현재 약 30개에 달하는 로봇택시 기업들이 NVIDIA의 기술 스택을 기반으로 사업을 전개하고 있다

2026년 9월 10일, 캘리포니아주 산타클라라. 우버(Uber), 웨이모(Waymo), 줌(Zoox), 포니.ai(Pony.ai), 모멘타(Momenta), 위라이드(WeRide), 테슬라(Tesla), 메르세데스-벤츠(Mercedes-Benz), 현대자동차(Hyundai Motor) 등 로봇택시와 자율주행차를 개발 중인 약 30개 기업이 현재 엔비디아(NVIDIA)의 컴퓨팅 및 시뮬레이션 플랫폼을 기반으로 자율주행 시스템의 일부를 구축하고 있는 것으로 나타났다. 이는 엔비디아가 자체 자동차 파트너십 현황을 조사해 발표한 결과에 따른 것이다. 이 명단에는 평소에는 한 문장에 함께 언급되기도 드문 직접적인 경쟁사들이 포함되어 있으며, 이는 로보택시 산업이 구축되는 방식에 구조적인 변화가 일어나고 있음을 보여준다. 즉, 승객 확보를 위해 치열하게 경쟁하는 차량 운영사들이 목표를 달성하기 위해 점점 더 동일한 기반 컴퓨팅 레이어를 임대하고 있는 것이다.

NVIDIA는 산타클라라에 본사를 둔 칩 제조사로, 이 회사의 그래픽 처리 장치(GPU)는 전 세계 AI 모델 훈련의 대부분을 뒷받침하고 있으며, 지난 몇 년간 DRIVE 브랜드를 통해 자동차 전용 하드웨어 및 소프트웨어 분야로 그 입지를 확장해 왔다. 이러한 사업 확장이 목요일 발표의 핵심 내용으로, 여기에는 모델 훈련용 DGX 시스템, 비전-언어-행동 모델 제품군인 알파마요(Alpamayo), 시뮬레이션에서 실제 주행 시나리오를 재구성하는 옴니버스 누렉(Omniverse NuRec), 합성 훈련 데이터 생성을 위한 ‘Cosmos’, 센서 및 연산 아키텍처인 ‘DRIVE Hyperion’, 차량 내 추론을 위한 ‘DRIVE AGX Thor’ 시스템 온 칩(SoC), 그리고 ‘Halos’라는 안전 검증 프레임워크를 고객이 전체 또는 일부를 채택할 수 있는 스택의 구성 요소로 제시했다.

공유 인프라를 중심으로 통합되는 시장

로보택시 업계는 불과 2년 전만 해도 수직 통합 방식에 대한 경쟁처럼 보였습니다. Waymo는 자체 센서 제품군과 컴퓨팅 시스템을 처음부터 직접 구축했고, 테슬라는 다른 업체들이 사용하는 라이더(lidar)나 특수 컴퓨팅 장치 없이 카메라만으로도 충분하다고 주장했으며, Pony.ai, WeRide, Momenta를 비롯한 중국 신생 기업들은 주로 자국 시장을 목표로 대부분 독립적인 기술 스택을 개발했습니다. 엔비디아(NVIDIA)가 공개한 고객 목록을 살펴보면 이러한 격차가 좁혀졌음을 알 수 있습니다.

‘카메라 전용’ 대 ‘센서 융합’, ‘미국 우선’ 대 ‘중국 우선’, ‘로보택시 전용’ 대 ‘자동차 제조사 주도’ 등 매우 상이한 기술 철학을 바탕으로 출발한 기업들은, 완성차와 비즈니스 모델이 여전히 서로 다르더라도 이제는 동일한 컴퓨팅 및 시뮬레이션 인프라의 중복되는 부분을 활용하고 있습니다.

이러한 통합은 실질적인 경쟁 우위의 위치가 바뀌게 만들기 때문에 상업적으로 중요한 의미를 지닙니다. 모든 유력한 진입자가 대략적으로 비슷한 수준의 훈련용 컴퓨팅, 시뮬레이션 툴, 차량용 반도체 라이선스를 확보할 수 있게 되면, 차별화는 단순한 컴퓨팅 성능보다는 데이터, 배포 실행, 규제 대응 쪽으로 이동하게 됩니다. 차량 운영사의 경쟁력은 점점 더, 자사가 실제 주행한 마일 수, 극한 사례를 재훈련된 모델로 전환하는 속도, 그리고 허가 취득, 보험 처리, 도시별 서비스 출시와 같은 지루한 업무를 얼마나 잘 관리하느냐에 따라 결정되며, 자사의 칩이 경쟁사보다 약간 더 빠르냐는 점에서는 더 이상 결정되지 않는다.

파트너십 명단 뒤에 숨은 확장성 문제

엔비디아(NVIDIA)는 핵심 기술적 과제를 직설적으로 설명했습니다. 단일 자율주행 차량을 안전하게 운행하는 것은 하나의 문제이지만, 그 차량을 여러 도시에서 운행하는 수천 대 규모의 차량 군으로 확장하는 것은 별개의, 훨씬 더 어려운 컴퓨팅 문제라는 것입니다. 이러한 설명은 단순한 마케팅 수사가 아닙니다. 이는 실제 운영상의 병목 현상을 반영한 것으로, 훈련 및 검증된 도로에서 우수한 성능을 보이는 모델이라도 교통 규범, 도로 표지, 기상 조건, 보행자 행동이 다른 새로운 도시에서는 실패할 수 있으며, 매번 새로운 시장에 진입할 때마다 차량 전체를 대상으로 모델을 처음부터 다시 훈련시키는 것은 시간이 너무 많이 소요되기 때문이다.

NVIDIA는 자사의 알파마요(Alpamayo) 모델 제품군이 추론 강화 데이터, 즉 단순히 결과뿐만 아니라 운전 결정이 왜 올바른지에 대한 설명이 포함된 학습 예제를 사용하여 훈련했을 때 궤적 예측 정확도를 43% 향상시켰다고 밝혔다. 지리적 확장을 계획 중인 차량 운영사에게 있어, 이러한 종류의

전이 학습을 통한 성능 향상은 새로운 도시에서 시범 운영 단계에서 상용 서비스 단계로 넘어가는 속도와 직결됩니다. 더 빠르고 신뢰할 수 있는 궤적 예측이 가능해지면, 규제 당국과 내부 안전 팀이 더 광범위한 도입을 승인하기 전에 시스템을 검증하기 위해 필요한 실제 주행 거리가 줄어들기 때문입니다.

자체 차량을 제조하지는 않지만 여러 로봇택시 파트너사를 통해 운행 서비스를 조율하는 우버는 2028년까지 로봇택시 서비스 제공 도시를 28곳으로 확대할 계획이라고 밝혔다. 이 목표는 시사하는 바가 크다. 우버는 사실상, 웨이모(Waymo), 포니.ai(Pony.ai), 모멘타(Momenta), 메이 모빌리티(May Mobility) 등 각기 다른 차량을 운용하고, 경우에 따라 서로 다른 엔비디아(NVIDIA) 제품 등급을 사용하는 다양한 파트너사 전반에 걸쳐 이러한 확장 속도를 뒷받침할 수 있을 만큼 기반 기술 스택(이 경우 대부분 엔비디아 기술)이 충분히 빠르게 성숙할 것이라고 내다보고 있기 때문이다.

로보택시 경쟁에 참여하지 않는 구매자들에게 이는 무엇을 의미하는가

이 목록의 직접적인 대상은 자율주행 차량 함대를 구축하거나 운영할 자본을 갖춘 수십 개 기업에 국한된다. 그러나 이러한 기반 플랫폼의 변화는 창고, 공장, 물류 차량 함대를 위한 물리적 AI를 평가하는 훨씬 더 광범위한 구매자층에게도 영향을 미친다. 동일한 DRIVE Hyperion 센서 아키텍처와 DRIVE AGX Thor 컴퓨팅, 그리고 알파마요(Alpamayo) 스타일의 추론 강화 훈련 방식은 산업용 및 모바일 로봇을 위한 엔비디아의 아이작(Isaac) 플랫폼에서 파생되었거나, 경우에 따라 직접 공유되는 기술이기 때문이다. 물류 센터용 자율 주행 로봇 공급업체를 평가하는 기업은, 그 사실을 인지하든 그렇지 않든, 현재 로봇 택시 산업을 통합하고 있는 것과 동일한 컴퓨팅 및 시뮬레이션 스택의 소규모 버전을 평가하고 있는 셈이다.

NVIDIA와 그 파트너들이 노리고 있는 시장은 결코 작지 않습니다. NVIDIA는 제3자 추정을 인용하여, 2035년까지 로봇택시 시장이 4,000억 달러 규모에 달하고 600만 대 이상의 상용 차량이 운행될 것으로 전망했습니다. 이는 2026년에 제한적인 상용 서비스를 운영 중인 소수의 도시에 비해 8배 이상 확장된 규모입니다.

이러한 규모에 도달하려면 NVIDIA가 설명하는 바로 그와 같은 공유 인프라가 필수적입니다. 왜냐하면 우버나 테슬라처럼 거대한 기업이라 할지라도, 수천 개의 서로 다른 도시 환경에서 자율 주행을 인증하는 데 필요한 컴퓨팅, 시뮬레이션 및 검증 작업을 단독으로 자금을 조달할 수는 없기 때문입니다.

단일 공급업체의 자체 평가가 가진 한계

이 설문조사의 모든 수치—파트너 목록, 43%의 궤적 예측 정확도 향상, 28개 도시 목표—는 각 기업이 실제로 NVIDIA의 기술 스택에 얼마나 의존하고 있는지, 혹은 자체 독점 기술을 얼마나 활용하고 있는지에 대한 독립적인 감사가 아닌, NVIDIA가 자사의 고객 관계를 자체적으로 분석한 결과와 파트너들의 공개 성명에서 비롯된 것입니다. 예를 들어, 테슬라는 수년 동안 카메라 전용 방식과 맞춤형 칩이 외부 공급업체에 대한 의존도를 줄여준다고 공개적으로 주장해 왔으며, 테슬라가 엔비디아의 파트너 목록에 포함된 것은 줌(Zoox)이나 포니.ai(Pony.ai)와 같은 기업들이 시사하는 깊고 포괄적인 풀스택 도입보다는, 시뮬레이션 툴이나 특정 칩 구매와 같은 관계의 일부만을 반영한 것으로 보입니다. 이러한 플랫폼 관련 설명을 접하는 구매자와 투자자들은 파트너 목록을 엔비디아의 상업적 영향력을 보여주는 증거로만 받아들여야 하며, 이들 기업의 실제 주행 시스템 간 경쟁적 차이가 사라졌다는 증거로 간주해서는 안 된다.

또한 명확히 언급할 가치가 있는 집중 위험도 존재한다. 한 기업의 컴퓨팅, 시뮬레이션, 안전 검증 스택을 중심으로 통합되는 산업은 해당 기업에 기술적·상업적 영향력을 행사할 수 있는 단일 지점을 만들어내며, 이 지점은 로봇택시 시장이 엔비디아와 그 파트너들이 예측하는 수천억 달러 규모로 성장함에 따라 더욱 중대한 의미를 갖게 될 것입니다. NVIDIA의 로드맵에 자사의 확장 일정을 걸고 있는 차량 운영사들은 또한, 수년에 걸친 구축 기간 동안 NVIDIA의 가격 정책, 칩 공급 및 제품 우선순위가 자신들의 계획과 일치할 것이라는 점에도 베팅하고 있는 셈인데, 이러한 의존성은 규제 당국과 대규모 차량 운영 고객 모두에게

시장이 현재의 얼리 어답터 단계를 넘어 성숙해감에 따라 더욱 면밀히 살펴봐야 할 것입니다.

향후 1년 동안 주목해야 할 수치는 엔비디아의 파트너 슬라이드에 로고가 몇 개나 등장하는지가 아니라, 텐서(Tensor), 와비(Waabi), 딥루트.ai(DeepRoute.ai)와 같이 자본력이 상대적으로 취약한 소규모 진입 기업 중 얼마나 많은 곳이 시범 운영 단계에 영구적으로 머무르지 않고 실제로 상용 차량 규모에 도달하느냐입니다. 공유 컴퓨팅 스택은 로봇택시 경쟁에 진입하는 기술적 장벽을 낮추어 주지만, 규제 당국의 승인, 보험, 그리고 무인 차량 함대가 규제 당국이 무인 운행을 승인할 만큼 충분히 안전하다는 것을 입증하기 위해 도시별로 진행해야 하는 느리고 까다로운 과정과 같은 훨씬 더 큰 장벽들을 제거해 주지는 못합니다.

차량 함대 및 물류 구매 담당자가 이 신호를 어떻게 해석해야 할까

로보택시를 운영할 일이 전혀 없는 물류 또는 차량 운영 담당자에게 더 유용한 교훈은 조달 협상력을 확보하는 것이다. 로보택시 시장을 위해 개발된 소프트웨어와 시뮬레이션 도구, 특히 알파마요(Alpamayo)가 정확도를 43% 향상시킨 데 기여한 것과 같은 추론 강화 훈련 방법은 대개 1~2년 이내에 비용이 더 저렴하고 위험 부담이 낮은 자율주행 분야로 확산되는 경향이 있으며, 이는 자동차 등급 라이더가 6자리 수의 연구용 하드웨어에서 창고 로봇에 판매되는 1,000달러 미만의 부품으로 변모한 것과 동일한 패턴이다. 오늘날 자율 주행 지게차, 야드 트럭 또는 라스트 마일 배송 로봇을 평가하는 구매자는 기존 공급업체에 그들의 로드맵이 이러한 추론 강화 훈련 접근 방식을 어느 정도 반영하고 있는지 직접 물어봐야 합니다. 추론 계층 없이 결과 중심 데이터만으로 훈련하는 공급업체는 업계에서 가장 위험이 큰 부문이 이미 넘어선 방식을 여전히 고수하고 있기 때문입니다.

하지만 단기적으로 가장 중요한 조달 관련 문제는 벤더 종속성이다. 특정 칩 제조사의 독점 도구만으로 구축된 로봇 또는 차량 군 벤더는, 특히 다년간의 계약을 체결하는 구매자의 경우, 더 이식성이 높고 하드웨어에 구애받지 않는 소프트웨어를 기반으로 한 벤더와는 다른 장기적 위험 프로필을 안고 있다.

구축 계약. 업계의 상당 부분이 NVIDIA 기반 플랫폼으로 수렴되고 있는 점을 고려할 때, 이것이 NVIDIA 기반 플랫폼을 나쁜 선택으로 만드는 것은 아니지만, 구매자가 나중에 공급업체를 변경하거나 가격 협상을 원할 경우 기본 컴퓨팅 스택이 상호 호환된다고 가정하기보다는, 공급업체 평가 과정에서 이 문제를 명시적으로 제기해 볼 가치가 있습니다.

대표 이미지 출처: NVIDIA.

이 분석은 NVIDIA가 공개한 자동차 및 로봇택시 파트너십 관련 공식 성명 및 기술 자료와, 명시된 파트너사들이 자사의 확장 계획에 대해 발표한 공식 성명을 바탕으로 작성되었습니다. 본 내용은 일반적인 정보 제공을 목적으로 하며, 투자, 금융 또는 법률 자문을 구성하지 않습니다.