AI/딥테크/블록체인

하이퍼엑셀 비즈니스 모델 분석: 누적 610억 투자, H100 1/10 가격 LPU로 엔비디아에 도전

하이퍼엑셀

2026년 3월 11일

하이퍼엑셀(HyperAccel)은 KAIST 김주영 교수가 Microsoft Azure에서 9년간 서버 가속기 프로젝트를 이끈 경험을 바탕으로 2023년 창업한 LLM 추론 특화 AI 반도체(팹리스) 스타트업으로, HBM 대신 LPDDR5X를 채택한 독자 아키텍처 LPU(LLM Processing Unit)로 엔비디아 H100 대비 10분의 1 가격의 LLM 추론 서버를 실현하겠다는 목표 아래 삼성 4nm 공정 첫 ASIC 칩 '베르다(Bertha)'의 2026년 출시를 앞두고 있다.

1. 핵심 숫자

지표	수치	기준 시점
설립	2023년 1월 (KAIST 교원 창업)	-
누적 투자금	610억 원 (약 4,500만 달러)	2024년 말 기준
기업가치	약 2,000억 원	시리즈A 기준 (2024.12)
시드 투자	60억 원	2023년 8월
시리즈A	550억 원	2024년 12월
목표가격 (ASIC)	H100 대비 1/10 수준 (약 500만 원)	베르다 기준
가격 효율성 (ASIC)	GPU 대비 약 10배 우수 (LLM 추론 기준)	추정
시리즈B 목표	최소 1,000억 원 이상	2026년 초 계획
첫 ASIC 칩	베르다(Bertha), 삼성 4nm, LPDDR5X	2026년 1분기 목표

출처: 더일렉, 와우테일, 뉴스와이어, ZDNet, KAIST ILP, 시사저널e. 매출·영업이익 비공개.

2. 수익 모델

하이퍼엑셀은 팹리스 반도체 기업의 전형적인 3층 수익 구조를 갖는다. 현재는 기술 검증 단계(FPGA 서버)이며, 2026년 ASIC 양산을 기점으로 본격 상업화에 진입한다.

2-1. 수익원 구조

수익원	내용	현황
LPU 칩 판매	베르다 ASIC 반도체 직접 판매 (데이터센터·서버용)	2026년 양산 목표
LLM 전용 서버 판매	오리온(Orion) 서버 시스템 판매	서울대 등 초기 공급 중
LPU-IP 라이선싱	LPU 아키텍처 IP를 SoC 설계사·OEM에 라이선스	시리즈A 이전 사업화 시작
공동 개발 수주	네이버클라우드(데이터센터), LG전자(온디바이스) 등	진행 중
국책 과제	K-클라우드 기술개발 국책과제 등 정부 R&D	2025년 수주

수익원: LPU 칩 판매 + 서버 시스템 + IP 라이선싱

2-2. LPDDR5X 전략의 비용 논리

하이퍼엑셀이 경쟁사(리벨리온·퓨리오사AI)와 갈리는 가장 큰 기술 선택이 메모리다. 엔비디아 H100, 리벨리온의 리벨 쿼드, 퓨리오사AI의 레니게이드는 모두 HBM(고대역폭메모리)을 탑재한다. 하이퍼엑셀은 모바일·자동차용 저전력 메모리인 LPDDR5X를 선택했다. HBM 없이는 칩 단가가 근본적으로 낮아진다. 엔비디아 H100이 약 5,000만 원인 이유의 상당 부분이 HBM 비용이기 때문이다. LLM 추론 워크로드는 학습과 달리 최대 메모리 대역폭보다 '토큰당 비용 효율'이 중요하다는 판단에서 나온 전략이다.

2-3. 칩-서버-IP 수직 수익화 구조

단순 칩 판매에 그치지 않고, 칩 위에 서버 시스템을 얹어 완성품으로 팔고, 아키텍처 IP는 라이선스로 재판매하는 3단 수익 구조를 갖는다. 서버 형태로 판매하면 칩 단가보다 더 높은 부가가치를 인식할 수 있고, IP 라이선싱은 칩 생산 없이도 고마진 수익을 만든다.

3. 성장 비결

3-1. KAIST MICRO 논문이 실증한 기술 원천

하이퍼엑셀의 LPU 아키텍처는 창업 전인 2022년 컴퓨터 구조 분야 최고 학회 IEEE/ACM MICRO에 논문이 채택되며 세계적으로 검증됐다. 해당 멀티-FPGA 플랫폼(DFX)은 GPU 대비 최대 5.6배 성능, 4배 전력 효율, 8배 가격 효율을 달성했다. 이는 VC가 60억 시드를 투자한 배경이자, 이후 모든 투자와 파트너십의 기술 기반이다.

3-2. FPGA 서버로 먼저 시장 검증, ASIC으로 확장

반도체 스타트업의 최대 리스크는 수억 원이 드는 ASIC 테이프아웃 전에 시장 수요를 알 수 없다는 것이다. 하이퍼엑셀은 시드 60억으로 FPGA 기반 오리온 서버를 만들어 서울대를 포함한 주요 기관에 공급하며 실 서비스 환경에서 성능을 검증하고 레퍼런스를 쌓았다. 이 전략이 시리즈A 550억을 당기는 증거가 됐다.

3-3. Microsoft 출신 대표의 데이터센터 인사이트

김주영 대표는 KAIST 박사 후 Microsoft 리서치와 Azure에서 9년간 서버 가속기 프로젝트를 이끌었다. 현업에서 직접 LLM 추론 인프라의 비용 구조를 본 사람이 창업한 회사다. "LLM 서비스의 병목은 모델이 아니라 얼마나 효율적으로 돌릴 수 있느냐"는 명제는 데이터센터 운영자 관점에서 나왔다.

3-4. 데이터센터(네이버클라우드) + 온디바이스(LG전자) 투트랙 파트너십

국내 최대 AI 클라우드 중 하나인 네이버클라우드와 데이터센터용 LPU 공동 개발을 진행하고, LG전자와는 온디바이스 LLM 가속기를 공동 개발 중이다. LG전자가 TV·가전·로봇에 온디바이스 AI를 탑재하는 방향과 맞물려, 이 파트너십은 장기적으로 가전 시장까지 LPU가 침투하는 경로가 된다.

3-5. 업스테이지 독파모 컨소시엄 합류로 국산 AI 생태계 핵심으로

2026년 2월 업스테이지의 독파모 컨소시엄에 합류하며 국산 파운데이션 모델의 추론 인프라 역할을 맡게 됐다. 국산 AI 모델(업스테이지 Solar)과 국산 AI 반도체(하이퍼엑셀 LPU)의 조합은 데이터 주권과 비용 효율을 동시에 요구하는 공공·기업 고객에게 강력한 패키지 솔루션이 된다.

4. 비즈니스 모델 캔버스

BMC 핵심 인사이트

LPDDR5X 선택이 비즈니스 모델의 핵심 — HBM 탑재 여부가 AI 반도체의 원가 구조를 결정한다. LPDDR5X 채택은 "고성능 추론"이 아닌 "저비용 추론"을 포지셔닝 중심에 놓겠다는 선언이다. LLM 추론은 학습과 달리 메모리 대역폭 최대치보다 처리 효율이 중요하다는 인사이트가 이 선택의 근거다.
칩-서버-IP 3단 수익 구조가 리스크를 분산 — 단일 칩 판매에만 의존하는 경쟁사와 달리, 오리온 서버(시스템 판매)와 LPU-IP 라이선싱이 ASIC 양산 전까지 현금 흐름을 만든다. IP 라이선싱은 별도 제조 비용 없이 고마진 수익을 창출한다.
데이터센터(네이버클라우드) + 온디바이스(LG전자) 양면 시장 전략 — 서버용 AI 반도체 시장과 온디바이스 AI 가속 시장을 동시에 공략하는 구조다. LG전자가 TV·가전·로봇에 온디바이스 AI를 탑재하는 방향과 맞물려 장기적으로 가전 시장까지 LPU가 침투하는 경로를 만든다.
MICRO 논문 → FPGA 검증 → ASIC 양산의 단계적 리스크 관리 — AI 반도체 스타트업의 실패 패턴은 대부분 충분한 검증 없이 수억 원짜리 테이프아웃에 도전하다가 생기는 현금 소진이다. 하이퍼엑셀은 FPGA 서버로 2년간 실 서비스 환경 검증을 마친 후 ASIC으로 진입한다.
시리즈B 1,000억 + 베르다 양산이 2026년 최대 변수 — 칩 성능이 H100 대비 1/10 가격과 동등한 추론 성능을 실증하면 글로벌 데이터센터 고객 유치와 대형 투자 유치가 동시에 열린다. 2026년 1분기 베르다 공개가 이 분기점이다.

5. 투자 포인트

5-1. 투자 유치 히스토리

라운드	시기	금액	주요 투자자	기업가치
시드	2023년 8월	60억 원	미공개	430억 원 (추정)
시리즈A	2024년 12월	550억 원	한국투자파트너스(리드), 한국산업은행, KB인베스트먼트, 미래에셋벤처투자, SBVA, 본엔젤스, 산은캐피탈, LB인베스트먼트, 컴퍼니케이파트너스, 비커스벤처파트너스(싱가포르)	약 2,000억 원
누적	2024년 말	610억 원	10개사	2,000억 원
시리즈B	2026년 초 계획	최소 1,000억 원 이상	미정	-

5-2. 투자자 관점 매력 포인트

설립 1년 만에 기업가치가 430억에서 2,000억으로 4.6배 성장했다. 세계 최초 LPDDR5X 탑재 LLM 전용 서버라는 차별화와, KAIST MICRO 논문으로 학술 검증된 기술, Microsoft Azure 출신 대표의 데이터센터 현업 경험이 투자 결정의 근거다. 신보 혁신아이콘 선정(29:1 경쟁률), 중기부 초격차 스타트업 선정 이력도 기술 경쟁력 공인 지표로 작용한다.

5-3. 핵심 리스크

ASIC 테이프아웃 후 수율 문제로 양산이 지연되는 경우 현금이 소진된다. 베르다 양산 목표인 2026년 1분기 달성 여부가 시리즈B 타이밍과 직결된다. 또한 CUDA 생태계는 10년 이상의 개발자 관성이 있어, vLLM·PyTorch 플러그인 방식으로 전환 장벽을 낮추는 전략이 얼마나 빠르게 실제 고객 채택으로 이어지느냐가 장기 성패를 가른다.

6. 한국 시사점

6-1. 팹리스 전략: "칩만 팔지 말고 시스템을 팔아라"

하이퍼엑셀이 칩이 아닌 서버 시스템 형태로 먼저 출시한 것은 팹리스 수익화의 핵심 교훈이다. 칩 단독 판매는 가격 협상력이 낮지만, 서버 솔루션으로 패키지화하면 고객의 문제(LLM 추론 TCO)를 해결하는 형태가 돼 더 높은 마진을 요구할 수 있다. 국내 팹리스 스타트업이 시스템 레벨로 올라가야 하는 이유가 여기 있다.

6-2. FPGA 먼저, ASIC 나중의 기술 증명 순서

반도체 스타트업이 자금을 소진하는 가장 흔한 경로는 ASIC 테이프아웃에 너무 일찍 베팅하는 것이다. 하이퍼엑셀은 FPGA 서버로 2년간 실 서비스 검증을 마친 뒤 ASIC으로 진입한다. 이 순서는 자본이 부족한 딥테크 스타트업이 반드시 따라야 할 리스크 관리 원칙이다.

6-3. HBM 없는 AI 반도체 시장은 실재한다

한국 AI 반도체 스타트업 대부분은 HBM 탑재를 전제로 설계한다. 하이퍼엑셀은 HBM이 없어도 되는 LLM 추론 시장이 존재한다는 것을 증명하려 한다. 전력·비용을 이유로 GPU를 쓰지 못하는 온디바이스·엣지 시장, 그리고 TCO를 우선하는 중소 클라우드 기업이 이 시장의 실제 수요다.

6-4. 글로벌 파트너사와의 공동 개발이 진입장벽이다

하이퍼엑셀이 네이버클라우드·LG전자와 공동 개발을 하는 것은 단순 판매 계약이 아니다. 고객의 실제 워크로드에 맞게 칩을 설계하는 과정에서 경쟁사가 복제할 수 없는 맞춤형 최적화 노하우가 축적된다. 반도체 스타트업의 진입장벽은 특허보다 이런 공동 개발 경험에서 만들어진다.

6-5. 기가와트급 AI 인프라 비용 문제가 AI 반도체의 구조적 기회다

엔비디아 GPU 중심의 AI 데이터센터는 랙당 수백 킬로와트의 전력을 요구하고, 이 비용이 AI 서비스 가격을 결정한다. 전력 효율이 4배인 LPU 계열 칩이 시장에 등장하면 AI 서비스 비용 구조가 달라진다. 이 구조적 변화는 하이퍼엑셀뿐 아니라 국내 AI 반도체 생태계 전체의 장기 기회다.

7. BM 도해

8. 경쟁사 비교

지표	하이퍼엑셀	리벨리온	퓨리오사AI	엔비디아 H100	Groq (글로벌)
주력 칩	베르다 (LPU, 삼성 4nm)	리벨 쿼드 (삼성 4nm)	레니게이드 (TSMC 5nm)	H100 (TSMC 4nm)	LPU (TSP)
메모리	LPDDR5X (저전력)	HBM3E 12단	HBM3 8단	HBM3e	SRAM 내장
타깃 워크로드	LLM 추론 전용	LLM 추론·학습	AI 추론·학습	학습 + 추론	LLM 추론 전용
가격 포지셔닝	H100 1/10 타깃	HBM 탑재로 중고가	HBM 탑재로 중고가	~5,000만 원	API 과금
전력 효율	고효율 (LPDDR 구조)	HBM 수준	HBM 수준	상대적 열위	초고효율
누적 투자	610억 원	1,800억 원+	1,700억 원+	대기업	약 5억 달러+
SW 생태계	PyTorch·HyperDex SDK	자체 SDK	REBEL SDK	CUDA (표준)	자체 SW

하이퍼엑셀은 국내 경쟁사(리벨리온·퓨리오사AI)가 HBM을 택한 반면 LPDDR5X로 비용 효율을 최우선에 놓는 차별화 포지셔닝이다. 글로벌로는 Groq이 유사한 LLM 추론 전용 칩 전략을 취하고 있어 포지셔닝 검증 측면에서 참고가 된다.