GPT-5·Claude·Gemini 전부 압도한 NVIDIA 양자 AI가 나왔다

NVIDIA가 양자 AI 모델을 오픈소스로 공개했다. 이름은 Ising이다. 2026년 4월 14일 발표다. 발표 직후 학계와 주식 시장이 동시에 반응했다.

직접 확인했다. 모델 가중치와 추론 코드 모두 공개됐다. 35B 파라미터 비전-언어 모델이다. 양자 회로 오류 보정에 특화됐다.

결론부터 말한다. 양자 연구자라면 지금 당장 내려받을 이유가 있다. 일반 개발자라면 독립 벤치마크 결과를 더 기다리는 게 맞다. 이 글은 그 판단 근거를 담았다.

NVIDIA Ising — 무엇이 다른가

Ising은 범용 AI 모델이 아니다. 양자 회로 오류 탐지와 보정에 특화됐다. 기존 범용 모델들이 못 하는 게 아니라, 불필요하게 느리고 부정확했던 게 문제였다.

이름은 이징 모델(Ising model)에서 따왔다. 통계역학의 기초 개념이다. 스핀 배열과 에너지 최솟값 탐색 수학이 양자 오류 보정과 맞닿아 있다. 이름 선택 자체가 모델의 설계 방향을 설명한다.

발표 시점은 2026년 4월 14일이다. 동시에 7개 연구기관과 파트너십을 공식 발표했다. Harvard, Fermilab 등 세계 최고 수준의 기관이다. 단순한 홍보용 파트너십이 아니라 검증 역할을 맡는 구조다.

기존 AI 모델과의 차별점은 하나다. 양자 회로 데이터로 사전 학습됐다는 점이다. 범용 모델이 이 작업을 하려면 복잡한 프롬프트 엔지니어링이 필요하다. Ising은 그냥 된다. 여기서 시작되는 성능 차이가 QCalEval 수치로 이어진다.

QCalEval — 무엇을 측정했나

QCalEval은 양자 회로 최적화와 오류 보정 능력을 평가하는 벤치마크다. 일반 AI 벤치마크인 MMLU나 HumanEval과는 다른 영역이다. Harvard, Fermilab이 검증에 참여해 신뢰도를 높였다.

측정 항목은 두 가지다. 주어진 양자 회로에서 오류를 얼마나 빠르게 탐지하는가, 그리고 탐지한 오류를 얼마나 정확하게 보정하는가다. 두 항목 모두 Ising이 1위를 기록했다.

벤치마크 결과는 NVIDIA 자체 발표 수치다. 독립적인 재현 연구가 나오기 전까지는 참고 지표로 보는 게 적절하다. 초기 파트너 기관들의 검증 결과가 순차적으로 공개될 예정이다.

QCalEval 구성을 더 구체적으로 보면 세 가지 하위 태스크로 나뉜다. 단일 큐비트 게이트 오류 탐지, 다중 큐비트 엔탱글먼트 오류 보정, 노이즈가 삽입된 회로 복원이다. Ising은 세 항목 모두 1위였다. 2위와 격차가 가장 큰 항목은 다중 큐비트 오류 보정이었다.

벤치마크 점수만 보고 모든 양자 AI 작업에 쓸 수 있다고 오해하면 안 된다. QCalEval은 시뮬레이션 기반 벤치마크다. 실제 양자 하드웨어 환경과 시뮬레이션 사이에는 물리적 노이즈 모델 차이가 있다. 그 갭을 얼마나 메웠는지는 추가 검증이 필요하다.

다른 모델들과 수치로 비교

QCalEval 결과만 보면 격차가 뚜렷하다. 오류 보정 속도와 정확도 모두 2위권과 차이가 났다. Gemini 3.1 Pro가 2위, Claude Opus 4.6이 3위, GPT-5.4가 4위였다.

다만 일반 AI 태스크에서는 다르다. 텍스트 생성, 코딩, 추론 능력에서는 기존 상위 모델들과 큰 차이가 없다. 양자 특화 모델이라는 점을 기억해야 한다.

가격 구조가 근본적으로 다르다는 점도 중요하다. GPT-5.4, Claude Opus 4.6, Gemini 3.1 Pro는 모두 API 과금 방식이다. Ising은 모델 가중치 자체가 무료다. 비용은 GPU 서버 운영비로만 나간다. 대규모 배치 처리를 돌리는 연구소라면 비용 구조 차이가 크다.

35B 파라미터라는 크기도 의미가 있다. 범용 최상위 모델들은 파라미터 수를 공개하지 않는다. Ising은 공개한다. 모델 내부를 분석하고 개선하는 연구가 가능하다는 뜻이다. 오픈소스 생태계에서 이 투명성은 빠른 개선 사이클로 이어진다.

항목	NVIDIA Ising	GPT-5.4	Claude Opus 4.6	Gemini 3.1 Pro
파라미터	35B	비공개	비공개	비공개
가중치 공개	O	X	X	X
특화 분야	양자 AI	범용	범용	범용
이용 비용	무료 (자체 GPU 필요)	API 과금	API 과금	API 과금
비전-언어	O	O	O	O

API 비용 기준으로도 비교했다. 대규모 연구소 환경에서 월 수억 토큰을 처리한다면 자체 호스팅 비용이 상용 API보다 유리해지는 구간이 생긴다.

모델	입력 토큰 (1M)	출력 토큰 (1M)	자체 호스팅	데이터 보안
NVIDIA Ising	$0 (자체 운영)	$0 (자체 운영)	O	완전 통제
GPT-5.4	$15~$30	$60~$120	X	OpenAI 서버
Claude Opus 4.6	$15	$75	X	Anthropic 서버
Gemini 3.1 Pro	$7~$21	$21~$63	X	Google 서버

* API 가격은 2026년 4월 기준 추정치. 실제 가격은 각 공식 페이지 확인 필요.

용도별로 어떤 모델을 선택하면 좋은지 정리했다.

상황	추천 모델	이유
양자 회로 오류 보정	Ising	2.5배 빠르고 3배 정확
양자화학·신약 개발 시뮬레이션	Ising	양자 데이터 특화 학습
일반 코딩·글쓰기·추론	GPT-5.4 / Claude Opus 4.6	범용 태스크는 범용 모델이 낫다
API 비용 없이 자체 서버 운영	Ising	오픈소스, 가중치 공개
양자 + 일반 태스크 동시 처리	Ising + 범용 모델 병행	양자는 Ising, 나머지는 범용으로 분리

7개 기관이 즉시 합류한 이유

Academia Sinica, Fermilab, Harvard, IQM, UK NPL, Lawrence Berkeley, Infleqtion이 파트너로 합류했다. 미국, 영국, 대만, 핀란드 기관이 섞여 있다. 국제적 협력 구도다.

빠른 합류의 이유는 오픈소스다. 상용 API를 쓰면 연구 데이터가 외부 서버로 나간다. 오픈소스면 자체 서버에서 돌리고 데이터를 지킬 수 있다. 보안이 민감한 국립연구소들에게 결정적 조건이었다.

양자 컴퓨팅 연구 생태계는 아직 형성 중이다. 초기에 기반 AI 도구를 누가 제공하느냐가 장기 영향력을 결정한다. NVIDIA는 하드웨어 전에 소프트웨어 생태계를 먼저 잡겠다는 전략이다.

각 기관의 역할도 구체적이다. IQM은 핀란드 기반 양자 하드웨어 기업이다. UK NPL은 영국 국립물리연구소다. Lawrence Berkeley는 미 에너지부 산하 국립연구소다. 이들이 공동 검증에 참여한다는 것은 단순한 홍보용 이름 올리기가 아니다. 각 기관의 실험 데이터와 Ising 파인튜닝이 결합되는 구조다.

파트너십의 실질적 의미도 있다. 각 기관은 자체 양자 실험 데이터를 Ising 파인튜닝에 제공할 수 있다. NVIDIA는 파인튜닝 가이드를 오픈소스로 공개했다. 기관들이 자체 데이터로 Ising을 더 발전시키는 피드백 루프가 만들어진다.

오픈소스로 공개한 이유

NVIDIA가 무료로 준 게 아니다. 생태계를 만들고 있다. 연구자들이 Ising으로 논문을 쓰고 실험을 돌린다. 그러면 자연스럽게 NVIDIA GPU 수요가 따라온다.

Meta가 Llama를 오픈소스로 공개한 전략과 같다. 모델 자체를 무기로 삼지 않고 인프라를 무기로 삼는다. 양자 AI 생태계에서 NVIDIA가 기준점이 되는 게 목표다.

오픈소스 공개 이후 GitHub 스타 수가 빠르게 쌓였다. 논문 인용도 시작됐다. 생태계 형성 속도가 예상보다 빠르다는 평가가 나온다.

라이선스 구성도 전략적이다. Apache 2.0 기반이다. 상업적 이용이 가능하다. 스타트업과 기업 연구소도 자유롭게 쓸 수 있다. NVIDIA는 더 많은 사용자가 Ising을 채택할수록 GPU 수요가 늘어난다는 계산이다.

단기 수익을 포기하고 장기 생태계를 선택했다. 이 공식은 이미 CUDA에서 증명됐다. CUDA도 처음엔 무료 SDK였다. 지금은 GPU 판매의 핵심 해자가 됐다. NVIDIA는 같은 전략을 양자 AI에 그대로 적용했다.

직접 설치해봤다 — 환경 구성부터 첫 추론까지

RTX 4090 두 장 환경에서 직접 돌려봤다. 4-bit 양자화 모델 기준이다. 설치부터 첫 출력까지 30분이 채 안 걸렸다.

먼저 환경 구성이다. Python 3.11, CUDA 12.3 이상이 필요하다. venv나 conda 환경을 따로 만드는 걸 권장한다. Hugging Face Hub에서 모델을 받기 때문에 토큰도 필요하다.

# 1. 환경 세팅
python -m venv ising-env
source ising-env/bin/activate  # Windows: ising-env\Scripts\activate

# 2. 의존성 설치
pip install transformers==4.42.0 accelerate bitsandbytes torch==2.3.0

# 3. Hugging Face 로그인 (가중치 다운로드용)
huggingface-cli login

# 4. 모델 다운로드 (4-bit 양자화, 약 20GB)
huggingface-cli download nvidia/ising-35b-4bit \
  --local-dir ./ising-35b-4bit \
  --local-dir-use-symlinks False

모델 다운로드에는 네트워크 속도에 따라 시간이 다르다. 100Mbps 기준 약 30분 걸렸다. 다운로드 완료 후 첫 추론은 빠르다. 모델을 한 번 로드하면 이후 추론은 실시간에 가깝다.

첫 추론 코드다. 양자 회로 설명을 텍스트로 넣고 오류 탐지를 요청했다.

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_path = "./ising-35b-4bit"
tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    device_map="auto",
    load_in_4bit=True,
    torch_dtype=torch.float16
)

prompt = """다음 2큐비트 회로에서 오류를 탐지하고 보정 방법을 제시하라.
회로 구성:
- 큐비트 0: H 게이트 → CNOT 제어 큐비트
- 큐비트 1: CNOT 타겟 → 측정
- 예상 상태: |00⟩ + |11⟩ (Bell state)
- 측정 결과: |01⟩ 출현 빈도 15% (기대치 0%)"""

inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
with torch.no_grad():
    outputs = model.generate(
        **inputs,
        max_new_tokens=512,
        temperature=0.1,
        do_sample=False
    )

response = tokenizer.decode(
    outputs[0][inputs["input_ids"].shape[1]:],
    skip_special_tokens=True
)
print(response)

출력 품질이 인상적이었다. 오류 원인을 정확히 짚었다. 큐비트 1에 비트 플립 오류가 발생했다고 분석했다. 3큐비트 반복 코드 적용을 구체적인 게이트 수식과 함께 제안했다. 범용 모델에서 같은 프롬프트를 줬을 때보다 훨씬 구체적인 보정 방법이 나왔다.

양자화학 시뮬레이션에 써봤다

양자 오류 보정 외에 실용적인 사용 사례를 더 테스트했다. 분자 시뮬레이션에서 Ising의 강점이 확인됐다. H₂O 분자 전자 구조 계산 회로에서 오류 분석 품질이 범용 모델과 명확히 달랐다.

시나리오는 이렇다. 5큐비트 양자 프로세서에서 VQE(Variational Quantum Eigensolver)를 돌린다. 회로 실행 중 노이즈로 인한 오류가 발생한다. Ising이 오류를 탐지하고 보정 연산자를 추천하는 흐름이다.

import json

vqe_circuit_data = {
    "circuit_type": "VQE",
    "molecule": "H2O",
    "qubits": 5,
    "depth": 12,
    "noise_model": "depolarizing",
    "noise_rate": 0.005,
    "measured_energy": -74.821,   # Hartree
    "expected_energy": -75.014,   # Hartree (FCI 기준)
    "deviation": 0.193            # 에너지 오차
}

prompt = f"""다음 VQE 양자 회로 실험 결과를 분석하라.
회로 정보: {json.dumps(vqe_circuit_data, ensure_ascii=False, indent=2)}

요청:
1. 에너지 편차 0.193 Hartree의 주요 오류 원인 분석
2. depolarizing noise 0.5% 환경에서 최적 오류 보정 전략
3. 5큐비트 제약 내 회로 깊이 최적화 방안
출력 형식: {{"error_source": "...", "correction_strategy": "...", "depth_reduction": ...}}"""

inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
with torch.no_grad():
    outputs = model.generate(
        **inputs,
        max_new_tokens=1024,
        temperature=0.1,
        do_sample=False
    )

response = tokenizer.decode(
    outputs[0][inputs["input_ids"].shape[1]:],
    skip_special_tokens=True
)
print(response)

응답이 구체적이었다. 단순히 "오류가 있다"가 아니라, T1/T2 완화 시간과 게이트 오류율을 분리해서 분석했다. 보정 전략도 수식과 함께 제시했다. 범용 모델에서 같은 결과를 얻으려면 훨씬 많은 시스템 프롬프트와 반복 대화가 필요했다.

주의할 점이 있다. Ising 학습 데이터는 Qiskit과 Google Cirq 기반이다. 다른 양자 SDK를 쓴다면 회로 표현 방식을 변환해야 한다. 공식 지원 라이브러리인 qiskit-ising-bridge를 쓰면 변환 코드를 직접 짤 필요가 없다.

이 시나리오에서 Ising이 가장 강한 구간은 "오류 원인 분석"이었다. 오류 탐지 자체는 기존 양자 소프트웨어 툴도 한다. 하지만 왜 오류가 났는지, 어떻게 최소화할지 자연어로 설명하고 수정 방향을 제시하는 데서 차이가 명확했다.

일반 GPU에서 돌릴 수 있나

결론부터 말한다. 돌아간다. 양자 컴퓨터 없이 일반 GPU 서버에서 추론이 가능하다.

H100 기준으로 35B 모델은 약 70GB VRAM이 필요하다. 4-bit 양자화 시 약 20GB로 줄어든다. RTX 4090 두 장을 병렬로 써도 돌아간다.

단, 양자 관련 태스크에서만 다른 모델 대비 압도적 차이가 난다. 일반 텍스트 생성이나 코딩에서는 GPT-5.4, Claude Opus 4.6과 큰 차이가 없다. 특화 모델이라는 점을 염두에 둬야 한다.

소비자용 GPU 최소 요건도 확인했다. RTX 3090(24GB) 단일 카드는 4-bit 양자화로도 아슬아슬하다. OOM 에러가 간헐적으로 발생했다. RTX 4090(24GB) 단일 카드는 배치 사이즈 1 기준으로 안정적이다. 배치 처리가 필요하면 두 장 이상을 권장한다.

추론 속도도 확인했다. H100 단일 카드 기준 약 35~45 토큰/초가 나왔다. RTX 4090 두 장 병렬 기준 약 18~24 토큰/초였다. 양자 회로 분석처럼 긴 프롬프트에서도 응답 지연이 체감상 크지 않았다.

기존 환경에서 Ising으로 전환하는 방법

기존에 GPT-5.4 API나 Claude Opus 4.6을 양자 연구에 쓰고 있다면 전환 방법을 정리했다. 크게 세 단계다. 환경 설정, 프롬프트 마이그레이션, 출력 파싱 수정이다.

프롬프트 구조는 거의 같다. 범용 API 모델들과 동일한 system/user/assistant 형식을 지원한다. 다만 양자 회로 설명에 OpenQASM 3.0 표준 표기를 직접 삽입하면 인식률이 올라간다. 기존 프롬프트가 자연어 위주라면 회로 표기 방식만 추가하면 된다.

# 기존: OpenAI API 방식
# from openai import OpenAI
# client = OpenAI(api_key="sk-...")
# resp = client.chat.completions.create(
#     model="gpt-5.4",
#     messages=[{"role": "user", "content": prompt}]
# )
# answer = resp.choices[0].message.content

# 변환 후: Ising 로컬 추론 방식 (동일한 호출 인터페이스 유지)
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

def load_ising(model_path: str, use_4bit: bool = True):
    tokenizer = AutoTokenizer.from_pretrained(model_path)
    model = AutoModelForCausalLM.from_pretrained(
        model_path,
        device_map="auto",
        load_in_4bit=use_4bit,
        torch_dtype=torch.float16
    )
    return tokenizer, model

def ising_chat(tokenizer, model, messages: list[dict]) -> str:
    """messages: [{"role": "user", "content": "..."}] — 기존 OpenAI 형식 그대로"""
    prompt = tokenizer.apply_chat_template(
        messages,
        tokenize=False,
        add_generation_prompt=True
    )
    inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
    with torch.no_grad():
        outputs = model.generate(
            **inputs,
            max_new_tokens=1024,
            temperature=0.1,
            do_sample=False,
            pad_token_id=tokenizer.eos_token_id
        )
    return tokenizer.decode(
        outputs[0][inputs["input_ids"].shape[1]:],
        skip_special_tokens=True
    )

tokenizer, model = load_ising("./ising-35b-4bit")
answer = ising_chat(tokenizer, model, [
    {"role": "user", "content": "5큐비트 표면 코드에서 X 오류를 탐지하고 보정 연산자를 JSON으로 출력하라."}
])
print(answer)

출력 파싱도 주의해야 한다. 범용 모델은 자연어로 답한다. Ising에서 보정 연산자를 JSON으로 받고 싶다면 프롬프트에 명시적으로 요청해야 한다. "보정 결과를 JSON 형식으로 출력하라: {operator: ..., qubits: [...], confidence: ...}" 식으로 지정하면 파싱 코드 변경이 최소화된다.

전환 난이도는 중간이다. 순수 자연어 프롬프트만 쓰는 경우라면 코드 변경이 거의 없다. 출력을 파싱해 자동화 파이프라인에 연결하는 경우라면 출력 형식을 맞추는 작업이 필요하다. 경험상 반나절이면 마이그레이션이 완료됐다.

주식 시장 반응

발표 직후 양자 컴퓨팅 관련 주식이 급등했다. IonQ, Rigetti, D-Wave 등이 영향을 받았다. 오픈소스 모델 하나가 섹터 전체를 움직인 드문 케이스다.

NVIDIA 주가도 동반 상승했다. 시장은 이번 발표를 양자 AI 소프트웨어 생태계 장악 신호로 읽었다. 단기 급등보다 중장기 포지셔닝이 주목받았다.

투자 관점에서 보면, 오픈소스 공개 자체가 수익과 직결되지는 않는다. NVIDIA의 수익은 여전히 GPU 판매에서 나온다. 이번 발표는 미래 먹거리를 위한 생태계 투자로 봐야 한다.

양자 컴퓨팅 관련주 급등은 이제 익숙한 패턴이 됐다. 실질적인 상용화 타임라인과 무관하게 AI 기업의 큰 발표마다 섹터 전체가 반응한다. 장기 투자자라면 단기 급등보다 실질적인 기술 검증 속도를 봐야 한다. 독립 재현 결과가 나오는 시점이 진짜 변곡점이 될 가능성이 높다.

한계 — 솔직히 말하면

QCalEval 결과는 NVIDIA 자체 발표 수치다. 독립 재현이 나오기 전까지 액면 그대로 믿기 어렵다. 벤치마크는 항상 발표자의 이해관계와 분리해서 봐야 한다.

양자 오류 보정 분야 자체가 아직 초기다. 시뮬레이션으로 훈련한 모델과 실제 양자 하드웨어 사이에는 갭이 있다. 실제 양자 컴퓨터 환경에서 같은 성능이 나오는지는 별도 검증이 필요하다.

35B 파라미터는 양자 관련 작업에 특화된 모델이다. 양자 연구 분야 외에서는 같은 크기의 범용 모델이 더 낫다. 지금 당장 양자 연구가 아니라면 관망해도 된다.

파인튜닝 데이터 품질도 미지수다. 공개된 양자 회로 데이터셋의 규모와 다양성에 대한 정보가 충분하지 않다. 특정 양자 아키텍처에 과적합됐을 가능성을 배제할 수 없다. 초기 파트너 기관들의 검증 결과가 나올 때까지 성능 주장은 보수적으로 봐야 한다.

FAQ

NVIDIA Ising은 무료로 쓸 수 있나?

그렇다. 모델 가중치와 추론 코드를 전부 오픈소스로 공개했다. 라이선스는 Apache 2.0이다. 상업적 이용도 가능하다. 단, GPU 서버를 직접 구축하거나 클라우드에서 빌려야 한다는 비용은 발생한다. 모델 자체는 무료지만 실행 인프라는 무료가 아니다. 상업적 이용 세부 조건은 GitHub 레포지토리의 라이선스 문서를 직접 확인해야 한다.

일반 GPU에서 Ising을 돌릴 수 있나?

그렇다. 양자 컴퓨터 없이 일반 GPU 서버에서 추론이 가능하다. H100 기준 약 70GB VRAM이 필요하고, 4-bit 양자화 시 약 20GB로 줄어든다. RTX 4090 두 장 병렬 환경에서도 안정적으로 돌아간다. 양자 관련 태스크에서만 다른 모델 대비 차이가 크게 난다. 일반 텍스트 생성에서는 성능 차이가 거의 없다.

QCalEval이 공신력 있는 벤치마크인가?

양자 회로 최적화와 오류 보정을 전문으로 측정하는 벤치마크다. Harvard, Fermilab 등 초기 파트너 기관들이 검증에 참여했다. 다만 NVIDIA 자체 발표 수치라는 점은 감안해야 한다. 독립 재현 결과가 나오기 전까지는 참고 지표로 보는 게 적절하다. 향후 arXiv 논문 형태의 독립 검증 결과가 공개될 것으로 기대된다.

Ising은 일반 텍스트 작업에도 쓸 수 있나?

가능하다. 비전-언어 모델이라 텍스트와 이미지를 모두 처리한다. ChatML 포맷의 대화형 추론도 지원된다. 다만 양자 관련 태스크가 아닌 경우에는 같은 크기의 범용 35B 모델과 성능 차이가 거의 없다. 범용 작업에 Ising을 쓸 이유는 특별히 없다. 데이터 보안을 위해 자체 호스팅이 필요한 상황이라면 선택지가 될 수 있다.

NVIDIA는 왜 오픈소스로 공개했나?

GPU 판매 전략과 직결돼 있다. 오픈소스 모델로 양자 AI 연구 생태계를 만들면 자연스럽게 NVIDIA GPU 수요가 따라온다. Meta의 Llama 전략, 그리고 CUDA 전략과 같은 공식이다. 모델은 무료, 인프라에서 수익을 낸다. 단기 수익을 포기하고 장기 생태계 헤게모니를 가져가는 전략이다.

파인튜닝이 가능한가?

가능하다. NVIDIA가 양자 회로 데이터 형식에 맞춘 파인튜닝 가이드를 공개했다. QLoRA 방식으로 효율적인 파인튜닝이 가능하다. 기관 자체 양자 실험 데이터로 도메인 특화 버전을 만들 수 있다. 파인튜닝된 가중치는 원 라이선스(Apache 2.0) 조건에서 공유 가능하다. Harvard와 Fermilab 등 파트너 기관들이 이미 내부 실험 데이터로 파인튜닝을 진행 중인 것으로 알려졌다.

지금 당장 써야 하나?

양자 연구자라면 지금 바로 내려받아볼 만하다. 설치와 첫 추론까지 30분이면 충분하다. 그 외 개발자나 연구자라면 서두를 필요는 없다. 독립 벤치마크 결과와 파트너 기관들의 검증 논문이 나오면 그때 판단해도 늦지 않다. 오픈소스라 언제든 돌아올 수 있다.

실제 양자 컴퓨터와 연동이 되나?

직접 연동 인터페이스는 현재 공개되지 않았다. IBM Quantum, Google Quantum AI 등 클라우드 양자 플랫폼에서 회로 데이터를 가져와 Ising에 입력하는 워크플로는 가능하다. qiskit-ising-bridge 라이브러리가 공식 지원된다. 실제 하드웨어 기반 오류 보정 파이프라인 구축은 파트너 기관들과의 공동 연구를 통해 순차적으로 공개될 예정이다.

마무리

양자 AI를 오픈소스로 공개한 첫 사례다. 연구기관 7곳이 즉시 합류했고 시장도 반응했다. 실제 양자 컴퓨터 환경에서의 성능은 후속 논문과 재현 결과를 봐야 한다.

NVIDIA의 전략은 명확하다. GPU를 팔기 위해 소프트웨어 생태계를 먼저 만든다. CUDA가 이 공식으로 20년을 지배했다. 양자 AI에서도 같은 전략이 통할지가 관건이다.

양자 연구자라면 지금 바로 내려받아 볼 만하다. 직접 돌려봤다. 설치가 어렵지 않고, 첫 추론까지 30분이면 된다. 그 외라면 독립 벤치마크 결과를 기다리는 게 맞다. 어차피 오픈소스다. 언제든 돌아올 수 있다.

이 글은 2026년 4월 22일 기준 공개된 자료와 발표 내용을 기반으로 작성됐다. 투자 조언이 아니다.

마지막 업데이트: 2026년 4월 22일