agent Toolkit)을 통해 새로운 피지컬 AI 에이전트 기술을 출시한다. 이를 통해 개발자와 코딩 에이전트에게 대규모 자율주행 시스템의 구축과 검증에 필요한 시뮬레이션, 데이터 생성, 폐쇄 루프 훈련 워크플로우를 제공한다.

 

여기에는 엔비디아 옴니버스 뉴렉 라이브러리 기반의 뉴럴 리컨스트럭션, 사실적인 시나리오 생성을 위한 엔비디아 옴니드림스, 폐쇄 루프 강화학습을 위한 알파짐의 기술들이 포함된다.