기본 정보
| 부스 | T9404 |
| 국가 | US |
| 웹사이트 | www.vellex.ai/about-us |
회사 소개
Vellex Computing은 Stanford에서 분사한 아날로그 반도체 회사로 U.S. National Science Foundation과 Department of Energy의 지원을 받고 있습니다. 회사는 아날로그 회로와 analog compute architecture를 이용해 AI 학습 기술을 개발하며, 기존 디지털 연산이 반복적인 brute-force 계산으로 푸는 최적화 문제를 다룹니다. Vellex Computing은 이 아키텍처가 기존 기법 대비 17,000x 속도 향상을 입증하면서도 밀리와트 전력 수준에서 동작한다고 설명합니다. 초기 상용화 방향은 energy, industrial IoT, robotics, remote sensing의 edge AI이며, 클라우드에 의존하지 않고 배치된 장치가 지속적이고 안전하게 실시간 학습하도록 하는 것을 목표로 합니다. 회사는 active commercial pilots와 확대 중인 patent portfolio도 보고하며 적응형 cloud-free industrial intelligence를 개발하고 있습니다. 또한 자사 지원 기관을 science, computing, deep tech 분야의 기관으로 설명합니다. 기술 목표는 edge에서 on-device AI training을 실용화해 밀리와트 전력으로 지속 학습을 제공하는 것이며, 대상 응용에는 robotics, satellite systems, industrial IoT가 포함됩니다. 2026년 Vellex Computing은 InnoVEX에서 2개 상을 수상했다고 발표했으며, 그중 InnoVEX Pitch Contest의 Plug and Play Taiwan Award에서는 8개국 15개 결선 진출 팀 가운데 유일한 수상자였다고 설명했습니다. 또한 2026 IC Taiwan Grand Challenge에서 56개국 590개 제안 중 선정된 11개 수상 기업 가운데 하나가 되어 30,000달러 상금과 대만 반도체 생태계에 접근할 기회를 얻었다고 밝혔습니다. 2026 Industry Growth Forum에서는 273개 지원자 중 AI track finalist로 선정되어 총 16억 달러의 투자 가능 자본을 보유한 약 200명의 투자자 앞에서 발표했습니다.
전시 제품
Vellex Computing의 on-device AI training 플랫폼은 10 mW 미만에서 AI를 학습하도록 설계되었고 Bluetooth radio보다 낮은 전력이라고 설명되며, Stanford와 Berkeley Lab에서 benchmark한 17,000x faster training도 제시합니다. 이 플랫폼은 inference나 사전 학습 모델 실행에만 쓰이는 것이 아니라 밀리와트 전력으로 동작하는 edge hardware에서 실제 모델 training을 수행합니다. 회사는 edge devices가 자체 데이터에서 지속적으로 학습하고 변화하는 조건에 실시간 적응하며 cloud retraining, firmware update cycles, 데이터의 장치 외부 전송 없이 배치 기간 동안 계속 개선될 수 있다고 설명합니다. 기술 설명은 Adam, SGD처럼 반복적인 gradient steps를 사용하는 현재 optimizer와, 프로세서 속도 향상보다 최적화 수학 자체의 에너지 비용을 줄이는 접근법을 대비합니다. physics-based approach에서는 analog physics가 자연스럽게 해답으로 수렴해 수백만 번의 calculate, check, repeat를 대체하며, 다단계 와트급 작업을 one step과 milliwatts 수준으로 줄입니다. Vellex Computing은 기존 AI training을 brute-force optimization loop로 설명하고 같은 최적화를 물리 시스템에 매핑해 그 시스템이 최저 에너지 상태로 수렴하도록 하며, 그 최저점이 최적 해답에 대응한다고 설명합니다. 기술 페이지는 model training이 수백 와트로 수시간 걸리는 대신 밀리와트 전력에서 microseconds에 수렴할 수 있다고 제시합니다. 생성되는 programmable analog IP block은 milliwatt power와 nanosecond-scale speed에서 optimal model weights를 제공하며 표준 ARM 또는 RISC-V cores 옆에서 동작한다고 설명됩니다. 통합 측면에서 Vellex Computing의 IP는 기존 AI development stack을 대체하는 것이 아니라 보완하도록 설계되며, ARM 또는 RISC-V cores는 inference, control logic, matrix multiplication 등을 계속 담당하고 Vellex는 training 중심의 iterative optimization을 처리합니다. 엔지니어는 PyTorch, JAX, TensorFlow 같은 표준 machine-learning frameworks를 사용할 수 있고 Code-to-Circuit compiler가 모델을 Vellex Core로 자동 매핑하므로 analog design expertise가 필요하지 않습니다. IP Core는 라이선스 가능한 GDSII hard macro로 제공되고 표준 semiconductor manufacturing processes와 호환되며 ARM 및 RISC-V cores 옆에 배치되도록 설계되었습니다. satellite 및 remote sensing 응용에서는 on-orbit training으로 가치 있는 scene과 noise를 더 정밀하게 구분해 중요한 정보만 downlink하는 방식을 설명합니다. drones에서는 mission마다 모델을 개선해 실시간 장애물 회피와 빠르게 바뀌는 지형에서 adaptive search-and-rescue를 지원합니다. industrial robotics에서는 운용 중 robot이 계속 개선되어 downtime과 mistakes를 줄이고 공장 현장의 defects, false alarms, quality issues를 줄이는 사용 사례를 제시합니다. wearables와 hearables에서는 데이터가 device를 떠나지 않은 채 personalized voice and gesture models를 로컬 학습하고, entertainment와 gaming에서는 private mood-based playlists와 player에게 적응하는 game enemies를 예로 듭니다. 회사가 지적하는 기존 edge AI의 문제는 static models가 실제 환경 변화에 적응하지 못한다는 점입니다. 성능이 떨어지면 data collection, cloud 전송, retraining, update 배포의 반복 과정이 필요하고, 이 과정은 hours to days가 걸리며 한 cycle에 수천 달러가 들 수 있고 bandwidth가 제한되거나 데이터가 device 밖으로 나갈 수 없는 환경에서는 수행할 수 없습니다. Vellex Computing은 2030년 세계 edge AI hardware 시장이 590억 달러에 이를 것이라는 전망을 인용하며, cloud retraining이 너무 느리거나 비싸거나 이용할 수 없는 satellite and remote sensing, industrial robotics, drones, wearable technology에 continuous on-device learning을 적용합니다.
역량 및 제품
- mW급 온디바이스 AI 학습
- 클라우드 재학습 없는 온디바이스 학습
- 아날로그 회로 AI 학습 최적화
- Code-to-Circuit 모델-회로 컴파일
- 라이선스형 GDSII hard macro IP
- PyTorch/JAX/TensorFlow 모델 개발 지원