# 나빈 라오가 제시한 4D 컴퓨팅: AI의 전력 문제와 물리적 컴퓨터

> 2026-09-21 · All-In Podcast · 큐레이션 김태우
> https://challengekim.com/insights/나빈-라오가-제시한-4d-컴퓨팅-ai의-전력-문제와-물리적-컴퓨터
> 원문: https://www.youtube.com/watch?v=yAsrMA_ADPc

## 핵심 요약

- 나빈 라오는 AI 서비스의 수요가 늘어나는 속도에 비해 공급 가능한 전력이 제약이 될 것이라고 전망했다.
- 그가 이끄는 언컨벤셔널 AI는 정보를 메모리와 연산 장치 사이에서 옮기는 데 드는 에너지를 줄이기 위해 **동역학적 컴퓨터**를 개발하고 있다.
- 회사는 발진기의 상호작용을 이용한 이미지 생성 모델을 시뮬레이션으로 공개했고, 이후 제작한 초기 칩에서도 이미지를 생성했다고 밝혔다.
- 라오가 제시한 이미지당 약 500나노줄은 초기 칩의 측정 결과다. 기존 AI 모델의 전력 효율을 1,000배 높이겠다는 목표나 상용 제품의 성능이 입증됐다는 뜻은 아니다.

## AI 수요 앞에 놓인 전력 제약

라오는 구글이 공개한 월간 처리량이 3,200조 토큰을 넘는다고 말했다. 토큰은 AI 모델이 입력과 출력을 처리하는 단위다. 그는 토큰당 에너지를 비교적 낮은 가정치인 10줄로 잡으면 평균 전력 수요가 약 12기가와트에 이른다고 계산했다. 이어 미국 데이터센터의 전력 사용량을 약 40기가와트로 제시하며, 모델 크기와 이용량이 함께 늘 경우 약 3년 안에 에너지 부족에 직면할 수 있다고 추정했다. 이 시점은 그의 전망이다.

라오에 따르면 데이터센터를 구축할 때도 전력 확보가 먼저 고려된다. 그는 AI 서비스에서 토큰을 제공하는 비용의 약 절반이 에너지 비용이라고 주장했다. 언컨벤셔널 AI가 내세운 목표는 기존 하드웨어보다 전력당 처리 능력을 1,000배 높이는 것이다. 당초 5년으로 잡았던 달성 기간은 연구가 예상보다 빠르게 진행됐다며 3년 반으로 단축했다.

## 정보를 덜 움직이는 컴퓨터

라오는 현재 컴퓨팅 시스템에서 에너지가 많이 드는 이유로 **정보 이동**을 지목했다. 그의 설명에 따르면 인간 대뇌피질에서 이동하는 정보량은 초당 약 160억 비트인 반면, 고성능 컴퓨팅 시스템은 칩 밖의 메모리와 초당 약 30조 비트를 주고받는다. 뇌와 컴퓨터의 동작을 그대로 비교한 성능 지표는 아니지만, 그가 설계 방향을 정할 때 주목한 차이다.

기존 컴퓨터는 연산 장치와 메모리 사이에서 데이터를 이동시킨다. 언컨벤셔널 AI는 물리적 소자의 상태 변화 자체로 연산을 수행하고, 각 연산 요소가 기억 기능도 맡도록 설계한다. 라오는 이를 **4D 컴퓨팅**이라고 부른다. 칩을 평면뿐 아니라 수직으로 쌓는 세 공간 차원에, 소자의 상태가 변하는 시간 차원을 더한다는 뜻이다.

## 발진기에서 이미지 생성 칩까지

라오는 여러 메트로놈을 움직일 수 있는 판 위에 놓으면 물리적 상호작용만으로 박자가 맞춰지는 사례를 들었다. 회사는 이처럼 구성 요소의 연결과 시간에 따른 변화로 계산하는 방식을 생성형 AI에 적용하려 한다. 먼저 발진기 집합을 바탕으로 한 이미지 생성 모델 ‘우노’를 시뮬레이션하고 공개했다. 라오에 따르면 이 모델은 학습을 거쳐 자동차, 새, 비행기 등의 이미지를 생성했다.

연결 수를 줄이는 **희소성**도 핵심 설계 요소다. 모든 요소를 서로 연결하면 요소 10개에는 100개, 1,000개에는 100만 개의 연결이 필요하다. 라오는 일부 연결을 제거해도 시스템의 동작을 유지할 수 있으며, 회사의 시뮬레이션과 물리적 시스템에서는 학습 가능성과 효율이 개선됐다고 설명했다.

회사는 이어 물리적 칩을 설계해 제조 시설에 보냈고, 돌아온 칩에서 이미지를 생성했다고 발표했다. 라오는 이 초기 결과의 에너지 사용량을 이미지당 약 500나노줄로 제시하며, 일반적인 GPU의 이미지 생성에 드는 에너지는 밀리줄 단위라고 비교했다. 다만 발표에서는 두 방식이 같은 모델과 이미지 품질 조건에서 비교됐는지 설명하지 않았다. 언어 모델 같은 다른 작업도 가능하다는 발언 역시 이 칩에서 해당 작업을 검증했다는 결과와는 구분해야 한다.

## 상용화에는 모델 전환이 필요하다

라오가 먼저 구상하는 제품은 데이터센터용 랙 단위 시스템이다. 이용자는 네트워크를 통해 토큰을 입력하고 출력받지만, 내부 연산 방식은 기존 컴퓨터와 달라진다는 설명이다. 그는 완전한 제품까지 약 2년이 걸릴 것으로 예상했다.

기존 모델을 옮길 때는 개별 연산을 그대로 이식하는 방식이 아니라 **모델 수준에서 전환**해야 한다고 말했다. 기존 모델을 사용할 수는 있지만 전환에 상당한 계산이 필요하다는 것이다. 회사는 시간에 따라 변하고 확률적 성질을 띠는 요소를 표현하기 위한 파이썬 라이브러리도 만들었다. 이론 연구자와 칩 설계자가 한 제품을 함께 만드는 일 역시 라오가 꼽은 어려움이다.

## 결론

언컨벤셔널 AI는 이미지 생성 시뮬레이션에 이어 초기 물리 칩의 결과를 제시했다. 라오가 목표로 삼은 전력 효율과 데이터센터용 제품은 아직 개발 단계에 있다. 발표가 보여준 성과의 범위는 초기 칩의 이미지 생성과 그 에너지 측정치까지다.

---

원문을 바탕으로 AI 가 한국어로 요약·재구성한 글입니다. 인용·수치는 원문 링크에서 확인해 주세요. [원문 링크](https://www.youtube.com/watch?v=yAsrMA_ADPc)