티에리 탐베

🏷️ 인물 머신러닝 교수

개요

티에리 탐베(Thierry Tambe)는 스탠퍼드 대학교 전기공학과 조교수(컴퓨터과학과 겸임)입니다. William George and Ida Mary Hoover Faculty Fellow로 선정되기도 했습니다. AI와 데이터 집약적 응용을 도메인 특화 하드웨어 위에서 효율적으로 구동하는 알고리즘-실리콘 공동 설계(algorithm-to-silicon co-design)를 연구 철학으로 삼습니다. 스탠퍼드 내 자신의 연구실 Tambe Lab을 운영합니다.

탐베의 연구는 "모델을 작게 만드는 알고리즘"과 "그 모델을 싸게 돌리는 하드웨어"를 분리하지 않고 한 묶음으로 설계하는 데 있습니다. 양자화(quantization), 가지치기(pruning), 조기 종료(early exit) 같은 알고리즘 기법을 회로 수준의 전압-주파수 제어와 연결하는 방식이 그의 트레이드마크입니다.

2025~2026년에는 LLM 추론 효율화, 에이전트 메모리 시스템, 온칩 메모리 설계 등으로 연구 범위를 확장하면서, 에지 기기를 넘어 대규모 AI 인프라 전반의 효율성 문제를 다루는 방향으로 이동하고 있습니다.

생애

탐베는 하버드 대학교에서 전기공학 박사 학위를 받았습니다. 박사 과정에서 딥러닝 가속기의 알고리즘-하드웨어 공동 설계를 주제로 연구를 수행했으며, IEEE SSCS Predoctoral Achievement Award와 NVIDIA Graduate PhD Fellowship을 수상했습니다.

박사 이후 NVIDIA를 거쳐 스탠퍼드 대학교 전기공학과에 교수로 임용되었습니다. 하버드와 NVIDIA에서 쌓은 가속기 설계 경험은 스탠퍼드 합류 후 Tambe Lab의 연구 방향을 설정하는 데 직접 반영되었습니다.

스탠퍼드에서는 VLSI 시스템 및 머신러닝 하드웨어 가속기 관련 강의를 담당하며, 알고리즘과 하드웨어를 동시에 이해하는 다음 세대 연구자 양성에도 힘을 쏟고 있습니다. 2025~2026 학년도에도 관련 강좌를 개설해 학생들을 지도하고 있습니다.

업적

탐베의 가장 대표적인 연구는 EdgeBERT입니다. BERT 같은 트랜스포머 언어 모델을 자원이 제한된 엣지 기기에서 구동할 때, 엔트로피 기반 조기 종료(early exit)로 문장 단위 동적 전압-주파수 스케일링(DVFS)을 수행해 목표 지연 시간을 지키면서 에너지를 최소화하는 시스템입니다. MICRO 2021에서 발표된 이 연구는 기존 추론 방식 대비 최대 7배 에너지 절감을 달성했습니다.

2025년 ICML에 발표한 "BlockDialect: Block-wise Fine-grained Mixed Format for Energy-Efficient LLM Inference"는 LLM 추론을 위한 블록 단위 혼합 정밀도 양자화 기법입니다. 단일 포맷 대신 블록별로 최적 수치 형식을 선택해 에너지 효율과 정확도를 함께 확보합니다.

2026년 MLSys에는 "AgenticCache: Cache-Driven Asynchronous Planning for Embodied AI Agents"를 발표했습니다. 에이전트 메모리 캐싱과 비동기 계획 수립을 결합해 구현 에이전트의 시스템 효율을 높이는 연구입니다. 같은 해 "RaZeR: Pushing the Limits of NVFP4 Quantization with Redundant Zero Remapping"(arXiv:2501.04052)도 발표해 초저정밀도 양자화의 한계를 밀어붙이고 있습니다.

Agent Memory - Characterization and System Implications of Stateful Long-Horizon Workloads 논문에서는 시니어 저자로 참여해, 에이전트 메모리를 정확도가 아닌 시스템(연산, 에너지, 서빙) 문제로 재정의하는 연구 관점을 주도했습니다. Google ML and Systems Junior Faculty Award를 수상하며 연구 기여를 인정받기도 했습니다.

여담

탐베가 MICRO 2021에서 발표한 EdgeBERT는 알고리즘 논문과 하드웨어 논문이 보통 따로 발표되던 시절에 둘을 한 번에 묶은 사례로 주목받았습니다. 이 방식은 이후 효율적 AI 연구의 표준 접근법이 되어가고 있습니다.

Tambe Lab은 하드웨어, 알고리즘, 시스템을 동시에 다루는 소수 정예 연구실로 알려져 있습니다. 회로 수준부터 응용 수준까지 수직으로 통합하는 연구 스타일은 넓은 배경 지식을 요구하는 만큼 진입 장벽이 높지만, 그만큼 논문의 기여 범위도 넓습니다.

2026년 연구에서 에이전트 메모리와 온칩 메모리 설계가 동시에 등장하는 것은 흥미롭습니다. 소프트웨어 시스템(에이전트)과 하드웨어 시스템(칩)의 메모리 계층이 결국 같은 설계 원리로 수렴한다는 그의 관점을 반영합니다.

주요 논문