노타의 현재 주가와 거래량은 어떻게 되나요?

노타의 현재 주가는 20800원입니다. 전일 대비 350.00원 (1.71%) 상승하였습니다. 오늘의 거래량은 188,445주입니다.

노타의 시가총액은 얼마인가요?

노타의 시가총액은 4,374억원입니다.

노타의 52주 최고가와 최저가는 얼마인가요?

노타의 52주 최고가는 65,300원, 최저가는 15,130원입니다.

노타의 외국인 지분율은 얼마인가요?

노타의 외국인 지분율은 1.28%입니다.

노타 (486990) 주가 및 종목 정보

노타 주가 및 핵심 정보

현재가 및 핵심 투자 정보
항목	값
현재가	20,800 원
변동량	▲ 350 원
변동률	+1.71%
기준 시각	2026.10.06 16:51:27
거래 구분	정규장
시장	KOSDAQ
거래소	KRX · NXT 거래 가능
시가	20,800 원
고가	20,850 원
저가	20,350 원
52주 범위	15,130 원 ~ 65,300 원
거래량	188,445
거래대금	3,880,203,400 원
시가총액	4,374억원

일별 주가

과거 일별 주가 정보
날짜	시가	고가	저가	종가	거래량	거래대금
2026.09.17	17,360	17,600	17,050	17,310	91,056	1,574,985,175
2026.09.18	17,410	17,580	17,400	17,460	57,497	1,005,454,125
2026.09.21	17,540	17,660	17,140	17,490	57,067	995,210,325
2026.09.22	19,100	22,550	18,620	22,550	2,447,794	52,652,009,940
2026.09.23	24,400	25,500	19,760	20,400	2,268,395	49,228,972,350
2026.09.28	20,150	20,600	19,610	20,350	409,237	8,284,449,850
2026.09.29	20,900	21,150	19,550	20,350	583,719	11,752,201,310
2026.09.30	19,880	20,350	19,600	19,610	240,219	4,776,713,390
2026.10.01	19,730	20,550	19,400	20,450	334,833	6,738,876,575
2026.10.02	20,150	20,500	20,000	20,500	195,083	3,950,825,275

회사 정보

기업순위	주식수	외국인 비중	산업군	세부 산업군
KOSDAQ 219위	21,392,430	1.28%	-	-

기업 개요

회사 개요 정보가 없습니다.

AI예측

AI예측기는 이 종목을 강력매도 · 매도 · 중립 · 매수 · 강력매수 로 예측했어요.

멤버십 플랜을 구독하면 예상 주가 시나리오와 AI의 투자의견, 목표·손절가, AI가 참고한 차트 패턴들을 확인할 수 있습니다.

지표분석

수익률 1위 매매전략은 이 종목을 매수 · 매도 · 보유 · 관망 중이에요.

멤버십 플랜을 구독하면 수익률 1위 매매전략의 매매 시점을 확인하고 다음 신호를 알림으로 받아볼 수 있습니다.

최신 관련 뉴스

'DPU로 시작해 AI 인프라 전반으로 사업 확장'··· 권동업 망고부스트 CTO에게 듣다

2026.10.06 13:53:49

[IT동아 남시현 기자] “GPU가 AI 인프라의 중심이던 시절일 때 AI-NIC(네트워크 인터페이스 카드), DPU(데이터 처리 장치)의 핵심 역량은 여러 GPU가 동시에 학습을 수행할 때 발생하는 전체 데이터 병합(All-Reduce)과 결과 배포(Broadcast), 집계 통신(Collective Communication)을 얼마나 가속화하는가에 달려있었다. 하지만 장문맥과 다단계 추론을 반복하는 에이전틱 AI가 확산하면서 지금은 GPU, 네트워크로 연결된 대규모 공유 저장장치를 얼마나 가속할 수 있는지, CPU에 가해지는 부담을 얼마나 DPU로 잘 분산, 적재하는지가 새로운 경쟁의 축으로 부상하고 있다” 에이전틱 AI와 장문맥 추론은 AI 인프라 시장에서 새로운 인터페이스 수요를 만들어내고 있다. 대형언어모델(LLM) 추론 작업은 단순한 요청 및 응답 중심이라면 AI 에이전트는 여러 차례 모델을 호출하고, 도구를 사용하며 과거 문맥을 다시 참조한다. 이에 따라 KV캐시(Key Value)가 GPU 메모리 내에만 저장되어 있기 어렵고 시스템 메모리와 저장 장치, 더 나아가 네트워크로 연결된 대규모 공유 저장장치까지 끌어다 써야 하는 판국이다. 권동업 망고부스트 최고기술책임자를 서울시 관악구 소재의 본사 사무실에서 만났다. 그가 손에 들고 있는 하드웨어가 망고부스트의 부스트X(BoostX) AI-NIC이다 / 출처=IT동아 이에 따라 엔비디아는 저장장치 계층을 GPU에 직접 연결되는 HBM 등을 G1, 시스템 메모리를 G2, SSD 등 저장 장치를 G3, 이더넷 연결 플래시 기반 콘텍스트, KV 캐시 계층을 G3.5, 공유 저장장치를 G4로 공식적으로 구분해서 분류하기 시작했고, AI 인프라 관련 시장도 이에 맞춰 재편되고 있다. 망고부스트 입장에서 이런 시장 흐름은 새로운 기회가 되고 있다. 망고부스트는 2022년 DPU 기반의 AI 인프라 솔루션 기업으로 시작해 최근에는 GPU 서버, 스토리지, 소프트웨어 등 AI 인프라 전반에 관여하고 있으며, 특히 AMD의 주요 기술 파트너로서 시장의 성장에 발맞추고 있다. 권동업 망고부스트 최고기술책임자(CTO)를 만나 AI 인프라 시장 전반에 대한 시각과 회사의 전략에 대한 의견을 들어보았다. “인터페이스가 AI 병목 될거라는 시각에서 망고부스트 시작됐다” 권동업 망고부스트 CTO는 과거 포항공과대학교 재학 시절부터 김장우 서울대 전기정보공학부 교수와 인연을 맺었고, 이후 고성능 컴퓨터 시스템 연구실(HPCS Lab)에서 연구개발을 진행했다. 권동업 CTO는 “DPU 연구는 학부 시절부터 진행해왔다. 향후 인터페이스가 고속화되어 여러 서버가 연결되면 CPU와 인터페이스 속도가 한계의 원인이 될 것이라 생각했다. 그래서 인터페이스 수준에서 각 장치를 직접 연결하는 하드웨어가 필요해질 것이라고 생각돼 새로운 서버 구조를 제안했다. 당시에는 DPU 개념은 없고 장비 중심 서버 아키텍처(Device-Centric Server Architecture)를 통해 지금의 DPU 개념을 만들었다”라면서 “이 개념이 단순히 연구실에서 머무르지 않고 제품화할 수 있도록 김장우 교수와 몇몇 연구실 인원들이 힘을 합쳐 망고부스트를 창업했다”라고 설명했다. 권동업 CTO와 김장우 대표와의 인연은 15년 전으로 거슬러 올라가며, 이미 그때 당시부터 DPU에 대한 기본적인 개념은 구상 중이었다고 말한다 / 출처=IT동아 이에 따라 사업 초기에는 DPU에 집중했지만 지금 시점에서는 ‘풀스택 AI’라고 부를 만큼 AI 인프라 전반에 관여하는 중이다. 권동업 CTO는 “최근 AI 팩토리 단위의 기본 요소는 랙이며, 그 안에 GPU 서버, 스토리지, 탑 오브 랙 스위치, 패브릭, 추론 소프트웨어 등이 포함된다. 초기에는 FPGA(프로그래밍 가능한 반도체)를 바탕으로 DPU, 특정 사용자용 애플리케이션 지원 등에 집중했지만 최종 사용자를 이해해야 우리 경쟁력으로 가져올 수 있다고 생각했다. 그래서 업계에서 AI 인프라가 어떻게 개발되고 활용되는지를 구성하고자 하여 인프라 전반을 다루게 됐다”라고 말했다. AI 인프라 전반을 다루다보니 조직 구성도 하드웨어와 소프트웨어를 전반적으로 채용했다. 권동업 CTO는 “팀 측면에서는 하드웨어 개발 그룹이 HW IP 개발 팀, 카드 및 보드 개발, 칩 개발 등등 물리적인 영역을 담당하고, 카드와 서버 제품군, 소프트웨어 개발 도구, LLM 관련 추론 소프트웨어 등을 개발하는 소프트웨어 엔지니어링 팀으로 나뉜다. 또한 하드웨어와 소프트웨어가 잘 엮이도록 컴퓨트 아키텍트 그룹이 중간에서 조율하는 역할을 한다”라고 정리했다. 세 개 팀은 업계 최고 수준의 경력을 가진 엔지니어들이 총괄하고 있고, 권동업 CTO는 하드웨어, 소프트웨어, 아키텍트 세 팀의 중심에서 모든 작업을 조율하고 있다. 또한 라차타 아우사바룽니룬(Rachata Ausavarungnirun) 박사가 망고부스트 AI 아키텍처 총괄로서 권동업 CTO와 함께 제품 간 시너지, AI 에이전트 팩토리 등을 공동 연구개발하고 있다. CPU 중요성 높아진 에이전틱 AI 시대, 망고부스트의 경쟁력은? 엔비디아의 GPU 다이렉트 스토리지, 그리고 세대별 아키텍처는 AI 인프라 업계 전반의 구조를 뒤엎고 있다. 저장장치가 데이터 보관 용도에서 초고속 데이터 공급 장치로 변화했고, AI 전용 저장장치가 새롭게 대두되고 있다. 특히 AI 학습 및 추론 과정에서 데이터 이동 시 CPU 사용량이 급감해 지연 시간이 줄었고, CPU 자원을 에이전트 실행과 오케스트레이션 등 다른 작업에 더 활용할 여지가 생겼다. 자연스레 데이터 이동의 부하는 PCIe 스위치, 그리고 DPU가 담당하게 됐다. 망고부스트가 차지하는 업계의 중요성도 함께 높아졌다. 망고부스트 부스트X 프로 DPU와 부스트X AI-NIC이 테스트 벤치에 장착돼있다 / 출처=IT동아 권동업 CTO는 “CPU의 부담을 DPU가 얼마나 줄여주는가가 새로운 메모리 계층에서의 핵심 경쟁력이다. 특히 3.5티어에 해당하는 이더넷 연결 메모리는 호스트 CPU 없이 DPU가 주력으로 작용해 그 중요성이 더 높아졌다”라고 말했다. 또한 “시장에서 가장 수요가 높은 DPU는 엔비디아 블루필드지만, 에이전틱 AI 시대에는 DPU가 담당해야 할 역할 자체가 달라지고 있다. 부스트X(BoostX) 에이전트 팩토리, 즉 대규모 추론·서빙 환경으로 운용할 때 필수적인 KV 캐시 계층(G3.5·G4) 가속과 이기종 GPU 풀링을 한 번에 처리하는 데 맞춰져 있다. 현재 부스트X(BoostX)는 LP 카드 형태고, 내년 상반기에는 x86 CPU를 탑재한 스탠더드 폼팩터 DPU를 출시할 예정이며, 2028년 상반기에는 800G 듀얼 포트 DPU까지 확장할 계획” 이라고 말했다. 다만 부스트X 베이스 등 핵심 DPU는 AMD 버설 기반의 FPGA로 구성되어 있고, 대규모 양산이나 전력 효율 면에서는 주문형 반도체(ASIC)보다 불리한 것이 사실이다. 이와 관련해 FPGA를 유지하는지, ASIC을 시작하는가에 대해서는 “내부적으로도 ASIC에 대한 필요성은 느끼고 있으며, FPGA 역시 계속 필요할 것이다. 향후에 대역폭 경쟁이나 대량 도입이 요구된다면 FPGA와 ASIC을 혼용하지 않을까 한다. 당장 중국에서도 FPGA 기반 DPU가 신규 등장하고 있고, 네트워크 패브릭에 대한 혁신도 이어지고 있어서 장기적으로는 두 구성을 복합할 것으로 생각한다”라고 답했다. 망고부스트의 고성능 AI 스토리지 케사르(Kesar, 사진상 좌측)와 AMD GPU 하드웨어 기반의 알폰소(Alphonso, 사진 상 우측) 서버 / 출처=IT동아 자체개발 DPU사업을 기반으로 에이전트 AI 시대의 주요 하드웨어 중 하나로 인식되면서 망고부스트 역시 알폰소(Alphonso) GPU 서버와 케사르(Kesar) 스토리지 서버, 오케스트레이션, GPU, 스토리지까지 모든 인프라를 종합해서 다루기 시작했다. 권동업 CTO는 “DPU 하나만 바라보는 것은 파편화된 접근 법이고, 궁극적으로 효율을 끌어올리기 위해서는 에이전틱 AI와 관계된 모든 구성 요소를 다 다룰 수 있어야 한다고 본다. 특히 소프트웨어만으로는 경쟁 기업이 많고, 기술적 장벽도 낮아지고 있어서 하드웨어를 기반으로 소프트웨어까지 다루는 방식이 기술적인 해자로 작용할 것”이라고 설명했다. 한편 망고부스트는 오는 11월 2일 그리스 아테네에서 열리는 컴퓨터 아키텍처 학회 IEEE/ACM 인터내셔널 심포지엄 온 마이크로아키텍처의 마이크로 2026 인더스트리 세션에서 ‘‘BoostX™-RNIC: Fast, Scalable and Flexible AI RNIC’를 주제로 발표한다. 해당 발표에서는 망고부스트가 GPU와 저장장치, KV 캐시 및 오픈 생태계 등의 기능을 어떻게 AI추론 가속 DPU로 해결하고 있는지 자세히 소개할 예정이다. LLM 효율성에 집중··· ‘대륙간 추론 환경’ 구축도 성공 망고부스트는 올해 1월 ‘LLM부스트(LLMBoost)’를 출시하고 AI 최적화 솔루션 시장공략에 나선 상황이다. 하지만 국내에도 프렌들리AI, 래블업, 양자화 기술 기업인 노타 등 다양한 스타트업들이 LLM 최적화 기술을 개발 중이다. 다만 이들 기업이 소프트웨어 중심이라면 망고부스트는 DPU라는 명확한 하드웨어를 중심으로 LLM 효율성 개선에 나서고 있다. 구체적인 지원 범위와 차이점 소개를 부탁했다. 권동업 CTO는 “우리가 다루는 영역은 넓다. 커널 최적화 레이어에서부터 vLLM, SGLang 기반의 서빙 레이어도 다루고 있으며, LLM 요청 분산 및 스케줄링 등 주요 영역까지 다루고 있다. KV 캐시 확장을 위한 G3.5G, G4 계층을 위한 추론 소프트웨어, 자체 최적화 방법까지 모두 다루고 있다”라면서 “가장 최적화가 잘돼있는 하드웨어는 AMD 인스팅트 MI 시리즈고, 효율적인 방안을 찾는다면 망고부스트가 정답이다. 지난 2년 간 AMD에서 제출한 MLPerf 결과물 중 최고 성능이 우리가 제출한 결과였고, 그만큼 AMD GPU에 대한 이해가 깊은 편”이라고 설명했다. 망고부스트가 제출한 MLPerf 추론 v6.0 테스트 결과, 이중 8장의 MI300X와 8장의 MI325X, 8장의 MI355X가 동시에 활용된 사례가 미국-한국 간 장치를 엮어서 추론한 결과다 / 출처=ML커먼스 앞서 망고부스트는 2025년 MLPerf 추론 v5.1 테스트에서 MI300X와 MI325X를 하나의 추론 시스템으로 운영하는 이기종 GPU 배치를 공개했고, 올해 MLPerf 추론 v6.0에서는 미국에 배치된 MI355X와 국내에 있는 MI325X, MI300X를 하나의 추론으로 엮어 동시에 운용했다. 지난 8월 제출한 MLPerf 추론 v6.1은 망고부스트의 데이터센터와 미국에 위치한 마이크로소프트 애저, 텐서웨이브, 델 테크놀로지스까지 4개의 사업자와 4개의 클러스터에 배치된 32개의 GPU를 하나의 LLM 부스트 서빙 풀로 구축한 결과를 내기도 했다. 권동업 CTO는 “이런 복합적인 추론 환경 구축 사례는 앞으로도 늘어날 것이다. 각 지역과 데이터센터마다 서로 다른 GPU들이 쌓여있고, 수요 공급이 일치하지 못한다. 이런 조건에서 멀티리전, 이기종 GPU 풀이 현실적인 대안이 될 것이다. 특히 우리나라에서는 기가와트 급 데이터센터를 구축하기 어려운데, 수십 메가와트 수준의 데이터센터를 하나로 엮거나 서로 다른 제조사, 사업자간의 GPU를 엮어서 서비스하는 방식도 가능해질 것”이라고 답했다. AMD와는 2년 이상 기술 협업, NPU 기업과도 협업 열려있어 망고부스트는 최근 몇년 간 AMD와 기술적 협력 관계를 이어왔고, 지난 7월 AMD의 연례 콘퍼런스인 어드밴싱 AI를 계기로 관계가 급진전되고 있다. 과학기술정보통신부는 당시 행사에서 이기종 컴퓨팅 아키텍처, 국내 AI 연구센터 설립 등과 관련해 AMD와 양해각서를 체결했으며 내년에 본격적으로 사업을 구체화할 예정이다. AMD 역시 그간 관계를 이어온 망고부스트, 모레(Moreh)를 통해 국내 사업 확장에 나설 것으로 보인다. 에리코 누르비타디(Eriko Nurvitadhi) 망고부스트 공동창업자 겸 미국 법인 최고경영자가 배경훈 부총리 및 리사 수 CEO를 대상으로 망고부스트 솔루션을 설명 중이다 / 출처=IT동아 권동업 CTO는 “AMD 본사 기술팀과 협업한 것은 3년 정도 됐고, 성능 최적화와 공동 엔지니어링 등을 진행했다. 앞서 MLPerf와 관련한 협력도 기술 협업의 일환으로 진행됐고, AMD 엔지니어링 팀으로부터 대여한 MI300 시리즈로 엔비디아 H100 대비 수 배 높은 추론 결과물을 발휘해 어드밴싱 AI에서 발표하기도 했다”라면서 “제조사 중립을 추구하긴 하나 엔비디아의 대안으로서 시장의 선택지를 늘린다는 방안에서 AMD와 적극 협력하고 있다”라고 말했다. 또한 “당시에는 AMD가 엔비디아의 유일한 대안이어서 함께했고, 현재는 AMD와 협업 중인 세레브라스와도 접촉 중이다. 2026년 현재는 국가 실증 프로젝트를 바탕으로 퓨리오사AI의 NPU, 하이퍼엑셀 LPU 등 다양한 하드웨어와도 합을 맞춰보고 있으며 국내 소버린 AI 기업들과도 각을 잡아보고 있다. 망고부스트가 소프트웨어와 네트워크, 이기종 컴퓨팅 전반을 엮는 기술을 보유했으므로 기여할 수 있는 부분이 많을 것”이라고 말했다. ### DPU는 DPU로 남을 수 있을까? 권동업 CTO의 생각은 CPU의 성능은 꾸준히 높아지고, 스마트NIC과 GPU 등의 자체 네트워크 성능, 인터페이스 기술도 갈수록 진화하고 있다. 결국에는 DPU가 독립적인 프로세서 형태로 존재하지 않을지도 모르고, 망고부스트는 그 필요성을 꾸준히 증명해야 하는 상황이다. 권동업 CTO가 바라보는 앞으로 DPU의 입지는 어떨까? 권동업 CTO는 “네트워크 기술이 발전할수록 다수의 제조사가 다양한 세대의 장치를 복합적으로 연결하는 환경이 대세가 될 것이다. 연결성을 바탕으로 장치가 연결된다면 중앙에서 관제를 하더라도 보안 목적으로 관리할 필요성은 더욱 중요해질 것이고, DPU가 이를 지키는 수문장 역할을 하게 될 것이다. 최근에는 AI 게이트웨이, 에이전트 게이트웨이라고도 불리는 서비스인데 장기적으로 DPU가 스마트 스위치, 하드웨어 기반의 보안 장치로 이 입지를 가져갈 것이다. 이미 에임인텔리전스와도 관련하여 협업 중에 있기도 하다”라고 말했다. 망고부스트는 망고 인퍼런스를 시작으로 AI 인프라 사업 전반으로 사업 규모를 확장할 생각이다 / 출처=IT동아 망고부스트가 그리고 있는 큰 그림은 결국 DPU 그 너머에 있다. AMD 어드밴싱 AI에서 처음 선보인 ‘망고 인퍼런스’ 서비스는 망고부스트가 앞으로 갈 방향성을 엿볼 수 있는 대목이다. 망고부스트는 내년 1월 중 1MW 데이터센터 개소를 계획 중이고, 내년 하반기에는 최대 5MW 데이터센터 구축을 목표로 작업 중이다. 권동업 CTO는 “유럽에는 엔스케일, 미국에는 코어위브가 있지만 아시아 및 동남아 지역에는 뚜렷한 네오클라우드, 토큰팩토리 사업자가 없다. 내년 1월 1MW 데이터센터를 설립하면 소버린 AI를 위한 지원, 네오클라우드 서비스를 본격 시작할 예정이다”라고 말했다. 이어서 “내년 하반기 중에는 5MW 수준으로 확대하고, AMD 헬리오스나 엔비디아 NVL72를 포함한 하이엔드 장비부터 미드레인지 GPU, 국산 AI 가속기까지 복합적으로 운영할 계획도 가지고 있다. 망고 인퍼런스라는 브랜드를 바탕으로 망고부스트의 AI 인프라 사업 전반을 확대해나가겠다”는 뜻을 밝혔다. 망고부스트는 1MW 데이터센터를 통해 AI 인프라 사업에 대한 기술적 실현이 가능함을 증명한 상황이다. 이제는 이러한 결과물들을 바탕으로 사업 경쟁력을 만들어 나가는 단계에 접어들었다. IT동아 남시현 기자 (sh@itdonga.com)

서강대, 제조 AI 인재 267명 키운다…정부지원금 162.5억 확보

2026.10.01 12:41:00

AI혁신인재양성사업 선정…2031년까지 지원 포스코DX·노타와 협력…제조·엣지 산업 AI 두 개 트랙 운영 서강대학교가 정부 지원...

신정규 래블업 대표 “AI 인프라 복잡성 낮춰 지능의 민주화 앞당길 것”

2026.09.29 17:19:40

[IT동아 남시현 기자] AI 인프라 관리·운영 소프트웨어 기업 래블업(Lablup)이 9월 29일 연례 기술 콘퍼런스 ‘lab | up > /conf 6’를 개최했다. 콘퍼런스는 신정규 래블업 최고경영자가 ‘AI 산업 시대의 엔드투엔드에 대하여’를 주제로 하는 기조연설로 시작했으며, 노타, 하이퍼엑셀, 업스테이지, 퓨리오사AI, KT클라우드, 리얼월드(RLWRLD), 에임인텔리전스 등 국내 주요 AI 하드웨어 및 소프트웨어 파트너 기업들도 참여해 업계 현황 및 기술 등을 공유했다. 신정규 래블업 대표가 콘퍼런스 기조연설을 통해 지난 1년 간의 성과와 앞으로의 계획 등을 발표했다 / 출처=IT동아 신정규 대표는 “3년 전에는 높은 LLM 개발 비용을 감당하기 위해 대규모 개발의 후발 주자로 따라가는 슬립스트림 전략을 제시했고, 2년 전에는 정처 없이 떠도는 AI 대항해시대가 끝나고 산업 현장으로 나아가는 방향을 설명했다. 작년에는 측정 및 계량 가능한 지능에 대해 얘기하고 어떻게 지능을 측정할지에 대해 얘기했다. 1년이 지난 지금도 이 전략은 여전히 유효하다”라며 발표를 시작했다. 래블업, 측정 가능한 지능 시대에 맞는 최적의 접근법 찾는 중 래블업의 주요 목표는 ‘AI 시대에서 지능의 민주화’이며 지난해부터 측정 가능한 지능과 관련한 방향성과 방법론이 등장하고 있다. 대표적인 것이 토큰, 전력이다. 신정규 대표는 “대표적으로 등장한 단위가 토큰이다. 토큰은 텍스트를 디지털화하는 과정에서 붙는 이름이었지만 이제 모든 AI 생성 및 출력 전반에서 계량 단위로 쓰인다. 전력 소모량도 중요하다. 반도체를 극단적으로 최적화하면 명확한 성능 상한선이 있고, 결국 전력을 얼마나 소비하는지를 따지게 된다”라면서 “세 번째는 지능 그 자체다. AI 지능이 높아야 동일한 토큰으로 더 많은 작업을 처리하는지를 따지게 된다. 토큰과 전력량, 지능은 모두 종합해야 한다”라고 말했다. 래블업은 대규모 서버 인프라 환경부터 개인 수준의 소규모 작업 환경을 아우르는 모든 부분의 소프트웨어로 대응에 나서고 있다. 우선 인프라스트럭쳐 수준에서는 백엔드닷에이아이가 바탕이 되며, 운영 환경 수준에서는 컨티넘 라우터, 컨티넘 허브가 대응한다. 일반 개발자 수준의 애플리케이션 레벨에서는 백엔드닷에이아이:고, 에이아이:돌(AI:DOL)이 대응한다. 신정규 대표가 래블업의 포트폴리오 전반을 소개 중이다 / 출처=IT동아 핵심 서비스인 백엔드닷에이아이는 ▲ 엔비디아 그레이스 블랙웰 지원을 포함해 AI 가속기 가상화 지원 대상을 엔비디아, AMD, 인텔, 퓨리오사AI, 리벨리온으로 확대 ▲쿠버네티스 및 슬럼을 플랫폼 내 통합 ▲모델 콘텍스트 프로토콜(MCP) 및 에이전트 투 에이전트(A2A)를 통한 클러스터 운영 자동화 등의 기능이 새롭게 추가됐다. 최초 토큰 생성 시간, 초당 토큰 생성량 등을 바탕으로 유효 요청 토큰 처리량을 나타내는 굿풋(Goodput) 지표를 컨티넘에서 지원하고, 백엔드닷에이아이가 이에 맞는 서비스 조건을 조정하는 체계도 구축했다. 래블업은 지난해 소개한 ‘컨티넘’ 소프트웨어를 컨티넘 라우터, 허브라는 엔터프라이즈용 시스템으로 확장했다 / 출처=IT동아 지난해 내결함성(오류가 있어도 정상 동작하는 데 초점을 맞춘 시스템) 기반의 LLM 및 멀티모달 모델 운영 자동화로 시작한 ‘컨티넘(Continuum)’은 지능형 관리 계층의 중심 소프트웨어로 강화됐다. 신정규 대표는 “엔비디아 GTC 2025에서 컨티넘을 처음 소개했을 때만 해도 로컬 자원을 관리하는 설루션이었지만 이제는 토큰 팩토리 전반에 영향을 미치는 지능형 관리 계층의 중심이 됐다. 지원 하드웨어도 엔비디아뿐만 아니라 인텔, 리벨리온, 퓨리오사AI 등을 초 대규모 클러스터로 어떻게 운용할지, 칩과 노드 레벨에서 어떻게 운용되는지를 통합 관리할 수 있다”라고 말했다. 특히 “컨티넘 초기 제품군은 장애 대응용 라우터로 시작했지만 모든 요청을 통합하고 관리하는 체계를 갖추면서 할 수 있는 게 많다는 것을 알게 됐고, 이를 컨티넘 라우터와 허브라는 엔터프라이즈 제품군으로 발전시켰다. 컨티넘 라우터는 오픈AI 호환 스마트 라우터로 앤트로픽, 베드록, 제미나이는 물론 vLLM, SGLang 등을 폭넓게 지원한다”라고 말했다. 백엔드닷에이아이:고는 맥OS, 윈도우, 리눅스 기반으로 제공되며 개인 용도로는 무료로 이용할 수 있다 / 출처=래블업 AI 에이전트가 일반 사용자 수준으로 확산하기 시작하면서 올해 1월, 일반 사용자를 위한 PC용 서비스 ‘백엔드닷에이아이:고’도 출시했다 신정규 대표는 “올해 1월 출시 백엔드닷에이아이:고는 누구든지 에이전트 AI를 쉽게 사용할 수 있게 돕고, 동시에 서버나 외부 서비스에 기대지 않고 내 PC와 사무실 PC 등을 조합해서 AI 운영 환경을 만들 수 있도록 한다. 파일만 넣으면 데이터베이스를 만들고, 원하는 에이전트를 모아 팀을 위한 작업을 맡기고 하는 식”이라고 소개했다. 올해 중 애플 실리콘용 서비스, 중소규모용 LLM 최적화도 선뵈어 래블업의 다음 계단은 자원 최적화로 향한다. 신정규 대표는 “AI 에이전트 시대가 오면서 CPU의 중요성이 높아졌지만 현재 기술로는 코어 하나에 주어지는 대역폭은 부족하다. 쿠버네티스, 소코반 (래블업의 자체 오케스트레이터) 등은 프로세스 격리는 이뤄지나 CPU, 메모리까지만 진행하고 디스크와 네트워크 대역폭은 제약이 어렵다. 그래서 특정 에이전트 연산이 많으면 전체 대역폭이 줄어든다. 그렇다고 가상화 환경을 구축하면 서버에 가해지는 부담이 크다. 래블업은 마이크로 가상화 머신과 컨테이너의 2단 구조, 도커 호환 API를 활용해 CPU별 자원을 효율적으로 운용하는 누빔(Neuvm) 서비스를 개발 중”이라고 소개했다. ‘누빔’ 소프트웨어는 에이아이:고에서 시작된 프로젝트로 에이전틱 AI 시대에서 CPU를 더욱 효율적으로 운용하기 위한 설루션이다 / 출처=IT동아 이어서 “가상 머신은 에이전트별 자원 예약을, 컨테이너는 프로세스 격리 및 총량 제약 등을 관리하며 에이전트 내에서 서브 에이전트를 만드는 식으로 여러 작업을 제약할 수 있다. 가상 머신 수는 크게 늘리지 않으면서 컨테이너의 유연성은 지키는 기술이다. 지난 4월 공개한 에이아이:고에 애플실리콘용으로 서비스를 개발했는데 이후 독자 프로젝트로 개발해 올해 연말에는 베타 및 백엔드닷에이아이 엔터프라이즈의 에이전트 격리 시스템으로 도입할 예정”이라고 말했다. 또한 다양한 종류의 에이전트와 도구의 프레임워크, 도구 호출, 자격 증명, 다중 에이전트 호출 등을 통합 관리하는 API 서비스인 ‘스페이스’도 개발 중이며, 정부 지원 GPU와 자체 보유 GPU를 바탕으로 한 확산 언어모델(디퓨전 LLM)을 직접 개발한다. 래블업은 이미 엔비디아 B200 및 B300, 신경망 처리 장치가 포함된 ‘제임스 웹(James Webb)’ AI 데이터센터 운영을 시작했으며, 허깅페이스를 통해 한국어 맞춤 드래프트 모델인 GLM-5.2-NVFP4-DFlash-Ko을 선보일 예정이다. “AI 인프라를 더 쉽게 바꾸고, 지능을 계량하고 배달하는 것이 목표” 래블업은 올해 7월 30일 한국거래소로부터 코스닥 상장을 위한 예비 심사를 승인받았고, 지난 28일부터 기관투자자를 대상으로 수요예측에 들어갔다. 하지만 래블업은 모든 사람들이 더 쉽게 AI를 활용할 수 있는 바탕을 만들겠다는 본질을 벗어나지 않는다. 신정규 대표는 “AI 업계에서 개발 단위는 일주일 단위로 짧아졌고, 연초에 시작한 에이아이:고는 이제 코드 400만 줄의 대형 프로젝트가 됐다. 세상은 너무나 빨리 발전하고 AI와 인프라는 갈수록 복잡해지고 있다”라면서 “래블업은 AI 인프라를 더 간단하게 바꾸고, 지능을 계량하고 배달하는 것이 목표다. 지능의 민주화를 달성하기 위해 AI의 수면 아래에서 벌어지는 일들을 더 직관적으로 바꾸고, 모두가 원할 때 AI를 활용할 수 있도록 추진해 나가겠다”라고 말했다. 발표 이후에는 노정석 비팩토리 대표의 사회로 김준기 래블업 CTO, 김태호 노타 CTO, 이진원 하이퍼엑셀 CTO, 이활석 업스테이지 CTO가 참여하는 ‘AI 병목을 해결하는 인퍼런스(추론) 최적화’ 패널 토크가 진행됐다 / 출처=IT동아 래블업이 말하는 ‘지능의 민주화’는 막대한 연산 자원과 AI를 통한 생산성 향상이 소수에게 집중되지 않고 가능한 많은 사람에게 돌아가도록 하겠다는 개념이다. 고가의 GPU를 직접 확보하거나 복잡한 AI 인프라를 이해할 필요가 없도록 기술적 장벽을 낮추고, 지능을 측정 가능한 형태로 계량해 필요한 곳에 적합한 방식으로 전달하겠다는 것이다. 19세기 후반 전기의 상용화와 보급이 제2차 산업혁명의 핵심 동력 가운데 하나가 됐던 것처럼, 래블업은 거대한 연산 자원에서 만들어지는 AI와 지능이 모두에게 돌아가도록 하겠다는 생각을 갖고있다. 지금 AI 인프라 시장에서 진행되고 있는 다양한 효율화 시도가 향후 AI가 보편적인 자원으로 확산하는 변화의 출발점이 될 수 있다. IT동아 남시현 기자 (sh@itdonga.com)

[위클리_피지컬AI] 퀄컴 NPU 최적화해 로봇팔 작업 속도 3배 개선한 노타 외

2026.09.24 15:53:59

[IT동아 강형석 기자] 생성형 인공지능(AI)이 세상을 바꿨다면, 피지컬 AI(실물 인공지능)는 세상을 뒤흔들 것으로 전망된다. 생성형 AI는 온라인상에서 원하는 결과물을 얻고 창의적인 활동을 가능케 하지만, 피지컬 AI는 산업현장부터 일상환경, 재해극복까지 사람이 하기 어려운 영역을 폭넓게 풀어낼 잠재력을 지녔기 때문이다. 현재 전 세계 기술 기업들이 피지컬 AI 경쟁에 뛰어들었고, 기술 개발도 활발하게 이어진다. [위클리_피지컬AI]는 지난 한 주간 주목받은 기술 기업 소식과 연구 성과를 다루고자 한다. ‘로봇팔 작업 속도 3배 가속’ 노타, 퀄컴 NPU로 피지컬 AI 최적화 실증 피지컬 AI 기술의 핵심 중 하나는 주변을 살피고 언어 지시를 분석한 뒤 관절을 어떻게 회전시킬지 실시간으로 판단하는 비전·언어·행동(VLA) 모델이다. VLA 모델이 진화하면서 휴머노이드와 산업용 로봇 기술도 빠르게 발전했지만, 걸림돌은 실시간 처리에 필요한 연산량이다. 수십억 개가 넘는 매개변수를 쉼 없이 처리하려면 고성능 엣지 단말기가 필요하고, 그만큼 비용도 불어난다. 이 난제를 최적화 기술로 풀어낸 사례가 나와 눈길을 끈다. 인공지능 모델 경량화·최적화 전문 기업 노타(Nota AI)는 2026년 9월 22일 퀄컴(Qualcomm) 드래곤윙 IQ-9075의 신경망 처리장치(NPU)를 활용, 외부 서버나 그래픽 처리장치(GPU)의 도움 없이 로봇팔의 작업 속도를 끌어올린 실증 결과를 발표했다. 노타가 퀄컴 드래곤윙 프로세서의 NPU를 최적화해 피지컬 AI 처리 성능을 개선했다 / 출처=노타 노타는 NPU가 VLA 모델을 직접 구동하고, 로봇에 장착된 엣지 AI 보드 안에서 추론 연산이 모두 끝나도록 체계를 구축했다. 클라우드 서버를 거치지 않고 칩셋의 저전력 연산 성능만으로 지시를 해석해 관절을 제어하는 온-디바이스(On-Device) 로보틱스를 구현한 셈이다. 실증은 언어 명령을 받은 로봇팔이 큐브를 집어 올려 반대편 매트로 옮기는 방식으로 진행됐다. 노타 발표 자료에 따르면 카메라 영상과 명령어를 입력받아 다음 동작 궤적을 계산하는 추론 속도는 최적화 전보다 최대 7배 빨라졌다. 추론 지연이 줄어든 덕에 로봇팔이 목표를 완수하기까지 걸리는 시간도 36초에서 12초로 단축돼 작업 속도가 3배 향상됐다. 작업 성공률은 92%로 원본 모델의 93%와 비교해 1% 낮은 수준에 그쳤다. 피지컬 AI에서 추론 속도는 작업 효율을 넘어 시스템의 안정성까지 좌우하는 요소로 손꼽힌다. 판단이 몇 초만 늦어져도 오작동으로 직결되기 때문이다. 서버 연결이 끊겨도 현장에서 즉각 판단하고 행동하는 경량화 소프트웨어 역량은 앞으로 산업용 협동로봇과 서비스·물류 로봇의 경제성을 가르는 경쟁력으로 부각될 전망이다. 현대차그룹·보스턴 다이내믹스, 미국에 로보틱스 제조 훈련 거점 개소 2026년 9월 21일, 현대자동차그룹과 보스턴 다이내믹스(Boston Dynamics)는 미국 조지아주 서배너의 메타플랜트 아메리카(HMGMA) 부지 안에 차세대 로봇 제조 훈련 거점 ‘로보틱스 메타플랜트 애플리케이션 센터(RMAC)’를 정식 개소했다. 현장 실증 학습을 거치면 보스턴 다이내믹스의 휴머노이드 로봇 ‘아틀라스’의 완성도가 한층 높아질 것으로 전망된다. RMAC에서 아틀라스 로봇들은 부품 물류 관리와 실시간 서열화(Sequencing) 공정에 투입돼 자율 작업 훈련을 수행한다. 서열화 작업은 혼류 생산 방식으로 조립되는 완성차 라인에 맞춰 수만 가지 부품을 정확한 순서와 위치로 분류해 운반하는 복잡한 물리 공정이다. 보스턴 다이내믹스가 휴머노이드 아틀라스의 피지컬 AI 학습 역량을 확장한다 / 출처=보스턴 다이내믹스 기존 산업용 로봇팔은 라인을 재배치할 때 비용 부담이 크다. 반면 이동성과 양손 조작 능력을 겸비한 휴머노이드는 공장 설비를 크게 손보지 않고도 작업자 동선에 맞춰 투입할 수 있다는 점이 차별점으로 꼽힌다. 보스턴 다이내믹스는 부품 물류 최적화를 시작으로 훈련 영역을 단계적으로 넓혀, 오는 2030년까지 고난도 부품 직접 조립 공정에도 아틀라스를 투입할 계획이다. 보스턴 다이내믹스는 2027년 현행 RMAC보다 10배 큰 규모의 새 시설로 이전한다. 새 시설에는 다양한 로봇 학습 환경이 구축될 것으로 예상된다. 산업 환경별 행동 학습이 뒷받침돼야 폭넓은 피지컬 AI 제어 알고리듬과 작업 데이터셋을 확보할 수 있기 때문이다. 보스턴 다이내믹스는 이를 토대로 제조업을 비롯해 항공우주, 반도체, 물류 허브, 식음료, 바이오·제약 등 정밀 조작이 필요한 산업 전반에서 피지컬 AI 모델 경쟁력을 갖추겠다는 구상이다. 체화된 인지와 에이전트 능력을 통합한 ‘ME-VLM’ 자율주행 차량이나 로봇에 탑재되던 인공지능 시스템은 상위의 ‘에이전트 플래너(의사결정 순서 조율)’와 하위의 ‘체화 인지 컨트롤러(로봇 제어 장치)’로 나뉘어 순차적으로 동작하는 직렬 처리 구조였다. 이런 분리형 구조는 현실에서 치명적인 결함을 드러내곤 한다. 디지털 환경에서 언어로 계획을 세우는 상위 플래너는 언어적 맥락상 그럴듯해 보여도 현실 공간에서는 불가능한 명령을 남발한다. 반대로 하위 컨트롤러는 물체를 잡으려다 미끄러지는 물리적 실패가 벌어져도 이 상태를 상위 플래너와 실시간으로 공유하지 못한다. 결국 동작이 그대로 멈추는 ‘물리적 환각(Physical Hallucination)’ 현상을 겪는다. 중국 자동차 기업 리오토(Li Auto)의 기초모델 연구팀은 이 문제를 풀기 위해 ‘고속체화된 시각·언어모델(MachEmbodied-VLM, 이하 ME-VLM)’을 제안했다. 시각·공간 감각과 물리 법칙을 이해하는 ‘체화 인지’ 능력, 장기 계획과 도구 호출을 수행하는 ‘멀티모달 에이전트’ 역량을 하나의 비전·언어 모델로 통합한 구조다. ME-VLM의 학습 구조 / 출처=ME-VLM 논문 ME-VLM은 주변 환경을 인식해 대응하는 전 과정을 ▲인지 ▲추론 ▲행동 ▲검증 ▲재계획의 다섯 단계로 나눈 단일 폐루프(Closed Loop) 체계로 구축했다. 인지는 환경을 관측하는 첫 단계다. 객체 라벨링을 비롯해 주변 사물의 3차원 위치 관계와 표면 재질, 로봇이 접촉했을 때 일어날 수 있는 물리적 상호작용을 뜻하는 행동 유도성(Affordance)까지 파악한다. 이어 목표 달성에 필요한 세부 과제를 도출하는 추론을 거쳐, 구체적인 하위 스킬 함수나 외부 도구를 호출해 움직임을 구현한다. 행동을 마치면 검증에 들어간다. 센서로 수집한 새 영상과 물리 신호를 대조해 명령이 제대로 실행됐는지 확인하는 과정이다. 결과가 의도와 어긋나거나 물체가 미끄러졌을 때는 재계획으로 넘어가 즉시 대안 경로를 설정한다. 연구진은 ME-VLM을 구현하기 위해 체화 지도 미세조정(Embodied SFT), 분리형 전문가 강화학습(Separate Expert RL), 다중 교사 온폴리시 증류(Multi-teacher On-policy Distillation)로 이뤄진 세 가지 학습 과정을 설계했다. 체화 지도 미세조정은 수백만 건의 고정밀 데이터로 물리 상태와 공간 관계, 행동의 실현 가능성을 학습시키는 과정이다. 분리형 전문가 강화학습은 모델을 에이전트 전문가와 체화 인지 전문가로 나눠, 전자에는 계획 수립과 도구 활용, 후자에는 물리 제어와 실패 복구 능력을 각각 강화한다. 다중 교사 온폴리시 증류는 학생 모델이 각 상황을 마주할 때마다 두 교사의 판단에 서로 다른 가중치를 부여해 지식을 전달하는 방식이다. 덕분에 추론 단계에서는 단일 모델만으로 전문성과 물리 제어 능력을 동시에 구현한다. ME-VLM의 벤치마크 점수를 비교한 자료 / 출처=ME-VLM 논문 연구진은 ME-VLM을 40억 매개변수(4B) 모델과 350억 매개변수 기반 혼합 전문가(35B-A3B) 모델로 나눠 개발하고 검증을 마쳤다고 밝혔다. 물리 인지와 작업 계획, 동작 실행, 오류 복구 역량을 아우르는 26개 체화 벤치마크에서 4B 모델은 평균 63.4점, 35B 모델은 평균 70.9점을 기록했다는 주장이다. 이 외에 ME-VLM은 상위 플래너와 하위 컨트롤러를 오가는 직렬 구조 대신 단일 모델이 추론을 끝내는 만큼, 응답 지연시간도 줄어들 것으로 기대된다. IT동아 강형석 기자 (redbk@itdonga.com)

"AI 판단 7배 빨라졌다"…노타, 로봇 모델 최적화 성과 공개

2026.09.23 20:00:00

[이 기사에 나온 스타트업에 대한 보다 다양한 기업정보는 유니콘팩토리 빅데이터 플랫폼 '데이터랩'에서 볼 수 있습니다.] AI (인공지능) 모델 경량화·최적화 기업 노타가 자체 플랫폼 '넷츠프레소'를 활용해 로봇 AI 모델의 작업 수행 능력을 거의 그대로 유지하면서 추론 속도를 최대 7배 높였다. 로봇팔의 실제 작업 속도도 최대 3배 빨라졌다. 노타는 23일 서울 코엑스에서 열린 '휴머노이드 서밋 서울 2026'에서 퀄컴 신경망처리장치(NPU)와 엔비디아 그래픽처리장치(GPU) 기반 환경에서 로봇 AI 모델 7종을 최적화한 결과를 공개했다. 김건민 노타 AI 연구원은 이날 '넷츠프레소를 활용한 다양한 하드웨어 환경에서의 로봇 파운데이션 모델 구동 최적화'를 주제로 로봇 AI 모델을 다양한 엣지 환경에 적용하기 위한 최적화 방법과 성능 검증 결과를 발표했다....

실적현황

매출액

기간	구분	매출액	증가율
2026.2Q	분기 (QoQ)	3,823,408,186	6.66%
2026.1Q	분기 (QoQ)	3,584,548,582	18.33%
2025.3Q	분기 (QoQ)	3,029,324,318	-

영업이익

기간	구분	영업이익	증가율
2026.2Q	분기 (QoQ)	-6,191,205,309	-47.49%
2026.1Q	분기 (QoQ)	-4,197,671,191	2.07%
2025.3Q	분기 (QoQ)	-4,286,460,818	-

순이익

기간	구분	순이익	증가율
2026.2Q	분기 (QoQ)	-6,195,547,257	-54.29%
2026.1Q	분기 (QoQ)	-4,015,414,543	7.97%
2025.3Q	분기 (QoQ)	-4,362,935,541	-

투자자별 매매동향

순매수량

개인: 8,300

기관: -7,433

외인: 16,578

누적 순매수량

개인: 917,137

기관: -704,311

외인: -39,593

순매수

날짜	개인	기관	외인
2026-10-02	8,300	-7,433	16,578
2026-10-01	-83,220	1,560	82,448
2026-09-30	7,624	-6,679	-1,110
2026-09-29	89,662	27,078	-118,041
2026-09-28	3,762	3,035	-8,147
2026-09-23	102,062	-3,467	-109,606
2026-09-22	522,175	-494,407	146,575
2026-09-21	-3,840	2,175	1,665
2026-09-18	-11,737	-426	12,124
2026-09-17	-8,973	3,045	5,928
2026-09-16	-5,609	4,132	1,492
2026-09-15	-1,383	-179	1,612
2026-09-14	10,133	-2,991	-7,142
2026-09-11	63,119	-32,766	-30,403
2026-09-10	9,414	-55,647	46,233
2026-09-09	38,161	-30,370	-7,890
2026-09-08	53,281	-35,084	-17,422
2026-09-07	29,979	-22,025	-7,956
2026-09-04	-38,605	-644	39,249
2026-09-03	-555	3,467	-2,762
2026-09-02	19,908	-97	-19,811

누적 순매수

날짜	개인	기관	외인
2026-10-02	803,658	-647,723	23,614
2026-10-01	795,358	-640,290	7,036
2026-09-30	878,578	-641,850	-75,412
2026-09-29	870,954	-635,171	-74,302
2026-09-28	781,292	-662,249	43,739
2026-09-23	777,530	-665,284	51,886
2026-09-22	675,468	-661,817	161,492
2026-09-21	153,293	-167,410	14,917
2026-09-18	157,133	-169,585	13,252
2026-09-17	168,870	-169,159	1,128
2026-09-16	177,843	-172,204	-4,800
2026-09-15	183,452	-176,336	-6,292
2026-09-14	184,835	-176,157	-7,904
2026-09-11	174,702	-173,166	-762
2026-09-10	111,583	-140,400	29,641
2026-09-09	102,169	-84,753	-16,592
2026-09-08	64,008	-54,383	-8,702
2026-09-07	10,727	-19,299	8,720
2026-09-04	-19,252	2,726	16,676
2026-09-03	19,353	3,370	-22,573
2026-09-02	19,908	-97	-19,811

자산 비율

자산총계	부채비율	자본비율
34,085,340,915	46.76%	53.24%

매출 구성

매출 구성 정보가 없습니다.

공매도 현황

최근 공매도 거래량: 4,898 (1.28%)

최근 공매도 잔고: 386,584 (1.81%)

공매도 거래량

날짜	종가	공매도량	공매도비중
2026-10-02	20,500	4,898	1.28%
2026-10-01	20,450	2,269	0.33%
2026-09-30	19,610	2,384	0.52%
2026-09-29	20,350	17,299	1.55%
2026-09-28	20,350	26,624	3.07%
2026-09-23	20,400	50,809	1.09%
2026-09-22	22,550	11,254	0.22%
2026-09-21	17,490	1,107	1.07%
2026-09-18	17,460	1,178	1.22%
2026-09-17	17,310	1,859	1.23%
2026-09-16	16,830	2,578	3.27%
2026-09-15	16,960	787	0.97%
2026-09-14	16,720	2,530	2.44%
2026-09-11	17,210	11,856	6.28%
2026-09-10	17,720	2,858	1.56%
2026-09-09	17,800	8,753	6.06%
2026-09-08	17,810	16,681	5.43%
2026-09-07	17,750	2,239	1.47%
2026-09-04	18,040	2,341	1.08%
2026-09-03	17,210	3,624	4.96%
2026-09-02	17,630	14,236	15.79%

공매도 잔고

날짜	종가	공매도 잔고	공매도 비중
2026-09-30	19,610	386,584	1.81%
2026-09-29	20,350	384,524	1.80%
2026-09-28	20,350	309,049	1.44%
2026-09-23	20,400	292,423	1.37%
2026-09-22	22,550	277,893	1.30%
2026-09-21	17,490	304,963	1.43%
2026-09-18	17,460	311,881	1.46%
2026-09-17	17,310	319,089	1.49%
2026-09-16	16,830	314,693	1.47%
2026-09-15	16,960	316,191	1.48%
2026-09-14	16,720	317,901	1.49%
2026-09-11	17,210	316,872	1.48%
2026-09-10	17,720	294,388	1.38%
2026-09-09	17,800	322,130	1.51%
2026-09-08	17,810	314,073	1.47%
2026-09-07	17,750	301,942	1.41%
2026-09-04	18,040	292,149	1.37%
2026-09-03	17,210	315,302	1.47%
2026-09-02	17,630	311,200	1.45%
2026-09-01	18,500	293,877	1.37%
2026-08-31	18,770	229,334	1.07%

업종 내 비교

업종 내 비교 정보가 없습니다.