2026년 3분기 실적 컨퍼런스 콜 (2026년 11월 18일)
안전성과 비용을 보여주는 확실한 지표로 부상한 보험료
포니AI(Pony AI)의 3분기 실적 발표에서 나온 가장 구체적인 신규 데이터는 회사의 안전 기록에 대한 제3자의 평가였다. 쟝 펑(James Peng) 회장 겸 최고경영자(CEO)는 최근 차량 보험을 갱신한 결과 7세대(Gen 7) 로보택시의 대당 연간 보험료가 인간 운전자의 평균 택시 보험료 대비 40% 수준으로 낮아졌다고 밝혔다. 이는 지난해 50%에서 더 하락한 수치다. 펑 CEO는 "이는 당사의 우수한 안전 기록을 보여주는 명확한 지표"라고 강조했다. 레오 왕(Leo Wang) 최고재무책임자(CFO)는 일반적으로 차량 가격이 오르면 수리비 상승으로 인해 보험료가 오르기 마련이지만, 뛰어난 안전 기록이 "이러한 상승 압력을 상쇄하고도 남았다"고 설명했다. 그는 이 같은 결과를 플릿(차량군) 운영 비용 측면의 구조적 절감이라고 평가했다. 왕 CFO는 질의응답을 통해 7세대 플릿의 대당 보험료가 올해 들어 19% 추가 하락했다고 덧붙였다.
핵심 기술 논거인 시뮬레이션 기반 포스트 트레이닝 '포니월드'
티엔청 로우(Tiancheng Lou) 최고기술책임자(CTO)는 이번 컨퍼런스 콜에서 회사의 기술적 방향성을 상세히 설명했다. 피지컬 AI(Physical AI)는 최첨단 언어 모델과 마찬가지로 사전 학습(Pretraining)과 사후 학습(Post-training)의 두 단계를 거친다는 설명이다. 멀티모달 데이터를 활용한 사전 학습은 기본적인 주행 기술을 구축해주지만 "인간의 주행 데이터에 국한되어 있어 롱테일(long-tail) 환각 문제를 해결하지 못한 채 남겨둔다"고 지적했다. 이 한계를 돌파하기 위해서는 사후 학습 단계에서의 강화학습이 필요하며, 로우 CTO의 표현에 따르면 "핵심 작업의 90%~50% 이상이 여기에서 이루어진다"는 것이다.
이것이 바로 로우 CTO가 '폐쇄 루프 가상 주행 스쿨(closed-loop virtual driving school)'이라고 명명한 포니월드(PonyWorld)의 역할이다. 그는 현재 포니월드가 매주 100억 km 분량의 훈련 데이터를 생성하고 있다고 밝혔다. 핵심 과제는 시뮬레이션과 현실 간의 간극(sim-to-real gap)을 좁히는 것이다. 이벤트의 시뮬레이션 분포가 현실을 그대로 반영해야 하는데, 너무 드물게 나타나는 엣지 케이스(edge case)는 학습되지 않고 과장된 엣지 케이스는 주행 정책을 지나치게 보수적으로 만들기 때문이다. 로우 CTO는 포니가 공공도로 플릿 운영에서 수집된 엣지 케이스를 통해 시뮬레이터의 충실도를 자동으로 끌어올리는 자체 진화형 파이프라인을 구축했다고 설명했다. 그는 최신 버전인 '포니월드 2.0'을 통해 월드 모델 훈련에 필요한 시간과 컴퓨팅 자원을 자릿수(order of magnitude) 단위로 단축했다고 덧붙였다.
로우 CTO는 이 시스템을 네 가지 상업적 성과와 연결 지었다. 첫째는 안전성으로, 그는 이를 '의도 열거(intention enumeration)'라고 부르며 주변 도로 이용자의 모든 가능한 의도와 주행 궤적을 생성해 배포 전에 주행 정책을 스트레스 테스트한다고 설명했다. 둘째는 재학습 없는 지역 확장이다. 교통 규칙과 주행 스타일이 일관된 곳에서는 추가 학습 없이 모델이 일반화되므로, 광저우의 1,000제곱킬로미터가 넘는 서비스 지역을 "수만 제곱킬로미터"로 넓히는 것은 "단순히 더 많은 차량을 배치하는 문제"일 뿐이라고 말했다. 셋째는 현지화된 상호작용 학습을 통한 글로벌 복제다. 로우 CTO는 이를 통해 자그레브에서 수개월 만에 무인(driverless) 운행으로 전환할 수 있었다고 공을 돌렸다. 넷째는 크로스 플랫폼 일반화로, 로보택시와 로보트럭(Robotruck)이 단일 코어 아키텍처를 공유하며 사후 학습을 통해 대형 및 소형 트럭에 적응한다는 것이다.
제한 없는 컴퓨팅 자원과 복제 불가능한 해자
씨티(Citi)의 칩 규제 관련 질문에 대해 로우 CTO는 포니가 "AI 컴퓨팅 자원의 병목 현상을 겪고 있지 않다"고 답했다. 차량의 경우, 7세대 로보택시는 작년 4월 출시 이후 자동차 등급(automotive-grade) 칩을 탑재해 구동되고 있으며, 이를 통해 부품원가(BOM)와 에너지 소비를 낮추고 충전당 주행 거리를 늘렸다고 설명했다. 훈련의 경우, 차량 내 모델은 거대 언어 모델보다 훨씬 작으며 대부분의 사후 학습 컴퓨팅 자원은 사전 학습에 비해 훨씬 적은 자원이 드는 월드 모델 내부의 시뮬레이션 구동에 쓰인다고 말했다. 그는 포니가 자동차 등급 칩에서 L4 자율주행 무인 운행을 달성한 최초의 기업이라고 강조하며, 차량 내 컴퓨팅에 크게 의존하는 여타 L4 플레이어들이 더 큰 모델과 더 많은 훈련 컴퓨팅 자원을 필요로 하는 것과 대조를 이뤘다. 로우 CTO는 포니가 모델 훈련용 중국산 칩을 하나 이상 평가하고 자사 훈련 파이프라인을 그에 맞춰 배치했다며 "필요하다면 해당 칩으로도 우리 모델을 훈련할 수 있다"고 덧붙였다.
블룸버그 인텔리전스(Bloomberg Intelligence)가 피지컬 AI와 결합된 GPT-6 급 모델이 자율주행을 범용화(commoditize)할 수 있는지에 대해 묻자, 로우 CTO는 피지컬 AI가 대규모 상용화 단계에 도달하지 않았으며 몇 분짜리 시연은 "대규모 운영 안전성을 아무것도 증명하지 못한다"고 답했다. 그는 언어가 "물리적 제어를 위한 느리고 손실이 많은 중간 표현(intermediate representation)"이며, 파운데이션 모델 사전 학습은 "시작선에 불과하다"고 주장했다. 포니의 모델들은 공개 API 뒤가 아닌 폐쇄 루프 시스템 내에서 구동되기 때문에 복제(distillable)할 수 없으며, 경쟁사가 사후 학습 인프라와 실도로 플릿 데이터 플라이휠을 처음부터 다시 구축해야 할 것이라고 말했다.
재무 실적: 매출 75% 증가, 완만한 적자 축소
전체 매출은 전년 동기 대비 75% 증가한 4,460만 달러를 기록했다. 로보택시와 로보트럭을 합친 매출은 전체의 80%를 차지해 전년 동기의 66%에서 비중이 확대됐다. 로보택시 서비스 매출은 1,780만 달러로 전년 동기 대비 165%, 전분기 대비 47% 증가했으며 전체 매출의 40%를 차지했다(전년 동기 26%). 요금을 부과하는 유료 서비스 매출은 전년 동기 대비 약 400% 성장했다. 로보트럭 매출은 시노트랜스(Sinotrans)와의 화물 운송 서비스에 힘입어 전년 동기 대비 76%, 전분기 대비 35% 증가한 1,800만 달러를 기록했다. 지능형 솔루션(Intelligent Solutions) 매출은 890만 달러로 전반적인 보합세를 보였다.
매출총이익은 69% 증가한 790만 달러를 기록했으며, 매출총이익률은 17.8%로 2분기의 17.5% 대비 소폭 개선되었다. 일반회계기준(GAAP) 영업비용은 3% 증가한 7,660만 달러, 비일반회계기준(Non-GAAP) 영업비용은 2% 감소한 6,620만 달러였다. 영업이익률은 마이너스 274%에서 마이너스 154%로 개선됐다. GAAP 영업손실은 6,970만 달러에서 6,870만 달러로 소폭 줄었으며, Non-GAAP 영업손실은 8% 감소한 5,830만 달러를 기록했다. GAAP 순손실은 트레이딩 증권의 공정가치 변동에 따른 7,700만 달러의 비현금성 손실을 포함하여 1억 3,630만 달러였다. Non-GAAP 순손실은 4,890만 달러로 14% 축소되었다....