[픽클레터] 클루닉스, ‘AI EXPO 2026’서 AI 오케스트레이션 플랫폼 ‘노바티어’ 선보여 🚀

2026. 5. 29.

2026.05.29 💌188번째 레터

웹에서 보기 지난 레터 돌아보기

안녕하세요! 님,

이번 주에는 독자적인 AI 생태계를 구축하기 위한 정부의 국산 NPU 집중 투자 소식과 함께, 인프라 시장의 실질적인 변화를 이끄는 핵심 트렌드들을 모았습니다.

반도체 한계를 돌파하기 위한 '신소재 발견 AI'부터 전력과 냉각 제약을 해결하기 위한 가트너의 차세대 데이터센터 지침까지! 효율적인 운영과 실전 기술로 진화하는 AX(AI 전환)의 거대한 흐름을 지금 바로 확인해 보세요! 😄

AI·HPC 경쟁력은 이제 일반적인 머신러닝을 넘어, 초거대 언어모델의 무거운 학습과 미세조정 과정을 효율적으로 통제하는 'LLMOps 인프라 포털'에 의해 결정됩니다. 데이터 준비부터 모델 평가, 배포에 이르는 LLM 개발 전주기는 워크로드가 복잡해 인프라가 파편화되면 곧바로 개발 지연과 비용 폭탄으로 이어지게 되는데요.

이에 따라 엔지니어가 한곳에서 자원을 할당하고 대규모 모델 과정을 제어하는 통합 포털 환경은 필수 전략이 되고 있습니다. 결국 앞으로의 AI 인프라는 ‘얼마나 거대한 모델을 다루는가’보다, ‘그 복잡한 LLM 개발 전주기를 포털 하나로 얼마나 편리하게 제어할 수 있는가’에 의해 결정됩니다.

→ 자세히 보기

클루닉스, ‘AI EXPO 2026’서 AI 오케스트레이션 플랫폼 ‘노바티어’ 선보여🚀

AI·HPC 플랫폼 전문기업 클루닉스가 ‘2026 국제인공지능대전(AI EXPO KOREA 2026)’에 참가해 자원 활용도를 극대화하는 통합 AI 오케스트레이션 플랫폼 ‘노바티어(NovaTier)’를 선보였습니다. 노바티어는 쿠버네티스, 도커, 슬럼 기반의 컨테이너 및 워크로드 통합 관리 기술을 국내 최초로 적용해 복잡한 이기종 인프라를 단일 플랫폼으로 통합하고 자원 낭비를 최소화하는 솔루션인데요. 현장 부스에서는 포스코 등 대규모 엔터프라이즈 환경에서 16년간 운영되며 IT 라이선스 비용을 70% 절감한 실제 도입 사례와 데모 시연이 공개되어, 기업 관리자와 개발자들로부터 큰 호응을 얻으며 차별화된 AI 연구·개발 환경 기술력을 입증했습니다.

정부, ‘독자 AI 생태계’에 재정 집중… 고효율·저전력 국산 NPU 육성🏛️

정부가 글로벌 AI 패권 경쟁 속에서 흔들림 없는 독자 생태계를 구축하기 위해 국산 신경망처리장치(NPU)의 초기 시장 창출과 경쟁력 강화를 전폭 지원합니다. 기획예산처는 올해 9조 9,000억 원의 AI 예산을 투입한 데 이어, 내년도 예산안 편성을 앞두고 퓨리오사AI, 리벨리온 등 국내 AI 반도체 스타트업들과 만나 재정투자 방향을 논의했는데요. 막대한 전력과 비용이 소모되는 외산 GPU의 한계를 극복할 대안으로 국산 NPU를 적극 육성하는 한편, 소규모·관행적 사업을 과감히 걷어내는 지출 재구조화를 통해 효과적인 AI 인프라 확충에 국가적 역량을 집중할 방침입니다.

반도체 한계 뚫는 ‘AI for Science’… 머신러닝 기반 신소재 탐색 엔진🧪

미세 공정의 물리적 한계로 실리콘을 대체할 차세대 반도체 물질과 발열·전력 효율을 개선할 전자소재 수요가 급증하는 가운데, AI가 신소재 발굴 기간을 획기적으로 단축하고 있습니다. 호주 플린더스대와 UAE 칼리파대 공동 연구진은 천문학적인 경우의 수 중에서 원하는 전기적·물리적 특성을 갖춘 물질을 추려내 우선순위를 매기는 머신러닝 기반 ‘스마트 소재 탐색 엔진’을 개발했는데요. 전통적으로 수년이 걸리던 고비용 실험 과정을 데이터 기반 예측으로 미리 좁혀주는 기술로, 향후 양질의 실험 데이터 축적 및 실제 검증 프로세스와의 유기적 결합이 반도체 및 AI 가속기 성능 혁신의 핵심 열쇠가 될 전망입니다.

가트너, “GPU 증설이 전부가 아니다”… 데이터센터 성패는 전력과 냉각❄️

글로벌 시장조사기관 가트너는 AI 데이터센터 경쟁력이 단순한 인프라 증설이 아닌 ‘수요 불확실성 대응과 전력·냉각 제약의 해결 능력’에 달려 있다고 분석했습니다. AI 모델 구조의 빠른 변화로 정밀한 장기 예측이 어려워진 만큼, 한 번에 대규모 설비를 선투자하기보다 모듈형 인프라와 하이브리드 조달을 통한 단계별 투자 전략이 필요하다고 제언했는데요. 특히 전력 공급망 한계에 맞춰 대규모 학습은 중앙 클러스터에 두되 추론은 지역 거점으로 분산하는 입지 전략이 요구되며, 고밀도 AI 구역에 액체냉각을 도입하고 일반 워크로드에는 공랭식을 유지하는 ‘혼합 냉각 전략’이 현실적인 대안으로 부상하고 있습니다.