앤시스는 자율주행차 시대에 요구되는 안전성과 성능을 충족하는 전자식 파워 스티어링 시스템(EPS : Electronic Power Steering system) 개발을 위해 폭스바겐과 협력하고 있다고 소개했다. 자율주행차, 차량 공유 및 배송 서비스가 머지않아 일상 속에서 주류 기술로 자리잡을 것으로 전망된다. 맥킨지 미래 모빌리티 센터는 자율주행 기술이 오는 2035년까지 3000억~4000억 달러의 수익을 창출할 수 있을 것으로 내다봤다. 이는 자율주행차 개발에 투자하고 있는 완성차 제조업체(OEM) 및 티어 공급업체에게 긍정적인 신호로 해석된다. 다만 이러한 기술이 본격적으로 상용화되기 위해서는 새로운 기술 역량의 확보는 물론, 안정성과 관련된 다양한 우려를 해소할 수 있는 능력이 성공의 핵심으로 작용할 것이다. 폭스바겐은 EPS를 개발하면서 급변하는 자동차 산업 환경과 자율주행 기술의 진화에 발맞춰 혁신을 추진하고 있다. 특히, EPS의 성능과 안전성을 빠르게 개선해 관련 요구 사항의 임계값을 충족시키는 동시에, 자사 브랜드 고유의 정확하고 반응성이 뛰어난 핸들링 성능을 강화하기 위해 앤시스의 시뮬레이션 소프트웨어를 적극 도입하고 있다. EPS는 다양한 주행 시나리오에서 스티어링 프로세스를 정밀하게 제어할 수 있는 복잡한 기능을 갖추고 있다. 이러한 진화 덕분에 최신 자동차는 차선 유지 보조 시스템, 고속도로 주행 시나리오의 일시적 자율주행, 자동 주차 그리고 무인 호출 기능까지 다양한 자동화 기술을 탑재하고 있다. 앞으로의 발전 방향은 ‘스티어-바이-와이어(Steer-by-wire)’ 시스템으로 나아갈 것으로 예상된다. 이 시스템은 운전자와 앞바퀴 간의 기계적 연결 없이도 차량을 제어할 수 있도록 하며, SAE 레벨 3 이상의 고도 자율주행을 실현하는 핵심 기술로 주목받고 있다.   ▲ 폭스바겐 프리미엄 플랫폼용 전자식 스티어링 시스템의 주요 사양   승차감과 핸들링을 좌우하는 스티어링 시스템 개발은 폭스바겐의 차량 설계에서 핵심적인 역할을 담당한다. 차량 주행 중의 변화는 대부분 소프트웨어 기능에 의해 밀리초 단위로 정밀하게 조정되며, 운전자가 무의식적으로 감지하는 미세한 차이가 성능에 대한 인식으로 이어지는 경우가 많다. 특히, 운전자의 직접적인 입력이 제한되는 자율주행차에서는 더욱 복잡하게 작용한다. 현재 폭스바겐은 프리미엄 플랫폼 전기차에 적용 가능한 첨단 모듈형 스티어링 시스템을 개발 중이다. 이러한 시스템은 스티어링 보조 기능의 갑작스러운 상실이나 예기치 못한 스티어링을 포함한 자율주행 관련 위험을 효과적으로 완화한다. 또한, 자율주행 환경에서 요구되는 EPS 시스템의 복잡성에 대응하기 위해 폭스바겐은 다양한 물리 영역을 아우르는 테스트를 수행하고 있다. 이는 약 150명의 엔지니어가 75만 줄의 코드를 기반으로 8000개 이상의 요구 사항을 만족시키는 소형 전자 제어 장치(ECU)에 대한 테스트, 유효성 검토 및 검증 작업을 책임지고 있다. 이러한 작업은 고성능이면서도 비용 효율적인 ECU의 개발을 가능케 한다. 특히 폭스바겐은 테스트 시나리오 전반에 걸친 시간 및 비용 부담을 최소화하고 개발 속도와 효율성을 동시에 확보하기 위해 제품과 프로세스 전반의 간소화를 적극적으로 추진하고 있다. 앤시스의 쇠렌 슈라이너(Soeren Schreiner) 수석 애플리케이션 엔지니어는 “자율주행 기술처럼 복잡성과 변동성이 높은 분야에서는 적응력이 뛰어난 설루션이 필수이다. 동시에 비용 효율성과 안전성 또한 충족되어야 한다. 특히 안전은 전체 개발 비용에서 가장 큰 비중을 차지하는 요소 중 하나”라고 강조했다. 자율주행 기술의 복잡한 시스템의 안전성을 보장하기 위해, 폭스바겐 엔지니어들은 국제적 안전 표준을 충족하는 방식으로 시스템 소프트웨어를 개발했음을 적극적으로 입증해야 한다. 이를 위해 폭스바겐은 차량용 전기·전자(E/E) 시스템의 기능적 안전을 규정한 국제 표준 ISO 26262를 기반으로, 가장 높은 수준의 안전 등급인 ASIL-D를 준수하고 있다. ASIL-D는 EPS와 같은 안전 필수 시스템의 설계·개발 시 적용되는 핵심 프레임워크다. 또한, 폭스바겐의 스티어링 시스템은 자동차 임베디드 소프트웨어 개발의 글로벌 품질 기준인 ASPICE(Automotive SPICE)의 레벨 2(L2) 요구 사항을 충족해야 한다. ASPICE L2는 차량 소프트웨어 개발 표준의 이행 여부를 평가해, 신뢰 가능한 결과물을 일관되게 제공할 수 있는지를 검증하는 체계다. 이러한 표준을 만족시키기 위해 폭스바겐은 앤시스의 시스템 및 소프트웨어 아키텍처 설계(SCADE Architect), 주요 임베디드 소프트웨어를 위한 모델 기반 개발 환경(SCADE Suite), 임베디드 소프트웨어 테스트(SCADE Test) 및 소프트웨어 라이프 사이클 관리(SCADE LifeCycle) 등 다양한 개발 도구를 활용해 엔드 투 엔드 모델 기반 시스템 및 소프트웨어 설계 툴체인을 구축했다. 이 새로운 툴체인은 소프트웨어 개발 및 배포 효율성을 높이는 동시에, 고난도 안전 제약 기준을 충족해야 하는 시스템 내에서 ISO 26262 ASIL-D 및 ASPICE L2를 준수할 수 있도록 지원한다. 앤시스의 쇠렌 슈라이너 수석 애플리케이션 엔지니어는 “폭스바겐과 함께 개발한 이번 워크플로는 효율성과 유연성을 모두 갖춘 것이 특징이다. 이 프로세스를 통해 복잡한 다단계 소프트웨어 아키텍처 모델을 정의하고 유지하면서도 설계 모델과 기능 테스트 간의 자동 동기화, 전체 개발 과정에 걸친 요구사항 추적성 확보가 가능해졌다”라고 설명했다.

오토폼엔지니어링이 올리비에 르퇴르트르(Olivier Leteurtre) CEO의 방한과 함께 한국 시장을 위한 기술 협력과 인재 양성 전략을 발표했다. 이번 전략은 국내 고객과의 디지털 협업을 확대하고, 지역 기반 산학협력을 통해 디지털 금형 생태계를 구축하는 데 중점을 두고 있다. 르퇴르트르 CEO는 “제조업의 미래는 디지털 협업 생태계 위에서 결정된다. 오토폼은 금형 산업의 복잡한 공정과 데이터를 정밀하게 연결해, 더 이상 ‘경험’이 아닌 ‘데이터’로 예측하고 판단하는 환경을 만들어가고 있다”면서, “특히 한국은 자동차 산업의 글로벌 중심지이자, 디지털 제조 혁신이 가장 빠르게 진화하는 시장으로, 이 전환의 최전선에 서 있다. 오토폼은 이곳에서 디지털 트윈과 시뮬레이션을 통해 제조 방식의 새로운 기준을 제시하고, 산업의 미래를 주도해 나가겠다”고 밝혔다.     오토폼은 국내 주요 자동차 및 전자 산업의 OEM 기업과 협력하며 금형 설계, 시뮬레이션, 공정 최적화 등 다양한 디지털 전환 프로젝트를 전개하고 있다고 소개했다. 특히 ‘디지털 프로세스 트윈’을 구현함으로써 설계 초기부터 품질을 예측하고 리스크 줄이는 시스템을 현실화해 불량률을 줄이며, 실제 제조 현장에서의 리드타임 단축과 생산성 향상에 기여하고 있다. 이 같은 기술은 ESG 경영 요구에 대응하는 스마트 제조 구현에도 핵심 역할을 하고 있다는 것이 오토폼의 설명이다. 또한 오토폼은 국내 제조업 밸류체인 전반의 디지털 역량 강화를 위해, 중소 협력업체 지원에도 적극 나서고 있다고 밝혔다. 경일대학교 내에 설립 예정인 ‘디지털 트라이아웃 랩(Digital Tryout Lab)’은 고가의 소프트웨어나 전문 인력 없이도 시뮬레이션 기반 공정 해석을 적용할 수 있도록 돕는 기술 거점으로, 기존에 디지털 전환에서 소외됐던 2차·3차 벤더의 실질적 변화와 기술 내재화를 지원한다. 이 센터는 아진산업 등과 연계해 실무 중심의 시범 프로젝트를 수행하고 있으며, 향후 다양한 협력사들이 활용할 수 있는 공동 인프라로 확대될 예정이다. 오토폼은 기술 지원과 더불어 인재 양성 측면에서도 산학 협력을 강화하고 있다. 오토폼은 경북기계공업고등학교와 디지털 금형 분야 인재 양성을 위한 업무협약(MOU)을 체결하고, 지역 기반의 실무형 교육 생태계 조성에 나선다고 전했다. 이번 협약은 교내 실습과 인턴십, 산업 현장과의 채용 연계를 포함한 통합형 프로그램으로 구성되며, 디지털 제조 환경에 특화된 현장 맞춤형 기술 인재를 체계적으로 육성하는 데 초점을 맞추고 있다. 이외에도 오토폼은 국립창원대학교에 600억 원 규모의 소프트웨어를 3년간 기증해 ‘글로컬 산업기술거점센터’를 설립하고, 지역 기업과 연계한 실무 교육 및 취업 연계 프로그램을 운영하고 있으며, 성균관대학교와는 복합재료 기반의 공동 연구와 실무형 교육을 통해 차세대 제조 인재를 양성하고 있다. 오토폼엔지니어링코리아의 조영빈 대표는 “디지털 전환은 더 이상 대기업만의 과제가 아니며, 금형 산업의 디지털화는 선택이 아닌 생존의 문제다. 오토폼은 중소 협력사를 포함한 밸류체인 전반을 디지털 협업 구조로 연결해, 제조 생태계 전체의 경쟁력을 함께 끌어올리고자 한다”면서, “기술은 나눌 때 그 가치가 배가되고, 사람은 연결될 때 성장한다고 믿는다. 특히 기술과 인재를 지역 현장에서 직접 연결하는 산학협력 모델을 통해, 지속 가능한 산업 성장의 토대를 함께 만들어가겠다”라고 전했다.

스노우플레이크는 자사의 ‘제조 산업을 위한 AI 데이터 클라우드(AI Data Cloud for Manufacturing)’가 자동차 산업에 특화된 설루션을 중심으로 확장하며 높은 성장세를 보이고 있다고 발표했다. 스노우플레이크에 따르면, 2023년 4월을 기준으로 2년간 전 세계 제조 산업군에서 데이터 애플리케이션 및 협업을 위해 스노우플레이크의 플랫폼을 도입한 비율은 416% 증가했고, 데이터 분석을 위해서는 185%, 고급 예측 모델링 및 AI 앱과 같은 데이터 사이언스 목적으로는 188% 늘었다.  이와 같은 제조업체의 데이터 기반 비즈니스 인사이트 확보에 대한 높은 수요에 따라, 스노우플레이크는 AI 데이터 클라우드를 자동차 산업의 특수한 요구사항을 충족할 수 있도록 정밀하게 조정하며 글로벌 제조업체의 디지털 전환 및 AI 혁신을 뒷받침하고 있다고 전했다. 커넥티드 및 소프트웨어 정의 차량(Software Defined Vehicle : SDV), 자율주행, 전기차, 인더스트리 4.0 등 자동차 산업 트렌드에 맞춰 스노우플레이크는 데이터 공유 및 AI 지원 기능으로 완성차 제조업체(OEM), 부품업체, 유통 및 서비스업체 전반의 협업과 생산 공정을 최적화하고 있다.     특히 스노우플레이크를 활용하는 자동차 관련 기업은 차량 설계부터 생산, 서비스, 보증에 이르는 전체 라이프사이클 데이터를 통합하고 사일로를 제거할 수 있게 된다. 이를 통해 운영 효율을 높이고 고객 경험을 향상시킨다. 또한 스노우플레이크 아키텍처로 SDV와 자율주행차에서 생성되는 방대한 커넥티드 데이터를 안정적으로 활용하고 확장할 수도 있다. 누적된 데이터는 스노우플레이크 마켓플레이스에서 판매할 수 있어 신규 수익원이 되기도 한다. 스노우플레이크 데이터 플랫폼은 조직 전반에서 AI·ML 기능을 손쉽게 활용할 수 있도록 해, 예측 모델 개발시간을 단축하고 차량 설계 및 유지보수의 새로운 패러다임을 주도할 수 있다. 공급망 전반의 실시간 가시성도 제공한다. 수요 예측의 정확도를 높이고 재고 관리와 비용 효율성을 높여 데이터 기반의 의사결정을 현실화할 수 있다. 스노우플레이크의 팀 롱(Tim Long) 제조 산업 부문 글로벌 총괄은 “커넥티드 및 자율주행 등 최신 차량은 방대한 데이터를 생성하고 있으며, 자동차 업계는 이를 효과적으로 처리하면서도 신뢰할 수 있는 AI 설루션이 필요해졌다”면서, “스노우플레이크의 자동차 산업 설루션은 제조 전문성을 바탕으로 자동차 기업이 데이터를 통합하고 커넥티드 차량 개발 계획을 확장하며, 시장 변화에 빠르게 대응할 수 있도록 지원한다”고 말했다. 지멘스와 같은 글로벌 기술 및 제조 기업은 스노우플레이크를 활용해 AI와 고급 분석으로 전사적 운영을 혁신하는 동시에 엄격한 보안 및 거버넌스 기준을 유지하고 있다. 전 세계 주요 완성차 제조업체(OEM)의 약 80%가 스노우플레이크 플랫폼을 활용 중이며, 닛산, 카맥스(CarMax), 콕스 오토모티브(Cox Automotive), 펜스케 로지스틱스(Penske Logistics) 등은 실시간 커넥티드 차량의 인사이트와 안전한 데이터 협업으로 운영 효율을 높이고 있다. 스노우플레이크는 이외에도 액센츄어, 아마존웹서비스, 딜로이트, EY 등 글로벌 파트너와 함께 자동차 산업에 특화된 AI 및 데이터 설루션을 확장하고 있으며, 지멘스 디지털 인더스트리 소프트웨어, 블루욘더(Blue Yonder), 랜딩AI(LandingAI), 멘딕스(Mendix), 시그마(Sigma) 등 다양한 파트너사가 스노우플레이크 플랫폼에서 SDV 개발, AI 기반 품질 관리, 공급망 최적화 등 전문 설루션을 개발하며 생태계를 확장하고 있다고 밝혔다.

AutoForm Car Body Planner   개발 : AutoForm, www.autoform.com 자료 제공 : AutoForm, 02-6332-1150, www.autoform.com/kr   AutoForm(오토폼)은 제품 설계부터 차체 조립에 이르기까지 전체 개발 프로세스 체인의 디지털화를 지원하는 통합 플랫폼을 제공한다. 특히, 디지털화 노력이 상대적으로 미진했던 차체 구매 부문의 견적 및 비용 산출 프로세스의 투명성을 확보하기 위해 ‘AutoForm CarBody Planner’를 도입하여 구매 프로세스의 디지털화를 추진하고 있다. 이는 ESG 경영과 맞물려 고객사로부터 큰 주목을 받고 있다. 또한, ESG 경영을 위한 디지털 트랜스포메이션을 통해 지속 가능한 경영을 실현하고, 환경적, 사회적, 거버넌스 측면에서의 책임을 다하기 위해 노력하고 있다. 1. 주요 특징  자동차 차체 개발 프로세스에서 초기 제품 설계 후, OEM 협력사의 구매 부서가 CBP를 통해 자동으로 수율을 검토한다. 이를 통해 빠른 대응과 OEM의 입찰 원가인 수율 보고서 작성이 간소화된다. 또한, OEM 구매 부서는 차종별 수율 이력 관리를 통해 효율성을 높이고, 협력사의 작업 시간을 단축하며, 입찰 정보 계산의 디지털화를 통해 경험에 의한 편차를 줄일 수 있다. 2. 주요 기능 ■ 웹사이트 기반에서 차체 전체 입력 및 각 제품의3D확인 가능 ■ 제품의 소제 및 정보를 차제 제품 입력과 동시에 적용 가능 ■ AutoForm Simulation 기반의 전체 제품 자동 수율 계산   3. 도입 효과 OEM 구매팀의 입찰 결정 시 정합성 확보로 신뢰성이 높아지며, 자동 수율 검토 덕분에 빠르고 효율적인 대응이 가능하다. 입찰 정보 계산의 디지털화로 경험에 의한 편차가 제거되고, 협력사의 업무 효율성 증대와 작업 시간 단축으로 생산성이 향상된다. 마지막으로, 클라우드 기반의 협업 공간 제공으로 부서 간 원활한 협업이 가능하다. 이러한 특징과 효과를 통해 AutoForm의 디지털 트랜스포메이션은 구매 프로세스의 혁신을 이끌고, ESG 경영을 실현하는데 큰 기여를 하고 있다. 4. 주요 고객 사이트 오토폼은 전 세계 50여 개국, 1,000여 개 회사에서 3,500명 이상의 사용자가 주요 엔지니어링 및 제조 공정을 위해 신뢰하고 있다. 주요 고객은 자동차 및 기타 OEM, 금형 및 스탬핑 업체, 철강 및 알루미늄 공급업체이며, 항공 우주 산업뿐만 아니라 의료, 가전 및 백색 가전 산업으로도 점점 더 진출하고 있다.     상세 내용은 <디지털 트윈 가이드>에서 확인할 수 있습니다. 상세 내용 보러가기

BIM 칼럼니스트 강태욱의 이슈 & 토크   생성형 AI 에이전트는 목표 달성을 위해 세상을 관찰하고 스스로 행동하는 자율적인 애플리케이션으로, 행동과 의사결정을 위한 인지 아키텍처를 갖추고 있다. 이번 호에서는 오픈소스 AI 에이전트인 오픈마누스(OpenManus)를 통해 AI 에이전트의 동작 메커니즘이 어떻게 구현되는지 분석해 본다.   ■ 강태욱 건설환경 공학을 전공하였고 소프트웨어 공학을 융합하여 세상이 돌아가는 원리를 분석하거나 성찰하기를 좋아한다. 건설과 소프트웨어 공학의 조화로운 융합을 추구하고 있다. 팟캐스트 방송을 통해 이와 관련된 작은 메시지를 만들어 나가고 있다. 현재 한국건설기술연구원에서 BIM/ GIS/FM/BEMS/역설계 등과 관련해 연구를 하고 있으며, 연구위원으로 근무하고 있다. 페이스북 | www.facebook.com/laputa999 블로그 | http://daddynkidsmakers.blogspot.com 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | www.facebook.com/groups/digestpodcast   최근 AI 에이전트 기술이 크게 발전하고 있다. 구글의 에이전트 백서를 보면, 생성형 AI 에이전트는 목표 달성을 위해 세상을 관찰하고 스스로 행동하는 자율적인 애플리케이션으로 설명한다. 명시적인 지시가 없어도 스스로 판단하고 능동적으로 목표에 접근할 수 있다. 이러한 에이전트는 행동과 의사결정을 위한 인지 아키텍처를 갖추며, 핵심 구성 요소는 <그림 1>과 같이 사용자 입력에 대한 추론 역할을 하는 모델(보통은 GPT와 같은 LLM), 입력에 대해 필요한 기능을 제공하는 도구(tools), 그리고 어떤 도구를 호출할지 조율하는 오케스트레이션의 세 가지로 이루어진다.   그림 1. AI 에이전트의 구성 요소(Agents, Google, 2024)   이번 호에서는 AI 에이전트의 동작 메커니즘을 분석하기 위한 재료로, 딥시크(DeekSeek)와 더불어 관심이 높은 마누스(Manus.im)에서 영감을 받아 개발된 오픈마누스(OpenManus) 오픈소스 AI 에이전트를 활용하겠다. 오픈마누스는 메타GPT(MetaGPT)라는 이름으로 활동 중인 중국인 개발자가 공개한 AI 에이전트이다. 개발자는 오픈마누스가 연결된 다양한 도구를 LLM으로 조율하고 실행할 수 있다고 주장하고 있다. 깃허브(GitHub) 등에 설명된 오픈마누스는 다음과 같은 기능을 지원한다. 로컬에서 AI 에이전트 실행 여러 도구 및 API 통합 : 외부 API, 로컬 모델 및 자동화 도구를 연결, 호출 워크플로 사용자 지정 : AI가 복잡한 다단계 상호 작용을 효율적으로 처리 여러 LLM 지원 : 라마(LLaMA), 미스트랄(Mistral) 및 믹스트랄(Mixtral)과 같은 인기 있는 개방형 모델과 호환 자동화 향상 : 내장 메모리 및 계획 기능을 통해 코딩, 문서 처리, 연구 등을 지원   <그림 2>는 이 에이전트가 지원하는 기능 중 일부이다. 프롬프트 : “Create a basic Three.js endless runner game with a cube as the player and procedurally generated obstacles. Make sure to run it only in browser. If possible also launch it in the browser automatically after creating the game.”   그림 2   오픈마누스는 이전에 중국에서 개발된 마누스에 대한 관심을 오픈소소로 옮기는 데 성공했다. 오픈마누스는 현재 깃허브에서 4만 2000여 개의 별을 받을 정도로 관심을 받고 있다.    그림 3. 오픈마누스(2025년 4월 기준 42.8k stars)   필자는 오픈마누스에 대한 관심이 높았던 것은 구현된 기술보다는 에이전트 분야에서 크게 알려진 마누스에 대한 관심, 오픈소스 버전의 AI 에이전트 코드 공개가 더 크게 작용했다고 생각한다. 이제 설치 및 사용해 보고, 성능 품질을 확인해 보자. 그리고 코드 실행 메커니즘을 분석해 본다.    오픈마누스 설치 개발 환경은 이미 컴퓨터에 엔비디아 쿠다(NVIDIA CUDA), 파이토치(PyTorch) 등이 설치되어 있다고 가정한다. 이제, 다음 명령을 터미널에서 실행해 설치한다.   conda create -n open_manus python=3.12 conda activate open_manus git clone https://github.com/mannaandpOEM/OpenManus.git cd OpenManus pip install -r requirements.txt playwright install   오픈마누스가 설치하는 패키지를 보면, 많은 경우, 기존에 잘 만들어진 LLM, AI Agent 라이브러리를 사용하는 것을 알 수 있다. 여기서 사용하는 주요 라이브러리는 다음과 같다.  pydantic, openai, fastapi, tiktoken, html2text, unicorn, googlesearch-python, playwright, docker     ■ 자세한 기사 내용은 PDF로 제공됩니다.

AMD 는 구글 클라우드의 신규 C4D 및 H4D 가상 머신(VM)에 자사의 5세대 AMD 에픽(AMD EPYC) 프로세서가 탑재됐다고 발표했다. 구글 클라우드의 범용 및 고성능 컴퓨팅(HPC) 최적화 VM 제품군에 새롭게 추가된 이번 인스턴스는 데이터 분석, 웹 서비스부터 고성능 컴퓨팅과 AI에 이르기까지 다양한 클라우드 워크로드에 높은 성능과 확장성 및 효율성을 제공하는 데에 초점을 맞추고 있다. 구글 클라우드 C4D 인스턴스는 범용 컴퓨팅 워크로드 및 AI 추론 작업에 최적화된 성능, 효율성, 일관성을 제공한다. 구글 클라우드의 테스트 결과에 따르면, AMD의 최신 젠 5(Zen 5) 아키텍처를 기반으로 한 C4D 인스턴스는 이전 세대 대비 vCPU당 최대 80% 높은 처리량을 제공한다. HPC에 최적화된 H4D 인스턴스는 에픽 프로세서와 클라우드 RDMA(Cloud RDMA) 기술을 기반으로 수만 개의 코어까지 효율적으로 확장할 수 있도록 설계됐다.     AMD 서버 사업부의 댄 맥나마라(Dan McNamara) 수석 부사장 겸 총괄 매니저는 “5세대 에픽 설루션은 출시 이후 다양한 OEM 파트너와 엔터프라이즈 고객에게 빠르게 채택됐으며, 이제 클라우드 영역에서도 활용될 수 있게 되어 매우 기쁘다”며, “구글 클라우드와 긴밀한 기술 협력을 통해 최신 에픽 프로세서를 빠르게 도입하고, 까다로운 워크로드를 위한 고성능∙고효율 인스턴스를 제공할 수 있게 됐다”고 말했다. 구글 클라우드의 마크 로마이어(Mark Lohmeyer) 컴퓨트 및 머신러닝 인프라 부문 부사장이자 총괄 매니저는 “구글 클라우드는 고객에게 고성능, 보안성, 확장성을 갖춘 컴퓨팅 설루션을 제공하기 위해 지속적으로 노력하고 있다”며, “이번에 도입된 에픽 기반 C4D 및 H4D 인스턴스를 통해 고객은 클라우드 네이티브 및 엔터프라이즈 애플리케이션에 최적화된 최첨단 성능과 효율성을 누릴 수 있을 것”이라고 전했다.

인텔은 ML커먼스(MLCommons)가 발표한 최신 MLPerf 추론 v5.0(MLPerf Interference v5.0) 벤치마크에서 인제온 6 P-코어(Intel Xeon 6 with Performance-cores)의 성능을 입증했다고 밝혔다. 6가지 주요 벤치마크에서 진행된 테스트 결과, 제온 6는 이전 세대 프로세서 대비 인공지능(AI) 성능이 1.9배 향상된 것으로 나타났다. AI 도입이 가속화됨에 따라, CPU는 데이터 전처리, 전송, 시스템 오케스트레이션 등 핵심 기능을 관리하는 호스트 노드로서 AI 시스템 운영에 필수 요소로 자리잡고 있다. 인텔은 MLPerf에 서버용 CPU 성능 결과를 제출했는데, 인텔 제온 6 P-코어는 MLPerf 추론 v5.0의 ResNet50, RetinaNet, 3D-UNet 및 신규 GNN-RGAT를 포함한 주요 벤치마크에서 5세대 인텔 제온 프로세서 대비 평균 1.9배 높은 성능을 기록했다. 이런 결과에 대해 인텔은 “제온 6가 AI에 적합한 CPU임을 입증하는 동시에, 소형 언어 모델(SLM)을 위한 경쟁력 있는 대안이 될 수 있음을 보여준다”고 설명했다.     인텔은 지난 2021년 3세대 인텔 제온 프로세서를 MLPerf에 처음 제출한 이후 ResNet50 성능은 15 배 향상됐으며, 소프트웨어 최적화를 통해 GPT-J에서는 22%, 3D U-Net에서는 11% 추가 성능 향상을 달성했다고 소개했다. 또한, “새로운 MLPerf 결과는 OEM(주문자 상표부착 생산) 및 생태계 파트너 설루션 전반에서 인텔 제온의 성능을 입증한다”면서, “AI 워크로드가 엔터프라이즈 시스템과 점점 더 통합됨에 따라, OEM은 고객이 최상의 AI 성능을 구현할 수 있도록 제온 기반 시스템을 우선 채택하고 있다”고 전했다. 인텔은 시스코, 델 테크놀로지스, 콴타, 슈퍼마이크로 등 4개의 주요 OEM 파트너사와 협력해 인텔 제온 6 P코어에 대한 MLPerf 결과를 함께 제출하며 다양한 AI 워크로드와 배포 역량을 선보였다. 인텔의 데이터센터 및 AI 그룹을 임시 총괄하는 카린 엡시츠 시갈(Karin Eibschitz Segal) 부사장은 “이번 MLPerf 벤치마크 결과는 인텔 제온 6가 고성능과 에너지 효율의 완벽한 균형을 제공하는 AI 워크로드에 가장 적합한 중앙처리장치(CPU)임을 입증한다”면서, “세대를 거듭할수록 다양한 AI 벤치마크에서도 꾸준히 성능이 개선되고 있어, 인텔 제온이 여전히 AI 시스템용 CPU 시장에서 선도적인 입지를 유지하고 있음을 보여준다”고 설명했다.