들어가며
자율주행은 이제 모델 성능만의 경쟁이 아니라, 자사 데이터로 얼마나 빠르게 재학습·검증하느냐의 경쟁으로 옮겨가고 있습니다. NVIDIA CEO 젠슨 황이 CES 2026에서 “Physical AI의 ChatGPT 모멘트”를, GTC에서 자율주행을 “최초의 수조 달러 규모 로보틱스 산업”이라 표현한 것도 이 변화를 가리킵니다.
Physical AI는 물리 세계를 인지·추론·행동하는 AI이고, 자율주행은 그 대표 분야입니다. 2026년 3월 AWS와 NVIDIA가 공개한 자율주행 3.0용 Physical AI 데이터 파이프라인 참조 아키텍처는 바로 이 “데이터 루프”를 어떻게 구성할지에 대한 청사진입니다. 이 글은 그 참조 아키텍처를 중심으로 다룹니다. (원문의 한국어 번역본도 AWS 기술 블로그에 게시되어 있습니다.)
앞서 소개한 참고 블로그는 데이터 파이프라인 구축 방법을 8단계로 설명합니다. 지금 이 시리즈는 그 글을 읽고 직접 실행해 보려는 분들을 위해 썼습니다. 1부에서는 파이프라인이 중요해진 산업적 배경을, 2부에서는 서울 리전에서 실행하는 Blueprint Lab과 이를 고객 환경으로 확장하는 방법을 다룹니다. 설명은 NVIDIA DRIVE 플랫폼과 Alpamayo·Cosmos 계열 오픈 모델을 사용하는 참조 아키텍처를 중심으로 하며, 자체 칩과 모델을 선택한 기업의 사례도 3절에서 함께 살펴봅니다.
> NOTE: 데이터 파이프라인과 데이터 플라이휠
데이터 파이프라인은 차량 데이터의 수집·처리·학습·검증을 연결하는 구조입니다. 모든 데이터가 여덟 단계를 같은 순서로 통과하는 것은 아닙니다. 데이터 플라이휠은 검증과 운행에서 발견한 실패 사례를 다음 데이터 수집과 학습에 반영하는 반복 과정을 뜻하며, 한 번의 개선 주기에 드는 시간과 비용이 관건입니다.
AV 3.0에서는 모델 성능뿐 아니라 자사 차량 데이터로 재학습·검증하는 속도가 중요해지고 있습니다. NVIDIA가 Alpamayo·Cosmos 모델과 AlpaSim을 공개하면서 이를 활용한 개발이 가능해졌지만, 데이터의 수집·관리와 학습·검증 체계는 각 기업이 직접 마련해야 합니다. AWS는 이 과정을 지원하는 관리형 서비스를 제공합니다. 이 글의 수치와 사양은 2026년 10월 기준이며, 요금과 쿼터는 계정과 리전마다 다릅니다.
1. AV 3.0, 무엇이 바뀌었나
AV 3.0 데이터 파이프라인의 참조 아키텍처는 자율주행 소프트웨어의 변화를 세 세대로 구분합니다. 업계 표준 명칭은 아니지만, 이 글도 같은 설명 틀을 따릅니다. 1.0은 인지·예측·계획·제어 모듈과 그 사이의 인터페이스를 각각 설계하는 방식입니다. 2.0은 입력에서 출력까지 통합해 학습하는 엔드투엔드 방식이고, 3.0은 여기에 판단 근거를 설명하는 추론(reasoning)을 더합니다. 3.0의 대표적인 구현이 비전-언어-행동(VLA) 모델이며, 카메라 영상과 주행 이력을 받아 주행 궤적과 그 판단 근거를 함께 출력합니다.
> NOTE: 추론의 두 가지 의미 – inference와 reasoning
inference와 reasoning은 우리말로 모두 ‘추론’으로 번역되지만 의미가 다릅니다. inference는 학습을 마친 모델이 입력을 받아 결과를 내놓는 과정입니다. 자율주행에서는 주행 중에 센서 입력을 받아 주행 궤적을 출력하는 것이 inference입니다. reasoning은 그 결과에 이르는 판단 과정과 근거입니다. “보행자가 횡단보도로 다가오고 있으니 감속한다” 같은 것이 reasoning입니다. 두 가지를 함께 하는 대표적인 모델이 NVIDIA Alpamayo 같은 비전-언어-행동(VLA) 모델입니다. 이 모델은 카메라 영상과 주행 이력을 입력받아 주행 궤적과 그 판단 근거를 함께 출력합니다.
> NOTE: VLA(Vision-Language-Actio