전기 대신 빛으로 AI를 돌린다: 독일 큐앤트가 무료 소프트웨어로 던진 승부수

엔비디아 천하에 던져진 빛의 도전장: 하드웨어보다 소프트웨어를 먼저 푼 까닭

인공지능 모델이 커질수록 데이터센터는 엄청난 전기를 집어삼킨다. 그래픽 처리 장치(GPU) 수만 대를 묶어 돌리는 거대 기술 기업들은 전력 수급 문제로 원자력 발전소 계약까지 맺는 실정이다. 기존 반도체는 실리콘 회로 안에서 전자가 움직이며 신호를 주고받는데, 이 과정에서 저항 때문에 막대한 열이 나고 전력이 샌다.

독일 슈투트가르트의 인공지능 하드웨어 스타트업 큐앤트(Q.ANT)는 이 문제를 풀기 위해 전자가 아닌 빛을 선택했다. 빛 파동을 이용해 인공지능 연산의 핵심인 삼각함수나 행렬 계산을 직접 처리하는 광학 프로세서를 만드는 기업이다. 전기를 덜 쓰면서도 계산 속도를 획기적으로 끌어올릴 수 있다는 설명이다.

큐앤트는 최근 파격적인 결정을 내렸다. 아직 양산 칩이 시장에 풀리지도 않은 상태에서, 자사 광학 칩용 소프트웨어 개발 도구인 ‘큐앤트 네이티브 컴퓨팅 툴킷(Q.ANT Native Computing Toolkit)‘을 오픈소스 코드 저장소인 깃허브(GitHub)에 무료로 배포했다. 상업적 이용까지 전면 허용하는 조건이다.

이 방식은 엔비디아가 전 세계 인공지능 시장을 독점하게 만든 쿠다(CUDA) 전략을 그대로 본뜬 것이다. 아무리 뛰어난 반도체를 만들어도 개발자가 다룰 줄 모르면 팔리지 않는다. 큐앤트는 개발자들이 일반 컴퓨터에서 파이썬(Python)이나 C언어로 코드를 짜고 테스트해 볼 수 있는 가상 시뮬레이터를 먼저 쥐여주었다. 칩을 직접 사지 않아도 빛 기반 연산 구조에 익숙해지도록 만들어 개발자 생태계를 선점하겠다는 계산이다.

현재 큐앤트의 2세대 광학 칩은 독일 뮌헨 근교의 라이프니츠 슈퍼컴퓨팅 센터(LRZ) 등 극소수 연구 시설에서만 돌아가고 있다. 일반 기업이나 개발자는 당장 실물 칩을 만질 수 없다. 큐앤트는 독일 클라우드 서비스 기업 이오노스(IONOS)를 통한 클라우드 접속 서비스나 직접 구축용 서버를 수개월 안에 내놓겠다고 약속했다. 하드웨어 공급에 앞서 개발 도구를 먼저 풀어 시장의 관심을 묶어두려는 전형적인 플랫폼 선점 전략이다.

---

전력 소모 6분의 1 단축: 광학 연산 기술의 검증된 데이터 비교

큐앤트가 내세우는 핵심 강점은 단연 전력 효율이다. 인공지능 모델을 돌릴 때 가장 많은 전기가 드는 구간은 연산 장치와 메모리 사이에서 0과 1로 이루어진 디지털 데이터를 쉴 새 없이 주고받는 과정이다. 큐앤트의 광학 칩은 인공지능 모델의 복잡한 계산을 코사인 파동과 같은 빛의 연속적인 파형으로 즉시 처리한다.

디지털 반도체처럼 잘게 쪼개어 계산하지 않고 자연스러운 파동의 겹침 현상을 이용하기 때문에, 모델을 학습시킬 때 필요한 설정값(파라미터) 수를 대폭 줄일 수 있다. 설정값이 적다는 것은 모델 크기가 작아진다는 뜻이며, 이는 메모리에서 옮겨야 할 데이터 양과 전력 소모가 동시에 줄어듦을 뜻한다.

실제 성능 지표를 기존 방식과 비교해 보면 장단점이 뚜렷하게 갈린다. 큐앤트가 공개한 첫 번째 소프트웨어 도구는 이미 학습이 끝난 인공지능 모델을 실행하는 ‘추론(Inference)’ 작업에만 맞춰져 있다. 손글씨 숫자를 읽어내거나 사진 속 물체를 감지하고 윤곽을 따는 작업 등이다. 거대 언어 모델을 학습시키는 일은 여전히 엔비디아의 기존 GPU나 인텔, AMD의 CPU에 의존해야 한다.

비교 항목	기존 전자식 GPU (엔비디아 기준)	데이터 전송 광학 방식 (라이트매터 등)	연산 직접 처리 광학 방식 (큐앤트)
빛의 활용 영역	없음 (전기 신호만 사용)	칩과 칩 사이 데이터 고속 전송	프로세서 내부 수학 연산 직접 수행
개발 언어 및 환경	C, C++, Python (성숙한 쿠다 생태계)	기존 드라이버 및 네트워크 호환	Python, C (오픈소스 툴킷 및 시뮬레이터)
전력 절감 원리	공정 미세화 및 전력 관리 구조 최적화	케이블 및 인터커넥트 구리선 저항 제거	파동 수학 연산으로 모델 설정값 축소
현재 상용화 단계	전 세계 데이터센터 즉시 공급 및 가동 중	대형 클라우드 기업과 기술 검증 진행 중	소수 슈퍼컴퓨팅 센터 가동, 클라우드 대기 중
학습(Training) 지원	완벽 지원 (업계 표준)	지원 (기존 연산 칩 연결 보조)	미지원 (일반 CPU/GPU로 먼저 학습 필요)
실물 칩 접근성	온프레미스 구매 및 모든 클라우드 즉시 가능	엔터프라이즈 맞춤형 납품 단계	시뮬레이터만 제공 (실물은 수개월 뒤 클라우드)

이 비교에서 확인되듯, 큐앤트의 방식은 파괴적인 잠재력을 지녔지만 아직 반쪽짜리다. 자사 주장에 따르면 최대 30배 높은 에너지 효율을 낸다고 하지만, 정확히 어떤 사양의 엔비디아 칩과 비교한 것인지 명확한 기준을 공개하지 않았다. 게다가 일반 개발자가 깃허브에서 내려받아 돌릴 수 있는 것은 어디까지나 컴퓨터 소프트웨어로 흉내 낸 ‘가상 시뮬레이터’일 뿐이다. 실제 하드웨어에서 전기 요금이 얼마나 줄어드는지는 클라우드 서비스가 열리기 전까지 현장에서 직접 확인할 방법이 없다.

---

서버실 전력 요금과 납기일: 기업 인프라에 미칠 3대 실무 영향

새로운 컴퓨팅 아키텍처의 등장은 현장 전산망을 꾸리는 인프라 실무자들에게 세 가지 직접적인 변화를 예고한다. 당장 장비를 교체할 수는 없더라도, 앞으로 1–2년 안에 인공지능 서빙 시스템을 기획할 때 반드시 따져봐야 할 변수들이다.

전력 사용량 감소로 인한 추론 서버 운영 비용 절감 가능성

인공지능 서비스는 모델을 만드는 ‘학습’ 단계보다, 만들어진 모델을 수백만 사용자에게 서비스하는 ‘추론’ 단계에서 장기적인 전기 요금이 훨씬 많이 나간다. 큐앤트의 파동 기반 연산은 복잡한 다층 신경망의 매개변수를 줄여주므로, 추론 서버 한 대당 들어가는 전력량을 눈에 띄게 낮출 수 있다. 데이터센터의 랙당 전력 밀도가 한계에 다다른 현 상황에서, 전기 요금을 40–60%가량 아낄 수 있다면 중장기 서버 운영비 관리에 큰 숨통이 트인다.

모델 재설계와 개발 기간 지연 위험

문제는 개발 일정이다. 큐앤트 툴킷은 기존 파이토치(PyTorch)나 텐서플로(TensorFlow)로 만든 모델을 버튼 하나로 광학 칩에 올려주지 않는다. 큐앤트가 제시하는 코사인 유사 함수 기반의 전용 연산 레이어로 모델 구조를 뜯어고쳐야 칩의 성능을 온전히 끌어낼 수 있다. 실무 개발팀 입장에서는 이미 검증된 모델 아키텍처를 광학 연산 전용으로 다시 변환하고 테스트해야 하므로, 개발 파이프라인의 작업 기간이 최소 8–12주 이상 늘어나는 부담을 안게 된다.

특정 공급망 독점에 따른 가용성 불안정

하드웨어 공급 창구가 턱없이 부족하다. 엔비디아 GPU는 비싸긴 해도 돈만 주면 AWS, 구글 클라우드, 마이크로소프트 애저 등 어디서나 몇 초 만에 인스턴스를 띄울 수 있다. 반면 큐앤트 칩은 독일의 중견 호스팅 업체인 이오노스 클라우드로만 접근이 제한될 예정이다. 북미나 아시아권 기업 입장에서는 네트워크 지연 시간(Latency) 문제와 데이터 국외 반출 규제 문제를 함께 고민해야 한다. 온프레미스 서버 납품 역시 초기에는 소수 연구소 위주로 배정될 공산이 커, 서비스 운영 안정성을 장담하기 어렵다.

---

빛으로 연결할 것인가 연산할 것인가: 광학 반도체 생태계의 두 갈래 길

인공지능 분야에서 빛을 쓰겠다는 시도는 큐앤트가 처음이 아니다. 이미 2017년 미국 MIT 연구진이 광학 신경망 프로세서를 발표한 바 있으며, 현재 시장에는 수조 원의 기업 가치를 인정받은 선도 기업들이 포진해 있다. 하지만 빛을 활용하는 전략은 크게 두 갈래로 갈린다.

미국의 대표적인 광 컴퓨팅 유니콘 기업 라이트매터(Lightmatter)는 전략을 틀었다. 초기에는 큐앤트처럼 빛으로 직접 계산하는 프로세서를 연구했으나, 최근에는 ‘패시지(Passage)‘라는 칩 간 광학 연결 기술에 집중하고 있다. 엔비디아나 AMD의 거대한 전자식 프로세서 수백 개를 구리선 대신 초고속 광섬유 기판으로 묶어주는 기술이다. 연산 자체는 이미 성숙한 실리콘 반도체에 맡기고, 병목이 심한 데이터 전송 고속도로만 빛으로 뚫어주는 현실적인 노선을 택한 셈이다.

반면 큐앤트는 더 험난하지만 근본적인 혁신을 노린다. 빛으로 직접 수학 연산을 하겠다는 고집이다. 마이클 포어치(Michael Förtsch) 큐앤트 최고경영자는 이번 소프트웨어 공개를 두고 “광학 컴퓨팅의 리눅스 모먼트(Linux moment)“라고 선언했다. 하드웨어만으로는 생태계를 만들 수 없으며, 누구나 그 위에 소프트웨어를 올릴 수 있어야 독자 생태계가 싹튼다는 믿음이다.

그러나 소프트웨어를 무료로 푼다고 해서 시장 안착이 보장되는 것은 아니다. 영국의 인공지능 칩 유니콘이었던 그래프코어(Graphcore) 역시 ‘포플러(Poplar)‘라는 전용 소프트웨어 스택을 갖추고 개발자 끌어들이기에 사활을 걸었지만, 엔비디아 쿠다의 벽을 넘지 못하고 2024년 소프트뱅크에 매각되었다. 캐나다의 자나두(Xanadu) 역시 2018년부터 빛 기반 양자 컴퓨터용 오픈소스 소프트웨어를 무료로 풀었으나 일반 개발 현장 깊숙이 침투하지는 못했다. 큐앤트의 도박이 성공하려면 무료 시뮬레이터를 넘어, 실제 칩이 나왔을 때 쿠다보다 압도적으로 편하고 저렴하다는 사실을 증명해야 한다.

---

큐앤트 네이티브 툴킷 도입 가이드: 지금 검토할 기업 vs 미뤄야 할 기업

큐앤트가 깃허브에 코드를 공개했으므로, 연구 개발 인력이 있는 기업이라면 오늘 당장 설치해 돌려볼 수 있다. 하지만 기업의 귀중한 엔지니어링 자원을 여기에 투입해야 할지는 냉정하게 판단해야 한다.

지금 즉시 도입을 검토해야 할 기업

• 대규모 컴퓨터 비전 서비스를 상시 운영하는 기업: CCTV 영상 분석, 불량품 검수, 자율주행 센서 데이터 판독처럼 고정된 형태의 추론 작업을 24시간 내내 돌려야 하는 기업은 전력 절감 효과를 극대화할 수 있다. 큐앤트 예제 코드가 이미지 인식과 손글씨 판독에 집중되어 있으므로 즉시 벤치마크 테스트가 가능하다.
• 폐쇄망이나 에지(Edge) 환경에서 초소형 AI를 돌려야 하는 방산·제조업: 외부 전력 공급이 제한된 현장에서 인공지능 칩을 써야 한다면 파라미터 수를 획기적으로 줄여주는 큐앤트의 파동 수학 모델이 훌륭한 연구 대상이 된다.
• 엔비디아 벤더 종속성을 탈피하려는 장기 선행 연구 조직: 대학이나 정부 산하 연구소, 글로벌 테크 기업의 기초 하드웨어 연구팀은 무료 시뮬레이터를 통해 광학 연산용 알고리즘을 선제적으로 지식재산권(IP)화할 기회다.

도입을 보류하고 지켜봐야 할 기업

• 초거대 언어 모델(LLM) 파인튜닝과 학습이 주력인 기업: 큐앤트 툴킷은 모델 학습을 전혀 지원하지 않는다. 학습 인프라 비용을 줄이는 것이 당면 과제인 기업에게 이 도구는 아무런 쓸모가 없다.
• 실시간 응답 속도와 즉시 납기가 생명인 스타트업: 물리적인 칩이 클라우드에 풀리지 않은 상태에서 시뮬레이터만으로 서비스를 개발하는 것은 위험하다. 실제 칩이 나왔을 때 발생할 드라이버 충돌이나 컴파일 지연 문제를 사전에 검증할 수 없다.
• 파이토치 기본 라이브러리에 전적으로 의존하는 실무 개발팀: 큐앤트 환경에 맞게 모델 레이어를 직접 재설계할 수 있는 인하우스 머신러닝 엔지니어가 없다면, 툴킷을 내려받아도 샘플 코드 수준을 벗어나 상용 시스템에 접목하기 어렵다.