퓨리오사AI 백준호·김한준 체제: 역할 분담으로 만든 ‘전성비’ 승부수

왜 역할 분담이 성패를 가를까

AI 반도체 시장을 자세히 들여다보면, 기술력만으론 살아남기 어렵다는 걸 금방 느끼게 됩니다. 칩을 잘 만든다고 다가 아니죠. 누가 자금을 모으고, 누가 고객을 설득하고, 누가 소프트웨어까지 붙여 실제 성능을 끌어내느냐가 결국 성패를 좌우합니다. 대부분의 팀은 경영과 연구개발의 균형을 잡지 못해 흔들립니다. 제품 로드맵이 투자 일정과 어긋나고, 전력 효율 같은 미묘한 경쟁력이 소프트웨어 최적화에서 잃히는 순간, 성능 그래프는 무용지물이 됩니다. 퓨리오사AI는 다르게 움직였습니다. 백준호 대표가 비전·자금·파트너십을 묶어 판을 깔고, 김한준 CTO가 하드웨어·컴파일러·시스템을 한 덩어리로 붙였습니다. 이 글에서는 두 리더의 역할 분담이 어떻게 전성비라는 승부수로 이어졌는지, 제품과 수치로 풀어봅니다.

---

백준호(CEO)와 김한준(CTO): 무엇이 다르고 어떻게 맞물리나

핵심 포인트

• CEO는 비전·전략·자금·고객을 총괄, CTO는 설계·아키텍처·컴파일러·시스템 통합을 책임
• 둘 다 반도체 실무 출신이라 제품 방향과 비즈니스 우선순위가 쉽게 정렬됨
• 목표는 동일: 데이터센터 추론 영역에서 “전력 효율”로 차별화

개인적으로 인상 깊었던 장면이 있습니다. 컴파일러 업데이트만으로 같은 시제품에서 성능이 껑충 오르는 시연 영상을 봤는데, “하드웨어-소프트웨어 동시 개발”의 위력이 체감되더군요. 현장에서 이런 상승 곡선을 만들 수 있는 팀은 드뭅니다.

---

제품 라인업과 수치 비교: 워보이 vs 레니게이드(RNGD)

세대별 포지셔닝

1세대 워보이는 비전 추론에 특화된 NPU로, 14nm 공정에서 INT8 기준 64 TOPS를 내는 카드 포맷이었습니다. 2세대 레니게이드(RNGD)는 데이터센터 추론 전용으로 재정의된 설계와 HBM3 메모리를 채택해 FP8/INT8 처리량과 전성비를 동시에 끌어올렸습니다. “GPU와 같은 방식이 아닌, 추론 워크로드에 맞춘 전용 구조”가 방향입니다.

• 워보이: MLPerf 비전 영역에서 동급 GPU 대비 경쟁력 입증
• RNGD: FP8/INT8·HBM3 기반으로 LLM·멀티모달 추론을 겨냥

---

전성비 전략: 왜 ‘전력 180W’가 의미가 있나

데이터센터 현실과 TCO

GPU가 쌓일수록 전력·냉각·랙 공간이 발목을 잡습니다. RNGD의 180W TDP는 L40S·H100 등 고전력 GPU 대비 인프라 부담을 낮추며, 동일 전력 예산에서 더 많은 슬롯을 운용하거나, 같은 슬롯 수에서 전기요금을 줄이는 선택지를 만들어줍니다. 실제로 고객이 따지는 지표는 “초당 토큰 × 전력 × 단가”의 균형입니다. 제가 데이터센터 운영자들과 대화를 나눴을 때도, “성능”보다 “전력·냉각·공간” 이야기가 먼저 나오곤 했습니다. RNGD의 방향성은 이런 현장 니즈와 딱 맞닿아 있습니다.

1. 전력: 180W급 설계로 랙 전력 밀도 대응
2. 메모리: 48GB HBM3·1.5TB/s로 LLM 추론 병목 완화
3. 소프트웨어: 컴파일러·런타임 최적화로 실사용 성능 유지

---

풀스택 접근: 하드웨어-컴파일러-런타임의 동시 최적화

왜 소프트웨어가 반을 먹는가

같은 칩이라도 컴파일러가 바뀌면 추론 성능이 10~30%씩 오르기도 합니다. 김한준 CTO의 R&D는 아키텍처 설계와 컴파일러를 한 몸으로 설계해, 워크로드별 커널·스케줄링·메모리 재배치를 촘촘히 붙입니다. 이 덕분에 MLPerf 같은 공개 벤치마크에서도 “같은 실리콘”으로 성능을 다시 끌어올린 전례가 있습니다.

• 커널 최적화: FP8/INT8 커널 튜닝으로 토큰 처리량 개선
• 메모리 계획: 온칩 SRAM 256MB·HBM3를 활용한 레이턴시 단축
• 멀티 인스턴스: 리소스 분할로 SLA별 성능 보장

“같은 칩을 쓰면서도 컴파일러 업데이트만으로 쓰루풋이 달라진다”는 것은, 단지 이론이 아니라 현장에서 수차례 확인된 사실입니다.

---

실적과 신뢰: 디자인 윈, 투자 유치, 팀 빌딩

디자인 윈과 고객 신호

RNGD는 대기업 연구기관·에너지·전자 등 다양한 고객군에서 샘플링과 디자인 윈을 확보하며 상용화를 앞당기고 있습니다. 특히 LLM·멀티모달 추론 워크로드에서 전성비를 무기로 도입 문턱을 낮추고 있습니다.

투자 유치와 수치

• 누적 투자: 약 2.46억 달러
• 라운드: 2025년 7월 브리지(약 1.25억 달러) 클로징
• 밸류에이션: 약 7.35억 달러
• 투자자 예시: KDB산업은행, IBK기업은행, Keistone Partners, 카카오인베스트먼트 등

---

경영-기술 투트랙이 주는 시사점: 투자자·고객 관점 체크리스트

투자자 관점

• 제품-시장 궁합: RNGD가 노리는 건 학습이 아니라 추론 시장
• 전성비·TCO: 180W·HBM3 조합으로 랙·전력·냉각 비용을 절감할 수 있는지
• SW 성숙도: 모델·프레임워크 호환성, 운영 도구와의 연동
• 고객 신호: 샘플링→디자인 윈→양산 전환 속도

고객(도입) 관점

1. 워크로드 정의: LLM, 비전, 멀티모달 중 주력과 배치 모드 파악
2. 지표 기준: 초당 토큰/샘플, 지연시간, 전력, 비용을 같은 조건으로 비교
3. 스택 통합: 기존 클러스터·모니터링·서빙 파이프라인과의 호환성

---

백준호·김한준 체제의 ‘합’: 왜 퓨리오사AI인가

핵심 요약

• CEO: 비전·자금·고객을 연결해 제품 도입의 길을 닦는다
• CTO: 아키텍처·컴파일러·시스템을 묶어 실성능을 뽑아낸다
• 제품: 워보이→RNGD로 이어지는 “추론 특화·전성비 최적화” 로드맵

비슷한 시기에 출발한 팀들이 주춤할 때, 이 체제는 한 단계씩 난이도를 올리며 전진했습니다. 롤러코스터 같은 AI 반도체 시장에서 두 리더가 서로의 빈틈을 덮어준 결과라고 봅니다.

---

결론 | 지금 체크할 실전 팁

• 벤치마크보다 운영 지표: 초당 토큰×전력×단가로 비교해보세요.
• SW 로드맵 확인: 드라이버·컴파일러 업데이트 계획이 실성능을 좌우합니다.
• 메모리 병목 점검: HBM3 용량·대역폭이 모델 사이즈·배치와 맞는지 확인하세요.

경험상, 초기 도입은 작은 PoC라도 “실제 워크로드”로 돌려보는 게 가장 빠릅니다. 문서와 수치가 좋아도 운영 환경에서의 작은 마찰이 성능을 갉아먹는 경우가 많거든요. 퓨리오사AI는 전성비·스택 완성도에서 강점을 보여주니, 추론 TCO를 낮추려는 팀이라면 한 번쯤 직접 돌려볼 가치가 있습니다. 문의·평가·PoC는 창구가 명확합니다. 제품 페이지와 공식 보도자료를 통해 최신 정보를 확인하고, 샘플링 일정을 조율해 보세요.

---

자주 묻는 질문(FAQ)

RNGD는 학습에도 쓰나, 추론 전용인가

RNGD는 설계와 소프트웨어가 추론 워크로드에 최적화되어 있습니다. 학습보다는 대규모 추론·서빙에서 강점을 발휘합니다. FP8·INT8, HBM3 구성이 그 목적을 분명히 보여줍니다.

전성비가 좋다는 걸 어떻게 증명하나

같은 조건(모델·배치·지연시간 SLA·전력 제한)에서 초당 토큰과 소비전력을 함께 측정하세요. 고객 PoC에서 가장 설득력 있는 비교 방식입니다. 공개 자료에 제시된 180W TDP, 48GB HBM3, 1.5TB/s 스펙은 이 비교의 기초가 됩니다.

워크로드 포팅은 어렵지 않나

프레임워크 호환성과 컴파일러 최적화 가이드를 확인하면 진입 장벽이 낮습니다. 기존 추론 파이프라인(예: 토큰라이저·서빙·모니터링)과의 연동 체크리스트만 잘 갖추면, 몇 차례 튜닝으로 목표 성능에 근접하는 경우가 많습니다.

퓨리오사AI 백준호·김한준 체제: 역할 분담으로 만든 ‘전성비’ 승부수와 함께 확인하면 좋은 글

같은 주제를 더 정확히 판단하려면 조건, 신청 절차, 비용, 주의사항을 함께 비교해보는 것이 좋습니다. 아래 글도 이어서 확인하면 현재 상황에 맞는 선택지를 더 쉽게 정리할 수 있습니다.

• 퓨리오사AI 상장 가능성과 기업가치 전망, 1조원 유니콘이 만든 AI 반도체의 미래
• 퓨리오사AI 백준호, 서울대→AMD→삼성 거쳐 NPU로 승부
• 닛케이 상승 주도한 종목 총정리, 소매·자동차주의 힘