Zettascale이란 무엇인가요?

Zettascale은 H100 대비 27.6배 에너지 효율의 재구성 가능 AI 칩으로 데이터센터 비용을 절감하는 스타트업.

Zettascale은 어떤 상황에서 사용하나요?

Zettascale은 대규모 AI 학습 클러스터의 에너지 비용 절감, AI 추론 서비스의 GPU 대체 인프라 구축, 데이터센터 탄소 발자국 감소 및 지속 가능성 개선 등의 상황에서 활용할 수 있습니다.

Zettascale의 주요 기능은 무엇인가요?

Zettascale의 핵심 기능으로는 H100 GPU 대비 최대 27.6배 에너지 효율 재구성 가능 칩, 데이터센터 연간 수억~수십억 달러 에너지 비용 절감, AI 추론·학습 워크로드 특화 설계 등이 있습니다.

제타스케일

Zettascale

H100 대비 27.6배 에너지 효율의 재구성 가능 AI 칩으로 데이터센터 비용을 절감하는 스타트업

유료Hardware

웹사이트 방문하기zscc.ai

검증된 사실

라이브 가격: K - $300K & 0.50% - 2.00% · $1502026-06-20 확인
최근 변경: 2026-06-01 Zettascale이 'AI는 거품이 아니며 LLM은 정체 상태에 있고 차세대 AI 프론티어는 다른 종류의 하드웨어에서 구동된다'는 내용의 에세이를 발행하며 에너지 효율적인 재구성 가능 데이터플로

2026-06-20 직접 확인 · 자동 검증 데이터

제품 화면

2026-06-20 확인

가격 정보

유료시작 가격: 가격 문의라이브 확인 2026-06-20

AI 학습 및 추론을 위한 고효율 컴퓨팅 칩(XPU) 인프라를 개발하는 기업으로, 일반 사용자를 위한 공개 가격표는 존재하지 않는다. 현재는 주로 파트너십이나 기업용 솔루션 형태로 논의되며, 공식 이메일을 통해 개별적으로 문의해야 한다. 하드웨어 기반의 차세대 컴퓨팅 기판을 제공하므로 일반적인 소프트웨어 구독 모델과는 차이가 있다.

최근 업데이트와 소식

투자2026-06-01
2024년 San Francisco 창립, Y Combinator 선발. H100 대비 27.6배 효율 재구성 가능 칩 개발 발표. 소스: https://www....
2024년 San Francisco 창립, Y Combinator 선발. H100 대비 27.6배 효율 재구성 가능 칩 개발 발표. 소스: https://www.ycombinator.com/companies/zettascale | 2026-04-06 AI 인프라 지출 시장에서 Zettascale 규모 투자 트렌드 분석 기사 게재.
소식2026-06-01
Zettascale이 'AI는 거품이 아니며 LLM은 정체 상태에 있고 차세대 AI 프론티어는 다른 종류의 하드웨어에서 구동된다'는 내용의 에세이를 발행하며 에너...
Zettascale이 'AI는 거품이 아니며 LLM은 정체 상태에 있고 차세대 AI 프론티어는 다른 종류의 하드웨어에서 구동된다'는 내용의 에세이를 발행하며 에너지 효율적인 재구성 가능 데이터플로우 칩의 중요성을 강조하였습니다.
소식2025-09-04
Exa Laboratories가 Zettascale Computing Corporation(ZSCC)으로 사명을 변경하였습니다. 엑사스케일 컴퓨팅을 넘어 제타스케...
Exa Laboratories가 Zettascale Computing Corporation(ZSCC)으로 사명을 변경하였습니다. 엑사스케일 컴퓨팅을 넘어 제타스케일 컴퓨팅을 지속 가능하게 만드는 것을 목표로 AI용 재구성 가능 칩 개발에 집중한다고 밝혔습니다.

소개AI 요약

Zettascale Computing은 H100 GPU 대비 최대 27.6배 에너지 효율을 자랑하는 재구성 가능 AI 칩을 개발하는 스타트업입니다. 데이터센터의 연간 수억~수십억 달러에 달하는 에너지 비용을 절감하는 것을 목표로 합니다.

활용 워크플로우

입력

PyTorch/JAX 기반 AI 모델 그래프 및 가중치 데이터대규모 언어 모델(LLM) 학습용 대용량 비정형 데이터셋사용자 정의 연산(Custom Ops)을 포함한 하드웨어 가속 설정데이터센터 워크로드 최적화를 위한 텔레메트리 프로파일

제타스케일

Polymorphic Graph Mapping: 모델의 계산 그래프를 XPU의 가변형 데이터플로우 노드에 물리적 매핑Layer & Instruction Fusion: 메모리 접근을 최소화하기 위한 연산 레이어 및 명령어의 수직적 통합Local Data Movement Optimization: 온칩(On-chip) 메모리 내 데이터 국지화를 통한 외부 메모리 IO 차단Dynamic Resource Reconfiguration: 실행 단계별 워크로드 부하에 따른 XPU 코어 및 인터커넥트 동적 재구성

출력

XPU 최적화 컴파일된 실행 바이너리(Firmware)GPU 대비 낮은 전력 소모 기반의 고성능 추론 결과물실시간 연산 효율성 및 에너지 효율성 지표 분석 리포트스케일러블 클러스터 구성을 위한 최적화된 토폴로지 맵

초거대 모델 학습 가속 경로

하이퍼스케일 AI 모델 학습을 위해 수천 개의 XPU 노드를 통합하여 분산 병렬 처리를 수행하는 고대역폭 워크플로우

저지연 실시간 추론 경로

엣지 및 데이터센터 추론 환경에서 전력 효율을 극대화하고 응답 시간을 단축하기 위한 경량화 데이터플로우 최적화

핵심 차별점: 기존 GPU의 고정된 구조와 달리, AI 모델의 데이터 흐름에 맞춰 하드웨어를 실시간으로 재구성하는 다형성(Polymorphic) XPU 기술로 메모리 병목을 제거합니다.