개요

NVIDIA가 추론 기반 자율주행차(Reasoning AV) 개발 플랫폼 Alpamayo를 대폭 확장했다. 핵심은 세 가지다. 10B 파라미터 Alpamayo 1.5 모델, 지리적으로 다양한 PhysicalAI-AV 데이터셋, 900개 이상의 시나리오를 지원하는 AlpaSim 시뮬레이터. 2026년 CES에서 첫 공개된 Alpamayo 1이 100,000회 이상 다운로드된 이후, 커뮤니티 피드백을 반영한 전면 업그레이드다.

핵심 요약

  • Alpamayo 1.5: 10B 파라미터, Cosmos-Reason2(8B) VLM 기반, RL 사후훈련
  • 자연어 내비게이션: “200m 후 좌회전” 같은 명령으로 궤적 제어
  • 유연한 카메라: 고정 센서 리그 없이 다양한 차량 플랫폼 지원
  • PhysicalAI-AV 데이터셋: 추론 라벨 + 희귀 시나리오 포함
  • AlpaSim: 900+ 재구성 시나리오, 마이크로서비스 플러그인 시스템
  • Alpamayo 1: 100,000+ 다운로드로 산업·학계 전방위 채택 확인

본문

Alpamayo란

Alpamayo는 NVIDIA가 자율주행차 개발을 위해 오픈소스로 공개한 플랫폼이다. 단순한 모델이 아니라 모델 + 데이터 + 시뮬레이션이 묶인 통합 생태계다.

2026년 CES에서 첫 공개 이후 Alpamayo 1이 전 세계 AV 연구자와 개발자로부터 100,000회 이상 다운로드됐다. NVIDIA는 이 커뮤니티 피드백을 바탕으로 Alpamayo 1.5를 포함한 플랫폼 전반을 업그레이드했다.

핵심 주장은 하나다. “추론 모델은 차세대 자율주행 시스템의 새로운 기능과 안전 수준을 가능케 할 것이다.”

Alpamayo 1.5 모델

새 모델의 스펙은 이렇다.

  • 10B 파라미터
  • 백본: Cosmos-Reason2(8B) VLM
  • 훈련 방식: RL(강화학습) 사후훈련 적용

기능 면에서 두 가지가 눈에 띈다.

첫째, 텍스트 기반 궤적 계획이다. 자연어 명령으로 차량을 제어할 수 있다. “200m 후 좌회전” 같은 내비게이션 가이드를 모델이 이해하고 궤적으로 변환한다. 해석 가능한 계획이 생성되므로 왜 그 경로를 선택했는지도 추적할 수 있다.

둘째, 유연한 다중 카메라 지원이다. 기존 AV 모델들은 특정 센서 리그에 맞춰 설계되는 경우가 많았다. Alpamayo 1.5는 다양한 차량 플랫폼과 카메라 레이아웃에 적용할 수 있어 연구자들의 환경 제약을 줄였다.

학습 인프라도 함께 공개됐다. Supervised Fine-Tuning(SFT) 스크립트, RL 사후훈련 스크립트, 도메인 적응을 위한 자동화 도구까지 포함됐다.

PhysicalAI-AV 데이터셋

모델만큼 중요한 것이 데이터다. NVIDIA는 이번에 PhysicalAI-AV 데이터셋에 새로운 추론 라벨을 추가했다.

특징적인 것은 Chain-of-Causation(CoC) 자동 라벨링 파이프라인이다. 단순히 “무엇을 했는가"가 아니라 “왜 그 판단을 했는가"까지 라벨링하는 인과 추론 체계다. 이 파이프라인은 곧 출시 예정이다.

데이터셋에는 희귀 시나리오도 포함됐다. 불법 운전, 불규칙한 움직임, 특이한 에이전트 타입, 악천후 등 일반 주행 데이터에서 보기 어려운 상황들이 수동 검증된 추론 라벨과 함께 들어 있다. Out-of-Distribution(OOD) 벤치마크도 곧 공개된다.

AlpaSim — 폐쇄 루프 시뮬레이터

시뮬레이션 레이어도 크게 개선됐다.

AlpaSim은 NVIDIA의 자율주행용 폐쇄 루프 시뮬레이터다. 이번 업데이트에서 NuRec GA 출시로 활용 가능한 장면이 대폭 늘었고, 마이크로서비스 플러그인 시스템으로 확장성이 높아졌다. 현재 900개 이상의 재구성 시나리오를 지원한다.

학회와 연동한 AlpaSim 벤치마크, 리더보드, 챌린지도 출시가 예정됐다.

실제 사용 사례

커뮤니티에서 Alpamayo가 실제로 쓰이는 방식도 공개됐다.

  1. AV 모델 증류: 10B Alpamayo를 교사 모델로 삼아 온보드용 경량 모델을 개발한다
  2. 데이터 라벨링: 궤적과 추론 흔적을 자동으로 생성해 대규모 시나리오 라벨링에 활용
  3. 모델 커스터마이징: 자체 데이터로 사후훈련해 특정 도메인에 맞춘다
  4. AV 평가: 경량 모델의 성능을 Alpamayo 기준으로 검증한다

실무자가 볼 핵심 포인트

  • 추론 AV의 방향성: 규칙 기반이 아닌 LLM 기반 추론이 자율주행의 다음 단계가 되고 있다. Alpamayo는 이 방향의 오픈소스 레퍼런스다.
  • Chain-of-Causation 라벨링: 인과 추론 라벨은 모델의 의사결정을 해석하고 디버깅하는 핵심 자산이 된다. 자율주행뿐 아니라 AI 설명 가능성 연구에도 주목할 접근법이다.
  • 교사-학생 모델 파이프라인: 10B 모델을 오프라인 교사로 쓰고 온보드용 경량 모델을 증류하는 구조는 에지 AI 배포의 현실적 아키텍처다.
  • 오픈 플랫폼 전략: 100,000+ 다운로드는 NVIDIA가 AV 생태계의 기반 인프라를 오픈소스로 선점하는 전략이 효과를 내고 있음을 보여준다.
  • 시뮬레이션의 중요성: AlpaSim처럼 폐쇄 루프 시뮬레이터가 없으면 엣지 케이스 검증이 불가능하다. AV 개발에서 시뮬레이션은 선택이 아닌 필수다.

원문 출처