1. 콤마 AI의 파격적 선언: 10W 모바일 칩의 한계를 넘는 'Chestnut' 하드웨어 생태계
자율주행 업계에서 가장 독창적이면서도 실용적인 노선을 걷고 있는 콤마 AI(Comma.ai)가 최근 아주 흥미로운 하드웨어와 자율주행 모델을 발표했습니다. 바로 외장 GPU(eGPU) 독 하드웨어인 Tiny Chestnut과 이를 활용한 완제품 키트 Chestnut Ready to Drive, 그리고 이 하드웨어에서 구동될 대규모 자율주행 모델인 Chestnut-class driving models입니다.
그동안 Comma 4 기기는 전면 유리창(윈드실드)에 부착되는 폼팩터 특성상 발열과 전력 소모 제한(약 10W 내외)으로 인해 퀄컴 스냅드래곤 845의 노후화된 내장 GPU에 의존할 수밖에 없었는데요. 이번 발표를 통해 차량 내 다른 공간(바닥이나 트렁크 등)에 외장 GPU를 배치함으로써 이 한계를 완전히 깨부수겠다는 전략을 들고 나왔습니다.
🎬 [02:55] 핵심 실증 하이라이트: Tiny Chestnut 실물 및 언박싱
(설명: 조지 호츠가 직접 소개하는 알루미늄 바디 기반의 Tiny Chestnut eGPU 독 실물과 패키징 구성품)
이번에 공개된 하드웨어 라인업은 크게 두 가지로 나뉩니다.
- Tiny Chestnut ($249): 사용자가 보유한 GPU를 장착할 수 있는 전용 eGPU 독(Dock)입니다.
- Chestnut Ready to Drive ($799): AMD Radeon 기반 GPU(RDNA3/RDNA4 아키텍처 기반의 전력 효율 특화 칩셋, 8GB VRAM)와 냉각용 커스텀 팬 슈라우드, 차량용 시거잭 전원 케이블, 그리고 초고속 3.3m 마이크로 코액셜(Micro-coaxial) USB 케이블이 모두 포함된 올인원 자율주행 가속 패키지입니다.
2. 하드웨어 아키텍처 딥다이브: 담배잭 전력으로 구현한 고대역폭 eGPU 시스템
현업 엔지니어 관점에서 이번 Chestnut 하드웨어 설계 중 가장 감탄스러운 부분은 차량의 물리적 제약 조건을 아주 영리하게 우회했다는 점입니다.
기존 자율주행 하드웨어는 연산 성능을 높이려면 전원 공급과 발열 해소를 위해 트렁크에 거대한 가속기 박스를 싣고 고전압 배선 작업을 해야 했습니다. 하지만 Comma.ai는 일반 차량의 12V 시거잭(Cigarette Lighter) 전력 한계인 120W(10A) 범위 내에서 작동하도록 시스템을 최적화했습니다.
이를 가능하게 한 핵심 메커니즘을 세 가지로 분석해 보았습니다.
부스트-벅 컨버터와 XT60 전원 설계
Tiny Chestnut 보드에는 10V에서 24V 사이의 불안정한 입력 전압을 받아 안정적인 GPU 전력으로 변환해 주는 고성능 부스트-벅(Boost-Buck) 컨버터가 내장되어 있습니다. 덕분에 차량용 시거잭은 물론, 일반 ATX 파워서플라이나 노트북 충전기 등 어떤 전원 소스든 XT60 커넥터만 연결하면 바로 사용할 수 있습니다.
AMD RDNA 아키텍처와 전력 효율 극대화
Ready to Drive 버전에 탑재된 GPU는 절대적인 성능 자체보다 '와트당 성능비(Performance per Watt)'에 초점을 맞췄습니다. 차량 시거잭 전력 한계인 120W 이하로 구동하면서도 FP8 연산 기준 약 100 TFLOPs 수준의 추론 성능을 뽑아내는데, 이는 테슬라의 하드웨어 4(HW 4.0) 자율주행 칩셋과 맞먹는 수준입니다.
신호 무결성(Signal Integrity)을 보장하는 알루미늄 베이스와 특수 케이블
시중의 저가형 eGPU 독(예: ADT-Link 등)은 신호 간섭에 취약해 차량 진동과 전자기 노이즈 환경에서 쉽게 연결이 끊어지곤 합니다. Comma.ai는 열 방출과 노이즈 차폐를 위해 통 알루미늄을 깎아 베이스를 만들었고, 오랜 기간 안정성 테스트를 거친 3.3m 길이의 특수 마이크로 코액셜 USB 3.0 케이블을 적용하여 데이터 전송 안정성을 확보했습니다.
flowchart TD
A["① Comma 4 (윈드실드 전면)<br/>실시간 전방 카메라 영상 수집 & 차량 센서 데이터 수신"]
-->|"3.3m 특수 마이크로 코액셜 케이블 (USB 3.0)"| B["② Tiny Chestnut eGPU 독 (차량 바닥/콘솔)<br/>12V 시거잭 120W 입력 ➡️ 내장 부스트-벅 전원 컨버터 안정화"]
B -->|"PCIe Gen3 x2 고속 버스"| C["③ AMD Radeon RDNA GPU (8GB VRAM)<br/>1B/8B 파라미터 대규모 세계 모델(World Model) 추론"]
C -->|"최적 주행 궤적 및 속도 프로파일 반환"| D["④ Comma 4 온디바이스 플래너<br/>실시간 제어 루프(20Hz) 기반 횡방향·종방향 제어량 산출"]
D -->|"차량 하네스 직결"| E["⑤ 차량 CAN 버스 제어<br/>차량 액추에이터 구동 (조향각 및 가감속 페달 제어)"]
classDef default fill:#f8faff,stroke:#0066cc,stroke-width:1.8px,color:#111,font-size:14px;
많은 이들이 "왜 USB 4나 썬더볼트가 아닌 USB 3.0(PCIe Gen3 x2) 대역폭으로 설계했는가?"라는 의문을 제기할 수 있는데요. 조지 호츠의 설명에 따르면, 단일 GPU 기반 자율주행 추론 시나리오에서는 대규모 모델 가중치(Weights)가 GPU의 VRAM에 정적으로 로드되어 있습니다.
실제 실시간 전송이 필요한 데이터는 카메라 입력 프레임과 최종 플래닝 궤적 정보뿐이기 때문에 데이터 크기가 매우 작습니다. 따라서 USB 3.0의 대역폭만으로도 20Hz 수준의 실시간 제어 루프를 지연 없이 구동하기에 충분하다는 계산이 나옵니다. 실무적으로 아주 타당하고 비용 효율적인 트레이드오프(Trade-off)라고 볼 수 있습니다.
3. 소프트웨어의 대변혁: LLM 스타일의 세계 모델(World Model)과 강화학습 도입
하드웨어의 확장은 결국 소프트웨어의 대형화를 위한 밑거름입니다. Comma.ai는 Chestnut 하드웨어 출시와 함께 기존 오픈파일럿(Openpilot) 모델들의 파라미터 수를 모두 합친 것보다 30배 이상 큰 1B(10억 파라미터) 규모의 'Chestnut-class' 모델을 배포하기 시작했습니다. 향후 4비트 양자화(4-bit Quantization)를 통해 8B 모델까지 온디바이스로 구동하겠다는 계획도 밝혔습니다.
소프트웨어 아키텍처 측면에서 가장 주목해야 할 점은 자율주행 모델의 학습 패러다임이 LLM(대규모 언어 모델)과 완전히 유사해졌다는 점입니다.
🎬 [52:45] 핵심 실증 하이라이트: 세계 모델(World Model) 기반 시뮬레이션
(설명: 2B 파라미터 모델이 실제 카메라 프레임 맥락을 이해하고, 시뮬레이션 공간 내에서 물리 법칙에 맞춰 가상의 도로 상황 비디오를 생성해 내는 장면)
최신 콤마 AI의 학습 파이프라인은 다음과 같은 3단계 구조를 취하고 있습니다.
- 비지도 사전 학습 (Unsupervised Pre-training): 전 세계 콤마 사용자들이 매일 주행하며 업로드하는 수백만 분의 비디오 데이터를 바탕으로 디퓨전(Diffusion) 기술을 활용해 다음 프레임의 비디오를 예측하는 '세계 모델(World Model)'을 학습합니다. 이 과정에서 모델은 도로의 물리적 구조, 타 차량의 움직임, 신호등의 의미를 스스로 깨닫게 됩니다.
- 지도 미세 조정 (Supervised Fine-Tuning, SFT): 전문 드라이버의 주행 데이터와 차량 제어 명령(조향각, 가감속 값)을 맵핑하여 모방 학습(Imitation Learning)을 수행합니다.
- 강화 학습 (Reinforcement Learning, RL): 자체 구축한 시뮬레이터 환경 'Wazzy' 안에서 모델이 직접 가상 운전을 하며 disengagement(운전자 개입)를 최소화하도록 보상 함수를 통해 미세 조정됩니다.
이러한 엔드투엔드(End-to-End) 세계 모델 기반의 플래너는 신호등이 있는 교차로나 복잡한 도심 환경에서 단순 규칙 기반(Rule-based) 코딩으로는 절대 불가능했던 고차원적인 상황 이해와 자연스러운 방어 운전을 가능하게 만듭니다.
4. 마치며
Comma.ai가 제시한 Chestnut 솔루션은 완성차 제조사들이 수조 원을 들여 고가의 차량용 전장 칩셋(NVIDIA Drive Thor 등)을 차량 설계 단계부터 통합하려는 접근법과는 궤를 달리합니다. 기존 차량의 12V 시거잭 전력망을 훼손하지 않으면서, 단돈 799달러의 애프터마켓 키트 추가만으로 100 TFLOPs급 자율주행 컴퓨터를 구현해 낸 것은 엔지니어링 관점에서 대단히 영리하고 창의적인 돌파구입니다.
물론 극단적인 고온·저온의 차량 환경에서 일반 데스크톱 기반 RDNA GPU가 장기적인 내구성(Automotive Grade)을 확보할 수 있을지, 그리고 주행 중 발생할 수 있는 시거잭 전압 강하 상황에서 eGPU의 순간적인 전력 서지를 부스트-벅 컨버터가 완벽히 방어할 수 있을지에 대한 실무적 우려는 남아 있습니다.
그럼에도 불구하고 하드웨어와 소프트웨어의 병목을 분리하여 '연산 스케일링'의 시대로 진입하겠다는 그들의 시도는 오픈소스 자율주행 진영에 새로운 활력을 불어넣기에 충분해 보입니다. 10W의 한계에 갇혀있던 온디바이스 자율주행이 거대한 세계 모델을 품고 어디까지 진화할 수 있을지, 앞으로의 행보가 무척 기대됩니다.
참고 자료 (References)
- 영상 출처: comma 공식 유튜브 채널 - Introducing chestnut & chestnut-class driving models
- 기술 레퍼런스: comma.ai 공식 블로그 - Scaling beyond intelligence density
'SDV & 자율주행 SW' 카테고리의 다른 글
| 구글 웨이모가 미·중 관세 폭탄에도 중국산 지커(Zeekr) 미니밴을 5,000대나 들여오는 진짜 이유 (0) | 2026.09.27 |
|---|---|
| 토요타와 리눅스 재단이 손잡고 ARM·인텔 의존도 낮추는 법: AGL SoDeV와 RISC-V의 결합 (0) | 2026.09.27 |
| 테슬라 FSD가 감추고 싶어 한 '7월의 비극': 4건의 사망 사고와 100% 비공개 데이터의 내막 (0) | 2026.09.26 |
| 우버부터 웨이모까지, 글로벌 로보택시 기업들이 NVIDIA Blackwell과 Thor를 선택한 이유 (0) | 2026.09.23 |
