멀티버스 컴퓨팅, 최대 5억 유로 조달 추진…AI 투자축, 모델 효율화로 확대

스페인 AI 스타트업 멀티버스 컴퓨팅이 최대 5억 유로(5억7,000만 달러) 규모의 시리즈 C 투자 유치를 추진한다. 대형 AI 모델의 크기와 운영비를 줄이는 기술에 자금이 모이면서, AI 투자 경쟁의 초점이 데이터센터 증설뿐 아니라 비용·전력·배포 효율로 넓어지고 있다는 신호다.

회사는 7월 27일 이번 라운드의 투자 전 기업가치를 15억 유로(17억 달러)로 제시했다. 2025년 시리즈 B 당시보다 5배 높아진 수준이다. 다만 최대 5억 유로를 목표로 하며 추가 전략적 투자자에게 열려 있는 진행 중인 라운드이므로, 전액 조달이 이미 마무리된 거래로 해석해서는 안 된다.

이번 투자는 미국계 포지포인트 캐피털 인터내셔널, BNP파리바의 솔라 임펄스 벤처 펀드, 영국 불하운드 캐피털이 공동 주도한다. HP, 오렌지벤처스, 산탄데르 얼터너티브 인베스트먼츠, 티케오 캐피털, 카타르개발은행과 함께 유럽혁신위원회(EIC)의 벤처투자 조직인 EIC 펀드 등도 투자 의사를 밝혔다. 라운드가 목표 규모로 마감되면 기존 투자를 포함한 누적 조달액은 약 8억 달러가 될 것으로 회사는 예상했다.

조달 자금은 효율화된 AI 모델 제품군 확대와 자체 알고리즘 연구개발, 소버린 AI 기가팩토리 인프라 및 관련 소프트웨어 투자에 사용될 예정이다. 여기서 소버린 AI는 국가나 기업이 데이터와 모델 운영에 대한 통제권을 유지하는 방식이다. 회사 발표는 해당 기가팩토리 투자의 지역을 유럽으로 한정하지 않았다. 이와 별도로 동아시아, 동남아시아, 중동, 캐나다, 미국 등 주요 시장에서 지역 사업 기반을 강화한다는 계획을 제시했다.

멀티버스 컴퓨팅의 주력 기술인 ‘CompactifAI’는 양자물리학에서 활용되는 텐서 네트워크라는 수학적 기법을 AI 모델 압축에 적용한다. 대형언어모델의 매개변수 가운데 중복되거나 영향이 작은 부분을 줄여 필요한 메모리와 연산량을 낮추는 접근이다. 회사는 모델 크기를 최대 80~95% 줄이면서 정확도 손실을 제한할 수 있다고 설명하지만, 실제 압축률과 품질은 모델과 업무 환경에 따라 달라질 수 있다. 도입 기업으로서는 자체 데이터와 실제 작업을 이용한 독립적인 성능 검증이 필요하다.

이번 라운드가 보여주는 변화는 AI 시장의 질문이 ‘더 큰 모델을 만들 수 있는가’에서 ‘필요한 성능을 지속 가능한 비용으로 운영할 수 있는가’로 넓어지고 있다는 점이다. 기업이 최고 성능의 모델을 모든 업무에 적용하면 GPU 사용료와 클라우드 비용, 응답 지연이 빠르게 증가한다. 금융·의료·공공 분야처럼 민감한 정보를 다루는 조직에는 데이터를 외부 클라우드로 전송하는 과정에서 보안과 통제 문제도 생긴다.

이 때문에 상대적으로 작은 모델을 기업 내부 서버나 노트북, 로봇 같은 현장 장비에서 실행하는 ‘엣지 AI’가 별도의 투자 영역으로 자리 잡고 있다. 모든 데이터를 중앙 데이터센터로 보내지 않고 데이터가 생성되는 곳 가까이에서 처리하는 방식이다. 멀티버스 컴퓨팅은 압축 모델뿐 아니라 작업 특성에 따라 로컬 장비와 클라우드 중 적절한 실행 환경을 선택하는 소프트웨어도 개발하고 있다.

보스턴권에서는 이러한 흐름이 로보틱스, 바이오테크, 의료기기, 금융 소프트웨어 산업과 맞닿는다. 로봇과 의료기기는 제한된 전력과 메모리 안에서 짧은 응답시간을 확보해야 한다. 병원과 바이오 기업은 민감한 데이터를 다루기 때문에 자체 환경에서 모델을 운영하려는 수요도 상대적으로 크다. MIT·하버드를 비롯한 지역 연구기관의 양자컴퓨팅·응용수학 인력 기반 역시 양자 하드웨어뿐 아니라 양자 기술에서 착안한 최적화 소프트웨어로 활용 범위가 넓어질 수 있다.

다만 이번 투자 계획이 보스턴의 대규모 채용 증가로 곧바로 이어지는 것은 아니다. 회사는 미국 사업 확대를 예고했지만 지역별 채용 규모나 보스턴 사무소 설립 계획을 공개하지 않았다. 당장 확인되는 것은 개별 기업의 채용 확대보다, AI를 실제 운영 환경에 적용하는 데 필요한 직무의 중요성이 커지는 방향이다.

기업들의 AI 도입이 시험 단계에서 운영 단계로 이동하면 모델을 처음부터 학습시키는 연구직 외에도 모델 압축과 추론 최적화, 성능 평가, GPU 자원 관리, 클라우드 비용 통제, 보안, 데이터 거버넌스를 담당하는 역할이 필요해진다. AI가 기존 업무를 대체하는 문제만큼이나, AI 시스템의 비용과 품질을 측정하고 운영하는 역할이 함께 늘어날 가능성을 볼 필요가 있다.

유학생과 이직 준비자는 이력서에서 특정 생성형 AI 도구를 사용했다는 설명에 그치기보다 비용과 품질을 함께 관리한 경험을 보여주는 편이 실무 수요에 가깝다. 같은 업무를 서로 다른 크기의 모델로 수행한 뒤 정확도, 응답시간, 메모리 사용량, 클라우드 비용을 비교한 프로젝트가 한 사례다. Python과 머신러닝 프레임워크에 더해 모델 양자화, 지식 증류, 추론 서버 운영, GPU 메모리 관리, MLOps 같은 기술도 이번 흐름과 연결된다.

현직자와 기업의 AI 구매 담당자는 모델 성능만 보던 평가 기준을 조정할 필요가 있다. 정확도와 함께 요청 한 건당 처리비용, 응답 지연, 개인정보 이동 범위, 장애 복구 방식 등을 비교해야 한다. 바이오·의료 분야에서는 결과의 재현성과 감사 기록을 유지할 수 있는지도 중요하다. 압축 모델이 원본 모델과 다른 오류 패턴을 보일 수 있으므로 비용 절감과 품질 저하 위험을 같은 평가표에서 검토하는 접근이 현실적이다.

창업자에게는 거대 범용 모델을 새로 개발하는 사업 외에도 기존 모델을 특정 산업에서 더 작고 안전하게 운영하도록 지원하는 시장이 형성되고 있다는 의미가 있다. 다만 대형 클라우드 사업자와 모델 개발사가 유사한 최적화 기능을 직접 제공할 수 있다. 스타트업은 압축률 자체보다 고객 시스템과의 통합, 규제 대응, 실제 운영비 절감처럼 측정 가능한 차별성을 입증해야 한다.

취업비자 스폰서십은 기술 수요나 해외 확장 계획만으로 판단하기 어렵다. 회사별 정책과 채용 법인, 근무지, 직무 요건이 다르기 때문이다. OPT나 H-1B 지원이 필요한 구직자는 채용 초기 단계에서 고용 법인과 스폰서 가능 여부, 근무지 변경 조건을 확인하는 편이 안전하다. 이는 일반적인 참고 정보이며, 개인별 자격과 절차는 학교 담당 부서나 자격을 갖춘 전문가에게 확인할 사안이다.

앞으로 볼 변수는 이번 라운드가 실제 어느 규모에서 마감되는지, 미국 사업 투자가 채용과 매출로 연결되는지, 압축 모델이 고객 현장에서 비용 절감과 품질을 함께 입증하는지다. 현재까지 확인되는 변화는 AI 자본이 대규모 학습 인프라뿐 아니라 모델을 더 작고 효율적으로 운영하는 기술에도 배분되고 있다는 점이다. 보스턴의 기술 인력과 기업에도 AI를 새로 만드는 역량과 함께 기존 모델을 현장 제약에 맞게 검증하고 안정적으로 운영하는 능력이 점차 중요한 평가 기준이 될 수 있다.