※ 이 글에는 제휴 마케팅 링크가 포함될 수 있으며, 구매 시 수수료를 받을 수 있습니다.
AI를 돌릴수록 전기요금이 무섭게 오릅니다. 이미지 하나, 답변 한 줄을 생성할 때마다 GPU가 전력을 빨아들이고, 그 비용은 고스란히 서비스 운영자와 사용자에게 전가됩니다. 그런데 “AI 추론 전력을 1,000배 줄이겠다"는 회사가 나타났습니다. 그것도 Databricks의 AI를 총괄했던 인물이 말이죠. 과연 이것은 AI 비용 최적화의 게임 체인저일까요, 아니면 아직 검증되지 않은 청사진일까요? 이 글에서 냉정하게 따져보겠습니다.
Unconventional AI, 무엇을 만들고 있나
Unconventional AI는 Naveen Rao(전 Databricks AI 총괄)가 이끄는 스타트업으로, AI 추론(inference) 과정의 전력 소모를 최대 1,000배까지 줄일 수 있다고 주장합니다 (출처: techcrunch.com).
핵심 아이디어는 이렇습니다. 오늘날 모든 AI 칩(GPU, TPU 등)은 트랜지스터 기반 디지털 논리로 0과 1을 계산합니다. Unconventional AI는 이 방식을 버리고, 결합 링 오실레이터(coupled ring oscillators)의 물리적 진동 특성으로 연산을 수행하는 오실레이터 기반 아날로그 컴퓨팅 구조를 제안합니다 (출처: hpcwire.com).
쉽게 말해, 숫자를 일일이 디지털로 계산하는 대신 회로가 자연스럽게 진동하며 만들어내는 물리 현상 자체를 계산 결과로 활용한다는 발상입니다. 물리 법칙에 계산을 “떠넘기면” 전력 소모가 극적으로 줄어든다는 것이 이 회사의 논리입니다.
핵심 기능 설명
이 회사가 내세우는 주요 기능과 계획을 정리하면 다음과 같습니다.
- 오실레이터 기반 아날로그 컴퓨팅: 트랜지스터 디지털 논리를 대체하고, 결합 링 오실레이터의 물리 특성으로 정보를 인코딩·연산합니다 (출처: hpcwire.com).
- 추론 전력 최대 1,000배 절감 목표: 학습(training)이 아니라 추론(inference) 단계의 전력 효율에 집중합니다 (출처: techcrunch.com).
- 엣지·원격 배포 가능성: 전력이 제한된 엣지 디바이스나 원격 환경에서도 AI를 배포할 수 있는 가능성을 제시합니다 (전력 효율이 실제로 입증될 경우의 파생 효과이며, 아직 하드웨어로 검증되지 않았습니다).
- 수직 통합 계획: 칩 설계부터 추론 스택, 나아가 컴퓨트 서비스까지 직접 구축할 계획입니다 (출처: techcrunch.com).
2026년 6월 25일, 회사는 첫 모델 ‘Un-0’(이미지 생성 모델)를 공개하며 Stable Diffusion, OpenAI GPT Image 1 등 최신 확산(diffusion) 모델 수준의 성능을 낸다고 주장했습니다 (출처: techcrunch.com).
그런데 여기서 반드시 짚어야 할 두 가지 결정적 한계가 있습니다. 첫째, Un-0은 실제 오실레이터 칩 위에서 돌아가는 것이 아니라 칩의 소프트웨어 시뮬레이션 위에서 구동됩니다 (출처: techcrunch.com). 둘째, 회사는 칩 설계도(schematics)를 “곧” 공개하고 추론 스택 전체를 구축하겠다고 밝혔을 뿐, 현재 실물 칩도 설계도도 공개되지 않은 상태입니다 (출처: techcrunch.com). 즉, 1,000배라는 숫자는 아직 시뮬레이션 기반 주장입니다.
단점 및 한계 — 냉정하게 봐야 할 3가지
AI 비용 최적화에 관심이 있다면 이 회사의 청사진에 흥분하기 전에 아래 한계를 반드시 이해해야 합니다.
1. 아날로그 컴퓨팅의 역사적 확장 실패 (제조 편차 문제) 아날로그 컴퓨터는 과거에도 전력 효율만큼은 뛰어났습니다. 문제는 제조 편차(manufacturing variability) 였습니다. 칩마다 미세하게 특성이 달라 대규모로 균일하게 양산하기 어려웠고, 결국 대규모 확장에 실패한 역사가 있습니다 (출처: hpcwire.com). Unconventional AI가 이 근본적인 벽을 어떻게 넘을지는 아직 입증되지 않았습니다.
2. 1,000배 효율은 아직 “시뮬레이션 주장"일 뿐 현재 1,000배 절감은 소프트웨어 시뮬레이션 결과에 기반한 주장이며, 실제 칩이 대규모 실환경 추론에서 이를 재현할 수 있을지는 하드웨어가 나와야만 검증할 수 있습니다 (출처: techcrunch.com). 시뮬레이션과 실물 실리콘 사이의 간극은 반도체 업계에서 흔히 “실험실과 양산의 계곡"이라 불리는 어려운 구간입니다.
3. 상용 제품·서비스·가격이 전무함 실물 칩이 아직 존재하지 않고 설계도조차 미공개 상태입니다. 따라서 지금 당장 구매하거나 도입할 수 있는 상용 제품, 서비스, 공식 가격이 하나도 없습니다 (출처: techcrunch.com). 오늘의 AI 비용을 줄이려는 실무자에게 이 회사는 아직 “선택지"가 아닌 “지켜볼 대상"입니다.
요금 / 한도
Unconventional AI의 하드웨어 및 컴퓨트 서비스는 아직 개발 단계로, 공식 가격이 존재하지 않습니다(N/A). 회사는 향후 컴퓨트 용량을 서비스 형태로 제공할 계획이라고만 밝혔습니다 (출처: techcrunch.com).
투자 및 회사 규모 관련 확인된 수치는 다음과 같습니다.
- 시드 라운드 조달액: 4.5억 달러(약 $475M) (출처: hpcwire.com)
- 밸류에이션: 45억 달러 (출처: hpcwire.com)
- 주도 투자사: Lightspeed, Andreessen Horowitz (Sequoia·Lux Capital·DCVC·Jeff Bezos 참여) (출처: hpcwire.com)
- 직원 수: 50명 미만 (출처: hpcwire.com)
- 공동 창업자: Naveen Rao(전 Databricks AI 총괄), MIT 부교수 Michael Carbin, 스탠퍼드 조교수 Sara Achour, 전 Google 엔지니어 MeeLan Lee (출처: hpcwire.com)
시드 라운드 규모로만 보면 시장의 기대가 상당하다는 것은 분명합니다. 다만 조달액과 밸류에이션이 곧 기술의 검증을 의미하는 것은 아니라는 점을 명확히 구분해야 합니다.
비교표: 기존 디지털 AI 칩 vs. 오실레이터 아날로그 접근
| 항목 | 기존 디지털 AI 칩 (GPU/TPU 등) | Unconventional AI (오실레이터 아날로그) |
|---|---|---|
| 연산 방식 | 트랜지스터 기반 디지털 논리 | 결합 링 오실레이터의 물리 진동 |
| 목표 전력 효율 | 현행 기준 | 추론 전력 최대 1,000배 절감 주장 |
| 성숙도 | 대량 양산·상용화 완료 | 소프트웨어 시뮬레이션 단계 |
| 실물 하드웨어 | 즉시 구매·사용 가능 | 미출시 (설계도도 미공개) |
| 공식 가격 | 공개됨 (제품별 상이) | 없음 (N/A) |
| 주요 리스크 | 높은 전력 소모·비용 | 제조 편차, 실환경 검증 미완 |
| 적용 범위 | 학습·추론 전반 | 추론(inference) 중심 |
출처: techcrunch.com, hpcwire.com
추천 대상
- AI 인프라·반도체 트렌드를 추적하는 실무자·투자자: 아날로그 컴퓨팅이라는 대안적 패러다임이 다시 주목받는 흐름을 이해하는 데 유용합니다. 단, 투자 판단은 본인의 책임이며 이 글은 어떤 수익도 보장하지 않습니다.
- AI 서비스 운영으로 전력·클라우드 비용에 부담을 느끼는 팀: 지금 당장 도입할 수 있는 솔루션은 아니지만, “추론 비용 구조 자체를 바꾸려는 시도"가 진행 중임을 알아둘 가치가 있습니다.
- 엣지 AI·저전력 디바이스 개발자: 전력 제약 환경에서의 AI 배포 가능성이라는 방향성은 참고할 만합니다.
반대로, 오늘 당장 AI 운영비를 줄여야 하는 분에게는 이 회사가 해답이 아닙니다. 현시점에서 실질적인 AI 비용 최적화는 여전히 기존 방법 — 모델 경량화, 양자화, 배치 추론, 클라우드 요금제 최적화, 캐싱 — 에서 찾아야 합니다.
자주 묻는 질문 (FAQ)
Q1. 지금 Unconventional AI의 칩이나 서비스를 사용할 수 있나요? 아니요. 실물 칩과 설계도 모두 미공개 상태이며, 공식 제품·서비스·가격이 없습니다 (출처: techcrunch.com). 현재 공개된 Un-0 모델도 실제 칩이 아닌 소프트웨어 시뮬레이션 위에서 구동됩니다.
Q2. “1,000배 절감"은 확정된 사실인가요? 아닙니다. 이는 소프트웨어 시뮬레이션에 기반한 회사 측 주장이며, 실제 대규모 추론 환경에서 재현될지는 하드웨어가 출시되어야 검증할 수 있습니다 (출처: techcrunch.com). 또한 아날로그 컴퓨팅은 제조 편차로 과거 대규모 확장에 실패한 이력이 있어 회의론도 존재합니다 (출처: hpcwire.com).
Q3. Naveen Rao는 어떤 인물인가요? Naveen Rao는 Databricks에서 AI를 총괄했던 인물로, 현재 Unconventional AI를 이끌고 있습니다 (출처: techcrunch.com). 공동 창업자로는 MIT 부교수 Michael Carbin, 스탠퍼드 조교수 Sara Achour, 전 Google 엔지니어 MeeLan Lee가 참여하고 있습니다 (출처: hpcwire.com).
마치며
Unconventional AI의 시도는 분명 흥미롭습니다. AI 스케일링의 병목이 결국 “전력"이라는 문제의식은 정확하고, 이를 반도체 아키텍처 차원에서 근본적으로 바꾸려는 접근은 담대합니다. 45억 달러 밸류에이션과 Jeff Bezos를 포함한 투자자 명단이 그 기대를 방증합니다 (출처: hpcwire.com).
그러나 지금은 “청사진의 단계"입니다. 실물 칩도, 설계도도, 가격도 없습니다. 아날로그 컴퓨팅이 넘지 못했던 제조 편차의 벽을 이 회사가 넘을 수 있을지는 하드웨어가 나와봐야 압니다. AI 비용 최적화를 진지하게 고민한다면, 이 회사는 “지금 도입할 도구"가 아니라 “설계도와 실물 칩 공개를 지켜볼 대상"으로 분류하는 것이 합리적입니다.