FSD vs Waymo — 카메라 올인 vs Lidar+HD Map의 기술 전쟁
FSD vs Waymo — 카메라 올인 vs Lidar+HD Map의 기술 전쟁
주간 Concept Primer · 2026-w23 (기준일 2026-04-28) 독자: 투자 지식은 있으나 기술 배경이 없는 비전공 투자자 관련 티커: TSLA, GOOGL, NVDA, MBLY, 005930.KS(Samsung Foundry)
0. TL;DR (5문장 요약)
- Tesla는 "카메라 + End-to-End 신경망" 올인, Waymo는 "Lidar + HD Map + 규칙 기반 설계자" 이중 안전망 — 두 회사는 자율주행을 다른 종교처럼 접근한다.
- Waymo는 지금 17,000마일당 1회 개입, Tesla FSD v13은 495마일당 1회 개입으로 실제 성능은 약 34배 차이 (2025-2026 기준, 출처: CA DMV + FSD Community Tracker). 단, Waymo는 한정된 도시에서, Tesla는 전 세계 어디서든 달린다는 조건 차이가 있다.
- Tesla의 베팅은 "스케일이 곧 정답" — 450만 대 차량이 매일 수억 마일의 학습 데이터를 쏟아내면 언젠가 Waymo를 따라잡는다는 논리. Waymo의 베팅은 "안전이 곧 사업" — 99.99% 안전이 확보되지 않으면 L4(무인) 상용화는 불가능하다는 논리.
- **현재 스코어는 "Waymo가 상용화에서 앞서고, Tesla가 확장 가능성에서 앞선다"**로 요약된다. Waymo는 2026년 4월 기준 미국 10개 도시(Phoenix·SF·LA·Austin·Atlanta·Miami·Dallas·Houston·San Antonio·Orlando) 상용 운행 중, Tesla는 운전자 감독 필수(L2)인 상태로 전 세계 판매.
- 투자 함의 — 반도체·OEM 공급망은 양쪽 모두 수혜. NVDA DRIVE(자동차 매출 FY26 $5B 타깃), Mobileye(연 1,920만 대 출하), Samsung Foundry(Tesla AI6 $16.5B 계약)는 승자에 관계없이 과실을 나눠 갖는 구조다.
1. 두 접근법 아키텍처 비교
1.1 용어 전개 (먼저 단어부터 풀자)
이 섹션에서 반복 등장하는 약어·전문 용어를 투자자 관점에서 먼저 정리한다.
- FSD (Full Self-Driving, 풀 셀프 드라이빙 = "완전 자율주행") — Tesla가 2020년부터 판매하는 자율주행 소프트웨어. 현재 이름과 달리 L2(운전자 감독 필수) 수준에 머물러 있다는 점이 핵심.
- Waymo (웨이모) — Google(Alphabet)의 자회사, 2009년 Google Self-Driving Car Project에서 분사. 현재 "Waymo One"이라는 로보택시(무인 택시) 서비스 운영.
- L2 ~ L5 (SAE Level 2~5, 자율주행 등급) — 미국 자동차공학회(SAE, Society of Automotive Engineers)가 정의한 자율화 단계.
- L2: 운전자가 핸들에 손을 올린 채 감독 (현재 Tesla FSD)
- L3: 특정 조건에서 운전자 개입 불필요 (Mercedes Drive Pilot)
- L4: 특정 구역 내 완전 무인 운행 (Waymo One)
- L5: 모든 환경에서 완전 무인 (아직 존재하지 않음)
- Lidar (Light Detection And Ranging, 라이다 = "빛 감지 및 거리 측정") — 초당 수십만 개의 레이저 펄스를 쏴서 주변 사물까지의 거리를 ±2cm 정밀도로 측정하는 센서. 비유하자면 "박쥐의 초음파 + 3D 스캐너". Waymo의 5세대 Driver는 차량당 4개의 Lidar를 탑재, 한 대 가격이 2019년 $75,000에서 2024년 ~$7,500까지 하락(출처: IEEE Spectrum).
- HD Map (High-Definition Map, 고정밀 지도) — 일반 내비게이션 지도가 미터 단위라면, HD Map은 10~20cm 단위의 3D 입체 지도. 차선 한 가닥, 정지선, 신호등 높이, 연석(도로 경계) 위치까지 담겨 있다. 비유하자면 "구글 지도가 지하철 노선도라면, HD Map은 건물 내부 1:100 모형".
- E2E NN (End-to-End Neural Network, 끝에서 끝까지 연결된 신경망) — 카메라 입력(픽셀) → 하나의 거대한 신경망 → 바로 핸들·액셀·브레이크 출력. 중간에 "규칙·코드"가 개입하지 않는 구조. 섹션 2에서 상세 설명.
- ODD (Operational Design Domain, 운행 설계 영역) — 자율주행 시스템이 "정상 작동을 보장하는 조건 범위". 예: Waymo Phoenix는 맑은 날씨, 고속도로 제외, 지정 구역 내. ODD를 벗어나면 시스템이 운행을 거부하거나 안전하게 정지해야 한다.
- Disengagement (디스인게이지먼트, 개입) — 자율주행 시스템이 운전자(또는 원격 조종사)에게 제어권을 넘기는 사건. N 마일당 1회 개입 지표가 안전성 비교의 핵심 KPI(Key Performance Indicator, 핵심 성과 지표).
1.2 Waymo의 스택 — "벨트에 멜빵까지 차는 안전 설계"
Waymo의 5세대 자율주행 시스템(5th Generation Waymo Driver) 구성:
[센서층]
├ Lidar × 4 (360도 장거리 + 4개 근거리)
├ Radar (레이더, 전파 기반 거리 센서) × 6
├ Camera (카메라) × 29
├ Audio Microphone (사이렌 감지) × 다수
│
[인식층]
├ 3D Object Detection (3차원 물체 인식)
├ Scene Understanding (상황 이해)
│
[HD Map 비교층] ← Waymo의 핵심 "안전 보험"
├ 실시간 센서 데이터 vs 사전 제작 HD Map 대조
├ 차이 발생 시 "공사 중" 또는 "센서 오작동" 판단
│
[예측층]
├ Behavior Prediction (다른 차량/보행자 의도 예측)
│
[계획층]
├ Rule-based Planner (규칙 기반 설계자)
├ "빨간불엔 무조건 정지" 같은 안전 규칙을 하드코딩
│
[제어층]
└ 핸들/액셀/브레이크 명령
핵심 특징: 각 층이 독립적으로 검증 가능. 인식 층에 버그가 생기면 HD Map이 "진실(ground truth)"로 보정. 예측이 틀려도 규칙 기반 설계자가 "사람이 튀어나올 수 있는 상황엔 속도 낮춰"라고 강제.
비유: 비행기 조종석과 같다. 자동조종 장치가 수십 개의 독립 시스템으로 나뉘어 있고, 하나가 고장나도 다른 시스템이 백업한다. 안전은 타협 불가능한 제약 조건이라는 철학.
강점:
- L4 무인 운행 가능 (운전석에 사람 없음)
- 99.99%+ 안전성 검증 — 2020~2024년 7,100만 실제 마일에서 중상해 사고율이 인간 운전자 대비 85% 낮음 (출처: Waymo Safety Hub, 2024-12)
- Lidar가 야간·역광·안개에서도 동일하게 작동 (빛 환경에 덜 의존)
약점:
- 도시별 HD Map 제작 비용 추정 $50M~$200M (업계 추정, Waymo 공식 수치 미공개)
- 신규 도시 진출 시 약 6~12개월의 매핑 차량 운행 + HD Map 제작 기간 필요
- 하드웨어 원가 추정 차량당 $80,000~$150,000 (Lidar 4개 + Radar + 컴퓨트)
- ODD 밖(예: 눈 폭풍, 새로운 공사장)에서 운행 거부 → 사업 확장의 구조적 한계
1.3 Tesla의 스택 — "카메라와 신경망만으로 충분하다"
Tesla FSD v13(2025-11 출시) 구성:
[센서층]
└ Camera × 8 (전방·측면·후방, 360도 커버)
※ Lidar 없음, Radar 2021년 이후 제거, 초음파 센서 2022년 제거
[통합 신경망층] ← Tesla의 핵심 베팅
├ 48개 신경망이 하나의 End-to-End 파이프라인 형성
├ 픽셀 입력 → 직접 제어 출력
├ "Temporal-Voxel Transformer" — 시간 차원 추가 (v13 신규)
│
[제어층]
└ 핸들/액셀/브레이크 명령
핵심 특징: 기존 300,000줄의 C++ 제어 코드가 FSD v12에서 2,000~3,000줄 + 신경망 가중치로 대체됨 (출처: Tesla AI Day 2024, Ashok Elluswamy). "코드를 쓰는 게 아니라 AI가 운전을 배운다"는 발상의 대전환.
비유: 수년간 운전한 베테랑 택시기사의 "감". 기사에게 "저기 공사장 있을 때 어떻게 해요?"라고 물으면 조건별 규칙을 열거하지 않고 "그냥 느낌으로 피해요"라고 답한다. 신경망은 그 "느낌"을 수학적 함수로 근사한 것이다.
강점:
- 하드웨어 원가 차량당 약 $1,500~$3,000 (Waymo 대비 1/30~1/50)
- 전 세계 어디서든 동작 (HD Map 불필요 → 지도 제작 비용 0)
- 450만 대 차량 플릿(fleet, 함대)이 모두 데이터 수집 장치로 작동
- 새 상황을 만났을 때 소프트웨어 업데이트만으로 전 세계 동시 개선
약점:
- 카메라 의존의 원천적 취약점 — 야간 저조도, 역광, 안개, 폭설, 렌즈 오염 시 성능 저하
- E2E 신경망의 해석 불가능성 — "왜 그렇게 판단했는지" 사후 분석 어려움, 규제 승인 장벽
- L4 상용화 시점 여전히 불확실 — Musk는 2019년부터 매년 "1년 내 가능"을 예고했지만 2026년 현재도 L2 수준
1.4 한눈에 비교하는 스택 요약
투자자 관점에서 보면
두 접근법은 동일 시장에서 경쟁하지 않는다. Waymo는 도시별 로보택시 네트워크 사업, Tesla는 전 세계 소비자 판매 + 언젠가 Robotaxi 네트워크를 노린다. 투자 관점에서 핵심 질문은 "누가 이기나"가 아니라 **"두 방식의 TAM(Total Addressable Market, 전체 가능 시장) 비중이 시간이 지나며 어떻게 바뀌나"**다. Waymo 방식의 하드웨어 원가가 $80K → $20K로 하락하거나 (Lidar 가격 폭락 + 컴퓨트 규모의 경제), Tesla 방식의 Disengagement Rate가 17,000 마일을 넘기면 시장이 한쪽으로 급격히 기울 수 있다. 2026~2028년이 바로 이 갈림길이 결정될 시기이므로 분기별 두 지표를 트래킹하는 것이 필수.
2. End-to-End Neural Network — Tesla의 베팅
2.1 "전통 방식"은 어떻게 작동했나
2020년까지 거의 모든 자율주행 시스템은 4단계 파이프라인을 따랐다.
각 단계는 독립적으로 만들어지고, 각 단계의 출력이 다음 단계의 입력이 된다.
- 인식(Perception): "저건 사람, 저건 자동차, 저건 신호등"
- 예측(Prediction): "사람이 3초 뒤 건너갈 확률 80%"
- 계획(Planning): "그럼 2초간 감속하자"
- 제어(Control): "브레이크 페달을 25% 밟자"
문제점: 각 단계 사이에 정보 손실이 발생한다. 인식 모듈이 "사람"이라고 분류하는 순간 그 사람이 어떻게 걷고 있는지, 손에 뭘 들었는지, 시선은 어디인지 등 미묘한 정보가 사라진다. 계획 모듈은 "사람 1명, 3초 후 건널 확률 80%"라는 압축된 정보만 받게 된다.
비유: 요리 레시피를 단계별로 전달하는 식당을 상상하자. 주방장이 "양파 1개, 볶음" → 보조1 "파프리카 추가, 3분" → 보조2 "소금 1 티스푼, 섞기". 각 단계 사이에 메모만 전달되므로, 처음 재료 상태의 디테일은 마지막 단계에서는 완전히 사라진다.
2.2 E2E Neural Network는 어떻게 다른가
Tesla FSD v12(2024-03) 이후는 단일 신경망이 이 모든 단계를 통합한다.
작동 원리:
- 입력: 8개 카메라에서 초당 36프레임 × 1080p 영상이 들어온다.
- 처리: 신경망 안에서 수십억 개의 매개변수(parameter)가 픽셀 패턴을 상황의 추상 표현으로 변환.
- 출력: 핸들 각도(단위: 도), 액셀/브레이크 압력(단위: %)을 직접 출력.
중간에 "저건 사람"이라는 명시적 분류가 존재하지 않는다. 신경망은 그저 "이런 픽셀 패턴 → 이런 조작"이라는 매핑을 학습했을 뿐.
비유: 30년 경력 택시기사의 직관. 기사는 "저 보행자의 걸음걸이가 불안정하니 갑자기 튈 수 있겠다"를 의식적으로 분류하지 않는다. 그냥 발이 브레이크로 가 있다. 경험이 근육에 새겨진 상태다. E2E NN은 이 상태를 수학적으로 복제하려는 시도.
2.3 왜 이 방식이 "카메라만으로도 가능"의 근거가 되는가
핵심 논리: 인간 운전자는 눈(카메라와 유사) + 뇌(신경망과 유사) 만으로 운전한다. 따라서 기계도 충분히 큰 신경망 + 충분히 많은 데이터가 있으면 인간 수준 이상으로 운전할 수 있다.
Tesla의 Scaling Argument (스케일링 논리):
- 데이터: 450만 대 차량 × 평균 일일 30마일 = 일 1.35억 마일 수집
- 파라미터: v12 → v13으로 약 4.2배 확장 (Tesla 발표, 2025-11)
- 컴퓨트: 50,000 H100 GPU 클러스터 활용
- 이 세 축을 10년간 10배씩 키우면 인간 운전자 수준을 10배 초과할 것이라는 가설
비유: GPT 언어 모델의 역사와 같다. GPT-2(15억 파라미터)는 가끔 유창한 문장을 만들었지만 빈번히 헛소리했다. GPT-4(1.8조 추정)는 인간 전문가 수준을 종종 능가한다. 모델·데이터·컴퓨트를 동시에 키우면 **창발적 성능(emergent capability)**이 나타난다는 것이 Scaling Argument의 근거.
2.4 E2E 방식의 약점 — "블랙박스 문제"
- 해석 불가능: 사고가 나도 "왜 그렇게 판단했나?"를 답할 수 없다. 신경망 내부는 수십억 개 숫자의 복잡한 상호작용이므로 인간이 이해할 수 있는 규칙으로 환원되지 않는다.
- 엣지 케이스 예측 불가: 학습 데이터에 없는 상황(예: 도로에 누운 고래 모형)에서 어떻게 반응할지 사전 검증 불가능.
- 규제 기관 승인의 벽: NHTSA(National Highway Traffic Safety Administration, 미국 도로교통안전국), EU NCAP, 중국 MIIT 등은 **"시스템이 어떻게 안전하다고 증명할 수 있나"**를 묻는데, E2E는 답하기 어렵다.
투자자 관점에서 보면
E2E Neural Network는 **"믿음의 기술(faith-based technology)"**이다. Tesla가 옳다면 자율주행 시장은 소프트웨어 업데이트로 전 세계에 순간 이동할 수 있어 Tesla가 지배적 플레이어가 된다. 틀리다면 10년 뒤에도 L2 수준 운전자 보조에 머물 수 있다. 투자자 핵심 트래킹 KPI는 분기별 FSD Disengagement Rate 개선 속도다. 2025 Q1 495 mi → 2025 Q4 ?, 2026 Q2 ? 추세를 보면 Tesla의 Scaling Argument가 작동하는지 냉정하게 판단할 수 있다. 만약 개선 속도가 연 2배 미만이면 "700,000 마일 (L4 달성 기준)"까지는 10년 이상 걸린다는 뜻.
3. HD Map + Lidar — Waymo의 보험
3.1 Lidar는 정확히 무엇을 하나
Lidar (Light Detection And Ranging) 는 초당 수십만~수백만 개의 레이저 펄스를 쏴서 반사 시간을 측정, 거리를 계산하는 센서다. Waymo 5세대 Driver에 탑재된 Long-Range Lidar는 300m 전방까지 ±2cm 정밀도로 측정.
작동 원리:
- 회전하는 레이저 방출기가 360도 전방위로 펄스를 발사.
- 물체에 부딪혀 반사된 빛이 돌아오는 시간을 측정.
- 빛의 속도는 일정하므로 시간 × 빛의 속도 = 거리.
- 초당 수백만 개의 거리 데이터 → 3D 점구름(Point Cloud, 포인트 클라우드) 생성.
비유: 어두운 방에서 공을 던져 벽까지 거리를 재는 게임. 공이 돌아오는 시간을 정밀하게 재면 벽의 형상을 그려낼 수 있다. Lidar는 이걸 초당 수백만 번 한다.
카메라와의 근본적 차이:
- 카메라는 빛이 있어야 작동 (야간 헤드라이트 의존)
- Lidar는 스스로 빛을 쏘므로 야간에도 동일 성능
- 카메라는 색상·질감 감지 우위 (신호등 색 판별)
- Lidar는 거리·형상 감지 우위 (야간 보행자 감지)
3.2 HD Map 제작 공정 — 왜 그렇게 비싼가
Waymo는 신규 도시 진출 전 1~6개월간 수작업 매핑을 한다.
공정:
- Survey 차량 운행 — Lidar 탑재 차량이 모든 도로를 여러 번 왕복 주행.
- Raw Data 수집 — 도로 1마일당 약 100GB의 Lidar + Camera + GPS 데이터.
- 3D Reconstruction — 소프트웨어가 점구름 데이터를 3D 모델로 재구성.
- Semantic Annotation (의미 주석) — 인간 annotator가 "저건 정지선, 저건 차선, 저건 신호등 위치"를 라벨링. 인당 일 ~10마일 처리 가능.
- Quality Assurance (품질 보증) — 재주행 테스트 차량이 실제 경로를 달리며 HD Map 정확도 검증.
- 주간 업데이트 — 공사, 차선 변경, 신호등 설치 변동을 반영.
비용 구조 (업계 추정, 2024-2025):
- 매핑 차량 팀 (3~5대 + 운전기사): 월 $500K
- Annotator 팀 (50~200명): 월 $1~3M
- 엔지니어 (QA + 소프트웨어 유지): 월 $2~5M
- 도시당 총 비용: $50M~$200M (도시 규모와 복잡도에 따라)
왜 HD Map이 필수인가 — Waymo의 "삼중 안전망" 관점:
- 센서 오류 보정: 카메라가 신호등을 가려진 상태로 인식 실패 시 HD Map이 "신호등 위치 여기" → 시스템이 "지금 신호등 상태 모름 → 보수적으로 정지" 판단.
- 경로 계획 최적화: 차선이 몇 개 있고, 각 차선이 직진/좌회전/우회전 중 무엇인지 사전에 알고 있음.
- 법규 준수: 각 도로의 제한 속도, 일방통행 여부, 회전 금지 표지 등이 하드코딩되어 있어 신호 인식 실패 시에도 법규 준수 가능.
3.3 "도시별 확장 속도가 느린" 구조적 한계
Waymo의 상용 서비스 도시 추이 (2024-2026):
- 2018-12: Phoenix 시범 (1개 도시)
- 2022: Phoenix 본격 상용, SF 시범 (2개)
- 2023-08: SF 상용화
- 2024-10: LA 상용화
- 2025-03: Austin, Atlanta (Uber 제휴)
- 2026-01: Miami 상용화
- 2026-02: Dallas·Houston·San Antonio·Orlando 발표 (출처: waymo.com/blog/2026/02)
- 2026-04 기준: 10개 도시 상용, 미국 내 TAM의 ~2%
확장 제약 요인:
- HD Map 제작 기간 — 도시당 최소 6개월
- 규제 승인 — 주(state)별로 다른 AV 법 통과 필요 (California, Arizona, Texas, Florida 등 주별 상이)
- 운행 차량 배치 — 5세대 Driver 제작 원가 추정 $150K/대 × 수백 대 = 도시당 수천만 달러의 차량 CAPEX
- 원격 조종실 설치 — Waymo는 자율주행 실패 시 원격에서 "힌트"를 주는 운영센터 보유, 도시별로 인력 재훈련 필요
대비: Tesla는 소프트웨어 업데이트만으로 전 세계 450만 대가 같은 날 같은 버전 배포.
3.4 자율주행 개입 시나리오 시뮬레이션
Waymo가 San Francisco 도심 교차로에서 마주할 수 있는 상황:
- 상황 A (정상): 신호등 파란불, 앞차 정지 중 → HD Map + Lidar + 규칙 모두 일치 → "대기"
- 상황 B (센서 오류): 카메라 렌즈에 빗방울, 신호등 인식 불가 → HD Map이 신호등 위치 확인 → Lidar로 앞차 정지 확인 → "일단 정지, 신호 판단 후 출발"
- 상황 C (공사장): HD Map에 없는 임시 차선 변경 → Lidar가 콘(traffic cone, 공사용 원뿔) 인식 → 규칙 엔진 "공사 패턴 감지 → 감속 + 인접 차선 확인" → 필요 시 원격 운영자 호출
- 상황 D (긴급 차량): 앰뷸런스 사이렌 → 마이크로폰 감지 → HD Map의 갓길 위치 확인 → "2차선으로 이동, 정지"
같은 상황에서 Tesla FSD:
- 상황 A: 신경망이 과거 유사 패턴 학습 → 정상 대기
- 상황 B: 빗방울로 신호등 인식 실패 → 신경망이 "애매할 땐 정지" 학습했으면 안전, 안 했으면 사고 가능
- 상황 C: 콘 패턴이 학습 데이터에 충분하지 않으면 오작동 가능
- 상황 D: 마이크로폰 없음 → 앰뷸런스 감지 실패 (시각으로만 감지)
투자자 관점에서 보면
Waymo의 "도시당 $50M~$200M" 비용은 GoogleAlphabet의 현금 흐름으로만 감당 가능한 진입장벽이다. 2023년 이후 Cruise(GM 자회사)가 사업 철수, Apple이 자동차 프로젝트 중단했듯이 막대한 고정비를 견딜 수 있는 빅테크만이 Waymo 방식으로 경쟁 가능. 투자자 입장에서 GOOG의 Waymo 가치는 Sum-Of-The-Parts(SOTP, 부분합산) 밸류에이션에서 $50B~$80B 수준(2025 RBC Capital, Morgan Stanley 추정)으로 계산되며, 상용 도시가 10개 → 30개로 확장되면 SOTP 업사이드가 2~3배 가능. 추적 지표: Waymo One 일일 rider 수 (현재 주간 200,000+ 탑승), 신규 도시 추가 속도.
4. Disengagement Rate — 실제 격차
4.1 Disengagement의 정의와 두 가지 측정 방식
Disengagement (개입) 는 자율주행 시스템이 운전자(또는 원격 조종사)에게 제어권을 넘기는 사건. 미국 California DMV(Department of Motor Vehicles, 차량관리국)는 2015년부터 자율주행 테스트 기업에 연간 Disengagement Report 제출을 의무화.
두 가지 Disengagement:
- Safety-critical (안전 중대 개입): "개입 없었으면 사고 발생 가능성" — 규제상 가장 중요한 지표
- Non-critical (비중대 개입): "운전자가 불편해서 끄거나, 시스템이 보수적으로 요청"
4.2 2025-2026 현재 격차
Waymo (CA DMV 2024 Report, 2025-02 공개):
- 2024 California 내 운행 거리: 7.1M 마일 (drivered 기준)
- 총 Disengagement: 약 420건
- 평균: ~17,000 마일당 1회 개입
- 이 중 safety-critical은 극소수 (Waymo는 구체 분류 공개 안 함)
Tesla FSD v13 (FSD Community Tracker 크라우드소싱, 2025-03):
- 크라우드소싱 데이터 33,000+ 마일
- 평균: 495 마일당 1회 critical disengagement
- 출처: teslafsdtracker.com, Electrek 보도 (2025-03-23)
격차: 17,000 / 495 ≈ 34배
4.3 해석의 주의점 — "Apples to Oranges 비교"
단순 수치 비교는 오해를 낳을 수 있다. 다음 차이를 이해해야 한다.
운행 환경 차이:
- Waymo: 사전 매핑된 도시, ODD 내부만 운행, 기상 악화 시 운행 중단. 즉 쉬운 경로만 선택.
- Tesla: 사용자가 고속도로·눈·폭우·비포장도로 어디서든 FSD 활성화. 가장 어려운 상황도 포함.
측정 주체 차이:
- Waymo: 내부 엔지니어가 "critical"을 판단, 규제기관 제출 (엄격한 정의)
- Tesla: 사용자가 자발적으로 커뮤니티 트래커에 보고 (주관적)
시스템 목표 차이:
- Waymo L4: 운전석에 사람 없음 → 모든 개입이 치명적
- Tesla L2: 운전자가 항상 감독 → 소규모 개입은 정상 작동 범위
Musk의 주장: Tesla는 "fleet 전체" 데이터(수억 마일)에서 자체 측정한 개입률을 공개하지 않는다. 만약 공개된다면 커뮤니티 트래커 수치보다 좋거나 나쁠 수 있다 — 시나리오에 따라 다르다.
4.4 언제 수렴할 것인가 — 3가지 시나리오
NHTSA가 내부 기준으로 "unsupervised FSD 승인에 필요"로 언급한 숫자: 700,000 마일/개입 (Tesla FSD Head Ashok Elluswamy 발언, 2024-10)
현재 Tesla 495 마일 → 700,000 마일까지 1,414배 개선 필요.
시나리오 A (Bull, 낙관) — Tesla Scaling Argument 성공
- 연 3배씩 개선 → 495 × 3⁶ = 360,855 마일 (6년 후, 2032)
- 9년 후 목표 도달
- TSLA 주가 $1,000+ 가능성
시나리오 B (Base, 중립) — 점진적 개선
- 연 2배씩 개선 → 495 × 2⁶ = 31,680 마일 (6년 후)
- 10년 이후에도 700K 미달, 주요 도시에서만 L4 가능
- Tesla L4는 2035년 전후
시나리오 C (Bear, 비관) — Plateau (정체)
- 2025-Q1 493 mi → 2025-Q4 495 mi 처럼 v13 내에서 정체 발생 실제 관측
- E2E NN의 근본적 한계 (edge case가 long-tail 분포)
- Tesla 2030년대 후반까지 L2+ 머뭄 → TSLA 밸류에이션 압축 위험
투자자 관점에서 보면
Disengagement Rate는 TSLA 주가의 단일 가장 중요한 리트머스 시험지다. Tesla Bull 투자자들은 "연 3배 개선"을 가정해 밸류에이션 $2T+을 정당화한다. 만약 2025-Q4, 2026-Q2, 2026-Q4 세 분기 연속 개선 속도가 연 2배 미만으로 둔화되면 Scaling Argument의 가정이 깨진다. 반대로 v14가 연 5배 급개선을 보이면 Bear 시나리오가 무너진다. FSD Community Tracker의 분기별 크라우드소싱 데이터(teslafsdtracker.com)와 CA DMV 연례 보고서(매년 2월 공개)를 함께 봐야 한다.
5. 데이터 플라이휠 — 양 vs 질
5.1 "데이터 플라이휠 (Data Flywheel)" 개념
Flywheel (플라이휠) 은 한 번 돌기 시작하면 관성으로 가속도가 붙는 회전 기구. 자율주행에서는 **"더 많은 사용자 → 더 많은 데이터 → 더 나은 모델 → 더 많은 사용자"**의 자기강화 순환.
비유: 유튜브 알고리즘과 동일 구조. 사용자가 많을수록 더 많은 시청 데이터를 학습하고, 더 정교한 추천으로 더 많은 사용자를 끌어들인다.
5.2 Tesla의 양 우위
숫자:
- 2026 Q1 기준 FSD 활성 차량 약 450만 대 (출처: Tesla Q4'25 earnings)
- 평균 일일 주행 거리: ~30마일/대
- 일 이론적 데이터: 450만 × 30 = 약 1.35억 마일
- Musk 주장: 누적 30억+ 마일 (FSD beta 시작 이후, 2020-10~)
어떻게 학습에 활용하나:
- Tesla는 모든 데이터를 수집하지 않음 (대역폭 한계)
- Shadow Mode (섀도 모드): FSD가 내부적으로 어떤 판단을 내릴지 계산 → 실제 운전자의 행동과 비교 → 불일치 시점만 클라우드 업로드
- Interesting Event Trigger: 급제동, 핸들 개입, 사고 근접 상황만 선택적 수집
- 인간 annotator가 라벨링 (일부는 자동)
- 자체 Dojo + 외부 GPU 클러스터에서 재학습
비유: 450만 대의 "운전 수습생"이 매일 같이 베테랑 기사(인간 운전자) 옆에 앉아 관찰. 가끔 "이 상황이면 저는 이렇게 할게요"라고 속으로 말한 뒤 베테랑의 실제 조작과 비교 학습.
Tesla의 데이터 강점:
- 지리적 다양성: 미국·유럽·중국·한국 등 수십 국가
- 기후 다양성: 폭설, 폭우, 사막 먼지, 안개 등
- 문화적 다양성: 로마의 무질서한 차선, 뭄바이의 오토릭샤, 서울의 배달 오토바이
5.3 Waymo의 질 우위
숫자:
- 2026 Q1 기준 상용 로보택시 약 1,500대 (추정)
- 시뮬레이션 주행: 연 100억+ 마일 시뮬레이션 주행 (Waymo 공식)
- 실제 주행: 누적 7,100만+ 마일 (2024-12 기준)
어떻게 다른가:
- 모든 주행 데이터를 수집 (Lidar 점구름 + Camera + 제어 명령 전체)
- Simulation-First 개발: 실제 사고 직전 상황을 시뮬레이터에 재현, 수천 가지 변형(다른 속도, 다른 보행자 위치) 실험
- 반복 가능성: 같은 상황을 1,000번 재현해 모델 개선 확인 가능
- 엔지니어 직접 검토: 모든 개입 사건을 엔지니어가 사후 분석
비유: Waymo는 조종사 시뮬레이터. 파일럿이 실제 사고 한 건을 100번 재현하며 대응 훈련을 한다. 반면 Tesla는 실제 450만 대로 매일 운전 경험. Waymo는 깊이, Tesla는 폭.
5.4 어느 쪽이 더 유리한가
양이 유리한 이유 (Tesla 논리):
- 엣지 케이스의 long-tail distribution → 일단 "본 적 있는" 상황이 많아야 함
- GPT-4가 수조 단어 학습해 창발 능력 획득 → 자율주행도 같은 법칙?
질이 유리한 이유 (Waymo 논리):
- 단순 관찰 데이터는 "이 상황에서 올바른 행동이 뭔가" 라벨이 없다
- 인간 운전자 행동 ≠ 올바른 행동 (인간도 실수함)
- 안전 실패 시 후속 확인·분석·재현 가능성이 모델 개선의 핵심
2024-2025 연구 추세: 양과 질 모두 필요하다는 컨센서스. 대량 데이터로 베이스 모델 학습 후, 고품질 엣지 케이스로 fine-tuning(미세 조정). 이 구조는 Tesla + Waymo 양쪽에서 유리 요소와 불리 요소가 공존함을 시사.
투자자 관점에서 보면
데이터 플라이휠의 **결정적 변수는 "학습 효율(sample efficiency)"**이다. 만약 신경망 알고리즘이 "1,000마일에서 1건 배울 수 있는 것"을 그대로 유지한다면 Tesla의 양 우위가 결정적. 반면 신경망 구조 발전으로 "10마일당 1건" 수준까지 효율이 오르면 Waymo의 질 우위가 유효. 2023년 이후 Transformer 아키텍처가 자율주행에 본격 적용되면서 효율이 빠르게 개선 중. 추적 지표: 논문 발표 주기의 "autonomous driving dataset efficiency" 벤치마크 (Waymo Open Dataset, nuScenes 등). TSLA·GOOG 외에 데이터 라벨링 서비스 기업(Scale AI, Appen)도 간접 수혜.
6. 컴퓨트 인프라 — Dojo vs GPU
6.1 학습 컴퓨트의 규모
자율주행 신경망은 수십억 파라미터 × 수천억 데이터 포인트로 학습되어 요구 컴퓨트가 막대하다.
Tesla FSD v13 학습 인프라:
- 50,000 NVIDIA H100 GPU 클러스터
- 추정 총 연산력: ~100 ExaFLOP (ExaFLOP = 10^18 부동소수점 연산/초)
- 1회 학습(training run) 소요 시간: 수주
Waymo 학습 인프라:
- Google Cloud의 TPU + NVIDIA GPU 혼합 (정확 규모 비공개)
- 이점: Google 모회사의 무한한 인프라 접근
- 단점: 외부 자원 사용 비용
6.2 Dojo — Tesla의 "수직 통합 베팅"
Dojo (도조 = "도장道場") 는 Tesla가 2021년부터 개발한 자체 설계 AI 슈퍼컴퓨터. 일반 GPU 대신 자율주행 학습에 특화된 D1 칩을 사용.
구조:
- D1 Chip: 1개당 362 TFLOPS (BF16 정밀도), Tesla 자체 설계
- Training Tile: 25개 D1 칩을 2D 메시로 연결 → 9 PFLOPS
- ExaPOD: 120 tiles → 총 1 ExaFLOP (초당 10^18 연산)
- 2024년 초 기준 다수 ExaPOD 가동 중 (정확 수 비공개)
설계 철학:
- 범용 GPU(NVIDIA H100)는 게임·그래픽·AI 등 범용 설계 → 자율주행에 불필요한 기능이 실리콘 면적을 낭비
- Dojo D1은 자율주행 학습에만 필요한 연산만 지원 → 같은 와트당 성능 3~5배
- 장기적으로 NVIDIA 의존 탈피 + 경쟁사 접근 차단 효과
Dojo의 최근 상황 (출처: TechCrunch 2025-09, Bloomberg 2025-08):
- 2025-08 Dojo 팀 해산 보도
- 2026-01 재출범 보도 — Dojo 3 개발 중
- Tesla는 점차 AI5/AI6 칩 (차량 탑재용) + 외부 GPU 클러스터 하이브리드 전략으로 이동
6.3 AI5/AI6 — Tesla의 차량 탑재 칩
Tesla는 차량 탑재용 추론(inference) 칩도 자체 설계한다.
진화:
- HW2.0 (2016): NVIDIA Drive PX 2
- HW2.5 (2017): 업그레이드 버전
- HW3.0 (2019): Tesla 자체 설계 (FSD Chip), ~72 TOPS
- HW4.0 (2023): ~144 TOPS
- HW5 / AI5 (2025-Q4 양산 시작): 듀얼 AI6 칩, 추정 500+ TOPS
- AI6 (2026 생산, Samsung 파운드리 Taylor TX): 5 ExaFLOPS 혼합 정밀도, 3nm 공정, 35×35mm 패키지
Samsung Foundry 계약:
- 2025-04 체결, $16.5B 다년 계약
- Samsung Taylor, Texas 신규 팹에서 생산
- 공정: 4nm + 3nm, 향후 2nm 옵션 포함
- Samsung 파운드리에 매우 중요한 수주 — TSMC와의 첨단 공정 경쟁에서 의미 있는 승리
비유: Apple이 iPhone용 A 시리즈 칩을 자체 설계해 TSMC에 발주하듯, Tesla도 차량용 AI 칩을 자체 설계해 Samsung에 발주. 수직 통합으로 경쟁자(GM, Ford)가 Tesla와 동일 성능을 내려면 NVIDIA Drive를 구매해야 하는 비용 구조 비대칭 창출.
6.4 Waymo 컴퓨트 전략
학습 인프라: Google Cloud의 TPU v5/v6 + NVIDIA H100/H200 혼합.
차량 탑재: 5세대 Waymo Driver의 컴퓨트는 NVIDIA 기반으로 추정 (공식 미공개). 차세대 "Waymo Driver 6" (2026 예상)는 NVIDIA DRIVE Thor 기반 가능성 업계 추정.
의의: Waymo는 Tesla처럼 수직 통합하지 않는다. Google 모회사의 AI 칩 설계 역량(TPU)을 내부로 끌어오지 않는 대신, 외부 벤더로부터 최고 성능 칩을 구매. 이는 NVIDIA/Mobileye 같은 칩 공급자에게 일관된 수요.
6.5 양자의 TCO 비교 (Total Cost of Ownership, 총 소유 비용)
투자자 관점에서 보면
컴퓨트 인프라 구도에서 가장 큰 수혜자는 NVDA (NVIDIA) 이다. 양 진영 모두 NVIDIA 칩을 일정 부분 사용 + 다른 AV 기업(Cruise, Zoox, Momenta, Apollo 등)은 모두 NVIDIA DRIVE 기반. NVIDIA 자동차 매출은 FY25 $1.7B → FY26 타깃 $5B(3배)로 가이던스 제시됨. Samsung Foundry (005930.KS) 는 Tesla AI6 $16.5B 계약으로 명시적 수혜, 2026~2030 분할 매출 반영. MBLY (Mobileye) 는 Tier 1 OEM 시장(VW, Nissan, Geely 등 40개 OEM)을 지배하며 안정적 현금흐름. 투자자는 "자율주행 레이스에서 누가 이기는가"를 맞추기보다 "모두에게 부품 공급하는 플레이어"를 선호하는 것이 확률적으로 유리.
7. 규제 환경 — 누가 유리한가
7.1 미국 — NHTSA의 시선
NHTSA (National Highway Traffic Safety Administration) 는 미국 연방 도로교통안전국.
현재 진행 중인 조사 (2026-04 기준):
- FSD Beta 사고 보고 조사 (2023~): 사고 발생 시 30초 이내 자동 데이터 보고 의무 — Tesla가 정확히 보고했는지 조사
- Autopilot 충돌 조사 (2021~): 응급차량 충돌 13건, Tesla의 개선 조치 검증
- FSD 부주의 운전자 모니터링 (2024~): 핸들 잡음 감지 센서 우회 여부
리스크: NHTSA가 Tesla에게 전면 리콜 + 소프트웨어 제한 명령 내릴 경우 FSD 사업에 중대 타격.
Waymo 상황: 2023 SF에서 자전거 탄 행인 접촉 사고로 CA DMV 조사 → 운행 일시 제한 후 재개. 장기 트렌드상 Waymo가 더 관대하게 취급 — 이유는 Lidar 기반의 결정론적 설명 가능성.
7.2 EU — Lidar 필수 기조
EU 자율주행 규정 (EU 2022/1426):
- 자율주행 차량의 센서 중복성(redundancy) 요구
- 해석상 단일 센서 방식(카메라 only)은 승인 어려움
- 2026~2027년 EU L3 승인 차량은 모두 Lidar 탑재 (Mercedes, BMW)
Tesla의 대응:
- EU에서 FSD를 "Full Self-Driving"으로 판매 불가, "FSD (Supervised)" 표현 필수
- L3 이상 승인 신청 포기 상태
Waymo의 유럽 전략: 2026-03 Waymo CEO Tekedra Mawakana는 "유럽 진출 장기 계획 중" 언급. Lidar 방식은 EU 규제 부합성 높음.
7.3 중국 — 별도 생태계
중국 자율주행은 미국 AV와 분리된 별개 생태계.
주요 플레이어:
- Baidu Apollo (바이두 아폴로): 중국 최대 AV 플랫폼, 로보택시 "Apollo Go" 운영
- Huawei ADS 2.0 (화웨이 ADS 2.0): 중국 내 신차에 탑재 확대
- XPeng (샤오펑): XNGP 시스템, 테슬라 방식 벤치마킹
- NIO (니오): NIO Pilot + 자체 Lidar
규제: 중국 MIIT(공업정보화부) 는 국내 기업에 우호적 정책. Tesla는 상해 공장에서 FSD 데이터 수집하나 중국 외부로 반출 금지 (2021년 이후).
7.4 한국 — Lidar 친화적, 정책 주도
- 국토교통부 "2027 자율주행 상용화" 로드맵
- 판교·강남·상암 등 자율주행 시범 지구 지정
- 현대차·기아의 Motional(Aptiv 합작) 은 Lidar 중심 (Waymo 방식)
- Tesla FSD는 한국 정식 판매 대상 아님 (2026-04 기준)
투자자 관점에서 보면
규제 환경은 Waymo 방식에 약간 유리하다. EU·중국·한국의 Lidar 친화 기조는 Tesla의 글로벌 확장에 구조적 장벽. 다만 *미국 시장만 해도 AV TAM의 ~40%*이므로 미국 NHTSA의 태도가 결정적. 투자자 트래킹 이벤트: NHTSA FSD Beta 조사 결론(2026~2027 예상), EU L3 자동차 판매 대수(Mercedes Drive Pilot 확산), 중국 Baidu Apollo Go 월간 탑승 수(현재 ~5M, 2026 목표 10M). 규제 장벽의 이면으로 로컬 AV 기업(Baidu BIDU, XPeng XPEV, 현대차 005380.KS)의 국가별 AV 점유 잠재력도 간과할 수 없다.
8. 포트폴리오 함의 — TSLA·GOOG·NVDA·MBLY 평가
8.1 밸류체인 지도
8.2 TSLA (Tesla) — "E2E 베팅의 결과물"
Bull Thesis (강세 시나리오):
- E2E NN Scaling Argument 성공 → 2028~2030 L4 달성
- Robotaxi Network 출시 → 450만 대 × $30K 추가 revenue = $135B+ annual upside
- Optimus (휴머노이드 로봇) FSD 기술 확장
- 주가: 현재 ~$400 → $1,000+ 가능 (bull 추정)
Bear Thesis (약세 시나리오):
- Disengagement 개선 plateau → 2030년에도 L2
- NHTSA 강제 리콜 → 기존 판매 차량 FSD 가치 impairment
- 중국·EU 규제 장벽 → 글로벌 판매 한계
- 주가: 현재 ~$400 → $200 이하 downside
중립 판단 기준: Disengagement Rate의 YoY 2배+ 개선 여부, AI5/AI6 양산 차질 여부, Robotaxi 출시 시점.
8.3 GOOGL (Alphabet) — "Waymo는 SOTP 오버레이"
Waymo 가치 추정:
- 2025년 말 Waymo 발표: 연간 운행 ~25M rides (추정)
- 2026 Q1 주간 rides ~200,000+
- Morgan Stanley, RBC Capital 2025 SOTP 밸류에이션: $50~80B
- GOOG 시총 대비 ~2~4% 비중
투자 포인트: Waymo는 GOOG 밸류에이션의 옵션 가치. Search + YouTube + Cloud 본업이 강한 상태에서 Waymo가 잘되면 업사이드, 안되어도 다운사이드 제한적. 다만 Waymo 자체의 향후 IPO 가능성이 언급되기 시작(2027~2028) → 분사 시 가치 실현.
8.4 NVDA (NVIDIA) — "양쪽 모두 팔고 있다"
Exposure:
- Tesla 학습 GPU (H100/H200 수만 대) 납품
- Waymo 학습·추론 GPU 공급
- Mercedes, BMW, 현대차 등 다수 OEM에 DRIVE Thor 공급 (2,000 TOPS, L4 가능)
- 전체 자동차 매출: FY25 $1.7B → FY26 타깃 $5B
시장 점유율: 2025 H1 글로벌 AV 칩 시장 25~35%, 업계 1위.
투자 포인트: Tesla vs Waymo 결과와 무관한 Picks & Shovels 투자. 다만 NVDA 전체 매출(FY25 ~$130B)에서 자동차는 ~1%로 비중 작음. 업사이드 의미는 순수 mix가 아닌 "기술 리더십 확대" 시그널.
8.5 MBLY (Mobileye) — "Tier 1 OEM 표준"
비즈니스:
- EyeQ6 (34 TOPS) 및 EyeQ Ultra (176 TOPS, L4 가능)
- 40개 OEM 파트너 (VW, Nissan, Geely, Ford 등)
- Q3 2025 기준 9.2M EyeQ 출하
- Surround ADAS (L2+) 19M+ 출하 전망
시장 점유율: AV 칩 시장 10~15%, 업계 2위.
투자 포인트: 안정적·방어적 자율주행 투자. Intel에서 2022 분사 후 PER 30~40배 수준(최근 추세). EV·AV 시장 전체 성장의 수혜를 받되, Tesla의 수직 통합이나 NVIDIA의 프리미엄 전략과는 다른 "대중 OEM 파트너" 포지션.
8.6 포트폴리오 구성 아이디어 (정보 제공 목적)
AV 테마 노출을 원하는 투자자의 가상 포트폴리오:
주의: 이는 개념적 예시이며 투자 추천이 아니다. 실제 포지션은 개인의 위험 성향, 세금, 기존 포지션과 상관관계를 종합 고려해야 한다.
투자자 관점에서 보면
AV 테마 투자의 **가장 중요한 원칙은 "승자 예측 회피"**다. 2012년 당시 "스마트폰 OS 경쟁"에서 iOS vs Android 승자를 맞추는 것보다 TSM(파운드리), ARM(IP), 부품주(Broadcom, Qualcomm)를 사는 게 더 안전했던 것과 같은 논리. Tesla와 Waymo 중 누가 이기든 NVDA, MBLY, Samsung Foundry는 꾸준히 매출 성장. TSLA/GOOG는 각각 상이한 리스크 프로파일을 가지므로 2 대립 포지션의 위험 프리미엄으로 접근. 섹터 ETF로는 DRIV (Global X Autonomous & EV ETF), IDRV (iShares Self-Driving EV) 등이 일부 노출 제공.
9. 결론
9.1 핵심 요약
-
Tesla와 Waymo는 다른 게임을 하고 있다. Tesla는 전 세계 소비자 차량에 탑재되는 L2+ → L3 → L4 소프트웨어, Waymo는 특정 도시 내 L4 로보택시 네트워크. 단기(2026~2028)에는 충돌하지 않는다.
-
기술적으로 "E2E NN (카메라 only) vs HD Map+Lidar"는 근본적으로 다른 엔지니어링 철학. E2E는 AGI 스타일 "무제한 학습하면 답 나온다", HD Map+Lidar는 비행기 조종사 스타일 "안전은 이중 삼중 검증 필수".
-
현재 스코어:
- 상용화: Waymo 우위 (L4 vs L2)
- 개입률: Waymo 34배 우위 (17,000 mi vs 495 mi)
- 확장성: Tesla 우위 (소프트웨어 업데이트 vs 도시별 HD Map)
- 원가: Tesla 우위 ($3K/차량 vs $150K/차량)
-
향후 2~3년 결정 분기점: Tesla FSD의 연 Disengagement 개선 속도가 2배 미만이면 Scaling Argument가 흔들림. 3배 이상이면 2028~2030 L4 가능성 현실화.
-
투자자 최선의 전략: 승자 예측보다는 양쪽 모두에게 팔고 있는 반도체·부품 플레이어(NVDA, MBLY, Samsung Foundry) 노출이 리스크 조정 수익 우수.
9.2 향후 지켜볼 3대 KPI
9.3 독자를 위한 한 줄 조언
"자율주행 기술은 '언제'의 문제이지 '만약'의 문제가 아니다. 그러나 '언제'는 투자 수익의 대부분을 결정한다. 2028 vs 2035는 10배 수익률 차이다. Tesla Scaling Argument의 연간 속도 (2배 vs 3배)를 매 분기 체크하라."
출처
1차 자료 (공식)
- Tesla Full Self-Driving (Supervised) Vehicle Safety Report (tesla.com, 2025)
- Waymo Safety Hub (waymo.com/safety, 2024-12)
- California DMV 2024 Autonomous Vehicle Disengagement Reports (dmv.ca.gov, 2025-02)
- Waymo Blog — Dallas, Houston, San Antonio, Orlando expansion (2026-02)
- Waymo Blog — Scaling Our Fleet Through U.S. Manufacturing (2025-05)
2차 자료 (언론·분석)
- Electrek — Elon Musk misrepresents FSD data (disengagement) (2025-01-13)
- Electrek — Tesla FSD stagnating after 'exponential' claim (2025-03-23)
- Electrek — Tesla AI5 taped out, behind schedule (2026-04-15)
- EE Times — Waymo Dominates California AV Test Data (2025-02)
- TechCrunch — Tesla Dojo Timeline (2025-09-02)
- TechCrunch — CA AV Testing Dropped 50% (2025-01-31)
Tesla AI6 Samsung 파운드리
- Tesla $16.5B AI6 Samsung Partnership (2025-04)
- Applying AI — Tesla Dojo to AI5/AI6 Refocus (2025-08)
FSD 커뮤니티 데이터
- Tesla FSD Community Tracker (teslafsdtracker.com)
- Total Full Self-Driving Miles (fsdmiles.com)
작성: IWANNAVY LAB | 2026-04-28 | Week 23 Concept Primer