Qianhe Yibang, 20억 위안 이상 조달…이제는 확실한 증명이 필요하다

Qianhe Yibang이 시리즈 B 투자로 20억 위안 이상을 조달한 것으로 전해졌다. 젊은 중국 칩 기업으로서는 이례적으로 큰 규모다. 이번 자금 조달은 인공지능 워크로드를 위해 3D DRAM과 연산을 결합하려는 회사의 시도에 상당한 자본을 뒷받침한다. 동시에 재무적 신뢰와 기반 하드웨어에 관한 제한적인 공개 증거 사이의 뚜렷한 긴장도 만들어낸다.

보도된 투자자로는 중국 구조개혁기금과 China Mobile 산업 펀드가 포함된다. Mountain View Capital, Starlink Capital, Shixi Capital, Muyan Capital, GP Capital, Nanshan Capital, Chaos Investment도 참여했다. 그 밖에 Chenyih Huizhi, Guoce Investment, Guoxin Venture Capital, Gezhi Capital도 투자자로 이름을 올렸다.

원문 투자 보도에 따르면 Muyan Capital은 독점 재무 자문을 맡았다. 기업가치나 개별 투자 금액은 공개되지 않았다. 상세한 제품 벤치마크, 고객 도입 사례, 제조 파트너, 양산 일정 역시 발표에 포함되지 않았다.

이 구분은 중요하다. 투자자들은 GPU와 고대역폭 메모리 모델의 대안으로 제안된 접근법에 자금을 댄 것이지, 이를 공개적으로 입증한 대체재에 투자한 것은 아니다. 이제 Qianhe Yibang은 자본을 검증 가능한 시스템, 접근 가능한 소프트웨어, 재현 가능한 고객 성과로 전환해야 한다.

이번 라운드는 훨씬 더 큰 칩 비전을 뒷받침한다

이번 자금 조달이 중요한 이유는 Qianhe Yibang이 틈새 부품 설계사가 아니라 인프라 공급업체를 표방하고 있기 때문이다.

공개 정보에 따르면 Qianhe Yibang은 2024년에 설립된 베이징 기업이다. 회사는 6개 도시에 걸쳐 100명 이상을 고용하고 있으며 20건 이상의 특허를 보유하고 있다고 밝힌다. 이 수치는 회사 웹사이트에서 나온 것으로, 독립적인 감사를 거치지 않았다.

공개 자료는 Qianhe Yibang의 기존 제품 방향을 두 가지로 설명한다. 하나는 지능형 엔드포인트 기기를 겨냥하고, 다른 하나는 클라우드 게이밍과 스트리밍 가속을 다룬다. 두 분야 모두 트랜스포머 모델용 3D DRAM 컴퓨팅에 붙는 훨씬 큰 약속과는 다소 거리가 있다.

회사는 G100을 맞춤형 회로와 재구성 가능한 데이터플로 아키텍처를 사용하는 에너지 효율적 시스템온칩으로 설명한다. 이 칩은 번역 펜과 교육 기기에서 실시간 음성 및 이미지 처리를 지원한다고 한다. 이러한 도입 사례는 실용적인 엔드포인트 사용 사례를 제시하지만, 회사는 고객을 특정하거나 출하량을 공개하지 않는다.

Qianhe Yibang은 클라우드 게이밍용으로도 C100 제품군을 판매한다. 회사는 전용 하드웨어가 영상 전송, 저지연 데이터 처리, 이미지 향상을 가속한다고 말한다. 다시 말해 공개 자료에는 독립적인 성능 측정치나 이름이 공개된 양산 고객이 없다.

시리즈 B의 서사는 이들 제품을 넘어선다. 기업 데이터베이스 설명은 회사를 맞춤형 3D DRAM, 트랜스포머 가속, 칩, 가속기 시스템, 클라우드 서비스를 결합한 풀스택 AI 인프라 제공업체로 위치시킨다. 이는 더 광범위하고 더 어려운 과제다.

풀스택 전략에는 실리콘 설계, 메모리 통합, 패키징, 컴파일러, 런타임 소프트웨어, 서버, 워크로드 최적화 전반의 역량이 필요하다. 각 계층은 가속기가 통제된 시연 환경 밖에서도 잘 작동하는지를 좌우할 수 있다. 자본은 이 작업에 자금을 댈 수 있지만, 통합의 부담을 없애지는 못한다.

최근 특허 출원 한 건은 회사의 방향을 더 구체적으로 보여준다. 컴파일러 특허는 멀티코어 AI 가속기에서 페이징 어텐션을 최적화하는 방법을 설명한다.

페이징 어텐션은 언어 모델 추론 중 분산된 키-값 캐시 블록을 관리한다. 이 특허는 직접 메모리 접근, 더블 버퍼링, 다수 배치에 걸친 동적 스케줄링을 다룬다. 이는 트랜스포머 모델 서비스 제공에서 익숙한 인프라 문제들이다.

특허 출원이 상업적 준비 상태를 입증하는 것은 아니다. 다만 Qianhe Yibang이 고립된 메모리 장치를 넘어서는 작업을 하고 있음을 보여준다. 설명된 아키텍처는 데이터 이동, 컴파일러 동작, 가속기 스케줄링을 연결한다.

이 연결이 이번 자금 조달을 더 중요하게 만든다. 메모리 중심 가속기는 실리콘만으로 경쟁할 수 없다. 데이터를 적절히 배치하고, 연산을 효율적으로 스케줄링하며, 피할 수 없는 전송을 감추는 소프트웨어가 필요하다.

따라서 이번 라운드는 Qianhe Yibang에 플랫폼을 개발할 시간을 제공한다. 동시에 고객과 투자자가 진전을 판단하는 기준도 높인다. 이 규모의 자금을 조달한 기업은 결국 아키텍처적 의도 이상의 것을 공개해야 한다.

가장 유용한 증거로는 테이프아웃된 실리콘, 독립 테스트 결과, 지원 모델군, 실제 서비스 조건에서 측정한 성능이 포함될 것이다. 고객 시험은 더욱 중요하다. 이런 신호가 나타나기 전까지 이번 자금 조달은 제품 성숙도보다 투자자의 확신을 더 강하게 보여주는 증거로 남는다.

지금 3D DRAM 컴퓨팅이 자본을 끌어들이는 이유

Qianhe Yibang은 현대 AI 시스템에서 가장 완고한 비용 중 하나인 모델 데이터 이동을 겨냥하고 있다.

기존 프로세서는 연산과 메모리를 물리적으로 분리해 둔다. 연산이 완료되기 전 데이터는 이들 구성 요소 사이를 이동해야 한다. 이러한 분리는 흔히 메모리 월이라 불리는 대역폭 및 에너지 제약을 만든다.

널리 인용되는 메모리 월 리뷰는 데이터 전송을 기존 컴퓨터 시스템의 근본적 한계로 설명한다. 산술 유닛이 빠르게 처리할 수 있을 때조차 데이터를 이동하는 데 시간과 에너지가 든다.

대형 트랜스포머 모델은 이 문제를 심화시킨다. 추론은 모델 가중치를 반복적으로 읽고, 이전 토큰의 정보를 보존하는 늘어나는 키-값 캐시를 관리한다. 더 많은 사용자, 더 긴 컨텍스트, 더 큰 모델은 메모리 용량과 대역폭에 대한 압박을 높인다.

현대 AI 가속기는 보통 HBM이라 불리는 고대역폭 메모리로 이 압박에 대응한다. HBM은 메모리 다이를 프로세서 가까이에 적층하고 넓은 인터페이스를 통해 연결한다. 이 구성은 기존 서버 메모리보다 훨씬 높은 대역폭을 제공한다.

하지만 HBM이 데이터 이동을 없애지는 않는다. 메모리와 연산 사이의 경로를 더 짧고 넓게 만들 뿐이다. 용량, 패키징 복잡성, 공급 가용성, 열 특성, 전체 시스템 비용은 여전히 중요한 제약이다.

메모리 내 연산은 다른 접근법을 택한다. 선택된 연산을 메모리 어레이 내부 또는 저장된 데이터 가까이에서 수행한다. 더 폭넓은 기술 분류는 이 용어가 하나의 보편적 설계가 아니라 여러 아키텍처를 포괄한다는 점을 보여준다.

일부 시스템은 메모리 셀을 계산에 직접 사용한다. 다른 시스템은 로직을 메모리 어레이 옆이나 적층 메모리 계층 아래에 배치한다. 디지털, 아날로그, 휘발성, 비휘발성 구현은 각각 다른 이점과 한계를 지닌다.

Qianhe Yibang이 밝힌 방향은 맞춤형 3D DRAM에 초점을 둔다. 원칙적으로 DRAM을 긴밀히 통합된 로직과 적층하면 내부 대역폭을 높이고 패키지 전반의 이동을 줄일 수 있다. 또한 선택된 트랜스포머 연산을 저장 데이터에 더 가깝게 가져올 수 있다.

이 아이디어는 모든 기존 연산을 아날로그 메모리로 대체하는 것과 다르다. DRAM 기반 설계는 근접성과 병렬성을 활용하면서도 익숙한 디지털 동작을 유지할 수 있다. 다만 어떤 기능을 메모리 가까이에 둘지 신중하게 결정해야 한다.

시점은 세 가지 이유로 유리하다. 첫째, AI 추론은 더 큰 인프라 우선순위가 됐다. 기업들은 이제 모델 학습 비용뿐 아니라 서비스 제공에 드는 반복 비용에도 관심을 둔다.

둘째, 더 긴 컨텍스트 윈도는 메모리에 더 큰 압박을 준다. 대화, 문서, 에이전트 워크플로가 늘어날수록 시스템은 더 많은 키-값 캐시 데이터를 저장하고 검색해야 한다. 메모리 관리는 순수 연산 성능보다 먼저 실질적 한계가 될 수 있다.

셋째, 중국 투자자들은 국내 AI 인프라를 지원할 강한 유인을 지닌다. 첨단 가속기, HBM, 제조 능력, 패키징에 대한 접근은 여전히 전략적으로 중요하다. 대안 아키텍처는 현지에서 통제되는 시스템을 향한 또 다른 경로를 제공한다.

투자자 명단은 이러한 전략적 차원을 반영한다. 국영 연계 펀드와 China Mobile 펀드는 민간 벤처 투자자들과 함께한다. 이들의 참여는 기회가 단순한 투기적 칩 기능이 아니라 인프라로 평가되고 있음을 시사한다.

China Mobile의 참여는 특히 관련성이 크다. 통신 기업들은 대규모 컴퓨팅 네트워크를 운영하기 때문이다. 이런 조직은 추론, 클라우드 애플리케이션, 엣지 서비스에 까다로운 배포 환경을 제공할 수 있다. 다만 참여가 구매 계약을 확인하는 것은 아니다.

핵심 경제적 질문은 단순하다. 더 긴밀한 통합이 충분한 데이터 이동을 줄여 시스템 수준에서 유효 처리량, 에너지 사용량 또는 용량을 개선할 수 있는가? 답은 이론적 대역폭 수치만으로는 나올 수 없다.

실제 시스템은 동기화, 제어 흐름, 통신, 소프트웨어 오버헤드, 메모리에 깔끔하게 매핑되지 않는 연산에도 시간을 쓴다. 한 설계가 특정 행렬 연산에서는 탁월할 수 있지만, 전체 모델에서는 제한적인 이득만 낼 수 있다.

이 때문에 Qianhe Yibang의 컴파일러와 풀스택 주장이 중요하다. 회사는 메모리 하드웨어에 워크로드 인지형 소프트웨어가 필요하다는 점을 이해하는 것으로 보인다. 과제는 완전한 스택이 의미 있는 우위를 제공한다는 것을 입증하는 일이다.

Qianhe Yibang은 GPU와 HBM의 기본 구도에 도전한다

주요 경쟁은 Qianhe Yibang과 한 스타트업 간의 대결이 아니라, 새로운 메모리 중심 시스템과 확립된 GPU 및 HBM 플랫폼 간의 대결이다.

GPU는 프로세서 속도 이상의 막대한 우위를 지닌다. 개발자는 성숙한 프로그래밍 도구, 최적화된 커널, 모델 프레임워크, 프로파일링 시스템, 문서, 확립된 배포 방식을 이용할 수 있다. 클라우드 제공업체는 이미 주변 인프라를 운영하고 있다.

HBM은 이 성숙한 플랫폼의 일부다. 가속기 공급업체는 그 동작 특성에 맞춰 프로세서, 패키지, 인터커넥트, 소프트웨어를 설계한다. 이후 서버 제조업체는 이러한 시스템을 프로덕션 환경에 맞게 검증한다.

Qianhe Yibang은 사실상 이 구성이 성능과 에너지를 지나치게 낭비한다고 주장한다. 회사가 제안한 해법은 3D DRAM과 트랜스포머 가속을 결합하는 것이다. 목표는 분리된 연산 및 메모리 자원 사이의 지속적인 이동 의존도를 낮추는 데 있다.

이 주장은 기술적 타당성이 있다. 데이터 이동은 잘 알려진 문제이며, 연구자들은 수십 년간 메모리 근처 처리 방식을 탐구해 왔다. 대형 언어 모델은 이 이슈를 특히 눈에 띄게 만드는 워크로드를 만든다.

그러나 기술적으로 타당한 문제가 상업적으로 우수한 해법을 보장하지는 않는다. GPU 플랫폼은 메모리 용량, 인터커넥트, 스케줄링, 양자화 지원, 추론 소프트웨어를 계속 개선하고 있다. 기존 아키텍처가 멈춰 있는 것은 아니다.

따라서 대안 가속기는 고립된 효율 향상 이상의 것을 제공해야 한다. 배포, 모델 지원, 신뢰성, 총소유비용 요건 전반에서 설득력 있는 우위가 필요하다. 기존 데이터센터 운영에도 맞아야 한다.

소프트웨어 호환성은 주요 장벽 중 하나다. 고객들은 기존 가속기를 중심으로 구축된 프레임워크, 라이브러리, 모니터링 시스템, 엔지니어링 지식에 투자해 왔다. 새로운 아키텍처는 칩 성능이 뛰어나더라도 비용이 큰 변화를 요구할 수 있다.

모델 지원 범위는 또 다른 장애물을 만든다. Transformer 워크로드에는 어텐션, 행렬 곱셈, 정규화, 활성화 함수, 라우팅, 샘플링, 데이터 이동이 포함된다. 모델 설계에 따라 하드웨어에 요구하는 조건도 달라진다.

Mixture-of-experts 모델은 불규칙한 라우팅과 통신을 추가한다. 멀티모달 시스템은 텍스트, 이미지, 오디오 또는 비디오를 결합한다. 에이전트 시스템은 예측하기 어려운 컨텍스트 길이와 도구 상호작용을 만들어낼 수 있다. 하드웨어는 장점을 잃지 않으면서 이런 변동성을 처리해야 한다.

정밀도 역시 중요하다. 일부 추론 워크로드는 저정밀 연산을 허용하지만, 다른 워크로드는 더 높은 수치 안정성을 요구한다. 메모리 중심 시스템은 에너지 또는 면적상의 이점을 소진하지 않으면서 실용적인 정밀도를 지원해야 한다.

포괄적인 하드웨어 리뷰는 효율성, 범용성, 소프트웨어에 필적하는 정확도를 결합하기 어려운 점을 지적한다. 이 연구는 Qianhe Yibang이 밝힌 DRAM 경로가 아니라 저항성 메모리를 다룬다. 그러나 더 광범위한 경고는 여전히 적용된다.

또 다른 질문은 실제 연산이 어디에서 이루어지는지에 관한 것이다. “compute-in-memory”라는 표현은 메모리 셀 내부 연산, 어레이 옆의 로직, 또는 적층 DRAM 아래에서의 처리를 뜻할 수 있다. 이러한 선택지는 제조와 소프트웨어 측면에서 서로 다른 함의를 가진다.

Qianhe Yibang은 자사 구현 방식을 정확히 분류할 만큼 충분한 아키텍처 세부 사항을 공개하지 않았다. 회사 자료는 맞춤형 3D DRAM과 Transformer 가속을 언급한다. 그러나 메모리 어레이, 로직 레이어, 외부 프로세서 사이의 작업 분담은 설명하지 않는다.

이러한 정보 부재는 GPU, HBM 시스템 또는 다른 메모리 중심 가속기와의 공정한 비교를 가로막는다. HBM을 대체한다는 주장 역시 시기상조로 만든다. 신뢰할 만한 비교에는 동일한 모델, 배치 크기, 컨텍스트 길이, 정밀도, 품질 목표가 필요하다.

그렇더라도 구매자는 시스템 수준의 측정치를 필요로 한다. 칩당 처리량은 전력 사용량, 메모리 용량, 호스트 요구 사항 또는 네트워킹 비용을 가릴 수 있다. 최고 사양은 혼합된 프로덕션 트래픽에서의 지속 성능을 드물게 보여준다.

단기적으로 가장 강력한 입지는 범용 가속기를 대체하는 것보다 더 제한적일 수 있다. Qianhe Yibang은 데이터 이동이 지배적이고 모델 구조가 예측 가능한 추론 워크로드를 목표로 삼을 수 있다. 특화된 배포는 더 폭넓은 플랫폼이 준비되기 전에 가치를 입증할 수 있다.

클라우드 게이밍은 가능한 조직적 선례를 제공한다. 회사는 이미 스트리밍 워크로드를 위한 하드웨어·소프트웨어 공동 설계를 설명하고 있다. 이 경험은 지연 시간에 민감한 인프라에 도움이 될 수 있지만, 클라우드 게이밍이 Transformer 가속을 검증하는 것은 아니다.

교육용 기기는 또 다른 제한적 선례를 제공한다. 이는 회사가 저전력 엔드포인트 처리를 고려하고 있음을 보여준다. 그러나 해당 아키텍처가 데이터센터 언어 모델까지 확장된다는 점을 입증하지는 않는다.

Series B 라운드는 Qianhe Yibang에 이러한 격차를 메울 자원을 제공한다. 동시에 회사를 성숙한 플랫폼과 직접 비교되는 위치에 놓는다. 승부는 메모리 설계의 새로움이 아니라 실제로 사용할 수 있는 시스템으로 결정될 것이다.

이번 투자 유치는 상용화 위험을 해소하지 못한다

가장 큰 불확실성은 Qianhe Yibang이 자사 아키텍처를 반복 가능한 규모로 제조, 프로그래밍, 배포할 수 있는지 여부다.

Compute-in-memory는 수년간 연구 관심을 끌었지만, 상용화는 더디게 진행됐다. 상세한 상용화 기록은 중단된 제품, 기업의 전략 전환, 최선의 구현 경로를 둘러싼 지속적인 견해차를 설명한다.

제조는 위험의 한 원천이다. 3D DRAM 제품에는 메모리, 로직, 본딩, 패키징, 테스트, 열 관리의 긴밀한 조율이 필요하다. 어느 한 레이어에서든 문제가 발생하면 수율이 떨어지거나 납품이 지연될 수 있다.

회사는 파운드리, 메모리 공급업체, 패키징 파트너 또는 제조 공정을 공개적으로 밝히지 않았다. 제안된 3D DRAM 가속기에 대한 tape-out도 발표하지 않았다. 이러한 미공개 사항이 지연을 증명하는 것은 아니지만, 외부 평가를 제한한다.

수율은 특히 주목할 필요가 있다. 더 많은 구성 요소를 적층하면 추가적인 실패 지점이 생길 수 있다. 또한 설계는 메모리 신뢰성이나 지속 성능을 해치지 않으면서 긴밀하게 연결된 레이어 전반의 열을 처리해야 한다.

공급망 독립성도 또 다른 제약일 수 있다. 중국 내에서 설계된 가속기라도 중국 외부의 제조 장비, 전자설계 소프트웨어, 메모리 공정, 패키징 장비 또는 인터페이스 기술에 의존할 수 있다. 공개 자료는 아직 Qianhe Yibang이 이러한 의존성을 어떻게 관리하는지 보여주지 않는다.

소프트웨어도 그만큼 중요하다. 컴파일러는 일반적인 모델을 가속기에 매핑하고, 메모리를 올바르게 스케줄링하며, 효율적인 연산을 생성해야 한다. 개발자에게는 디버거, 프로파일러, 런타임 라이브러리, 문서, 프레임워크 통합도 필요하다.

Qianhe Yibang의 paged-attention 특허는 이 분야에서 적극적으로 작업하고 있음을 시사한다. 해당 출원은 조각난 key-value 캐시 블록과 동적 배치 스케줄링을 논의한다. 그러나 프로덕션 컴파일러나 개발자 툴킷이 존재한다는 점을 입증하지는 않는다.

고객은 모델 이식성도 물을 것이다. 하나의 Transformer 구조에 최적화된 시스템은 어텐션 패턴, 컨텍스트 관리 또는 라우팅이 바뀌면 효율을 잃을 수 있다. AI 소프트웨어 시장은 대부분의 칩 개발 주기보다 빠르게 움직인다.

이러한 불일치는 전략적 위험을 낳는다. 실리콘 사양은 생산 훨씬 전에 고정되지만, 모델 아키텍처는 수개월 안에 바뀔 수 있다. 하드웨어 팀은 그런 변화를 흡수할 수 있을 만큼 충분한 프로그래밍 가능성을 확보해야 한다.

풀스택 클라우드 서비스는 고객이 이러한 복잡성에 노출되는 정도를 줄일 수 있다. Qianhe Yibang은 하드웨어를 직접 운영하고 익숙한 추론 인터페이스를 제공할 수 있다. 그러나 이 접근법에는 상당한 운영 역량과 신뢰할 수 있는 서비스 소프트웨어도 필요하다.

투자 금액은 도움이 되지만, 실행 의무도 확대한다. 칩 개발에는 많은 비용이 들고, 클라우드 인프라 구축은 또 다른 자본 집약적 사업을 추가한다. 엔드포인트 기기와 데이터센터를 모두 겨냥하면 엔지니어링 역량이 매우 다른 시장으로 분산될 수 있다.

매출에 관한 공개 증거는 여전히 없다. Qianhe Yibang은 출하량, 매출, 클라우드 사용량, 체결 계약 또는 반복 고객을 공개하지 않는다. 독립 감사를 거친 효율성이나 지연 시간 결과도 발표하지 않는다.

이전 기록은 투자자들이 이번 라운드 이전에도 회사를 지원했음을 나타낸다. 한 증권 리서치 문서는 2025년 1월 공개되지 않은 엔젤 투자를 기재했다. 또 다른 업계 보고서는 2025년 6월의 A 라운드를 기록했으며, 이 역시 금액은 발표되지 않았다.

이러한 기록은 2024년에 설립된 회사가 빠른 자금 조달 순서를 밟았음을 시사한다. 빠른 투자 유치는 공격적인 개발을 지원할 수 있지만, 생산 증거보다 기대를 앞서가게 할 수도 있다.

따라서 Series B 투자자 명단은 의미가 있지만 결정적이지는 않다. 기관의 참여는 전략적 기회, 경영진 접근성 또는 예상되는 정책 지원을 검증할 수 있다. 칩 성능을 독립적으로 검증하는 것은 아니다.

잠재 고객은 보도된 투자 라운드를 벤치마크와 비교하는 일을 피해야 한다. 자금 조달은 자본 접근성을 측정한다. 처리량, 지연 시간, 전력, 수율, 소프트웨어 품질 또는 배포 신뢰성을 측정하지는 않는다.

HBM에 관한 회사의 표현에도 같은 주의가 적용된다. 3D DRAM 아키텍처는 시장 전반에서 HBM을 대체하지 않고도 특정 병목을 줄일 수 있다. 서로 다른 워크로드는 여러 메모리 설계를 동시에 지원할 수 있다.

독립 평가는 프로덕션 환경에 가까운 추론을 포함해야 한다. 테스트에는 현실적인 프롬프트, 컨텍스트 길이, 배치 변동, 출력 품질, 서비스 수준 지연 시간이 필요하다. 전력, 메모리 용량, 활용도, 호스트 시스템 오버헤드도 포함해야 한다.

결과는 동일한 수준으로 최적화된 소프트웨어를 사용해 현행 시스템과 비교해야 한다. 오래된 기준선이나 조정이 부실한 GPU는 유용한 정보를 거의 제공하지 못한다. 재현 가능한 테스트 조건이 헤드라인 비율보다 더 중요하다.

보안과 신뢰성도 결국 논의에 포함될 것이다. 메모리 중심 가속기는 새로운 데이터 노출, 장애 동작, 사이드 채널 우려를 초래할 수 있다. 민감한 모델을 다루는 구매자는 격리와 운영 통제를 요구할 것이다.

이러한 위험 어느 것도 Qianhe Yibang의 방향성을 무효화하지는 않는다. 이는 흥미로운 아키텍처에서 신뢰받는 인프라로 나아가기 위해 필요한 증거를 정의한다. 이번 자금 조달은 그 평가를 더 시급하게 만들 뿐이다.

세 가지 신호가 이 베팅의 성패를 보여줄 것이다

다음 단계는 실리콘, 소프트웨어, 고객 채택의 순서로 평가해야 한다.

첫 번째 신호는 검증 가능한 실리콘 이정표다. Qianhe Yibang은 3D DRAM 전략과 연결된 tape-out 칩, 엔지니어링 샘플 또는 양산 장치를 제시해야 한다. 측정된 하드웨어가 없는 제품명만으로는 의문을 해소할 수 없다.

유용한 공개 정보에는 메모리 용량, 정밀도 형식, 지원 연산, 인터페이스 세부 사항, 지속 전력 소비가 포함될 것이다. 또한 메모리 내부 처리와 적층 메모리 레이어 인근 처리를 구분해야 한다.

독립 벤치마크는 이 이정표를 강화할 것이다. 가장 유용한 테스트는 여러 컨텍스트 길이와 배치 크기에서 Transformer 추론을 다룰 것이다. 속도뿐 아니라 출력 품질도 비교해야 한다.

Qianhe Yibang이 실제 실리콘에서 재현 가능한 결과를 공개한다면 투자 논지는 더 강해진다. 회사가 하드웨어 데이터 없이 아키텍처만 계속 논의한다면, 자본과 증명 사이의 격차는 더 커질 것이다.

두 번째 신호는 사용할 수 있는 소프트웨어 출시다. 컴파일러, 런타임, 모델 라이브러리 또는 클라우드 엔드포인트는 회사가 개발자에게 하드웨어를 제공할 수 있음을 보여줄 것이다. 문서와 프레임워크 지원은 애플리케이션 작업이 얼마나 남았는지 드러낼 것이다.

paged-attention 특허는 지켜볼 구체적인 지점을 만든다. Qianhe Yibang은 혼합 추론 트래픽에서 동적 key-value 캐시 관리를 시연할 수 있다. 이는 지적재산권을 관찰 가능한 제품 기능과 연결할 것이다.

소프트웨어 가용성은 아키텍처의 유연성도 분명히 해줄 것이다. 여러 모델 계열 지원은 하나의 최적화된 시연보다 더 설득력이 있다. 프로파일링과 디버깅 도구는 외부 사용자를 위한 진지한 준비를 보여줄 것이다.

접근 가능한 하드웨어가 없는 소프트웨어 출시는 제한적인 검증만 제공할 것이다. 비공개 시연은 여전히 설치, 스케줄링, 신뢰성 문제를 감출 수 있다. 클라우드 서비스를 통한 체험 접근은 더 강한 증거를 제공할 것이다.

세 번째 신호는 실명이 공개된 고객 배포다. 가장 설득력 있는 발표는 워크로드, 배포 규모, Qianhe Yibang을 선택한 측정 가능한 이유를 식별할 것이다. 일반적인 파트너십 계약은 설득력이 더 낮다.

China Mobile은 자사의 산업 펀드 중 하나가 이번 라운드에 참여했기 때문에 주목할 만한 당사자다. 네트워크, 클라우드 또는 엣지 배포는 회사에 귀중한 운영 증거를 제공할 수 있다. 투자만으로 그러한 배포가 존재한다는 뜻은 아니다.

교육용 기기 또는 클라우드 게이밍 고객도 스택의 일부를 검증할 수 있다. 이들 시장은 저전력 처리나 스트리밍 가속에 관한 주장을 뒷받침할 것이다. 그러나 대규모 모델 인프라를 자동으로 검증하지는 않는다.

엔터프라이즈 구매자에게 핵심 지표는 신뢰할 수 있는 워크로드 경제성이다. 여기에는 처리량, 지연 시간, 전력, 용량, 소프트웨어 노력, 운영 신뢰성이 포함된다. 구매자는 가속기 플랫폼을 바꾸기 전에 전체 그림을 알아야 한다.

개발자에게는 호환성이 아키텍처의 실용성을 결정할 것이다. 기술적으로 효율적인 칩도 모델에 광범위한 재작성이 필요하다면 접근하기 어려운 상태에 머물 수 있다. 익숙한 API와 투명한 도구는 그 장벽을 낮출 것이다.

인프라 계획 담당자에게 이번 투자 라운드는 메모리 아키텍처가 AI 투자에서 핵심 과제가 되었음을 보여주는 또 하나의 신호다. 이제 컴퓨팅은 메모리 배치, 용량, 패키징, 데이터 이동과 분리해 평가되지 않는다.

Qianhe Yibang은 야심 찬 해법을 추진하기에 충분한 규모로 알려진 자금을 확보했다. 그러나 그 해법이 GPU 및 HBM 시스템의 상업적 대안임을 입증할 만큼의 공개 근거는 아직 제시하지 않았다.

적절한 대응은 일축도 수용도 아니다. 먼저 실제 실리콘을, 다음으로 개발자가 접근할 수 있는 소프트웨어를, 마지막으로 측정 가능한 고객 배포 사례를 지켜봐야 한다. 이러한 신호는 이번 투자가 실현 가능한 플랫폼을 만들었는지, 아니면 유망한 또 하나의 연구실 경로에 자금을 댄 것인지를 보여줄 것이다.

더 많은 근거가 등장하면 독자는 각 주장을 동일한 워크로드 조건에서 현재의 양산 시스템과 비교해야 한다. 어떤 연산이 메모리 근처에서 실행되는지, 무엇이 기존 프로세서에 남는지, 그리고 전체 서버가 어떻게 동작하는지를 물어야 한다. 이번 자금 조달 발표는 그 조사의 시작일 뿐, 결론은 아니다.