발표에서 확인된 핵심 사실
AI 모델을 구동할 때마다 치솟는 전기 요금과 서버실의 열기는 기업들이 매일 마주하는 현실이다. Unconventional AI는 이 추론 전력 소모를 최대 1,000배까지 줄이는 것을 목표로 한다.
전 Databricks(데이터브릭스, 데이터 및 AI 기업)의 AI 책임자였던 Naveen Rao가 이 회사를 이끈다. 그는 추론 프로세싱의 전력 효율성을 획기적으로 높여 인프라 운영 비용의 한계를 해결하겠다는 계획이다.
이를 위해 기존의 컴퓨팅 아키텍처를 수정하는 방식이 아닌, 설계를 처음부터 다시 구축하는 경로를 택했다. 하드웨어 구조를 완전히 새로 짜서 전력 소모를 1,000분의 1 수준으로 낮추겠다는 것이 Naveen Rao의 판단이다.
지난 목요일에는 첫 번째 모델인 이미지 생성 도구 Un-0(언제로)를 공개했다. Un-0는 회사가 개발한 기술이 기존의 전형적인 AI 시스템을 어떻게 복제하고 구현할 수 있는지 보여주는 첫 번째 사례다. 생성된 이미지의 결과물은 Stable Diffusion(스테이블 디퓨전, 이미지 생성 AI)이나 OpenAI의 GPT Image 1과 유사한 수준을 기록했다.
기존 칩과 완전히 다른 '발진기'
API 호출 비용은 가벼워 보이지만 GPU 서버를 직접 운영하는 기업에 전력비는 막대한 고정비로 작용한다. Unconventional AI는 전력 소모를 낮추기 위해 발진기 기반(oscillator-based) 컴퓨터 아키텍처를 도입했다. 발진기 기반 아키텍처는 주기적인 신호를 이용해 연산하는 방식으로 기존의 이진법 논리 회로와 다르다. 이 구조는 전통적인 컴퓨팅 환경을 지탱하는 칩 설계와 완전히 궤를 달리한다. 현재의 LLM을 구동하는 칩 구조를 벗어나 전력 사용량을 획기적으로 낮추는 것이 목적이다. 기존 칩이 가진 전력 효율의 물리적 한계를 아키텍처 수준에서 해결하려는 시도다.
연구팀은 이 아키텍처를 소프트웨어로 구현한 시뮬레이션 모델 Un-0를 개발했다. Un-0는 새로운 하드웨어 구조의 작동 가능성을 검증하기 위한 이미지 생성 모델이다. 이 모델은 최신 디퓨전 모델(diffusion model, 데이터의 노이즈를 제거하며 이미지를 생성하는 AI) 수준의 성능을 기록했다. 소프트웨어 시뮬레이션만으로 기존 최첨단 모델과 대등한 결과물을 냈다. 이는 물리적 칩 제작 전 단계에서 설계의 유효성을 입증한 사례다. 이미지 생성이라는 고부하 작업에서도 성능 저하가 없음을 확인했다. 모델의 기능적 완결성을 소프트웨어 단계에서 먼저 증명했다.
추론 비용의 획기적 절감 가능성을 확인한 결과다. 하드웨어 아키텍처의 변화가 AI 스케일링의 물리적 한계를 결정짓는 기준이 된다.
에너지 공급 능력이 향후 AI 확장(scaling)의 근본적인
데이터센터의 전력 소모가 한계치에 다다르면서, AI 모델의 성능을 높이는 것보다 전력 효율을 확보하는 것이 우선순위가 됐다. Naveen Rao는 AI 스케일링(모델 규모 확장)이 에너지 문제로 인해 심각한 병목 현상을 겪고 있다고 지적한다. 그는 이 전력 제약이 향후 몇 년간 AI 산업이 직면할 가장 근본적인 한계가 될 것이라고 단언한다. 결국 인공지능의 성장은 가용 에너지의 총량에 의해 결정되는 문제로 귀결된다.
Unconventional AI는 이 에너지 장벽을 돌파하기 위해 실제 칩 설계도 공개를 준비하고 있다. 현재는 시뮬레이션 단계에 머물러 있으나, 곧 하드웨어 설계안을 출시하여 기술적 검증을 시작할 예정이다. 이들은 단순히 칩을 설계하는 데 그치지 않고, 추론 스택(AI 모델이 연산을 수행하는 전체 소프트웨어 및 하드웨어 구성 요소)을 밑바닥부터 새로 구축할 계획이다. 최종적으로는 자체 개발한 칩을 운용하는 시스템을 통해 클라우드 컴퓨팅 용량을 직접 공급하는 사업자로 진입하겠다는 구상이다.
Unconventional AI의 Un-0 모델은 오실레이터 기반 구조를 통해 전력 소모를 1,000분의 1로 줄이는 가능성을 증명했다. 이는 단순한 비용 절감을 넘어 GPU 중심의 인프라 의존도를 낮추는 실질적인 대안이 된다. 추론 비용의 획기적 하락은 AI 서비스의 경제적 임계점을 낮춘다. 결국 AI 스케일링의 물리적 한계를 극복하는 기준은 모델의 파라미터 수가 아닌 하드웨어 아키텍처의 변화에 있다.
