[Startup 분석] iHW: 메모리 안에서 계산하는 초저전력 AI 칩

AI 반도체 경쟁의 병목은 이제 연산량만이 아니라 전력과 발열이다. 아이에이치더블유(iHW)는 메모리에서 데이터를 꺼내 연산기로 옮기는 대신, 메모리 안에서 계산하는 아날로그 컴퓨트인메모리(ACiM) 칩을 만든다. 2026년 8월 520억 원 시리즈 A를 유치해 누적 투자 640억 원을 기록했고, 자금의 용도도 연구가 아니라 엣지 AI 칩 양산과 LLM용 시제품으로 구체화됐다. 지금 iHW를 봐야 하는 이유는 ‘저전력’이라는 구호가 실제 칩 수율·소프트웨어 호환성·고객 설계 채택으로 바뀌는 첫 상용화 구간에 들어섰기 때문이다.

한눈에 보는 아이에이치더블유(iHW)

• 설립·대표: 2024년 6월 설립. 김태훈 대표는 삼성전자·SK하이닉스·마이크론 등 메모리 반도체 업계 경력을 가진 공학박사로 소개된다.
• 핵심 제품: 뉴로모픽 구조와 8비트 아날로그 컴퓨트인메모리 기술을 적용한 AI SoC 플랫폼 ‘인퍼트론(INFERTRON)’. 우선 목표 시장은 온센서·온디바이스·엣지 AI다.
• 현재 트랙션: 회사 제출 자료 기준 8비트 가중치 ACiM 실리콘 검증과 MobileNet 시연을 완료했다. KDB NextRound 프로필에는 33ms 이하 지연을 제시하지만 시험 조건과 독립 벤치마크는 공개되지 않았다.
• 최근 투자: 2026년 8월 520억 원 시리즈 A. 코오롱인베스트먼트가 주도하고 기존 투자사와 한국산업은행·LIG디펜스앤에어로스페이스·IBK캐피탈 등 총 13개 기관이 참여했다. 보도 기준 누적 투자액은 640억 원이다.
• 기업가치: 투자 전·후 기업가치, 주당 가격과 지분 희석은 공개되지 않았다. 누적 투자금 640억 원은 기업가치가 아니다.
• 핵심 비공개 지표: 테이프아웃·양산 일정, 공정 노드와 파운드리, 칩 수율, 전력당 성능, 고객 PoC·디자인윈, 칩 평균판매가격, SDK 지원 모델 수, 감사 매출과 월별 현금 소진액.

인퍼트론은 왜 메모리 안에서 계산하는가?

일반적인 디지털 AI 가속기는 메모리에 저장된 가중치를 연산 유닛으로 반복해서 옮긴다. 모델이 커질수록 이 데이터 이동이 지연과 전력 소모의 큰 부분을 차지한다. iHW의 ACiM은 가중치가 있는 메모리 배열에서 곱셈·누산 연산을 수행해 이동량을 줄이는 방식이다.

이 구조가 특히 맞는 곳은 배터리와 발열 한계가 뚜렷한 엣지다. 카메라, 로봇 관절, 스마트 가전과 센서가 클라우드 왕복 없이 현장에서 추론하면 응답시간과 개인정보 전송 부담을 줄일 수 있다. 반면 아날로그 연산은 잡음, 공정·온도 편차와 변환 회로의 오차를 관리해야 한다. 그래서 제품의 본질은 회로 하나가 아니라 모델 정확도를 지키는 보정 기술과 컴파일러·런타임까지 포함한 시스템이다.

왜 지금 주목받는가: 520억 원이 ‘양산 자금’이 됐다

iHW는 2024년 말 120억 원 프리시리즈 A를 마친 뒤 약 2년 만에 520억 원을 추가 조달했다. 기존 투자사들이 전원 후속 투자하고 정책금융과 방산 관련 투자자가 새로 참여한 점은 기술 검토가 한 차례로 끝나지 않았다는 신호다. 다만 투자자의 재참여가 제품 양산 성공이나 고객 매출을 보장하지는 않는다.

이번 자금의 우선순위는 엣지 AI 칩 양산, LLM용 반도체 시제품, 마케팅과 인력 확보다. 연구실 프로토타입은 제한된 모델과 조건에서 성능을 보이면 되지만 양산 칩은 수율, 패키징, 보드, SDK, 고객 인증과 장기 공급까지 맞춰야 한다. 520억 원은 큰 숫자지만 팹리스가 여러 번의 테이프아웃과 소프트웨어 생태계를 동시에 감당하기에는 무한한 자금이 아니다.

회사는 2025년 정부 AI 반도체 과제로 1,000만 달러 이상을 확보했다고 밝혔다. 투자금과 정부 과제를 합치면 개발 여력은 커졌지만, 보조금은 고객이 지불한 매출이 아니다. 앞으로 확인할 것은 과제 수주 건수가 아니라 과제 결과물이 유료 설계 채택과 칩 출하로 이어지는 비율이다.

33ms와 8비트, 숫자는 무엇을 말하고 무엇을 숨기는가?

KDB NextRound의 iHW 프로필은 8비트 아날로그 PIM과 33ms 이하 지연을 강조한다. 8비트는 엣지 추론에서 정확도와 전력 효율 사이의 현실적인 균형점이 될 수 있다. 회사 자료는 8비트 가중치 ACiM 실리콘에서 MobileNet을 시연했다고 설명한다.

하지만 33ms만으로 경쟁력을 비교할 수는 없다. 모델 버전, 입력 해상도, 배치 크기, 클록, 칩 소비전력, 전처리·후처리 포함 여부와 비교 대상이 공개돼야 전력당 성능을 계산할 수 있다. 같은 지연이라도 100mW에서 작동하는 칩과 수W가 필요한 칩의 사업가치는 다르다.

아날로그 인메모리 컴퓨팅의 공통 과제도 있다. 2026년 npj Unconventional Computing 리뷰는 메모리·DAC·ADC 양자화, 소자 편차, 잡음과 회로 비이상성을 주요 오차원으로 정리했다. iHW가 상용 칩에서 증명해야 할 것은 단발성 최고 성능이 아니라 온도·전압·칩 간 편차가 달라져도 고객 모델 정확도가 유지되는지다.

돈은 어디서 벌 수 있는가?

• AI SoC 판매: 인퍼트론 칩과 보드를 카메라·센서·로봇·가전 제조사에 판매한다. 물량이 커지면 반복 매출이 생기지만 파운드리·패키징 원가와 재고 부담을 떠안는다.
• 설계 IP 라이선스: ACiM 코어 또는 관련 IP를 고객 SoC에 넣고 선급금과 로열티를 받는 모델이다. 자본 효율은 높을 수 있지만 검증 문서, EDA 흐름과 장기 기술지원이 필요하다. iHW가 실제 라이선스 계약을 공개한 것은 아니다.
• 고객 맞춤 공동개발: 센서, 방산, 로봇 등 특정 용도에 맞춰 모델과 칩을 최적화하고 개발비를 받는다. 초기 매출을 만들기 쉽지만 엔지니어링 서비스 비중이 높아지면 확장성이 낮아질 수 있다.
• SDK·소프트웨어 지원: 모델 변환, 양자화, 시뮬레이션과 런타임을 도구 체인으로 제공한다. 독립 구독 매출보다 칩 채택을 낮추는 수단일 가능성이 크며 가격정책은 공개되지 않았다.

가장 이상적인 경로는 공동개발로 첫 고객의 모델을 올리고, 표준 칩과 SDK로 재사용 범위를 넓힌 뒤, 대량 고객에서 칩 판매 또는 IP 로열티를 받는 것이다. 반대로 모든 고객마다 회로와 모델을 다시 손봐야 한다면 고마진 반도체 플랫폼이 아니라 인력집약형 설계 용역이 될 수 있다.

진짜 제품은 칩이 아니라 SDK일 수 있다

고객은 새로운 연산 구조를 쓰기 위해 기존 PyTorch·ONNX 모델을 옮기고, 지원되지 않는 연산을 우회하며, 정확도 저하를 보정해야 한다. 디지털 GPU와 NPU가 강한 이유는 실리콘 성능만이 아니라 익숙한 컴파일러, 라이브러리, 디버거와 개발자 생태계가 있기 때문이다.

iHW의 채용 자료는 컴파일러, 시뮬레이터, 프로파일러, 런타임과 NPU 프레임워크 개발 인력을 찾고 있다. 이는 회사가 하드웨어만으로 고객을 설득하기 어렵다는 점을 알고 있다는 신호다. 2025년 Nature Reviews Electrical Engineering도 아날로그 인메모리 가속기의 대규모 채택에는 하드웨어·소프트웨어 공동설계와 전용 스택이 핵심이라고 지적했다.

따라서 앞으로 중요한 지표는 지원 모델 수와 변환 성공률이다. 고객이 기존 모델을 며칠 안에 올릴 수 있는지, 정확도 손실을 자동으로 추정·보정하는지, 디지털 코어로 넘겨야 할 연산을 얼마나 효율적으로 분리하는지가 칩의 판매 속도를 결정할 가능성이 높다.

경쟁자는 다른 아날로그 칩보다 기존 디지털 NPU다

iHW는 아날로그 CIM 스타트업끼리만 경쟁하지 않는다. 고객 입장에서는 이미 검증된 디지털 NPU, MCU의 AI 가속기, 모바일 AP, GPU 또는 클라우드 추론을 그대로 쓰는 선택지가 있다. 새 칩이 전력을 크게 줄여도 개발 도구가 불편하거나 공급 안정성이 낮으면 고객은 기존 구조를 택할 수 있다.

아날로그 진영 내부에서도 대형 연구소와 반도체 기업이 기술을 검증하고 있다. IBM Research는 14나노 기반 34개 크로스바 배열, 약 3,500만 개 소자를 쓴 아날로그 AI 칩에서 MLPerf 계열 네트워크의 효율과 디지털에 가까운 정확도를 제시했다. 이는 시장 가능성을 보여주는 동시에 iHW가 글로벌 연구조직과 비교 가능한 공개 벤치마크를 내야 한다는 뜻이다.

iHW의 차별화 가설은 8비트 정확도, 성숙 공정 구현, 외장 D램·플래시 없이 단일 칩으로 작동하는 구조다. 이코노미스트 보도에 따르면 방열판이나 별도 냉각장치 없이 시스템을 구성할 수 있다고 회사는 설명한다. 다만 공정 노드, 실제 칩 면적, 모델별 정확도, TOPS/W, BOM 절감액과 경쟁 칩 대비 가격은 공개되지 않았다.

LLM 칩 확장은 기회인가, 집중력 분산인가?

iHW는 엣지 칩 양산과 함께 LLM용 칩 시제품도 만들 계획이다. 데이터센터는 전력과 냉각 비용이 가장 큰 시장이므로 기술이 통한다면 기회도 크다. 그러나 온디바이스 비전 모델과 대규모 언어모델은 메모리 용량, 정밀도, 인터커넥트와 소프트웨어 요구가 크게 다르다.

IBM Research의 2025년 연구는 아날로그 CIM에서 LLM 정확도가 양자화·가산 잡음에 민감할 수 있고, OPT-6.7B 시뮬레이션에서 별도 재스케일링으로 정확도 손실을 줄였다고 보고했다. 이 결과는 가능성과 난도를 동시에 보여준다. iHW가 엣지 양산 전에 데이터센터 칩까지 조직을 넓히면 한정된 설계·검증 인력이 분산될 수 있다.

좋은 확장 순서는 엣지 제품에서 수율과 SDK를 검증한 뒤, 같은 IP를 칩렛이나 서버 가속기로 넓히는 것이다. 반대로 LLM이 투자 홍보용 로드맵에 머물고 첫 엣지 고객도 확보하지 못한다면 두 시장 모두에서 제품 완성도가 낮아질 수 있다.

이 밸류에이션은 말이 되는가?

최신 기업가치가 공개되지 않아 매출배수나 기술가치 대비 가격을 계산할 수 없다. 누적 투자 640억 원을 기업가치로 보는 것도 잘못이다. 2025년 민간 신용정보 기반 자료에는 약 35억 원의 영업손실이 표시되지만 매출은 확인되지 않으며, 비상장사의 원 재무제표를 직접 감사한 수치가 아니므로 참고 수준으로 봐야 한다.

높은 가치를 정당화하려면 네 가지가 필요하다. 첫째, 반복 가능한 양산 수율과 전력당 성능을 공개해야 한다. 둘째, 평가 보드가 아니라 고객 제품에 들어간 디자인윈이 나와야 한다. 셋째, SDK가 여러 모델과 고객에 재사용돼야 한다. 넷째, 테이프아웃·파운드리·패키징 비용을 감안해도 칩 또는 IP 매출에서 건강한 매출총이익이 남아야 한다.

반대로 고객 검증이 길어지고 재설계가 반복되면 520억 원은 빠르게 소진될 수 있다. 아날로그 정확도를 보정하기 위해 디지털 회로나 변환기가 커지면 처음 약속한 전력·면적 우위도 줄어든다. 현재 가치평가의 핵심은 거대한 AI 반도체 시장 규모가 아니라 ‘첫 제품이 같은 설계로 몇 고객에게 팔리는가’다.

가장 큰 리스크는 정확도보다 고객 전환 비용이다

기술적으로는 잡음, 공정 편차, ADC·DAC 오버헤드와 모델 확장성이 핵심 위험이다. 사업적으로 더 큰 위험은 고객이 기존 도구와 공급망을 바꿔야 한다는 점이다. 반도체 고객은 성능이 조금 좋아졌다는 이유만으로 검증된 칩을 쉽게 교체하지 않는다.

설계 채택부터 양산까지는 모델 변환, 보드 평가, 펌웨어 통합, 신뢰성 시험과 공급계약이 이어진다. 이 기간 동안 경쟁 디지털 NPU의 전력 효율도 개선된다. iHW가 압도적인 총소유비용 절감이나 기존에 불가능했던 배터리 사용시간을 보여주지 못하면 고객은 기다리는 편을 선택할 수 있다.

인력 리스크도 크다. 회사는 회로·소자·알고리즘·모델·컴파일러를 동시에 다뤄야 한다. 13개 기관의 자금은 채용에 도움이 되지만 희소한 아날로그 설계와 AI 컴파일러 인력을 빠르게 늘리는 과정에서 조직 복잡성과 고정비가 커질 수 있다.

앞으로 확인해야 할 숫자 여덟 가지

• 실리콘 일정: 제품별 테이프아웃, 샘플 출하와 양산 개시 시점.
• 전력당 성능: 모델·입력·정확도 조건을 맞춘 TOPS/W, 지연과 시스템 전력.
• 정확도 편차: 온도·전압·칩 간 편차와 보정 전후의 모델 정확도.
• 양산성: 공정 노드, 다이 크기, 웨이퍼 수율, 패키징 수율과 재설계 횟수.
• 고객 채택: 평가 고객, 유료 PoC, 디자인윈, 양산 고객과 확정 주문 수.
• SDK 생산성: 지원 프레임워크·연산·모델 수, 모델 변환 시간과 고객 개발기간.
• 제품 경제성: 칩 평균판매가격, 파운드리·패키징 원가, 매출총이익과 재고.
• 현금흐름: 감사 매출·영업손실, 정부과제 의존도, 월별 현금 소진과 다음 자금조달 필요 시점.

개인적 판단: iHW의 승부는 ‘저전력 칩’이 아니라 전환 비용을 이기는 데 있다

iHW가 흥미로운 이유는 데이터 이동이라는 AI 반도체의 구조적 비용을 정면으로 겨냥하기 때문이다. 8비트 ACiM 실리콘과 MobileNet 시연, 520억 원 시리즈 A, 엣지 칩 양산 계획은 연구 프로젝트를 넘어 제품 회사로 이동하고 있다는 신호다.

하지만 아날로그 컴퓨팅의 효율은 그 자체로 사업의 해자가 아니다. 고객이 기존 모델을 쉽게 옮기고, 여러 칩과 온도에서 정확도를 재현하며, 디지털 NPU보다 시스템 비용을 분명히 낮춰야 한다. 이 세 조건을 만족시키는 SDK와 검증 데이터가 쌓여야 투자금이 플랫폼 가치로 바뀐다.

내 판단은 ‘기술 가설은 강하지만 사업 가설은 이제 검증을 시작한 회사’다. 520억 원은 기술의 승인을 뜻하는 자금에 가깝고, 시장의 승인은 아직 디자인윈과 양산 매출로 받아야 한다. 앞으로 iHW를 평가할 가장 중요한 숫자는 다음 라운드의 기업가치가 아니라, 동일한 인퍼트론과 도구 체인을 채택한 양산 고객 수다.

참고 자료

• KDB NextRound – iHW INFERTRON 제품 프로필 — 8비트 아날로그 PIM, 33ms 이하 회사 제시 지연, 적용 장면과 기업 기본정보
• 이코노미스트 – iHW 520억 원 시리즈 A — 13개 참여 기관, 누적 640억 원, 정부과제, 칩 구조와 자금 사용 계획
• 한국일보 – 저전력 AI 반도체 iHW 투자 유치 — 창업팀 배경, 인퍼트론의 연산 방식과 양산 계획
• iHW 회사 제출 채용 자료 – Architect / SDK Engineer — 8비트 ACiM 실리콘·MobileNet 시연 주장, 특허와 소프트웨어 스택 개발 범위
• npj Unconventional Computing – Achieving high precision in analog in-memory computing systems — 아날로그 IMC의 오차원과 정확도 보정 과제
• Nature Reviews Electrical Engineering – AIMC 소프트웨어 스택 — 하드웨어·소프트웨어 공동설계, 잡음과 모델 배포 도구의 중요성
• IBM Research – Accelerating AI with Analog In-Memory Computing — 14나노 아날로그 AI 칩과 MLPerf 계열 검증 사례
• IBM Research – NORA — 아날로그 CIM에서 LLM 정확도와 잡음 보정의 난도

작성 기준일: 2026년 8월 21일. 520억 원 시리즈 A, 13개 참여 기관, 누적 투자 640억 원과 1,000만 달러 이상 정부 지원금은 2026년 8월 이코노미스트·한국일보 보도 및 회사 발표 기준이다. 투자 전·후 기업가치, 증권 조건과 지분 희석은 공개되지 않았다. 8비트 가중치 ACiM 실리콘 검증, MobileNet 시연, 33ms 이하 지연, 외장 D램·플래시 없는 단일 칩과 별도 방열장치가 필요 없다는 설명은 회사 제출 자료 또는 회사 발언 기준이며, 공정·모델·전력·온도·비교 칩을 맞춘 독립 벤치마크가 아니다. 2025년 약 35억 원 영업손실은 NICE평가정보 기반 민간 기업정보 화면의 참고치이며 원 재무제표를 직접 확인하지 못했다. 매출, 파운드리, 수율, 고객명, 유료 PoC, 디자인윈, 양산 주문, 칩 가격, 매출총이익과 최신 기업가치는 공개 자료에서 확인되지 않았다. IP 라이선스와 SDK 수익은 가능한 사업모델 분석이지 공개된 계약 사실이 아니다. 본 글은 투자 권유가 아니다.