시리즈 · 테슬라 FSD 기술분석
1회 · 테슬라 FSD 기술분석 1 - 인터넷 없이 어떻게 운전하는가
테슬라 FSD 기술분석 1 - 인터넷 없이 어떻게 운전하는가
공개 자료를 바탕으로 테슬라 FSD의 구조와 한계를 검증하는 시리즈다. 첫 질문은 단순하다. 휴대전화가 먹통인 터널에서도 FSD가 운전할 수 있는가? 답은 그렇다. 정확히 말하면 FSD는 웹 개발에서 말하는 ‘서버리스’가 아니라 차량 내 추론(on-device inference) 시스템이다. 학습은 데이터센터에서 하지만, 운전 중 인지·경로 계획·조향·가감속 명령은 차량의 AI 컴퓨터가 처리한다.
Tesla가 판매하는 명칭은 **Full Self-Driving (Supervised)**다. 현재 소비자용 기능은 운전자가 계속 감시하고 즉시 개입해야 하는 SAE 레벨 2 운전자 보조 시스템이지, 무인 자율주행이 아니다.
FSD는 서버리스인가: 운전은 차 안, 학습은 서버
‘서버리스’라는 표현은 절반만 맞다. 주행 중 매 프레임을 서버로 보내 답을 기다리는 구조는 아니다. 통신 왕복 지연, 음영 지역, 기지국 장애가 곧 안전 장애가 되기 때문이다. Tesla 사용자 설명서는 전·후·좌·우 카메라 입력을 FSD 컴퓨터가 빠르게 신경망으로 처리하고 목적지까지 안내할 결정을 내린다고 설명한다. Tesla의 Connectivity 공식 FAQ는 Premium Connectivity 구독 여부가 FSD 작동에 영향을 주지 않는다고 더 명확히 답한다.
구조는 다음처럼 나누면 이해가 쉽다.
| 위치 | 맡는 일 | 인터넷이 끊기면 |
|---|---|---|
| 차량 | 카메라 취득, 주변 3D 표현, 경로 계획, 조향·제동·가속 명령, 운전자 감시 | 핵심 FSD 추론은 계속 가능 |
| Tesla 데이터센터 | 대규모 학습, 자동 라벨링, 시뮬레이션, 회귀 테스트, 새 모델 생성 | 당장 운전에는 영향 없음 |
| 차량과 클라우드 | OTA, 지도·경로 서비스, 원격 앱, 선별 텔레메트리·학습 클립 전송 | 새 기능과 온라인 서비스가 제한될 수 있음 |
사진 출처는 Tesla AI & Robotics다. Tesla는 여기서 추론 칩을 직접 설계하고, 성능뿐 아니라 전력당 성능과 이중화, 결정성까지 최적화한다고 밝힌다. 자동차에서는 최고 평균 처리량보다 정해진 시간 안에 반드시 결과가 나오는가가 더 중요하기 때문이다.
모델은 자동차에 파일로 들어 있는가
그렇다. 다만 일반 앱의 단일 거대 파일처럼 생각하면 정확하지 않다. 차량 펌웨어에는 신경망 가중치, 실행 그래프, AI 가속기용 컴파일 결과, 전처리·후처리 코드, 안전 제어 로직이 묶여 배포된다. 정확한 최신 모델 용량과 파라미터 수는 Tesla가 공개하지 않았다. 따라서 “몇 GB”, “몇 B 파라미터”라고 단정하는 글은 공식 근거가 없는 추정이다.
Tesla AI 페이지에 남아 있는 ‘48개 네트워크, 전체 빌드에 7만 GPU 시간, 매 시점 1,000개 텐서 출력’은 공개 당시 스택을 설명한 수치다. 최신 엔드투엔드 FSD의 모델 크기라고 그대로 읽으면 안 된다. 중요한 것은 학습용 GPU 규모와 차량용 모델 파일 크기가 같지 않다는 점이다. 대형 GPU 클러스터는 학습에 쓰고, 차량에는 추론에 필요한 압축·컴파일된 결과가 배포된다.
Tesla AI Day 2022 공식 영상에서 회사는 여러 카메라의 시간축 영상을 하나의 벡터 공간으로 통합하고, 점유 공간(occupancy)을 예측하는 접근을 공개했다. 이는 한 프레임에서 물체 이름만 붙이는 탐지기를 넘어 “어디가 비어 있고, 어디가 막혀 있으며, 무엇이 움직이는가”를 3차원·시간축으로 표현하려는 시도다.
카메라 말고 무엇을 입력으로 쓰나
FSD의 환경 인지 철학은 카메라 중심의 Tesla Vision이다. 그러나 자동차가 카메라 픽셀만 보고 움직인다는 뜻은 아니다. 공개된 사용자 설명서와 차량 구조를 기준으로 보면 다음 입력이 함께 필요하다.
- 전·후·측면 외부 카메라 영상
- 실내 카메라의 운전자 주의 상태
- 차속, 바퀴 회전, 조향각, 가속·제동 상태 같은 차량 신호
- IMU의 가속도·회전 정보와 차량 자세
- GPS와 내비게이션 경로, 도로 정보
- 하드웨어 세대와 지역에 따라 초음파 센서 또는 레이더
Tesla의 카메라·센서 설명도 일부 차량에 초음파 센서와 레이더가 장착될 수 있음을 표시한다. 다만 최근 소비자용 FSD의 핵심 환경 인지는 카메라 기반이며, 센서 구성은 모델·연식·시장에 따라 달라진다.
여기서 중요한 구분이 있다. 내비게이션은 목적지와 큰 경로를 알려주는 의도 입력이고, 카메라와 차량 상태는 지금 안전하게 움직일 수 있는지를 판단하는 실시간 입력이다. GPS가 몇 미터 흔들려도 차선 중앙을 잡는 일은 카메라 기반 지역 좌표계에서 해결해야 한다.
구동장치를 모델 파라미터로 모두 학습했나
“조향과 브레이크 특성을 통째로 신경망 파라미터에 외웠다”는 설명은 지나치다. 신경망이 카메라에서 직접 조향·가감속 궤적까지 예측하는 비중은 커졌지만, 실제 차량에는 여전히 조향·제동·구동기의 저수준 제어기, 제한값, 진단, 독립 안전장치가 있다. 상위 모델이 원하는 궤적이나 제어 목표를 내고, 하위 제어기가 현재 속도·조향각·마찰·차체 응답을 보며 그것을 실행하는 계층 구조로 보는 편이 타당하다.
차종 차이는 모델 파라미터 하나로만 흡수하지 않는다. 휠베이스, 조향비, 질량, 타이어, 제동 응답 같은 차량별 설정과 제어 보정값이 존재하고, 공통 인터페이스 위에서 같은 상위 FSD 소프트웨어를 여러 차종에 적용할 수 있다. 이것이 ‘구동장치 표준화’에 가까운 실제 의미다.
Tesla는 Code Foundations 설명에서 처리량, 지연시간, 정확성, 결정성을 핵심 지표로 꼽고, 센서 데이터를 고주파로 취득하면서도 중앙 메모리와 안전 중요 코드를 방해하지 않도록 여러 SoC에 계산을 파이프라인화한다고 밝힌다. ‘사람보다 빨라야 한다’는 질문의 답도 여기에 있다. 사람이 위험을 인지하고 근육을 움직이기까지 걸리는 전체 반응시간과, 컴퓨터의 한 번의 추론 지연을 단순 비교할 수는 없다. FSD의 이점은 졸지 않고 연속 관찰하며 수십 번 반복 판단할 수 있다는 데 있다. 반대로 한 프레임을 빨리 계산해도 장면을 잘못 이해하면 빠른 오판일 뿐이다.
구형 테슬라까지 지원하는 진짜 이유와 한계
Tesla가 오래전부터 카메라 위치, 차량 통신, 전자식 조향·제동, OTA를 플랫폼화한 것은 큰 선점 효과다. 소프트웨어를 한 차량이 아니라 차량군에 배포하고 실제 도로에서 검증할 수 있었다. 그러나 “구형 모델도 최신 FSD를 같은 품질로 쓴다”는 결론은 사실이 아니다.
Tesla AI Computer 설치 안내에 따르면 FSD를 구매한 Computer 2.0·2.5 차량은 Hardware 3 컴퓨터 교체 대상이 될 수 있고, 초기 카메라도 교체가 필요할 수 있다. 구독자는 같은 무상 교체 조건이 아니며, Tesla도 기능이 모델·연식·하드웨어·지역에 따라 달라진다고 명시한다. 2026년 1분기 투자자 자료의 새 Self-Driving 앱도 AI4 차량을 대상으로 적었다.
즉 광범위한 지원의 비결은 네 가지다.
- 전자식 조향·제동·가속을 공통 소프트웨어 인터페이스로 추상화했다.
- 카메라 배치와 차량 네트워크를 일찍 플랫폼화했다.
- AI 컴퓨터를 물리적으로 교체할 수 있게 설계했다.
- OTA로 같은 차량을 반복 개선한다.
하지만 센서 해상도, 연산량, 메모리, 카메라 배치가 달라지면 같은 모델을 그대로 쓸 수 없다. Tesla의 강점은 “파라미터 변화가 거의 없다”가 아니라, 하드웨어 변형을 관리하며 하나의 소프트웨어 계열을 대규모로 운영하는 능력이다.
1부의 결론은 명확하다. FSD의 즉각적인 운전 판단은 차량 안에서 일어나고, 클라우드는 두뇌를 훈련하고 새 버전을 배포하는 공장이다. 2부에서는 차량 데이터가 실제로 무엇을 얼마나 올리는지, 통신비는 누가 내는지, OTA와 플릿 러닝이 어떻게 연결되는지, 그리고 Tesla의 선진성을 안전 데이터까지 포함해 객관적으로 평가한다.
댓글 없음:
댓글 쓰기