알리바바 Qwen-Drive 1.0, 주행·설명 하나의 AI로…단, 설명과 조작이 안 맞을 수도
알리바바가 자율주행용 멀티모달 모델 Qwen-Drive 1.0을 공개했다. Qwen3.5-4B를 기반으로 3D 공간 지각 모듈과 경로 계획 전문가(Planning Expert) 모듈을 추가해, 하나의 모델로 주행 시스템과 콕핏 어시스턴트를 모두 수행한다. 시뮬레이션에서 차선 이탈률을 24%에서 12%로 줄였으나, 모델의 설명이 실제 주행 결정과 항상 일치하지는 않는 한계가 있다.
Qwen-Drive 1.0은 왜 제동하는지 설명해주지만, 그 설명이 실제 조작과 일치하리라 기대하긴 어렵다.
핵심 포인트
- 알리바바의 Qwen-Drive 1.0은 하나의 AI 모델로 공간 지각, 교통 관련 질의응답, 경로 계획을 처리한다.
- 3D 매핑과 경로 계획을 위한 두 개의 모듈이 기존 언어 모델을 확장하여, 기존 지식을 잃지 않으면서 주행 시스템과 콕핏 어시스턴트로 모두 작동할 수 있게 한다.
- 재학습을 통해 시뮬레이션에서 차가 도로를 이탈하는 비율이 24%에서 12%로 감소했다.
- 그러나 모델의 설명이 실제 내리는 주행 결정과 항상 일치하지는 않는다.
Qwen-Drive 1.0은 세 가지 작업을 하나의 AI 모델로 처리한다: 주변 환경의 공간 지각, 교통 상황에 대한 질의응답, 그리고 경로 계획이다.
연구진은 텍스트-이미지 모델이 그림을 묘사할 수 있다고 해서 3차원 공간을 자동으로 이해하는 것은 아니라는 점을 확인했다. 기존 주행 모델들은 일반 텍스트-이미지 모델을 주행 데이터, 주로 교통 상황에 대한 질의응답 쌍으로 파인튜닝한다. 논문에 따르면 이 접근법에는 두 가지 약점이 있다. 교통 Q&A 위주로 학습된 모델은 여전히 거리, 위치, 개방 공간을 신뢰할 수 있게 감지하지 못한다. 또한 주행 데이터에 너무 특화되면 연구진이 '치명적 망각(catastrophic forgetting)'이라 부르는 현상으로 원래 학습의 폭넓은 일반 지식을 잃게 되는데, 바로 그런 지식이 드물고 예상치 못한 교통 상황에서 가장 중요하다.
별도 모듈로 모델이 실제로 공간을 이해하는지 검증
Qwen-Drive 1.0은 2월에 출시된 Qwen3.5-4B를 기반으로 두 개의 추가 구성요소를 더했다. 첫 번째는 3D 공간에서 물체를 감지하고, 어떤 영역이 점유되어 있는지 파악하며, 도로 구조를 추적하여 주변의 조감도(bird's-eye-view) 지도를 생성한다. 연구진에 따르면 이 모듈은 모델이 이미지에서 실제로 얼마나 많은 공간 정보를 추출하는지 드러내는 측정 도구로도 기능한다.
두 번째 구성요소인 '플래닝 전문가(Planning Expert)'는 모델 내부 데이터를 사용해 차량의 향후 움직임을 계획한다. 연구진이 추가된 구성요소만 학습시키고 비전-언어 모델은 그대로 둘 경우 공간 정확도가 낮게 유지되어, 이미지를 상세히 묘사할 수 있는 모델이라도 3차원 공간을 자동으로 파악하지는 못한다는 것이 확인됐다. 팀이 비전-언어 모델 자체를 공간 과제에 대해 학습시켰을 때에만 성능이 크게 향상되었으며, 이는 교통 장면에 대한 공간적 이해 능력이 의도적으로 구축되어야 함을 의미한다.
학습은 지각 모듈로 시작해 지각과 질의응답을 결합하고, 이어 경로 계획으로 진행된다. 마지막 단계에서는 강화학습으로 모델의 행동을 다듬는다. 비전-언어 구성요소를 위해 팀은 공개된 24개의 교통 장면 데이터셋을 결합했다. 이 데이터셋들은 구조가 서로 달랐고 오류를 포함하기도 했다. AI 모델이 질문과 답변을 표준화하고 원본 데이터와 정렬했다. 팀은 또한 어떤 물체가 제동을 유발하는지 등 차가 특정 주행 결정을 내려야 하는 이유를 설명하는 자체 예시를 구축했다.
콕핏과 주행 시스템을 위한 하나의 모델
최신 차량에서는 인포테인먼트 시스템과 주행 시스템이 두 개의 분리된 컨트롤러에서 작동하는 대신 하나의 컴퓨팅 유닛으로 통합되고 있다. 저자들은 일반적 능력을 순수한 주행 성능과 맞바꾼 모델은 여기서 도움이 되지 않는다고 주장한다. 콕핏이 대화나 개방형 질문 같은 작업을 위해 여전히 별도의 모델과 추가 컴퓨팅이 필요하기 때문이다.
논문에 따르면 Qwen-Drive 1.0은 교통 장면 관련 질문에서 변형하지 않은 기본 모델 Qwen3.5-4B보다 훨씬 높은 점수를 기록했다. 가장 큰 격차는 차가 왜 제동하거나 회전해야 하는지 등 인과관계를 설명해야 할 때 나타난다. 일반 지식도 유지된다.