Farewell to Starsky: 자율주행트럭의 위대한 도전과 실패

자율주행트럭 스타트업 중 주목받던 기업 Starsky Robotics가 2020년 폐업 절차에 들어갔습니다. 무인 자율주행 및 실제 도로에서의 테스트, 실제 화물운송 서비스 운영 등 자율주행트럭으로 물류 산업을 바꿀 것으로 기대했던 기업의 실패에 아쉬운 마음이 많이 들었습니다. 이와 관련하여 Starsky Robotics의 CEO Stefan Seltz-Axmacher 는 "The end of Starsky Robotics"라는 글을 medium에 올렸습니다. 자율주행 기술의 현재와 문제점을 내부자 시각에서 잘 정리한 기록이라 이를 요약 정리하여 글을 올립니다.


Starsky Robotics는 여러 면에서 최초의 기록들을 가지고 있습니다.


2015년 Stefan Seltz-Axmacher가 창업한 Starsky Robotics는 빠르게 성장하여 2017년 Y Combinator를 중심으로 5백만 달러 펀딩 유치 후, 2018년 1천6백5십만달러의 추가 펀딩을 받았습니다.



Starsky의 최초 기록을 살펴보면...

  • 2016년 법적으로 운전기사가 탑승하지 않은 상태에서 서비스를 제공하고 매출을 올리는 최초의 자율주행차량

  • 2018년 사람없이 완전한 무인 주행을 한 최초의 자율주행트럭 (비록 closed road에서의 제한된 상황이었지만)

  • 2019년 실제 고속도로에서 최초로 무인 주행을 한 자율주행트럭

그리고, 2020년, 2천만달러의 투자금을 모두 소진하고 스타트업을 청산하게 됩니다. 성공적인 기술기업이면서 대규모의 펀딩을 유치했던 Starsky Robotics의 실패에 대해 여러 생각을 하게 됩니다만, CEO이자 공동창업자 Stefan은 medium에 Starsky에서의 위대한 실패에 대해 글을 올렸습니다. 이 글은 자율주행차량 기술과 산업에 대해 어느 정도 이해할 수 있는 훌륭한 글이기에 간단한 요약을 올리고자 합니다. 본문은 아래 링크에서 보시기 바랍니다. 요약이기에 전문을 번역하는 것이 아니라 적당한 수준에서 의역 및 제 의견 등이 녹아있습니다.


The End of Starsky Robotics

by Stefan Seltz-Axmacher (CEO & Co-founder)

https://link.medium.com/4Y0Pz8ffZ4


What Happened?


Starsky Robotics는 이제 멈추게 됩니다. 가장 큰 문제는 타이밍이었습니다. 인공지능 AI가 약속한 멋진 미래에 압도당한 투자자들은 대규모 투자를 진행했지만 실제 AI는 약속한 미래를 만들지 못했고 이제 투자자들의 열기가 식었습니다.


AV Industry 자율주행차량 산업계


여러 문제점들이 있지만, 가장 큰 문제는 Supervised Machine Learning (주: 다양한 데이터를 주고 알고리즘이 이를 학습하게 하는 방식. 도로에서의 실제 주행 데이터를 대규모로 학습하여 이를 바탕으로 자율주행을 하게 됩니다.)이 그동안 인공지능에 대한 과대광고 수준까지 가지 못했다는 것입니다.


2015년에만 하더라도 사람들은 곧 자율주행차량이 도로를 주행하게 되고, 우리 다음 세대는 운전 면허를 딸 필요가 없어질 것이라고 얘기했습니다만, 그런 시대는 아직도 오지 않았습니다. AI가 반도체 산업의 무어의 법칙처럼 가파르게 기술발전을 이루리라 생각했지만 그러지 못했습니다.


이제 사람들은 10년 이내에 완전 자율주행의 시대가 오기는 힘들다고 말하고 있습니다. 무엇이 문제일까요? 거기에는 여러 요소가 있습니다. (여기서부터는 다소 어려운 내용이라 완전 의역 + 저의 주관적 설명을 추가했습니다.)


1. 기술적 문제점 : 학습 데이터와 실제 주행 사이의 괴리


현재 활용되고 있는 Supervised Machine Learning 방식, 그것이 딥러닝이든, 딥러닝의 할아버지든, 1000개의 레이어를 가진 복잡하고 멋진 딥러닝이든... 이 방식은 학습 데이터에 의존적이라는 문제를 가지고 있습니다. 세상의 모든 도로를 다 주행하고, 수백년 동안의 모든 주행 기록을 데이터로 가지고 있지 못한 상황에서 우리가 가진 데이터는 제한적입니다. 기술이 발전할수록 더 많은 데이터를 처리하고 이에 따라 예외 상황은 잘 발생하지 않습니다. 최소한 주어진 데이터에 대해서는.


하지만, 실제 주행에서는 과거의 데이터와 전혀 다른 패턴이 매일 매시간 나타납니다. 이때 인공지능은 과거에 학습된 경험과 다른 상황을 마주치면 완전히 이상한 답을 내놓을 수 있습니다. 더 많은 학습데이터는 더 좋은 모델을 만들고, 더 좋은 모델은 "주어진 학습데이터"에 대해 완벽한 결과를 도출합니다. 하지만, 실제 현실은 주어진 학습데이터와 다른 데이터가 언제나 나타나죠. Supervised 방식, 주어진 데이터를 학습하여 결과를 만들어내는 방식은 학습된 데이터와 미래에 마주치게 될 상황이 서로 유사할 때 비로소 의미가 있습니다.


참조) 고흐의 그림을 학습하고, 모짜르트의 음악을 학습하여 그림과 음악을 만들어내는 것은 상대적으로 쉬운 일이지만, 미래의 수요를 예측하고 도로를 운전하는 것은 언제나 새로운 패턴과 새로운 예외 상황을 해결해야 합니다. 학습되지 않은 상황에 대응하는 것은 매우 어려운 기술적 문제입니다. 또한, 데이터를 구하는 것도 매우 어렵습니다. 미래 수요를 예측한다고 할 때 학습가능한 데이터는 1년 동안 365개에 불과합니다. 더욱이 기업의 경영상황이 바뀌고 소비자의 취향이 바뀌면 과거의 데이터를 사용할 수 없게 됩니다.


2. 기술적 문제점 : 딥러닝 등 기술 자체의 문제


딥러닝 등 현재의 인공지능 기술 자체는 제프리 힌튼 교수의 초창기 혁신에서 그다지 진전을 이루지 못했습니다. 단지 응용분야를 바꿔가며 희망을 보여줄 뿐 실제 제대로 결과를 도출하는 기술은 제한적입니다. 그러다 보니 5~15명의 엔지니어로 구성된 Comma.ai가 100명 이상의 엔지니어로 구성된 Tesla의 자율주행 기술과 별 차이 없는 기술을 구현할 수 있습니다. 30명 수준의 엔지니어로 구성된 Starsky Robotics가 실제 도로에서 무인 자율주행에 성공한 3개의 기업 중 하나가 될 수 있었던 이유입니다.


참조) 모두의 딥러닝 이라는 책이 있듯이 일정 수준의 딥러닝이나 인공지능은 대학생들도 만들 수 있습니다. 하지만, 제대로 된 모델을 만드는 과정은 매우 어려운 작업이고, 그 부분은 아직 해결되지 못한 문제가 많습니다. 그러다 보니 100명 이상의 엔지니어가 있으나 5명이 있으나 그 결과가 그렇게 다르지 않은 상황이 되었다는 아이러니. 테슬라가 자율주행 기술 Autopilot을 내놓자 곧 이어 국내에서도 자동차 회사들과 대학들이 우리도 할 수 있다며 기술을 선보였죠. 그러나, 아직까지 시연을 넘어 의미있는 결과를 내놓는 기업을 찾기는 어렵네요..


3. 투자자의 문제점 : Safety 보다는 Feature에 열광하다.


Starsky는 도로에서의 안전을 해결하기 위하여 노력하였지만, 투자자들은 눈에 보이지 않는 안전에 대한 투자 보다는 경쟁사와 차별화된 기능 (Feature)에 열광하는 경향이 있습니다. 차선을 변경하고, 고속도로가 아닌 곳에서 주행하는 등 본질 보다 차별화된 기능에 초점을 맞춘 기업들에 투자가 더 많이 이루어졌습니다. "가끔 제대로 작동하는" 기능을 만드는데 드는 노력 대비 완벽한 상태로 개발하기 위해 필요한 노력이 10배에서 1000배쯤 든다는 것을 간과할 때가 있습니다.


참조) 어쨌든 대충 돌아가게 만드는 것, 전체 품질의 80%까지 올리는 것은 쉽지만 거기서부터 1% 씩 품질이 올라갈 때마다 필요한 노력은 1%가 아니라 10배에서 1000배가 더 필요하다는 뜻..


4. 스타트업의 문제점 : 10년을 버틸 기업은 없다.


자율주행 시대가 10년은 남았다는 얘기는 결국 10년동안 매출이 하나도 없이 오로지 투자만 이루어져야 한다는 의미입니다. 10년을 매출없이 투자자의 투자로만 버티는 기업이 생존할 가능성은 없습니다. 자율주행은 0 아니면 1의 세상. 중간이 없다 보니 10년 뒤를 기약하며 자그마한 매출이라도 올리면서 전진하는 것이 어렵습니다. 현재 자율주행 분야 최고의 기술도 사람의 주행 실력 대비 뒤처져 있는 상황입니다.


4. 화물운송 산업의 문제점 : 첨단 기술기업이 아니다.


화물운송 기업들은 첨단 기술기업이 아닙니다. 이들이 자율주행차량을 구매하고, 이를 관리하고 하기에는 아직 시장이 그만큼 경제성이나 여러 운영성 측면에서 형성되지 못했습니다. 따라서, Starsky가 직접 화물운송기업이 되어 시장에 참여해야 합니다. 이 경우 수익성은 소프트웨어 산업의 수익성 90%가 아니라 화물운송산업의 수익성으로 낮아지게 됩니다. 투자자들은 90% 수익성을 보장하는 10억달러 매출을 50% 수익성을 보장하는 50억달러 매출보다 더 높게 보는 경향이 있습니다. 비록 후자의 수익이 더 높다 하더라도 말이죠.


참조) 미국 화물운송 시장은 70조 ~80조원 정도 되기 때문에 수익성이 낮더라도 시장에서 어느정도 규모를 확보하면 수익이 높을 것으로 예상할 수 있습니다.

Stefan은 앞으로 10년은 더 필요할 것이고, 그 기간 동안 자율주행차량 기업들은 생존하는 것이 목표가 될 것이라고 얘기하고 있습니다. 자율주행차량에 대한 다양한 시각과 희망적인 뉴스들이 주류를 이루는 상황에서 Stefan은 다소 비관적이고 현실적인 문제를 지적하고 있습니다. Stefan 역시 자신의 예측이 틀리길 희망한다고 얘기하고 있습니다. Starsky Robotics가 성공하진 못했지만, 그 동안 Starsky의 다양한 시도들을 강의 및 세미나 시간에 소개하곤 했던 사람으로써 그들의 도전이 실패했다고 생각하지 않습니다. Stefan이 글의 시작부분에서 소개했던 어니스트 섀클턴의 위대한 실패처럼 성공하지 않더라도 도전과 그 도전의 실패를 잘 마무리하는 것도 중요한 일이라고 생각됩니다. 여러 생각이 드는 글입니다. 여러분 모두 일독을 권합니다.


요약 및 정리. 인천대학교 동북아물류대학원 송상화 교수

인천시 연수구 아카데미로119

문의처: 032-835-8181~8184

©2020 by INU Global Logistics Review. Proudly provided by Incheon National University.