Waymo의 침수 문제: 자율주행의 엣지 케이스 문제

자율주행의 약속은 항상 인간의 실수를 제거하는 것이었습니다. 하지만 최근 애틀랜타와 샌안토니오에서 발생한 사건들은 더 교묘하고 근본적인 문제인 '엣지 케이스(edge case)'를 부각시켰습니다. Waymo가 이 도시들에서 로보택시 서비스를 일시 중단한 것은 전통적인 의미의 파괴적인 시스템 실패 때문이 아니라, 인간에게는 직관적이지만 AI에게는 계산적으로 복잡한 시나리오, 즉 침수된 도로와 씨름했기 때문입니다.

애틀랜타 사건과 '최종 해결책'

2026년 5월, 애틀랜타의 한 Waymo 로보택시가 침수된 도로로 주행하다가 구조되기 전까지 약 한 시간 동안 갇혀 있는 모습이 목격되었습니다. 이 사건은 회사가 폭우와 침수에 대응하기 위해 마련한 소프트웨어 리콜이 발표된 지 불과 일주일 만에 발생했습니다.

미국 국립도로교통안전청(NHTSA)이 공개한 문서에 따르면, Waymo는 침수 지역을 피하는 방법에 대한 "최종 해결책"을 아직 개발하지 못했다고 인정했습니다. 대신, 회사는 침수 위험이 높은 고속 도로를 만날 가능성이 있는 위치에 일시적인 제한을 두었습니다. 이러한 예방 조치에도 불구하고 애틀랜타의 차량은 여전히 물에 진입했습니다. Waymo는 폭풍의 속도를 원인으로 꼽으며, National Weather Service (NWS)가 필요한 돌발 홍수 경보 및 권고를 발행하기 전에 침수가 발생했다고 주장했습니다. Waymo는 악천후에 대비해 차량을 준비시키기 위해 NWS의 신호를 의존합니다.

기술적 과제: 깊이와 위험의 인지

인간 운전자는 침수된 교차로를 보면 흔히 위험으로 인식합니다. 자율주행 차량(AV)에게 이 과제는 훨씬 더 미묘합니다. 커뮤니티 논의에서 언급된 바와 같이, 어려움은 인지 및 의사결정의 교차점에 있습니다:

• 센서의 한계: 도로 위의 물은 LiDAR와 카메라에 평평한 표면으로 보일 수 있어, 얕은 웅덩이와 차량을 무력화할 수 있는 깊은 침수 사이를 구분하기 어렵게 만듭니다.
• 깊이의 딜레마: 한 관찰자가 지적했듯이, "웅덩이의 깊이를 추측하는 것은 쉬운 일이 아닙니다." 시스템은 얕은 물을 통과할지(정상적인 운행을 위해 필요함) 아니면 아예 피할지(비효율성이나 완전한 차단을 초래할 위험이 있음)를 결정해야 합니다.
• 통합 회귀(Integration Regressions): 시스템의 다른 영역에서 "회귀(regressions)"(새로운 버그)를 발생시키지 않으면서 수심을 인지하는 능력을 더 큰 드라이버 모델에 통합하는 데에는 상당한 기술적 장벽이 있습니다.

'패치 및 실패'의 패턴

침수 문제는 단이 발생한 실패 사례가 아닙니다. 보고서는 Waymo가 특정 동작에 대한 수정 사항을 배포포하지만, 그 동작이 지속되는 반복적인 패턴을 강조합니다. 작년, Waymo는 정지해 있는 스쿨버스를 불법적으로 추월하는 로보택시 문제로 비판과 연방 정부의 조사를 받았습니다. 수정 사항을 배포했음에도 불구하고, 차량군은 계속해서 불법적인 기동을 수행하여 NHTSA와 NTSB의 적극적인 조사를 받게 되었습니다.

또한, 회사는 2026년 1월 샌타모니카에서 로보택시가 어린이를 치는 사고가 발생하여 조사를 받고 있습니다. Waymo는 충돌 전 차량이 시속 6마일로 감속했다고 밝혔지만, 이 사건은 규제 기관들이 면밀히 모니터링하고 있는 안전 우려 사항 목록에 추가되었습니다.

AI 자율성의 '베어 케이스(Bear Case)'

Waymo의 사건들은 현재 AI 능력의 한계점에 대한 더 넓은 논쟁을 촉발했습니다. 비판론자들은 이러한 실패가 "상식"적 추론의 근본적인 격차를를 나타낸다고 주장합니다.

"이것은 정말로 AI에 대한 나의 베어 케이스(bear case)입니다... 우리는 얼마나 오랫동안 무인 운전 자동차를 개발해 왔으며, 얼마나 많은 비용을 spent? 그리고 여전히 침수된 도로와 같은 상황이 그들을 완전히 무너뜨립니다."

이러한 정술은 "AGI(인공 일반 지능)가 곧 도래할 것"이라는 생각에 대한 커지는 스케프티시즘(skepticism)을을 나타냅니다. 논쟁의 핵심은 AI가 주행ing의 99%의 조건은 처리할 수 있지만, 마지막 1%—예측 불가능하고 맥락이 높은 엣지 케이스—는 현재의 LLM 기반 또는 신경망 기반 시스템이 단순히 소유하지 못한 추상적 추론(또는 "전두엽")이 필요할 수 있다는 것입니다.

결론: 운영 중단 vs. 완전한 실패

헤드라인은 로보택시의 "실패"에 집중하고 있지만, 일부는 극한의 악천후 시 서비스를 중단하는 것이 겨울철 폭풍 동안 항공편을 중단을 하는 공항과 유사하게 책임 있는 운영 결정이라고 주장합니다. 업계계의 진짜 질문은 자율주행 차량군이 모든 조건에서 인간보다 더 안전할 수 있는 지점에 도달할 수 있는지, 아니면 시스템을 완전히 중단해야 하는 환경적 파라미터가 항상 존재할 것인지입니다.n