메가존클라우드, 사우디 아람코에서 국산 NPU로 GPU 대체 가능성 검증

• 메가존클라우드가 국산 AI 반도체를 사우디 아람코 현장에서 실증하는 프로젝트를 맡음

  • 과학기술정보통신부와 정보통신산업진흥원(NIPA)의 2026년 AI-반도체 해외실증 지원 사업(서버형) 주관사업자로 선정됨
  • 퓨리오사AI, NC AI, 업스테이지, 유라클과 함께 KRFSAI(코리아 풀스택 AI) 컨소시엄을 구성함
  • 메가존클라우드는 해외 서버 실증 환경의 설계·구축·운영을 총괄하는 역할임

• 실증 대상이 꽤 큼. 세계 최대 석유생산 기업 아람코의 디지털 전담 법인 아람코디지털임

  • 아람코디지털 인프라에 퓨리오사AI의 국산 NPU RNGD 서버를 구축할 계획
  • 에너지·플랜트 산업은 보안과 안정성 요구가 높고, 폐쇄망 환경도 많아서 실증 난도가 높은 편임
  • 여기서 통하면 “국산 NPU가 실제 산업 현장에서도 돈값을 한다”는 레퍼런스를 만들 수 있음

• 서비스 시나리오는 플랜트 엔지니어링 도면 자동화임

  • 기존에는 2D 도면 검토, 수작업 3D 모델링, 문서화로 이어지는 작업 흐름이 필요했음
  • 컨소시엄은 AI가 플랜트 엔지니어링 2D 도면을 파싱하고, 산업용 3D 디지털트윈 애셋을 자동 생성하는 서비스를 구현하려고 함
  • 목표는 시간과 비용이 많이 드는 수작업 모델링 과정을 AI 기반으로 줄이는 것임

• 이번 실증의 핵심 질문은 “NPU가 GPU를 실제로 대체할 수 있나”임
  • 동일한 AI 모델을 GPU 환경과 NPU 환경에서 각각 돌려서 추론 성능, 전력효율, 안정성을 비교 측정할 예정
  • 결과는 공인시험성적서로 제출한다고 함
  • 벤치마크 표 하나 보여주고 끝나는 게 아니라, 산업 현장 인프라에서 검증값을 만들겠다는 접근임

sequenceDiagram
    participant 도면 as 2D 플랜트 도면
    participant 모델 as AI 모델
    participant 엔피유 as 국산 NPU 서버
    participant 서비스 as 3D 디지털트윈 서비스
    participant 검증 as 성능 검증
    도면->>모델: 객체와 구조 파싱
    모델->>엔피유: 추론 작업 실행
    엔피유->>서비스: 3D 애셋 생성 결과 전달
    서비스->>검증: 정확도와 생성 시간 측정
    검증->>엔피유: GPU 대비 성능·전력효율 비교

• 컨소시엄 구성도 풀스택에 가깝게 짜여 있음

  • 메가존클라우드는 사업 총괄, 현지 사업 개발, 하이브리드 클라우드 통합 관제 콘솔, 데이터 관리 정책, 보안, AI 컴플라이언스 가드레일을 맡음
  • 퓨리오사AI는 NPU 서버와 추론 환경 구축·최적화를 담당함
  • NC AI는 AI 기반 3D 렌더링과 디지털트윈 서비스를 개발함
  • 업스테이지는 산업 특화 대규모 언어 모델(LLM)과 AI 모델 개발·최적화를 맡음
  • 유라클은 LLM옵스와 AI 인프라 운영·모니터링 기능을 구현함

• 일정은 2026년 4월부터 12월까지 1차 사업이 진행되고, 성과에 따라 2027년까지 2차년도 사업으로 이어짐

  • 단순히 기술 검증만 하고 끝나는 게 아니라, 아람코디지털과 실질적 구매 또는 전략적 협력 계약까지 이어가겠다는 목표가 있음
  • 메가존클라우드는 사우디 리야드 현지 사무소 인력을 활용해 아람코디지털 실무진과 실시간 기술 지원·피드백 체계를 운영할 계획임

• 개발자 입장에서 흥미로운 지점은 AI 반도체 + 산업용 AI 서비스 + 운영 체계가 한 묶음으로 수출된다는 점임

  • 칩만 팔아서는 현장에서 바로 쓰기 어렵고, 모델만 있어도 폐쇄망·보안·관제·컴플라이언스 문제가 남음
  • 이번 프로젝트는 NPU, LLM, 디지털트윈, 클라우드 운영, 보안 정책을 한 번에 묶어 “현장에서 돌아가는 시스템”으로 보여주려는 시도임

기술 맥락

• 이번 프로젝트에서 중요한 건 NPU 자체보다 “어디에 넣어서 검증하느냐”예요. 아람코디지털 같은 에너지·플랜트 환경은 보안 요구가 높고 폐쇄망 제약도 있어서, 실험실 벤치마크보다 훨씬 까다로운 조건이거든요.

• GPU와 NPU를 같은 모델로 비교한다는 점도 핵심이에요. AI 추론 성능이 15% 이상 좋아지고 전력효율이 20% 이상 개선된다는 목표는, 데이터센터나 산업 현장에서 운영비를 줄일 수 있느냐와 바로 연결돼요.

• 2D 도면을 3D 디지털트윈 애셋으로 바꾸는 시나리오를 고른 이유도 현실적인 업무 병목 때문이에요. 플랜트 도면 검토와 3D 모델링은 사람이 직접 하면 시간이 오래 걸리고 반복 작업이 많아서, 객체 인식 정확도와 렌더링 시간이 곧 업무 효율 지표가 돼요.

• 컨소시엄이 풀스택으로 구성된 것도 그냥 포장용은 아니에요. 반도체, 모델, 렌더링 서비스, LLM옵스, 보안·관제까지 같이 들어가야 실제 구매 판단을 받을 수 있기 때문이에요.