스마트 안경이 사용자의 말, 시선, 손동작을 동시에 이해하면서도 배터리를 거의 소모하지 않는다면 어떨까요? 카메라가 바라보는 장면을 읽고, 음성 명령에 반응하며, 머리와 손의 움직임까지 해석하는 AI가 하루 종일 조용히 작동하는 모습입니다.
Google Research와 Synaptics가 사전 공개한 Astra M2는 바로 이 질문에 답하려는 초저전력 Edge AI 플랫폼입니다. 핵심 목표는 AI를 필요할 때만 잠깐 실행하는 수준을 넘어, 웨어러블과 센서 기기에서 주변 상황을 계속 이해하는 상시 작동 AI를 구현하는 것입니다.
‘상시 AI’의 가장 큰 적은 배터리다
스마트 안경이나 스마트워치는 스마트폰보다 훨씬 까다로운 조건에서 작동합니다. 배터리는 작고, 기기는 가벼워야 하며, 얼굴이나 손목에 닿는 만큼 발열도 최소화해야 합니다.
여기에 음성 인식, 카메라 영상 분석, 동작 감지까지 더하면 전력 부담은 빠르게 커집니다. 모든 데이터를 클라우드로 보내 처리하는 방법도 있지만, 네트워크 연결이 필요하고 응답이 늦어질 수 있습니다. 무엇보다 개인의 음성·영상·행동 데이터가 기기 밖으로 나간다는 점은 부담입니다.
Astra M2가 겨냥하는 방식은 다릅니다. 중요한 AI 추론을 기기 안에서 직접 처리하는 것입니다. 예를 들어 스마트 안경은 다음 정보를 로컬에서 함께 분석할 수 있습니다.
- 사용자가 바라보는 사물과 장면
- “이거 번역해 줘” 같은 음성 명령
- 고개를 끄덕이거나 손을 들어 올리는 동작
- 주변 소음, 위치, 기기 상태 같은 맥락 정보
이런 처리가 충분히 낮은 전력으로 가능해진다면, AI는 사용자가 명령할 때만 반응하는 도구가 아니라 상황을 먼저 파악하는 보조자로 바뀔 수 있습니다.
평균 6mW 미만이 의미하는 것
Astra M2의 가장 눈에 띄는 주장은 온디바이스 추론 시 평균 소비전력 6mW 미만입니다. 또한 Google은 Coral NPU M2가 비교 대상 프로세서보다 에너지 사용량을 40% 줄인다고 설명했습니다.
6mW는 스마트폰 전체 전력이나 노트북의 AI 처리 전력과 직접 비교할 숫자는 아닙니다. 대신 배터리 용량이 제한적인 웨어러블에서 중요한 기준입니다. 수 mW 차이만으로도 대기 시간, 충전 주기, 발열, 제품 크기에 영향을 줄 수 있기 때문입니다.
이 목표를 위해 Astra M2는 역할을 나눈 이기종 구조를 사용합니다.
- Coral NPU M2: 이미지·음성·센서 데이터에 필요한 AI 추론 가속
- Synaptics Torq NPU: Edge AI 연산을 보완하는 전용 처리 블록
- Arm CPU: 센서 제어, 전력 관리, 기기 로직과 일반 연산 담당
- 고밀도 DRAM·멀티미디어 기능: 영상과 멀티모달 모델 처리 지원
즉, 모든 작업을 CPU 하나에 몰아넣는 대신 AI 연산은 NPU에, 기기 제어는 CPU에 분배해 불필요한 전력 낭비를 줄이는 접근입니다.
숫자보다 먼저 확인해야 할 조건
다만 “평균 6mW 미만”과 “에너지 40% 절감”은 아직 제조사 측이 공개한 수치입니다. 어떤 모델을 실행했는지, 초당 몇 번 추론했는지, 카메라·메모리·무선 통신 전력까지 포함했는지는 자세히 알려지지 않았습니다.
특히 실제 스마트 안경의 배터리 사용 시간은 NPU만으로 결정되지 않습니다. 카메라 센서, 디스플레이, 마이크, 블루투스·Wi-Fi, 메모리, 운영체제가 모두 전력을 사용합니다. 따라서 이 수치는 완성된 웨어러블 전체의 소비전력이라기보다, 특정 AI 추론 조건에서의 목표 또는 측정 결과로 이해하는 편이 정확합니다.
그럼에도 방향성은 분명합니다. Edge AI가 진짜 일상 속으로 들어오기 위해서는 더 똑똑한 모델만큼, 더 적은 전력으로 계속 작동하는 하드웨어가 필요합니다. Astra M2는 그 조건을 충족하려는 초기 신호로 볼 수 있습니다. 정식 발표에서 실제 성능, 측정 조건, 개발 환경이 공개된다면 ‘하루 종일 깨어 있는 AI’가 얼마나 현실에 가까워졌는지도 더 명확해질 것입니다.
Edge AI, 카메라 하나를 넘어 주변 상황 전체를 읽는 칩
기존 AI 칩이 주로 “이 물체는 무엇인가?”라는 질문에 답했다면, Astra M2가 겨냥하는 질문은 훨씬 복잡합니다. 사용자는 지금 무엇을 보고 있을까요? 어떤 말을 하고 있을까요? 걷고 있는지, 손을 움직이고 있는지, 조용한 실내에 있는지 시끄러운 거리 한복판에 있는지도 함께 이해해야 합니다.
이것이 Google Research와 Synaptics가 말하는 차세대 Edge AI의 방향입니다. 단일 카메라 영상이나 음성 명령만 처리하는 것이 아니라, 여러 센서에서 들어오는 정보를 결합해 사용자의 현재 상황을 해석하는 것입니다.
‘객체 인식’에서 ‘맥락 이해’로
전통적인 엣지 AI는 비교적 명확한 한 가지 작업을 수행했습니다.
- 카메라에서 사람이나 차량 찾기
- 음성에서 특정 호출어 감지하기
- 센서 값에서 이상 징후 찾기
- 얼굴·손동작·제품 불량 여부 분류하기
이런 기능은 지금도 매우 중요합니다. 하지만 실제 생활의 상황은 하나의 센서만으로 완전히 이해하기 어렵습니다. 예를 들어 스마트 안경이 사용자가 바라보는 표지판을 읽더라도, 사용자가 길을 찾는 중인지 단순히 주변을 둘러보는 중인지는 영상만으로 판단하기 어렵습니다.
Astra M2는 이런 문제를 해결하기 위해 시각, 음성, 움직임, 주변 소리, 기기 상태 같은 정보를 함께 처리하는 멀티모달 AI를 지향합니다. 즉, 센서가 각각 따로 반응하는 구조를 넘어 여러 신호의 관계를 해석하는 플랫폼에 가깝습니다.
스마트 안경에서는 어떤 경험이 가능할까
가령 사용자가 스마트 안경을 쓰고 낯선 공간을 걷는 상황을 생각해 볼 수 있습니다. 기기는 카메라로 앞의 장면을 보고, 마이크로 사용자의 음성을 듣고, 관성 센서로 머리와 몸의 움직임을 파악합니다.
이때 AI는 단순히 “앞에 계단이 있다”는 정보만 제공하는 데 그치지 않을 수 있습니다. 사용자가 “여기 어디야?”라고 말했는지, 이동 중인지 멈춰 있는지, 주변이 시끄러워 음성 안내가 적절한지까지 종합해 더 자연스러운 반응을 설계할 수 있습니다.
이런 상시 맥락 인식은 다음과 같은 기능으로 이어질 수 있습니다.
- 사용자가 보는 사물·문자·장면을 음성 질문과 연결
- 손동작이나 고개 움직임을 통한 간단한 기기 제어
- 주변 소음 수준에 맞춘 알림 방식 조절
- 운동·작업·이동 상태에 따른 개인화된 보조 기능
- 위험 상황이나 이상 행동을 빠르게 감지하는 안전 기능
핵심은 AI가 단순한 인식 엔진이 아니라, 사용자의 행동과 환경을 이해하는 보조 계층으로 바뀐다는 점입니다.
여러 연산 블록이 역할을 나누는 이유
이처럼 복합적인 데이터를 처리하려면 하나의 범용 프로세서만으로는 전력과 성능을 모두 만족하기 어렵습니다. Astra M2 플랫폼은 Coral NPU M2, Synaptics Torq NPU, Arm CPU를 조합하는 이기종 구조를 취합니다.
각 블록은 서로 다른 업무를 나눠 처리하는 방식이 예상됩니다.
| 구성 요소 | 예상 역할 |
|---|---|
| Coral NPU M2 | 영상·음성·센서 데이터에 대한 AI 추론 가속 |
| Synaptics Torq NPU | Edge AI 작업 및 플랫폼 내 신경망 연산 분담 |
| Arm CPU | 센서 제어, 전원 관리, 운영체제와 애플리케이션 실행 |
| 메모리·멀티미디어 블록 | 모델·데이터 저장, 영상 처리, 디스플레이 및 카메라 파이프라인 지원 |
특히 Coral NPU M2에는 Coral 계열 최초의 벡터 프로세서가 포함된 것으로 알려졌습니다. 벡터 연산은 이미지 픽셀, 음성 신호, 가속도계 데이터처럼 반복적인 수치 연산이 많은 AI 추론에 적합합니다. 웨어러블처럼 배터리와 발열 여유가 작은 기기에서 이러한 전용 연산 장치는 중요한 의미를 갖습니다.
클라우드가 아니라 기기 안에서 이해하는 이유
Astra M2가 지향하는 상시 Edge AI는 데이터를 가능한 한 기기 내부에서 먼저 처리하는 방식입니다. 이 접근은 단순히 인터넷 연결이 끊겨도 작동한다는 장점만 뜻하지 않습니다.
카메라 영상과 음성은 개인 정보와 직접 연결될 수 있습니다. 모든 데이터를 서버로 전송해 분석하면 네트워크 지연, 통신 비용, 개인정보 보호 문제가 함께 커집니다. 반면 기기에서 먼저 장면과 음성을 분석하면 필요한 결과나 이벤트만 외부 서비스와 공유하는 설계가 가능해집니다.
예를 들어 산업용 카메라는 생산라인의 모든 영상을 클라우드로 보내는 대신, 현장에서 불량·안전사고·침입 같은 이벤트만 감지해 전달할 수 있습니다. 스마트 안경 역시 사용자의 영상을 지속적으로 외부 서버에 올리지 않고, 기기 안에서 명령과 장면을 우선 해석하는 방향을 선택할 수 있습니다.
다만 이런 비전이 실제 제품 경험으로 이어지려면 과제가 남아 있습니다. 여러 센서를 동시에 사용할 때의 전체 시스템 전력, 모델별 지연시간, 메모리 용량, 그리고 실제 환경에서의 인식 정확도는 아직 확인이 필요합니다. Astra M2의 진짜 경쟁력은 단순히 카메라 속 물체를 찾는 속도가 아니라, 제한된 배터리 안에서 얼마나 자연스럽고 안정적으로 ‘상황 전체’를 이해하느냐에 달려 있습니다.
Coral NPU·Torq NPU·Arm CPU의 협업, Edge AI 전력을 줄이는 분업 구조
Astra M2의 핵심은 하나의 거대한 AI 엔진이 모든 일을 처리하는 방식이 아닙니다. 대신 Coral NPU, Synaptics Torq NPU, Arm CPU가 각자 잘하는 업무를 나눠 맡는 이기종 구조에 가깝습니다. 반복적인 AI 계산은 NPU가 처리하고, 기기 운영과 센서 제어는 CPU가 담당합니다. 이 분업이야말로 작은 배터리로 오래 작동해야 하는 Edge AI 기기에서 전력을 아끼는 핵심 전략입니다.
반복 계산에 집중하는 Coral NPU M2
Google의 Coral NPU M2는 음성, 이미지, 영상, 센서 데이터에서 반복되는 신경망 연산을 처리하는 가속기입니다. AI 추론은 같은 종류의 수학 연산을 대량으로 반복하는 경우가 많습니다. 이를 범용 CPU로 처리하면 유연성은 높지만, 필요한 연산 대비 전력 소모가 커질 수 있습니다.
Coral NPU M2에는 Coral 계열 최초의 벡터 프로세서가 포함된 것으로 알려졌습니다. 벡터 연산은 여러 데이터를 한꺼번에 처리하는 데 적합해 다음과 같은 작업에서 효율을 높일 수 있습니다.
- 카메라 영상의 객체·장면 인식
- 음성 명령과 키워드 감지
- 가속도계·자이로 센서 기반 동작 분류
- 주변 소리와 사용자 행동을 결합한 상황 판단
즉, Coral NPU M2는 “AI 모델을 실행하는 계산 엔진” 역할에 집중합니다. 스마트 안경이 사용자가 보는 장면을 분석하거나, 스마트워치가 운동 상태를 분류할 때처럼 반복적이고 병렬성이 높은 작업에 적합한 구조입니다.
Torq NPU, Synaptics 플랫폼의 AI 연산 축
Synaptics의 Torq NPU 역시 Astra 제품군에서 AI 연산을 담당하는 핵심 블록입니다. 현재 공개된 정보만으로는 Coral NPU와 Torq NPU가 정확히 어떤 모델을 어떤 기준으로 나눠 처리하는지까지 확인되지는 않았습니다. 그러나 두 NPU를 함께 구성한 접근은 단일 가속기에 모든 부담을 몰아주는 방식보다 유연한 설계를 가능하게 합니다.
예를 들어 한쪽 NPU는 초저전력 상시 감지 작업을 맡고, 다른 쪽은 카메라 분석이나 복수 센서 융합처럼 더 많은 연산이 필요한 작업을 담당하는 식의 구성이 가능할 수 있습니다. 실제 제품에서는 모델 종류, 지연시간, 메모리 요구량, 전력 상태에 따라 작업이 분배될 가능성이 있습니다.
이 구조의 장점은 명확합니다. 기기가 항상 최고 성능으로 동작할 필요가 없다는 점입니다. 사용자가 아무 말도 하지 않고 카메라에 특별한 변화가 없다면, 저전력 감지 모드만 유지하면 됩니다. 반대로 음성 명령이나 특정 이벤트가 감지될 때만 더 큰 연산 자원을 깨워 본격적인 분석을 수행할 수 있습니다.
Arm CPU는 기기의 ‘운영 책임자’
NPU가 AI 추론에 특화된 엔진이라면, Arm CPU는 기기 전체를 조율하는 운영 책임자에 가깝습니다. CPU는 다음과 같은 범용 작업을 맡을 것으로 예상됩니다.
- 센서 데이터 수집과 제어
- 운영체제 및 애플리케이션 실행
- 전력 관리와 절전 모드 전환
- 통신, 저장장치, 사용자 인터페이스 처리
- AI 모델 실행 순서와 NPU 작업 요청 관리
예를 들어 스마트 안경이 음성 명령을 받는 상황을 생각해 볼 수 있습니다. CPU는 마이크 상태와 배터리 잔량을 관리하고, 낮은 전력으로 동작하는 감지 경로를 유지합니다. 특정 호출어가 포착되면 NPU에 음성 인식 작업을 요청하고, 필요하다면 카메라나 다른 센서를 활성화합니다. 이후 결과에 따라 화면 표시, 알림, 네트워크 연결 같은 다음 동작을 결정합니다.
CPU가 모든 AI 연산까지 직접 처리하지 않고, 적합한 작업을 NPU에 넘기기 때문에 시스템 전체의 에너지 낭비를 줄일 수 있습니다.
왜 역할 분담이 배터리를 아낄까
이기종 Edge AI 설계의 핵심은 필요한 순간에만 필요한 연산 블록을 사용하는 것입니다. 범용 CPU는 다양한 일을 처리할 수 있지만, 대규모 행렬 연산이나 합성곱처럼 AI 모델에서 반복되는 계산에는 전용 NPU보다 비효율적일 수 있습니다.
반대로 NPU는 AI 연산에는 효율적이지만, 센서 드라이버 제어나 운영체제 실행처럼 복잡하고 변화가 많은 범용 작업에는 적합하지 않습니다. 따라서 Astra M2처럼 CPU와 복수의 NPU를 결합하면 각 블록이 자신의 강점에 맞는 일을 맡을 수 있습니다.
| 연산 블록 | 주된 역할 | 전력 효율 측면의 의미 |
|---|---|---|
| Coral NPU M2 | 음성·영상·센서 AI 추론 | 반복적 신경망 연산을 전용 하드웨어로 처리 |
| Synaptics Torq NPU | Astra 플랫폼의 AI 가속 | 모델과 작업 특성에 따른 연산 분산 가능성 |
| Arm CPU | 기기 제어, 센서 관리, 운영체제 | 필요한 AI 엔진만 깨우고 전체 흐름을 조정 |
이런 분업 구조는 평균 추론 전력을 6mW 미만으로 제시한 배경과도 연결됩니다. 다만 이 수치는 제조사 측 설명이며, 어떤 모델과 측정 조건에서 나온 값인지는 정식 발표 이후 확인해야 합니다. 카메라, 무선 통신, 디스플레이, 메모리까지 포함한 전체 기기 전력과는 구분해서 볼 필요가 있습니다.
결국 Astra M2가 노리는 것은 단순히 “더 빠른 AI 칩”이 아닙니다. 필요한 AI만 필요한 전력으로 작동시키는 구조, 즉 웨어러블과 산업용 센서에 맞춘 상시형 Edge AI 두뇌의 분업 체계에 더 가깝습니다.
Edge AI 전력 효율, 6mW와 40% 절감은 어떻게 검증해야 할까
평균 소비전력 6mW 미만, 에너지 사용량 40% 절감. 배터리 크기와 발열이 제품 경험을 좌우하는 스마트 안경·스마트워치·산업용 센서에서는 매우 매력적인 수치다. 특히 항상 켜져 있어야 하는 음성 감지, 동작 분석, 장면 인식 기능이라면 수 mW의 차이도 사용 가능 시간을 크게 바꿀 수 있다.
하지만 이 숫자를 곧바로 “기존 칩보다 40% 더 뛰어난 Edge AI 성능”으로 받아들이기는 이르다. 전력 효율은 단일 숫자가 아니라, 어떤 모델을 어떤 조건에서 어떤 경쟁 칩과 비교했는지에 따라 의미가 달라지기 때문이다.
6mW는 무엇을 포함한 전력인가
Synaptics와 Google이 언급한 평균 6mW 미만은 온디바이스 추론과 관련된 수치로 보인다. 다만 현재 공개된 정보만으로는 이것이 NPU 단독 전력인지, CPU·메모리·센서 처리까지 포함한 수치인지는 분명하지 않다.
웨어러블의 실제 소비전력은 AI 가속기만으로 결정되지 않는다.
- 카메라와 마이크 같은 센서 전력
- DRAM 접근과 데이터 이동에 드는 전력
- Arm CPU의 제어·전처리 작업
- 무선 통신과 디스플레이 전력
- 모델 추론 빈도와 대기 상태 전력
예를 들어 NPU가 6mW만 사용하더라도, 카메라가 지속적으로 영상을 촬영하고 메모리와 CPU가 데이터를 처리하면 전체 시스템 전력은 크게 올라갈 수 있다. 따라서 이 수치는 “완성된 스마트 안경 전체가 6mW로 동작한다”는 뜻이 아니라, 특정 추론 조건에서의 AI 연산 효율을 나타내는 지표로 해석하는 편이 안전하다.
40% 절감 수치에 필요한 비교 조건
에너지 사용량 40% 절감 역시 비교 기준이 공개돼야 정확한 가치를 판단할 수 있다. 같은 모델을 실행했더라도 입력 해상도, 추론 빈도, 정밀도, 메모리 사용 방식이 달라지면 결과는 크게 달라질 수 있다.
정식 발표와 향후 독립 벤치마크에서 확인해야 할 핵심 항목은 다음과 같다.
| 검증 항목 | 확인해야 할 이유 |
|---|---|
| 비교 대상 프로세서 | 어느 세대, 어떤 경쟁 칩과 비교했는지에 따라 40%의 의미가 달라진다. |
| 사용 모델 | 음성 키워드 검출과 멀티모달 비전 모델은 연산량과 메모리 요구량이 다르다. |
| 정밀도와 양자화 | INT8·INT4·FP16 등 실행 정밀도에 따라 전력과 정확도가 함께 변한다. |
| 지연시간 | 전력만 낮고 응답이 느리다면 실시간 Edge AI 경험에는 적합하지 않을 수 있다. |
| 추론 빈도 | 1초에 한 번 실행한 결과와 초당 수십 번 실행한 결과는 비교할 수 없다. |
| 시스템 전력 범위 | NPU만 측정했는지, CPU·DRAM·센서까지 포함했는지 구분해야 한다. |
특히 40% 절감은 높은 처리량을 유지하면서 달성했는지도 중요하다. 전력 소모가 낮더라도 추론 속도가 떨어지거나 입력 품질을 낮춘 결과라면, 사용자 경험의 개선으로 이어진다고 보기 어렵다.
Edge AI에서는 전력과 지연시간을 함께 봐야 한다
Astra M2가 겨냥하는 것은 단발성 객체 인식이 아니라 음성·영상·동작·주변 맥락을 지속적으로 해석하는 멀티모달 Edge AI다. 이런 환경에서는 최고 TOPS보다 필요한 순간에 빠르게 깨어나고, 적은 에너지로 추론한 뒤 다시 저전력 상태로 돌아가는 능력이 더 중요할 수 있다.
예를 들어 스마트 안경은 하루 종일 모든 영상을 고성능으로 분석할 필요가 없다. 평소에는 저전력 음성 감지나 간단한 동작 인식만 수행하다가, 사용자의 명령이나 특정 이벤트가 발생했을 때만 카메라 기반 인식을 강화하는 방식이 효율적이다. 이때 실제 제품 경쟁력은 NPU의 순간 성능뿐 아니라 센서 처리, 메모리 접근, 전력 관리, 작업 분배까지 포함한 플랫폼 설계에서 결정된다.
현재는 ‘유망한 주장’, 다음 단계는 실측 데이터
6mW 미만과 40% 절감은 웨어러블용 AI 칩 시장에서 분명 주목할 만한 목표다. Coral NPU M2와 Synaptics Torq NPU를 결합한 구조가 실제로 멀티모달 추론을 낮은 전력으로 처리한다면, 항상 켜진 스마트 안경과 센서형 기기의 설계 가능성은 넓어질 수 있다.
다만 현시점의 수치는 제조사 발표에 기반한다. 신뢰도를 판단하려면 동일 모델·동일 입력·동일 지연시간 조건에서의 비교 결과와, NPU 단독이 아닌 실제 시스템 전력 데이터가 필요하다. 결국 Astra M2의 진짜 경쟁력은 “6mW”라는 숫자 자체가 아니라, 그 숫자가 현실적인 Edge AI 워크로드에서도 재현되는가에 달려 있다.
스마트 안경에서 소형 언어 모델까지, Edge AI의 진짜 시험은 이제 시작
Astra M2가 바꾸려는 것은 단순히 “더 전력을 적게 쓰는 NPU”가 아닙니다. 핵심은 작은 웨어러블 기기가 사용자의 말을 듣고, 카메라로 장면을 보고, 움직임과 주변 환경을 함께 해석한 뒤 기기 안에서 즉시 판단하는 경험을 현실로 만들 수 있느냐에 있습니다.
스마트 안경을 예로 들어보겠습니다. 사용자가 “이 표지판을 읽어줘”라고 말하면, 기기는 음성을 인식하고 카메라 영상에서 글자를 찾은 뒤, 사용자가 바라보는 방향과 주변 소음까지 고려해야 합니다. 이 과정이 클라우드 서버를 계속 오가면 응답이 늦어지고, 연결이 끊기면 기능도 제한됩니다. 무엇보다 개인의 시선, 음성, 주변 영상이 외부 서버로 전달될 수 있다는 부담이 생깁니다.
Astra M2가 겨냥하는 Edge AI는 이런 흐름을 기기 내부로 옮기는 방식입니다. Coral NPU M2와 Synaptics Torq NPU, Arm CPU가 역할을 나눠 음성·영상·센서 데이터를 처리하고, 필요한 정보만 외부 서비스와 연결하는 구조가 될 수 있습니다. 목표는 단순한 객체 인식이 아니라, 사용자의 상황을 지속적으로 이해하는 상시 멀티모달 AI입니다.
다만 진짜 평가는 이제부터입니다. 평균 6mW 미만의 추론 전력과 최대 40% 에너지 절감은 매우 인상적인 수치지만, 현재로서는 비교 조건이 공개되지 않은 발표 수치입니다. 실제 스마트 안경에서는 NPU만 전력을 쓰는 것이 아닙니다. 카메라, 마이크, 메모리, 무선 통신, 디스플레이, 센서가 함께 배터리를 소모합니다. 따라서 제품 수준의 배터리 시간과 발열, 실제 응답 지연시간이 확인되어야 기술의 가치도 명확해집니다.
더 먼 미래에는 Coral M3가 보여준 방향도 중요합니다. Google은 후속 설계인 M3가 Gemma 3 270M 같은 소형 언어 모델을 기기에서 구동할 수 있다고 설명했습니다. 이것이 현실화되면 웨어러블은 단순히 “무엇이 보이는지” 분류하는 기기를 넘어, 짧은 대화를 이해하고 상황에 맞는 답변을 만드는 개인형 AI 기기로 발전할 수 있습니다.
결국 승부는 TOPS 숫자 하나가 아니라 다음 질문에 달려 있습니다.
- 스마트 안경이 하루 종일 쓸 수 있을 만큼 배터리를 유지할 수 있는가
- 음성·영상·동작을 함께 처리해도 발열과 지연시간을 제어할 수 있는가
- 개발자가 MLIR 기반 도구를 통해 모델을 쉽게 이식하고 최적화할 수 있는가
- 개인정보를 지키면서도 사용자가 체감할 만큼 똑똑한 경험을 제공할 수 있는가
Astra M2는 이 질문들에 대한 하나의 유력한 출발점입니다. 10월 20일 정식 발표에서 실측 성능, 모델별 지연시간, 개발 키트 정보, 전체 시스템 전력 조건이 공개된다면 Edge AI가 웨어러블의 보조 기능을 넘어 새로운 컴퓨팅 인터페이스가 될 수 있는지 더 분명하게 판단할 수 있을 것입니다.
