Q.ANT, IONOS 베어메탈에서 광자 AI 하드웨어 파일럿 시작

2026년 11월 9일, Q.ANT는 선정된 신청자들이 독일의 전용 IONOS 베어메탈 서버를 통해 자사의 2세대 광자 프로세서에서 직접 AI 워크로드를 테스트할 수 있다고 발표했다. 상용 활용 사례를 발굴하기 위한 이 파일럿은 무료 비공개 베타 프로그램이다.

이 프로그램은 구체적인 사용 사례가 있고 베어메탈 서버를 독립적으로 관리할 충분한 전문성을 갖춘 참가자로 한정된다. IONOS가 각 시스템을 수동으로 프로비저닝하며, SSH 루트 액세스와 선택 사항인 KVM 콘솔을 제공한다. 파일럿 안내 문서에 따르면, ISO 27001 인증을 받은 독일 호스팅은 GDPR 데이터 보호 체계를 준수하며 EU 내에서 데이터 주권을 보장한다.

시뮬레이션에서 실제 광자 하드웨어까지

이번 파일럿은 Q.ANT가 2026년 9월 23일 오픈소스 소프트웨어 개발 키트를 공개하며 시작한 개발 경로를 확장한다. 당시 공개된 키트에는 C와 Python용 프로그래밍 인터페이스, 샘플 애플리케이션, 문서, CPU 기반 시뮬레이션 백엔드가 포함됐다. 새 프로그램을 통해 승인된 사용자는 해당 애플리케이션을 실제 Native Processing Units(NPU)에서 실행할 수 있다. Q.ANT는 드라이버와 소프트웨어 스택, PyTorch 통합 기능을 제공하며, 모델 및 프레임워크 호환성은 온보딩 과정에서 확정한다.

NPU는 기존 트랜지스터 기반 칩에서 디지털 연산을 긴 단계의 연속으로 분해하는 대신, 광학 영역에서 비선형 함수를 직접 실행한다. Q.ANT는 이 방식으로 더 적은 매개변수와 연산, 자원을 사용하면서도 비슷하거나 더 나은 결과를 얻을 수 있다고 밝혔다. 지원 대상 워크로드는 산업용 컴퓨터 비전, 시계열 예측, 과학 시뮬레이션, 로보틱스뿐 아니라 대규모 언어 모델 및 파운데이션 모델 추론, 물리적 AI, 월드 모델까지 아우른다.

Q.ANT의 파일럿 페이지에 따르면 이미지 처리에서는 같은 정확도를 유지하면서 매개변수를 40% 줄이고, 시계열 예측에서는 65% 줄일 수 있다. 이번 비공개 베타는 사용자의 자체 데이터와 소프트웨어를 대상으로 이 결과를 검증하도록 설계됐다. 이처럼 폭넓은 워크로드를 통해 Q.ANT는 초기 연구 배포를 넘어 광학 비선형 처리가 유용한 분야를 확인할 수 있다.

상용 활용을 위한 체계적인 평가

신청서 검토와 화상 통화 후 참가자는 튜토리얼, 코드 샘플, 문서를 제공받으며, 이후 워크로드를 검토하고 테스트 초점을 조정한다. 마지막 워크숍에서는 에너지 및 성능 지표, 생산 환경에 적합한지 여부, 다음 단계로 진행할 가능성을 살펴본다. 참가자는 자신의 워크로드와 데이터, 결과물에 대한 소유권을 유지하며, 이 정보는 기밀로 보호된다. 논의에서 얻은 통합·익명화된 인사이트만 프로세서와 플랫폼 개발에 반영된다.

이번 파일럿은 IONOS를 Q.ANT의 Native Processing Server 최초 상용 고객으로 만든 2026년 5월 19일 상용 계약에 이어 진행된다. Q.ANT는 NPU를 CPU와 GPU를 전면 대체하는 제품이 아니라, 특정 AI 워크로드를 위한 보조 프로세서로 제시한다. 따라서 이번 비공개 베타는 파트너십 자체를 새로 시작하는 것이 아니라, 기존 상용 관계에 고객 주도의 평가를 더하는 것이다.

독립 평가에서 확인된 성능 향상과 제약

라이프니츠 슈퍼컴퓨팅 센터(LRZ)가 2026년 4월 21일 실시한 평가는 별도의 참고 자료를 제공한다. LRZ는 AI와 고성능 컴퓨팅(HPC) 작업에서 두 세대의 NPU를 모두 테스트했으며, 최상의 경우 2세대 칩이 최대 50배 빠르게 작동했다고 보고했다. 합성곱 신경망을 사용한 이미지 인식에서는 25배의 속도 향상이 나타났다. 일반적인 HPC 워크로드의 전력 소비량은 연산 복잡도에 따라 1세대에서 2세대로 넘어가면서 약 50~84% 감소했다.

평가에서는 파일럿과 관련된 한계도 확인됐다. 보조 프로세서는 모든 연산을 광학적으로 처리할 수 없으며, 기존 프로세서와 데이터를 지속적으로 주고받아야 한다. 연산을 광학 장치 안에서 처리할 때 에너지 효율이 가장 높으므로 데이터 이동은 핵심적인 설계 제약이다. 아날로그 시스템은 16비트 정밀도로 데이터를 변환하며 광검출기 노이즈도 고려해야 한다. 더 정밀한 결과를 얻으려면 복잡한 작업을 여러 연산으로 나누고 더욱 정교한 소프트웨어 도구를 사용해야 한다. LRZ 연구진은 한두 차례의 추가 개발 주기를 거치면 이 칩을 AI 클러스터에 배포할 수 있을 것으로 추정했다.

이제 파일럿을 통해 고객이 직접 이러한 질문을 검증한다. 실제 워크로드에서 보고된 성능 향상이 유지되는지, 데이터 이동과 소프트웨어 제약이 어떤 영향을 미치는지에 따라 프로덕션 AI 인프라에서 광자 보조 연산이 CPU 및 GPU와 함께 활용될 분야가 결정될 것이다.