AI 업계는 오랫동안 '더 긴 맥락'을 성능의 동의어로 써 왔고, 그 청구서는 늘 메모리로 날아왔다. 트랜스포머는 처리할 맥락이 길어질수록 KV-Cache가 비례해 커지는데, 로봇·자동차·스마트글래스·드론처럼 메모리·배터리·발열이 하나로 묶인 기기 안에서는 그 공식 자체가 성립하지 않는다. 그 벽을 모델을 깎는 방식이 아니라 트랜스포머 구조를 통째로 바꾸는 쪽으로 넘겠다는 팀이 나왔다. 거기에 미래에셋캐피탈이 리드하고 네이버 D2SF 가 참여한 시드 30억원, 그리고 기업가치 300억원이 붙었다1.
왜 '메모리'였나 — 온디바이스 AI 의 병목은 연산이 아니었다
AI 가 놓이는 자리가 바뀌고 있다. 데이터센터 랙이 아니라 로봇, 자동차, 스마트글래스, 드론이다. 역할도 함께 바뀐다. 단순한 챗봇을 넘어 복잡한 추론과 의사결정으로 고도화되는 중이다1. 두 변화가 겹치는 자리에서 질문은 하나로 수렴한다. 긴 맥락을 읽고 여러 단계를 수행하는 에이전트를, 전원과 메모리가 제한된 기기 안에 넣을 수 있는가. 서버에서 잘 도는 모델을 기기로 옮기는 문제가 아니라, 기기 안에서 처음부터 성립하는 모델이 있는가의 문제다.
트랜스포머에서 이 질문의 답은 구조적으로 '어렵다'에 가까웠다. 처리해야 할 맥락이 길어질수록 키밸류 캐시, 즉 KV-Cache의 크기가 비례해 커지고, 그만큼 더 많은 메모리가 필요하다1. 서버라면 메모리를 더 꽂으면 그만이다. 기기에서는 메모리·배터리·발열이 하나의 예산으로 묶여 있어, 맥락을 늘리는 순간 셋 중 하나가 무너진다1. 온디바이스 AI 의 진짜 병목은 연산 속도가 아니라, 맥락이 길어질수록 불어나는 메모리였다.
업계의 대응은 대체로 트랜스포머를 그대로 두고 주변을 깎는 쪽이었다. 모델을 작게 만들고, 정밀도를 낮추고, 맥락 창을 자른다. 그러나 이 접근은 비례 관계 자체를 건드리지 않는다. 맥락이 두 배가 되면 메모리도 두 배가 되는 구조는 그대로다. 트레이스위브의 선택은 여기서 갈린다. Phase-TITAN은 메모리 병목을 풀기 위해 설계된 새 AI 아키텍처이고, 기존 트랜스포머 구조 자체를 대체한다1. 처리할 정보가 길어져도 메모리 사용량을 일정하게 유지하는 것이 이 구조의 핵심 특성이다1.
네이버 D2SF 가 밝힌 투자 판단도 정확히 이 지점을 가리킨다. AI 가 다양한 디바이스로 확산되는 가운데, 제한된 기기 환경에서도 AI 에이전트를 구현할 수 있는 핵심 기술을 보유한 팀이라는 점에 주목했다는 설명이다1. 시드에 300억원 기업가치가 붙은 이유는 제품이 아니라, 맥락과 메모리의 비례 관계를 끊었다는 주장 하나에 있다. 그 주장이 맞다면 가격은 싸고, 틀리면 비싸다.
트랜스포머 온디바이스 vs Phase-TITAN — 다섯 줄에서 갈리는 설계
같은 '온디바이스 AI'라는 간판 아래서도 설계 철학은 정반대일 수 있다. 하나는 이미 검증된 트랜스포머를 기기에 맞게 줄이는 길이고, 다른 하나는 기기의 제약을 전제로 구조를 다시 쓰는 길이다. 전자는 빠르고 안전하지만 천장이 정해져 있고, 후자는 느리고 위험하지만 천장이 없다. 트레이스위브는 후자다1.
| 영역 | 트랜스포머 기반 온디바이스 AI | 트레이스위브 Phase-TITAN |
|---|---|---|
| 맥락 길이와 메모리 | KV-Cache 가 맥락에 비례해 증가 | 정보가 길어져도 메모리 사용량 일정 |
| 아키텍처 | 트랜스포머 구조 유지, 주변 경량화 | 트랜스포머 구조 자체를 대체 |
| 모델 기반 | 오픈소스 모델을 가져와 조정 | 오픈소스 미사용, 독자 모델 개발 |
| 에이전트 실행 위치 | 복잡한 추론은 클라우드 호출에 의존 | 도구 호출·결과 해석·행동 판단을 기기 안에서 |
| 기기 제약 대응 | 메모리·배터리·발열 한계에 성능이 막힘 | 제한된 기기 환경을 전제로 설계 |
표의 다섯 줄은 사실 하나의 결정에서 파생된다. 비례 관계를 받아들일 것인가, 끊을 것인가. 전자를 택하면 모델은 빨리 나오지만 긴 맥락과 다단계 작업에서 기기의 한계에 먼저 부딪히고, 후자를 택하면 그 한계를 피해 가지만 모델을 처음부터 만들어야 한다. 트레이스위브가 다른 오픈소스 모델을 활용하지 않고 독자 모델을 개발한다는 사실은 이 선택의 자연스러운 귀결이다1. 구조를 바꿨는데 남의 가중치를 가져올 수는 없기 때문이다.
Phase-TITAN 은 어떻게 작동하나 — 구조 교체 · 독자 모델 · 기기 안 루프
공개된 정보는 아키텍처의 내부 수식이 아니라 설계 목표다. 그래도 세 층위로 나누면 이 회사가 무엇을 만들고 있는지 윤곽이 잡힌다.
- 비례 관계를 구조에서 끊는다 트랜스포머는 맥락이 길어질수록 KV-Cache 가 커진다. Phase-TITAN 은 이 문제를 우회하는 대신 구조를 대체해, 처리할 정보가 길어져도 메모리 사용량을 일정하게 유지한다1. 긴 맥락 이해와 여러 단계의 작업 수행이 이 특성 위에 올라간다1. 메모리가 고정되면 배터리와 발열 예산도 예측 가능해진다.
- 오픈소스를 빌리지 않는다 트레이스위브는 다른 오픈소스 모델을 활용하지 않고 Phase-TITAN 기반의 독자 AI 모델을 개발한다1. 기존 가중치를 가져와 조정하는 경로가 아니라는 뜻이고, 그만큼 시간과 사람이 든다. 이번 투자금의 용처가 인재 확보로 먼저 명시된 배경이다1.
- 에이전트 루프를 기기 안에서 닫는다 목표는 클라우드 호출 없이 디바이스 자체에서 외부 도구 호출, 결과 해석, 다음 행동 판단까지 수행하는 것이다1. 답을 생성하는 챗봇이 아니라, 행동을 결정하는 에이전트를 네트워크 없이 돌리겠다는 선언이다.
The Bet — 시드에 300억 밸류를 매긴 두 투자자의 계산
시드 라운드에서 30억원을 넣고 300억원 기업가치를 인정했다는 것은, 매출이나 사용자 수를 산 거래가 아니라는 뜻이다1. 미래에셋캐피탈과 네이버 D2SF 가 산 것은 하나의 기술적 주장과, 그 주장을 증명할 사람들이다.
특히 네이버 D2SF 의 참여는 자본 이상의 의미가 있다. 트레이스위브는 현재 네이버 D2SF @강남에 입주해 있고, D2SF 는 투자 배경으로 디바이스 확산과 에이전트 고도화라는 두 흐름을 직접 거명했다1. 온디바이스 에이전트의 수요처가 될 기기 생태계와 가까운 자리에서 이 팀이 누구와 먼저 테이블에 앉게 될지는, 투자금 액수보다 중요한 변수일 수 있다.
AI 가 로봇·자동차·스마트글래스·드론으로 번지는 흐름이 맞다면, 그 기기들 안에서 에이전트를 돌릴 수 있는 아키텍처는 모델 하나가 아니라 레이어가 된다1. 트랜스포머의 메모리 비례 문제는 업계 모두가 아는 병목이고, 그걸 구조 차원에서 끊었다고 말하는 팀에 ETH 취리히·구글·KAIST 출신 연구자가 모여 있다1. 300억원은 그 조합에 매긴 가격이다. 반대편도 분명하다. 공개된 벤치마크도, 올라간 레퍼런스 디바이스도 아직 없다. 이 베팅은 '맞으면 레이어, 틀리면 논문'이라는 비대칭 구조 위에 서 있다. 두 투자자는 그 비대칭을 시드 가격에 살 만하다고 판단했다.
다음 12개월에 지켜볼 지표 3개
- 외부에서 검증된 메모리 곡선 '맥락이 길어져도 메모리가 일정하다'는 주장은 현재 회사 설명으로만 존재한다1. 공개 벤치마크나 제3자 측정에서 트랜스포머 대비 메모리·성능 곡선이 어떻게 그려지는지가 첫 번째 관문이다. 수치가 공개되지 않는 기간이 길어질수록 300억원 밸류의 근거는 얇아진다.
- 첫 레퍼런스 디바이스 네이버 D2SF 가 거론한 로봇·자동차·스마트글래스·드론 가운데 어디에 먼저 올라가는가1. 클라우드 없이 도구 호출과 행동 판단까지 수행하는 에이전트가 실제 기기에서 시연되는 순간, 이 회사는 아키텍처 팀에서 제품 회사로 넘어간다.
- 팀의 밀도와 속도 투자금의 첫 용처는 인재 확보다1. 오픈소스 없이 독자 모델을 만드는 경로는 사람의 수와 질이 곧 일정이다. 네이버 D2SF @강남 입주라는 물리적 거점이 채용과 디바이스 파트너 접점으로 얼마나 작동하는지도 함께 봐야 한다1.
그 곡선이 실제 기기 안에서 평평하게 그려지는지가, 다음 이야기다.
