2026-06-18 — views

Physical AI 데이터 플라이휠 2026 — 테슬라 60억 마일 감독형 FSD vs 웨이모 3000만 마일 완전 자율 주행: 훈련 데이터 벤치마크

테슬라는 600만 대 차량에서 60억 마일 이상의 감독형 FSD 데이터를 수집했고, 웨이모는 3000만 마일의 완전 자율 주행 데이터를 보유한다. 규모 대 품질 — 이 데이터 경쟁이 Physical AI 훈련 우위를 결정한다.

Physical AI 벤치마크 시리즈 제 173편 — 훈련 데이터와 데이터 플라이휠

Physical AI 훈련 경쟁에서 가장 근본적인 비대칭성은 컴퓨팅 파워도, 기업 가치도, 규제 승인도 아니라 데이터다. 2026년 중반 기준으로 테슬라는 약 600만 대의 소비자 차량으로부터 추정 60억 마일 이상의 감독형 완전 자율 주행(FSD) 거리를 축적했다 (추정치). 웨이모는 피닉스, 샌프란시스코, 로스앤젤레스, 오스틴의 로보택시 차량으로 추정 2500만~3500만 마일의 완전 무인 상업 주행 거리를 축적했다 (추정치). 원시 수치만 보면 테슬라가 약 200:1의 규모 우위를 갖고 있다. 그러나 이 데이터는 동등하지 않다——웨이모의 모든 주행 거리는 인간이 개입할 수 있는 위치에 있었던 적 없이 완전 자율로 달성되었다. 테슬라의 모든 주행 거리에는 언제든지 인수할 준비가 된 면허 보유 인간 운전자가 탑승해 있었다. 이 기사에서는 어떤 데이터 우위가 전략적으로 더 지속 가능한지, 각 데이터 유형이 실제로 무엇을 훈련하는지, 그리고 두 차량 함대가 성장함에 따라 플라이휠이 어떻게 보이는지 벤치마크한다.

제 1절 — 두 가지 데이터 플라이휠: 규모 vs. 순수성

차원	테슬라 FSD 데이터 플라이휠	웨이모 무인 주행 데이터 플라이휠
총 주행 거리 (추정치)	2026년 중반 기준 누적 60억 마일 이상의 감독형 FSD 주행 거리 (추정치)	2026년 중반 기준 누적 약 2500만~3500만 마일의 무인 상업 주행 거리 (추정치)
주간 주행 거리 (추정치)	주당 추정 수천만 마일의 감독형 주행 거리 (600만 대 × 평균 FSD 사용률)	주당 추정 15만 회 이상의 유료 승차 × 평균 3~~5마일 = 주당 추정 45만~~75만 마일의 무인 주행 거리
데이터 생성 비율	테슬라는 웨이모보다 주당 추정 100~200배 더 많은 마일을 생성 (추정치)	웨이모는 훨씬 더 적은 총 주행 거리를 생성하지만 모두 완전 자율 주행
운전자 탑승 여부	예 — 면허 보유 인간 운전자가 항상 FSD를 감독해야 함; 운전자는 언제든지 개입 가능	아니오 — 인간 개입 제로; 차량이 모든 결정을 완전 자율적으로 내림
데이터 레이블 품질	감독형 주행 거리에는 AI의 성공적인 결정과 인간의 오버라이드(개입) 모두 포함됨; 개입 순간이 가장 가치 있는 훈련 신호	완전 자율 주행 거리: AI가 내린 모든 결정이 실제 결과——인간 수정 신호는 없지만 AI는 인간의 도움 없이 모든 시나리오를 처리할 만큼 강건해야 함
데이터가 훈련하는 것	FSD: 인간 운전 행동을 매칭하고 개입이 필요할 때 회복하도록 신경망을 훈련; 개입 이벤트가 재훈련을 위한 엣지 케이스를 자동 레이블링	웨이모: 인간의 도움 없이 자신의 실수로부터 회복하는 것을 포함해 실제 세계 시나리오의 전체 분포를 완전 자율적으로 처리하도록 시스템을 훈련
데이터 엔진 (테슬라)	Tesla의 Data Engine: FSD 주행이 비디오로 녹화됨; 차내 모델이 프레임을 자동 레이블링; 저신뢰도 프레임이 플래그되어 클라우드로 전송되어 인간 검토; 자동 레이블링은 스케일 됨; 인간 검토는 어려운 케이스에 집중	웨이모의 등가물: 모든 무인 주행이 기록됨; 원격 운영 주의가 필요한 시나리오에 플래그; 시뮬레이션이 합성 엣지 케이스를 생성
플라이휠 복리	더 많은 테슬라 차량 → 더 많은 FSD 주행 거리 → 더 많은 훈련 데이터 → 더 나은 FSD → 더 높은 사용률 → 더 많은 수익 → 더 많은 R&D → 더 나은 FSD	더 많은 웨이모 무인 승차 → 더 많은 무인 주행 거리 → 더 많은 엣지 케이스 발견 → 더 나은 시스템 → 더 많은 허가 → 더 많은 도시 → 더 많은 승차

규모 비율은 인상적이다. 테슬라는 연간 추정 20~~30억 마일의 감독형 주행 거리를 추가하고 있다; 웨이모는 연간 추정 2500~~4000만 마일의 무인 주행 거리를 추가하고 있다. 테슬라의 원시 마일 생성 속도는 웨이모보다 약 두 자릿수 높다. 그러나 200:1의 마일 비율이 200:1의 훈련 신호 품질 우위로 변환되지는 않는다——두 가지 마일 유형이 서로 다른 능력을 훈련하기 때문이다.

제 2절 — 감독형 대 무인 주행 거리가 실제로 다르게 훈련하는 것

훈련 차원	테슬라 감독형 주행 거리가 훈련하는 것	웨이모 무인 주행 거리가 훈련하는 것	전략적 함의
정상 주행	인간 매칭 운전 행동: 차선 유지, 속도, 차간 거리, 교차로 처리——모두 인간 운전 방식에 맞춰 보정	웨이모의 고유한 정상 주행 정책: 인간 행동 규범과 독립적으로 개발됨; 승객 편의성, 안전성, 효율성에 최적화	둘 다 정상 주행에 고품질; 테슬라의 것은 더 인간적, 웨이모의 것은 잠재적으로 더 최적화
엣지 케이스 발견	인간 개입 = 자동 레이블링된 엣지 케이스; 60억 마일이 규모에서 수백만 엣지 케이스 예시를 생성; 엣지 케이스는 마일당 드물지만 차량 규모에서는 풍부	무인 운전: 웨이모가 인간 안전망 없이 현실에서 엣지 케이스를 만남; 시스템이 처리해야 함; 처리된 각 엣지 케이스가 강건성의 증명	테슬라는 더 많은 총 엣지 케이스를 발견 (규모); 웨이모의 엣지 케이스는 개별적으로 더 가치 있음 (인간 없이 처리 가능함을 증명)
실수로부터 회복	인간이 실수가 사고가 되기 전에 잡음; AI는 인간의 도움 없이 깊은 실패 상태에서 회복하는 것을 배우지 못함	웨이모가 자율적으로 자신의 실수에서 회복해야 함; 이것이 감독 시스템이 배우지 못하는 회복 행동을 훈련함	웨이모의 회복 훈련은 완전 무인 운전의 구조적 우위; 감독 시스템은 여기에 간격이 있음
드문 날씨와 조건	테슬라 차량은 전미 50개 주 플러스 국제: 눈, 얼음, 안개, 폭우, 공사 구간——규모에서 광범위한 환경 커버리지	웨이모 차량은 4개의 선벨트 및 온화한 기후 도시 (피닉스, SF, LA, 오스틴)——테슬라의 글로벌 차량 대비 제한적인 기상 다양성	테슬라는 중요한 기상 다양성 우위를 가짐; 웨이모의 피닉스와 SF 데이터는 고품질이지만 지리적으로 협소
야간 및 저조도	600만 대 차량이 야간 포함 24시간 운행; 대규모 야간 주행 데이터셋	SF의 24시간 운행을 포함한 주당 15만 회 이상 승차; 하지만 소규모 차량 함대는 절대적인 야간 데이터가 더 적음을 의미	테슬라는 더 많은 절대적 야간 마일을 보유; 웨이모의 SF 24시간 운행에서의 야간 데이터는 고품질 도시 야간 데이터
새로운 시나리오	60억 마일에서 테슬라는 수백만 개의 이례적인 시나리오를 만남; Data Engine이 모델이 틀린 것들을 발굴	3000만 마일의 무인 주행에서 웨이모는 인간의 도움 없이 처리해야 하는 새로운 시나리오를 만남——“처리됨”에 대한 기준이 더 높음	다르지만 보완적; 새로운 시나리오 훈련에서 명확한 승자 없음
롱테일 커버리지	테슬라: 60억 마일이 감독형 데이터 품질을 희생하면서 방대한 롱테일 커버리지를 생성	웨이모: 3000만 무인 주행 거리가 훨씬 더 높은 마일당 품질로 깊은 롱테일 커버리지를 생성	웨이모의 롱테일 커버리지는 검증됨 (차량이 처리했음); 테슬라의 것은 관찰되었지만 인간 안전망이 있음

제 3절 — 개입 데이터: 테슬라의 가장 가치 있는 신호

개입 차원	세부사항	비고
개입이란	인간 FSD 사용자가 차량 제어를 인수——자발적으로 (FSD의 행동이 마음에 들지 않아) 또는 FSD가 인계를 시작했기 때문에	각 개입은 자동 레이블링된 훈련 예시: “이 순간, 이 맥락에서, 인간은 FSD가 상황을 올바르게 처리하지 못하고 있다고 판단했다”
개입률 추세 (추정치)	FSD v12/v13 중요 개입률: 추정 1,000마일당 0.03~~0.05회 (추정치); 즉 FSD 운행 20,000~~33,000마일당 추정 1회 개입 (추정치)	비율이 개선될 때마다 마일당 훈련 예시가 줄어들——하지만 60억 총 마일에서 절대 수치는 여전히 방대
테슬라가 개입 데이터를 어떻게 사용하는가	개입 프레임이 자동 레이블링되어 훈련 파이프라인에 피드백됨; 단일 개입 이벤트가 “FSD가 X를 하려 했지만 인간이 수정했다”는 수백 프레임의 훈련 신호를 생성	이것이 감독형 운전에 고유한 폐쇄 피드백 루프를 만듦: 인간 행동이 훈련 신호
웨이모의 등가물	웨이모에는 개입 데이터가 없음 (개입할 인간이 없음); 대신 원격 운영 연락률이 “시스템이 어렵다고 발견한 상황”의 대리 지표로 사용	원격 운영 연락은 테슬라 개입보다 드물고 더 높은 심각도 상황을 나타냄
개입 데이터가 FSD에 중요한 이유	테슬라는 인간처럼 운전하는 AI를 훈련하고 있음; 인간 수정이 AI에게 정확히 언제 어떻게 인간 판단에서 벗어났는지를 알려줌; 이 피드백 루프가 FSD를 500마일당 1회 개입 (v10 추정)에서 추정 20,000마일 이상당 1회 (v13 추정)로 발전시켰음	개선 궤적은 피드백 루프가 매우 잘 작동하고 있음을 시사; FSD의 급속한 개선 곡선은 부분적으로 개입 훈련 신호의 품질로 설명됨
감독형에서 무인 주행으로의 간격	감독형 마일에서 훈련하면 “인간이 개입하지 않을 것”을 최적화; 무인 주행으로의 전환은 “시스템이 절대 인간 개입을 필요로 하지 않음”을 요구——이것들은 미묘하지만 중요하게 다른 최적화 목표	감독형 데이터로 훈련된 테슬라의 FSD는 무인 주행으로 전환해야 함; 이것은 사소하지 않으며 테슬라 자율 전환의 핵심 과제

제 4절 — 차량 규모 vs. 차량 품질: 어떤 플라이휠이 이기나?

시나리오	테슬라 우위	웨이모 우위	이 시나리오에서 누가 이기나
정상 주행 성능 향상	방대한 데이터셋; 빠른 반복 사이클; 배울 수 있는 수십억 마일	고품질 자율 데이터; 각 마일이 강건성을 증명	둘 다 강함; 테슬라의 규모 우위가 규모에서 드물지만 실재하는 시나리오에 결정적
무인 주행 달성	감독형에서 무인 주행으로의 간격을 극복해야 함; 대규모 차량 함대지만 데이터는 감독형에 최적화	이미 무인 주행 중; 데이터가 무인 주행 성능 요구사항을 직접 반영	웨이모: 무인 주행 훈련 데이터가 무인 주행 배포에 더 직접적으로 관련
새 지역으로 확장	600만 대 차량이 이미 새 지역에: 눈, 얼음, 국제 도로	새 도시에 차량 함대를 물리적으로 배치해야 함; 없는 데이터로 사전 훈련 불가	테슬라: 새 환경 사전 훈련을 위한 방대한 지리적 커버리지 우위
기상 강건성	규모에서의 눈, 얼음, 안개, 비 데이터 (미국 플러스 국제 차량 함대)	선벨트 집중; 제한적인 혹독한 날씨 데이터	테슬라: 결정적인 기상 다양성 우위
인간 없이 엣지 케이스 회복	감독형 데이터: 엣지 케이스가 관찰되지만 인간이 최악의 결과를 방지	무인 주행 데이터: 엣지 케이스가 완전 자율적으로 처리됨	웨이모: 인간 개입 없는 회복 훈련이 독특한 무인 주행 특성
훈련 효율성	FSD v12: 엔드투엔드 모델; 수십억 마일이 하나의 신경망을 훈련	웨이모: 모듈식 시스템 플러스 엔드투엔드 컴포넌트; 더 작은 데이터셋이지만 마일당 더 높은 정보 밀도	대략 동등; 서로 다른 아키텍처가 각각의 데이터셋에서 서로 다른 가치를 추출
전체 플라이휠 평결	테슬라는 규모, 속도, 지리적 커버리지에서 이김	웨이모는 무인 주행 특정 능력의 데이터 품질에서 이김	장기 플라이휠의 승자는 감독형에서 무인 주행으로의 간격이 규모로 극복될 수 있는지 (테슬라의 베팅) 또는 무인 주행 특정 훈련 데이터가 대체 불가능한지 (웨이모의 구조적 위치)에 달려 있음

제 5절 — 데이터 플라이휠 상승 지수: 추적해야 할 핵심 지표

KPI	테슬라 2026년 Q2	웨이모 2026년 Q2	2026년 하반기 궤적
누적 주행 거리 (추정치)	추정 60억 마일 이상 감독형 (추정치)	추정 2500만~3500만 마일 무인 (추정치)	테슬라: 연간 추정 20~~30억 마일 증가; 웨이모: 연간 추정 2500~~4000만 마일 증가
주간 마일 생성 (추정치)	주당 추정 수천만 마일 (추정치)	주당 추정 45만~75만 무인 주행 마일 (추정치)	테슬라는 FSD 사용률과 함께 성장; 웨이모는 차량 규모와 함께 성장
개입률 (FSD 추정치)	추정 1,000마일당 0.03~0.05회 (추정치)	해당 없음 (감독형 주행 없음)	핵심 지표: 비율이 계속 하락 → FSD가 무인 주행 임계값에 접근
주간 무인 주행 마일 (추정치)	추정 0 무인 주행 마일 (오스틴은 감독형만)	주당 추정 45만~75만 무인 주행 마일 (추정치)	테슬라: FMVSS 대기 중인 오스틴에서의 첫 무인 주행 마일; 웨이모: Gen 6 차량 함대 상승과 함께 성장
모델 개선율	FSD v10 → v13: 개입률이 추정 3년간 추정 40배 개선 (추정치)	웨이모: 개입률 = 0 (해당 없음); 새 도시 출시 및 엣지 케이스 처리를 통한 운영 능력 개선 추적	둘 다 빠른 개선 보임; 서로 다른 지표
데이터 우위 지속성	테슬라의 규모 우위는 새 FSD 차량이 팔릴 때마다 성장; FSD 사용률이 유지되는 한 지속	웨이모의 무인 주행 품질 우위는 테슬라가 무인 주행 특정 훈련 데이터 없이 감독형에서 무인 주행으로의 간격을 극복할 수 없는 한 지속	둘의 핵심 질문: 테슬라의 규모가 품질 간격을 극복할 수 있나, 아니면 무인 주행은 무인 주행 데이터가 필요한가? FSD v13의 궤적은 규모가 이기고 있음을 시사——하지만 실험은 아직 끝나지 않았다

제 6절 — 이 시리즈에 대하여

이 기사는 Physical AI 벤치마크 시리즈의 제 173편이다. 이 기사는 데이터 플라이휠 차원을 추가한다: 테슬라의 감독형 마일과 웨이모의 무인 주행 마일 사이의 200:1 규모 비율, 각 마일 유형이 실제로 훈련하는 것, 그리고 감독형에서 무인 주행으로의 간격이 Physical AI 데이터 경쟁에서 가장 중요한 미해결 문제인 이유.

주의: 이 기사의 모든 주행 거리 수치, 개입률, 차량 규모, 전망은 공개 정보, 기업 공시, 산업 분석에 기반한 추정치이며 전체에 걸쳐 “(추정치)“로 표시되어 있다. 이것들은 투자 권고가 아니다. 투자 결정을 내리기 전에 자체 실사를 수행하고 인가를 받은 재무 어드바이저와 상담하라.