10월 26일, 제8회 지능형 주행 대회 겸 2026 환슈우호(环秀湖) 물리 AI 산업 발전 투자설명회가 쑤저우 샹청(相城)에서 개최되었다.
전시회에서는 차륜-도로-클라우드 통합, 지능형 주행의 해외 진출, 무인 운전 상용화가 주요 논의 주제였는데, 올해에는 대회의 논의 범위가 지능형 주행에서 한 걸음 더 나아가 물리적 AI로 확장되었습니다.
세계 모델, 강화 학습, 온디바이스 지능, 가상 시뮬레이션, Robotaxi 외에도 로봇, 저고도 비행체 등 다양한 형태의 물리 지능이 같은 컨퍼런스에서 모습을 드러내기 시작했다. 그 배경에는 자율주행 산업이 직면하고 있는 새로운 문제들이 있다.
한편으로는 고계 보조 운전이 이미 대량 탑재 단계에 진입했고, Robotaxi도 기술 검증에서 운영 및 상업화 단계로 나아가기 시작했습니다. 다른 한편으로는 AI가 자동차, 로봇, 비행체 등 물리적 장치에 실제로 진입함에 따라, 충분한 데이터를 확보하는 방법, 모델을 학습하고 검증하는 방법, 개발 비용을 낮추는 방법, 그리고 실제 세계에서 시스템의 안전성을 보장하는 방법이 새로운 기술적 난제로 떠오르고 있습니다.
당일 Momenta, 차오차오추싱(曹操出行), 몐비지능(面壁智能) 등 기업과 대학 및 연구기관의 여러 게스트가 월드 모델, 강화 학습, 온디바이스 대형 모델, 가상 시뮬레이션, 차로클라우드(V2X) 및 물리 AI 인프라 등 방향에 대해 각자의 판단을 제시했다.
요약해 보면 이러한 발언들에서 알 수 있는 것은, 지능형 주행이 물리 AI가 현실 세계에 가장 먼저 진입하는 시험장이 되고 있다는 점입니다. 그리고 한 대의 차량의 자율주행에서 로봇, 저고도 비행체 및 도시 교통 시스템에 이르기까지, 서로 다른 기술 노선들이同一个 같은 질문에 답하고 있습니다. AI가 디지털 세계에서 어떻게 진정으로 물리 세계로 진입하고, 규모화 운영이 가능한 제품을 형성할 수 있는가라는 질문입니다.
중국공정원 원사, 칭화대학교 차량·운송학원 교수, 지능형 녹색 차량·교통 전국 중점실험실 주원인 리커창(李克强)
키워드: 지능형 주행 안전, 차로운 일체화(車路雲一體化), 단차 지능 한계
리커창(李克强)은 자동차 지능화가 이미 대규모 응용과 상업적 폐쇄 루프 단계에 진입했다고 보며, 현재 가장 중요한 문제는 지능형 주행 시스템의 안전이라고 생각한다. 단일 차량 자체의 센서와 연산 능력에만 의존하는 것에는 물리적 한계가 존재하며, 고수준 자율주행은 단일 차량 지능에서 한 단계 더 나아가 차량-클라우드 협력, 차량-도로-클라우드 일체화 방향으로 진화해야 한다.
그는 현재 자율주행 산업의 병목을 세 가지로 귀납했다. 첫째, 일부 제품의 정의가 국가 및 국제 표준과 괴리가 있다는 점, 둘째, 고안전·고신뢰 자율주행의 핵심 기술이 아직 돌파구를 찾지 못했다는 점, 셋째, 업계의 투자와 상업적 산출이 여전히 불일치한다는 점이다.
기술적 측면에서 그는 주로 세 가지 문제가 존재한다고 보았다:
인지 능력에는 여전히 한계가 있다. 차량이 '보지 못하고, 멀리 보지 못하고, 전부 보지 못한다면' 아무리 강력한 AI 의사결정도 정보 부족을 만회할 수 없으므로, 초시거 인지, 디지털 신호의 차량 탑재, 협동 인지를 통해 정보 출처를 늘릴 필요가 있다.
AI 모델 학습 데이터는 여전히 불완전합니다. 자율주행은 멀티모달과 대형 모델 단계에 진입하고 있지만, 데이터 유형과 시나리오 커버리지 부족은 여전히 안전 문제를 야기할 수 있습니다.
개발 효율이 낮습니다. 현재 다수의 시스템이 여전히 "굴뚝식" 아키텍처를 채택하고 있어 통합된 기반(base)이 부족하며, 개발 진입 장벽이 높고, 재사용률이 낮으며, 검증 주기가 길다는 등의 문제가 존재합니다.
리커창(李克强)은 차로-클라우드 일체화(车路云一体化)가 두 가지 핵심 역량을 제공할 수 있다고 제시했다. 첫째, 표준화된 '데이터 궤도'를 구축하여 차량에 광역·다차원·실시간 교통 정보를 제공하는 것이고, 둘째, AI 대규모 모델을 위한 데이터 서비스 체계를 형성하여 모델에 지속적으로 고피질 데이터를 공급하는 것이다.
현재 관련 솔루션은 이미 산업화 검증 단계에 진입했다. 베이징, 충칭 등 도시에서 자동차 제조사와의 협동 개발이 진행 중이며, 적용 시나리오는 전방 정지 장애물, '고스트 프로(鬼探头)', 녹색파 통행 등을 포괄한다. 일부 프로젝트는 이미 양산 단계에 들어갔으며 올해만 7개 자동차 제조사가 관련 적용을 추진했고, 중국 퍼스트 자동차(中国一汽)도 양산 도입을 공표했다.
그는 고수준 자율주행이 향후 해결해야 할 세 가지 문제로, 안전 병목을 정면으로 직시하는 것, 차량 단독 지능의 물리적 한계를 돌파하는 것, 그리고 차로구름(車路雲) 일체화를 통해 개발 비용을 절감하고 연구 개발 효율을 높이는 것을 꼽았다.
유럽과학한림원 회원, 칭화대학교 차량 및 운반학원 교수 쉬 샤오보(曲小波)
핵심 키워드: 물리 AI, 디지털 트윈, 플라잉 카, 수요 대응 버스
곡샤오보(曲小波)는 물리 AI가 디지털 트윈을 ‘현실 세계를 매핑하고 모니터링하는 것’에서 나아가 ‘현실 세계를 이해하고, 추론하며, 실시간으로 제어하는 것’으로 한 걸음 더 나아가도록 추진하고 있다고 보았다.
전통적인 디지털 트윈은 주로 물리적 실체에서 디지털 실체로의 매핑을 수행하지만, 디지털 측의 시뮬레이션 추론은 수 초가 걸리는 경우가 많아 물리 시스템을 실시간으로 제어하기 어렵습니다. 관련 국가 중점 연구개발 프로젝트는 네 가지 문제를 중점적으로 해결하고자 합니다. 일반화 능력을 갖춘 디지털 추론을 실현하고, 추론 시간을 100밀리초 이내로 압축하며, 디지털 측과 물리 측 간의 상호운용 메커니즘을 구축하고, 크로스스케일·다계층 아키텍처를 통해 말단 실행 오차를 줄이는 것입니다.
그 기술 체계는 세 개의 계층으로 나뉜다:
컴포넌트 수준: 모터 등 액추에이터의 설계 효율과 실행 정밀도를 향상시킵니다. 물리 AI로 기존 모터 데이터를 학습함으로써 약 10% 오차 범위에서 일부 단일 지점 계산을 시간 단위에서 밀리초 단위로 단축할 수 있습니다.
차량 레벨: Sim-to-Real Gap 해소, 다양한 기종 및 동역학 적응, 신속한 검증을 다루며, 자율주행, 항공기 자율 순항 및 건설기계 자율 작업에 적용됩니다;
시스템 수준: 수요 응답형 버스, 저고도 교통 관제, 광산 공정 기계 등 다양한 이기종 차량 간의 협업을 구현합니다.
플라잉 카 분야에서 팀은 체리(奇瑞)와 협력하여 날개, 캐빈, 섀시로 구성되고 각각 조합하여 자율 순항 비행기와 자율주행 자동차로 만들 수 있는 자율 순항 복합익 모듈형 플라잉 카를 개발했습니다.
건설기계 분야에서는 월드 모델을 통해 후보 궤적을 생성하고 궤적을 선택하는 작업을 수행하는 동시에 삽입 지점과 하차 위치를 최적화하여 건설기계가 환경 모델링, 적재, 운반 및 하역의 연속 작업을 수행할 수 있도록 합니다.
수요 응답형 버스는 현재 후난 주저 직업교육성에서 18개월째 정기적으로 운행되고 있다. 현지에는 약 10만 명의 교사와 학생이 있으며, 그중 50% 이상이 등록하여 이용하고 있다. 택시와 비교하면 지점 간 이동 시간은 약 2분 차이에 불과하지만, 평균 1회 비용은 약 2위안으로 택시의 약 9.16위안과 대조된다.
저고도 교통 분야에서는 이착륙 지역의 홀로그램 환경을 구축하여 충돌 예측, 이착륙 순서 정렬 및 자원 배분을 수행하며, 현재 충칭에서 통항공항을 플라잉카 이착륙 시험장으로 개조했다.
탕위안 테크(Tangyuan Technology) CEO 런동춘
키워드: 세계 모델, 시뮬레이션 학습, 합성 데이터, 가상-실물 폐쇄 루프
런동춘은 Yootta WorldLoop 세계 모델을 소개했으며, 이는 지능형 주행과 물리 AI를 위한 가상-실물 융합 폐쇄 루프 학습 및 평가 시스템이다.
이 시스템 전체는 데이터 수집, 데이터 생산, 알고리즘 학습, 알고리즘 평가, 실기 검증 및 데이터 환류를 아우르며, 시나리오 생산·편집, 알고리즘 학습, 시뮬레이션 평가 및 실기 검증이라는 세 개의 플랫폼으로 구성된다.
핵심 기술은 네 가지 모듈을 포함한다:
CAD 및 3D 구조 데이터의 물리화,
생성형 세계 모델,
4D 데이터 렌더러,
시뮬레이션 물리 엔진.
이 중 3D 자산은 기하학 및 색상 정보 외에도 질량, 마찰력, 탄력, 재질 등의 물리 속성을 추가하여 로봇이 가상 자산과 실제로 상호작용할 수 있게 한다.
현재 관련 시스템은 가정, 산업, 상업 소매, 지능형 주행 주행 및 주차 등 다섯 가지 시나리오를 이미 커버하고 있다.
구현된 지능(Embodied Intelligence) 시나리오에서는 서로 다른 로봇의 URDF 모델을 로드하고 파지, 내비게이션 등의 작업을 설정할 수 있다. 런동춘은 실기로 1,000건의 파지 데이터를 수집할 경우 각 건당 약 1분이 소요되어 총 1,000분 이상이 걸리지만, GPU 병렬 시뮬레이션을 사용하면 동일 규모의 데이터 생산과 학습을 수 분에서 십수 분으로 단축할 수 있다고 밝혔다.
지능형 주행 분야에서는 차량 측 또는 도로 측 센서를 활용해 실제 도로 환경을 재구성한 뒤, 날씨, 조명, 차량 수 등의 조건을 변경하여 주행 및 주차 알고리즘의 학습과 검증에 활용할 수 있다.
현재 Yootta는 상핀자례(尚品宅配)와 협력해 500세트의 가정 시나리오를 개방했으며, 각 세트는 로봇과 상호작용할 수 있는 수백에서 수천 개의 자산을 포함한다. 다음 단계로 5,000개의 가상-실물 대응 시나리오를 구축하고, 100만 개의 실물 자산과 500만 시간의 합성 데이터를 공개하며, 약 50종의 로봇 하드웨어 본체에 적용할 계획이다.
차오차오 출행(CAOCAO Mobility) CEO 궁신
키워드: RoboX, Robotaxi, 물리 AI Agent, 천지공(天地空) 일체화 모빌리티
궁신은 AI 시대에 모빌리티 산업의 경쟁이 트래픽 진입점에서 일체화된 공급 능력으로 이동하고 있다고 보았다.
이에 차오차오 출행은 RoboX 전략을 제시하며, 승합차 호출 서비스, 택시, 버스, 저속 물류차, 화물 트럭, eVTOL 등 서로 다른 이동 능력을 AI Agent가 실시간으로 호출할 수 있는 서비스로 통합 패키징하고자 한다.
이 체계에서 사용자는 향후 별도로 차량 호출 앱을 열 필요 없이, AI가 일정, 위치, 개인 요구에 따라 해당 이동 서비스를 자동으로 선택하고 호출하게 될 수 있다.
차오차오 출행은 모빌리티 분야에서의 물리 AI 비즈니스 모델을 네 가지로 분류했다:
기본 이동 서비스: Robotaxi, 고속철도, 저공 비행체 등 교통수단의 통합 운영·관리;
슈퍼 물리 AI Agent: 차량을 관광, 외식, 엔터테인먼트 등 현실 서비스의 진입점으로 만드는 것;
실시간 입체 데이터 서비스: 차량 내외부 센서를 활용해 실시간 환경 데이터를 형성하고, 규정 준수를 전제로 기업과 도시 관리에 서비스를 제공하는 것;
분산형 컴퓨팅 파워: 차량의 유휴 컴퓨팅 파워를 추가로 활용하는 것.
RoboX 전략을 뒷받침하는 것은 Robo OS로, 온라인 AI Agent와 오프라인 이동 수단을 연결하고, 사용자 선호, 이동 시나리오, 이행 결과, 위치 및 경로 등의 실제 데이터를 AI에 피드백하는 역할을 담당한다.
현재 차오차오 출행의 Robotaxi는 6개 도시를 커버했으며, 차량 규모는 200대를 넘어섰다. Robo One은 창사와 청두에 50대 이상 배치되었고 쑤저우 진입을 계획하고 있다. RAS 원격 센터는 이미 항저우와 쑤저우에 상륙했다.
계획에 따르면 2030년까지 차오차오 출행은 쑤저우에 수천 대의 Robotaxi와 Robo One을 투입하여 7×24시간 상시 운영을 실현할 계획이다.
발전 경로는 세 단계로 나뉜다: 2026년에 Robotaxi와 Robo One의 승객 수송, 화물 운송의 시장 진입과 운영 폐쇄 루프를 완성하고, 2027년에 자체 개발한 Robotaxi 차종의 출시와 함께 규모화 복제를 시작하며, 2030년에는 쑤저우 모델을 전국 및 해외 시장으로 확산한다.
아이스 인공지능 테크놀로지(爱思人工智能科技有限公司) 이사장 양통
키워드: Agnes Harness, 물리 AI, Test Time Training, 하드웨어 프로토콜
양통은 AI에서 세 가지 변화가 나타나고 있다고 보았다: 범용 대형 모델이 더 많은 수직 분야로 진입하고, 모델이 Skill과 학습 피드백을 통해 자기 진화를 시작했으며, 대형 모델이 물리 장치에 직접 연결되기 시작한 것이다.
이러한 추세에 기반해 아이스 인공지능(AIX)은 Agnes Harness를 개발했으며, 범용 모델이 수직형 에이전트와 물리 AI 애플리케이션으로 이전하는 비용을 낮추고자 한다.
Agnes Harness는 프런트엔드와 백엔드를 분리하는 설계를 채택하여 모델 능력과 MaaS, 메모리, 샌드박스, 검색과 도구, 컨텍스트 관리, 팀 협업 등의 능력을 캡슐화하고, 다시 Plugin과 Skill 메커니즘을 통해 서로 다른 애플리케이션에 적응시킨다.
물리 AI 차원에서 그 핵심 능력 중 하나는 MHS로, 표준 하드웨어 프로토콜을 통해 대규모 모델이 자연어로 현미경, 의료 장비, 카메라, 드론 등 프로그래밍 가능한 장치에 연결할 수 있게 하는 것이다.
현재 이미 소형 차량과 로봇개의 협업 실험이 진행되었으며, 두 대의 장치는 카메라로 환경을 인식하고, 다시 대규모 언어 모델이 직접 의사결정에 참여한다. 전통적인 리모컨 조작을 사용하지 않으며, 완전한 사전 설정 동작 흐름도 필요하지 않다.
또 하나의 중점은 ISI로, 주로 두 부분을 포함한다:
모델 실행 과정에서의 능력을 지속적으로 Skill로 축적하는 것;
TTT(Test Time Training)를 통해 모델이 실제 실행 과정에서 계속 업데이트되도록 하는 것이다.
양퉁(杨通)은 전통적으로 모델의 데이터 수집, 훈련과 추론이 서로 다른 팀에 의해 완료되며, 모델이 출시된 후에는 장기간 변하지 않는 경우가 많다고 말했다. TTT는 데이터 수집, 실행 피드백과 모델 업데이트를 연결하여, 모델이 구체적인 환경에 맞춰 지속적으로 적응할 수 있게 하는 것을 목표로 한다.
현재 관련 실험은 약 0.9B 파라미터 모델을 사용해 검증하고 있으며, 일부 모델은 약 30분마다 한 번씩 업데이트된다. 게임 테스트에서 Skill을 지속적으로 축적한 후, 일부 작업의 승률이 약 3%에서 90%로 상승했고, 3대3 시나리오는 0에서 약 60%로 향상되었다.
현재 아이시(爱诗) 인공지능 모델의 월 호출량은 약 65조 Token, 월 이미지 생성량은 약 5000만 장, 비디오 생성량은 약 1.7억 초이다. Agnes 관련 시스템은 이미 칩 설계, 연산자 최적화, 드론 군집, 단백질 합성 등의 시나리오에 사용되고 있다.
Momenta 부사장 구궁야오(顾功尧)
키워드: 고급 보조 주행, 월드 모델, 강화 학습
구궁야오는 중국의 고급 보조 주행이 이미 빠른 양산 확대 단계에 진입했으며, 도심 NOA 솔루션이 10만 위안 이하 차종에 진입하기 시작했고, 글로벌 시장은 전체적으로 중국보다 수년 뒤처져 있다고 보았다.
Momenta의 비즈니스 모델은 '하나의 플라이휠, 두 개의 다리'로 요약할 수 있다: 하나는 양산 보조 주행이고, 다른 하나는 L4 규모화 무인 주행이다. 양산 차량이 지속적으로 실제 도로 데이터를 생성하고, 다시 Robotaxi 등 L4 제품에 피드백한다.
현재 Momenta 보조 주행 시스템을 탑재한 승용차는 이미 130만 대를 초과했으며, 누적 수주(定点)는 240개를 넘고, 120여 개 차종에 납품되었으며, 누적 실제 주행 거리는 약 200억 km에 이른다.
Momenta는 물리 AI를 '월드 모델 + 강화 학습'으로 이해한다.
그들의 R7 월드 모델은 주로 세 단계로 나뉜다:
사전 훈련: 수백억 km의 실제 도로 데이터를 활용하여 월드 모델이 물리 법칙, 교통 행동과 도로 상식을 학습하도록 한다;
시뮬레이션 추연: 자차와 다른 교통 참여자의 행동 변화를 시뮬레이션한다;
강화 학습: 월드 모델이 구축한 시뮬레이션 환경에서 차량용 주행 모델을 추가로 훈련한다.
Momenta는 현재 통합 모델 아키텍처를 사용하여 L2++부터 L4 제품까지 지원하며, 양산 보조 주행, Robotaxi 등 제품이 동일한 모델과 데이터 라인을 공유하고, 법규와 안전 요구에 따라 서로 다른 이중화만 설정한다.
R7은 이미 여러 양산차에 적용되었다. 예를 들어 복잡한 산길에서 시스템은 자전거 이용자, 중앙 분리대와 맞은편 차량을 동시에 처리하며 짧은 안전 추월 창구를 찾아야 하고, 야간 도심에서 불법 주차 차량을 우회할 때는 멀리 있는 방호벽(隔离墩)을 미리 식별하고 원래 차선으로 복귀하는 궤적을 계획해야 한다.
Momenta는 차세대 R9 월드 파운데이션 모델을 사전 연구하고 있다. R7의 파라미터 규모는 약 10억 수준이며, R9는 약 천억 수준으로 상승시킬 계획이고, 동시에 차량용 칩 연산력도 수백 TOPS급에서 수천 TOPS급으로 진화한다.
R9는 더욱 미세한 물리 변화를 이해하기를 희망한다. 예를 들어 산사태 낙석을 식별할 뿐만 아니라, 낙석의 이후 운동이 자유낙하 법칙에 부합하는지 추론할 수 있어야 한다.
면비(面壁) 인텔리전스 공동창업자 겸 수석 과학자 류즈위안(刘知远)
키워드: 밀도 법칙, 온디바이스 지능, 전모달리티 감지, 물리 AI
류즈위안은 대규모 모델의 지난 8년간의 핵심 변화는 단순히 파라미터 규모가 지속적으로 확대된 것이 아니라, 서로 다른 유형의 데이터를 끊임없이 흡수할 수 있는 일반적인 기술 경로가 형성된 것이라고 보았다.
모델이 계속 확대됨에 따라 데이터와 연산력이 새로운 제약 조건이 되고 있다.
데이터 측면에서, 2024년 전후부터 대규모 강화 학습이 모델을 모방 학습에서 탐색식 학습으로 발전시켜, 모델이 능동적으로 탐색하고 새로운 훈련 데이터를 생성할 수 있게 되었다.
반면 연산력 측면에서, 여전히 파라미터 규모 확대에만 의존하여 능력을 향상시킨다면 계산 수요는 결국 지속되기 어렵다. 따라서 대규모 모델은 '지능 밀도'를 높여야 한다. 즉, 더 적은 파라미터와 연산력으로 동일한 지능 수준에 도달하는 것이다.
면비 인텔리전스는 이에 따라 '밀도 법칙'을 제안했다.
그들의 관찰에 따르면, 글로벌 오픈소스 대규모 모델의 지능 밀도는 대략 매 100일마다 배로 향상되며, 즉 대략 매 100일마다 절반의 파라미터와 절반의 계산량으로 이전과 유사한 지능 능력을 실현할 수 있다.
류즈위안은 이것이 반도체 산업의 무어 법칙과 유사하다고 보았다. 미래에 모델은 한편으로 끊임없이 작아지고, 다른 한편으로 휴대폰, 자동차, 로봇 등 단말의 연산력은 계속 향상되어, 두 가지 추세가 최종적으로 수렴하면 과거 서버에서만 실행할 수 있었던 대규모 모델이 점진적으로 단말에 진입하게 될 것이다.
그는 미래 AI를 세 가지 형태, 즉 슈퍼 인텔리전스, 클라우드 측 인텔리전스, 엣지(단말) 측 인텔리전스로 나누었으며, 그중 엣지 측 인텔리전스가 물리 AI의 중요한 매개체가 될 것이라고 말했다.
인공지능이 물리 세계에 진입하는 데에는 세 가지 추세가 존재한다:
높은 지능 밀도: 모델 실행에 필요한 파라미터와 연산력을 낮춘다;
전 모달리티 감지: 시각, 소리 및 기타 센서를 통해 현실 세계를 이해한다;
자율 지능형 에이전트: 개방된 환경에서 지속적으로 의사결정, 학습, 행동을 수행한다.
면벽지능(面壁智能)은 이미 엣지 측 모델을 스마트폰, 자동차 인포테인먼트, 위성, 로봇 등의 분야에 적용했으며, 화웨이, 삼성 등 기업과 협력을 진행하고 있다.
밀도 법칙에 따라 추산하면, 지능 밀도가 약 100일마다 두 배가 되는 속도를 유지한다면 2년이 채 지나지 않아 동일한 능력을 구현하는 데 필요한 파라미터 수와 연산력이 두 자릿수(백 배) 규모로 감소할 수 있으며, 원래 조(兆) 단위급 모델의 일부 능력을 백억 단위급으로 압축하여 단말 기기에 배치할 수 있게 된다.
류즈위안(刘知远)은 향후 대형 모델이 스마트폰, PC, 자동차, 로봇, 웨어러블 기기, IoT 등 단말에 지속적으로 진입할 것이며, 엣지 측 인텔리전스가 AI가 물리 세계에 진입하는 중요한 경로가 될 것이라고 보았다. 레이펑왕(雷峰网)(공식 계정: 레이펑왕) 레이펑왕
레이펑왕(雷峰网) 오리지널 기사로, 무단 전재를 금지합니다. 자세한 내용은전재 안내를 참조하십시오。