All Posts

[2026년 10월 1일] 대원씨티에스 엔터프라이즈 부문(대표 최귀남)이 카자흐스탄공화국 인공지능 및 디지털개발부(MAIDD)와 AI 모듈러 데이터센터 및 AI 인프라 분야 포괄적 협력을 위한 양해각서(MOU)를 체결했다고 밝혔다. 이번 MOU는 제1차 한-중앙아시아 정상회의를 계기로 열린 한-카자흐스탄 비즈니스 라운드테이블에서 체결됐다. 이번 협력은 한국의 소버린 AI 역량을 카자흐스탄의 AI 인프라 부문의 성장 잠재력과 연결한다는 점에서 의미가 있다. 카자흐스탄은 2026년을 ‘디지털화 및 인공지능의 해’로 지정하고 국가 디지털 전환 및 AI 발전 전략인 ‘Digital Qazaqstan’을 추진하고 있다. 에키바스투즈 지역에는 최대 1GW 규모의 ‘Data Center Valley’를 조성하고 있으며 정부 차원에서 경쟁력 있는 전력비와 투자자 우대 전력 요금 모델을 앞세워 AI·클라우드 인프라 투자를 유치하고 있다. 대원씨티에스는 자체 개발한

한국의 소버린 AI 정책이 전환점을 맞고 있습니다. 그동안 정책의 중심이 독자 파운데이션 모델을 확보하는 데 있었다면 2026년 9월 말 현재는 여러 기업의 자원과 역량을 결집해 프런티어급 모델을 개발하는 방안까지 논의되고 있습니다. 정부는 기업이 보유한 GPU와 데이터, 인재를 결집하기 위한 민관 합작 특수목적법인(SPC) 방식 등을 검토하고 있다고 합니다. 다만 독자 모델 프로젝트의 중단이나 SPC 설립은 아직 확정되지 않았습니다. 과학기술정보통신부는 최상위급 AI 모델 개발에 재원을 집중할 필요성에는 공감하지만 구체적인 추진 방식은 결정되지 않았다고 밝혔습니다. 이러한 논의는 프런티어 AI 경쟁에 필요한 자원과 투자 규모가 커지면서 한 기업이 컴퓨팅과 데이터, 인재, 서비스 역량을 모두 확보하기 어려워졌다는 현실을 보여줍니다. 관련해 이번 포스팅에서는 모델 개발 전략의 노선이 바뀌는 것을 기회로 어떻게 소버린 AI 생태계의 경쟁력을 강화할 수

2026년 8월 23일부터 25일까지 Hot Chips 2026이 열렸습니다. 이번 행사는 AI 인프라의 주요 관심사가 어디로 이동했는지를 잘 보여주는 자리였습니다. 올 해에도 다양한 주제가 논의되었습니다. HBM과 3D DRAM, HBF, PIM 같은 메모리 기술부터 CPU, GPU, 네트워크와 인터커넥트, 하이퍼스케일러의 맞춤형 AI 가속기, 랙스케일 시스템 등 다양한 이야기가 오갔는데요. 모든 주제를 관통하는 메시지가 있었습니다. AI 시스템의 경쟁 단위가 하나의 칩에서 데이터 이동 경로와 메모리, 네트워크, 소프트웨어를 함께 설계한 시스템으로 바뀌고 있다는 것이었습니다. 관련해 이번 포스팅에서는 Hot Chips 2026을 통해 알 수 있었던 AI 인프라 담당자가 알아야 할 주요 트렌드를 정리해 보겠습니다. Trends 1: 연산보다 중요한 데이터 이동 AI 가속기의 연산 성능은 빠르게 높아지고 있습니다. 반면에 메모리 용량과 대역폭,

AI 인프라 구축 경쟁이 전 세계를 뜨겁게 달구고 있습니다. 관련해 최근 가장 많이 들리는 단어가 있습니다. 바로 병목입니다. AI 인프라가 본격적으로 가동하기까지 거쳐야 할 병목 구간이 꽤 많습니다. AI 가속기가 도착해도 전력과 냉각 공사가 끝나지 않으면 값비싼 자원은 그대로 멈춰 있습니다. 여러 공급사의 설비를 현장에서 처음 연결하면 설계 변경과 호환성 검증, 시운전 기간이 길어질 수 있습니다. 이런 병목 없이 AI 인프라를 신속하게 구축해 운영하는 방법은 없을까요? 있습니다. 이번 포스팅에서는 기존 데이터센터가 고밀도 AI 컴퓨팅을 수용하기 어려운 이유를 먼저 살펴보겠습니다. 이어서 컴퓨팅·네트워크·스토리지와 전력·냉각을 사전에 통합한 KAYTUS AI Compute Pod이 구축 기간을 어떻게 줄이는지 알아보겠습니다. 최신 AI 서버 수용이 어려운 이유 AI 인프라는 전통적인 데이터센터나 전산실 환경과 여러모로 다릅니다. 그러다 보니 최신

업종과 기업 규모를 떠나 모두가 디지털 전환(DX)과 AI 전환(AX)이라는 목표를 향해 나아가는 시대입니다. DX와 AX는 개별적인 것이 아닙니다. 비즈니스와 업무 방식을 디지털화하고 조직의 역량을 데이터라는 자산으로 쌓은 후 여기에 AI를 더해 변화를 이끌어 내는 여정입니다. 이런 흐름이 매끄럽게 이어지도록 엔터프라이즈 컴퓨팅 환경도 진화를 거듭하고 있습니다. 가장 두드러진 변화는 인프라에서 일어나고 있습니다. 클라우드 네이티브를 시작으로 인프라는 AI 네이티브 환경으로 바뀌고 있습니다. 이번 포스팅에서는 진화의 한 축을 담당하는 데이터 인프라가 어떤 과정을 거쳐 현대화되고 있는지 알아보겠습니다. 스토리지에 대한 인식의 변화 스토리지 운영이라고 하면 장비 관리가 떠오를 것입니다. 용량이 부족하면 장비를 추가하고 고성능이 필요한 애플리케이션에는 더 빠른 장비를 배치하는 방식이 익숙할 것입니다. 이러한 장비 중심의 인식은 플래시 스토리지와 가상화

2026년 AI는 실전의 영역에서 그 가능성을 평가받고 있습니다. 업무 환경을 넘어 이제 금융, 제조, 소매, 공공 등 비즈니스 현장으로 평가의 무대가 넓어지고 있습니다. 가장 빠르게 가능성을 인정 받는 분야는 아무래도 IT 분야입니다. 요즘 AI 없이 코딩하는 프로젝트 현장이 없을 정도로 개발 쪽에서는 뿌리를 내렸습니다. AI가 업의 본질을 바꿀 것으로 인프라, 데이터, 보안 등 IT 운영이 요즘 주목받고 있습니다. 관련해 이번 포스팅에서는 AI 시대를 맞아 그 중요성이 나날이 커지고 있는 스토리지 인프라 관리를 AI가 어떻게 바꾸어 놓고 있는지 Everpure(구 Pure Storage)의 Fusion MCP Server를 예로 살펴보겠습니다. 수작업에서 해방 분야를 막론하고 IT 운영은 수작업의 연속입니다. 장비나 솔루션을 설치하고 최적화한 다음 매일 같이 모니터링을 하며 관리 작업을 합니다. 눈으로는 대시보드를 보고 손으로는 관리 콘솔이

AI 인프라의 성능을 이야기하면 GPU의 연산 성능부터 떠올리게 됩니다. 하지만 분산 학습이나 대규모 추론에서는 AI 가속기 하나가 혼자 작업하지 않습니다. 여러 AI 가속기가 데이터를 계속 주고받으며 하나의 작업을 함께 처리합니다. 이때 네트워크가 데이터를 제때 전달하지 못하면 어떻게 될까요? 값비싼 AI 가속기가 연산 대신 통신을 기다리게 됩니다. 그래서 AI 데이터센터(이하 AIDC)에서는 네트워크가 단순히 서버를 연결하는 수단을 넘어, 여러 AI 가속기를 하나의 컴퓨팅 시스템으로 묶는 핵심 요소로 자리 잡고 있습니다. 관련해 이번 포스팅에서는 AIDC 네트워크가 기존 데이터센터 환경과 무엇이 다른지, 이더넷이 어떻게 AI 패브릭(AI Fabric)으로 진화하고 있는지 살펴보겠습니다. 더불어 Arista가 대규모 AI 패브릭을 구축할 때 제안하는 세 가지 아이디어도 알아보겠습니다. AIDC 네트워크는 무엇이 다를까? 기존 클라우드 데이터센

AI 산업의 발전을 이야기할 때 빠지지 않고 등장하는 단어가 있습니다. 바로 병목입니다. 모델 성능을 높일 때도, AI 가속기의 활용률을 높일 때도, 대규모 AI 인프라를 구축할 때도 결국 문제는 어느 지점에서 전체 흐름이 막히느냐로 모입니다. AI 데이터센터(AIDC)도 마찬가지입니다. 충분한 컴퓨팅 자원을 확보하는 것만으로는 부족합니다. 서버와 가속기, 전력과 냉각, 네트워크와 운영 환경이 제때 준비되고 하나의 시스템으로 연결돼야 비로소 가동할 수 있습니다. 이번 포스팅에서는 AIDC 구축 과정에서 발생하는 주요 병목을 살펴보고, 이를 줄이기 위한 접근 가운데 하나인 사전 제작형 모듈러 데이터센터(PMDC, Prefabricated Modular Data Center)를 살펴보겠습니다. AIDC 사업의 성패를 가르는 시간 AIDC를 준비하는 기업이 가장 먼저 떠올리는 과제는 GPU 확보일 것입니다. 충분한 수의 AI 가속기만 확보하면 AIDC

AI 산업의 다음 흐름은 어떻게 파악하시나요? 여러 방법이 있지만 아마 많은 분들이 AI 업계의 유명인들이 연사로 나서 다양한 세션을 진행하는 글로벌 행사를 주목할 것입니다. 관련해 이번 포스팅에서는 2026년 AI 인프라 부분에서 어떤 화두가 모두의 관심사인지 RAISE Summit 2026의 주요 의제와 발표 내용을 참조해 살펴보겠습니다. RAISE Summit은 AI 기술과 산업, 투자와 정책의 흐름을 함께 확인할 수 있는 글로벌 행사입니다. 2026년 행사는 7월 8일과 9일 프랑스 파리 루브르 카루젤에서 열렸습니다. 약 9,000명이 참석했고 Yann LeCun과 구글의 Amin Vahdat, Pat Gelsinger를 비롯한 업계 리더가 연단에 올랐습니다. 기조연설과 패널, 비공개 세션, 스타트업 프로그램을 통해 AI를 실제 산업에 적용하는 과정에서 나타난 과제를 폭넓게 다뤘습니다. 행사 전체가 다양한 AI 의제를 다뤘다면 인프라 관련

최신 AX 시장의 큰 흐름은 프런티어 모델과 오픈 웨이트(open-weight) 모델의 공존입니다. 기업들은 업무 특성과 보안 요구에 따라 여러 모델을 조합하는 방식으로 AX를 추진하고 있습니다. 범용 업무는 프런티어 모델 기업의 엔터프라이즈 플랜을 활용하고, 민감한 업무는 온프레미스 또는 전용 인프라에서 오픈 웨이트 모델을 운영하는 방식이 확산되고 있습니다. 이러한 흐름은 Kimi K3, GLM 5.2, Qwen 3.8 등 최신 오픈 웨이트 모델의 성능과 비용 경쟁력이 빠르게 높아지면서 더욱 가속화되고 있습니다. CIO와 인프라 담당자에게 선택지가 넓어진 것은 반가운 일입니다. 그러나 실무자 입장에서는 추론 성능과 토큰 비용의 균형을 찾아야 하는 부담도 커졌습니다. 이번 글에서는 이러한 부담을 줄이는 접근으로 Pure Storage의 Pure Key-Value Accelerator(Pure KVA)를 살펴보겠습니다. KV 캐시 저장소를 공유 스토

AI 데이터센터는 전통적인 데이터센터와 확장 방식부터 다릅니다. GPU, NPU, TPU, xPU 같은 AI 가속기의 수를 늘리는 것만으로는 충분하지 않습니다. 랙 내부의 초저지연 연결에서 시작해 여러 랙으로 구성된 클러스터, 나아가 다른 지역의 AI 데이터센터까지 하나의 운영 관점에서 연결하는 네트워크 확장이 뒷받침되어야 합니다. 네트워크 업계에서는 이러한 확장을 각각 스케일 업(Scale-Up), 스케일 아웃(Scale-Out), 스케일 어크로스(Scale-Across)로 설명합니다. 그렇다면 Arista는 이러한 요구를 어떻게 지원할까요? Arista는 기존 리프-스파인 구조를 AI 워크로드에 맞춘 멀티 패브릭 구조로 확장하고 스케일 업·스케일 아웃·스케일 어크로스를 하나의 운영 체계에서 연계하는 개방형 이더넷 기반 AI 패브릭을 제시합니다. 이번 포스팅에서는 세 가지 확장 방식의 차이를 살펴보고 Arista AI Etherlink와 EOS가

AI 워크로드의 중심이 바뀔 때마다 인프라 전략도 함께 달라져야 합니다. 2026년 현재 기업 AI 전략의 핵심 축으로 부상한 영역은 Agentic AI입니다. 에이전트는 훈련·추론과 워크로드 특성이 달라 인프라 운영과 확장 방식을 정할 때 고려 사항이 다릅니다. 관련해 이번 포스팅에서는 조직의 데이터, 시스템, 업무 흐름에 맞는 에이전트를 안정적으로 운영하기 위해 AI 인프라를 풀스택 관점에서 어떻게 확장해야 하는지 살펴보겠습니다. 에이전트는 무엇이 다른가? 최근 기업의 AX(AI Transformation) 전략은 단순 챗봇을 넘어 업무를 계획하고 실행하는 AI 에이전트로 확장되고 있습니다. 훈련과 추론에 이어 에이전트가 AI 인프라 용량 산정과 확장 계획에서 중요한 변수가 된 것이죠. 워크로드 유형이 인프라 전략에 영향을 주는 이유는 명확합니다. 훈련, 추론, 에이전트 운영은 각각 자원 사용 패턴과 병목 지점이 다르기 때문입니다. 차이점을 좀

AI 인프라 투자 경쟁이 격화되고 있습니다. AWS, Google Cloud, Microsoft와 같은 하이퍼스케일러는 기가와트급 AI 데이터센터 구축 계획을 연이어 공개하고 있으며 OpenAI, Anthropic과 같은 프런티어 모델 기업의 컴퓨팅 수요도 지속적으로 증가하고 있습니다. 이러한 흐름 속에서 AI 데이터센터의 설계 패러다임은 근본적인 전환기를 맞이하고 있습니다. 그 방향성은 과연 어디를 향하고 있을까요. 이에 대한 명확한 단서를 최근 Arista Networks 공식 유튜브 채널에 업로드된 영상에서 확인할 수 있습니다. Meta, Microsoft, Google Cloud, Arm, AMD, Cerebras, OpenAI, Anthropic의 인프라 최고책임자와 CEO가 함께한 이번 인터뷰는 AI 데이터센터 설계의 새로운 청사진을 제시합니다. AI 데이터센터 설계 패러다임의 전환 기존 데이터센터 설계는 개별 구성요소를 조합하는 방식에

비디오 스트리밍 시장은 성숙기에 접어들었습니다. 소비자는 더 높은 화질을 기대하고, 서비스 사업자는 더 낮은 운영 비용을 요구하고 있습니다. 콘텐츠의 영역도 4K, HDR, 라이브, 숏폼, 스포츠 중계, 교육, 커머스까지 빠르게 확장되고 있습니다. 문제는 이러한 요구사항이 모두 동시에 증대하고 있다는 점입니다. 그동안 비디오 업계는 익숙한 공식으로 이 과제를 해결해 왔습니다. H.264가 기본 코덱으로 자리 잡고, HEVC는 고화질 서비스를 위한 선택지로 활용되었으며, 대규모 인코딩은GPU 중심으로 설계되었습니다. AI는 자동 자막 생성, 장면 분류, 하이라이트 추출과 같이 인코딩 파이프라인 외부에서 보조적으로 활용되는 수준이었습니다. 비용 절감을 위해서는 어느 정도 품질 양보를 감수해야 한다는 인식이 지배적이었습니다. 그렇다면 2026년에도 이러한 기존 공식이 유효할까요? NETINT가 발표한 '2026 State of Video Encodin

기업의 AI 활용 방식이 챗봇과 어시스턴트에서 에이전트로 빠르게 이동하고 있습니다. 사용자가 보기에는 큰 차이가 없어 보입니다. 요청을 입력하면 결과를 받는다는 점은 같죠. 하지만 뒤에서 일어나는 작업 과정은 전혀 다릅니다. 에이전틱 워크플로우(Agentic Workflow)는 한 번의 요청 안에 검색, 요약, 검증, 도구 호출, 보고서 작성까지 여러 단계가 이어집니다. 모델 호출이 빈번하게 발생하다 보니 GPU 사용량도 많고, 특정 단계에서 지연이 발생하면 작업 전체에 연쇄적으로 영향이 갑니다. KAYTUS가 2026년 4월 자사의 AI 데브옵스 플랫폼 MotusAI와 OpenClaw 통합을 발표한 이유도 바로 여기 있습니다. 핵심은 단순한 연동이 아닙니다. 에이전트를 프로덕션 환경에서 안정적으로 운영할 수 있는 방향성을 제시한 것입니다. 관련해 이번 포스팅에서는 MotusAI와 OpenClaw 연계의 배경과 의미를 짚어보겠습니다. 왜 추론 백엔

에이전틱 AI(Agentic AI) 시대가 열리면서 기업들의 관심사는 명확하게 ROI로 옮겨가고 있습니다. 지난 2~3년간 모델 도입, 인프라 구축, 파일럿 프로젝트에 막대한 비용을 쏟아부었습니다. 이 과정에서 AI 투자 성과는 결국 데이터라는 자산에서 나온다는 공감대가 확산되었습니다. 관련해 이번 포스팅에서는 AI Ready Data가 에이전틱 AI 시대의 성과 창출의 토대로 주목받는 이유와 에버퓨어(Everpure)가 이 문제를 어떻게 해결하고자 하는지 살펴보겠습니다. AI Ready Data란? 한국 조직의 디지털 전환(DX) 수준은 민간과 공공 모두 꽤 높습니다. 쌓아 놓은 데이터도 적지 않은 편입니다. 온프레미스 서버, 클라우드, SaaS 애플리케이션 등 기업 데이터는 사방에 흩어져 있습니다. 하지만 단순히 데이터가 많다고 해서 AI를 잘 활용할 수 있는 건 아닙니다. AI Ready Data는 양이 아니라 맥락의 문제입니다. 에이전틱 A

기업의 AI 투자 방향이 Agentic AI를 향하고 있습니다. 조직의 규모와 업종을 떠나 모두가 한 방향을 바라보고 있는 것이 바로 2026년 AI 전환(AX)의 메가 트렌드입니다. 프로젝트 현장에서 들리는 수많은 이야기에는 한 가지 공통점이 존재합니다. Agentic AI가 조직 내에 성공적으로 안착하려면 결국 일하는 방식을 근본적으로 되돌아보아야 한다는 것과, AI 네이티브 조직이 되기 위한 '지식 기반'이라는 핵심 자산이 반드시 선행되어야 한다는 점입니다. 여기서 말하는 지식 기반은 단순히 데이터베이스(DB), 데이터 웨어하우스(DW), 혹은 데이터 레이크 등에 담겨 있는 정형화된 데이터를 뜻하지 않습니다. 업무 일상에서 매일같이 만들어지고 사라지는 암묵지에 해당하는 지식을 AI가 이해하고 활용할 수 있는 형태의 정보로 차곡차곡 쌓아가는 것을 의미합니다. 이번 포스팅에서는 대원씨티에스가 전사적으로 AI 노트를 활용하며 하나둘 깨닫게 된, 지

2026년 5월 11일 코스피가 장중 7,800선을 넘어서며 한국 증시는 사실상 8,000선을 바라보는 국면에 들어섰습니다. 2025년 10월 4,000선을 처음 넘긴 지 일곱 달 만의 일이며, 거래대금도 사상 최대 수준에서 매주 갱신을 거듭하고 있습니다. 이런 호황세를 한국 증권사, 자산운용사, 헤지펀드의 IT 책임자라면 다른 관점에서 바라볼 것입니다. 단순히 지수 상승률이나 거래대금만 보지 않으며, 거래량 폭증, 대체 데이터 증가, 분석 수요 증가, 자율 에이전트 기반 리서치 환경 제공까지 고려해 퀀트 플랫폼을 어떻게 다시 설계할지 고민할 것입니다. 앞으로 퀀트 플랫폼은 단순한 분석 시스템을 넘어설 것입니다. AI 학습, AI 추론, 장문 추론, 자율 에이전트까지 함께 처리해야 합니다. 이번 포스팅에서는 Everpure 블로그에 올라온 Mike Russo의 글을 참조해, 앞서가는 퀀트 팀을 위한 차세대 데이터 전략의 방향을 살펴보겠습니다.

5월 13일(수) 오후 2시부터 6시까지 대원씨티에스 사옥인 TCC아트센터 지하 1층 대강당 세미나실에서 '국방 AIDC 전략 세미나'가 열렸습니다. 정부의 AX 전략에서 국방은 매우 중요한 위치에 있습니다. 미래 전장의 승패를 좌우할 AI 역량을 국방에 접목하려면 그 첫 단추인 AI 데이터센터(AIDC) 구축부터 풀어야 합니다. 이번 세미나는 그 구축에 필요한 모든 것을 한자리에서 살펴볼 수 있는 자리였습니다. 세미나를 관통한 화두는 분명했습니다. “GPU를 몇 개 확보하느냐가 아니라 어떤 방식으로 국방 AIDC를 구축해 운영할 것인가?”였습니다. 이번 세미나를 통해 확인한 국방 AIDC 전략에 대한 인사이트를 정리해 보았습니다. 국방 AIDC는 연산 자원의 집합이 아니다! AIDC를 이야기할 때 가장 먼저 떠올리는 것은 GPU입니다. 더 많은 GPU를 확보해야 한다는 말이 자주 나옵니다. 그러나 이번 세미나에서 확인한 현실은 달랐습니다. A

PoC의 벽을 넘어서기 위한 전제 조건 ‘데이터 준비’ 유명 시장 조사기관들은 그 결정적인 원인으로 'GPU'나 '모델 성능'이 아닌 '데이터'를 지목하고 있습니다. 데이터 준비(Data Readiness)가 제대로 되어 있지 않은 환경에서 AI 프로젝트가 PoC에 머물게 된다는 것입니다. 그렇다면 데이터 준비를 어떻게 해야 할까요? 사실 AI 프로젝트에서 가장 큰 비용과 노력이 투입되는 지점은 바로 '데이터 준비' 단계입니다. 실제로 현장의 데이터 팀은 업무 시간의 대부분을 인공지능이 즉시 학습하고 활용할 수 있는 최적의 상태로 데이터를 가공하는 데 쏟아붓고 있습니다. 이처럼 손이 많이 가는 이유는 AI 모델이 요구하는 데이터는 로우 데이터(Raw Data)가 아니라 맥락을 포함한 정보(Information)이기 때문입니다. 이에 데이터 팀은 다음과 같이 여러 단계의 작업을 하느라 많은 시간을 보내고 있습니다. 익명화 및 민감 정보 제거: 개인정