레니게이드가 지금 화제인 진짜 이유

퓨리오사AI 레니게이드(RNGD)는 단순한 국산 AI 반도체 이상의 의미를 갖습니다. 2026년 1월 28일, 퓨리오사AI는 파운드리 파트너 TSMC로부터 1차 양산분 4,000장을 인도받았다고 공식 발표했습니다. 에이수스가 카드 조립을 맡아 ‘RNGD PCIe 카드’와 ‘NXT RNGD 서버’ 두 가지 제품 형태로 엔터프라이즈 시장에 공급되기 시작했습니다.

화제성을 높인 또 다른 이유는 메타의 인수 제안 거절 사건입니다. 메타는 약 1조 원(7억 달러 규모)에 달하는 인수 제안을 했지만 퓨리오사AI는 이를 거절하고 독자 상장을 택했습니다. 2026년 1월에는 기업가치 2~3조 원 기준으로 7,000억 원 규모의 프리IPO를 추진 중이며, 미래에셋증권·모건스탠리가 공동 주관하고 있습니다. 2027년 IPO(국내 또는 나스닥)가 목표입니다.

기술적으로도 레니게이드는 기존 NPU의 한계를 넘은 새로운 아키텍처 ‘TCP(Tensor Contraction Processor, 텐서 축약 프로세서)’를 채택했습니다. AI 추론 워크로드에서 엔비디아 H100 대비 전력 효율을 2.7배 끌어올린 이 칩이 어떻게 설계됐는지, 그리고 실제로 어떤 상황에서 써야 유리한지 지금부터 낱낱이 분석합니다.

▲ 목차로 돌아가기

TCP 아키텍처란 무엇인가 — GPU와 결정적 차이

GPU의 구조적 한계

엔비디아 GPU가 AI 연산을 처리할 때 사용하는 핵심 연산은 행렬 곱셈(MatMul)입니다. 원래 그래픽 렌더링에 최적화된 구조이기 때문에, 딥러닝에 필요한 텐서 연산을 처리할 때는 데이터를 반드시 행렬 형태로 ‘매핑’한 뒤 처리해야 합니다. 이 과정에서 텐서 자체의 병렬성과 데이터 지역성(data locality)이 상당 부분 낭비됩니다. H100 TDP가 700W에 달하는 이유 중 하나가 바로 이 비효율 때문입니다.

TCP의 원리 — 텐서를 있는 그대로 처리한다

퓨리오사AI의 TCP는 텐서 축약(Tensor Contraction) 자체를 하드웨어의 기본 처리 단위로 삼습니다. 텐서 축약이란 다차원 텐서에서 특정 축(dimension)을 따라 합산해 차원을 줄이는 연산으로, 실제 딥러닝 모델이 가장 많이 수행하는 연산 중 하나입니다. GPU처럼 중간 변환 없이 이 연산을 직접 처리하기 때문에 메모리 접근 횟수가 줄고, 데이터 재사용률이 극적으로 높아집니다.

레니게이드에는 8개의 프로세싱 엘리먼트(PE)가 병렬로 배치되고, ‘페치 네트워크(Fetch Network)’라는 데이터 전달 구조가 각 PE 간 효율적인 데이터 공유를 담당합니다. 또한 고급 컴파일러가 큰 연산 블록을 쪼개고 다시 합치는 최적화를 수행하여, 다양한 규모의 LLM 모델에서도 일관된 고효율을 유지합니다.

▲ 목차로 돌아가기

RNGD 사양 완전 해부 — 숫자로 보는 성능

레니게이드는 단일 카드(RNGD PCIe)와 서버 완제품(NXT RNGD) 두 가지 폼팩터로 공급됩니다. 각각의 사양을 상세히 살펴보겠습니다.

특히 NXT RNGD 서버는 랙당 소비 전력이 3kW에 불과합니다. 엔비디아 DGX H100 서버(RNGD 8장 대응 구성)의 랙 소비 전력이 10kW 이상인 것과 비교하면, 같은 랙 환경에서 최대 3분의 1의 전기료로 유사한 추론 워크로드를 처리할 수 있다는 의미입니다. 소프트웨어는 ‘퓨리오사 SDK’ 및 ‘LLM 런타임’을 통해 모델을 최적화하고 배포할 수 있습니다.

▲ 목차로 돌아가기

엔비디아 H100·L40S와 냉정한 성능 비교

퓨리오사AI가 ISCA 2024 학술 발표에서 공개한 데이터를 기반으로 RNGD와 엔비디아 GPU의 성능을 비교해 보겠습니다. 비교 모델은 라마-2 7B이며, 배치 크기와 시퀀스 길이를 달리하며 측정한 결과입니다.

숫자만 보면 오해할 수 있는 부분이 있습니다. RNGD의 절대 처리 성능은 H100보다 낮습니다. 32 배치 기준으로 H100이 2,230 토큰/초인 반면 RNGD는 1,293 토큰/초입니다. 그러나 전력 소비를 고려하면 이야기가 완전히 달라집니다. RNGD는 동일한 1와트를 소모해서 H100보다 2.7배 많은 연산을 수행합니다. 즉, AI 학습이 아닌 추론(inference) 워크로드에서 비용 효율이 압도적으로 유리합니다.

▲ 목차로 돌아가기

실제 도입 사례 — LG 엑사원부터 OpenAI 120B까지

LG 엑사원 3.5 32B — 실전 추론 성능 검증

LG AI 연구원은 2025년 7월 엑사원 3.5 32B 모델에 RNGD를 적용한 추론 컴퓨팅 시스템을 구현했습니다. 단 4장의 RNGD 카드를 장착한 단일 서버에서 4K 컨텍스트 윈도우 기준 초당 60 토큰, 32K 컨텍스트 윈도우에서도 초당 50 토큰을 안정적으로 처리했습니다. 이 수치는 실제 서비스 환경에서 충분히 쾌적한 응답 속도입니다. LG AI 연구원이 엑사원을 상용 서비스에 적용할 때 비용·전력 효율을 고려해 RNGD를 선택한 것은 단순 애국심이 아닌 냉정한 기술 검증의 결과였습니다.

OpenAI GPT-OSS 120B — 온프레미스 초대형 LLM 구동

퓨리오사AI가 공개한 가장 인상적인 시연은 OpenAI의 GPT-OSS 120B 모델을 단 2장의 RNGD 카드로 구동한 것입니다. 이 모델은 MXFP4 형식을 사용하며, 퓨리오사AI가 하드웨어 파이프라인 레벨에서 이를 직접 지원하도록 구성했습니다. 시연에서 출력 토큰당 5.8ms를 달성했는데, 이는 100B 이상의 대형 LLM도 인터넷 연결 없이 온프레미스 환경에서 RNGD 기반 서버로 무리 없이 서비스할 수 있음을 실증한 것입니다.

▲ 목차로 돌아가기

퓨리오사AI의 비즈니스 전략과 글로벌 경쟁 구도

시장 전략 — GPU 대체가 아닌 ‘추론 전문 영역’ 선점

퓨리오사AI는 스스로를 “GPU의 대체재”가 아닌 “추론 전용 최적화 솔루션”으로 포지셔닝합니다. 현재 AI 시장에서 GPU는 학습(training)에 집중되는 추세이고, 이미 완성된 모델을 대규모로 서비스하는 추론(inference) 워크로드는 전력 및 비용 효율이 훨씬 중요합니다. 이 추론 시장을 공략하는 것이 퓨리오사AI의 핵심 전략입니다. 백준호 대표는 “RNGD 양산은 글로벌 AI 3강·반도체 2강 도약을 위한 진일보”라고 선언했습니다.

글로벌 경쟁자들

RNGD가 경쟁해야 할 글로벌 AI 가속기는 다음과 같습니다.

• 1
  Groq LPU — 극저지연 추론에 특화. 배치 처리 능력은 RNGD 대비 제한적. 클라우드 전용 서비스 형태로만 제공.
• 2
  Tenstorrent Wormhole/Blackhole — 오픈소스 RISC-V 기반. 개발자 커뮤니티 지원 강점. 데이터센터 규모 도입 실적은 RNGD 대비 초기 단계.
• 3
  Cerebras WSE-3 — 웨이퍼 규모 단일 칩으로 초거대 모델 학습·추론에 특화. 가격대와 설치 요구사항이 매우 높아 대형 기업 외에 접근 어려움.
• 4
  SambaNova SN40L RDU — 소프트웨어 정의 하드웨어 개념. 다양한 AI 워크로드 지원. 기업용 AI 클라우드 서비스 형태 주력.

이들 경쟁자 중 엔터프라이즈용 실물 서버 형태로 공급 가능하면서 온프레미스 배포를 지원하는 제품은 RNGD가 현재 가장 직접적인 옵션입니다. 2026년 목표 출하량 2만 장을 달성하면 글로벌 하이퍼스케일러와의 계약도 현실화될 전망입니다.

▲ 목차로 돌아가기

레니게이드, 당신의 AI 인프라에 써도 될까?

RNGD가 적합한 상황

다음 상황 중 하나라도 해당된다면 RNGD는 매우 유력한 선택지입니다. 첫째로 전력 비용이 부담스러운 경우입니다. 데이터센터 운영에서 전기료는 장기 비용의 가장 큰 비중을 차지하므로, H100 대비 2.7배 높은 와트당 성능은 수년 후 ROI 관점에서 결정적 차이를 만듭니다. 둘째로 보안 규제로 클라우드 사용이 불가한 경우입니다. 금융, 의료, 공공기관처럼 데이터를 외부로 내보낼 수 없는 환경에서 100B 이상의 LLM을 온프레미스로 서비스하는 시나리오에 RNGD는 거의 유일한 현실적 대안입니다. 셋째로 공랭 환경의 기존 서버 인프라를 활용하고 싶은 경우입니다. 180W TDP의 RNGD PCIe 카드는 수냉 설비 없이 기존 공랭 서버에 그대로 장착할 수 있어 추가 인프라 투자가 최소화됩니다.

RNGD가 부적합한 상황

반면 다음 경우라면 RNGD가 최선의 선택이 아닐 수 있습니다. AI 모델 학습이 주 워크로드인 경우, 최신 모델 학습에는 엔비디아 H100/H200이 여전히 압도적입니다. 또한 CUDA 생태계 의존도가 높은 기존 파이프라인을 그대로 활용해야 한다면, 퓨리오사AI SDK로의 마이그레이션 비용을 감수해야 합니다. RNGD는 프레임워크 지원이나 커뮤니티 생태계 면에서 아직 CUDA에 크게 못 미칩니다.

▲ 목차로 돌아가기