보라빛 소를 만나기 위한 도약

※ 아래 글은 정보통신기술진흥센터(IITP)가 발간하는 주간기술동향 1834호(2018. 2. 21. 발행)에 기고한 원고입니다.

▶ IITP에서 PDF 포맷으로 퍼블리싱한 파일을 첨부합니다. 가독성이 좋으니 참고하시기 바랍니다.

27개 소형 로켓 사용한 스페이스X, 분산 병렬 처리로 안정성 제고.pdf

ž 2월 6일 발사에 성공한 스페이스X(SpaceX )의 초대형 로켓 ‘팰콘 헤비(Falcon Heavy)’는 강력한 엔진 대신 27기의 소형 엔진을 사용했다는 점에서 새로운 장을 열었음

Ø 팰콘 헤비는 3개의 부스터를 사용해 지구 중력권 탈출을 위한 추진력을 얻었는데, 1기의 부스터마다 9기의 소형 엔진을 탑재해 총 27기의 엔진을 조정하여 발사를 성공시켰음

Ø 지금까지 로켓 발사의 역사를 되짚어 보면, 팰콘 헤비 외에 10개 이상의 엔진을 탑재한 로켓이 발사에 성공한 적은 없었기 때문에 이번 발사는 전인미답의 기록임을 알 수 있음

Ø 1969~1972년 기간 동안 구 소련에서는 30기의 엔진을 사용한 ‘N-1’ 로켓 발사를 여러 번 시도했으나 모두 실패로 끝난 사실이 있음

Ø 최근까지 최고 기록은 9기의 엔진을 탑재해 발사에 성공한 것인데, 스페이스X의 ‘팰콘 9’과 로켓 랩(Rocket Lab)의 ‘일렉트론(Electron)’ 로켓이 각각 성공한 바 있음

Ø 따라서 팰콘 헤비가 27기의 엔진을 제어해 발사에 성공했다는 것은 향후 로켓 개발이 더 전진하여 과거 N-1이 시도했던 30기 이상의 엔진 이용도 가능해질 것임을 시사함

ž 팰콘 헤비가 일견 복잡해 보이는 로켓 발사 설계 정책을 채택한 이유에 대해 스페이스X의 CEO 일론 머스크는 분산 병렬처리 방식의 ‘안전성’ 때문이라 설명하고 있음

Ø N-1 로켓의 실패 사례에 비추어 엔진을 많이 탑재하는 데 대한 우려는 없었느냐는 질문에 대해 일론 머스크는, N-1의 실패는 주로 에이비오닉스(avionics, 항공전자기술)의 문제로 엔진에서 화재가 발생한 것이었다고 설명

Ø 따라서 N-1의 시도가 있은 지 50년의 세월이 지났기 때문에, 현재 시점에서 스페이스X는 N-1 보다는 잘할 수 있을 것이란 확신이 있었다고 답변

Ø 하나 혹은 소수의 강력한 엔진을 개발하는 대신 엔진의 개수를 늘리기로 결정한 것에 대해 일론 머스크는 컴퓨터 시스템을 예로 들어 보다 안정성이 있기 때문이라 설명

Ø 구글이나 아마존 데이터센터의 경우 일부 컴퓨터가 고장을 일으켜도 서비스의 내용이나 성능, 응답속도에는 거의 영향을 주지 않는데, 이는 수많은 소형 컴퓨터들로 시스템을 구현했기 때문임

Ø 이는 메인프레임 같이 하나의 대형 컴퓨터를 사용하는 기존 방식에서 ‘기계의 고장 = 시스템 정지’라는 공식이 성립되는 것에 비하면 안정성 면에서 매우 큰 장점을 제공함

ž 일론 머스크는 다수의 소형 컴퓨터를 사용하여 시스템을 만드는 방식은 보다 효율적이고 신속하기 때문에 스마트한 것이며, 이는 로켓 엔진의 경우도 마찬가지라는 입장

Ø 이중화 없이 강력한 엔진 1대를 시간을 들여 만드는 것보다 작은 엔진을 많이 사용하여 이중화가 가능한 안정적인 엔진을 완성하는 편이 비용 효율성이 더 높다는 것인데, 실제로 팰콘 헤비는 6기의 엔진에서 고장이 나도 발사가 가능하도록 설계되어 있다고 함

Ø 팰콘 헤비의 성공으로 스페이스X가 준비하고 있는 초대형 로켓 ‘빅 팰콘 로켓(Big Falcon Rocket, BFR)’의 성공 가능성도 높아졌는데, BFR 발사용으로 개발되는 부스터는 팰콘 헤비 보다 4개가 더 많은 총 31기의 엔진이 탑재될 예정임

Ø BFR의 엔진 1기당 해면추력(海面推力)은 팰콘 헤비보다 2배가 높을 것이라고 하는데, 만일 BFR의 발사가 성공한다면 매우 강력하면서도 안정적인 로켓이 등장하게 됨을 의미

※ 아래 글은 정보통신기술진흥센터(IITP)가 발간하는 주간기술동향 1834호(2018. 2. 21. 발행)에 기고한 원고입니다.

▶ IITP에서 PDF 포맷으로 퍼블리싱한 파일을 첨부합니다. 가독성이 좋으니 참고하시기 바랍니다.

기계학습 기반 패션 스타일 추천 서비스 ‘치키시모(Chicisimo)’.pdf

ž 전자상거래를 통한 미국의 의류 판매 매출이 2022년 1,230억 달러에 이를 것으로 예측되는 가운데, 급성장 중인 패션 추천 앱 ‘치키시모(Chicisimo)’에 큰 관심이 쏠리고 있음

Ø 구글이 이미지 검색에 ‘스타일 아이디어(Style Ideas)’라는 기능을 추가하는 등 최근 들어 아마존닷컴과 구글은 패션 및 옷 입기 추천 서비스 등에 적극 진출하고 있음

Ø 이는 '옷 입기'가 사람들이 매일 일상적으로 하는 일이기 때문에 관련 서비스로 고정 고객을 확보할 수 있고, 사용자로부터 많은 데이터를 얻을 수 있기 때문으로 알려져 있음

Ø 이런 흐름을 앞서 시작한 서비스로 ‘치키시모(Chicisimo)’가 있는데, 사용자가 자신의 패션 코디 사진을 게시하고 다른 사람들의 평가를 받거나, 무엇을 입어야 할 지에 대한 아이디어를 다른 사람 혹은 인공지능(AI)으로부터 받을 수 있도록 한 앱임

ž 치키시모는 2010년에 미국에서 설립되어 처음에는 블로그로 시작된 서비스지만 이후 앱으로 출시되었으며, 2018년 초 현재 약 400만 명의 이용자를 보유하고 있음

Ø 사람이 다른 사람에게 패션 제안을 할 때는 ‘스타일’과 ‘멋’이라는 미묘한 요소가 관여하는데, 사람은 이런 요소들을 이해하고 이미 알고 있는 옷 입기 방식에서 새로운 제안을 할 수 있지만, AI의 경우 우선 ‘스타일’과 ‘멋’을 이해시키는 것으로부터 시작해야 함

Ø 치키시모의 개발팀은 이전에 음악 분야 등에서 ‘멋’을 주제로 한 프로젝트에 기계학습을 도입한 경험이 있으며, 이 경험을 통해 컴퓨터가 ‘멋’을 이해하면 보다 관련성 있는 의미 있는 콘텐츠를 제공 할 수 있어 ‘온라인 패션’이 크게 바뀔 것이라 생각했다고 함

Ø 치키시모의 CEO인 가브리엘 알다미즈는 최근 개발팀의 작업이 어떻게 진행되었는지를 공개했는데, 개발팀이 가장 주력한 것은 기계학습을 위해 올바른 ‘데이터 세트’를 만드는 것이었으며 이를 토대로 '모바일 앱'과 '데이터 플랫폼'이라는 핵심 자산을 개발하였음

Ø 치키시모는 현재 머천다이징 업무 인원 4명, 엔지니어 4명 등 총 8명으로 구성된 작은 기업이지만, 자체 개발한 AI 기술을 토대로 구글, 아마존 등과 경쟁하며 현재 전세계 400만 명의 이용자를 확보하는 성과를 거두고 있음

ž 치키시모는 3단계 개발 과정을 거쳤는데, 1단계는 사람들이 자신의 욕구를 표현하는 앱을 개발하되 최대한 빨리 기능을 배우도록 작은 반복행위에 초점을 맞추는 것이었음

Ø 과거의 앱 개발 경험을 통해 개발팀은 사람들에게 앱을 사용해 보게 하는 것은 쉽지만 ‘계속 사용하도록 붙잡아 두는 것(retention)’은 매우 어렵다는 것을 배웠으며, 문제 해결을 위해 단순한 기능의 반복에 초점을 맞춰 이용자가 가능한 빨리 배울 수 있게 하였음

Ø 치키시모는 단 하나의 핵심 기능 만을 가진 매우 초기의 알파 버전을 치키시모가 아닌 다른 이름으로, 미국이 아닌 다른 나라에서 런칭하였음

Ø 이 초기 버전은 심지어 사용자가 사진을 업로드 하는 기능도 없었지만 이를 통해 개발팀은 실제 데이터 처리를 반복할 수 있었고 다량의 고품질 데이터를 확보할 수 있었다고 함

Ø 이후 적정 시점에 제대로 된 ‘치키시모’ 앱을 런칭하며 이전 알파 버전은 앱스토어에서 삭제하였는데, 이용자들이 가장 중요한 기능의 이용 방법을 습득한 상태이기 때문에 곧바로 치키시모를 사용하는 데 큰 무리가 없었음

ž 치키시모는 사람들이 ‘잔류(retention)’를 결정하는 진짜 이유가 무엇인지, 콘텐츠와 사람을 매치하는 데 필요한 알고리즘이 무엇인지 이해하는 데 오랜 시간을 투자했다고 함

Ø 가브리엘 알다미즈 CEO에 따르면 치키시모는 고객의 리텐션을 높이는 데 두 가지 기법의 도움을 받았는데, 우선 ‘행동학적 코호트(behavioral cohorts)’를 이용해 리텐션을 높이는 요소를 발견하였음

Ø ‘코호트’는 통계적으로 동일한 특성이나 행동 양식을 공유하는 집단을 의미하는데, 개발팀은 사용자가 ‘어떤 행동을 했는가’ 뿐만 아니라 ‘어떤 가치를 느꼈는가’에 대해서도 믹스패널(Mixpanel)을 이용하여 코호트 분석을 실행하였음

Ø 이는 치키시모와 같은 서비스에서 개념화하기 매우 어려운 일이었지만, 측정 가능한 가치를 찾아내기 위해 분석-테스트-개선의 과정을 반복했다고 하며, 리텐션에 악영향을 미치는 요소들도 식별하여 제거해 나갔다고 함

Ø 리텐션을 결정하는 요소로 식별한 다음 도움을 받은 두 번째 기법은, ‘온보딩 프로세스(on-boarding process)’를 새롭게 사고하는 것이었음

Ø 통상 온보딩 프로세스는 새롭게 조직에 합류한 사람들이 잘 적응할 수 있도록 지원하는 여러 프로그램을 말하는데, 치키시모는 ‘신규 회원이 가능한 빨리 앱의 가치를 발견하도록 하여 고객을 잃어버리지 않게 해주는’ 프로세스로 재정의하였음

Ø 만일 신규 회원이 그들의 첫 접속에서 처음 7분 동안 어떤 액션을 취하지 않는다면 그들은 돌아오지 않는다는 가정 하에, 7분 안에 무언가 발생하도록 앱의 경험에 계속 변화를 주었다고 함

Ø 또한 서로 다른 유형의 사람들을 대상으로 수 많은 사용자 테스트를 실행하고, 그들이 리텐션 요소를 어떻게 인지하는지 혹은 인지하지 못하는지를 관찰했다고 함

ž 치키시모 개발의 2단계는 사람들의 패션 욕구를 학습하는 데이터 플랫폼을 구축하는 것으로, 사람들의 취향을 이해하여 더 나은 코디 제안을 하는 것이 목표임

Ø 적절한 콘텐츠를 적절한 때에 전달할 수 있다면 간단한 기능이라도 사람들의 감탄을 이끌어 낼 수 있지만, 사실 이런 기능을 구현하기란 매우 어려운 일임

Ø 치키시모의 콘텐츠는 100% 모두 사용자들이 생성한 것(UCC)이어서 몇 가지 문제점을 낳게 되는데, 시스템은 다양한 유형의 콘텐츠를 자동으로 분류할 수 있어야 하며, 적절한 인센티브를 구성해야 하고, 콘텐츠와 욕구의 매칭 방법을 이해해야 함

Ø 실제 치키시모는 처음에 수 많은 데이터가 수집되자 크게 고무되었다가 이내 그 데이터들이 행위를 유발하는 데 혼란스런 데이터는 악몽임을 알게 되었다고 함

Ø 이후 데이터를 일부 구조화 할 것을 결정했으며, 자신들이 ‘소셜 패션 그래프(Social Fashion Graph)’라 부르는 도구의 개발을 완료함으로써 양질의 데이터 세트를 만들어 낼 수 있게 되었음

Ø 이 도구로 생성된 그래프는 ‘욕구·옷 입기·사람’이라는 세 요소가 어떻게 상호 관련성을 갖는지 간결하게 시각화해 주는 것으로, 치키시모의 데이터 플랫폼을 구축하는데 도움을 주었으며 양질의 데이터 세트를 만들어 앱을 학습시키는 데도 도움을 주었다고 함

ž 개발팀에 따르면, 옷의 코디는 ‘음악의 재생 목록’과 같은 것으로, 여러 옷가지가 함께 소비되었을 때 의미를 갖게 되는 ‘패션 상품들의 조합’이라 할 수 있음

Ø 소셜 패션 그래프를 적용해도 여전히 데이터에 노이즈가 존재하는데, 사람들은 동일한 욕구를 여러 방식으로 표현하기도 하고 반대로 서로 다른 옷 입기 방식이지만 근본 욕구는 같은 경우도 있는데, 이 때문에 콘텐츠와 욕구의 연결을 더욱 어려운 일이 됨

Ø 치키시모는 코디 컨셉을 수집하고, 여러 다양한 방식 중에 가치가 동일한 것들을 찾아내어 동일한 욕구를 다양하게 표현해 줄 수 있는 시스템을 구축함으로써, 다양성을 구현하는 가운데서 구조화를 달성하였음

Ø 이런 과정을 거쳐 치키시모는 전세계인의 공통 고민인 ‘오늘 뭐 입지’라는 욕구에 발생하는 상황을 목록화하였으며, 이를 토대로 데이터 세트를 튜닝 하였고 더 나은 서비스 개선이 이루어지도록 하였음

Ø 개발팀에 따르면 사람들이 자유롭게 표현하도록 허용하더라도 그것을 처리할 적절한 시스템이 뒤를 

받쳐준다면, 데이터의 구조화로 제어력을 잃지 않으면서 비구조화된 데이터를 장려하여 지식과 유연성을 확보할 수 있음

Ø 개발팀이 최근 하고 있는 작업은 소셜 패션 그래프에 네 번째 요소인 ‘쇼핑 가능한 상품(shoppable product)’을 추가하는 것으로, 입고 있는 옷과 어울리는 상품을 자동적으로 매칭하여 다음 번에 무엇을 구매할 지 도와주는 시스템을 만들고 있음

ž 치키시모 개발의 3단계는 알고리즘을 개발하는 것인데, 음악 서비스에서 추천 기능과 달리 패션 관련 서비스에서 추천 기능은 구현에 몇 가지 도전 과제가 있음

Ø 음악 서비스의 경우, 이용자가 주어진 어떤 노래를 좋아하는지 알기는 쉬운 일이고, 그 노래 다음에 어떤 노래를 듣는지를 파악하는 것도 쉬운 일이며, 따라서 그 노래들 사이의 상호관계를 파악할 수 있고, 이 정보를 통해 많은 일을 할 수 있음

Ø 그러나 패션에서는 고유한 문제가 발생하는데 우선 가지고 있는 옷과 쇼핑할 상품들을 매칭하는 쉬운 방법이 없는 것이 문제로, 그 이유는 사람들은 옷장 속에 가지고 있는 대부분의 옷들과 같거나 비슷한 옷을 사려는 게 아니라 어울리는 옷을 사려고 하기 때문

Ø 또 다른 어려움은 패션 산업은 사람들이 옷을 묘사하는 방법을 표준화하지 않았기 때문에 전자상거래와 그 이용자들 사이에 큰 단절이 존재한다는 것이며, 스타일이라는 것이 기계가 이해하고 분류하기에는 복잡미묘하다는 사실임

Ø 이런 상황은 딥러닝의 등장에 의해 급변하고 있는데, 올바른 데이터 세트를 가지고 있으면 옷 입기 추천과 관련된 특정한 유스 케이스에 초점을 맞출 수 있고, 데이터를 수집하고 정제하는데 시간을 쏟는 대신 알고리즘을 통해 가치 전달에 초점을 맞출 수 있기 때문

Ø 옷 입기는 날마다 해야 하는 일이기에, 의류 분야가 e-커머스 사이트들이 소비자들의 관심을 끌어 쇼핑을 유도하고, 그들의 데이터를 확보하는데 중요한 자산이 된다는 것은 실적으로 입증되고 있음

Ø 구글이 ‘스타일 아이디어’를 발표하자 같은 달에 아마존은 카메라가 달린 인공지능 스피커를 이용한 ‘알렉사 에코 룩(Alexa Echo Look)’을 발표해 옷 코디 추천을 시작했으며, 알리바바 역시 AI 개인 스타일리스트를 통해 기록적인 광군제 매출을 기록한 바 있음

Ø 치키시모는 현재의 패션 앱이 2003년 무렵의 음악 서비스와 비슷한 상태에 있다고 보는데, 약 10여 년이 지나며 음악 서비스가 개별 이용자의 취향에 맞는 음악을 추천하게 된 것처럼, 10년 후에는 옷 입기 추천 앱이 어디까지 발전해 있을 지 아무도 모른다는 것

Ø 10년 후에도 ‘오늘 뭐 입지’라는 고민과 ‘어떤 옷을 새로 사야 하나’라는 고민은 사라지지 않을 것이나, 고민의 정도는 아마도 지금보다는 훨씬 덜할 것으로 보임

※ 아래 글은 정보통신기술진흥센터(IITP)가 발간하는 주간기술동향 1834호(2018. 2. 21. 발행)에 기고한 원고입니다.

▶ IITP에서 PDF 포맷으로 퍼블리싱한 파일을 첨부합니다. 가독성이 좋으니 참고하시기 바랍니다.

제2의 안드로이드를 꿈꾸는 바이두의 자율주행 플랫폼 ‘아폴로’.pdf

[ 요 약 ]

[ 본 문 ]

ž 바이두(Baidu)는 올해 CES에서 오픈소스 자율운전 플랫폼 ‘아폴로(Apollo)’의 2.0 버전을 공개하고, 아폴로를 탑재한 자율운전차의 시험 주행 모습을 선보였음

Ø 2017년 7월 바이두는 아폴로 플랫폼 버전 1.0의 소프트웨어와 데이터를 공개하며 자율운전 기술 개발업체 및 차량 제조업체 누구나 다운로드 받아 활용할 수 있는 오픈소스 플랫폼으로 운영하겠다는 계획을 발표한 바 있음

Ø 자율운전차 개발자들에게 바이두가 아폴로 플랫폼 관련 데이터, API, 오픈소스 코드 등을 제공하고, 하드웨어를 직접 개발해 출시할 수 있도록 레퍼런스 하드웨어도 제공하겠다는 포부를 밝힌 것

Ø 발표 당시 아폴로 자율주행차 프로그램에 참여하는 파트너 기업이 이미 50개에 달했는데, 이후 짧은 시간 안에 아폴로는 ‘자율운전차의 안드로이드’로 자리매김하는 데 성공하였음

Ø 바이두는 올해 CES에서 라스베이거스와 베이징을 연결해 아폴로를 탑재한 자율운전 자동차들의 시범 주행 모습을 중계하였는데, 주행 장소는 베이징의 바이두 본사였고 새벽 어둠 속에서 자율운전차들이 대열을 이루어 주행하였음

Ø 아폴로 2.0은 도로 정비가 잘 되어 있는 도시 환경에서의 자율운전을 목표로 하고 있으며, 바이두의 로드맵에 따르면 고속도로와 복잡한 도로 환경에서 주행이 가능한 3.0 버전은 2020년 말까지 개발 완료될 예정

ž 바이두는 사내 시범 주행 모습 외에도, 현재 자신들이 개발하고 있는 ‘인공지능 도시(AI City)’에서 아폴로를 탑재한 자율주행차가 주행하는 데모 영상도 공개하였음

Ø 바이두는 현재 허베이(河北)성의 시옹안(雄安)에서 지방정부와 공동으로 ‘AI 시티’를 개발하고 있는데, 도시 일부를 특별 신구(New Area)로 지정해 차세대 스마트 시티의 프로토타입을 구축하고 있음

Ø 구체적으로 살펴 보면 이 신구를 AI를 활용한 상업 지역으로 만든다는 목표 아래, 지능형 운송(Intelligent Transportation), 대화형 인공지능(Conversational AI), 클라우드 컴퓨팅을 도입하여 지능형 미래 도시를 건설하고 있음

Ø 바이두가 공개한, AI 시티 내에서 아폴로 탑재 자율운전차의 시범 주행 영상을 보면 다양한 모델의 차종들이 시내 도로를 주행하고 있으며, 특히 중앙 분리대가 없는 왕복 차선의 도로 등에서도 문제없이 다닐 수 있음을 확인해 주고 있음

Ø 또한 복잡한 교차로에서 신호와 보행자를 인식하여 안전한 주행 경로를 결정하고, 교차로에서 U턴을 할 수도 있으며, 마주 오던 차량이 중앙선을 넘어 차선에 들어올 경우에도 안전하게 정지하는 등의 모습이 담겨 있음

ž 아폴로 플랫폼은 소프트웨어와 하드웨어로 구성되며, 일반 차량도 이 플랫폼을 탑재하면 자율운전 차량으로 변신이 가능함

Ø 아폴로 플랫폼의 센서로는 라이더(Lidar, 레이저 센서), 카메라, 레이더가 사용되며, 이 세 종류의 센서를 표준 장비로 일반 차량에 탑재하면 취합된 정보를 AI가 ‘센서 융합(Sensor Fusion)’ 기술로 분석하여 자율운전을 실현함

Ø 실제 미국의 자율시스템 개발 스타트업인 ‘오토노머스터프(AutonomouStuff)’는 아폴로 1.0을 탑재한 자동차를 사흘 만에 제작해 선보여 화제가 된 바 있음

Ø 아폴로 탑재 자율운전차는 테슬라 전기차처럼 태블릿 형태의 디스플레이를 대쉬보드로 사용하는데, 자율운전 기능을 시각화하여 운행 상태를 디스플레이에 표시해주기 때문에, AI 알고리즘이 무엇을 보고 어떻게 판단했는지 알 수 있음

Ø 예를 들어 아폴로 API(자율운전 라이브러리)의 ‘인지(Perception)’ 기능은 차량 주변의 개체를 파악하고 그 유형을 식별하며, ‘설계(Planning)’ 기능은 파악된 개체를 고려하여 안전한 주행 경로를 산정하는 역할을 맡고 있음

Ø 알고리즘의 연산 결과를 디스플레이에 표시해 주기 때문에 자동차의 움직임을 이해할 수 있으며, 자동차의 주행 데이터가 기록되는 기능도 있어 알고리즘 디버깅에 도움을 줌

ž 바이두는 아폴로 플랫폼을 독자 개발하지 않고 오픈소스 방식으로 기술을 공개한 후 파트너들이 제품을 개발하도록 하고 있는데, 현재 90개 기업이 여기에 참여하고 있음

Ø 중국의 자동차 업체인 FAW그룹, 체리자동차, 장성자동차 등 65개의 중국 기업들이 생태계의 중심을 이루고 있기는 하지만, 포드, 다임러, 현대자동차 등 외국 완성차 업체들도 아폴로 플랫폼에 높은 관심을 갖고 참여하고 있음

Ø 해외 공급업체는 하드웨어 부문에서 보쉬, 컨티넨탈, 델파이, 벨로다인 등이, 소프트웨어 부문에서는 마이크로소프트 클라우드, 톰톰 등이, 서비스 부문에서는 그랩 택시, 유카 등이, 반도체 부문에서는 엔비디아, 인텔, NXP, 르네사스 등이 참여하고 있음

Ø 이 중 마이크로소프트의 참여가 눈에 띄는데, MS는 아폴로 플랫폼에 클라우드 서비스인 ‘애저(Azure)’를 제공하고 자율운전 차량 시뮬레이터 ‘드림뷰(Dreamview)’의 운용을 지원함

Ø 또한 아폴로 기반 자율운전차의 상용 판매가 시작되고 시가지에서 운행을 시작하게 되면 MS는 자동차와 클라우드를 연결하는 커넥티드 카 기능을 제공할 계획이며, 현재 중국에서 전개 중인 아폴로 프로젝트가 미국과 유럽으로 확장되도록 지원할 계획임

ž 아폴로 플랫폼은 오픈소스 방식으로 개발되고 있으며, 개발된 소프트웨어는 깃허브(GitHub)에 공개되는데, 자율운전차 기술에 새로 나서는 후발주자들에게 유용할 전망

Ø 아폴로는 누구나 이용할 수 있으며 공개 소프트웨어 이용에 참여한 기업들은 가신들이 개발한 소프트웨어를 아폴로에 피드백 할 수 있으며, 바이두는 이런 과정을 반복함으로써 아폴로의 완성도가 향상되는 시나리오를 그리고 있음

Ø 바이두가 아폴로의 시운전 영상도 공개했지만, 전문가들은 아폴로의 기능이 아직은 제한적이어서 복잡한 시가지 주행이 가능한 것은 아니라고 보는데, 현재 아폴로가 제공하는 기능은 간선 도로에서 직진, 좌회전, 우회전, U턴 등 기본 조작 중심임

Ø 즉, 아폴로의 기능은 아직 미완성으로 지금 당장 웨이모(Waymo)처럼 무인 택시로 사용할 수 있을 정도는 아니기 때문에, 이미 어느 정도 자율운전차 기술 개발을 이룬 선도기업들이라면 굳이 아폴로 프로젝트에 참여할 인센티브는 없다고 할 수 있음

Ø 그러나 새롭게 뛰어드는 기업 입장에서 보면 아폴로 프로젝트에 참여함으로써 단기간에 자율운전차를 상용화할 수 있어 새로운 사업기회를 발견할 수 있음

Ø 포드 등 자체 기술 개발을 하고 있는 대형 업체도 아폴로에 참여하고 있는데, 이들은 자체 개발과 함께 거대 중국 시장을 배경으로 하는 아폴로 프로젝트 병행을 통해 구글이나 테슬라 등이 선도하는 시장 상황을 일거에 역전시킨다는 계획을 갖고 있을 지 모름

Ø 한편 바이두는 아폴로의 오픈소스 정책의 최대 장벽으로 각 국가들이 ‘보안’을 이유로 자율주행차 관련 법규를 자국 기업에 유리하게 통제할 가능성을 꼽고 있는데, 국가기관의 입장에서 보면 자율주행차는 그 자체로 ‘무기’가 될 수 있기 때문

ž 현재 아폴로 플랫폼의 상태는 구글이 스마트폰 운영체제 안드로이드를 인수했던 2005년경과 비슷하다는 평을 받고 있는데, 아폴로가 제2의 안드로이드가 될 지 귀추가 주목됨

Ø 아폴로 프로젝트의 참여 기업 대부분은 중국 자동차 메이커이긴 하지만 현재 아폴로를 탑재한 자율운전 자동차들이 속속 선보이고 있으며, 승용차뿐만 아니라 아폴로 탑재 버스, 도로청소용 차량, 운송 로봇 등도 등장하고 있음

Ø 현 상태는 구글이 안드로이드를 천만 달러에 인수한 2005년 경의 모습과 흡사한데, 당시만해도 애플 iOS에 비해 미성숙한 운영체제였지만 구글이 오픈소스 방식으로 개발하면서 안드로이드는 빠르게 완성도를 높여가기 시작했음

Ø 안드로이드가 볼륨 면에서 iOS를 제치고 스마트폰 운영체제를 석권한 것처럼, 아폴로로 비슷한 궤적을 그릴 수 있을지 관심이 모이는데, 중국이라는 또 하나의 세계 시장을 배후로 하고 있다는 점 하나 만으로도 가능성은 이미 충분함

Ø 한편, 아폴로 플랫폼의 성장 가능성은 향후 자율운전의 기초 기술은 스마트폰 운영체제처럼 공통적으로 사용할 수 있는 방향으로 진행한다는 것을 시사함

Ø 이는 누구나 손쉽게 자율운전차를 개발할 수 있는 시대가 된다는 것으로, 자동차 제조업체들은 차별화 요인을 어디에 두어야 할 지를 최우선 과제로 고민하게 될 것으로 보임

Ø 스마트폰을 외면했던 노키아가 삼성전자에 자리를 내준 것처럼, 자체 자율운전 기술이 없는 새로운 신생기업도 완성차 업체를 위협할 가능성이 열린 것이기 때문에, 기존 대기업들로서는 어떻게 ‘자율운전 시장의 애플’로 자리매김할 것인지가 핵심 목표가 될 것임