Volantis 포토닉 AI 인터커넥트, 메모리 월 돌파에 8,800만 달러 유치

Volantis가 추론 컴퓨팅의 가장 어려운 제약 가운데 하나인 모델 데이터를 충분히 빠르게 이동시키는 문제를 겨냥한 포토닉 AI 인터커넥트 개발을 위해 8,800만 달러를 유치했다. 이번 Series A 투자는 이 반도체 스타트업의 A-1 시스템에 상당한 자금을 제공한다. 다만 해당 시스템에 제시된 성능 목표는 독립적으로 재현된 결과가 아닌 회사 측 주장에 머물러 있다.

이번 투자가 중요한 이유는 Volantis가 서버 간 광케이블 하나를 추가로 제안하는 데 그치지 않기 때문이다. 이 회사의 설계는 가속기 패키지 내부에 광학 링크를 배치해 훨씬 넓은 물리적 영역에 걸쳐 컴퓨팅과 메모리를 연결한다. Volantis는 이 아키텍처가 대규모 메모리 풀의 용량과 더 빠르고 작은 메모리 시스템에 가까운 대역폭을 결합할 수 있다고 말한다.

이로써 Volantis는 Ayar Labs, Lightmatter, Marvell의 Celestial AI 사업부 등 점점 더 주목받는 포토닉스 기업군과 나란히 서게 됐다. 동시에 이 스타트업은 검증된 기존 아키텍처와도 경쟁해야 한다. 고대역폭 메모리에 연결된 GPU는 이미 소프트웨어, 제조, 배포 체계를 갖추고 있다. Volantis는 광학 패브릭이 그 스택을 바꿀 만큼 충분한 가치를 창출한다는 점을 입증해야 한다.

Volantis 투자 라운드, 완전한 추론 시스템을 뒷받침하다

Volantis는 새 자본으로 독립형 광학 부품이 아니라 추론 아키텍처를 구축하고 있다.

Volantis는 2026년 10월 1일 Series A를 발표했다. 회사의 투자 발표에 따르면 Lachy Groom과 Abstract Ventures가 이번 라운드를 공동 주도했다. John Doerr, VXI Capital, Triatomic, Susa Ventures도 참여했다.

회사는 Dwarkesh Patel, Naveen Rao, Sholto Douglas도 엔젤 투자자로 이름을 올렸다고 밝혔다. Volantis는 이번 자금 조달로 누적 투자금이 9,700만 달러에 이른다고 말한다.

이 투자자 명단은 규모만으로도 이번 라운드에 더 큰 의미를 부여한다. Rao는 이전에 Intel의 AI 제품 그룹을 이끌었고, Doerr는 여러 세대의 컴퓨팅 기업에 투자해 왔다. 이들의 참여가 Volantis의 엔지니어링 주장을 검증하는 것은 아니지만, 기존 추론 하드웨어의 대안에 대한 진지한 관심을 보여준다.

회사의 창업팀에는 Nvidia, AMD, Broadcom, Ayar Labs 출신 베테랑들이 포함돼 있다. Volantis는 팀원들이 이전에 상용 CoWoS 패키징과 실리콘 포토닉스 시스템 개발에 기여했다고 말한다. CoWoS는 여러 칩과 고대역폭 메모리를 서로 가깝게 배치하는 첨단 패키징 방식이다.

A-1은 Volantis가 처음으로 계획한 시스템이다. 회사는 이를 20조 개 이상의 파라미터를 가진 모델을 위한 추론 플랫폼으로 설명한다. 또한 사용자 1인당 초당 최대 10,000토큰의 처리량을 목표로 한다.

이는 이례적으로 야심 찬 목표다. 고객, 독립 연구소 또는 시스템 파트너가 비교 가능한 측정치를 공개하기 전까지는 설계 목표로 봐야 한다. 발표문에는 표준화된 벤치마크 결과, 고객 배포 데이터, 외부 검증이 가능할 만큼 상세한 양산 일정이 제공되지 않았다.

회사의 공개 자료는 10조 개 이상의 파라미터라는 이전 기준도 설명한다. 이 차이는 제품 사양이 계속 진화하고 있음을 반영할 수 있다. 또한 아키텍처상의 의도와 고정된 출하 구성은 구분할 필요가 있음을 강조한다.

Volantis는 A-1을 모델 학습이 아닌 인터랙티브 추론 중심으로 제시하고 있다. 추론은 학습된 모델이 프롬프트를 처리하고 결과를 생성하는 단계다. 더 빠른 추론은 작업을 수행하는 동안 모델을 반복 호출하는 코딩 에이전트, 리서치 시스템 및 기타 애플리케이션을 개선할 수 있다.

회사는 기존 하드웨어가 운영자에게 빠르지만 제한적인 메모리와 더 크지만 느린 메모리 중 하나를 선택하도록 강요한다고 주장한다. A-1은 광학 패브릭으로 다수의 메모리 칩렛을 연결해 이러한 절충을 완화하도록 설계됐다.

이는 Volantis 투자 라운드를 둘러싼 핵심 질문을 바꾼다. 쟁점은 광학 링크가 데이터를 전송할 수 있는지가 아니다. 포토닉스는 이미 현대 데이터센터 전반에서 작동하고 있다. 쟁점은 Volantis가 메모리와 컴퓨팅 인근에 충분한 광학 연결성을 통합해 추론 경제성을 바꿀 수 있는지다.

이 과제는 단순한 반도체 투자 발표를 넘어선다. 이 스타트업은 모델 가중치, 컨텍스트, 중간 데이터가 이를 사용하는 프로세서에 도달하는 방식을 시스템 차원에서 바꾸겠다고 약속하고 있다.

AI 추론이 계속 메모리 월에 부딪히는 이유

Volantis가 겨냥하는 제약은 단순한 연산 성능 부족이 아니라 데이터 이동에서 비롯된다.

대규모 AI 모델에는 방대한 수치 가중치 배열이 들어 있다. 추론 과정에서 프로세서는 이 가중치를 반복적으로 가져오고, 다른 작업 데이터를 메모리 계층 구조 안에서 이동시킨다. 메모리가 필요한 속도로 정보를 공급하지 못하면 프로세서는 충분히 활용되지 못한 채 대기할 수 있다.

이러한 불일치는 일반적으로 메모리 월이라 불린다. 연산 역량은 실용적인 메모리 대역폭과 용량보다 더 빠르게 증가할 수 있다. 연산 장치를 더 추가해도 그 장치들이 데이터를 기다리는 데 시간을 쓴다면 문제는 해결되지 않는다.

고대역폭 메모리, 즉 HBM은 이 제약의 일부를 해결한다. HBM은 적층 메모리를 가속기 가까이에 배치하고 매우 넓은 인터페이스로 연결한다. 이 구성은 기존 서버 메모리보다 훨씬 높은 대역폭을 지원한다.

그러나 물리적인 패키지 공간은 프로세서 옆에 배치할 수 있는 HBM의 양을 제한한다. 전기 연결은 거리와 데이터 전송률이 높아질수록 신호 품질이 떨어지고 더 많은 에너지를 소비한다. 이러한 효과는 지연 시간이나 대역폭을 희생하지 않고 더 큰 풀을 구축하려는 시도를 복잡하게 만든다.

이 문제는 배치 크기가 작은 인터랙티브 추론에서 더 두드러진다. 하나의 요청을 처리하는 서비스가 효율성을 위해 언제나 많은 사용자를 함께 배치 처리할 수는 없다. 생성되는 토큰 하나하나에 모델 가중치와 활성 컨텍스트 데이터를 다시 이동시켜야 할 수 있다.

더 긴 컨텍스트 윈도우도 또 다른 압박을 만든다. 모델은 대화나 작업의 이전 부분을 나타내는 키 및 값 데이터를 유지해야 한다. 이 캐시는 컨텍스트가 늘어날수록 커지며, 기반 모델이 변하지 않아도 메모리 요구량을 증가시킨다.

코딩 에이전트는 구체적인 사례를 제공한다. 에이전트는 모델 가중치, 대규모 리포지터리, 명령 출력, 문서, 긴 작업 이력을 필요로 할 수 있다. 시스템이 이 정보가 도착하기를 계속 기다린다면 더 빠른 프로세서의 이점은 제한적이다.

현재 시스템은 여러 대응 방식을 사용한다. 운영자는 모델을 여러 가속기에 분산하고, 가중치를 양자화하며, 반복 데이터를 캐시하거나, 일부 정보를 더 느린 메모리 계층으로 옮긴다. 각각의 기법은 도움이 되지만 정확도, 지연 시간, 프로그래밍 복잡성 또는 활용도와 관련된 제약도 도입한다.

소프트웨어 개선은 계속 중요할 것이다. 더 나은 스케줄링과 모델 압축은 새 패키지 아키텍처 없이도 압박을 줄일 수 있다. 따라서 Volantis는 고정된 세대의 GPU 시스템이 아니라 계속 진화하는 기준선을 뛰어넘어야 한다.

그럼에도 업계 전반은 데이터 이동을 주요 확장 문제로 인식하고 있다. 2025년 포토닉스 리뷰는 성숙한 HBM 및 전자 네트워킹과 함께 광학 I/O와 광학 인터포저를 새로운 접근 방식으로 설명했다.

Nvidia 역시 포토닉스를 네트워킹 제품에 더 깊게 도입하고 있다. Nvidia의 광학 시스템은 대규모 AI 배포를 위해 플러그형 광학 장치와 공동 패키징 광학 스위치를 결합한다. 이러한 투자는 전기적 연결성이 점점 더 큰 한계에 직면한다는 Volantis의 전제를 뒷받침한다.

다만 Nvidia의 접근 방식은 또 다른 차이도 부각한다. 대부분의 상용 광학 배포는 스위치, 랙 또는 가속기 패키지 간 통신에 집중한다. Volantis는 빛이 추론 시스템 내부에서 초고밀도 배선처럼 작동하도록 만들고자 한다.

이는 더 어려운 통합 문제다. 동시에 메모리 트래픽이 모델 응답 시간의 핵심 경로에 직접 놓여 있기 때문에 잠재적 보상도 더 크다.

Volantis 포토닉 AI 인터커넥트의 작동 방식

Volantis는 컴퓨팅과 메모리 칩렛을 인터포저 전반에 연결하는 고밀도 광학 도파관으로 짧은 전기 경로를 대체하는 방안을 제안한다.

인터포저는 하나의 패키지 안에서 여러 칩을 연결하는 기판이다. 기존 인터포저는 전기 배선을 사용하며, 이는 짧은 거리에서는 잘 작동한다. 하지만 엔지니어가 대역폭, 연결 수, 패키지 크기를 키울수록 그 도달 범위는 더 제한적이 된다.

Volantis는 이 접근 방식을 광학 케이블이 아닌 광학 와이어라고 부른다. 이 표현은 패키지에 통합된 미세한 빛 기반 링크를 가리킨다. 이 링크들은 각 구성 요소 사이에 기존 광섬유를 배선하지 않고 칩렛을 연결하도록 설계됐다.

회사의 기술 사양에 따르면 개별 레인은 초당 24기가비트로 작동한다. Volantis는 5나노초 미만의 지연 시간과 비트당 1피코줄 미만의 에너지 사용량을 주장한다.

회사는 수만 개의 레인이 초당 200테라바이트 이상의 총 대역폭을 제공할 수 있다고 말한다. 또한 광학 도파관이 인터포저를 가로질러 200밀리미터 이상 이동할 수 있다고 주장한다.

이에 비해 Volantis는 이 환경에서 유효한 전기적 도달 범위를 약 2~5밀리미터로 설명한다. 더 긴 광학 경로는 모든 구성 요소를 프로세서 바로 옆에 배치하지 않고도 메모리가 훨씬 더 넓은 패키지 영역을 차지하도록 할 수 있다.

이 물리적 도달 범위는 아키텍처의 핵심이다. 일반적인 HBM 구성은 제한된 수의 스택으로 컴퓨팅 다이를 둘러싼다. 더 넓은 인터포저에 걸쳐 연결성을 확장하면 훨씬 많은 메모리 칩렛을 수용할 수 있다.

Volantis는 자사 설계가 하나의 풀에서 220개가 넘는 메모리 칩렛을 연결할 수 있다고 말한다. 이 풀은 눈에 띄게 분리된 여러 메모리 계층처럼 동작하는 대신 일관된 접근 특성을 제공하도록 설계됐다.

이 아키텍처는 통합형 마이크로-VCSEL 어레이를 사용한다. 수직 공진기 표면 방출 레이저, 즉 VCSEL은 표면에 수직인 방향으로 빛을 방출한다. VCSEL은 이미 센싱 및 통신 제품에 사용되고 있지만, Volantis는 특수한 패키지 수준 구현을 제안하고 있다.

많은 실리콘 포토닉스 시스템은 외부 레이저에 의존한다. 반면 Volantis는 레이저가 광학 패브릭에 통합돼 있다고 말한다. 외부 레이저 어셈블리를 제거하면 패키징 복잡성을 줄이고 연결 밀도를 높일 수 있다.

회사는 패키지 내부에서 기존 광섬유도 사용하지 않는다. 대신 인터포저를 가로질러 광학 신호를 유도하는 통합 도파관으로 빛을 전달한다. Volantis는 이 도파관이 광섬유보다 훨씬 적은 공간을 차지한다고 말한다.

이 조합은 회사가 광폭·저속 신호라고 부르는 방식을 지원한다. 각 레인은 비교적 낮은 데이터 전송률로 작동하는 반면, 시스템은 매우 많은 수의 병렬 레인을 배치한다. 병렬화는 각 연결에 요구되는 전력과 신호 처리 부담을 줄일 수 있다.

이 전략은 소수의 링크를 극단적인 속도로 끌어올리는 방식과 다르다. 더 느린 레인은 덜 까다로운 전자 장치와 낮은 작동 에너지를 요구할 수 있다. 하지만 수천 개의 신뢰할 수 있는 광학 경로를 제조하는 일은 그 자체로 수율과 테스트 문제를 야기한다.

Volantis는 웨이퍼 규모 링크에서 전송 비트 1조 개당 오류가 1건 미만인 비트 오류율을 보고했다. 또한 이 링크들이 섭씨 95도 이상에서 작동한다고 말한다. 두 특성 모두 광학 부품이 고성능 프로세서 주변의 열 환경을 견뎌야 하므로 중요하다.

이 수치는 아직 출하되는 A-1 시스템에서 확인되지 않았다. 깔끔한 링크 시연이 완전한 메모리 패브릭을 자동으로 검증하는 것은 아니다. 전체 플랫폼은 컴퓨팅, 메모리 컨트롤러, 광 링크, 패키징, 냉각, 소프트웨어를 조율해야 한다.

메모리 풀링은 복잡성을 더욱 높인다. 하드웨어는 수많은 칩렛에 걸쳐 데이터를 일관되게 주소 지정할 방법이 필요하다. 또한 시스템은 광 패브릭의 대역폭 이점을 상쇄할 지연을 만들지 않으면서 장애, 경합, 배치를 관리해야 한다.

Volantis는 이 아키텍처가 매우 큰 용량과 SRAM 수준의 속도를 결합할 수 있다고 말한다. SRAM은 보통 프로세서에 직접 배치되는 고속 메모리지만, 물리적 집적도 때문에 용량에 한계가 있다. 대규모 풀 전반에서 이에 상응하는 실효 성능을 달성한다면 고난도의 시스템 엔지니어링 성과가 될 것이다.

그럼에도 스타트업의 작동 방식은 논리적 일관성이 있다. 광 연결 범위는 활용 가능한 패키지 면적을 넓히고, 병렬 레인은 총 대역폭을 높인다. 집적 레이저와 도파관은 메모리 트래픽을 처리할 만큼 설계를 고밀도로 유지하는 것을 목표로 한다.

아직 답이 나오지 않은 질문은 이러한 요소들이 상업적 규모에서 함께 작동할 수 있는지다. 프로토타입 링크는 디바이스 개념을 입증한다. 추론 시스템은 지속적인 워크로드에서 실용적인 전력 예산 안에 신뢰할 수 있는 결과를 내야 한다.

핵심 경쟁은 광 메모리와 기존 HBM 시스템의 대결이다

Volantis는 단지 빛으로 비트를 이동시킬 수 있음을 보이는 데 그치지 않고, HBM 기반 가속기의 경제성과 성숙도를 넘어야 한다.

오늘날의 선도적 가속기는 강력한 프로세서, HBM, 고속 패키지 링크, 성숙한 소프트웨어를 결합한다. 고객은 검증된 서버 벤더와 클라우드 공급자를 통해 이를 배포할 수 있다. 엔지니어들 또한 일반적인 모델 워크로드에서 그 성능 특성을 이해하고 있다.

Volantis는 이러한 이점 없이 시장에 진입한다. A-1은 지연 시간, 용량, 처리량 또는 운영 비용에서 의미 있는 개선을 제시해야 한다. 작은 개선만으로는 인프라 구매자가 통합 작업을 정당화하기 어려울 것이다.

스타트업의 가장 강력한 논거는 용량과 대역폭을 함께 제공한다는 점이다. 기존 시스템은 흔히 더 많은 가속기에 모델을 분산해 용량을 확보한다. 이 접근법은 통신 오버헤드도 초래하며, 운영자는 주로 메모리를 수용하기 위해 필요한 컴퓨팅 자원 비용을 부담하게 된다.

대규모 광 메모리 풀은 이 균형을 바꿀 수 있다. 더 많은 모델 데이터가 더 적은 수의 컴퓨팅 엔진에서 접근 가능한 상태로 유지될 수 있다. 활용률이 높아진다면 운영자는 각각의 비싼 프로세서에서 더 많은 유용한 작업을 얻을 수 있다.

이 이점은 특히 희소 모델에서 중요할 수 있다. 희소 아키텍처는 각 입력에 대해 선택된 모델 구성 요소만 활성화한다. 하지만 사용 가능한 훨씬 큰 파라미터 집합을 저장하려면 여전히 충분한 메모리가 필요하다.

Mixture-of-experts 모델은 이를 잘 보여 준다. 이런 모델은 각 토큰을 특화된 구성 요소의 일부로 라우팅한다. 활성 연산량은 관리 가능한 수준에 머물 수 있지만, 저장되는 전체 모델은 하나의 가속기가 수용할 수 있는 범위를 훨씬 넘어설 수 있다.

긴 컨텍스트 애플리케이션도 또 다른 기회를 제공한다. 저장소, 문서, 긴 상호작용 기록을 넘나들며 작동하는 에이전트는 큰 메모리 수요를 만든다. 더 큰 로컬 풀은 느린 스토리지 계층 간에 컨텍스트를 이동해야 할 필요를 줄일 수 있다.

그러나 HBM 시스템도 개선되고 있다. 메모리 제조사는 계속해서 스택 용량과 대역폭을 높이고 있다. 가속기 벤더는 추론 워크로드를 중심으로 랙, 인터커넥트, 캐시, 스케줄링 소프트웨어를 재설계하고 있다.

AMD와 Nvidia는 완전한 플랫폼 전반에서 하드웨어와 소프트웨어를 조율할 수 있다. 이런 통합은 스타트업이 맞추기 어렵다. Volantis는 메모리, 제조, 패키징, 시스템, 워크로드 소프트웨어를 공급할 파트너가 필요할 것이다.

포토닉스 시장에는 자금력이 충분한 전문 기업도 존재한다. Ayar Labs는 프로세서 근처에 광 I/O 칩렛을 배치하고 외부 레이저 광원을 사용한다. 이 회사의 기술은 더 큰 컴퓨팅 시스템 전반의 고대역폭 링크에 초점을 맞춘다.

Lightmatter의 Passage 플랫폼 역시 AI 인프라용 광 연결성을 겨냥한다. 프로그래밍 가능한 포토닉 네트워크를 통해 패키지와 보드 전반에서 프로세서를 연결하는 데 초점을 둔다.

Celestial AI는 패키지, 시스템, 랙 연결성을 아우르는 광 패브릭을 개발했다. Marvell은 2026년 2월 Celestial AI acquisition을 완료하며 이 기술을 주요 반도체 공급업체 안으로 편입했다.

이들 기업이 모두 동일한 제품을 판매하는 것은 아니다. 일부는 범용 광 I/O를 강조하는 반면, 다른 기업은 컴퓨팅을 분리형 메모리에 직접 연결한다. 그럼에도 이들의 존재는 Volantis가 넘어야 할 상업적 기준을 높인다.

대형 기존 업체는 검증된 인터페이스, 제조 관계, 고객 지원을 제공할 수 있다. 기존 제품 로드맵에 포토닉스를 내장할 수도 있다. Volantis는 자사의 특화 설계가 더 광범위한 플랫폼이 쉽게 재현할 수 없는 이점을 만든다는 점을 입증해야 한다.

집적 VCSEL 전략은 차별화 지점 중 하나다. 외부 레이저를 피하면 광 어셈블리의 일부를 단순화할 수 있다. 또한 실리콘 포토닉스 설계에서 흔히 쓰이는 레이저 부품에 대한 의존도도 낮출 수 있다.

이 선택은 자체적인 기술적 질문도 낳는다. 집적 광원은 온도 변화와 생산 편차 전반에서 예측 가능하게 작동해야 한다. 고장 난 발광기나 도파관이 수많은 고가 칩렛을 담은 패키지의 신뢰성을 훼손해서는 안 된다.

따라서 핵심 경쟁은 여전히 아키텍처에 있다. Volantis는 패키지 내부의 광 연결성을 확장하면 전기 링크에 사용할 수 있는 제한된 가장자리 공간인 HBM shoreline의 한계를 극복할 수 있다고 주장한다.

기존 가속기 벤더는 자사 제품을 통해 더 가까운 HBM, 더 나은 네트워킹, 소프트웨어 최적화가 계속 확장될 수 있다고 주장한다. 양쪽 경로 모두 포토닉스를 사용하지만, 시스템 내 서로 다른 지점에 배치한다.

Volantis가 성공하려면 광학을 메모리에 더 가깝게 옮기는 것이 측정 가능한 시스템 이점을 만들어야 한다. 광학적 새로움만으로는 비용이 많이 들고 비즈니스 핵심적인 추론 플릿을 운영하는 구매자를 설득할 수 없다.

Volantis A-1의 주장이 아직 입증하지 못한 것

가장 큰 불확실성은 광 링크 자체가 아니라 Volantis가 이를 신뢰성 있고 경제적인 양산 시스템으로 전환할 수 있는지다.

이 회사는 여러 디바이스 수준 목표를 공개했다. 그러나 A-1을 현재의 추론 플랫폼과 비교하는 완전한 제3자 벤치마크는 공개하지 않았다. 이 공백은 애플리케이션 성능에 대한 결론을 제한한다.

초당 토큰 수 역시 중요한 변수를 가릴 수 있다. 결과는 모델 아키텍처, 정밀도, 컨텍스트 길이, 배치 크기, 출력 길이, 지연 시간 측정 방식에 따라 달라진다. 이러한 조건이 없는 수치로는 공정한 플랫폼 비교가 불가능하다.

사용자당 초당 10,000토큰이라는 목표는 특히 워크로드 정의에 민감하다. 더 작거나 강하게 압축된 모델은 거대한 프런티어 시스템보다 더 빠르게 토큰을 생성할 수 있다. 동일한 하드웨어도 컨텍스트가 길어지면 다른 성능을 보일 수 있다.

Volantis는 이 처리량 목표를 20조 개 이상의 파라미터를 가진 모델과 연결한다. 아직 그러한 양산 모델을 공개적으로 특정하거나 재현 가능한 벤치마크 제품군을 제공하지는 않았다. 독자들은 이 조합을 시스템 목표로 봐야 한다.

메모리 풀도 면밀히 살펴봐야 한다. 최대 총 대역폭은 모든 워크로드에 지속적으로 제공되는 대역폭과 같지 않다. 프로토콜 오버헤드, 경합, 데이터 배치, 메모리 컨트롤러 동작은 실제 성능을 낮출 수 있다.

지연 시간도 비슷한 문제를 제기한다. 5나노초 미만의 링크가 애플리케이션이 5나노초 안에 데이터를 받는다는 뜻은 아니다. 컨트롤러, 스위치, 조정, 메모리 액세스는 각각 지연을 더한다.

구성 요소 수가 늘어날수록 신뢰성 확보는 더 어려워진다. 수천 개 광 레인을 갖는 패브릭에는 이중화와 오류 관리가 필요하다. 수백 개 메모리 칩렛을 담은 패키지는 제조 편차와 구성 요소 고장을 견뎌야 한다.

열 특성도 또 다른 우려 사항이다. 포토닉 디바이스는 온도에 따라 특성이 변할 수 있는 반면 AI 가속기는 상당한 열을 발생시킨다. Volantis는 자사 설계가 섭씨 95도를 넘어도 안정적으로 유지된다고 말하지만, 시스템 수준의 근거는 여전히 제한적이다.

패키징은 이 아키텍처가 실용화되는지를 결정할 수 있다. 대형 인터포저는 비용이 많이 들고 높은 수율로 제조하기 어렵다. 광학 및 전자 인터페이스가 추가될 때마다 조립과 테스트가 필요한 지점도 하나씩 늘어난다.

공급망 전략은 설계를 차별화하는 데 도움이 될 수 있다. 이 회사는 다른 화합물 반도체 소재에 의존하는 레이저 기술 대신 갈륨비소로 만든 VCSEL을 강조한다. 그러나 다른 소재 스택이 제조 위험을 없애는 것은 아니다.

소프트웨어 호환성도 중요하다. 모델 서빙 플랫폼은 특정 메모리 동작, 통신 라이브러리, 가속기 인터페이스를 기대한다. Volantis는 기존 추론 소프트웨어가 A-1을 어떻게 대상으로 삼을지 완전히 설명하지 않았다.

고객에게는 스케줄링, 프로파일링, 장애 복구, 모델 배치를 위한 도구가 필요하다. 이러한 기능은 성숙하는 데 수년이 걸리는 경우가 많다. 소프트웨어가 하드웨어를 일관되게 활용하지 못하면 하드웨어 성능은 접근하기 어려운 상태로 남을 수 있다.

추가 질문은 상업적 제품 단위와 관련된다. Volantis는 시스템을 설명하지만, 잠재 구매자에게는 배포 방식에 관한 세부 사항이 필요하다. 이들은 A-1이 어플라이언스, 가속기, 랙, 라이선스 아키텍처, 파트너 통합 구성 요소 중 무엇으로 제공되는지 물을 것이다.

회사는 초기 시장도 특정해야 한다. 프런티어 연구소는 극단적인 용량을 중시할 수 있지만, 광범위한 검증을 요구한다. 클라우드 공급자는 규모를 제공하지만 일반적으로 예측 가능한 공급과 지원을 요구한다.

기업 시장은 다른 요구를 지닌 더 폭넓은 시장을 형성한다. 많은 기업은 기존 가속기에 맞는 더 작은 모델을 운용한다. 광 풀링이 운영 복잡성 없이 비용을 낮추지 못한다면 이들은 기존 하드웨어를 선호할 수 있다.

따라서 공개 자료로 설명되는 Volantis A-1은 완성된 시장 판정이 아니라 강력한 아키텍처 제안이다. 이 회사의 주장은 시스템이 하도록 설계된 일을 설명한다. 양산 준비 상태를 확립하는 것은 아니다.

이 구분이 프로젝트의 중요성을 떨어뜨리는 것은 아니다. 반도체 스타트업은 최종 실리콘과 고객 배포 이전에 자금을 조달하는 일이 흔하다. 이는 성능 주장이 받아들여진 사실이 되기 전에 여전히 필요한 증거를 규정할 뿐이다.

메모리 베팅의 성패를 보여 줄 세 가지 신호

다음 단계는 재현 가능한 하드웨어 결과, 제조 근거, 신뢰할 수 있는 고객 배포에 달려 있다.

첫 번째 신호는 명시된 모델과 공개된 테스트 조건을 사용하는 완전한 A-1 시연이다. Volantis는 모델 크기, 수치 정밀도, 컨텍스트 길이, 배치 크기, 지연 시간, 전력 소비, 지속 처리량을 명시해야 한다.

독립 연구소나 고객의 결과는 내부 시연보다 더 큰 무게를 가질 것이다. 이는 포토닉 메모리 패브릭이 링크 대역폭만이 아니라 전체 애플리케이션 성능을 개선하는지 보여 줄 것이다.

A-1이 모델 크기와 컨텍스트가 증가해도 높은 처리량을 유지한다면, 그러한 벤치마크는 회사의 주장을 강화할 것이다. 확장성이 약하거나 테스트 조건이 제한적이라면 아키텍처에 대한 신뢰는 낮아질 것이다.

두 번째 신호는 제조 및 패키징 로드맵이다. 일부 상업적 세부 사항이 기밀로 남더라도 Volantis는 파운드리, 메모리, 패키징, 시스템 파트너를 밝혀야 한다.

로드맵은 회사가 집적 레이저와 도파관을 대량으로 어떻게 테스트하는지 설명해야 한다. 또한 대형 광 인터포저 전반의 이중화, 수리, 냉각, 수율도 다뤄야 한다.

이 분야의 진전은 Volantis가 실험실 디바이스와 반복 생산 가능한 하드웨어 사이의 격차를 넘을 수 있음을 보여 줄 것이다. 지연이나 상당한 사양 변경은 통합이 여전히 핵심 장애물임을 시사할 것이다.

세 번째 신호는 고객 검증이다. 하이퍼스케일러, 모델 개발사 또는 서버 제조사는 A-1이 인프라를 바꿔서라도 해결할 가치가 있는 워크로드 문제를 해결한다는 점을 보여야 한다.

가장 설득력 있는 배포 사례는 기존 HBM 시스템이 낮은 지연 시간으로 효율적으로 처리할 수 없는 모델을 포함할 것이다. 긴 컨텍스트 에이전트와 대규모 희소 모델은 자연스러운 후보군이다.

고객사는 초당 최대 토큰 수 외의 운영 지표도 공개해야 한다. 활용률, 전력, 오류율, 가용성, 완료된 작업당 비용은 이 설계가 실제 경제성을 개선하는지 보여줄 수 있다.

세 가지 신호 모두에서 경쟁사의 대응이 중요하다. Ayar Labs, Lightmatter, Marvell, Nvidia 및 가속기 공급업체들은 각자의 광학 및 메모리 아키텍처를 계속 발전시킬 것이다. Volantis에게 경쟁 없는 개발 기간이 주어진 것은 아니다.

8,800만 달러 규모의 Series A 투자는 Volantis가 의미 있는 규모로 광자 AI 인터커넥트를 추진할 자원을 제공한다. 그러나 패키징, 소프트웨어, 신뢰성, 고객 운영 전반에서 증거를 제시해야 할 필요성까지 없애지는 않는다.

개발자와 엔터프라이즈 구매자에게 당장의 교훈은 공개되지 않은 플랫폼을 중심으로 시스템을 재설계하라는 것이 아니다. 실제 워크로드에서 추론 병목이 어디에 나타나는지 지켜보라는 것이다.

팀은 메모리 활용률, 첫 토큰까지의 시간, 지속 생성 속도, 컨텍스트 증가량, 프로세서 유휴 시간을 측정해야 한다. 이러한 관찰은 미래의 광학 메모리 시스템이 실제 제약을 해결하는지 드러낼 것이다.

Volantis의 광자 AI 인터커넥트는 가속기 수를 늘리지 않고도 초대형 모델을 상호작용 가능하게 만든다면 중요한 의미를 갖게 된다. 다음 벤치마크, 제조 파트너십, 고객 배포가 그 약속이 실제 운영 환경에서도 유지되는지 보여줄 것이다.