AI 정의 차량(ADV) 기반의 자율주행차용 AI반도체: 기술·시장 전망 및 전략적 시사점

테슬라는 자율주행 기능을 강화하기 위해 차량-데이터센터 간 직접 연계 구조를 구축하고 있다. 차량에서 수집한 주행 데이터를 데이터센터(도조 슈퍼 컴퓨팅)로 전송하고, 데이터센터에서 학습한 자율주행 AI모델을 OTA 방식으로 차량에 배포함으로써, AI 기반 자율주행 성능을 지속적으로 개선하는 순환 구조를 실현하고 있다[7]. 이 구조는 엣지 클라우드를 거치지 않으며, 자동차와 데이터센터 간 양방향 학습-배포 순환 구조를 직접 구현한다는 점에서, ADV 2.0의 핵심인 데이터 기반 모델 업데이트와 연속 학습 체계를 반영한다고 볼 수 있다.

차량-데이터센터 간 직접 연계하는 구조를 뒷받침하기 위해 테슬라는 차량용 AI반도체(FSD)와 데이터센터용 AI반도체(D1)를 자체 설계한 ASIC(Application-Specific Integrated Circuit) 형태로 제공하고 있다. FSD는 차량 내 실시간 추론을, D1은 대규모 AI모델 학습을 담당하는 이원 구조를 형성하며, 학습-추론 통합 및 순환적 업데이트 체계를 구현하는 기반으로 작용한다[8–10].

FSD 시리즈는 ADV 발전 단계에 따라 점진적으로 고도화 되어왔다. 초기형인 FSD1(2019년 출시)은 14nm 공정, 듀얼 NPU(Neural Processing Unit), LPDDR4(Low-Power Double Data Rate) 메모리를 적용해 72TOPS(INT8)의 연산 성능을 제공한다. FSD1은 기능별 분산 연산에 최적화되어 있으며, ADV 1.0 수준과 유사한 SDV 구조에 적합한 것으로 평가된다. OTA 기능은 주로 소프트웨어 개선이나 일부 AI모델 파라미터 변경에 국한되었고, 전체 AI모델 업데이트를 처리하기에는 성능상 제약이 있었다.

FSD2(2023년 출시)는 5nm 공정, 트리플 NPU, GDDR6(Graphic Double Data Rate) 기반 고속 메모리를 적용해 118TOPS(INT8)의 연산 성능을 제공한다. FSD2는 트랜스포머 기반 모델, 고해상도 시각 정보, 예측-제어 통합 연산 등 고도화된 자율주행 기능을 차량 내에서 실행할 수 있는 성능 수준으로, ADV 2.0의 중앙집중형 연산 구조에 기술적으로 대응할 수 있는 기반으로 평가된다. OTA 업데이트 범위도 확대되어, 복잡한 AI모델 전체를 보다 자주 차량에 안정적으로 배포할 수 있는 연산 여력을 확보하였다. 다만, FSD2 역시 학습 기능은 포함하지 않으며, AI모델의 학습 및 검증은 여전히 데이터센터에서 수행된 이후 OTA를 통해 차량에 배포되는 구조다.

데이터센터용 AI반도체인 D1은 362TFLOPS(BF16)의 연산 성능과 400W 전력 소모를 갖추고 있으며, 2023년부터 TSMC 7nm 공정을 통해 양산되고 있다. D1은 총 354개의 트레이닝 타일로 구성되며, 각 타일에는 1.25MB의 SRAM이 내장되어 있다. 도조 슈퍼컴퓨터에는 3,000개 이상의 D1이 장착되어 있으며, 전체 연산 성능은 1.1EFLOPS(Exa Floating Point Operations Per Second)에 달한다.

테슬라는 FSD2와 D1의 조합을 통해 차량-데이터센터 간 순환형 AI모델 업데이트 구조를 실현하고 있으며, 이를 바탕으로 ADV 2.0 체제로의 전환을 시도하고 있다. 특히 테슬라는 AI반도체 설계, 대규모 학습 인프라, 자율주행 소프트웨어, 완성차 제조 등 자율주행 전 주기를 내부 통제로 일원화하고 있으며, 경쟁사 대비 높은 수준의 수직 계열화를 갖추고 있다. 이러한 구조는 AI 기반 자율주행 하드웨어 분야에서 테슬라만의 차별화된 기술경쟁력 확보로 이어지고 있다.

엔비디아는 자율주행 AI모델의 학습-배포-재학습 구조를 실현하기 위해 차량-엣지 클라우드-데이터센터를 연계하는 순환형 AI 컴퓨팅 구조를 구축하고 있다. 데이터센터(AI팩토리)에서 자율주행 AI 모델을 학습하고, 엣지 클라우드(NVIDIA DRIVE)에서 최적화하여 차량에 배포하며, 차량에서 수집된 주행 데이터를 다시 데이터센터로 전송하여 AI모델을 지속적으로 고도화하는 방식이다. 이와 같은 순환 흐름은 ADV 2.0에서 요구하는 학습-추론 통합 구조와 동일한 기술적 방향을 지향하며, 엔비디아는 이를 통해 자율주행 AI플랫폼 전반에서의 영향력을 확대하고 있다[5].

차량-엣지 클라우드-데이터센터를 연계하는 구조를 실현하기 위해, 엔비디아는 차량용 AI반도체 Orin과 Thor, 그리고 데이터센터용 AI반도체 A100과 H100을 함께 제공하고 있다. Orin은 암페어(Ampere) 아키텍처 기반으로 254TOPS(INT8)의 연산 성능을 갖추고 있으며, 자율주행 L2~L3 또는 ADV 1.X 수준의 기능별 모듈 처리에 적합하도록 설계되었다. Thor는 1,000TFLOPS(FP8)의 연산 성능을 제공하는 블랙웰(Blackwell) 아키텍처 기반의 AI반도체로, 고해상도 인식과 통합형 AI모델 처리에 대응하기 위한 고성능 칩으로 개발되었으며, ADV 2.0 단계에서 실시간 연산 요구를 충족할 수 있을 것으로 평가되고 있다.

데이터센터용 AI반도체 A100과 H100은 각각 암페어 및 호퍼(Hopper) 아키텍처 기반 GPU로, 312TFLOPS(FP16) 및 1,513TFLOPS(FP16)의 연산 성능을 제공한다[11,12]. A100과 H100 모두 자율주행 AI모델의 학습과 시뮬레이션에 사용되며, 차량 내 추론용 AI반도체와 연계된 순환형 학습-추론 구조의 한 축을 담당한다.

엔비디아는 자율주행을 위한 전체 연산 구조를 GPU 기반 ASSP(Application-Specific Standard Product) 방식으로 구현하고 있으며, 다양한 자동차 제조사가 자사 소프트웨어 환경에 맞는 AI모델을 유연하게 통합할 수 있도록 ‘AI 하드웨어-플랫폼 통합 생태계’를 제공하고 있다. 특히 대규모 AI모델 업데이트와 실시간 연산이 요구되는 ADV 2.0 환경에서 엔비디아의 AI플랫폼은 고성능 연산과 신속한 AI모델의 배포 간 균형을 제공하는 구조로 평가받고 있다. 현재 메르세데스-벤츠, 현대자동차 등 주요 완성차 업체들이 엔비디아의 AI팩토리와 NVIDIA DRIVE를 활용하고 있다.

엔비디아는 차량용 SoC(System on Chip)부터 데이터센터용 GPU까지 전 라인업을 아우르는 제품 체계를 기반으로, 자율주행 구현에 필요한 AI 연산 전반을 포괄하는 자율주행 AI플랫폼 전략을 구축하고자 한다. 학습-추론-재학습의 순환 구조를 AI플랫폼 수준에서 통합하면서, 단순 칩 경쟁을 넘어 자율주행 AI컴퓨팅 전반에서 독자적 생태계를 확장하고 있으며, ADV 2.0에 최적화된 수직 통합형 전략을 강화하고 있다.

퀄컴은 자율주행차용 AI 시스템 구현을 위해 차량-엣지 클라우드-데이터센터를 연계하는 순환형 AI 컴퓨팅 아키텍처를 구축하고 있다. 데이터센터에서 학습된 AI모델을 차량 내 AI반도체에서 추론하며, 차량에서 수집한 주행 데이터를 다시 엣지 클라우드 및 데이터센터로 전송하여 AI모델을 지속적으로 고도화하는 구조를 채택하고 있다[13]. 이 과정에서 퀄컴은 자사 무선통신 기술과 엣지 클라우드를 결합해 차량과 외부 인프라 간 실시간 연결 기반의 데이터 교환을 지원하고 있으며, 이는 ADV 2.0에서 요구되는 통신 인프라의 실시간성 확보 측면에서 핵심 역할을 한다.

ADV 2.0 구현을 위해 퀄컴은 차량용 AI SoC인 스냅드래곤 라이드(Snapdragon Ride) 시리즈를 중심으로 연산칩, 통신기능, 소프트웨어 플랫폼을 통합한 AI 컴퓨팅 솔루션을 제공한다. 스냅드래곤 라이드 SoC는 4nm 공정 기반으로 최대 700TOPS의 연산 성능과 130W 소비 전력을 제공하며, 자동차 안전 무결성 기준(ASIL-D)을 만족하는 구조로 설계되었다[14,15]. 퀄컴은 GPU 기반 ASSP 방식과 달리, 독자적인 전용 연산 코어 기반 ASSP 방식을 채택하였으며, 높은 전력 효율과 실시간 추론 성능을 동시에 확보하고 있다. 이는 모바일 AP(Application Processor) 설계 경험에서 비롯된 저전력 최적화 기술을 반영한 결과다.

또한, 퀄컴은 5G 및 C-V2X(Cellular V2X) 기술을 기반으로 차량 간(V2V), 차량-인프라 간(V2I), 차량-클라우드 간(V2C) 연결을 실현하고 있으며, 이를 통해 엣지 클라우드와 유기적 연계를 강화하고 있다. 이 구조는 AI모델의 빠른 재학습과 유연한 개선을 가능하게 하며, 차량 내 연산 자원의 한계를 보완하는 동시에 ADV 2.0 환경에서 요구되는 외부 연산 연계 기반을 제공한다.

퀄컴은 이처럼 차량용 AI SoC 설계 기술뿐만 아니라 통신 인프라와 AI모델 운영 플랫폼을 포괄하는 통합형 자율주행 솔루션 전략을 바탕으로, ADV 2.0에 대응 가능한 저전력, 고효율, 고신뢰성 연산 생태계 구축하고자 한다. 현재 BMW, 혼다 등 주요 제조사들이 퀄컴 플랫폼을 바탕으로 자율주행 AI 모델의 개발, 학습, 배포를 통합적으로 수행 중이다. 퀄컴의 연산 구조는 차량-엣지 클라우드-데이터센터 간 AI 처리 유연성을 높임으로써, 연산 환경별 시스템을 개별 구축 및 운영해야 하는 부담을 줄이고 전체 시스템 관리의 복잡성도 완화한다. 이러한 전략을 통해 퀄컴은 고객사 입장에서 통합 구현 효율성과 확장성을 동시에 확보할 수 있는 플랫폼 경쟁력을 제공하며, 자율주행차용 AI반도체 시장에서 독자적인 시스템 통합 역량을 지속적으로 확대해 나가고 있다.

표 1은 테슬라, 엔비디아, 퀄컴이 추진 중인 자율주행차용 AI반도체 전략의 차이를 비교한 것으로, 각 기업의 ADV 2.0 대응 방식의 특징을 보여준다.

국내 기업 중 자율주행차용 AI반도체를 개발하는 업체로 삼성전자, 텔레칩스, 넥스트칩, 딥엑스 등이 있다. 각 기업은 인포테인먼트, ADAS, 자율주행 SoC 및 엣지 AI 등 다양한 분야에서 AI반도체 기술을 고도화하며, 글로벌 시장을 겨냥한 전략적 행보를 보이고 있다.

삼성전자는 차량용 AI반도체 ‘엑시노스 오토’ 시리즈를 중심으로 자율주행 기술을 개발해 오고 있다. 대표 제품으로는 엑시노스 오토 V9(2019년 1월 출시), 엑시노스 오토 V7(2021년 11월 출시), 엑시노스 오토 V920(2023년 6월 현대자동차와 협력 발표)이 있다. 가장 최신작인 엑시노스 오토 V920은 5nm 공정으로 설계되어 23.1TOPS의 AI연산 성능을 제공하며, 전작 대비 약 2.7배 성능 향상을 기록했다. 삼성전자는 또한, 자율주행차 내 대용량 AI 데이터를 안정적으로 저장‧처리하기 위한 차량용 SSD(Solid State Device) ‘AM9C1’(8세대 V-NAND 기반)을 개발하고 있으며, 2TB 모델은 2025년 양산이 예정되어 있다. AM9C1은 PCIe 4.0 인터페이스 기반으로, 고속 데이터 입출력과 자동차 전용 인증(AEC-Q100, ASPICE CL3, ISO/SAE 21434)을 모두 충족하도록 설계되었으며, 고온 환경에서도 안정적인 동작이 가능한 고신뢰 저장장치로 평가받고 있다[16,17].

인포테인먼트용 AP 공급 중심에서 차량용 종합 반도체 기업으로 변모 중인 텔레칩스는 AI반도체 유니콘 기업인 ‘리벨리온’(舊 사피온)과 협력하며 자율주행차용 AI반도체 개발을 본격화하고 있다[18]. 텔레칩스는 사피온(現 리벨리온)¹⁾으로부터 제공받은 NPU IP(Intellectual Property)를 기반으로 200TOPS급 AI 연산 성능을 갖춘 자율주행차용 AI반도체 ‘A2X’ 샘플을 2025년 4월 공개했으며, 향후 유연한 아키텍처 확장을 지원할 수 있도록 차량용 AI반도체 제품 라인업 확장을 계획 중이다[19].

넥스트칩은 ADAS 전용 SoC인 ‘아파치(Apache)’ 시리즈를 통해 차량용 AI반도체 시장에 진입하고 있다. 대표 제품인 아파치6은 삼성전자의 14nm 공정을 기반으로 최대 8TOPS 연산 성능을 제공하며, 현재 유럽 주요 완성차 기업과 PoC(Proof of Concept)를 진행하고 있다. 자율주행 L4 수준을 목표로 차세대 제품인 아파치7을 개발 중이며, 아파치6 대비 약 10배 강화된 성능을 구현하고자 한다[20-22].

엣지용 AI반도체 전문 설계 기업인 딥엑스(DeepX)는 저전력 고성능 AI 연산에 최적화된 SoC를 개발하며 자율주행차용 AI반도체 시장 내 입지를 강화하고 있다. 대표 제품인 DX-V3는 비전 시스템에 특화된 SoC로, 자율주행 L2~L3 수준과 로봇 분야를 주요 타깃으로 하고 있다. DX-V3는 15TOPS급 AI 연산 성능을 제공하며, 평균 전력 소모 5W 미만으로 설계되어 차량용 엣지 디바이스에 적합한 고효율 솔루션으로 평가받고 있다. 2024년 말 글로벌 자동차 제조사를 대상으로 PoC를 진행했으며, 2026년 상반기 양산을 목표로 하고 있다. 딥엑스는 기존 NPU IP 기술력을 바탕으로, 후속 자율주행차용 AI반도체 제품인 DX-V5 등의 개발에 착수하였다[23,24].

전반적으로, 국내 기업들은 현재 ADV 1.0 또는 ADV 1.X 수준에 적합한 자율주행 기능 중심의 AI 반도체 개발에 주력하고 있으며, 고성능 학습-추론 통합이 요구되는 ADV 2.0 수준의 제품은 아직 구현 사례가 부재한 것으로 보인다.

자율주행 기술이 ADV 2.0으로 진화함에 따라 AI 연산 수요가 증가하고 있으며, 이에 대응하여 AI반도체 수요도 빠르게 성장할 것으로 기대되고 있다. 본고는 이러한 기술‧산업적 흐름을 반영하여 자율주행차용 AI반도체 시장의 성장 가능성을 살펴보았다.

이를 위해 먼저, 자율주행차의 SW가 AI 기반으로 발전하는 흐름을 반영한 자율주행차용 AI반도체 시장을 목표시장으로 설정하였다(ADV 2.0 기준). 대상 반도체는 AI 연산 실행에 특화된 HW로 한정했으며, 단순 연산 지원용 범용 반도체는 제외하였다. 즉, AI 연산 전용 독립형 칩 및 AI 연산 기능을 내장한 SoC, SiP, SoM으로 한정하였다. 그런 다음, 앞서 살펴본 ADV 발전 방향과 주요 기업의 비즈니스 전략을 바탕으로 자율주행 AI 연산이 발생하는 위치를 기준삼아 목표시장을 세분화하였다. 즉, 자율주행차가 자동차 내부, 엣지 클라우드, 데이터센터에서 발생하는 AI 연산 과정을 통해 구동된다는 특징을 반영하여 자율주행차용 AI반도체의 목표시장을 구성하였다.

자동차 내부용 AI반도체 시장은 실제 도로 주행 차량에 탑재된, AI 알고리즘 실행에 특화 설계된 HW 블록이 포함된 AI반도체의 매출액을 기준으로 하였다[25].

자동차 엣지 클라우드용 AI반도체 시장(X)은 전체 엣지 클라우드용 AI반도체 매출(Y)과 자동차 엣지 클라우드 시장의 비중(Z)을 곱한 값으로 추정하였다(X = Y × Z). 여기서, 자동차 엣지 클라우드 시장 비중(Z)은 전체 엣지 클라우드 시장에서 자동차 부분이 차지하는 구간별 추정 비중으로, 자동차 데이터센터용 AI반도체 시장 규모와 자동차 분야의 엣지 클라우드 도입 의향에 기반한 중요도의 가중 평균으로 산정하였다[26]. 전문가 자문을 통해 두 요소의 상대적 가중치는 7:3(시장 규모 : 중요도)으로 설정하였다. 즉, 자동차 엣지 클라우드용 AI반도체 시장은 자동차 산업의 도입 관심도보다 자동차 데이터센터용 AI반도체 시장 크기에 더 많은 영향을 받을 것으로 보았다.

자동차 데이터센터용 AI반도체 시장은 전체 데이터센터용 AI반도체의 수직시장(Tier 1 공급업체 중심) 중 자동차 분야와 연결된 매출을 기준으로 추정하였다[27]. 데이터센터용 AI반도체는 클라우드 및 기업 데이터센터의 AI 워크로드 가속을 위한 전용 프로세서를 의미하며, 본고에서는 자율주행 AI모델 학습 등 자동차 특화 AI 연산 수요를 포함하는 경우로 한정하였다.

참고로, 본고에서 언급한 테슬라, 엔비디아, 퀄컴은 자율주행차용 AI반도체 기술 전략을 이해하기 위한 대표적 사례로 제시된 것으로, 이들의 매출 구조는 시장 수요 추정에 직접 반영하지 않았다. 시장 규모 산정은 산업 평균 구조를 기준으로, Tier 1 부품 공급업체 중심의 수요자를 기반으로 설정하였다.

전 세계 자율주행차용 AI반도체 시장은 2023년 약 45.8억 달러 규모에서 연평균 16% 성장하여 2028년에는 약 96.7억 달러 규모를 형성하며, 전체 AI반도체 시장의 약 4.6~6.5% 비중을 차지할 것으로 전망되었다. 자율주행차용 AI반도체 시장은 초창기에는 자율주행차용 AI반도체 시장은 데이터센터용 제품이 가장 큰 비중을 차지하고 있으며, ADV 구조의 확산에 따라 차량 내부용과 엣지 클라우드용 AI반도체의 수요도 점진적으로 확대될 것으로 나타났다.

즉, 자율주행차용 AI반도체 시장은 데이터센터용 제품이 높은 비중을 지속하며 시장 성장의 중심축이 되고, 엣지 클라우드 및 내부용 AI반도체는 단계별 기술 진화에 따라 점차 수요를 확대해갈 것으로 예측되었다(표 2).