2026년 10월 24일 기준, 젠슨 황 엔비디아 CEO는 10월 22일 독일 GTC 베를린 현장에서 CNBC가 중국 CXMT(창신메모리)의 메모리를 쓸 계획이냐고 묻자 “We're open-minded(열린 마음이다)”라고 답했지만, 이것은 구매 발표가 아닙니다. CNBC(10.22) CXMT는 미국 국방부의 ‘중국 군사기업’ 목록(1260H)에 올라 있어 연방 조달에서 제한을 받지만, 상무부 수출통제 명단(Entity List)에는 아직 공표되지 않았습니다. 이 글은 이 발언이 어디까지 의미하는지를 미국 규칙으로 확인합니다. 일부 방송은 이 발언을 “CXMT 채택 가능성”으로 소개했습니다. 아래에서 방송 표현과 CNBC 원문을 대조하고, CXMT가 지금 미국 규칙의 어디에 서 있는지, 엔비디아 같은 미국 기업이 쓰려면 무엇이 걸리는지, CXMT의 신기술 발표가 양산과 얼마나 떨어져 있는지를 공식 문서와 언론 보도를 구분해 정리합니다. 읽기 전 유의사항: 이 글은 공개 자료를 정리한 정보성 해설이며 특정 종목의 매수·매도를 권하지 않고 법률 자문도 아닙니다. 미국 규칙은 바뀔 수 있고, ‘제 해석’으로 표시한 부분은 사실이 아니라 추론입니다. 먼저 젠슨 황은 정확히 무엇을 말했나 황 CEO는 CNBC 아르준 카르파 기자와의 인터뷰에서 CXMT와 협력해 제품을 쓸 계획이냐는 질문을 받고 이렇게 답했습니다. “우리는 열린 마음입니다. 우리는 중국 기업들과 일합니다. 전 세계가 공급망 어딘가에서 중국 기업들과 일합니다.”(“We're open-minded. We work with Chinese companies; just about the whole world works with Chinese companies in the supply chain somewhere.”) 이어 “중국은 기초 인프라 기술이 뛰어...
게시일 | 최종 수정
먼저 결론부터 말하면, Tesla의 AI 전략은 자동차에 자율주행 기능을 넣는 데서 끝나지 않습니다. Tesla가 공개한 자료를 따라가면, 차량에서 얻은 실제 주행 데이터가 학습용 컴퓨팅으로 들어가고, 학습된 모델은 차량 안의 FSD 추론 칩에서 실행되며, 이 과정에서 쌓이는 소프트웨어·데이터·제어 역량이 Optimus 로봇으로도 넓어지는 흐름을 볼 수 있습니다.
여기서 말하는 물리적 AI는 화면 속 텍스트만 다루는 AI가 아니라, 자동차·로봇처럼 실제 공간에서 보고 움직이고 다시 데이터를 만드는 AI를 뜻합니다. 그래서 Tesla를 볼 때는 ‘FSD가 언제 완성되는가’라는 질문만으로는 부족합니다. 데이터를 어디서 얻고, 어떤 장비로 학습하고, 차량 안에서 얼마나 빠르고 안전하게 판단하며, 실제 세계의 실패 사례를 어떻게 다시 모델에 넣는지를 함께 봐야 합니다.
차량 데이터는 왜 단순한 주행 기록보다 중요한가
자율주행 AI는 비 오는 밤, 공사 구간, 갑자기 끼어드는 차량, 사람과 자전거가 섞인 교차로처럼 미리 모든 규칙을 적기 어려운 장면을 배워야 합니다. Tesla는 AI & Robotics 공식 페이지에서 실제 차량군에서 들어오는 카메라·센서 데이터를 이용해 신경망을 학습한다고 설명합니다. 중요한 점은 데이터의 양만이 아닙니다. ‘어떤 장면에서 차량이 무엇을 봤고 어떤 선택을 했는가’라는 실제 상황의 묶음이 모델 개선의 재료가 됩니다.
쉽게 비유하면 자율주행 데이터는 운전면허 문제집보다 실제 도로에서 기록한 수많은 모의고사에 가깝습니다. 문제집만 많이 읽는다고 비 오는 밤의 복잡한 교차로를 모두 알 수는 없습니다. 하지만 실제 사례가 많다고 해서 자동으로 안전한 서비스가 완성되는 것도 아닙니다. 어떤 사례를 골라 학습할지, 모델이 새 사례에서 정말 나아졌는지, 차량에서 안전하게 작동하는지를 별도로 검증해야 합니다.
학습용 GPU와 차량용 FSD 칩은 맡은 일이 다르다
학습은 많은 데이터를 반복해 읽으며 모델의 오류를 고치는 과정이고, 추론은 학습을 마친 모델이 실제 차량에서 ‘지금 멈출까, 경로를 바꿀까’를 즉시 판단하는 과정입니다. 학습은 큰 도서관에서 수많은 문제를 풀며 새 교재를 만드는 일이라면, 추론은 차 안에서 완성된 교재를 보고 몇 초 안에 답을 고르는 일에 가깝습니다.
Tesla는 같은 공식 AI 자료에서 차량용 추론 하드웨어를 설계할 때 성능뿐 아니라 전력 분석, 칩 배치, 중복성, 검증, 차량 양산까지 함께 고려한다고 설명합니다. 자동차는 데이터센터와 달리 전력과 열, 공간이 제한됩니다. 그래서 FSD 칩의 경쟁력은 ‘최대 계산량’ 하나보다, 제한된 환경에서 지연 없이 오래 작동하고 문제가 생겼을 때 안전하게 대응하는 전체 설계에 달려 있습니다.
이 수직 통합은 장점과 부담을 동시에 만듭니다. Tesla가 칩과 소프트웨어를 함께 조정하면 특정 차량 기능에 맞춘 최적화를 할 수 있습니다. 반면 설계 지연, 검증 실패, 공급망·양산 문제의 부담도 직접 집니다. 따라서 자체 칩이 있다는 사실만으로 비용 우위나 서비스 성공을 단정하면 안 됩니다.
Cortex와 학습 인프라는 ‘서비스 완성’과 다른 단계다
Tesla의 2026년 1분기 업데이트는 Cortex 2가 온라인 상태가 되어 학습 작업을 시작했고, 자체 학습 인프라와 Dojo 3 실리콘 개발을 계속 진행한다고 밝혔습니다. 이는 회사가 모델을 훈련할 컴퓨팅 기반을 넓히고 있다는 뜻입니다. 그러나 학습 인프라가 가동된다는 사실과, 모델 성능 개선·규제 승인·로보택시 매출이 바로 생긴다는 사실은 같은 말이 아닙니다.
여기서 가장 중요한 읽는 법은 네 단계를 분리하는 것입니다. 첫째는 학습 인프라가 실제 가동되는가, 둘째는 모델이 독립적인 평가에서 좋아지는가, 셋째는 해당 기능이 지역별 안전·규제 조건을 충족하는가, 넷째는 그 기능이 반복 가능한 매출로 이어지는가입니다. 대형 GPU 클러스터나 공장 가동 소식은 첫 단계의 신호일 수 있지만, 나머지 세 단계를 자동으로 보장하지는 않습니다.
48개 신경망과 7만 GPU 시간은 무엇을 뜻하나
Tesla는 공식 AI 페이지에서 완전한 자율주행 신경망 빌드에 48개 신경망과 70,000 GPU 시간이 필요하다고 설명합니다. 이 수치는 차량 AI가 모델 하나만 학습하면 끝나는 제품이 아니라는 점을 보여 줍니다. 장면 인식, 물체 거리와 움직임 추정, 도로 구조 이해, 주행 경로 선택 등은 서로 연결돼도 같은 계산이 아닙니다.
따라서 Tesla의 AI 투자는 GPU를 많이 사는 문제만이 아닙니다. 데이터를 고르고 정리하는 작업, 여러 신경망을 학습·검증하는 작업, 시뮬레이션과 실제 차량에서 결과를 비교하는 작업, 문제가 생겼을 때 다시 모델을 고치는 운영 체계가 함께 필요합니다. 앞서 AI 에이전트 시대의 GPU·CPU·네트워크 인프라 글에서 설명했듯, 계산 칩 하나만 빠르다고 전체 시스템이 빨라지는 것은 아닙니다.
Optimus는 자동차 AI의 단순한 복사본이 아니다
Optimus는 도로 위에서 움직이는 자동차와 달리 두 발로 균형을 잡고, 손으로 물체를 다루며, 사람과 같은 공간에서 예측하기 어려운 접촉을 처리해야 합니다. Tesla는 Optimus 공식 소개에서 인식, 균형, 이동, 조작을 위한 소프트웨어·하드웨어 통합을 개발한다고 설명합니다.
공통점은 실제 세계를 보고, 낮은 지연시간으로 판단하고, 실패 사례를 반복해 고쳐야 한다는 데 있습니다. 하지만 자동차는 차선·교통 흐름·차량 제어가 중심이고, 로봇은 관절·균형·접촉·물체 조작이 중심입니다. 그래서 ‘자동차 AI를 잘하면 로봇도 곧바로 잘한다’고 말할 수는 없습니다. Tesla가 노리는 것은 같은 제품의 복제보다, 데이터 처리·신경망·실시간 추론·제어라는 공통 기반을 다른 장치에 확장하는 일에 가깝습니다.
AI 투자와 자동차 실적은 따로 읽어야 한다
Tesla의 2026년 2분기 업데이트와 분기 10-Q 공시는 자동차, 에너지 저장, 서비스 및 기타 매출을 별도 항목으로 보여 줍니다. 같은 자료에서 연구개발비·설비 관련 자산·AI와 로봇의 위험 요인을 함께 읽을 수 있습니다. 즉 투자자는 Tesla가 AI 인프라와 로봇 역량에 투자한다는 사실과, 그 투자가 당장 독립적인 대규모 매출로 잡혔다는 주장을 구분해야 합니다.
안전성을 판단할 때도 회사의 제품 발표와 실제 운행 지표를 섞지 않는 것이 좋습니다. Tesla의 Vehicle Safety Report는 회사가 공개하는 안전 관련 지표의 한 출발점이지만, 이 자료만으로 모든 지역·날씨·도로 조건에서의 안전성을 단정할 수는 없습니다. 공개된 측정 범위, 비교 방식, 감독 운전 여부, 지역별 허가 조건을 함께 확인해야 합니다.
기존 FSD 글과 함께 읽으면 달라지는 질문
테슬라 FSD와 로보택시는 같은 자율주행이 아니다 글은 누가 운전 책임을 지고 어떤 허가가 필요한지를 설명합니다. 이번 글은 그 서비스와 기능 뒤에서 차량 데이터·학습용 컴퓨팅·차량용 칩·현장 평가가 어떻게 연결되는지를 다룹니다. 하나는 ‘어떤 서비스가 가능한가’를, 다른 하나는 ‘그 서비스를 뒷받침할 기술 운영 구조가 무엇인가’를 묻습니다.
결국 Tesla의 물리적 AI 전략을 볼 때는 새 칩·새 데이터센터·새 로봇 발표를 한 줄의 성공 신호로 합치기보다, 데이터 루프가 실제로 개선되는지, 차량과 로봇에서 안전하게 실행되는지, 규제와 고객 사용이 뒷받침되는지, 수익화가 반복되는지를 차례로 살펴보는 편이 정확합니다.
한줄 정리
Tesla의 승부는 차량 데이터를 학습용 컴퓨팅으로 바꾸고, 자체 추론 칩으로 다시 실제 장치에 넣은 뒤, 그 경험을 Optimus 같은 물리적 AI로 넓히는 반복 구조를 얼마나 안전하고 경제적으로 운영하느냐에 달려 있습니다.
댓글
댓글 쓰기