DeepSeek는 저비용, 고성능, 오픈소스라는 강점을 앞세워 서구권의 ChatGPT를 비롯한 AI 라지 언어 모델을 초라하게 했다. 그렇다면 AI 기술이 가장 실용적으로 활용되는 자율주행 산업도 이러한 ‘DeepSeek의 모멘트’을 맞이하게 될까? Tesla의 FSD도 머지않아 이 같은 도전에 맞닥뜨리게 될까?

1. DeepSeek가 Tesla FSD에 도전하는 이유

DeepSeek는 현재 AI 라지 언어 모델 분야에서 주목받고 있는 기술 기업이다. 대표적인 모델로는 DeepSeek-V3와 DeepSeek-R1이 있다. 각각 일반적인 질의응답과 추론 및 복잡한 문제 해결에 중점을 둔다. 그렇다면 DeepSeek는 자율주행과 어떤 관련이 있을까?

DeepSeek와 같은 고성능, 개방형 라지 모델은 자율주행을 포함한 거의 모든 산업에 영향을 미칠 수 있다.

그렇다면 DeepSeek와 라지 모델 및 방법이 자율주행의 판도를 바꿀 수 있을까? 특히 이미 앞서 나가고 있는 Tesla FSD(Full Self-Driving)에 관해, 2025년 1월 머스크도 자율주행의 ‘DeepSeek가 불러올 충격에 대비하고자 다양한 시뮬레이션과 추론을 했을 것이다. Tesla는 이를 방어하기 위해 지식 증류 (Knowledge Distillation)를 막거나 오픈소스를 고려하거나, 다른 전략을 검토할 가능성이 있다. 그러나 DeepSeek와 같은 라지 대형 모델과 방식이 결국 Tesla FSD와 대결하게 되는 것은 역사적 필연이다. 본문에서는 기술 노선, 생태계 장벽 등 측면에서 분석을 진행하고자 한다.

2. 기술 노선 비교: 라지 AI 모델이 기존의 자율주행 솔루션을 대체할 수 있을까?

Tesla의 FSD 솔루션: 엔드 투 엔드 + 폐쇄형 데이터

기술 핵심: 이전에 작성한 글 《스마트 주행 - 도심 크루즈 보조에 필요한 BEV 및 Occupancy networks》에서 소개한 것처럼 Tesla는 순수 비전 인식을 기반으로 Occ와 동적·정적 인식 등 여러 네트워크를 결합한 엔드 투 엔드 모델을 사용한다. 그리고 방대한 실제 주행 데이터를 트레이닝하고, 섀도우 모드를 통해 지속적으로 최신 엔드 투 엔드 신경망 FSD V13으로 업데이트하고 있다.

강점: 자율주행 폐쇄형 데이터 학습 시스템을 구축하고 창립 이후 지속적으로 자율주행 기술을 적용해 엔지니어링 역량을 확보했다는 점이 Tesla의 큰 강점이다. 

엔지니어링 역량: 10년 이상의 기술 개선을 통해 감지, 예측, 계획, 제어 등 전 과정을 포함하는 자율주행 시스템을 실제 차량에 양산 적용하는 데 성공했다. 물론 Tesla의 방대한 데이터를 활용해 모델을 학습시키는 방식에도 한계가 존재한다. 극단적인 상황을 어디까지 학습해야 하는가? 즉, 내가 모르는 것을 어떻게 알 수 있을까? 또한 ‘블랙박스’ 모델의 의사결정에 대한 설명 가능성이 부족한 것도 단점이다. 

DeepSeek의 잠재적 방식: 다중 모달 라지 모델 + 지식 증류

사실상 자율주행 산업에서는 이미 다중 모달 라지 모델을 활용한 실험이 진행되고 있다. 예를 들어, 이전 글 《ChatGPT와 유사한 라지 모델을 자율주행 알고리즘의 핵심으로 활용한 - Waymo의 엔드 투 엔드 다중 모달 알고리즘 EMMA》, 《2025년, 자율주행이 본격적으로 경쟁하는 엔드 투 엔드 라지 모델 2.0 - VLA(Vision Language Action)》에서 소개된 바와 같이, Waymo, Li Auto, Xpeng 등 주요 스마트 주행 기업들이 이러한 기술을 적극적으로 연구하고 있다.

기술 핵심:

다중 모달 AI: 언어-시각 통합 모델을 활용하여 교통 표지판, 보행자 행동 등을 문맥적으로 이해하는 능력을 갖춘다.

지식 증류(Knowledge Distillation): 라지 모델의 능력을 차량 내 경량 모델로 압축하여, 차량에 필요한 컴퓨팅 파워 요구를 낮추고 효율적으로 배포한다. 

차별화된 강점: 

복잡한 논리적 추론: 언어 모델을 통해 의사결정의 설명 가능성을 강화한다(예: 차선 변경 논리에 대한 설명).

소량 데이터 학습: 라지 모델의 일반화 능력을 활용하여, 특정한 단일 주행 데이터에 대한 의존도를 줄인다. 

도전 과제:

모달 정렬(Alignment): 언어 모델의 논리적 추론을 시각 인식 및 차량 제어 시스템과 어떻게 긴밀히 연계할 것인가?

실시간성: 자동차 산업에 익숙한 사람들은 알겠지만, 차량은 1초 동안 이동하는 거리만으로도 충돌 및 생명 안전 문제가 발생할 수 있다. 예를 들어, 고속 주행 시 1초에 70m 이상을 이동할 수 있기 때문에, 라지 AI 모델의 추론 속도가 차량 내에서 밀리초(ms) 단위로 최적화되지 않으면 실전 적용이 어렵다는 점이 해결해야 할 큰 도전 과제다. 

3. 생태계의 핵심 경쟁 요소: 데이터 및 하드웨어

DeepSeek과 같은 라지 AI 모델 및 그 방법이 가져올 도전에 맞서는 Tesla FSD와 같은 전통적인 자율주행/스마트 주행 기업들의 견고한 보호 장벽은 기술 자체가 아닐 수도 있다. 역사가 자주 증명하듯이, 기술은 오랫동안 유지되는 장벽이 되기는 어렵다. 

다음 표에서는 데이터 및 하드웨어 생태계라는 두 가지 측면에서 Tesla FSD와 같은 기존 자율주행/스마트 주행 기업들의 보호 장벽을 분석한다.

DeepSeek과 같은 라지 모델 및 그 방법이 Tesla FSD 등의 전통적인 자율주행/스마트 주행 기업에 도전하려면 생태계를 어떻게 구축하느냐가 관건이다. 

4. DeepSeek 등 라지 모델이 해결해야 할 세 가지 질문

DeepSeek과 같은 라지 AI 모델이 자율주행 산업에서 큰 기회가 있음은 분명하다. 하지만 다음과 같은 핵심 과제를 해결해야 한다.

자율주행 폐쇄형 데이터 구축은 어떻게 하나?

이식된 모델은 기본적인 상태에서 시작한다. 지속적인 발전과 데이터 공급이 필요하기 때문에 폐쇄형 데이터를 구축하는 것이 선제 조건이다. 

단기적으로는 자동차 제조사와 협력해 데이터를 수익 분배 방식(예: 데이터 수집 장비 설치)으로 확보한다.

장기적으로는 차량 내 모델을 통해 부가가치 서비스를 제공(예: 개인화된 운전 보조 시스템)하여 사용자로부터 데이터 사용 권한을 얻는다. 

‘엔지니어링 격차’를 극복할 수 있을까? 

라지 모델의 자율주행 엔지니어링은 감지와 상황 이해는 쉽지만, 이는 물리적 세계의 제어와도 관련이 있다.

자율주행은 99%의 일반적인 상황과 1%의 극단적인 상황을 해결해야 하며, 라지 모델의 일반화 능력만으로는 부족할 수 있다. 따라서 전통적인 규제 제어 알고리즘과 접목해야 하므로 DeepSeek와 같은 라지 모델 방법의 엔지니어링 핵심은 어떻게 규제 제어를 연결할 것인가에 달려 있다.

Tesla는 Dojo 슈퍼컴퓨터와 FSD V13을 통해 지속적으로 진화하고 있다. DeepSeek와 같은 라지 모델 방법은 AI 오리지널 능력에서 돌파구를 마련해야 한다(예: 세계 모델, 구체적 지능 도입).