AMD는 지난 11월 4일 서울 강남구 웨스틴 서울 파르나스 하모니볼룸에서 'ADVANCING AI WORLD TOUR & AI DEV DAY SEOUL 2026'을 개최하고, 인공지능 산업의 변화에 대응하기 위한 차세대 컴퓨팅 기술과 제품 전략을 공개했다.

이번 행사는 AMD의 글로벌 AI 전략을 소개하는 'Advancing AI World Tour'와 개발자를 위한 'AI DevDay'를 함께 진행하는 형태로 마련됐으며, 데이터센터와 클라우드, 기업용 AI, 클라이언트 및 엣지 컴퓨팅에 이르기까지 다양한 분야의 기술이 소개됐다.

AMD는 급변하는 트렌드에 대응하기 위해 CPU와 GPU를 비롯한 다양한 연산 자원을 유기적으로 연결하는 전략을 강조했다. 데이터센터에서는 EPYC 프로세서와 Instinct 가속기를 중심으로 고성능 AI 인프라를 구축하고, 개인용 PC에서는 Ryzen AI를 통해 AI 기능을 로컬 환경에서 실행할 수 있도록 지원한다는 구상이다. 여기에 개방형 소프트웨어 생태계와 파트너십을 결합해 기업과 개발자의 선택권을 확대하겠다는 방향도 제시했다.

행사는 AMD의 AI 사업 전략을 소개하는 발표로 시작됐다. 장정희 AMD 코리아 커머셜 세일즈 총괄은 'AMD AI Transformation and Business Momentum'을 주제로 AI 시장의 변화와 AMD의 사업 방향을 소개하는 순서를 맡았다. 이어 키스 스트라이어(Keith Strier) AMD 글로벌 AI 마켓 부문 수석부사장이 에이전틱 AI 시대의 변화와 컴퓨팅 수요 증가, AI 인프라의 경제성을 주제로 발표를 진행했다.

AI 소프트웨어와 데이터센터 기술에 대한 발표도 이어졌다. 라민 로안(Ramine Roane) AMD AI 제품 관리 부문 부사장은 소버린 AI와 ROCm 소프트웨어 생태계를 주제로 발표했으며, 리테시 로히트 파텔(Ritesh Rohit Patel) AMD 아시아태평양 데이터센터 사업개발 디렉터는 기업용 AI와 데이터센터, Instinct 가속기를 중심으로 AI 인프라의 발전 방향을 소개했다. 알렉세이 나볼로킨(Alexey Navolokin) AMD 아시아태평양 총괄은 클라이언트와 엣지 컴퓨팅을 중심으로 AI 기술이 개인용 PC까지 확대되는 흐름을 설명했다.

국내 AI 생태계와 관련된 프로그램도 마련됐다. 한국의 AI 인프라 구축과 산업적 활용을 주제로 한 패널 토론을 비롯해 국내 AI 기업들의 기술 발표가 이어졌으며, 개발자를 위한 별도의 기술 세션과 실습 프로그램도 진행됐다. 특히 ROCm을 활용한 AI 개발과 로컬 모델 실행, 멀티 에이전트 구축 등 실제 개발 환경에 적용할 수 있는 주제들이 다뤄졌다.

행사장 외부에는 AMD의 기술을 활용한 다양한 제품과 솔루션을 살펴볼 수 있는 전시 공간도 마련됐다. 슈퍼마이크로(Supermicro), HP, HPE, 모레(MOREH), 망고부스트(MangoBoost), 레노버(Lenovo) 등 여러 업체가 참여해 데이터센터용 서버와 AI PC, 소프트웨어 및 인프라 가속 기술을 소개했다. 각 부스에서는 실제 제품과 시연용 시스템을 통해 AMD 기반 컴퓨팅 환경의 활용 가능성을 보여줬다.

특히 AMD EXPERIENCE ZONE에서는 Ryzen AI 기반 로컬 AI 실행 환경과 다양한 소프트웨어 활용 사례를 직접 확인할 수 있었다. AI 모델을 로컬 시스템에서 실행하는 모습과 개발 환경을 소개하는 시연이 마련됐으며, 데이터센터용 AMD Instinct MI300X 가속기와 Ryzen AI 관련 제품도 전시됐다. 발표에서 소개된 기술을 실제 하드웨어와 연결해 살펴볼 수 있다는 점이 눈길을 끌었다.

이번 행사는 AI 산업의 발전 방향을 제시하는 동시에 AMD의 기술이 실제 산업 현장에 어떻게 적용되고 있는지를 보여주는 자리였다. 데이터센터부터 개인용 PC까지 폭넓은 컴퓨팅 환경을 하나의 AI 생태계로 연결하려는 AMD의 전략을 확인할 수 있었다.

에이전틱 AI 시대의 개막…컴퓨팅 수요 24배 증가 전망

이번 행사에서 가장 비중 있게 다뤄진 주제 중 하나는 에이전틱 AI의 확산이었다. 키스 스트라이어 수석부사장은 'Agentic Era: AI Transformation, Helios, Tokenomics, and Product Leadership'를 주제로 AI 기술의 발전이 컴퓨팅 산업에 가져올 변화와 AMD의 대응 전략을 소개했다.

기존 생성형 AI는 사용자의 질문이나 명령에 따라 텍스트와 이미지를 생성하는 데 초점을 맞췄다. 반면 에이전틱 AI는 주어진 목표를 달성하기 위해 필요한 작업을 스스로 계획하고, 여러 도구를 활용해 결과를 도출하는 형태로 발전하고 있다. 단순히 정보를 제공하는 보조 수단에서 벗어나 실제 업무를 수행하는 시스템으로 진화하고 있다는 의미다.

스트라이어 수석부사장은 이러한 변화가 기업의 생산성을 크게 높일 수 있다고 전망했다. 발표 자료에서는 개인용 AI 에이전트의 생산성 향상 효과를 2배, 여러 에이전트가 협력하는 에이전트 팀을 10배, 다양한 기능을 수행하는 멀티 캐퍼빌리티 에이전트를 100배로 제시했다. 다만 해당 수치는 실제 성능 측정 결과가 아닌, AI 에이전트의 발전 가능성을 설명하기 위한 개념적인 수치다.

AI 에이전트는 소프트웨어 개발과 고객 지원, 의료 서비스, 금융 분석, 업무 자동화 등 다양한 분야에 적용될 수 있다. 소프트웨어 개발에서는 코드 작성과 디버깅을 지원하고, 고객 지원에서는 문의 접수부터 해결까지 여러 단계를 처리하는 방식이다. 의료 분야에서는 환자 관리와 업무 조율을, 금융 분야에서는 자료 조사와 분석 모델 작성 등을 지원할 수 있다.

이러한 변화는 AI 모델이 처리하는 토큰(Token)의 양을 크게 증가시키는 요인이 된다. 토큰은 AI 모델이 입력과 출력을 처리하는 기본 단위로, 처리량이 많아질수록 필요한 연산 자원과 비용도 증가한다. 특히 여러 에이전트가 동시에 작업을 수행하거나 복잡한 과정을 반복하는 환경에서는 토큰 소비량이 빠르게 늘어날 수 있다.

AMD는 발표 자료를 통해 2030년까지 토큰 소비량이 2026년 대비 24배 증가할 수 있다는 전망을 제시했다. 개인용 AI 서비스뿐만 아니라 기업용 에이전트의 확산이 컴퓨팅 수요를 크게 끌어올릴 것이라는 설명이다. 이에 따라 데이터센터는 더 많은 연산을 처리하면서도 전력 소비와 운영 비용을 효율적으로 관리해야 하는 과제를 안게 됐다.

AI 서비스의 경제성 역시 중요한 문제로 떠오르고 있다. 스트라이어 수석부사장의 발표에서는 AI 사용량이 급증하면서 토큰 처리 비용과 실제 비즈니스 가치 사이의 균형을 맞추는 것이 주요 과제가 되고 있다는 점이 강조됐다. AI 에이전트가 하루에도 수백만 개의 토큰을 사용할 수 있는 만큼, 시스템을 효율적으로 구성하지 않으면 예상보다 많은 운영 비용이 발생할 수 있다는 것이다.

AMD는 이러한 문제를 해결하기 위해 하드웨어 성능뿐만 아니라 전체 AI 인프라의 효율을 높이는 접근이 필요하다고 설명했다. 단순히 가속기의 최대 연산 성능을 높이는 것에서 벗어나, 실제 작업을 처리하는 데 필요한 비용과 전력 효율, 시스템 확장성을 종합적으로 고려해야 한다는 의미다.

AI 기술의 발전이 새로운 컴퓨팅 수요를 창출하고 있다는 점도 강조됐다. 기존에는 AI 모델의 학습이 대규모 연산 자원을 요구하는 대표적인 작업이었다면, 앞으로는 다양한 AI 에이전트가 지속적으로 실행되는 추론 환경에서도 상당한 컴퓨팅 자원이 필요할 것으로 예상된다. AMD는 이러한 변화에 대응하기 위한 차세대 데이터센터 인프라의 중요성을 제시했다.

기업용 AI 인프라의 변화…데이터센터 구조부터 메모리 최적화까지

AI 산업의 성장과 함께 데이터센터의 구조도 빠르게 변화하고 있다. 리테시 로히트 파텔 디렉터는 'Powering AI Everywhere: Enterprise AI, Data Centre & Instinct'를 주제로 기업용 AI 인프라와 데이터센터 기술, AMD Instinct 가속기의 활용 방향을 소개했다. AI 모델의 학습과 추론은 서로 다른 연산 특성을 가지고 있는 만큼, 다양한 워크로드에 대응할 수 있는 유연한 시스템 구성이 중요하다는 점이 주요 화두였다.

AMD가 제시한 데이터센터 전략은 모든 기업이 동일한 형태의 AI 인프라를 구축할 필요는 없다는 관점에서 출발한다. 대규모 클라우드 사업자와 일반 기업은 필요한 연산 자원의 규모와 활용 방식이 다르기 때문에 각각의 환경에 적합한 시스템을 선택해야 한다는 것이다. 이를 위해 AMD는 하이퍼스케일과 기업용 환경을 구분한 AI 랙 구성을 소개했다.

하이퍼스케일 환경에서는 CPU와 GPU를 분리해 구성하는 'Disaggregated Agentic Rack' 방식이 제시됐다. CPU와 GPU 자원을 각각 독립적으로 확장할 수 있어 AI 모델의 종류와 작업 특성에 따라 필요한 자원을 유연하게 배분할 수 있다는 점이 특징이다. 특정 연산 자원에 대한 수요가 증가할 경우 전체 시스템을 교체하지 않고 해당 자원을 확장하는 방식으로 대응할 수 있다.

반면 기업용 환경에서는 CPU와 GPU를 하나의 랙에 통합한 'All-in-One Agentic Rack' 구성이 소개됐다. 기업이 필요한 연산 자원을 하나의 시스템에 구성함으로써 도입과 운영의 복잡성을 줄이는 방향에 초점을 맞췄다. 이는 대규모 클라우드 사업자와 비교해 상대적으로 제한된 인프라를 운영하는 기업에 적합한 접근 방식으로 볼 수 있다.

AMD는 차세대 데이터센터 인프라를 선택할 때 적응성(Adaptable), 경제성(Economical), 개방형 생태계(Open Ecosystem)를 고려해야 한다고 강조했다. 적응성은 기존 인프라를 전면 교체하지 않고도 새로운 가속기나 기술을 도입할 수 있는 능력을 의미한다. 기술 변화가 빠른 AI 산업에서는 시스템의 일부를 변경하는 것만으로 새로운 요구에 대응할 수 있어야 한다는 설명이다.

경제성 측면에서는 실제 작업이 실행되는 환경에서 비용을 측정해야 한다는 점을 제시했다. 단순히 하드웨어의 구입 가격이나 최대 연산 성능만 비교하는 것이 아니라, 특정 작업을 완료하는 데 필요한 전체 비용을 고려해야 한다는 것이다. 이는 데이터센터의 총소유비용(TCO)을 줄이는 데 중요한 요소로 작용한다.

개방형 생태계 역시 AMD가 강조한 부분이다. 다양한 공급업체의 제품과 기술을 선택할 수 있는 환경을 구축함으로써 특정 플랫폼에 대한 종속성을 줄이고, 기업이 필요한 솔루션을 유연하게 조합할 수 있도록 지원한다는 전략이다. 표준 기술과 여러 구현 방식을 활용하는 구조는 장기적인 인프라 투자에도 영향을 미칠 수 있다.

이와 함께 행사에서는 AMD NEXt를 통한 메모리 최적화 기술도 소개됐다. AI 인프라의 성능을 높이기 위해서는 프로세서나 가속기의 연산 능력뿐만 아니라 데이터 이동과 메모리 활용 효율도 중요하다. AMD는 메모리 자원을 보다 효율적으로 활용함으로써 시스템의 제약을 줄이고, 다양한 워크로드에 대응할 수 있다는 점을 강조했다.

전자설계자동화(EDA) 분야의 사례가 소개됐다. AMD가 제시한 자료에 따르면 Synopsys PrimeTime을 활용한 작업에서 최대 1.34배의 성능 향상을 기대할 수 있으며, 시스템 비용은 약 65% 절감할 수 있는 것으로 나타났다. 이는 AMD가 특정 환경을 기준으로 제시한 결과로, 실제 효과는 시스템 구성과 워크로드에 따라 달라질 수 있다.

EDA 분야에서는 복잡한 반도체 설계와 검증 과정에서 많은 메모리 자원이 필요하다. 메모리 활용 효율을 높이면 동일한 예산으로 더 많은 시뮬레이션을 수행하거나 대규모 설계 작업을 처리하는 데 도움이 될 수 있다. AMD는 이를 통해 설계 및 검증 과정의 생산성을 높일 수 있다고 설명했다.

미디어 및 엔터테인먼트 분야에서도 메모리 최적화의 중요성이 강조됐다. 대규모 렌더링 작업은 많은 메모리 용량을 요구하며, 작업 도중 메모리 부족이 발생하면 처리 속도가 저하되거나 작업이 중단될 수 있다. AMD는 메모리 자원을 유연하게 확장하는 기술이 이러한 문제를 줄이는 데 활용될 수 있다고 소개했다.

에이전틱 AI 역시 메모리 최적화의 주요 활용 분야로 제시됐다. 여러 AI 에이전트가 동시에 작업을 수행하거나 대규모 모델을 실행하는 환경에서는 많은 메모리 용량이 요구된다. AMD는 메모리 활용 효율을 높여 AI 서비스의 처리 능력을 확대하고, 기업이 보다 다양한 AI 워크로드를 운영할 수 있도록 지원한다는 방향을 제시했다.

클라우드에서 개인용 PC까지…소형 AI 모델이 바꾸는 컴퓨팅 환경

AI 기술이 데이터센터를 넘어 개인용 PC와 엣지 디바이스로 확산되고 있다는 점도 이번 행사의 주요 화두였다. 알렉세이 나볼로킨 AMD 아시아태평양 지역 총괄은 'Powering AI Everywhere: Client & Edge'를 주제로 클라이언트 컴퓨팅의 발전 방향과 AI PC의 활용 가능성을 소개했다. 특히 AI 모델의 효율이 높아지면서 클라우드에 의존하지 않고 개인용 시스템에서 AI를 직접 실행하는 환경이 확대되고 있다는 점을 강조했다.

기존의 대규모 AI 모델은 많은 연산 자원과 메모리를 필요로 하기 때문에 주로 데이터센터에서 실행됐다. 사용자는 인터넷을 통해 클라우드 서버에 접속하고, 서버에서 처리한 결과를 전달받는 방식으로 AI 서비스를 이용했다. 하지만 AI 모델의 구조와 학습 기술이 발전하면서 상대적으로 적은 매개변수로도 높은 성능을 구현하는 사례가 등장하고 있다.

AMD는 이를 설명하기 위해 GPT-OSS와 Qwen 3.5의 성능을 비교했다. 발표 자료에 따르면 2025년 8월 기준 1,200억 개의 매개변수를 가진 GPT-OSS 모델은 GPQA 점수 80.1점을 기록한 반면, 2026년 3월 기준 90억 개의 매개변수를 가진 Qwen 3.5는 81.7점을 기록했다. 매개변수 규모에는 상당한 차이가 있지만, 특정 평가에서는 소형 모델이 대형 모델과 비슷하거나 더 높은 점수를 기록할 수 있다는 점을 보여주는 사례다.

또 다른 비교에서는 Qwen 3.6 27B 모델이 GPQA 87.8점을 기록한 것으로 소개됐다. 같은 자료에서 Claude Sonnet 4.5는 83.4점, Claude Opus 4.5는 87.0점으로 제시됐다. AMD는 이러한 비교를 통해 상대적으로 작은 오픈 모델이 기존 대형 모델과의 성능 격차를 좁히고 있다는 점을 강조했다. 다만 해당 결과는 특정 벤치마크를 기준으로 한 것으로, 모든 작업에서 동일한 성능을 제공한다는 의미는 아니다.

소형 AI 모델의 발전은 로컬 AI 환경을 확대하는 중요한 요소다. 로컬 AI는 사용자의 PC에서 AI 모델을 직접 실행하는 방식으로, 모든 데이터를 클라우드 서버에 전송하지 않고도 다양한 AI 기능을 활용할 수 있다. 네트워크 연결 상태에 대한 의존도를 줄일 수 있으며, 기업이나 개인이 민감한 데이터를 자체 시스템에서 처리하는 환경을 구축하는 데에도 도움이 된다.

AMD는 Ryzen AI를 통해 이러한 로컬 AI 환경을 지원하고 있다. CPU와 GPU, NPU 등 다양한 연산 자원을 활용해 AI 작업을 처리하도록 구성했으며, 모델의 규모와 작업 특성에 따라 적절한 연산 자원을 활용하는 방식이다. 특히 AI 모델의 효율이 높아질수록 개인용 PC에서도 더 복잡한 작업을 처리할 수 있다는 점에서 하드웨어와 소프트웨어의 발전이 함께 이뤄져야 한다는 설명이다.

발표에서는 Ryzen AI 400 시리즈와 Ryzen AI MAX의 모델 실행 범위도 비교했다. Ryzen AI 400 시리즈는 90억 개의 매개변수를 가진 모델을 예시로 제시했으며, 지원 가능한 모델 규모의 상한을 240억 개로 소개했다. 반면 Ryzen AI MAX는 270억 개 규모의 모델을 예시로 들고, 최대 2,000억 개 규모의 모델까지 지원할 수 있다는 점을 강조했다.

이는 시스템의 메모리 구성과 모델의 정밀도, 실행 환경에 따라 달라질 수 있는 수치다. 다만 대용량 메모리를 활용할 수 있는 시스템은 상대적으로 큰 언어 모델을 로컬에서 실행하는 데 유리하다. 특히 GPU와 CPU가 메모리 자원을 공유하는 구조는 대규모 AI 모델의 실행 환경을 구성하는 데 중요한 요소로 작용할 수 있다.

AMD는 차세대 AI 플랫폼으로 'Gorgon Halo'도 소개했다. 발표 자료에 따르면 해당 플랫폼은 최대 192GB의 통합 메모리를 지원하며, 기존 128GB에서 메모리 용량을 확대하는 방향으로 설계됐다. 또한 실행 가능한 AI 모델의 규모를 기존 2,000억 개에서 최대 3,000억 개의 매개변수로 확대할 수 있다고 설명했다.

Gorgon Halo는 대규모 AI 모델을 클라우드에 의존하지 않고 데스크톱 환경에서 실행하는 것을 목표로 한다. 이를 통해 개발자와 연구자, 기업 사용자가 로컬 시스템에서 보다 복잡한 AI 작업을 수행할 수 있는 환경을 제공한다는 구상이다. 특히 대용량 메모리를 필요로 하는 언어 모델이나 여러 AI 작업을 동시에 실행하는 환경에서 활용 가능성이 높을 것으로 예상된다.

AMD는 Ryzen AI MAX 기반 시스템에서 Qwen 3.8 Flash Next 모델을 로컬로 실행하는 사례도 소개했다. 발표 자료에서는 125+51B 매개변수 구조의 모델을 활용했으며, Q4 K XL 양자화와 MTP 조건에서 초당 최대 42토큰의 처리 성능을 제시했다. 이는 특정 모델과 실행 조건을 기준으로 한 결과지만, 개인용 시스템에서도 상당한 규모의 AI 모델을 실행할 수 있다는 점을 보여준다.

AI PC의 경제성까지 고려…로컬 AI와 클라우드의 역할 분담

AI PC의 활용 범위가 확대되면서 실제 도입 비용과 운영 효율을 분석하는 기술의 중요성도 높아지고 있다. AMD는 이번 행사에서 'AMD Client Tokenomics Calculator'를 소개하며, 로컬 AI와 클라우드 AI를 함께 활용하는 하이브리드 AI 환경의 경제성을 분석할 수 있다고 설명했다.

기업이 AI 기능을 도입할 때는 모든 작업을 클라우드에서 처리할지, 로컬 시스템에서 실행할지, 또는 두 방식을 함께 활용할지를 결정해야 한다. 클라우드는 대규모 연산 자원을 유연하게 활용할 수 있다는 장점이 있지만, 서비스 사용량이 증가하면 운영 비용도 함께 늘어날 수 있다. 반면 로컬 AI는 초기 하드웨어 구축 비용이 필요하지만, 반복적으로 수행하는 작업을 자체 시스템에서 처리할 수 있다는 특징이 있다.

AMD가 소개한 Tokenomics Calculator는 이러한 차이를 분석하기 위한 도구다. AI 작업의 처리 방식과 사용량 등을 바탕으로 예상 비용을 비교할 수 있도록 구성됐으며, 기업이 AI 시스템의 도입 효과를 검토하는 데 활용할 수 있다. 발표 자료에서는 서로 다른 시나리오에 따른 비용과 절감 가능 금액을 비교하는 화면도 공개됐다.

AMD는 특히 하이브리드 AI의 가능성을 강조했다. 모든 작업을 클라우드에서 처리하는 대신, 비교적 가벼운 작업은 로컬 시스템에서 실행하고 대규모 연산이 필요한 작업은 클라우드를 활용하는 방식이다. 이를 통해 작업의 특성에 맞춰 컴퓨팅 자원을 배분하고 비용 효율을 높일 수 있다는 설명이다.

AI PC의 경쟁력을 보여주는 자료도 소개됐다. AMD는 Ryzen 프로세서를 탑재한 Framework 시스템과 NVIDIA RTX Spark를 비교한 PC Gamer의 평가 결과를 인용해 CPU 성능과 배터리 사용 시간, 제품 가격 측면의 차이를 제시했다.

발표에 따르면 Cinebench 2024 멀티코어 테스트에서 Framework 시스템은 1,158점을 기록해 RTX Spark의 1,018점보다 약 14% 높은 점수를 보였다. PCMark 10 Gaming 기준 배터리 사용 시간은 Framework 시스템이 131분, RTX Spark가 86분으로 제시됐으며, AMD는 이를 약 52%의 차이로 설명했다.

가격 역시 비교 대상으로 제시됐다. Framework 시스템의 평가 당시 가격은 3,749달러로, RTX Spark의 4,400달러보다 약 17% 낮았다. AMD는 이를 통해 자사 프로세서 기반 시스템이 성능과 배터리 효율, 가격 측면에서 경쟁력을 갖추고 있다는 점을 강조했다.

다만 해당 비교는 서로 다른 제품의 특정 구성과 평가 조건을 기준으로 한 것이다. 모든 AMD 기반 시스템이 동일한 결과를 제공한다는 의미는 아니며, AI 연산 성능 자체를 비교한 결과와도 구분할 필요가 있다. AI PC의 실제 가치는 사용자가 실행하는 작업과 소프트웨어 환경, 시스템 구성에 따라 달라질 수 있다.

AMD가 이번 발표에서 강조한 부분은 AI PC의 경쟁력이 단순히 NPU의 연산 성능이나 AI 기능의 지원 여부로 결정되지 않는다는 점이다. 실제 업무에 적용했을 때 얼마나 많은 작업을 처리하고, 클라우드 사용량을 줄이며, 전체 비용을 절감할 수 있는지가 중요한 평가 요소로 자리 잡고 있다는 것이다.

소버린 AI와 개방형 소프트웨어…국내 AI 생태계로 확대되는 AMD의 전략

AI 인프라의 발전을 위해서는 하드웨어 성능뿐만 아니라 이를 효율적으로 활용할 수 있는 소프트웨어 환경도 중요하다. 라민 로안 AMD AI 제품 관리 부문 부사장은 'AI Software: Sovereign AI / ROCms'를 주제로 소버린 AI와 개방형 소프트웨어 생태계의 중요성을 소개했다. 

소버린 AI(Sovereign AI)는 국가나 기업이 자국 또는 자체 통제 환경에서 AI 인프라와 데이터, 모델을 운영하는 개념이다. AI가 산업 전반의 핵심 기술로 자리 잡으면서 데이터의 관리와 보안, 기술적 독립성을 확보하려는 요구가 커지고 있다. 특히 공공기관이나 금융, 의료 등 민감한 데이터를 다루는 분야에서는 AI 시스템의 운영 환경을 직접 통제할 수 있는지가 중요한 요소로 작용한다.

AMD는 이러한 환경에서 개방형 소프트웨어 생태계가 중요한 역할을 할 수 있다고 강조했다. 특정 하드웨어나 소프트웨어 플랫폼에 대한 의존도를 줄이고, 기업이 필요한 기술을 유연하게 선택할 수 있도록 지원하는 것이 핵심이다. 이를 위해 AMD는 GPU 컴퓨팅 소프트웨어 플랫폼인 ROCm을 중심으로 AI 개발 환경을 확대하고 있다.

ROCm은 AMD GPU를 활용한 고성능 컴퓨팅과 AI 작업을 지원하는 소프트웨어 플랫폼이다. 개발자는 이를 통해 다양한 AI 프레임워크와 라이브러리를 활용할 수 있으며, AMD의 하드웨어에서 AI 모델을 학습하거나 추론하는 환경을 구축할 수 있다. 특히 오픈소스 생태계와의 연계를 통해 개발 환경의 선택권을 확대하는 데 초점을 맞추고 있다.

국내 AI 생태계와 관련된 프로그램도 마련됐다. 장정희 AMD 코리아 커머셜 세일즈 총괄이 진행을 맡은 'Building Korea's AI Nation: From Infrastructure to Impact' 패널 토론에서는 국내 AI 산업의 발전과 인프라 구축, 기술 활용에 대한 논의가 이뤄지는 순서가 마련됐다.

또한 국내 AI 기업들의 발표를 통해 실제 기술 활용 사례도 소개됐다. 노타AI의 김태호 최고기술책임자(CTO)는 'From AI Vision to Real-World Impact'를 주제로 발표했으며, 래블업의 신정규 대표는 'High-performance LLM/VLM inference on AMD Halo with MLxcel engine'을 주제로 AMD 기반 AI 추론 기술을 소개하는 시간을 가졌다. 

개발자를 위한 AI DevDay 프로그램에서는 보다 실무적인 내용이 다뤄졌다. 멀티 에이전트 시스템 구축과 로컬 AI 모델 활용, 강화학습 및 AI 개발 환경 등을 주제로 한 세션이 마련됐으며, ROCm의 구조와 프로그래밍, 최적화 기술을 직접 다루는 인증 워크숍도 진행됐다.

이러한 프로그램은 AMD가 AI 하드웨어 공급에 그치지 않고 개발자와 소프트웨어 기업까지 포함하는 생태계 확대에 주력하고 있다는 점을 보여준다. AI 기술이 실제 산업에 적용되기 위해서는 연산 성능뿐만 아니라 개발 도구와 소프트웨어의 완성도, 다양한 기업 간의 협력이 함께 뒷받침돼야 하기 때문이다.

AMD 생태계를 직접 만나다…다양한 파트너사들의 기술 전시

행사장 외부에 마련된 전시 공간에서는 AMD의 다양한 파트너사들이 실제 제품과 솔루션을 선보였다. 데이터센터용 서버부터 AI 개발 환경, 비즈니스 PC, 가속기 및 스토리지 기술까지 폭넓은 분야의 제품이 전시돼 AMD 생태계의 활용 범위를 확인할 수 있었다.

슈퍼마이크로는 AMD와 협력해 구축한 데이터센터용 서버 시스템을 소개했다. 전시 부스에는 랙마운트 형태의 서버 장비가 마련됐으며, 대형 디스플레이를 통해 데이터센터 인프라와 관련된 기술을 설명했다. 슈퍼마이크로는 AI와 클라우드, 고성능 컴퓨팅 등 다양한 분야에 대응하는 서버 솔루션을 제공하는 업체로, AMD 기반 시스템을 활용한 데이터센터 구축 사례를 소개했다.

HP는 AMD 기반 비즈니스 PC와 모바일 워크스테이션을 중심으로 로컬 AI의 활용 가능성을 선보였다. 'Bring AI to the Edge'라는 주제로 개발과 파인튜닝, 추론까지 로컬 환경에서 수행할 수 있다는 점을 강조했으며, 실제 시스템을 활용한 AI 소프트웨어 구동 화면도 전시했다.

특히 HP 부스에서는 Perplexity MCP 커넥터를 활용한 업무 환경도 소개됐다. MCP(Model Context Protocol)는 AI 모델과 외부 도구 및 데이터 소스를 연결하기 위한 기술로, AI가 다양한 업무 시스템과 연동해 작업을 수행하는 데 활용할 수 있다. HP는 이를 통해 AI PC가 단순한 개인용 컴퓨팅 장치를 넘어 업무 자동화를 지원하는 플랫폼으로 발전할 수 있다는 가능성을 보여줬다.

HPE는 AMD EPYC 프로세서를 탑재한 ProLiant Gen13 서버를 중심으로 기업용 인프라를 소개했다. 전시 부스에서는 서버 시스템의 구성과 주요 기술을 설명하는 자료가 마련됐으며, AI 및 기업용 워크로드에 대응하기 위한 플랫폼의 특징을 강조했다. 데이터센터의 운영 효율과 관리 편의성도 주요 소개 내용에 포함됐다.

국내 AI 소프트웨어 기업인 모레(MOREH)는 AMD 기반 AI 연산 환경을 위한 소프트웨어 기술을 선보였다. 부스에서는 AI 모델 실행과 관련된 소프트웨어 화면을 시연했으며, 여러 연산 자원을 활용하는 AI 작업의 처리 환경을 소개했다. AMD의 하드웨어와 국내 기업의 소프트웨어 기술이 결합된 사례라는 점에서 관심을 끌었다.

망고부스트(MangoBoost)는 AI 인프라의 처리 효율을 높이기 위한 가속 솔루션을 전시했다. 특히 BoostX RoCE AI와 BoostX NRT 등 다양한 제품을 소개하며, 데이터센터 환경에서 네트워크와 스토리지 처리 효율을 높이기 위한 기술을 강조했다. 실제 제품의 회로기판을 전시해 시스템 구성과 하드웨어의 형태를 직접 확인할 수 있도록 했다.

레노버 역시 전시 공간을 마련하고 AMD 기반 컴퓨팅 환경과 관련된 솔루션을 소개했다. 전시 공간에는 시스템과 시연용 디스플레이가 마련됐으며, 기업용 컴퓨팅 환경에서 활용할 수 있는 다양한 기술을 살펴볼 수 있었다.

AMD EXPERIENCE ZONE에서는 보다 직접적인 AI 기술 체험이 가능했다. Ryzen AI 기반 시스템에서 로컬 AI 소프트웨어를 실행하는 모습을 확인할 수 있었으며, 여러 모델을 선택하고 실행하는 개발 환경도 소개됐다. AMD Ryzen AI PRO 관련 제품과 소형 시스템을 통해 로컬 AI가 실제 PC 환경에서 어떻게 구현되는지를 보여줬다.

AMD Instinct MI300X 가속기도 별도로 전시됐다. 대규모 AI 모델의 학습과 추론에 활용되는 데이터센터용 가속기로, AMD의 AI 하드웨어 전략을 상징하는 제품 중 하나다. 실제 패키지 형태를 가까이에서 확인할 수 있도록 전시해 관람객들의 이해를 도왔다.

행사장 전시는 AMD가 강조하는 개방형 생태계 전략을 실제 제품으로 보여주는 공간이기도 했다. 서버 제조사와 PC 업체, AI 소프트웨어 기업, 인프라 가속 솔루션 업체 등 다양한 기업들이 AMD 기술을 기반으로 서로 다른 시장을 공략하고 있다는 점을 확인할 수 있었다.

홍진욱 기자/honga@mediapic.co.kr

ⓒ 미디어픽(https://www.mediapic.co.kr) 무단전재 및 재배포금지