Anyscale이 Nscale과 합의서 체결

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

Anyscale이 Nscale과 합의서를 체결해 두 회사가 결합하면 Ray와 인프라를 더 긴밀히 공동 설계할 계획이다. Nscale의 다중 기가와트 파이프라인과 GB300 NVL72 대규모 배포는 Anyscale 플랫폼에 추가적인 GPU 용량을 제공하고, PyTorch Foundation 거버넌스 아래 Ray의 멀티클라우드·오픈소스 철학은 유지된다. 합병 결과는 대규모 추론과 복합 워크로드에서 소프트웨어·하드웨어 전층을 함께 최적화하려는 전략적 전환을 가속할 가능성이 있다.

빠른 이해

새로운 점

원문은 소프트웨어 중심의 최적화에서 벗어나 하드웨어 설계와 소프트웨어를 함께 공동 설계하는 단계를 강조한다. Nscale의 물리적 용량과 Anyscale의 플랫폼 소프트웨어를 결합해 하드웨어·소프트웨어·네트워크 전층에서 합쳐진 최적화를 추구하는 점을 새 신호로 제시한다. 이 접근은 단일 층 성능 튜닝을 넘어 대규모 추론·메모리 관리·라우팅 복잡도를 해결하려는 전략적 변화로 해석할 수 있다.

핵심 메커니즘

결합 전략의 핵심은 Ray 소프트웨어와 Nscale의 물리 인프라를 짧은 피드백 루프 안에서 공동 설계해 최적화하는 것이다. 구체적으로 토폴로지 인지 스케줄링과 GPU-네이티브 데이터 처리, GPU 메모리 관리 방식, 컴퓨트 분해(disaggregation)와 장애 처리 정책을 인프라 레벨 제약에 맞춰 함께 조정함으로써 동일 작업에서 통신 비용과 대기 시간을 낮추고 처리량을 높이는 것을 목표로 한다. 이렇게 하면 소프트웨어 변경이 하드웨어 용량·토폴로지에 즉시 반영되어 운용 비용과 성능을 동시에 개선할 수 있다.

핵심 수치

분기별 매출 성장률: 전분기 대비 70% 증가- 원문은 직전 분기가 최고 성장 분기였다고 보고함
하드웨어 배포 상태: GB300 NVL72의 대규모 배포- 원문은 Nscale이 차세대 GB300 NVL72 시스템을 대규모로 배포했다고 기술함

섹션별 상세

병목이 소프트웨어를 넘어선다

원문은 AI 시스템의 규모와 복잡도가 급격히 커지며 병목이 소프트웨어 단일 층을 넘어서 하드웨어·네트워크·데이터센터 설계 전반으로 확장되었다고 진단하고 있다. 입력 측면에서는 멀티모달 데이터 처리와 시뮬레이션 혼합 워크로드가 증가하고 처리 과정에서는 대규모 GPU 기반 추론, 긴 컨텍스트에 대한 GPU 메모리 관리, mixture-of-experts의 복잡한 라우팅과 장애 처리가 핵심 난제로 제시된다. 이 문맥에서 Ray의 역할은 분산 컴퓨팅 소프트웨어로서 데이터 준비·훈련·추론 전반에 걸쳐 사용되었음을 근거로 들며, 단일 층 최적화로는 한계가 있어 소프트웨어와 하드웨어 전층을 함께 공동 최적화해야 한다고 정리한다.

Nscale 선택 이유

원문은 Nscale이 토지·전력·데이터센터·가속 컴퓨트까지 포함하는 수직적 통합을 통해 실행 속도와 물리적 용량에서 차별점을 가진다고 서술한다. 구체적으로 Nscale의 다중 기가와트 파이프라인과 GB300 NVL72 시스템의 대규모 배포가 Anyscale에 필요한 GPU 용량과 밀도를 제공하며, 물리적 인프라를 직접 운영함으로써 소프트웨어와 하드웨어 간의 피드백 루프를 짧게 만들어 공동 설계에 유리하다고 설명한다. 그 결과 Anyscale 플랫폼 고객은 Nscale의 대규모 컴퓨트 풀에 접근할 수 있게 되며 이는 향후 Ray와 플랫폼 최적화 속도와 정밀도를 높이는 근거가 된다.

근거

Nscale은 다중 기가와트 파이프라인을 보유하고 차세대 GB300 NVL72 시스템을 대규모로 배포했다. — Why Nscale 섹션에 언급된 인프라 역량 및 GB300 NVL72 배포 관련 문장

오픈소스와 멀티클라우드 약속

원문은 Ray가 초기에부터 PyTorch Foundation 아래에서 오픈·커뮤니티 중심으로 개발되어 왔고, Google·NVIDIA·Microsoft·Red Hat·Alibaba 등 업계 참여로 GPU/TPU 지원·토폴로지 인지 스케줄링·GPU-네이티브 데이터 처리·Kubernetes 통합·Ray History Server 같은 기능이 개선되었다고 밝혔다. Nscale은 PyTorch Foundation의 플래티넘 멤버로 합류할 계획이며 합병 후에도 Ray의 개방성·중립성·이식성을 유지하고 커뮤니티 기여와 거버넌스 확대에 투자할 것이라고 표명했다. 멀티클라우드 운용 철학은 변경되지 않으며 Ray와 Anyscale 플랫폼은 모든 주요 클라우드와 온프레미스 환경에서 계속 실행될 수 있도록 유지한다는 점이 강조된다.

근거

Ray는 PyTorch Foundation 아래에서 운영되며 Google, NVIDIA, Microsoft 등 엔지니어들이 GPU/TPU 지원, 토폴로지 인지 스케줄링, GPU-네이티브 데이터 처리, Kubernetes 통합, Ray History Server 개선에 기여했다. — Commitment to open source & multi-cloud 섹션의 기여자 목록과 개선 항목

향후 계획과 영향

원문은 최근 분기 매출이 전분기 대비 70% 성장했다는 실적을 제시하면서 성장 국면에 진입했음을 알리고, Nscale과의 결합으로 분산 AI 인프라를 더 단순하고 안정적이며 효율적으로 만드는 것이 목표라고 전망한다. 구체 실행 계획으로 Ray Summit에서 추가 발표가 예정되어 있고, 합병 종결 후 결합된 조직에서 채용을 늘려 로드맵 실행을 가속하겠다고 예고한다. 또한 플랫폼의 멀티클라우드 정책은 유지되어 고객이 주요 클라우드 어디서나 실행할 수 있는 이식성이 보장된다는 점을 사용자 영향 측면의 근거로 제시한다.

근거

Anyscale이 Nscale과 합의서를 체결해 두 회사의 결합이 확정 단계에 있다. — 페이지 상단의 발표 문단(제목과 개요)

용어 해설

네오클라우드(neocloud): — 데이터센터와 가속기 인프라를 수직적으로 통합해 대규모 AI 워크로드를 위해 전력·토지·서버·네트워크까지 직접 운영하려는 차세대 클라우드 사업 모델로, 물리적 용량과 배치 유연성이 핵심 경쟁력이다.
다중 기가와트 파이프라인(multi-gigawatt pipeline): — 대규모 AI 인프라를 위해 지속적으로 막대한 전력을 투입할 수 있는 데이터센터 건설 및 운영 파이프라인을 뜻하며, GPU 밀집형 클러스터를 안정적으로 확장하는 데 필요한 전력·냉각·건설 역량을 가리킨다.
GB300 NVL72: — 원문에서 언급된 차세대 가속 시스템 이름으로, 고밀도 GPU 서버군을 가리키며 원문은 Nscale이 이 장비를 대규모로 배포했다고 보고하고 있다.
토폴로지 인지 스케줄링(topology-aware scheduling): — 서버 랙·토폴로지 특성을 고려해 작업을 배치하는 스케줄링 방식으로, 네트워크 홉 수·PCIe 토폴로지·노드 간 대역폭 차이를 반영해 GPU 통신 비용을 줄이고 전체 처리량을 개선할 수 있다.

기술

Ray
PyTorch
vLLM
GB300 NVL72
Kubernetes

언급된 리소스

문서원문 링크