[태그:] PC

  • PC·스마트폰 벤치마크 프로그램, 뭘 써야 하나 (추천 5선)

    PC·스마트폰 벤치마크 프로그램, 뭘 써야 하나 (추천 5선)

    새 폰이나 노트북을 사면 스펙표부터 들여다보게 된다. 근데 숫자만 봐서는 감이 잘 안 온다. 솔직히 광고 문구랑 실제 체감은 다른 얘기다. 그래서 켜는 게 벤치마크 앱이다. 그중 프라이메이트 랩스(Primate Labs)가 만든 긱벤치는 CPU 성능 측정 도구 중 가장 많이 쓰인다. Geekbench 7부터는 영상·오디오 인코딩 테스트가 새로 들어가고 멀티코어 테스트 방식도 개편되면서, CPU와 GPU에 던지는 부하가 예전보다 훨씬 무거워졌다. 근데 벤치마크가 긱벤치 하나만 있는 건 아니다. 용도별로 골라 써야 제대로 된 값이 나온다. PC와 스마트폰 성능 확인용으로 많이 쓰는 도구 5개, 그리고 점수 읽는 법을 정리해봤다.

    벤치마크, 정확히 뭘 재는 걸까

    정해진 연산을 CPU나 GPU에 반복시켜서 처리 속도를 숫자로 뽑아내는 게 벤치마크다. 게임을 오래 켜두거나 영상을 인코딩해보는 것과 비슷한 원리인데, 매번 똑같은 조건에서 돌리기 때문에 기기끼리 비교가 가능하다. 클럭 속도나 코어 개수만 봐서는 실제 성능 차이가 잘 안 잡힌다. 벤치마크 점수를 보면 같은 가격대 제품 중 뭐가 더 빠른지 대충 감이 온다. 리뷰 영상이나 구매 가이드마다 벤치마크 점수가 꼭 붙는 이유다.

    긱벤치(Geekbench) — 기본 중의 기본

    윈도우, macOS, 리눅스는 물론 안드로이드와 iOS까지 다 지원하는 몇 안 되는 크로스플랫폼 벤치마크다. 아이폰과 갤럭시, 맥북과 윈도우 노트북을 같은 잣대로 비교할 때 제일 많이 인용된다. 싱글코어와 멀티코어 점수로 나뉘고, GPU 연산 성능을 재는 컴퓨트 테스트도 따로 있다. 최신 버전엔 영상 인코딩·디코딩, 오디오 처리 테스트가 새로 들어가면서 실제 작업 환경에 더 가까워졌다는 평가다. 무료 버전으로도 점수 측정은 충분하다. 배터리 소모 테스트나 결과 저장 같은 기능이 필요할 때만 프로 라이선스를 결제하면 된다.

    시네벤치(Cinebench) — 렌더링 작업자용 척도

    맥슨(Maxon)의 3D 렌더링 엔진 시네마4D를 기반으로 만든 시네벤치는 CPU가 실제 렌더링 작업에서 얼마나 버티는지 보여준다. 긱벤치보다 테스트 시간이 길고 부하도 묵직하다. 이게 좀 오래 걸린다는 게 흠이라면 흠. 장시간 고부하 작업에서 발열 관리가 잘 되는 노트북인지 가늠할 때 자주 쓰인다. 영상 편집이나 3D 작업용 PC를 고른다면 긱벤치 점수보다 시네벤치 멀티코어 점수부터 보는 게 체감과 더 가깝다.

    3DMark — 그래픽카드와 게이밍 성능

    CPU 말고 그래픽카드 실력이 궁금하면 3DMark다. 타임스파이(Time Spy), 파이어스트라이크(Fire Strike), 레이트레이싱 테스트인 포트 로열(Port Royal)까지, 해상도와 그래픽 기법별로 세분화된 시나리오를 제공한다. 신작 게임을 새 그래픽카드로 얼마나 부드럽게 돌릴지 미리 감 잡고 싶을 때, 자신의 점수를 3DMark 공식 데이터베이스에 올라온 다른 사용자 결과와 비교해보면 대략적인 프레임레이트 예상치까지 나온다.

    스마트폰은 앤투투와 긱벤치 모바일

    스마트폰 쪽은 조금 다른 생태계다. 중국에서 만든 앤투투(AnTuTu)는 CPU, GPU, 메모리, UX 반응성까지 다 합산해서 총점 하나로 뽑아준다. 직관적이다. 반면 긱벤치 모바일은 CPU 싱글·멀티코어 점수를 따로 보여줘서, 게임보다 일상 사용 반응 속도가 궁금할 때 더 쓸모 있다. 최근 나온 플래그십 칩셋 리뷰를 보면 앤투투 총점과 긱벤치 싱글코어 점수를 나란히 붙여놓은 경우가 많은데, 둘이 항상 같은 순위를 매기진 않는다. 둘 다 확인하는 편이 안전하다.

    점수 하나로 판단하면 안 되는 이유

    긱벤치 점수는 싱글코어와 멀티코어 두 숫자로 나오는데, 용도마다 봐야 할 숫자가 다르다. 웹 서핑, 문서 작업, 게임 프레임레이트는 싱글코어 성능이 크게 좌우한다. 영상 인코딩이나 압축 파일 풀기처럼 코어 여러 개를 동시에 굴리는 작업은 멀티코어 점수가 결과를 가른다. 노트북 고를 때 코어 개수만 보고 멀티코어 점수 높으니 무조건 빠르다고 판단하면 곤란하다. 생각보다 흔한 함정이다. 발열 제한 때문에 짧은 순간만 고성능 내고 이내 속도 떨어지는 제품도 수두룩하다.

    내가 돌린 점수가 정상 범위인지는 긱벤치 공식 사이트의 브라우저(Geekbench Browser) 데이터베이스에서 확인 가능하다. 같은 CPU나 스마트폰 모델 쓰는 다른 사용자들 점수가 쭉 나열돼 있어서 바로 비교된다. 점수가 평균보다 눈에 띄게 낮다면 이런 원인부터 의심해보자.

    • 전원 설정이 절전 모드로 잡혀 있는 경우
    • 백그라운드 프로그램이 CPU 자원을 계속 붙잡고 있는 경우
    • 노트북 내부 발열로 클럭이 자동으로 낮아지는 스로틀링 상태
    • 스마트폰이면 배터리 절약 모드가 켜져 있는 경우

    자주 묻는 것들

    Q. 벤치마크 점수 높으면 실사용도 그만큼 빠른가?
    대체로 비례하긴 하는데 딱 맞아떨어지진 않는다. 발열 관리, 저장장치 속도, 램 용량처럼 벤치마크가 직접 안 재는 요소가 체감 속도에 끼어든다.

    Q. 긱벤치 무료 버전으로 충분한가?
    싱글코어·멀티코어 점수만 확인할 거면 무료 버전으로 충분하다. 배터리 벤치마크나 결과 파일 저장 같은 부가 기능이 필요할 때만 유료 버전을 고려하면 된다.

    Q. PC와 스마트폰 점수를 직접 비교해도 되나?
    같은 긱벤치 점수 체계를 쓰니까 대략적인 비교는 된다. 다만 사용 목적이랑 배터리·발열 조건이 완전히 다른 기기라서, 절대적인 우열을 가리는 용도로 쓰기엔 무리가 있다.

    결국 어떤 프로그램을 쓰든 숫자 하나에 매몰되기보다 목적에 맞는 도구를 고르는 게 우선이다. The Verge 보도에 따르면 긱벤치도 버전이 올라갈 때마다 영상·오디오 처리처럼 실제 작업에 가까운 테스트를 추가하며 계속 바뀌고 있다. 반년에 한 번 정도는 최신 버전으로 다시 돌려서 점수를 갱신해두는 습관, 정확한 비교엔 이게 은근 도움 된다.

    출처: The Verge

  • 2026년 콘솔 vs PC 게이밍 비용, 솔직하게 계산해봤다

    2026년 콘솔 vs PC 게이밍 비용, 솔직하게 계산해봤다

    플레이스테이션 5 초기 정가는 499달러였다. 지금은 그 가격에 살 수 없다. 닌텐도 스위치 후속 기종도 전 세대보다 가격표가 높아졌고, PC 그래픽카드는 RAM 공급 부족 여파로 다시 오름세다. 콘솔이냐 PC냐 — 이 선택이 예전만큼 단순하지 않다.

    콘솔, 진짜 총비용은 얼마일까

    콘솔은 초기 비용이 고정되어 있어서 예산 짜기가 쉽다는 이미지가 있다. 근데 본체만 사면 끝이 아니거든요. 뚜껑을 열어보면:

    • 멀티플레이 구독료: PS Plus나 Xbox Game Pass는 연간 6~12만 원
    • 추가 컨트롤러: 정품 듀얼센스 하나에 8~9만 원. 친구라도 오면 무조건 하나 더 필요하다
    • 신작 게임 가격: 주요 타이틀 기준 8~10만 원, 인상 추세
    • 전용 스토리지 확장: PS5용 NVMe SSD는 규격 제한이 있어서 20~40만 원

    본체만 40~70만 원이라 해도, 첫 해에 그럴싸한 게임 환경을 갖추다 보면 100만 원은 금방 넘긴다. ‘저렴한 진입’이라는 이미지와 실제 지출 사이엔 꽤 큰 간격이 있는 셈이다.

    PC는 초기에 아프지만, 3년 뒤엔 이야기가 달라진다

    PC의 진입 장벽은 진짜 높다. 중급 게이밍 PC를 새로 맞추면 최소 100~150만 원이고, 고사양 빌드는 300만 원도 우습게 넘긴다. 이건 부정할 수 없는 사실이다.

    그래도 장기로 보면 그림이 달라진다.

    • 스팀 세일 기간엔 신작도 30~70% 할인이 일상이다
    • PC 게임은 세대 교체 개념이 없다. 10년 전 게임도 그냥 돌아간다
    • GPU만 교체하면 본체 전체를 바꿀 필요가 없다
    • 영상 편집, 스트리밍, 업무까지 한 대로 처리된다

    게임 가격 차이만 3~5년치 쌓으면 PC 구매 비용이 상쇄되는 사례가 적지 않다. 게임을 자주 사는 스타일이라면 PC의 경제성이 꽤 실감 나게 드러난다.

    RAM 공급 부족, 콘솔이든 PC든 피해갈 수 없다

    최근 하드웨어 가격 급등의 핵심 이유가 전 세계적인 RAM 공급 부족이다. The Verge 보도를 보면, 이 현상은 콘솔과 PC를 가리지 않고 다 건드리고 있다.

    RAM은 게임 콘솔에도, 그래픽카드에도, 일반 PC 메모리에도 들어간다. 공급이 줄면 줄줄이 오른다. 구조적인 문제라 단기간에 풀릴 성질이 아니다 — 반도체 공장 증설에는 수 년이 걸리고, 지정학적 변수도 여전하다.

    솔직히 지금 가격이 ‘일시적 거품’보다는 새로운 기준선이 될 가능성이 높다. 이 전제 위에서 기기를 골라야 한다.

    콘솔이 맞는 상황

    PC가 무조건 정답은 아니다. 콘솔이 훨씬 합리적인 선택인 경우가 분명히 있다.

    • TV 앞 소파 게이밍을 즐긴다면: 콘솔은 거실 환경에 맞게 설계됐다
    • 세팅이 귀찮다면: 드라이버 충돌, 최적화 이슈, OS 설정 같은 것들을 피하고 싶다면 콘솔이 낫다
    • 독점 타이틀이 목적이라면: 갓오브워, 스파이더맨, 젤다 시리즈는 PC로 오지 않는다
    • 예산이 고정됐고 당장 시작하고 싶다면: 초기 투자 측면에서는 콘솔이 낮다

    PC가 맞는 상황

    • 게임 구매 빈도가 높다면: 스팀 세일 혜택이 쌓이면 진짜 차이가 난다
    • 모딩·커스터마이징을 즐긴다면: 콘솔에서는 접근조차 어려운 영역이다
    • 게임과 작업을 병행한다면: 방송, 편집, 업무까지 한 대로 돌아간다
    • 오래된 게임 라이브러리를 쓰고 싶다면: 하위 호환성에서 PC가 압도적이다
    • 프레임·해상도에 민감하다면: 고사양 PC는 콘솔 대비 퍼포먼스 상한이 훨씬 높다

    결국 어떤 기준으로 고를까

    단순하게 잘라 말하면: 게임을 많이 사고 오래 하는 사람은 PC, 특정 독점작을 즐기거나 간편함을 원하는 사람은 콘솔이다.

    다만 둘 다 예전보다 비싸졌다는 걸 전제로 계산을 시작해야 한다. ‘콘솔은 저렴하다’는 공식은 이미 옛말이다. 본체 가격도 올랐고, 게임값도 올랐고, 주변기기도 올랐다. ‘어떤 게 더 저렴하냐’는 질문보다 ‘어떤 게 내 사용 패턴에 맞냐’를 먼저 따져보는 편이 낫다.

    예산이 빠듯하다면 이전 세대 콘솔 중고 구입이나 디지털 에디션 조합을 노리는 게 현실적이다. PC라면 그래픽카드를 중고로 구하고 나머지는 신품으로 맞추는 방식이 초기 비용을 낮추는 데 효과적이다.

    핵심만 3줄로

    • 콘솔은 초기 비용이 낮아 보이지만 구독료·게임값을 합산하면 총비용은 생각보다 높다
    • PC는 초기 투자가 크지만 세일 혜택과 다목적 활용 덕에 장기 비용 회수가 빠르다
    • RAM 공급 부족으로 콘솔·PC 모두 가격이 올랐고, 이 추세는 당분간 이어질 공산이 크다
    • 선택 기준은 가격보다 사용 습관과 원하는 게임 타이틀에 달려 있다

    출처: The Verge

  • 내 PC에서 AI 직접 돌리기: 온디바이스 AI 완벽 가이드

    내 PC에서 AI 직접 돌리기: 온디바이스 AI 완벽 가이드

    ChatGPT에 민감한 파일을 붙여넣을 때마다 불안하지 않았나. 그 데이터는 고스란히 인터넷을 타고 어딘가의 서버로 날아간다. 온디바이스 AI는 그 흐름 자체를 끊는다. AI를 클라우드가 아닌 내 PC 안에서 직접 돌리는 기술이다. 프라이버시가 핵심이다. 빠르다. 그리고 쓸수록 돈이 안 든다.

    온디바이스 AI란 뭔가

    말 그대로, AI 모델을 내 기기에서 직접 실행하는 방식이다. ChatGPT나 미드저니처럼 클라우드 서버를 거치지 않는다. 스마트폰에서, 태블릿에서, PC에서 모델이 바로 돌아간다. 데이터가 기기 밖으로 나가지 않으니 보안 걱정이 사라진다. 비행기 안에서도, 지하 주차장에서도 쓸 수 있다. 인터넷이 없어도 된다는 게 생각보다 강점이다.

    물론 클라우드 AI가 더 강력한 건 사실이다. GPT-4급 모델을 내 노트북에서 돌리는 건 아직 현실적이지 않다. 하지만 실무에서 자주 쓰는 텍스트 요약, 코드 보조, 이미지 생성 수준은 충분히 가능하다. 응답 속도는 오히려 더 빠른 경우도 있다.

    클라우드 AI vs 온디바이스 AI — 솔직하게 비교하면

    어디서 돌리느냐가 나머지를 전부 결정한다. 클라우드 AI는 원격 서버에서 처리하고, 온디바이스 AI는 내 기기에서 처리한다. 차이를 정리하면 이렇다.

    • 데이터 처리 위치:
      클라우드 AI: 데이터가 인터넷을 타고 서버로 전송된다. 결과도 다시 받아온다.
      온디바이스 AI: 기기 안에서 처리 끝. 외부 전송 없음.
    • 성능과 확장성:
      클라우드 AI: 서버 자원이 무제한에 가깝다. 초대형 모델도 거뜬하다.
      온디바이스 AI: 내 GPU, 내 RAM이 전부다. 경량화 모델 위주로 돌린다.
    • 보안 및 프라이버시:
      클라우드 AI: 서비스 정책에 따라 데이터가 학습에 쓰일 수도 있다. 보안은 제공업체 몫.
      온디바이스 AI: 데이터가 기기 밖으로 나가지 않는다. 이 하나만으로 선택하는 사람도 많다.
    • 비용:
      클라우드 AI: 쓴 만큼 낸다. 월정액이든 API 요금이든 꾸준히 나간다.
      온디바이스 AI: 초기 하드웨어 투자가 전부다. 이후 추가 요금은 없다.
    • 지연 시간:
      클라우드 AI: 네트워크 상태에 따라 들쑥날쑥.
      온디바이스 AI: 네트워크 없이 직접 처리. 응답이 빠르다.

    어떤 하드웨어가 필요한가

    핵심은 GPU다. 정확히는 VRAM(비디오 램) 용량. AI 모델은 대부분 GPU 메모리에 통째로 올려서 돌린다. VRAM이 부족하면 모델 자체를 로드하지 못한다. 그게 끝이다.

    • GPU (그래픽 처리 장치): NVIDIA RTX 시리즈가 사실상 표준이다. RTX 3060(VRAM 12GB), RTX 4070(12GB), RTX 4080(16GB), RTX 4090(24GB) 순으로 올라간다. Stable Diffusion 같은 이미지 생성 모델은 최소 8GB, LLM은 모델 크기에 따라 8~24GB까지 필요하다. AMD의 RX 7000 시리즈도 최근 지원이 늘었지만, NVIDIA 쪽이 소프트웨어 생태계가 아직 더 넓다. 솔직히 여기서 갈린다.
    • RAM (메인 메모리): 최소 16GB, 가능하면 32GB. VRAM이 부족할 때 모델 일부를 RAM에 내리는 오프로딩 방식을 쓰기도 하는데, RAM이 적으면 그것도 안 된다.
    • CPU (중앙 처리 장치): Intel Core i5 또는 Ryzen 5 이상이면 충분하다. AI 연산의 주력은 GPU가 맡는다.
    • SSD (저장 장치): LLM 모델 하나가 7~70GB다. 이미지 생성 체크포인트만 수십 GB를 잡아먹는다. NVMe SSD 기준 최소 256GB 여유 공간, 여러 모델을 쓸 생각이면 1TB 이상은 잡아야 한다.

    VRAM이 딸리면 방법이 없는 건 아니다. 양자화(Quantization) 모델을 쓰면 된다. 4-bit, 8-bit로 압축한 버전이다. 원본보다 VRAM을 적게 먹는 대신 정확도가 살짝 떨어지는데, 텍스트 요약이나 코드 보조 수준에서는 체감하기 어렵다.

    실제로 설치하려면 — 단계별 흐름

    처음 해보면 복잡해 보이는데, 막상 해보면 절반은 설치 대기 시간이다. 흐름은 이렇다.

    1. 기본 환경 구축:
      GPU 드라이버부터 최신으로 올린다. NVIDIA 사이트에서 직접 받아서 설치. 그다음 Python 공식 홈페이지에서 최신 버전을 설치한다. ‘Add Python to PATH’ 체크를 빠뜨리면 나중에 꼭 후회한다. Git도 함께 깔아야 한다. GitHub에서 AI 프로젝트를 클론할 때 필요하다.
    2. 모델 선택 및 다운로드:
      Hugging Face에 오픈소스 AI 모델이 몰려 있다. LLaMA 3 같은 대규모 언어 모델, Stable Diffusion 같은 이미지 생성 모델 등을 여기서 찾는다. 모델 페이지의 ‘Files and versions’ 탭에서 .safetensors나 .bin 파일을 받거나, 해당 모델의 GitHub 저장소 안내를 따른다.
    3. AI 프론트엔드 툴 설치:
      이미지 생성이 목적이라면 ‘Automatic1111 web UI’ 또는 ‘ComfyUI’를 쓴다. 각 GitHub 저장소의 설치 스크립트를 실행하면 Python 가상 환경과 필요한 라이브러리를 알아서 설치해 준다. LLM을 쓰고 싶다면 OllamaLM Studio가 진입장벽이 낮다. 앱 안에서 모델을 검색하고 다운로드하면 끝이다. 터미널 한 줄 없이도 가능하다.
    4. AI 모델 실행:
      프론트엔드 툴을 켜고, 모델을 지정하고, 프롬프트 입력 후 생성 버튼. 처음 실행에서 모델 로드에 시간이 좀 걸리는데 정상이다.

    성능 끌어올리는 실전 팁

    설치 끝났다고 끝난 게 아니다. 조금만 손보면 체감 속도가 달라진다.

    • GPU 드라이버 최신 유지: NVIDIA와 AMD 모두 AI 연산 최적화 패치를 주기적으로 낸다. 드라이버 버전 하나 차이로 성능이 꽤 갈린다.
    • VRAM 관리: AI 작업 중에는 게임이나 영상 편집 소프트웨어를 같이 켜두지 말 것. VRAM이 분산된다. --lowvram 또는 --medvram 옵션을 지원하는 툴이라면 적극 활용하자.
    • 양자화 모델 활용: 앞서 언급한 4-bit, 8-bit 버전이다. VRAM 부족 문제를 가장 현실적으로 해결해 준다. 품질 손실보다 쓸 수 있는 모델 범위가 늘어나는 쪽이 이득인 경우가 많다.
    • 쿨링 점검: GPU가 AI 연산을 돌리면 발열이 상당하다. 케이스 환기 상태를 확인하고, GPU 쿨러를 청소하는 것만으로도 안정성이 달라진다. 온도가 올라가면 GPU가 클럭을 스스로 줄인다. 성능이 저절로 떨어지는 셈이다.
    • 라이브러리 버전 관리: PyTorch나 TensorFlow 버전도 성능에 영향을 준다. 각 커뮤니티에서 추천하는 조합이 따로 있다. 무조건 최신 버전이 답은 아니다.

    이게 앞으로 어떻게 커질까

    온디바이스 AI가 가장 빛날 분야는 의료다. 환자 데이터를 외부 서버로 보내는 건 법적으로, 윤리적으로 민감하다. 기기 안에서 분석이 끝난다면 진단 보조 AI의 실용화 속도가 달라진다. 스마트홈 기기도 마찬가지다. 클라우드 서버 없이도 맥락을 이해하는 음성 비서, 오프라인 상태에서도 주변 환경을 실시간으로 분석하는 자율주행 차량. 연결이 끊겨도 작동해야 하는 것들이다.

    개인 PC 쪽도 흐름이 보인다. 지금은 ‘내 PC에서 LLM 돌리기’가 일종의 마니아 취미처럼 느껴지지만, 2~3년 내로 많은 사람의 일상 도구가 될 가능성이 높다. 하드웨어는 빠르게 저렴해지는 중이고, Ollama나 LM Studio 같은 툴은 진입장벽을 계속 낮추고 있다. 클라우드 AI 구독료가 부담스럽다면, 지금 시작해볼 이유는 충분하다.

    The Verge 보도를 참고했습니다: The Verge