AI 뉴스 검색

도쿄의 연구팀이 200 Gb/s PAM4 실리콘 광 변조기 기술에 관한 논문을 발표하여 DSP 요구 사항을 낮췄다.

도쿄 과학연구소, 요코하마 국립대학교, 일본 산업기술종합연구소(AIST) 및 광자전자기술연구협회(PETRA)는 공동으로 ‘네이처 커뮤니케이션스’에 논문을 발표하여, 내장형 전기광학 균형기를 갖춘 슬로우 빛 실리콘 변조기를 개발했으며, 이를 통해 단일 파장에서 200 Gb/s PAM4 속도를 달성하고 디지털 신호 처리(DSP) 비용을 크게 절감했다고 보고했다.

추천 이유：이 성과는 AI 데이터센터의 다테라비트 매초 수준 광 상호연결 요구에 대응하여, 전통적인 실리콘 기반 마허-젠델 변조기의 변조 효율 및 치수 측면에서의 한계를 극복하고, 높은 대역폭, 저전력 소모, 소형화 가능성을 갖추고 있다. 해당 논문은 Nature Communications(2026년 17권, 기사번호 10446)에 정식으로 게재되었으며, 출처는 권위 있는 업계 매체인 Semiconductor Engineering이다. 게재일시(2026-10-25)는 현재 시스템 시간보다 늦지 않으며, 정보는 완전하고 신뢰할 수 있다.

아마존 세이지메이커가 학습 세션 API를 출시했습니다: 사용자는 GPU를 관리할 필요 없이 맞춤형 대규모 모델 학습 루프를 작성할 수 있습니다.

아마존 세이지메이커는 트레이닝 세션(Training Sessions) API를 출시하여, 사용자가 순수 파이썬 스크립트로 SFT, RLHF, GRPO, KTO 등과 같은 맞춤형 대규모 모델 훈련 로직을 구현할 수 있도록 지원합니다. GPU 리소스 스케줄링, 장애 복구, 분산 실행 및 체크포인트 관리는 모두 서비스에서 관리합니다.

NVIDIA, 유럽 소매업의 디지털 전환을 촉진: 개방형 모델과 물리 기반 지능이 이커머스, 창고 관리 및 가상 피팅에 적용된다

유럽의 소매업체들은 NVIDIA 가속형 오픈 라지 모델과 물리 기반 AI 기술을 바탕으로, 디지털 상품 탐색, 지능형 창고 시뮬레이션, 가상 피팅 및 연구개발 가속화 등의 분야에서 대규모 적용 사례를 구현하고 있습니다. Shopify, Zooplus, L’Oréal, Otto Group 등 기업들은 Nemotron 시리즈 모델, Omniverse 디지털 트윈, ALCHEMI 분자 시뮬레이션 등의 도구를 통해 추론 비용을 크게 절감하고 검색 정확도를 향상시키며 연구개발 주기를 단축했으며, 전환율과 매출 성장 효과까지 검증했습니다.

NVIDIA cuDSS 정식 출시: 엔지니어링 및 과학 시뮬레이션에서의 희소 선형 시스템 해법 가속

NVIDIA는 2026년 10월 26일(UTC)에 cuDSS 라이브러리가 일반 사용 가능(GA) 단계에 진입했다고 발표했습니다. 이 CUDA-X 라이브러리는 GPU에서 대규모 희소 선형 시스템을 효율적으로 해결하도록 설계되어, 칩, 항공, 산업 시스템 등 분야에서 시뮬레이션 처리량과 반복 계산 효율을 크게 향상시킵니다.

TorchNeuron 시스템 수준 성능 분석(제1부): AWS Trainium 칩 기반 엔드투엔드 프로파일링

이 글은 Hugging Face와 Amazon이 공동으로 발표한 기술 블로그 시리즈의 첫 번째 편으로, AWS Trainium AI 가속 칩에서 TorchNeuron을 활용한 PyTorch 모델 추론 성능 분석 방법을 체계적으로 소개합니다. 여기에는 Neuron 백엔드 통합 원리, torch.profiler 구성 방법, NeuronConfig 및 NeuronProfiler 도구의 사용법, Neuron Explorer를 이용한 시각적 추적 등이 포함되며, RMSNorm을 사례로 삼아 세 가지 구현 방식(순수 PyTorch, torch.rms_norm 내장형 병합, torch.compile 자동 병합) 간의 장치별 처리 시간 차이를 비교합니다.

i14, Laplace 3B 선형 주의 메커니즘 모델 발표: AWS Trainium2와 네이티브 PyTorch를 기반으로 한 고정 상태 메모리 추론 구현

i14는 30.28억 개의 파라미터를 갖는 Laplace 3B 모델을 출시했으며, Softmax 주의 메커니즘을 대체해 게이트 제어 선형 주의(GLA)를 채택했습니다. 이 모델은 추론 시 각 시퀀스의 재귀 상태 크기가 항상 29.5 MB로, 컨텍스트 길이와 무관합니다. 해당 모델은 AWS trn2.48xlarge 인스턴스 한 대(Trainium2 칩 16개 탑재)에서 훈련 및 서비스 검증을 완료했으며, 훈련 처리량은 초당 12만 토큰에 달하고, 서비스 처리량은 초당 11,544 출력 토큰(동시 실행 시퀀스 수 1,280)입니다. 모든 성능 데이터는 i14와 AWS GenAIIC 팀의 내부 실측 결과입니다.

Hugging Face가 TorchTPU를 출시했습니다: PyTorch에서 Google TPU를 기본 지원합니다

Hugging Face는 TorchTPU를 발표하여 PyTorch에 원래의 TPU 백엔드 지원을 제공함으로써, Transformers, Diffusers 등과 같은 라이브러리들이 torch_xla에 의존하거나 JAX로 이전할 필요 없이 바로 TPU에서 실행될 수 있도록 했습니다.