2026년 3월, 자율주행 산업에 어떤 혁신이 일어나고 있을까요? 지금의 변화는 “조금 더 똑똑해진 운전자 보조” 수준을 넘어, 실험에서 상용 서비스로 넘어가는 전환점에 가깝습니다. 급격히 진화하는 신경망과 맵리스(Map-less) 흐름, 그리고 글로벌 기업들의 경쟁이 한꺼번에 맞물리며 미래 운송의 형태 자체를 바꾸는 중입니다.
신경망 기반 자율주행 테크의 도약: FSD가 보여준 ‘규모의 효과’
최근 가장 상징적인 사례는 테슬라 FSD의 진화입니다. FSD V14는 신경망 파라미터를 대폭 확장해 긴급 차량 인지나 복잡한 교차로 상황처럼 “변수가 많은 현실”에서의 대응력을 끌어올렸습니다. 특히 체감 포인트는 명확합니다. 개입 없는 주행 거리(사람이 핸들/페달로 개입하지 않는 거리)가 3~4배 개선되며, 자율주행이 데모를 넘어 실사용 신뢰성으로 이동하고 있다는 신호를 줍니다.
기술적으로는 V12부터 본격화된 접근이 핵심입니다. 즉, 카메라 영상 입력을 받아 조향·가감속을 직접 출력하는 단일 거대 신경망(end-to-end) 구조로, 전통적인 규칙 기반 파이프라인(인식→판단→제어)을 신경망 내부로 흡수하는 방향입니다. 이 방식은 케이스별 규칙을 덕지덕지 붙이는 대신, 데이터와 학습을 통해 주행 감각의 일관성을 높이는 데 유리합니다.
맵리스와 센서 융합 자율주행 테크: “지도 의존”에서 “현장 생성”으로
자율주행이 상용으로 가기 위해서는 특정 도시·특정 도로에서만 잘하는 수준을 넘어야 합니다. 여기서 부상한 것이 맵리스(Map-less) 기술입니다. 과거에는 고정밀 HD 맵이 사실상 전제 조건이었지만, 이제는 차량이 카메라·레이다·라이더 등 멀티센서 융합을 통해 주변을 실시간 인지하고, 주행에 필요한 로컬 맵(저형식 지도)을 즉석에서 생성하는 흐름이 표준으로 굳어지고 있습니다.
이 변화가 중요한 이유는 간단합니다.
- 지도 데이터가 없는 지역에서도 주행 가능성이 커집니다.
- 공사 구간, 차선 변경, 임시 표지처럼 “지도 업데이트가 늦는” 상황에 강해집니다.
- 결과적으로 서비스 지역 확장 비용(맵 구축·유지)이 줄어들어 상용화 스케일업이 쉬워집니다.
즉, 맵리스는 단순한 기능이 아니라 자율주행 사업성의 임계점을 낮추는 핵심 테크 전환입니다.
글로벌 경쟁이 만드는 자율주행 테크의 수렴: 엔비디아의 도전과 레벨 3의 현실
경쟁 구도도 빠르게 바뀌고 있습니다. CES 2026에서 엔비디아가 자율주행 전용 AI ‘알파마이요’를 공개하며, 독주하던 구도에 변수가 생겼습니다. 이는 완성차·부품사·플랫폼 기업들이 특정 한 곳의 기술만 기다리기보다, 검증된 AI 스택을 조합해 빠르게 따라잡는 전략을 선택할 수 있음을 의미합니다.
국내에서는 현대차 그룹이 레벨 3 상용화를 추진 중이지만, 시속 60km 제한 같은 운영 조건이 여전히 현실적인 벽입니다. 이런 제약은 기술의 부재라기보다 안전·법규·책임 구조와 맞물린 문제이며, 동시에 업계가 “기술 단독 레이스”에서 “생태계 레이스”로 이동하고 있음을 보여줍니다. 실제로 자체 AI만 고집하기보다, 엔비디아 기술 도입을 검토하는 흐름은 글로벌 기술 수렴의 단면입니다.
생성형 월드 모델 기반 자율주행 테크: 현실 데이터를 넘어 ‘가상 경험’을 쌓다
마지막으로 2026년의 결정적 차별점은 학습 방식입니다. 생성형 월드 모델 기반 접근이 확산되며, 단순히 센서 데이터를 잘 처리하는 수준을 넘어 가상 환경에서 수많은 시나리오를 생성·검증하는 방향으로 고도화되고 있습니다. 이는 실제 도로에서 겪기 어려운 희귀 상황(돌발 끼어들기, 비정형 장애물, 복합 교차로 상호작용)을 더 촘촘히 학습하게 해, 안전성과 일반화 성능을 동시에 끌어올리는 데 기여합니다.
결국 2026년 3월의 자율주행은 “언젠가 될 기술”이 아니라, 신경망의 규모화·맵리스·센서 융합·월드 모델·플랫폼 경쟁이 맞물리며 상용 서비스로 이동하는 테크 전환점에 들어섰습니다. 이제 관전 포인트는 하나입니다. 이 진화가 개인의 이동 경험을 넘어, 물류·도시 인프라·보험과 법제까지 어떻게 재편할 것인가입니다.
테크 관점에서 본 테슬라 FSD V14: 인간과 닮은 주행의 실현
개입 없는 주행 거리가 3~4배 늘었다는 말은 단순한 성능 향상이 아닙니다. “가끔 잘 되는 자율주행”에서 “대부분의 시간을 스스로 해결하는 자율주행”으로 무게중심이 이동했다는 뜻이죠. 게다가 단일 거대 신경망이 만들어내는 자연스러운 주행 감각은, 우리가 상상하던 자율주행을 현실에 더 가깝게 끌어당깁니다. 그렇다면 FSD V14의 비밀은 무엇일까요?
단일 거대 신경망이 바꾼 ‘운전의 형태’
테슬라는 FSD V12부터 카메라 영상 입력을 조향·가감속 출력으로 직접 변환하는(end-to-end) 단일 거대 신경망 구조를 본격적으로 채택했습니다. 기존 자율주행은 보통 다음처럼 여러 모듈을 분리합니다.
- 인지(차선/차량/보행자 검출)
- 추론(상황 판단, 우선순위 결정)
- 계획(경로 생성)
- 제어(핸들/가속/브레이크)
이 방식은 모듈 간 경계에서 정보가 잘려 나가거나(표현의 손실), 작은 오류가 다음 단계에서 크게 증폭되는 문제가 생기기 쉽습니다. 반면 단일 거대 신경망은 영상에서 얻은 연속적 맥락(속도 변화, 상대 차량의 미세한 움직임, 교차로의 흐름)을 하나의 모델 내부 표현으로 통합해, 더 사람처럼 “흐름을 읽는” 주행을 구현하기 유리합니다.
결과적으로 운전이 덜 딱딱하고, 불필요한 급가속·급제동 같은 로봇스러운 흔들림이 줄어드는 방향으로 진화합니다.
개입 없는 주행 거리 3~4배 향상의 의미: ‘롱테일’ 문제를 줄였다
자율주행에서 진짜 어려운 건 평범한 직진이 아니라, 드물게 발생하지만 사고로 이어질 수 있는 롱테일(예외 상황)입니다. 예를 들면:
- 긴급 차량(사이렌/점멸등)의 접근과 차선 양보
- 복잡한 교차로에서의 우선권 협상
- 공사 구간의 임시 차선, 애매한 차로 경계
- 끼어들기/합류에서의 미묘한 속도 조절
FSD V14가 긴급 차량이나 복잡한 교차 상황 인지 능력을 극대화했다는 점은, 개입이 많이 발생하던 “골칫거리 상황”의 커버리지가 늘었음을 시사합니다. 개입 없는 주행 거리가 3~4배로 증가했다는 수치는 곧, 예외 상황에서 운전자가 개입해야 하는 빈도 자체가 체감적으로 크게 줄어들 가능성을 의미합니다.
실제 서비스 규모가 만드는 학습 플라이휠(선순환)
FSD V14의 진화가 더 주목받는 이유는 기술이 연구실에 머물지 않는다는 점입니다. 테슬라는 미국 10개 도시에서 매주 40만 건 이상의 유료 서비스를 제공하며 상용 운행 데이터를 축적하고 있습니다. 이 규모는 자율주행 테크에서 매우 중요합니다.
- 다양한 도시 구조/날씨/도로 문화가 데이터로 들어오고
- 실패 케이스(개입, 급감속, 불확실 행동)가 빠르게 수집되며
- 모델 업데이트가 다시 현장에 배포되는 속도가 빨라집니다
결국 “더 많은 실제 주행 → 더 좋은 모델 → 더 많은 사용”의 플라이휠이 만들어지고, 이는 경쟁사와의 격차를 벌리는 핵심 요인이 됩니다.
정리: V14는 ‘기능 추가’가 아니라 ‘운전 방식’의 전환이다
FSD V14는 단순히 옵션이 늘어난 버전이 아니라, 주행을 결정하는 방식 자체를 신경망 중심으로 재구성하며 성능을 끌어올린 단계로 볼 수 있습니다. 개입 없는 주행 거리의 큰 폭 개선과 인간에 가까운 자연스러움은, 자율주행이 “가능한지”를 넘어서 “일상에서 믿고 쓸 수 있는지”로 질문이 바뀌고 있음을 보여줍니다. 앞으로의 관전 포인트는 이 진화가 특정 도시·특정 조건을 넘어, 얼마나 넓은 환경에서 일관되게 재현되느냐입니다.
테크 맵리스 기술과 센서 융합, 자율주행의 새로운 표준
지도 데이터 없이도 복잡한 도로를 주행할 수 있다면 어떨까요? 자율주행은 더 이상 “정밀 지도(HD 맵)를 얼마나 촘촘히 깔아두었는가”의 싸움만이 아닙니다. 2026년 3월 현재 핵심 흐름은 맵리스(Map-less)와 멀티센서 융합으로 이동하고 있고, 이는 자율주행을 특정 도시의 ‘잘 준비된 길’에서 어디서든 작동하는 테크로 끌어올리는 변화입니다.
테크 맵리스(Map-less): HD 맵 의존에서 ‘실시간 로컬 맵’으로
전통적 자율주행은 고정밀 HD 맵을 기반으로 “내 차가 지도 위의 어디쯤인지”를 맞추고, 그 위에 센서로 인지한 장애물과 차선 정보를 덧씌우는 방식이었습니다. 문제는 명확합니다.
- 지도 업데이트가 늦으면 공사 구간, 차선 변경, 임시 표지에 취약해집니다.
- 지도 구축 비용이 크고, 커버리지 확장 속도가 느립니다.
- 지도 품질이 낮은 지역에서는 서비스 자체가 제한됩니다.
맵리스 접근은 관점을 바꿉니다. 차량이 카메라·레이다·라이더 등 센서로 주변을 인지해 즉석에서 로컬 맵(저형상 지도, Low-Form)을 생성하고, 이를 바탕으로 주행 전략을 세웁니다. 즉, “지도에 맞춰 달리는 자동차”가 아니라 “도로를 보며 스스로 지도를 만들어 달리는 자동차”에 가까워집니다.
기술적으로 맵리스는 보통 다음 요소로 구성됩니다.
- 자기 위치 추정(Localization): GPS만이 아니라 시각/관성 융합(VIO), 특징점 매칭 등으로 내 위치를 안정적으로 추정
- 장면 이해(Scene Understanding): 차선, 경계석, 안전지대, 신호/표지, 보행자 동선을 객체/구조 수준으로 해석
- 온라인 지도화(Online Mapping): 당장 필요한 범위의 공간을 점유 그리드(Occupancy Grid)나 3D 표현으로 구성
- 계획/제어(Planning & Control): 생성된 로컬 맵과 예측 결과를 바탕으로 경로·속도·회피를 결정
이 구조가 강력한 이유는, 지도 공백 지역이나 변화가 잦은 도로에서도 자율주행을 ‘작동하게’ 만들기 때문입니다. 결국 맵리스는 “확장성”과 “현실 대응력”을 동시에 끌어올리는 핵심 경쟁력으로 자리 잡고 있습니다.
테크 센서 융합: 카메라·레이다·라이더가 ‘서로의 약점’을 메운다
맵리스가 성립하려면, 주변을 신뢰도 높게 인지해야 합니다. 여기서 표준이 된 것이 멀티센서 융합입니다. 센서는 각자 강점과 한계가 뚜렷해, 단일 센서만으로는 예외 상황에서 불안정해지기 쉽습니다.
- 카메라: 차선/표지/신호 인식에 강함. 하지만 야간·역광·비/눈·오염에 취약
- 레이다: 거리/속도(특히 상대 속도)에 강하고 악천후에도 비교적 안정적. 대신 형태(모양) 정보가 거칠 수 있음
- 라이더: 3D 기하 정보를 정밀하게 제공. 다만 비용/패키징/일부 환경에서의 품질 이슈가 존재
센서 융합은 단순히 데이터를 “합치는” 수준이 아니라, 시간 동기화, 좌표계 정합(캘리브레이션), 불확실성 모델링까지 포함하는 복합 시스템입니다. 구현 방식도 다양합니다.
- Early Fusion(초기 융합): 원시 데이터 단계에서 결합(정교하지만 계산량·동기화 난도↑)
- Late Fusion(후기 융합): 각 센서가 인지한 객체/차선 결과를 결합(구현 용이, 정보 손실 가능)
- Hybrid Fusion(혼합형): 핵심 구간은 초기 융합, 나머지는 후기 융합으로 절충
맵리스 주행에서 특히 중요한 것은, 센서 융합을 통해 “지금 이 도로 구조가 어떤지”를 안정적으로 복원하는 것입니다. 예를 들어 차선이 지워진 공사 구간에서도 레이다/라이더 기반 경계 추정과 카메라 기반 표지/콘 정보가 결합되면, 차량은 임시 차로를 더 그럴듯하게 구성할 수 있습니다.
테크 관점의 변화: ‘지도 품질’에서 ‘실시간 세계 모델’로
맵리스와 센서 융합이 결합되면 자율주행의 중심은 HD 맵이 아니라, 차량 내부에서 계속 갱신되는 세계 모델(World Model)로 이동합니다. 이 세계 모델은 “어디에 무엇이 있고, 무엇이 어떻게 움직이며, 그 다음에 무엇이 일어날 가능성이 큰지”를 포함합니다. 최근에는 생성형 월드 모델 기반 접근이 더해지며, 희귀 상황(예: 예측 불가한 끼어들기, 비정형 교차로, 긴급차량 대응)에서도 대응력을 높이는 방향으로 진화하고 있습니다.
정리하면, 2026년의 자율주행 테크 표준은 다음 문장으로 요약됩니다.
“지도에 의존해 달리는 차”에서 “센서 융합으로 세상을 재구성하며 달리는 차”로.
이 변화는 단지 기술 트렌드가 아니라, 자율주행의 서비스 확장 속도와 안전성의 기준 자체를 바꾸는 전환점입니다.
테크 글로벌 경쟁과 엔비디아의 도전장: 알파마이요가 흔드는 판
테슬라 독주에 균열을 내릴 엔비디아의 알파마이요 AI 공개는 2026년 3월 자율주행 판도를 뒤흔든 가장 큰 변수입니다. “차를 만드는 회사”가 아니라 “AI 컴퓨팅을 공급하는 회사”가 전면에 나서면서, 이제 경쟁의 초점은 누가 더 많은 차량을 팔았는가가 아니라 누가 더 빠르게, 더 안전하게 자율주행 AI를 학습·배포할 수 있는가로 이동하고 있습니다.
테크 관점에서 본 알파마이요의 의미: ‘차량용 AI 운영체제’ 전쟁
엔비디아가 알파마이요를 통해 노리는 핵심은 단순한 자율주행 기능 추가가 아니라, 자율주행 개발 전 과정을 묶는 플랫폼화입니다. 기술적으로는 다음 3가지 흐름을 강화합니다.
- 대규모 신경망 학습의 가속: 카메라·레이다·라이더 등 멀티센서 융합이 표준이 된 상황에서, 모델은 더 커지고 학습 데이터도 폭증합니다. 엔비디아는 강력한 학습/추론 스택으로 이 병목(연산량·전력·지연시간)을 풀어 “출시 속도”를 앞당기려 합니다.
- 월드 모델 기반 시뮬레이션 연계: 생성형 월드 모델로 가상 환경에서 무수한 엣지 케이스를 재현해 학습시키는 접근이 중요해졌습니다. 알파마이요가 이 시뮬레이션-학습-배포 루프를 촘촘히 연결하면, 개발사는 실제 도로 데이터만으로는 채우기 어려운 위험 시나리오를 빠르게 보강할 수 있습니다.
- 맵리스로의 이행을 돕는 ‘인지 중심’ 구조: HD 맵 의존에서 벗어나 로컬 맵을 실시간 생성하는 맵리스 기술이 부상하면서, 차량은 “지도”보다 “인지·예측·계획”에 더 크게 의존합니다. 이는 곧 센서 입력을 어떻게 안정적으로 융합하고, 불확실성을 어떻게 다루며, 안전 제약을 어떻게 시스템적으로 보장하는가의 싸움이며, 엔비디아는 이를 표준화된 스택으로 제공하려는 그림입니다.
테크 산업의 긴장: 테슬라의 수직통합 vs 엔비디아의 수평확장
테슬라는 FSD가 단일 거대 신경망 중심(엔드투엔드)으로 진화하며, 개입 없는 주행 거리 개선 같은 성과로 “자체 생태계의 힘”을 증명하고 있습니다. 반면 엔비디아는 특정 제조사 한 곳이 아닌, 다양한 완성차·부품사·모빌리티 기업을 연결하는 방식으로 판을 키웁니다.
- 테슬라 전략: 데이터 수집(차량) → 학습(자체 인프라) → 배포(FSD)까지 수직으로 통제해 최적화
- 엔비디아 전략: 다양한 기업의 요구를 흡수하는 공통 플랫폼을 제공해 생태계 전체의 개발 속도를 끌어올림
이 구도는 결과적으로 업계에 한 가지 질문을 던집니다.
“우리는 자율주행을 제품으로 만들 것인가, 아니면 플랫폼 위에서 조립할 것인가?”
테크 관점에서 본 현대차의 선택지: ‘레벨 3 상용화’ 이후의 확장 문제
국내에서는 현대차 그룹이 레벨 3 상용화를 추진하고 있지만 속도 제한 등 현실 제약이 남아 있습니다. 이런 상황에서 알파마이요 도입 검토는 단순한 외주가 아니라, 개발 리스크와 시간 비용을 줄이기 위한 전략적 선택으로 해석할 수 있습니다.
기술적으로 현대차를 포함한 글로벌 완성차들이 마주한 과제는 명확합니다.
- 검증(Validation) 비용 폭증: 레벨이 올라갈수록 “안전 입증”이 개발 난이도를 압도합니다. 시뮬레이션/재현/테스트 파이프라인이 강력한 플랫폼은 상용화 시간을 단축합니다.
- 센서 구성과 소프트웨어의 동시 최적화: 멀티센서 융합이 표준인 지금, 하드웨어 선택(카메라·레이다·라이더 조합)과 소프트웨어 아키텍처(인지-예측-계획)가 서로 영향을 주며, 플랫폼 의존도가 커집니다.
- 맵리스 전환의 ‘현장 적응력’: 공사 구간, 지도 공백 지역, 예측 불가능한 교통 흐름에서 로컬 맵 생성과 실시간 의사결정이 핵심이므로, 학습 데이터 확장과 모델 일반화가 승부처가 됩니다.
테크 경쟁의 결론: “누가 먼저 표준을 쥐는가”
2026년 3월의 자율주행 경쟁은 더 이상 한 기업의 단독 질주가 아니라, 표준을 둘러싼 다자 구도로 바뀌고 있습니다. 테슬라는 실제 서비스 확대와 엔드투엔드 모델 고도화로 앞서가고, 엔비디아는 알파마이요로 생태계를 묶어 “추격이 가능한 길”을 열어젖혔습니다.
이제 관전 포인트는 하나입니다. 알파마이요가 단순한 발표를 넘어, 완성차들의 상용화 로드맵에 실제로 들어가 개발 속도·안전 검증·맵리스 적응력을 얼마나 끌어올리느냐—그 결과가 테슬라 독주의 균열을 ‘소문’이 아니라 ‘숫자’로 증명하게 될 것입니다.
생성형 월드 모델과 자율주행 테크의 미래
가상 환경에서 학습하는 AI, 현실을 뛰어넘는 기술 고도화의 배경에는 어떤 과학이 숨어 있을까요? 2026년 3월의 자율주행은 더 이상 “도로에서 시험해보는 실험”만으로 성능을 끌어올리기 어렵습니다. 예측 불가능한 변수—공사 구간, 비정형 교차로, 긴급 차량의 돌발 진입—가 많은 현실에서, 상용화 수준의 안전성과 확장성을 만들기 위해 등장한 핵심 해답이 바로 생성형 월드 모델(Generative World Model) 입니다.
월드 모델이 바꾸는 학습 방식: “기억”이 아니라 “예측”으로
기존의 자율주행 AI는 주로 실제 주행 데이터(카메라/레이다/라이더)를 모아 패턴을 분류하고, 그에 맞는 행동(조향·가감속)을 선택하는 방식이었습니다. 하지만 이 접근은 한계가 명확합니다.
- 희귀 사건(사고 직전 상황, 위협적인 끼어들기 등)은 데이터가 부족하고
- 지역·날씨·문화권이 바뀌면 ‘비슷하지만 다른’ 상황이 급격히 늘어나며
- HD 맵 의존이 강할수록 “지도 밖의 세계”에서 성능이 흔들립니다.
월드 모델은 방향이 다릅니다. 센서로 본 장면을 “저장”하는 데서 끝나지 않고, 세상이 다음 순간 어떻게 변할지 시뮬레이션으로 ‘예측’합니다. 즉, 자율주행 시스템 내부에 작은 가상 세계를 만들고, 그 안에서 “만약 지금 저 차가 차선을 넘으면?”, “저 보행자가 뛰어나오면?” 같은 반사적 가정을 빠르게 굴려보는 구조입니다.
생성형 월드 모델의 과학: 확률적 시뮬레이션과 반사 신경의 결합
생성형 월드 모델은 한 번의 정답을 내는 방식이 아니라, 여러 가능한 미래를 확률적으로 생성합니다. 기술적으로는 다음 요소들이 결합됩니다.
- 표현 학습(Representation Learning): 카메라·레이다·라이더 등 멀티센서 정보를 ‘의미 있는 상태(state)’로 압축합니다.
- 동역학 모델(Dynamics Model): 상태가 시간에 따라 어떻게 변하는지 학습해, 다음 프레임의 장면과 객체 움직임을 예측합니다.
- 정책/계획(Policy & Planning): 예측된 여러 미래 중 위험이 낮고 효율적인 경로를 선택해 조향·가감속으로 연결합니다.
이 과정이 강력한 이유는 간단합니다. 현실에서 위험하게 시험하지 않아도, 가상 세계에서 수천만 번의 “가정 실험”을 돌려 취약한 상황을 찾아내고 보완할 수 있기 때문입니다. 바로 이 지점이 2026년 자율주행 테크가 상용화 문턱을 넘는 배경입니다.
맵리스·센서 융합 시대에 월드 모델이 중요한 이유
2026년 흐름은 맵리스(Map-less) + 멀티센서 융합이 표준이 되며, 차량은 실시간으로 로컬 맵을 생성해 달립니다. 그런데 맵리스는 “지도 없이도 간다”가 아니라, “지금 보는 것을 기반으로 순간순간 세계를 재구성한다”는 뜻에 가깝습니다.
월드 모델은 맵리스의 약점을 메우는 핵심 장치가 됩니다. 로컬 맵이 불완전하거나 가려짐(occlusion)이 많아도, 월드 모델이 보이지 않는 영역을 확률적으로 추정하고 위험을 보수적으로 관리할 수 있습니다. 또한 긴급 차량처럼 규칙을 깨고 등장하는 객체도 “규칙 기반”이 아니라 상황 예측 기반으로 대응하게 됩니다.
2026년 상용화 전환점의 의미: 끝이 아니라 ‘시작점’이 되는 이유
테슬라처럼 단일 거대 신경망으로 입력(영상)에서 출력(조향·가감속)까지 연결하는 흐름이 확산되더라도, 상용 서비스에서 중요한 건 “잘 달리는 느낌”을 넘어 예외 상황에서의 안전한 수렴입니다. 월드 모델은 이 문제를 정면으로 다룹니다.
- 현실 데이터의 빈틈을 시뮬레이션으로 채우고
- 드문 위험 시나리오를 대규모로 만들어 학습하며
- 지역이 바뀌어도 모델이 ‘세상의 물리’를 이해하도록 돕습니다.
결국 2026년의 자율주행은 실험에서 상용화로 “끝난” 것이 아니라, 가상 세계에서 무한히 단련되는 새로운 개발 사이클이 시작된 해에 가깝습니다. 앞으로의 경쟁은 센서나 지도만이 아니라, 누가 더 현실에 가까운(그리고 더 가혹한) 세계를 생성하고, 그 안에서 더 안전한 운전 지능을 길러내는가로 재편될 것입니다. 이 흐름이 자율주행 테크의 끝과 시작을 연결하는, 가장 중요한 매듭입니다.
