Salience Labs 투자 유치, AI 네트워크 병목에 맞서는 광 스위칭

Salience Labs는 포토닉 네트워킹 칩을 대량 생산 단계로 전환하기 위해 1억 2,500만 달러를 유치했다. 이는 GPU를 더 늘리는 것만으로는 해결할 수 없는 병목에 도전하는 행보다. 이번 Salience Labs 투자 유치 라운드는 AI 데이터센터에서 가속기들을 연결하는 네트워크를 겨냥한다. 이러한 연결은 운영자가 값비싼 컴퓨팅 용량을 실제로 얼마나 활용할 수 있는지를 점점 더 좌우하고 있다.

초과 청약된 Series B는 Bullhound Capital이 주도했다. AMD Ventures, Intel Capital, SBI Group, Hudson River Trading, British Business Bank도 참여했다. 기존 투자자로는 Applied Ventures, Oxford Science Enterprises, Cambridge Innovation Capital, Silicon Catalyst Ventures가 포함됐다.

투자자 명단은 이번 라운드를 일반적인 하드웨어 투자 유치보다 더 중요하게 만든다. AMD와 Intel은 모두 칩 간 데이터를 신속하게 이동시키는 성능에 의존하는 데이터센터에 프로세서를 판매한다. 이들의 참여가 Salience의 제품 주장을 입증하는 것은 아니지만, 주요 반도체 기업들이 광 스위칭을 면밀히 주시하고 있음을 보여준다.

Salience는 네트워크 엔드포인트 사이에 직접적인 광 경로를 설정하는 광 회선 스위칭, 즉 OCS를 추진하고 있다. 회사는 광 신호와 전기 신호 간의 반복적인 변환을 피하면서 여러 랙에 걸쳐 수천 개의 GPU를 연결하려 한다.

이는 Salience를 현대 데이터센터 전반에서 쓰이는 기존의 전기적 패킷 스위칭 아키텍처와 경쟁하게 한다. 동시에 공동 패키지 광학과 하이퍼스케일 사업자가 이미 배포한 독점 시스템을 비롯한 여러 경쟁 광학 전략과도 맞붙게 된다.

이제 쟁점은 AI 네트워크에 광학 기술이 필요한지 여부가 아니다. 이미 광섬유는 시스템 간 트래픽의 상당 부분을 전송하고 있다. 경쟁의 핵심은 광학 기술이 아키텍처의 어느 지점에 도입되는지, 트래픽을 얼마나 동적으로 재지정할 수 있는지, 그리고 데이터센터 규모에서 신뢰성 있게 제조할 수 있는지에 있다.

Salience는 이제 자본, 전략적 투자자, 그리고 작동하는 64포트 시연 장비를 갖췄다. 그러나 적어도 공개적으로는 대규모 상용 배포에서 신뢰할 수 있는 경제성을 제공할 수 있다는 증거는 아직 없다.

Salience Labs 투자 유치, OCS를 생산 단계로 전환

새 자금은 Salience가 기술 시연 단계에서 제조 및 고객 배포 단계로 넘어가는 데 쓰일 예정이다.

Salience는 2026년 10월 14일 Series B를 발표했다. 회사의 투자 유치 발표에 따르면, 자금은 배포, 대량 제조, 그리고 Silicon Valley 내 입지 확대를 지원하는 데 사용된다.

Bullhound Capital의 수석 투자자 Callum Stewart는 회사 이사회에 합류한다. 재무적 투자자와 전략적 투자자가 모두 참여함으로써 Salience는 현금 이상의 자원을 확보하게 된다. 반도체 투자자들은 제조 지식, 고객 소개, 향후 가속기 플랫폼에 대한 더 명확한 전망을 제공할 수 있다.

Salience는 University of Oxford와 University of Münster에서 수행된 연구를 바탕으로 2021년에 설립됐다. 현재 회사의 초점은 AI 데이터센터 네트워크용으로 설계된 집적형 광 회로 스위치다.

OCS는 정해진 기간 동안 두 포트 사이에 전용 광 경로를 만든다. 이후 데이터는 각각의 전달 결정마다 전기 신호로 변환되지 않고 빛의 형태로 스위치를 통과할 수 있다. 이 방식은 더 작은 트래픽 단위를 전자적으로 검사하고 라우팅하는 전기적 패킷 스위치와 다르다.

Salience는 2026년 9월 European Conference on Optical Communication에서 64포트 올옵티컬 스위치를 시연했다. 회사는 이를 해당 유형 최초의 64포트 silicon-photonics OCS 시연이라고 부른다. 이 설명은 독립적으로 공개된 생산 벤치마크가 아니라 여전히 회사 측 주장이다.

최신 시스템은 2026년 초 공개된 32포트 스위치의 뒤를 잇는다. Salience는 스위치 로드맵 관련 보도에 따르면 128포트 및 256포트 제품도 개발하고 있다.

포트 수는 각 포트가 광 패브릭에 연결할 수 있는 또 하나의 연결 지점을 의미하기 때문에 중요하다. 더 큰 스위치는 더 많은 경로를 설정하고 더 폭넓은 네트워크 토폴로지를 지원할 수 있다. 그러나 포트가 추가되면 설계, 패키징, 제어, 제조의 복잡성도 증가한다.

Salience는 규모 확장 과정에서 Keysight Technologies 및 Tower Semiconductor와 협력할 계획이다. Keysight는 테스트 및 측정 시스템을 공급하고, Tower는 silicon photonics를 포함한 반도체 제조 플랫폼을 운영한다. 이러한 관계는 상용화에서 까다로운 두 과제, 즉 일관된 장치 생산과 예상대로 작동하는지의 검증을 다룬다.

회사는 앞서 2025년에 3,000만 달러 규모의 Series A 투자를 유치했다. 이 라운드에서 1억 2,500만 달러 규모의 Series B로 나아간 것은 포토닉 연구를 인프라 하드웨어로 전환하는 데 드는 비용을 보여준다. 칩 설계는 구성 요소 중 하나일 뿐이다. 패키징, 광학 정렬, 테스트, 소프트웨어 통합, 신뢰성 검증, 고객 시험 모두 상당한 투자가 필요하다.

이번 Salience Labs 투자 유치가 이러한 단계가 완료됐다는 뜻은 아니다. 다만 회사가 이를 훨씬 더 큰 규모로 시도할 자원을 제공한다.

이 구분은 데이터센터 운영자가 유망한 부품을 개별적으로 구매하지 않기 때문에 중요하다. 이들은 지속적인 운영을 견디고, 기존 네트워크 제어 체계와 통합되며, 여러 하드웨어 세대에 걸쳐 유지보수할 수 있는 시스템을 구매한다.

따라서 Salience의 즉각적인 전환은 기술적인 만큼 조직적인 과제이기도 하다. 제조 운영을 구축하고, 엔지니어링 조직을 확대하며, 고객을 지원하고, 실험실 성능을 반복 가능한 출하 제품으로 전환해야 한다.

진짜 제약은 GPU 활용률이다

AI 인프라는 가속기를 더 많이 설치하는 것보다, 가속기에 데이터를 지속적으로 공급하는 데 점점 더 의존하고 있다.

대규모 AI 모델은 작업을 많은 프로세서에 나눠 처리한다. 학습 중 이러한 프로세서들은 모델 파라미터, 활성화 값, 부분 결과를 반복적으로 교환한다. 일부 추론 시스템도 하나의 워크로드를 여러 가속기에 분산한다.

이러한 교환 과정의 지연은 GPU를 대기 상태로 만들 수 있다. 유휴 가속기도 랙 공간을 차지하고 투입된 자본을 의미하지만, 멈춘 동안에는 유용한 토큰을 전혀 생성하지 못한다.

Salience CEO Vaysh Kewada는 활용률과 지연 시간을 중심으로 문제를 설명했다. 그는 Data Center Dynamics에 고객들이 고가의 인프라에서 더 나은 수익을 필요로 하는 한편, 네트워크 제약이 긴밀하게 연결된 가속기 도메인의 규모를 제한한다고 말했다.

이것이 Salience Labs 투자 유치가 겨냥하는 상업적 기회다. 네트워크가 더 많은 가속기를 효율적으로 연결할 수 있다면 운영자는 동일한 컴퓨팅 투자로 더 많은 작업을 수행할 수 있다. 중요한 결과는 단순히 스위치 전력을 낮추는 것이 아니다. 학습 및 추론 작업을 완료하는 총비용이다.

전기적 패킷 스위치는 트래픽을 유연하게 라우팅하고 변화하는 목적지에 빠르게 대응할 수 있기 때문에 여전히 효과적이다. 또한 익숙한 Ethernet 및 InfiniBand 환경을 지원한다. 단점은 점점 더 빨라지는 링크에 더 많은 전기적 처리, 더 많은 트랜시버, 더 많은 전력이 필요하다는 점이다.

광 회선 스위칭은 이러한 균형을 바꾼다. 광 경로가 설정되면, 고대역폭 트래픽은 광 스위치 내부의 전자적 패킷 처리 없이 스위칭 계층을 통과할 수 있다. 구현 방식에 따라 해당 경로는 특정 데이터 전송률이나 패킷 프로토콜과 독립적으로 유지될 수도 있다.

이 아키텍처는 크고 예측 가능한 전송에 적합하다. AI 작업은 여러 가속기 사이에서 데이터를 이동시키는 집합 연산과 같은 구조화된 통신 단계를 자주 만들어낸다. 컨트롤러는 알려진 이러한 패턴에 맞춰 광 경로를 구성할 가능성이 있다.

Google은 이미 OCS가 실험실을 넘어 운용될 수 있음을 보여줬다. Google의 Jupiter 네트워크는 광 회선 스위치와 소프트웨어 정의 네트워킹을 사용해 재구성 가능한 데이터센터 토폴로지를 만든다. Google은 자체 개발한 Apollo 스위치가 현재 자사 데이터센터 네트워크 대부분을 지원한다고 말한다.

Google의 사례는 역사적 참고 자료를 제공하지만, Salience에 동일한 결과를 보장하지는 않는다. Google은 자체 인프라에 맞춰 네트워크, 제어 소프트웨어, 트랜시버, 운영 절차를 설계했다. 여러 환경에 제품을 공급하는 업체는 더 폭넓은 통합 문제에 직면한다.

기회는 단순한 링크 대역폭을 넘어선다. 데이터센터는 장애, 변화하는 워크로드, 유지보수, 점진적인 확장을 처리해야 한다. 재구성 가능한 광 계층은 운영자가 토폴로지 변경 때마다 모든 연결을 물리적으로 다시 배선하지 않고도 연결 구성을 재편할 수 있게 할 수 있다.

이러한 가능성은 AI 클러스터가 더 많은 랙으로 확장되면서 특히 중요해진다. 구리 연결은 짧은 거리에서 잘 작동하지만, 더 높은 속도와 더 긴 거리에서는 신호 무결성과 전력 관리가 까다로워진다. 광 링크는 이미 거리 문제를 해결하고 있지만, 기존 네트워크는 각 스위칭 단계에서 트래픽을 다시 전기적 형태로 변환하는 경우가 많다.

Salience는 이 경로의 더 많은 부분을 광학적으로 유지하려 한다. 이 회사의 아키텍처는 관련 스위칭 계층을 줄이면서 대규모 가속기 그룹을 연결하는 것을 목표로 한다.

압력은 우선 고집적 전기 스위치, 광 트랜시버, 기존 다계층 패브릭 공급업체에 가해진다. 그러나 이들 기업도 가만히 있지 않다. 전기 스위치 실리콘은 계속 발전하고 있으며, 공급업체들은 광학 부품을 네트워킹 칩에 더 가깝게 배치하고 있다.

데이터센터 구매자는 광학 부품 하나와 전기 부품 하나를 비교하지 않고 완전한 네트워크를 비교할 것이다. 이들은 작업 완료 시간, 가용성, 전력, 배포 노력, 미사용 용량의 비용을 측정할 것이다.

그 때문에 GPU 활용률이 결정적인 지표가 된다. 전력을 덜 소비하지만 실제 워크로드 패턴에 대응하지 못하는 스위치는 고객의 더 큰 문제를 해결하지 못한다. 유효 가속기 시간을 개선하는 시스템은 상당한 아키텍처 변화를 정당화할 수 있다.

광 경로, 전기적 패킷 스위칭에 도전하다

Salience는 예측 가능한 AI 트래픽이 범용 패킷 네트워크가 불필요한 오버헤드를 더하는 구간에서 직접 광 회선을 지원할 수 있다고 본다.

전통적인 데이터센터 패브릭은 흔히 여러 계층의 전기 스위치를 사용한다. 패킷은 라우팅 규칙, 가용 용량, 목적지에 따라 토폴로지를 따라 위아래로 이동한다.

이 설계는 다양한 워크로드와 빠르게 변하는 트래픽을 지원한다. 동시에 각 스위칭 단계가 신호를 전자적으로 처리한다는 의미이기도 하다. 광 트랜시버가 스위치 간 트래픽을 전송할 수는 있지만, 스위치 자체는 여전히 전기적 전달 결정을 내린다.

올옵티컬 회선은 다른 경로를 택한다. 스위치는 포트 사이에 물리적인 광 경로를 구성해, 신호가 패킷별 전자 라우팅 없이 통과하도록 한다. 이 방식은 변환을 줄이고 선택한 연결 전반에서 대역폭을 보존할 수 있다.

그 대가로 유연성이 줄어든다. 회선은 스위치가 구성을 변경할 때까지 특정 엔드포인트를 위한 경로를 예약한다. 제어 시스템이 대응하기 전에 트래픽이 바뀌면, 다른 경로는 혼잡해지는 동안 사용 가능한 광 용량이 유휴 상태로 남을 수 있다.

AI 워크로드에서는 이러한 한계가 일반적인 클라우드 네트워크에서보다 덜 심각하다. 학습 프레임워크는 반복적인 연산과 통신 단계를 조율한다. 스케줄러는 어떤 가속기가 작업에 참여하는지 파악하며, 대규모 데이터 이동도 종종 예측할 수 있다.

MIT의 연구는 근본적인 설계 상충 관계를 명확히 설명한다. 이상적인 OCS는 높은 포트 수, 짧은 재구성 지연 시간, 낮은 광 손실, 낮은 비용을 모두 갖춰야 한다. 하지만 OCS 아키텍처 논문에 따르면 이 네 가지를 동시에 달성하는 일은 여전히 까다롭다.

Salience의 접근 방식은 대규모 이동식 미러 어레이 대신 집적 실리콘 포토닉스를 사용한다. 회사는 자사 설계가 광 스위칭 기능과 제어 전자장치, 배포에 필요한 소프트웨어 인터페이스를 결합한다고 설명한다.

집적화는 더 작은 시스템과 반도체식 제조를 지원할 수 있다. 동시에 엄격한 패키징 요건도 만들어 낸다. 광자 부품은 낮은 손실로 빛을 유도하고, 정렬을 유지하며, 온도 변화 전반에서 일관된 성능을 보여야 한다.

64포트 시연이 중요한 이유는 더 높은 포트 수가 네트워크에서 가능한 연결 패턴을 확장하기 때문이다. 다만 시연만으로 모든 운영상의 질문에 답할 수는 없다.

고객은 삽입 손실 측정치, 스위칭 시간, 장애 동작, 파장 호환성, 장기간 신뢰성 데이터를 필요로 한다. 또한 목표 클러스터에 몇 개의 장치가 필요한지, 구성 요소 하나가 실패하면 어떤 일이 발생하는지도 이해해야 한다.

제어 소프트웨어 역시 중요하다. 스케줄러가 언제 어디에 회로를 구성할지 결정하지 못한다면 가장 빠른 물리적 스위치도 가치가 제한적이다. 시스템은 광 토폴로지 변경을 워크로드 배치, 통신 단계, 주변 패킷 네트워크와 조율해야 한다.

이 때문에 광 회선 스위칭은 단순히 Ethernet을 더 빠르게 대체하는 기술이 아니다. 이는 소프트웨어가 능동적으로 관리해야 하는 토폴로지를 추가한다.

따라서 Salience의 예상 배포 모델은 전기식 스위칭과 공존하게 될 가능성이 높다. 전기 네트워크는 제어 트래픽, 소규모 전송, 예측하기 어려운 흐름을 처리할 수 있다. 광 회로는 선택된 가속기 그룹 간의 지속적이고 대용량인 통신을 전달할 수 있다.

이러한 하이브리드 구조는 하나의 기술이 모든 네트워킹 문제를 해결해야 할 필요를 줄인다. 동시에 운영자가 두 개의 포워딩 시스템을 조율해야 하므로 통합 부담은 커진다.

Salience Labs의 자금 조달은 스타트업이 이러한 지원 계층을 구축할 여지를 제공한다. 고객이 소프트웨어 스택의 모든 부분을 재설계하지 않고도 광 패브릭을 실제 클러스터에 통합할 수 있음을 입증해야 한다.

호환성은 도입 속도를 결정할 것이다. 운영자는 Ethernet과 InfiniBand 도구, 모니터링, 보안, 운영 관행에 막대한 투자를 해왔다. 익숙한 인터페이스와 함께 작동하는 광자 스위치는 이러한 환경에 진입할 더 분명한 경로를 갖는다.

Salience는 자사 기술이 대량 생산과 기존 데이터센터 인프라를 위해 설계됐다고 말한다. 고객 배포에서 측정치가 나오기 전까지 이러한 내용은 제품 목표로 봐야 한다.

광학 경쟁은 이미 치열하다

Salience는 광학의 중요성을 시장에 설득하려는 것이 아니다. 어떤 광학 아키텍처가 네트워킹 예산을 확보할지를 두고 경쟁하고 있다.

Nvidia는 Ethernet용 Spectrum-X Photonics와 InfiniBand용 Quantum-X Photonics를 발표했다. 이 시스템은 광 부품을 네트워크 스위치 칩 가까이에 배치해 전기 연결의 길이와 전력 요구량을 줄이는 CPO(co-packaged optics)를 사용한다.

Nvidia의 포토닉스 전략은 관련 병목 현상을 다루지만, 다른 기술 경로를 따른다. CPO는 트래픽이 전자식 패킷 스위치에 들어가고 나오는 방식을 개선한다. 반드시 패킷 스위칭을 광 회선으로 대체하는 것은 아니다.

이 차이가 핵심 경쟁 구도를 규정한다. Salience는 더 많은 트래픽이 구성된 광 경로를 통해 네트워크를 가로지르도록 하려 한다. Nvidia는 전기식 패킷 네트워크의 동작 방식을 유지하는 긴밀히 통합된 스위칭 플랫폼에 광학 기술을 도입하고 있다.

CPO는 익숙한 라우팅 유연성과 확립된 네트워크 플랫폼에 연결된 제품 경로를 제공한다. 과제는 열 관리, 레이저 설계, 패키징, 그리고 가치가 높은 스위치 실리콘 가까이에 위치한 광 부품의 정비를 포함한다.

OCS는 선택된 경로에서 전자식 포워딩을 제거할 수 있으며 전송 데이터 속도에 투명하게 작동한다. 과제로는 재구성, 경로 스케줄링, 광 손실, 예기치 않게 변하는 트래픽의 효율적 처리가 있다.

Google은 또 다른 경쟁 기준점이다. Apollo OCS는 광 토폴로지 관리가 하이퍼스케일에서 작동할 수 있음을 입증하지만, Apollo는 내부 시스템이다. Salience는 Google의 맞춤형 엔지니어링 조직이 없는 고객을 위해 집적 스위치를 제품화하려 하고 있다.

다른 스타트업들도 스택의 서로 다른 지점에서 광자 네트워킹에 접근하고 있다. Lightmatter는 컴퓨팅 칩을 연결하기 위한 광 인터커넥트 제품을 개발한다. Celestial AI는 프로세서와 메모리 사이의 데이터 이동을 위한 광자 패브릭에 집중한다. Ayar Labs는 칩 패키지에 광 입출력을 통합한다.

이들 기업은 Salience의 정확한 대체재는 아니다. 이들의 존재는 컴퓨팅, 패키징, 네트워킹의 경계가 여러 방향에서 광학 기술 쪽으로 이동하고 있음을 보여준다.

AMD Ventures와 Intel Capital의 전략적 투자는 이 경쟁 구도에서 주목할 만하다. 두 회사 모두 가속기 플랫폼의 확장을 도울 수 있는 네트워킹 옵션이 필요하다. Salience를 지원함으로써 Nvidia의 수직 통합 네트워킹 포트폴리오 밖의 광학 아키텍처에 노출될 수 있다.

그렇다고 AMD나 Intel이 Salience 제품 사용을 약속했다는 의미는 아니다. 벤처 참여는 상업적 배포로 이어지지 않더라도 기술 협력이나 전략적 모니터링을 지원할 수 있다.

Salience는 기존 인프라의 꾸준한 개선과도 경쟁해야 한다. Ethernet 스위치 용량은 계속 증가하고 있으며, 더 빠른 플러그형 트랜시버는 운영자가 새로운 회선 계층을 도입하지 않고도 광 연결성을 확장할 수 있게 한다.

Salience에 가장 유리한 사례는 AI 워크로드가 안정적인 가속기 그룹 사이에서 크고 조율된 전송을 만들어 내는 환경으로 보인다. 가장 불리한 사례는 즉각적인 패킷 수준 결정을 요구하는 짧고 예측하기 어려운 흐름이 지배적인 네트워크다.

고객 아키텍처는 얼마나 많은 트래픽이 각 범주에 속하는지를 결정할 것이다. 엄격하게 통제된 학습 시스템을 운영하는 하이퍼스케일러는 서로 관련 없는 다수의 테넌트를 지원하는 클라우드 제공업체와 다른 요구 사항을 갖는다.

이러한 변동성은 헤드라인 대역폭보다 배포 증거를 더 중요하게 만든다. Salience는 어떤 워크로드가 이점을 얻는지, 네트워크 전력이 얼마나 달라지는지, 시스템이 가속기당 완료 작업량을 늘리는지를 보여줘야 한다.

경쟁의 결과가 단일 승자를 낳지는 않을 수 있다. CPO는 패킷 스위치를 개선할 수 있고, 광자 링크는 프로세서를 연결할 수 있으며, 광 회로는 대규모 컴퓨팅 그룹 간 경로를 재구성할 수 있다. 여러 접근 방식이 같은 데이터센터에 자리할 수 있다.

Salience의 기회는 OCS를 맞춤형 하이퍼스케일러 프로젝트가 아니라 뚜렷하고 반복 가능한 구매 범주로 확립하는 데 있다. 전략적 투자자는 그 대화를 여는 데 도움이 된다. 제조 및 운영상의 입증이 이를 완성해야 한다.

제조와 제어가 여전히 어려운 시험대다

이번 투자는 Salience의 규모 확대에 자금을 제공하지만, 컨퍼런스 시연과 신뢰할 수 있는 네트워크 사이에 놓인 기술적·상업적 위험을 없애지는 않는다.

첫 번째 시험대는 제조 수율이다. 실리콘 포토닉스는 반도체 공정을 사용하지만, 광학적 동작에는 일반적인 디지털 로직과 다른 허용 오차가 수반된다. 작은 편차도 손실, 스위칭 성능, 채널 일관성에 영향을 줄 수 있다.

대량 생산을 위해서는 모든 단계가 반복 가능해져야 한다. 제조, 패키징, 광섬유 접합, 열 제어, 테스트가 모두 수용 가능한 비용으로 고객 사양을 충족해야 한다.

Tower Semiconductor와의 관계는 제조 역량을 다룬다. Keysight와의 협업은 테스트 시스템을 지원할 수 있다. 어느 관계도 생산 장치가 대규모 배포에 필요한 성능이나 수율을 달성할 것이라고 보장하지는 않는다.

두 번째 시험대는 64포트를 넘어선 확장이다. Salience가 계획한 128포트 및 256포트 제품은 지원 가능한 클러스터 규모를 확대할 것이다. 더 높은 래딕스는 광 경로, 제어 복잡성, 패키징 밀도, 총 삽입 손실도 증가시킬 수 있다.

따라서 성공적인 64포트 장치는 완성된 아키텍처라기보다 기반을 마련한다. 다음 제품은 연결 수가 늘어나도 지연 시간, 신호 품질, 신뢰성을 유지해야 한다.

세 번째 시험대는 재구성이다. 광 회선 스위치는 워크로드가 이동하거나 작업이 끝나거나 하드웨어가 실패할 때 경로를 변경해야 한다. 유용한 스위칭 시간에는 물리적 장치의 응답만 포함되지 않는다. 측정, 스케줄링, 컨트롤러 결정, 워크로드와의 조율도 포함된다.

2022년 Nature Communications의 연구는 나노초 수준의 시간 척도로 작동하는 반도체 광증폭기 스위치를 보여줬다. 이 연구는 컨트롤러 오버헤드가 실질적인 네트워크 성능에 영향을 미친다는 점도 강조했다. 해당 스위칭 연구는 장치 속도와 시스템 속도를 동일하게 취급할 수 없는 이유를 보여준다.

네 번째 시험대는 신뢰성이다. AI 클러스터는 대규모 가속기 그룹을 장기간 점유할 수 있는 고비용 작업을 실행한다. 네트워크 장애는 많은 장비를 한꺼번에 지연시킬 수 있다.

운영자는 구성 요소 수명, 열 드리프트, 복구 동작, 모니터링, 수리 절차를 포괄하는 증거를 원할 것이다. 또한 광 스위치가 단일 장애 지점이 되지 않도록 하는 이중화 계획도 필요하다.

다섯 번째 시험대는 소프트웨어 통합이다. 컨트롤러는 유용한 광 경로를 구성하기 위해 워크로드 통신에 관한 충분한 정보를 필요로 한다. 이 정보는 작업 스케줄러, 집단 통신 라이브러리, 텔레메트리 시스템, 애플리케이션 프레임워크에서 나올 수 있다.

더 깊은 조율은 효율성을 개선할 수 있지만, 배포 마찰도 증가시킬 수 있다. 고객은 기존 스케줄링 및 네트워킹 소프트웨어에 광범위한 변경을 요구하는 아키텍처를 꺼릴 수 있다.

보안과 멀티테넌트 격리는 또 다른 계층을 더한다. 운영자는 재구성된 광 경로가 승인된 시스템만 연결하도록 보장해야 하며, 제어 실패로 인해 워크로드 간 트래픽이 노출되지 않도록 해야 한다.

여섯 번째 시험대는 고객 증거다. Salience는 투자자, 연구 기원, 제조 파트너, 제품 이정표를 공개했다. 하지만 새로 자금을 지원받은 스위치 플랫폼의 대규모 생산 고객은 공개적으로 밝히지 않았다.

이러한 공백은 이 단계의 인프라 스타트업에서는 일반적이다. 그럼에도 외부인이 수요, 배포 시기, 운영 경제성을 얼마나 자신 있게 평가할 수 있는지는 제한된다.

독자는 낮은 구성 요소 전력과 낮은 시스템 전력을 구분해야 한다. 광 스위치는 일부 전기 처리를 피할 수 있지만, 전체 네트워크에는 레이저, 제어 전자장치, 트랜시버, 냉각, 이중화, 패킷 스위치가 포함된다. 순이익은 시스템 수준의 측정으로만 입증할 수 있다.

마찬가지로 장치 내부의 낮은 지연 시간이 애플리케이션 실행 시간을 자동으로 줄이지는 않는다. 학습 작업은 물리 링크 지연 외에도 소프트웨어 오버헤드, 동기화, 혼잡, 장애를 경험한다.

Salience의 가장 강력한 단기 증거는 장치 사양과 실제 워크로드 벤치마크를 결합하는 것이다. 회사는 대표적인 클러스터 조건에서 자사의 광 패브릭이 작업 완료 시간 또는 가속기 활용률을 개선한다는 점을 보여줘야 한다.

이 투자가 성공하는지 보여줄 세 가지 신호

다음 단계는 또 다른 투자 유치 헤드라인이 아니라 제품 검증, 제조 진척, 고객 배포를 기준으로 평가해야 한다.

첫 번째 신호는 64포트 스위치에 대한 독립적인 성능 데이터다. Salience는 스위칭 시간, 삽입 손실, 전력, 처리량, 장애 복구, 실제 AI 트래픽 환경에서의 동작을 포괄하는 테스트 결과를 공개하거나 검증을 지원해야 한다.

학습 또는 분산 추론과 연계된 벤치마크라면 특히 유용할 것이다. 이는 완전한 광 아키텍처를 신뢰할 만한 전기식 기준선과 비교하고, 컨트롤러 오버헤드도 포함해야 한다.

강력한 결과는 가속기를 지속적으로 효율적으로 활용해 OCS가 토큰 경제성을 개선할 수 있다는 주장을 뒷받침할 수 있다. 반대로 결과가 없거나 지나치게 제한된 범위로 제시된다면, 핵심인 활용률 논쟁은 해결되지 않은 채 남게 된다.

두 번째 신호는 작동하는 128포트 제품이다. 64포트에서 확장하는 과정은 Salience가 광학적·운영상 성능을 유지하면서 아키텍처를 확장할 수 있음을 보여줄 것이다.

이 이정표에는 또 한 번의 통제된 시연만으로는 부족하다. 고객은 패키지화된 하드웨어, 관리 소프트웨어, 반복 가능한 사양, 그리고 제조 수율이 상업적 요구 수준에 가까워지고 있다는 증거를 원할 것이다.

로드맵이 지연된다고 해서 기반 기술 자체가 무효가 되는 것은 아니다. 다만 통합 OCS가 경쟁 광학 접근 방식보다 더 빠르게 확장될 준비가 됐다는 주장은 약화될 수 있다.

세 번째 신호는 실명이 공개된 고객 배포 또는 상세한 파트너 시험이다. AI 클라우드 사업자, 하이퍼스케일러, 가속기 공급업체 또는 연구 컴퓨팅 운영자는 실제 클러스터 내부에서 이 스위치가 어떻게 동작하는지 보여줄 수 있다.

가장 유용한 공개 내용은 워크로드, 네트워크 규모, 배포 모델, 그리고 측정된 운영 결과를 명시하는 것이다. 제한적인 파일럿이라도 통합에 필요한 노력과 시스템 신뢰성에 관한 근거를 제공할 수 있다.

AMD 또는 Intel 하드웨어가 포함된 배포는 이들의 투자가 제품 수준의 협업으로 이어지는지도 분명히 해줄 것이다. 그때까지 이들의 참여는 구매 약속이 아니라 전략적 신호로 남는다.

이 세 가지 지표는 이 순서로 나타나야 한다. 성능은 기술적 가치를 입증한다. 더 큰 제품은 확장성과 제조 역량을 시험한다. 고객 배포는 전체 시스템이 Salience의 환경 밖에서도 작동하는지 검증한다.

Salience Labs의 투자 유치는 회사가 세 가지 목표를 모두 추진할 만큼의 자본을 제공한다. 동시에 기대치도 높인다. 투자자들은 이제 연구 주도형 하드웨어 개발에서 벗어나, 실제 운영 AI 인프라를 지원할 수 있는 공급업체로 전환하는 과정에 투자하고 있다.

개발자와 AI 팀에는 네트워킹 장비가 모델 프레임워크와 클라우드 서비스 아래에 놓여 있어 이 문제가 멀게 느껴질 수 있다. 하지만 그 영향은 멀지 않다. 네트워크 효율은 사용 가능한 클러스터 규모, 학습 기간, 추론 용량, 궁극적으로 AI 제품의 비용과 속도에 영향을 준다.

엔터프라이즈 구매자는 공급업체가 재구성 가능한 광 패브릭을 중심으로 구축된 클러스터를 제공하기 시작하는지 지켜봐야 한다. 이러한 시스템은 동기화된 워크로드에서 더 높은 활용률을 제공할 수 있지만, 새로운 배치 규칙과 성능 변동성을 도입할 가능성도 있다.

인프라 팀은 고립된 장치 사양이 아니라 애플리케이션 수준의 근거를 공급업체에 요구해야 한다. 중요한 질문은 전체 클러스터가 전력과 자본의 한계 안에서 얼마나 많은 유효 작업을 완료하는가다.

광 네트워킹은 이미 AI 데이터센터의 일부다. Salience는 더 좁고도 중요한 방향에 베팅하고 있다. 가속기 사이의 경로 역시 빛으로 재구성해야 한다는 것이다.

다음 제품, 벤치마크, 고객 발표는 이 베팅이 반복 가능한 인프라 사업으로 발전할 수 있는지를 결정할 것이다. 그 신호들이 나오기 전까지 1억 2,500만 달러 규모의 라운드는 결과가 아니라 그 검증을 위한 자금으로 해석해야 한다.