소식

Terraform 설정 2시간, IAM 씨름 또 1시간. 서비스 하나 올리는 데 드는 시간이다. AWS가 강력한 건 맞는데, 그 복잡함과 비용 구조에 지쳐서 대안을 찾는 팀이 늘고 있다. Railway, Vercel, Render, Fly.io — 뭘 써야 할지 정리했다.

AWS가 강력한 만큼 무거운 이유

AWS는 서비스만 200개가 넘는다. 엔터프라이즈 안정성과 글로벌 인프라는 실제로 대단하다. 근데 바로 그 규모가 문제다. EC2 인스턴스 하나 띄우면 쓰든 안 쓰든 시간당 요금이 나간다. 사이드 프로젝트 하나 돌리는 데 월 50달러 나오는 건 흔한 일이고, VPC·서브넷·보안 그룹·로드 밸런서까지 — 단순한 웹앱 배포 하나에 인프라 엔지니어 수준의 지식이 필요하다.

• 프리 티어 만료 후 예상 못한 청구서 폭탄
• IAM 권한 설정 실수로 배포가 통째로 막히는 상황
• Terraform, CloudFormation 같은 IaC 도구 학습 비용
• 빌드-배포 사이클이 평균 2~3분 소요

3~5인 팀에게 AWS 풀 스택은 솔직히 너무 과하다.

Heroku의 DNA, 지금은 Railway·Render·Fly.io로

2007년 Heroku가 “클릭 몇 번으로 배포”를 들고 나왔을 때 개발자들이 열광했다. 인프라 몰라도 앱 올린다는 발상이 혁신이었다. 그 DNA를 이어받은 게 지금의 Railway, Render, Fly.io, Vercel이다.

최근 변수가 하나 생겼다. GitHub Copilot, Cursor, Claude 같은 AI 코딩 도구가 보편화되면서 코드 작성 속도가 극적으로 빨라진 것. 코드는 초 단위로 나오는데 배포는 여전히 분 단위다. AI 에이전트가 코드 생성 → 테스트 → 배포 → 검증을 자동으로 반복하는 루프에서, 배포 지연은 전체의 병목이 된다. 이 불균형이 새로운 인프라 수요를 만들어냈다.

Railway — 마케팅 없이 개발자 200만 명 모은 서비스

Railway는 샌프란시스코 기반 클라우드 플랫폼이다. 광고 없이 입소문만으로 200만 명 모았다. 가장 내세우는 건 초 단위 배포다. 기존 클라우드에서 2~3분 걸리던 빌드-배포 과정이 1초 이내로 줄어든다는 주장인데, 직접 써보면 체감이 확실하다.

2024년에는 Google Cloud 의존을 완전히 끊고 자체 데이터센터를 구축했다. 네트워크·컴퓨팅·스토리지 레이어 전체를 직접 제어하게 되면서 하이퍼스케일러 대비 약 50% 낮은 가격이 가능해졌다. 과금 방식도 다르다. 쓴 만큼만, 초 단위로 청구한다:

• 메모리: GB-초당 $0.00000386
• vCPU: 초당 $0.00000772
• 스토리지: GB-초당 $0.00000006
• 유휴 VM 과금 없음

실사례를 보면 숫자가 확실히 와닿는다. 연방 계약업체 10만 곳을 서비스하는 G2X는 Railway 마이그레이션 후 월 인프라 비용이 $15,000에서 $1,000으로 줄었다. 배포 속도는 7배 빨라졌다. AI 인프라 스타트업 Kernel은 Railway에서 월 $444로 1,000개 이상 기업의 고객 대면 시스템을 운영 중이다.

Vercel, Render, Fly.io — 각자 다른 곳에 강하다

개발자 친화 클라우드 시장은 이미 경쟁이 치열하다. 포지셔닝이 뚜렷하게 갈린다.

• Vercel: Next.js에 최적화된 프론트엔드 특화 플랫폼. 엣지 배포가 강점이지만 풀스택 백엔드는 약하다
• Render: Heroku의 현대적 대안. 설정 간단하고 무료 티어가 있지만 스케일링에서 한계가 온다
• Fly.io: 엣지 컴퓨팅과 Docker 친화적 구조. 학습 곡선은 있다
• Railway: VM, 컨테이너, 스토리지, 네트워킹까지 풀스택 커버. AI 에이전트 통합 지원

Railway가 차별점으로 내세우는 건 전체 인프라 스택 커버리지다. PostgreSQL, MySQL, MongoDB, Redis 같은 데이터베이스부터 256TB 퍼시스턴트 스토리지, 가상 프라이빗 네트워크, 자동 로드 밸런싱까지 한 플랫폼에서 된다. MCP(Model Context Protocol) 서버도 제공해서 Claude, Cursor 같은 AI 코딩 도구에서 직접 배포 명령을 호출하는 것도 된다.

프로젝트 성격별 선택 기준

팀 규모와 프로젝트 성격에 따라 달라진다.

• 사이드 프로젝트 / 개인 개발: Render 무료 티어, Railway 무료 플랜, Fly.io 무료 티어 중 선택. 트래픽이 거의 없으면 셋 다 무료로 운영된다
• 스타트업 초기: Railway 또는 Render. 빠른 배포와 낮은 운영 부담이 우선일 때
• 프론트엔드 집약적 서비스: Vercel이 여전히 강력. Next.js + Vercel 조합은 사실상 표준이다
• 백엔드 집약적 서비스: Railway(풀스택 인프라) 또는 Fly.io(엣지 + Docker)
• 대기업 / 컴플라이언스 필요: AWS, GCP, Azure가 기본. SOC 2, HIPAA 인증 생태계가 가장 성숙해 있다

AWS를 통째로 갈아엎으려 하지 않는 게 현실적이다. 새 서비스나 팀 단위로 대안 플랫폼을 시범 도입해보는 편이 낫다. 리스크가 낮고 직접 비교 데이터를 뽑아볼 수 있다.

AI가 클라우드 시장 판을 흔드는 방식

AWS, Google Cloud, Azure가 시장을 쉽게 내줄 리 없다. 엔터프라이즈 계약, 레거시 시스템 의존도, 수십 년간 쌓인 생태계. 해자가 탄탄하다.

근데 AI 코딩의 확산이 변수로 작용한다. 코드 작성이 민주화되면 인프라 운영의 진입장벽도 낮아져야 한다. 엔지니어가 아니어도 소프트웨어를 만드는 시대가 오면, 그 소프트웨어가 돌아갈 인프라 기준도 달라진다. 기존 클라우드 대기업들이 “VM을 띄워두고 10%만 쓰는” 고객에게서 안정적으로 수익을 거두는 한, 그 비즈니스 모델을 스스로 무너뜨릴 이유가 없다. 이게 구조적 문제의 핵심이다.

Railway가 단순한 “저렴한 AWS 대안”에 머물지, 실제 엔터프라이즈 인프라로 파고드는지가 진짜 관전 포인트다. Fortune 500 기업 31%가 이미 Railway를 쓴다는 수치는 흥미롭지만, 전사 인프라가 아닌 개별 팀 프로젝트 단위 사용일 가능성이 높다. 그 간극을 얼마나 좁히느냐가 승부처다.

개발자 입장에서 나쁠 건 없다. 선택지가 늘었고 경쟁이 가격을 낮추고 있다. 배포 경험은 계속 좋아지고 있고, VentureBeat AI 보도에 따르면 Railway는 최근 $100M 투자를 유치하며 AWS 대항마로서의 입지를 강화했다.

출처: VentureBeat AI

지하 2,400m. 중국 쓰촨성 진핑산 깊은 곳에 실험실이 있다. 수십 톤의 액체 제논이 채워진 탱크가 텅 빈 듯한 공간에서 신호를 기다린다. 이탈리아 아페닌 산맥 아래 1,400m에도, 미국 사우스다코타의 폐금광 안에도 같은 장면이 펼쳐진다. 목표는 하나다. 암흑물질(Dark Matter)을 잡는 것.

우주에 존재하는 물질의 약 85%는 눈에 보이지 않는다. 빛을 내지도, 반사하지도 않는다. 그러면서 은하의 회전 속도를 좌우하고, 우주 거대 구조 전체를 빚어왔다. 물리학자들은 이것을 암흑물질이라고 부르는데—찾기 시작한 지 수십 년이 됐는데도 아직 실물을 본 사람이 없다.

은하가 ‘이상하게’ 돈다는 것에서 시작된 추적

처음 이 문제를 건드린 건 1930년대 스위스 천문학자 프리츠 츠비키였다. 은하단 안의 은하들이 이론값보다 훨씬 빠르게 움직인다는 걸 발견했는데, 계산상으로는 중력이 부족해 진작에 흩어졌어야 할 구조가 멀쩡히 뭉쳐 있었다. 뭔가 보이지 않는 게 추가 중력을 공급한다는 결론이 나온 배경이다.

1970년대, 천문학자 베라 루빈이 결정적 증거를 추가했다. 나선 은하의 바깥쪽 별들이 안쪽 별들과 거의 같은 속도로 공전한다는 것. 태양계처럼 중심에 질량이 몰린 구조라면 바깥쪽은 훨씬 느려야 한다—행성들이 태양에서 멀수록 느리게 도는 것처럼. 뭔가가 은하 외곽까지 퍼져 있으면서 중력을 행사하고 있다는 뜻이다. 이게 암흑물질 헤일로(Halo) 개념의 출발점이다.

현재 우주론의 표준 모델(ΛCDM)이 그리는 우주 구성은 이렇다:

• 일반 물질(원자 등): 약 5%
• 암흑물질: 약 27%
• 암흑에너지: 약 68%

우리가 보고, 만지고, 감지할 수 있는 물질은 전체의 5%. 우주의 95%는 정체 불명이다. 이렇게 놓고 보면 우리가 우주를 ‘이해한다’고 말하는 게 민망할 수준이긴 하다.

암흑물질 후보들 — WIMP, 액시온, 원시 블랙홀

암흑물질이 뭔지는 아직 모른다. 후보만 여럿이다.

WIMP(약한 상호작용을 하는 무거운 입자)는 수십 년간 가장 유력한 후보였다. 일반 물질과 거의 상호작용하지 않지만, 극히 드물게 원자핵과 충돌한다는 이론 덕분에 검출 가능성이 열려 있다. 지하 액체 제논 검출기들이 주로 노리는 게 바로 이 WIMP다.

액시온(Axion)은 WIMP보다 훨씬 가벼운 가상 입자다. 강한 자기장과 상호작용해 광자로 변환될 수 있다는 예측이 있어서, 완전히 다른 방식의 검출기가 필요하다. 미국의 ADMX 실험이 대표 사례인데, WIMP와 액시온은 검출 방식부터 달라서 사실상 별개의 수색 작전이다.

원시 블랙홀(Primordial Black Hole)은 빅뱅 직후 생성됐을 것으로 추정되는 소형 블랙홀이다. 흥미로운 후보이긴 한데 중력파 관측 데이터와 일부 충돌하는 문제가 있어서, 이건 좀 논란이 있는 편이다.

최근 분위기는 미묘하게 바뀌고 있다. WIMP가 예상보다 훨씬 약하게 일반 물질과 상호작용하거나, 아예 다른 형태로 존재할 가능성도 진지하게 검토 중이다. 수십 년 수색에도 안 잡히니까 이론 공간이 자연스럽게 넓어진 셈이다.

왜 굳이 지하로 내려가나

이유는 단순하다. 지표면에는 우주에서 쏟아지는 뮤온(muon)과 각종 방사선이 넘쳐난다. 이것들이 검출기에 잡히면 암흑물질 신호와 구분이 안 된다. 배경 잡음이 너무 많아서 정작 찾는 신호가 묻혀버리는 거다.

암석 1km는 우주선(宇宙線) 뮤온 플럭스를 수백만 분의 일 수준으로 줄여준다. 깊을수록 배경 잡음이 줄고, 더 희미한 신호를 잡을 여지가 생긴다. 중국 진핑산 지하 2,400m의 CJPL(중국 진핑 지하 실험실)이 현재 세계에서 가장 깊은 암흑물질 실험실 중 하나다.

이탈리아 그란 사소 연구소(LNGS)는 아페닌 산맥 아래 1,400m에서 XENONnT 실험을 돌리고 있고, 미국 사우스다코타의 옛 홈스테이크 금광에는 LUX-ZEPLIN(LZ) 검출기가 설치돼 있다. 이 세 곳이 현재 직접 탐색의 최전선이다.

액체 제논 검출기, 어떻게 작동하나

지금 가장 앞선 검출기들은 수십 톤의 액체 제논을 쓴다. 왜 제논이냐면—화학적으로 거의 반응하지 않고, 방사성 오염이 없고, 입자가 충돌할 때 빛과 전자를 동시에 방출하는 성질이 있기 때문이다. 검출기 재료로는 꽤 이상적인 조건이다.

작동 원리는 이렇다:

• 암흑물질 입자가 제논 원자핵과 충돌하면 아주 작은 에너지가 전달된다
• 그때 발생하는 섬광(빛)과 이온화 전자를 탱크 주변 광센서가 잡아낸다
• 빛과 전자의 비율을 분석해 어떤 입자가 충돌했는지 구분한다
• 전자 반동(배경 방사선)과 핵 반동(암흑물질 후보)을 이 방식으로 걸러낸다

LZ 검출기의 활성 제논 질량은 약 10톤, XENONnT는 약 8.6톤이다. 다음 세대 실험인 XLZD 컨소시엄은 40~60톤 규모를 검토 중이다. 탱크가 클수록 충돌 확률이 높아지니—규모 경쟁이 계속되는 이유다.

AI가 데이터 분석에 뛰어든 이유

수십 톤의 제논에서 하루에 발생하는 이벤트는 수백만 건이다. 암흑물질로 인한 이벤트는—만약 존재한다면—1년에 몇 건 수준일 수도 있다. 이 비율을 사람 손으로 걸러낸다는 건 애초에 불가능한 스케일이다.

그래서 머신러닝과 딥러닝이 들어왔다. 그래프 신경망(GNN) 같은 구조가 입자 충돌 패턴 분류에 효과적임이 입증되면서 암흑물질 실험 데이터 분석에도 본격 도입됐다. AI 모델은 수백 가지 특성을 동시에 학습해 배경 이벤트와 신호 후보를 구분하는 정확도를 크게 끌어올린다.

AI 역할이 커질수록 새로운 문제도 생긴다. “모델이 신호를 찾았다”는 주장의 신뢰성을 어떻게 검증하느냐는 거다. 검출기 물리학과 AI 해석 가능성(XAI)이 교차하는 지점인데, 솔직히 이 부분은 아직 답이 나오지 않았다.

수십 년째 못 찾고 있다 — 이론이 틀린 건 아닐까

WIMP를 향한 수색은 1980년대부터 시작됐다. 수십 년이 지나도 직접 검출에 실패하자, 물리학계 일부에서 암흑물질 패러다임 자체를 재검토해야 하는 것 아니냐는 목소리가 나오기 시작했다. 이 의심은 나름 합리적이다.

대안 이론 중 가장 잘 알려진 건 MOND(수정 뉴턴 역학)다. 중력이 약해지는 환경에서 뉴턴 역학을 수정하면 암흑물질 없이도 은하 회전 곡선을 설명할 수 있다는 주장인데—총알 은하단 같은 은하단 충돌 관측에서는 MOND 설명이 맞지 않고, 암흑물질 해석이 훨씬 자연스럽다. 지금까지는 암흑물질 쪽이 더 넓은 현상을 설명한다는 게 중론이다.

WIMP 검출 실패가 “암흑물질이 없다”는 뜻은 아니다. WIMP가 예상보다 훨씬 약하게 일반 물질과 상호작용하거나, 아직 생각지 못한 형태로 존재할 수 있다. 실패한 실험도 “이 구간에는 없다”는 정보를 준다는 점에서 과학적으로 의미가 있다—탐색 범위를 좁히는 것도 수색이니까.

찾으면 뭐가 달라지나

암흑물질 직접 검출은 노벨상 하나로 끝날 문제가 아니다. 표준 모델 너머의 새 입자 물리학이 열린다. 현재 입자물리학의 표준 모델은 실험에서 관측된 모든 입자를 설명하지만, 암흑물질 후보 입자는 그 안에 없다. 검출에 성공하면 표준 모델이 확장되거나 교체되는 근거가 된다.

실용적인 가능성도 무시하기 어렵다. 새로운 상호작용 메커니즘이나 입자가 발견되면 에너지·통신·의료 분야에서 예측 불가능한 응용이 나올 여지가 있다. 핵분열이 발견됐을 때 핵발전과 핵폭탄을 예상한 사람이 드물었던 것처럼—새로운 물리학이 무엇을 가져올지는 지금 가늠하기 어렵다.

결정적으로 이 문제의 무게는 숫자에 있다. 우주 전체 질량-에너지의 27%를 차지하는 무언가의 정체를 모른다는 건, 우리가 우주를 얼마나 피상적으로 이해하고 있는지 보여주는 지표다. 지하 실험실에서 벌어지는 이 탐색은 그 빈칸을 채우는 작업이다. 언제 채워질지는 모르겠지만.

출처: MIT Tech Review AI