MacPaw가 Liquid AI와 협력해 기기 내 AI 인프라를 구축한다

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

TL;DR

MacPaw는 Liquid AI와 협력해 Eney의 기기 내 버전과 Elix라는 온디바이스 인퍼런스 엔진, 로컬 메모리 시스템을 구축하고 있다. Liquid AI는 하드웨어에 맞춘 아키텍처를 미리 선정해 그 구조로 모델을 훈련하는 방식을 채택하며, 회사는 모델 맞춤화 스택으로 사용자 입력을 통해 모델 적응을 가능하게 하려 한다. MacPaw는 자사 구독형 앱스토어 SetApp을 AI 앱 허브로 전환하고 크레딧 기반 과금 실험을 진행해 개발자에게 로컬·클라우드 모델을 모두 제공하는 원스톱 플랫폼을 목표로 한다.

섹션별 상세

맥Paw는 Liquid AI와 협력해 기기 내에서 동작하는 인퍼런스 엔진과 로컬 메모리 시스템을 구축하고 있으며, Liquid AI는 이를 Elix라는 이름의 온디바이스 인퍼런스 시스템으로 개발하고 있다. 구현 방식은 하드웨어 특성에 맞춰 사전에 아키텍처를 선택한 뒤 그 구조를 기준으로 모델을 훈련해 각 기기에서 가장 효율적으로 실행되도록 하는 것이다. 회사 측 발언과 기사 본문은 이 접근을 프라이버시·보안 향상과 기기 단독 실행이라는 실용적 이점과 직접 연결하고 있어 로컬 처리의 목적과 설계 의도를 분명히 하고 있다.

근거

MacPaw가 Liquid AI와 협력해 기기 내 인퍼런스 시스템(Elix)과 로컬 메모리를 개발하고 있다. — 기사 첫 문단과 중간의 Liquid AI와 MacPaw 발언; Elix와 로컬 메모리 시스템 명시

MacPaw는 지난해 공개했던 AI 어시스턴트 Eney의 기기 내 버전을 준비 중이며, Liquid AI는 모델이 사용자 입력을 통해 적응하도록 하는 맞춤화 스택도 병행해서 구축하고 있다. Liquid AI의 공동창업자 겸 CEO는 "모델을 훈련하기 전에 하드웨어에 맞춰 다른 아키텍처를 선택한다. 그렇게 해야 기기에서 직접 실행되는 가장 효율적인 인텔리전스를 확보할 수 있다"고 말하며 아키텍처 최적화가 핵심임을 분명히 했다. 이 접근은 Apple의 로컬 모델 제공과 겹치지만, 회사는 특정 능력치별 성능 최적화와 사용자 기반 적응 기능을 차별점으로 제시하고 있다.

근거

Liquid AI는 하드웨어에 맞춘 아키텍처를 사전에 선택해 모델을 훈련한다고 밝혔다. — Liquid AI 공동창업자 Ramin Hasani의 인용문; 아키텍처 선택·훈련 과정에 관한 직접 발언

MacPaw는 자사 구독형 앱스토어인 SetApp을 AI 앱을 위한 플랫폼으로 확장할 계획이며 현재 크레딧 기반 과금 실험을 진행 중이다. 기사에 따르면 SetApp은 15만 명 이상의 유료 가입자를 보유하고 있고, 크레딧 방식은 사용자가 보유한 크레딧과 작업 복잡도에 따라 수행 가능한 AI 연산 수를 제한하는 형태로 설계되어 있다. 이렇게 하면 AI 연산 비용을 사용자 경험과 연계해 통제할 수 있고, 개발자는 과금 단계를 설정해 AI 기능을 단계적으로 제공할 수 있다.

근거

SetApp은 15만 명 이상의 유료 가입자를 보유하고 있으며, MacPaw는 크레딧 기반 과금 모델을 실험 중이다. — 기사에 명시된 SetApp 사용자 수와 크레딧 기반 과금 실험 관련 단락

맥Paw는 Liquid AI와 확정한 로컬 처리 아키텍처를 제3자 개발자에게도 제공할 계획이며, 플랫폼은 Google 등 클라우드 모델 접근도 한곳에서 제공하는 원스톱 환경을 목표로 한다. 구체적으로는 온디바이스 추론을 사용하는 앱 개발을 지원하고 필요에 따라 클라우드 모델과 혼합해 활용할 수 있도록 만드는 방향성이 기사에서 드러난다. 이 전략은 개발자 관점에서 오프라인·하이브리드 배포 옵션을 늘리고, SetApp 내 AI 생태계의 확장과 수익화를 돕는 실무적 의미가 있다.

근거

MacPaw는 로컬 처리 아키텍처를 개발자에게 공개하고 클라우드 모델 접근을 함께 제공해 원스톱 플랫폼을 지향한다. — 기사의 마지막 부분; 개발자 제공 계획과 Google 등 클라우드 모델 접근 병행 언급

용어 해설

기기 내 인퍼런스(On‑device inference): — 모델을 서버가 아닌 사용자의 기기에서 직접 실행해 입력을 처리하는 방식으로, 네트워크 의존도를 낮추고 응답 지연을 줄이며 데이터가 외부로 유출되지 않도록 프라이버시를 강화한다. 하드웨어 특성에 맞춘 경량화·아키텍처 선택이 성능과 전력 소모에 직접적인 영향을 준다.
로컬 모델(Local models): — 사용자 기기나 사내 서버에 배포되어 네트워크 없이 동작하는 머신러닝 모델을 가리키며, 민감한 개인 데이터 처리나 오프라인 동작이 필요한 애플리케이션에서 선호된다. 모델의 크기와 연산량은 기기 성능에 맞춰 조정되어야 한다.
크레딧 기반 과금(Credit-based pricing): — 사용자가 과금된 크레딧을 소모해 AI 연산을 수행하는 방식으로, 연산 복잡도나 호출 빈도에 따라 크레딧 소모량을 달리 설정한다. 고정 구독과 달리 사용량 기반 제어가 가능해 AI 기능을 단계적으로 제공하고 비용을 사용자 선택에 맞출 수 있다.
사용자 맞춤화 스택(Customization stack): — 모델이 사용자 입력이나 사용 패턴을 반영해 동작을 조정할 수 있도록 데이터 흐름, 파인튜닝·적응 계층, 로컬 메모리 연동을 포함하는 소프트웨어 구성요소를 말한다. 지속적 적응이 가능하면 현장 데이터로 성능을 향상시킬 수 있다.
오프라인 AI(Offline AI): — 네트워크 연결 없이도 에이전트나 어시스턴트가 사용자 요청을 처리하는 역량을 뜻하며, 로컬 모델·캐시된 메모리·경량 추론 엔진 조합으로 구현된다. 데이터 프라이버시와 가용성이 요구되는 환경에서 중요하게 고려된다.

기술

Elix (on-device inference)
로컬 메모리 시스템
Eney
SetApp
크레딧 기반 과금
Google 클라우드 모델 연동

활용 사례

오프라인에서 동작하는 개인 비서·에이전트 워크플로우
프라이버시 민감 데이터를 로컬에서 처리하는 앱
SetApp 구독자를 위한 AI 기능 유료화 및 단계적 제공