2026-06-18 👁️ — views

테슬라 Dojo 슈퍼컴퓨터 — 커스텀 AI 실리콘과 FSD 뒤에 숨은 연산 확장 논제

테슬라의 커스텀 Dojo D1 실리콘은 FSD와 Optimus 훈련의 연산 핵심 — 더 빠른 훈련 처리량이 더 나은 자율주행을 복리로 만든다는 베팅이다.

Physical AI 벤치마크 시리즈 111편 — 테슬라 Dojo 슈퍼컴퓨터 심층 분석: 커스텀 AI 훈련 실리콘, FSD 뒤에 숨은 연산 확장 논제, 그리고 훈련 처리량이 자율주행 개선 속도를 어떻게 결정하는가

훈련 연산은 자율주행 경쟁의 숨겨진 핵심 변수다. 모두가 개입률, 로보택시 출시, 안전 보고서——경쟁의 가시적 출력——를 주시한다. 그러나 그 출력들을 뒷받침하는 엔진은 훈련 연산이다: 기업이 얼마나 많은 데이터를 처리할 수 있는지, 얼마나 빨리 실험을 실행할 수 있는지, 그리고 실제로 차를 운전하는 신경망 정책을 얼마나 빨리 반복할 수 있는지. 테슬라의 Dojo 슈퍼컴퓨터는 이 변수가 너무 결정적이어서 NVIDIA에서 GPU 시간을 임대하거나 Google의 TPU를 사용하는 대신 처음부터 커스텀 실리콘을 구축할 가치가 있다는 회사의 베팅이다.

이는 AV 분야의 다른 모든 기업과는 다른 전략적 입장이다. Waymo는 범용 AI 워크로드용으로 설계된 칩인 Google TPU와 NVIDIA GPU 클러스터를 사용한다. 테슬라는 FSD 훈련 워크로드가 충분히 특수하고 훈련 연산 스택을 소유하는 경쟁 우위가 충분히 크기 때문에, 비용, 엔지니어링 복잡성, 다년간의 타임라인에 관계없이 비디오 훈련에 특화되어 최적화된 커스텀 실리콘을 구축할 가치가 있다고 결정했다.

1절 — 훈련 연산이 FSD에 중요한 이유

훈련 연산과 FSD 성능 사이의 연결은 표면적으로는 직관적이지 않다. FSD는 각 테슬라 차량 내의 칩——HW4 차량용 컴퓨터——에서 실행되며 그 칩이 차를 조종하는 모든 실시간 추론을 수행한다. Dojo는 차 안에 없다. Dojo는 데이터 센터에 있다. 그러나 Dojo가 하는 일——결국 HW4에 배포되는 신경망 가중치 훈련——이 모든 FSD 버전의 품질 상한을 결정한다.

스케일링 법칙 논거가 Dojo 논제의 핵심이다. 이는 LLM 세계에서 경험적으로 확립되어 있다: GPT-4가 GPT-3보다 나은 것은 OpenAI가 근본적으로 다른 아키텍처를 찾았기 때문이 아니라 더 많은 연산으로 더 많은 데이터에서 더 큰 모델을 훈련했기 때문이다. 테슬라에게 문제는 같은 법칙이 자율주행에 적용되는지 여부——더 많은 비디오 데이터에 대한 더 많은 훈련 연산이 안정적으로 더 나은 주행 정책을 생성하는지——다.

2절 — Dojo D1 칩 아키텍처

Dojo D1 칩은 테슬라의 커스텀 실리콘 전략의 원자다. 테슬라는 2022년 AI Day에서 핵심 사양을 공개했다. 아키텍처를 이해하려면 테슬라가 무엇을 위해 최적화하고 있는지 이해해야 한다: 범용 AI 컴퓨팅이 아니라 특별히 비디오 훈련 워크로드다.

50MB 온칩 SRAM 수치는 특별한 주목이 필요하다. 표준 GPU 아키텍처는 DRAM을 기본 메모리 풀로 사용한다——범용 AI 워크로드에는 충분히 빠르지만 인접 프레임을 함께 처리해야 하는 대규모 비디오 클립 훈련 시 근본적인 대역폭 상한이 있다. D1의 훨씬 더 큰 온칩 SRAM은 더 많은 데이터를 연산 유닛에 가깝게 유지하여 비용이 많이 드는 오프칩 메모리 액세스 빈도를 줄인다.

ExaPOD는 배포 가능한 단위다: 타일당 D1 칩 25개, ExaPOD당 타일 120개, 총 D1 칩 3,000개, ExaPOD당 약 1.1 ExaFLOP BF16 연산. 참고로 ExaFLOP은 초당 10^18회 부동소수점 연산이다——2022년까지는 국가 슈퍼컴퓨팅 시설의 영역이었다.

3절 — Dojo vs NVIDIA GPU 클러스터 비교

Dojo를 지지하는 근거는 D1이 절대적 지표에서 H100보다 우수하다는 것이 아니다. NVIDIA의 H100은 성숙한 소프트웨어 생태계와 광범위한 적용 가능성을 가진 뛰어난 실리콘이다. Dojo를 지지하는 근거는 수직 통합된 훈련 스택——칩, 소프트웨어, 훈련 파이프라인, 모두 하나의 워크로드에 최적화——을 소유하는 것이 FLOP당 연산 사양이 비슷하더라도 H100 임대로는 복제할 수 없는 전략적 우위를 낳는다는 것이다.

소프트웨어 스택 문제는 이 비교에서 가장 과소평가된 요소다. CUDA는 30년의 선발 우위가 있다. 모든 주요 ML 프레임워크는 전문가 팀이 유지 관리하는 최적화된 CUDA 백엔드를 보유한다. 테슬라가 CUDA 호환성이 없는 커스텀 실리콘을 구축하기로 한 결정은 병렬 소프트웨어 스택 구축 및 유지, CUDA 생태계 외부에서 작업하려는 엔지니어 채용, PyTorch 커뮤니티에서 상속받는 대신 모든 훈련 최적화를 처음부터 구현하는 것을 의미한다. 이는 칩 사양에는 나타나지 않는 막대한 소프트웨어 비용이다.

4절 — HW4: 엣지에서의 추론

Dojo가 모델을 훈련한다. HW4가 모델을 실행한다. 두 연산 문제는 배포 파이프라인으로 분리된다: 훈련이 모델 가중치를 생성하고, 가중치가 압축되어 추론용으로 최적화되며, 결과 모델이 OTA 업데이트를 통해 차량에 전송된다. HW4가 차가 주행 중일 때 실시간으로 모델을 실행한다.

HW3에서 HW4로의 전환은 테슬라에만 국한되지 않는 AV 산업의 구조적 과제를 드러낸다: 차량 탑재 추론 하드웨어가 차량이 실행할 수 있는 FSD 버전을 결정한다. HW3 차량은 모델이 HW3이 실시간 프레임 레이트로 실행할 수 있는 크기를 초과하기 때문에 FSD v12+를 전체 기능으로 실행할 수 없다 (추정). 이는 전체 HW3 차량군——2023년경 이전에 판매된 모든 테슬라——이 Dojo 기반 훈련 개선이 얼마나 되든 상관없이 더 오래된, 덜 유능한 FSD 버전을 실행하고 있음을 의미한다.

5절 — 벤치마크 신호로서의 Dojo

Physical AI 벤치마크 시리즈에서 Dojo는 단순한 칩이 아니다——테슬라의 연산 확장 논제가 작동하고 있는지 드러내는 관찰 가능한 신호 세트다.

가장 실행 가능한 신호는 FSD 업데이트 케이던스다. Dojo가 테슬라가 주장하는 규모로 훈련 처리량을 생성하고 있다면 FSD 모델 업데이트 빈도는 측정 가능해야 한다. 주간 업데이트는 기능하는 훈련 파이프라인과 높은 처리량을 나타낸다. 분기별 업데이트는 훈련 파이프라인이 병목이거나 배포 사이클이 연산 외의 무언가에 의해 제한된다는 것을 시사한다.

6절 — 전략적 맥락: Dojo가 AV 경쟁 환경에 의미하는 것

Dojo 투자는 고립적으로 평가할 수 없다. 이는 테슬라가 경쟁자에 비해 AV 경쟁을 어떻게 생각하는지를 드러내는 전략적 선택이다——그리고 그 사고는 Physical AI 분야의 모든 기업에 함의를 지닌다.

근본적인 베팅은 자율주행이 데이터 수집 문제, 센서 문제, 또는 매핑 문제보다 훈련 연산 문제라는 것이다. Waymo는 뛰어난 지도, 뛰어난 센서 융합, Google의 연산 자원 접근성을 보유한다. 그러나 Waymo의 훈련 루프는 더 느리다. 왜냐하면 데이터 수집 규모(수백 대의 차량 대 수백만 대)가 근본적으로 더 작기 때문이다. 훈련 연산과 데이터 볼륨이 FSD 품질의 주요 결정 요소라면 Waymo의 센서 우위는 격차를 메우기에 불충분하다.

테슬라의 대안 가설——카메라만의 감지도 충분한 데이터로 충분한 연산으로 훈련하면 AV에 사용할 수 있다——은 이 믿음의 아키텍처적 표현이다. 카메라만의 연산 확장 훈련이 더 적은 데이터로 훈련된 라이다 보조 시스템을 능가하는 주행 정책을 생성한다면 Dojo 투자는 검증된다.

7절 — 2026년 및 그 이후에 주목할 사항

Dojo가 그 논제를 이행하는지 드러낼 관찰 가능한 신호가 지금 쌓이고 있다. Physical AI 벤치마크 시리즈는 이 신호들이 발전함에 따라 추적할 것이다.

Dojo 실험은 실제 차량으로 실제 교통에서 규모 있게 실행되고 있으며 관찰 가능한 출력을 생성한다. 이는 자율주행 역사에서 가장 많은 정보를 제공하는 실험 중 하나다.

참고: 「(추정)」으로 표시된 수치는 2026년 중반 공개 가능한 정보를 기반으로 한 방향성 추정치다. 테슬라는 Dojo 용량, ExaPOD 수 및 훈련 연산 세부 사항을 완전히 공개하지 않았다. 이 기사는 투자 조언을 구성하지 않는다.

출처

• Tesla AI Day 2022 — Dojo D1 칩 발표 — Tesla ↗
• Tesla HW4 오토파일럿 컴퓨터 — Tesla ↗
• Chinchilla 스케일링 법칙 — Hoffmann 등 2022 — arXiv ↗
• NVIDIA H100 사양 — NVIDIA ↗
• Tesla Q1 2026 실적 — 연산 인프라 공개 — Tesla IR ↗

태그