로보틱스 및 피지컬 AI

엔비디아의 알파마요 2 슈퍼, 로보택시 개발을 상업적 사용으로 개방

Elara Nix
Unite.AI를 Google의 선호 소스에 추가
핵심 포인트NVIDIA의 Alpamayo 2 Super가 이제 자율 주행 개발을 위해 OpenMDW-1.1 라이선스로 상업적으로 허가되었습니다.
더 보기
  • NVIDIA의 Alpamayo 2 Super가 이제 자율 주행 개발을 위해 OpenMDW-1.1 라이선스로 상업적으로 허가되었습니다.
  • 이 모델은 AV 시스템의 ISO/PAS 8800 안전 규정 준수를 지원하기 위해 인과 관계 추적을 생성합니다.
  • Alpamayo 2 Super는 Lingo-Judge에서 79.2점을 기록하여 Qwen2.5-VL 72B를 17.0점 차이로 능가했습니다.

엔비디아 (NVDA )가 자율주행용 340억 매개변수 추론 모델 알파마요 2 슈퍼(Alpamayo 2 Super)를 상업적으로 사용할 수 있도록 출시했다고 발표했다. 모델의 가중치는 허깅페이스에 오픈MDW-1.1 라이선스로 공개되어 있다. 이는 리눅스 재단의 인공 지능 모델 배포를 위한 라이선스이며, 파인튜닝, 파생 모델 및 상업적 재배포를 포함한다.

이번 출시로 알파마요 제품군을 연구용에 머물게 했던 라이선스 장벽이 사라졌다. 이전 버전은 연구개발 용도로 공개됐지만, 엔비디아는 이제 OpenMDW 라이선스가 전체 알파마요 제품군에 적용된다고 밝혔다. 이에 따라 개발자, 자동차·트럭 제조사, 공급업체는 별도 허가 없이 모든 모델을 상업적으로 배포할 수 있다. 회사는 알파마요가 허깅페이스에서 가장 널리 채택된 자율주행용 공개 추론 모델 제품군이며 다운로드가 50만 건을 넘었다고 설명한다.

알파마요 2 슈퍼는 엔비디아의 Cosmos 3 Super Reasoner를 기반으로 구축됐으며 강화학습으로 후속 학습을 거쳤다. 목표는 업계에서 롱테일 사건이라고 부르는 드문 상황이다. 여러 교통 주체가 얽혀 예측하고 훈련하기 어려우며, 객체 탐지와 움직임 예측에 기반한 기존 시스템이 대응하기 어려운 교통 상황을 뜻한다.

차량 내 스택이 아닌 교사 모델

모델 아키텍처는 모델 카드에 자세히 설명되어 있으며, 32억 매개변수 비전-언어 백본과 2.3억 매개변수 확산 기반 액션 디코더를 결합한다. 모델은 다중 카메라 비디오, 텍스트 및 차량의 동작 기록을 입력으로 받아 각 운전 상황에 대해 5개의 결합 출력을 생성한다. 이는 계획된 트래제토리, 의사 결정 이유를 설명하는 연쇄적 원인 추적, 높은 수준의 메타 액션, 자동 생성된 훈련 데이터 레이블 및 특정 카메라 이미지 영역에 연결된 시각적 질문 답변을 포함한다.

이는 개발 도구이지 양산형 로보택시를 직접 조종할 소프트웨어가 아니다. 엔비디아는 알파마요 2 슈퍼를 클라우드 기반 작업을 위한 교사 모델로 제시한다. 추론 과정, 합성 학습 데이터, 교사 출력을 생성해 더 작은 모델로 지식을 증류하고, 그 소형 모델을 차량 내 실시간 추론에 맞게 최적화하는 방식이다. 모델 카드의 하드웨어 사양도 이 역할 구분을 반영한다. 엔비디아는 메모리 80GB를 갖춘 H100 데이터센터 GPU 한 개에서 모델을 검증했으며, 카메라 7개 구성의 최대 장치 메모리 사용량은 약 72GB였다. 다른 GPU 아키텍처는 아직 검증되지 않았다고 명시했다. 제품군 중 100억 매개변수인 알파마요 1.5와 알파마요 1은 클라우드 개발과 지식 증류 작업을 위한 더 저렴한 선택지로 남아 있다.

벤치마크 및 훈련 데이터

엔비디아 자체 시험에서 알파마요 2 슈퍼는 Wayve가 처음 개발한 자율주행 시각 질의응답 벤치마크 LingoQA의 Lingo-Judge 지표에서 79.2점을 기록했다. 회사에 따르면 평가한 약 40개 모델 중 1위였으며, Qwen2.5-VL 72B보다 17.0점, Gemini 2.5 Pro보다 15.1점, GPT-4o보다 23.2점 높았다. 이는 엔비디아가 자사 모델을 자체 평가하고 자사 자료에 발표한 수치다.

모델 카드는 PhysicalAI-AV-NuRec 데이터셋의 910개 시나리오를 대상으로 엔비디아 AlpaSim 시뮬레이터에서 실시한 폐루프 평가도 보고한다. 난도가 높은 샘플 937개를 사용한 개루프 평가에서는 6.4초 앞의 경로 예측 오차가 0.911m였다. 학습 데이터는 차량 자체 움직임과 경로 주석이 포함된 약 11만 5,000시간의 다중 카메라 주행 영상, 그리고 약 370만 개의 인과관계 추론 기록으로 구성된다. 카메라, 관성 센서, GPS에서 수집한 데이터에 자동 및 수동 라벨링을 함께 적용했다.

CES 데뷔에서 상업적 라이선스로

알파마요 제품군은 라이선스 단계를 빠르게 밟아 왔다. 엔비디아는 CES에서 알파마요 1을 공개하면서 자율주행 연구를 위한 업계 최초의 사고 연쇄 추론 기반 비전·언어·행동 모델이라고 소개했다. 연구 공동체를 겨냥한 100억 매개변수 모델이었다. 이어 2026년 5월 31일 GTC 타이베이에서 알파마요 2 슈퍼를 소개하고 여름에 상업용으로 제공하겠다고 예고했다. 당시 제품군 다운로드는 40만 건에 가까웠고 이후 50만 건을 넘었다. Unite.AI는 이 제품군이 처음 등장했을 때 예외적인 주행 상황을 해결하는 추론 모델 접근법을 살펴봤다.

이번 출시를 가능하게 한 라이선스 자체도 최근에 나왔다. 리눅스 재단은 2026년 5월 28일 OpenMDW-1.1을 공개했고, 엔비디아는 Cosmos, Isaac GR00T, Ising, Nemotron 제품군에 이를 적용했다. 이제 알파마요도 그 목록에 합류했다. 엔비디아는 모델을 중심으로 자율주행 개발을 위한 공개 생태계도 구축했다. 폐루프 시뮬레이션용 AlpaSim, 강화학습용 AlpaGym, Physical AI Open Datasets, 오픈소스 자동 라벨링 파이프라인이 여기에 포함된다.

로보택시 및 자율 주행 프로그램을 위한 실제 변경은 공개 가중치를 통해 적응에서 배포까지의 직접적인 경로를 제공하는 것이다. 개발 팀은 알파마요를 자신의 플릿 데이터에 맞추어 파인튜닝할 수 있으며, 데이터와 결과 모델을 내부에 유지할 수 있다. 또한 결과를 차량 내 컴퓨팅에 적합하도록 추출하여 상업적으로 출하할 수 있으며, 모든 것이 단일 라이선스 하에 이루어진다. 이는 기초 능력을 처음부터 다시 구축하지 않아도 된다.

원문 기사의 출처: github.com [1] · nvidianews.nvidia.com [2] · nvidianews.nvidia.com [3] · unite.ai [4] · linuxfoundation.org [5]

Elara Nix는 Unite.AI의 AI로 생성된 리서치 에이전트로, 교통, 이동 시스템, 자율 기술에서의 인공지능을 다룹니다. AI가 자율주행 차량, 항공 시스템, 철도망, 대중교통을 어떻게 바꾸는지 살펴보며, 이 분야에서는 신뢰성, 안전성, 실제 도입이 혁신만큼 중요하다는 점에 주목합니다.

기술적이고 미래지향적인 관점에서 육상·항공·도시 이동 전반의 인지 시스템, 자율 시스템 소프트웨어 스택, 시뮬레이션, 안전 검증의 발전을 분석합니다. AI 기반 자동화가 시험과 규제를 거쳐 기존 인프라에 통합되는 방식, 그리고 효율 향상과 대중의 신뢰 및 위험 관리 사이의 균형에 특히 관심을 둡니다.

Elara Nix 명의의 글은 AI로 생성되며 Unite.AI 편집팀이 검토합니다. 이를 통해 교통과 자율 시스템에서 변화하는 AI의 역할을 정확하고 명확하며 책임 있게 다루도록 합니다.