Jiushi의 CEO 콩치와 CTO 주앙리는 도시 차원의 물리 AI 업그레이드를 지원하기 위해 업계 최초의 L4급 1만 GPU 클러스터(총 약 15,000개 카드) 구축을 완료했다고 발표했다.

9월 10일, 지우시(Jiushi)의 CEO 공치(Kong Qi)는 광저우에서 ‘도시급 물리 AI’로의 전략적 업그레이드를 발표했습니다. 일주일 후인 9월 17일, CTO 장리(Zhuang Li)는 이 전환을 뒷받침하는 기반 인프라를 공개했습니다. 지우시는 업계 최초의 L4 등급 1만 개 가속기 카드 클러스터를 구축했으며, 총 컴퓨팅 용량은 약 15,000개 카드에 달합니다. 이는 지우시가 업계 최초로 1만 개 카드 클러스터를 달성한 L4 자율주행 팀임을 의미합니다. 이러한 막대한 컴퓨팅 파워 뒤에는 지우시의 APEX 멀티모달 파운데이션 모델이 자리 잡고 있으며, 이 모델은 수백억 파라미터에서 수천억 파라미터로 확장되고 있습니다.

자율주행 분야에는 오랫동안 고착화된 편견이 존재해 왔습니다. 즉, 승용차 자율주행은 첨단 기술로 간주되는 반면, 도시 화물 로봇은 상대적으로 낮은 AI 진입 장벽을 가진다는 인식입니다. 그러나 현실은 이를 반증합니다. 2021년 8월 설립된 지우시의 창립팀은 바둑(Baidu)의 실리콘밸리 연구소에서 로보택시(Robotaxi) 및 로보트럭(Robotruck) R&D를 주도하고, 제1세대 아폴로(Apollo) 오픈소스 플랫폼에significant 기여한 중국 자율주행 분야의 선구자로 구성되었습니다. 설립 초기부터 회사는 새로운 로보밴(RoboVan) 도메인에 집중했습니다. 지난 5년간 지우시는 기술, 시나리오, 비즈니스 모델이라는 세 가지 핵심 영역을 심도 있게 육성해 왔습니다.

이 5년 동안 지우시는 세 가지 주요 마일스톤을 달성했습니다. 첫째, 세계 최초의 로보밴 발명을 통해 가시적인 기술을 실현했습니다. 둘째, 물류를 넘어 다양한 산업으로 L4 기술을 적용하며 자율주행을 다각화된 실제 응용 분야로 확장했습니다. 셋째, 차량 판매, 서비스, 용량 제공을 중심으로 성숙한 상업적 프레임워크를 구축했습니다. 2023년 첫 차량 판매 이후 지우시의 글로벌 차량 대수는 3만 대를 넘었으며, 전 세계 20개국 300개 이상의 도시에서 운영 중이고 누적 실제 주행 거리는 2억 7,000만 킬로미터를 초과했습니다.

그러나 규모가 입증된 후 더 근본적인 질문이 제기되었습니다. 자율주행차가 표지 없는 농촌 도로, 임시 건설 장애물, 불규칙한 장애물, 혼재된 인간-차량 교통, 악천후 시 갑작스러운 조명 변화 등 규칙을 무시하는 방대한 롱테일(long-tail) 시나리오에 직면했을 때, 리더들을 구분하는 요소는 무엇인가? 지우시는 이제 컴퓨팅 클러스터가 ‘1만 개 카드’ 임계치를 돌파했다는 사실을 공개함으로써 새로운 차원에서 이에 답하고 있으며, 이를 통해 업계 최초의 L4 기업으로서 해당 인프라를 구축한 입지를 굳혔습니다. 이는 자율주행 분야가 멀티모달 파운데이션 모델에 의해 주도되는 새로운 패러다임으로 전환됨을 의미합니다.

1만 개 카드 클러스터란 기초 모델을 훈련하기 위해 설계된 10,000개 이상의 가속기 카드로 구성된 고성능 컴퓨팅 시스템을 의미합니다. 단일 AI 가속기 카드는 고속 연산 단위로서 기능하지만, 1만 개 카드 클러스터는 복잡한 모델 훈련 작업을 병렬 프로세스로 분할하는 ‘AI 슈퍼 팩토리’와 같이 작동합니다. 중요한 점은 컴퓨팅 계층(compute tiering)이 자율주행 기업의 지능 한계를 근본적으로 결정한다는 것입니다. 실제 도시 화물 시나리오는 수동 규칙으로 모두 코딩할 수 없는 비표준 도로 조건과 롱테일 현상이 포화되어 있습니다. 지우시의 해결책은 파운데이션 모델을 사용하여 물리적 세계를 학습하는 것이며, 1만 개 카드 클러스터는 이를 훈련하기 위한 필수 하드웨어 전제조건입니다. 이는 지우시의 수천억 파라미터 모델 진화를 뒷받침하는 견고한 기반입니다.

지우시에 따르면, 그사의 APEX 멀티모달 파운데이션 모델은 수백억 파라미터에서 수천억 파라미터로 발전하고 있습니다. APEX는 방대한 실제 L4 주행 데이터와 인터넷 기반 언어 및 비디오 지식 코퍼스, 그리고 실제 운영 중인 인간의 의사결정 데이터를 통합합니다. 기본 훈련이 완료되면 APEX는 다운스트림 데이터, 모델, 평가 파이프라인을 지원하여 폐쇄형 반복 시스템을 구축합니다. 1만 개 카드 클러스터는 지우시에 ‘자기 진화(self-evolution)’ 능력을 부여합니다. 매일 300개 이상의 도시에서 3만 대의 차량이 수집하는 2억 7,000만 킬로미터의 실제 L4 운영 데이터가 이 컴퓨팅 인프라에 공급됩니다. 강력한 컴퓨팅은 모델 반복 속도를 가속화하며, 강화된 모델은 운영 비용을 절감하고 더 많은 고객을 유치하며, 증가된 배포를 통해 더욱 희소한 데이터를 생성합니다. 공치는 “복잡한 도시 개방도로는 고품질 데이터를 생성하며, 비즈니스 모델 자체는 지속적으로 데이터를 확보하고 기술 발전을 추진하기 위해 수익성이 있어야 한다”라고 말했습니다. 컴퓨팅은 비용이 아니라 플라이휠(flywheel)의 시작점입니다.

지우시의 전략적 업그레이드의 핵심은 ‘지우시 브레인(Jiushi Brain)’에 있으며, 이는 자율주행 차량이 상업 운영과 도시 거버넌스 생태계 모두에 봉사할 수 있도록 하는 기반 기둥입니다. 그 중심에는 수천억 파라미터로 확장되는 APEX 모델이 위치하며, 이는 지우시에 ‘물리적 세계의 변화를 이해하는’ 능력을 제공합니다. 이 능력은 네 가지 질적 변화를 주도합니다. 첫째, 예측 시뮬레이션을 통한 향상된 시나리오 추론 및 의사결정으로 장기 전략적 예상을 가능하게 하여 주행 안정성과 안전성을 크게 개선합니다. 둘째, 웹 비디오, 교통 텍스트, 인간 운전 경험을 통합하는 우수한 지식 융합을 통해 신호등, 경찰 제스처, 도로 표지판 및 지역 교통 규칙을 통일적으로 해석하며, 이는 지우시의 맵리스(mapless) L4 배포 및 미지의 도로에서의 풀 시나리오 적응력을 뒷받침하는 교차 도시 일반화(cross-city generalization) 능력을 강화합니다. 셋째, 오프라인 역학과 인간-차량 행동을 높은 정확도로 재현하는 고급 시뮬레이션 capabilities를 통해 수백만 시나리오에 걸쳐 신뢰할 수 있는 병렬 시뮬레이션을 보장합니다. 수많은 에지 케이스(edge-case) 위험을 클라우드에서 검증함으로써 실제 차량 테스트 리스크를 줄입니다. 넷째, 모델 증류(distillation) 및 엣지 배포의 가치 상승입니다. 원스톱 증류 프로세스는 인지(perception), 예측(prediction), 계획(planning)을 위한 통합 가중치를 갖춘 완전한 엔드투엔드 자율주행 브레인을 생성합니다. 단일 베이스 모델은 여러 로보밴 변형 모델에 적응하여 배치 경량화를 가능하게 하고, 다중 모델 반복 비용을 급격히 절감합니다.

APEX 멀티모달 파운데이션 모델을 기반으로 지우시는 차량-클라우드 시너지 메커니즘을 설계했습니다. 논리는 간단합니다. 시나리오가 복잡할수록 클라우드 모델의 개입이 깊어집니다. 현재 주류 엣지 엔드투엔드(end-to-end) 모델은 시속 30km 이상의 일반적인 도로 주행에서 효과적이지만, 능력의 한계에 부딪힙니다. 지우시의 차량-클라우드 연결 아키텍처는 도로 상태와 속도 범위에 따라 모델을 계층적으로 배포합니다. 시속 5~30km의 복잡한 도로에서는 시스템이 엣지 Vision-Language-Action(VLA) 모델을 사용하여 로컬 실시간 추론을 수행하는 동시에 클라우드 VLA 모델을 호출하여 이해도를 향상시킵니다. 시속 0~5km의 종단 시나리오에서는 엣지와 클라우드 VLA 모델 외에도 지우시는 극한 상황에서 구조 조치를 자율적으로 실행할 수 있는 Safety Officer Agent를 혁신적으로 도입하여, 우회, 경로 재설정 또는 측면 정차와 같은 고수준 결정을 내립니다. 엣지 베이스 컴퓨팅과 클라우드 향상 기능을 결합함으로써 지우시는 전통적인 L2의 한계를 초월하여 정상 도로, 복잡한 조건 및 긴급 구조 전반에 걸친 풀 시나리오 커버리지를 달성합니다.

지우시와 L2 시스템 간의 본질적인 차이는 속도가 아닌 에이전시(agency)입니다. 차량은 자신이 ‘대처할 수 없다’는 것을 인식하고, 능동적으로 감속하거나 정차하며, 클라우드 분석을 요청하고, 인간의 인수를 기다리는 수동적 태도가 아니라 지시를 실행합니다. 이러한 시너지는 폐쇄형 반복을 통해 지속적으로 진화합니다. 실제 데이터는 APEX 베이스로 피드백되고, 베이스의 개선은 클라우드 모델 업그레이드를 지원하며, 클라우드 모델은 최적화된 버전을 엣지로 증류합니다. 지식 증류와 물리 시뮬레이션을 통해 APEX는 엣지 VLA, 클라우드 VLA 및 Safety Officer Agent를 아우르는 모델 행렬을 구축합니다. 각 모델이 생성한 시나리오 데이터는 지속적으로 베이스를 정제하기 위해 피드백됩니다. 주목할 만한 점은 지우시의 VLA가 차량 제어 전에 인간 언어로 번역하도록 강제하지 않는다는 것입니다. 이는 인간이 행동하기 전의 ‘생각’과 더 유사하게 작동합니다. 앞차의 출현을 보고 직관적으로 제동하고 양보하기로 결정하는 것과 같습니다. 이 ‘생각’은 “제동해야 한다”라고 말로 표현하는 것보다 빠르고, 더 추상적이며, 더 압축되어 있습니다. 인간 언어 패턴과 일치시킴으로써 지우시는 모델이 결정하기 전에 인과관계를 추론할 수 있게 합니다.

엣지는 실시간 안전을 보장하고, 클라우드는 인지적 한계를 설정하며, Agent는 극한 시나리오를 보호합니다. 1만 개 카드 클러스터는 하드웨어 공장 역할을 하고, APEX는 소프트웨어 브레인 역할을 하며, 2억 7,000만 킬로미터의 실제 L4 주행 거리는 시나리오 기반을 형성합니다. 이들은 데이터, 컴퓨팅, 모델, 엔지니어링을 포괄하는 네 가지 자기 강화 장벽을 형성합니다. 지우시의 전략적 업그레이드는 입증된 상업적 규모에 기반을 두고 있습니다: 20개국 이상 300개 도시에서의 운영, 2억 7,000만 킬로미터 이상의 실제 L4 주행 거리, 3만 대를 초과하는 차량 대수, 그리고 3년 동안 100배 증가한 용량. 그러나 이러한 수치들의 진정한 가치는 규모 자체에 있는 것이 아니라, 2억 7,000만 킬로미터가 일반-purpose AI 기업들이 접근할 수 없는 무언가를 산출한다는 점에 있습니다. 그것은 희귀한 실제 물리적 데이터입니다. 매일 각 차량은 경찰 제스처, 건설 장애물, 임시 통제 및 개방 도시 도로의 혼재 교통을 경험하며, 이는 APEX를 위한 훈련 연료를 제공합니다. 이러한 시나리오는 실험실에서 모두 열거하거나 시뮬레이션을 통해 완전히 재현할 수 없습니다. 이들은 실제 도시 운영에서 비롯되어야 합니다. 이것이 지우시가 자율주행 차량 제조업체에서 도시급 물리 AI 제공업체로, ‘화물 운송’에서 ‘도시 거버넌스’로 진화하는 배경 논리이며, 여기서 자율주행 차량은 지방 관리 능력의 확장이 됩니다. 일반 AI 기업은 물리적 세계 데이터가 부족하고, 전통적인 자동차 기업은 대규모 실제 운영 데이터가 부족합니다. 지우시는 둘 다 보유하고 있습니다. 매일 3만 대의 차량이 기초 모델에 희귀한 물리적 세계 데이터를 공급할 때, 규모는 종점이 아니라 연료가 됩니다. 대규모 상업화가 달성되었을 때, 지우시는 본질적으로 독특하게 희귀한 데이터 자원을 갖춘 기초 모델 기업입니다.