서버 없이 게임 안에서 AI를 돌린다 — 유니티 센티스로 보는 2D 게임 온디바이스 AI

유니티 센티스는 ONNX 모델을 게임 런타임에서 서버 없이 기기 자원만으로 실행하는 추론 라이브러리입니다. 장단점과 2D 게임의 네 가지 활용 영역, 모델 수급처, 텐서 파이프라인과 CPU·GPU 백엔드 선택 기준까지 도입 전에 볼 내용을 정리했습니다.

2026년 6월 30일에버스톤10분 분량AI · 개발게임 개발 · 퍼블리싱

서버 없이 게임 안에서 AI를 돌린다 — 유니티 센티스로 보는 2D 게임 온디바이스 AI 대표 이미지

유니티 센티스(Unity Sentis)는 학습된 AI 모델을 클라우드 서버 없이 플레이어 기기에서 바로 실행하게 해 주는 추론 라이브러리입니다. 이 자료는 2D 게임을 기준으로 센티스를 어디에 쓸 수 있고, 어떤 제약이 있으며, 어떤 순서로 붙이는지를 정리합니다. 요지는 서버 비용과 지연 없이 NPC, 물리 예측, 화풍 변환, 맵 생성 같은 기능을 게임 안에 넣을 수 있다는 것입니다.

이 문서는 NotebookLM(노트북 LM)으로 자료를 조사해 만든 문서입니다.

센티스는 ONNX 모델을 유니티 런타임에서 실행하고, 한 번 구축하면 여러 플랫폼에서 동작합니다
장점은 네트워크 지연 없음, 데이터 외부 전송 없음, 서버 비용 없음입니다
제약도 있습니다. 텐서 차원 제한, 문자열 미지원, 자료형 변환 오버헤드
2D 게임에서는 NPC 행동, 궤적 예측, 화풍 변환, 레벨 생성 네 영역에 적용할 수 있습니다
모델은 검증된 모델 저장소에서 가져오고, 기기에서 감당하기 어려운 모델만 클라우드로 보냅니다

센티스가 무엇이고, 무엇이 안 되는가

Sentis의 핵심 정의 슬라이드. 세 칸으로 나뉘어 Neural Network Inference(신경망 아이콘) — ONNX 기반의 인공지능 모델을 유니티 런타임 환경으로 직접 가져와 실행하는 경량 추론 라이브러리. On-Device Execution(칩이 든 톱니바퀴 아이콘) — 클라우드 서버나 외부 API에 의존하지 않고 플레이어의 기기(CPU/GPU) 자원만을 활용하여 즉각적으로 연산. Cross-Platform(스마트폰·모니터·게임패드 아이콘) — PC, 모바일, 콘솔 등 유니티가 지원하는 거의 모든 플랫폼에서 한 번의 구축으로 동일하게 작동

센티스 도입 진단 매트릭스 비교. Pros: 아키텍처 강점 — Zero Latency(클라우드 통신이 없어 네트워크 지연 시간이 0에 수렴), Data Privacy(플레이어의 데이터가 외부로 전송되지 않아 보안 유지), Cost Efficiency(지속적인 서버 호스팅 및 API 호출 비용 전무), ONNX Support(PyTorch, TensorFlow 등 범용 프레임워크와 호환). Cons: 기술적 한계 — Tensor Limits(최대 8차원 텐서까지만 지원, 대부분의 2D 게임엔 충분), Data Types(문자열 및 복소수 텐서 미지원), Overhead(Boolean 데이터를 Float/Int로 변환하는 과정에서 메모리 오버헤드 발생)

장점 목록만 보면 모든 AI 기능을 기기에서 돌리고 싶어지지만, 실제 판단 기준은 모델 크기와 대상 기기 사양입니다. 저사양 모바일 기기까지 지원해야 하는 게임이라면 모델이 가벼운지, 추론 시간이 프레임 예산 안에 들어오는지부터 확인해야 합니다. 문자열 텐서를 지원하지 않는다는 제약은 대형 언어 모델을 그대로 올리기 어렵다는 뜻이기도 합니다.

2D 게임에서 쓸 수 있는 곳

2D 게임 내 AI 활용 역량 매핑 사분면. Logic Layer — 강화학습(Reinforcement Learning), 패턴화된 상태 머신(FSM)을 탈피한 지능형 NPC 및 전략적 상대(예: 오델로 AI). Rendering Layer — Image-to-Image / Style Transfer, 렌더 텍스처를 활용해 게임 화면의 화풍이나 스프라이트 아트를 실시간으로 변경. Physics Layer — 회귀 모델 예측(Regression), 무거운 FixedUpdate 물리 연산을 우회하여 투사체의 궤적을 즉각적이고 가볍게 예측. Level Layer — GAN / VAE, 유니티 Tilemap 데이터(정수 배열)로 직접 변환되는 절차적 콘텐츠 및 맵 생성(PCG)

AI 모델 수급 및 파이프라인 비교 표. Hugging Face Unity-Sentis(권장, 별표) — 특징은 유니티 공식 검증 완료 모델, 포맷은 .sentis(변환 불필요), 적합성은 즉시 적용 가능한 2D 게임 최적화 모델 탐색 시. ONNX Model Zoo — 방대한 오픈소스 생태계, .onnx(유니티 임포트 시 자동 최적화), Opset 7-15 버전 내의 독자적인 기능이나 커스텀 모델 구현 시. Cloud Inference(HF Endpoints) — 로컬 연산 불가능한 초대형 모델, API 호출 방식, 모바일·저사양 기기에서 고성능 LLM이나 복잡한 연산이 필요할 때

네 영역 중 도입 부담이 적은 쪽은 물리 예측과 레벨 생성입니다. 입력과 출력이 숫자 배열이라 모델이 작고, 결과가 틀려도 게임이 깨지기보다 품질이 조금 달라지는 정도에서 그치기 때문입니다. 반대로 강화학습 NPC는 학습 환경을 따로 구축해야 해서 준비 기간이 깁니다. 모델 수급표는 기기 실행과 클라우드 호출을 기능별로 섞어 쓰는 구성도 가능하다는 점을 보여 줍니다.

모델을 게임에 붙이는 과정

텐서 워크플로우 파이프라인(Tensor Workflow Pipeline) 네 단계. 01 Model(모델 로드) — .sentis 에셋을 런타임 모델 객체로 인스턴스화. 02 Input(입력 텐서 생성) — C# 게임 데이터를 텐서(Tensor)로 변환(예: TextureConverter 사용). 03 Worker(추론 실행) — 추론 엔진(Worker) 생성 및 하드웨어(CPU/GPU) 스케줄링, 다중 프레임 분할(Slicing) 지원. 04 Output(결과 출력) — 비동기 방식으로 출력 텐서 데이터를 읽어와 2D 게임 로직에 반영

데이터 변환: Texture to Tensor 슬라이드. 왼쪽 평면 격자로 그린 2D Texture(Texture2D / RenderTexture)가 TextureConverter.ToTensor 화살표를 거쳐 오른쪽에 Batch·Channels·Height·Width 축이 표시된 여러 층의 Tensor Memory(NCHW Layout)로 바뀌는 그림. 핵심 원리 — 2D 이미지는 딥러닝 표준인 NCHW(Batch, Channels, Height, Width) 레이아웃으로 변환됨. 성능 최적화 — GPU 상에서 직접 텍스처를 TensorFloat으로 변환하여 CPU 점유율 및 병목 현상을 크게 낮춤

백엔드 실행 엔진 최적화 전략(Execution Backend) 표. CPU(Burst Compiler) — 모델 연산량이 적고 GPU에서 CPU로 데이터를 옮기는 복사 비용(Overhead)을 피하고 싶을 때 적합. GPUCompute(DirectML / Compute Shaders) — 병렬 처리를 극대화하며 복잡한 이미지 필터링이나 대규모 연산이 필요한 2D 그래픽 처리에 가장 강력한 성능을 발휘. GPUPixel(Pixel Shaders) — Compute Shader를 지원하지 않는 레거시 하드웨어나 전통적인 그래픽 렌더링 파이프라인(Blit)과 통합할 때 사용

실무에서 주의할 부분은 3단계의 프레임 분할과 4단계의 비동기 읽기입니다. 추론을 한 프레임 안에서 끝내려 하면 화면이 멈칫하고, 결과를 동기 방식으로 기다리면 GPU 작업이 끝날 때까지 메인 스레드가 묶입니다. 백엔드 선택도 "GPU가 무조건 빠르다"가 아니라, 작은 모델은 GPU와 CPU 사이의 데이터 복사 비용 때문에 CPU 쪽이 나을 수 있다는 점을 표가 짚고 있습니다.

무엇이 달라지고, 어떻게 시작하나

개발 패러다임의 전환(Paradigm Shift) 비교. 과거: Hard-Coded Logic — 유한 상태 머신(FSM)에 갇힌 단순한 적 AI, 프레임 드랍을 유발하는 무거운 연산(복잡한 물리 시뮬레이션), 일일이 수학적으로 설계해야 하는 절차적 맵 생성 로직. 가운데 겹친 선으로 그린 오른쪽 화살표. 미래: Dynamic AI Systems — 사용자의 플레이를 학습하고 유동적으로 대응하는 스마트 NPC, 물리 연산을 우회하여 0.02s 안에 궤적을 계산하는 회귀 모델, 학습된 데이터를 바탕으로 실시간으로 유니티 타일맵에 레벨을 그리는 생성형 AI

지금 바로 시작하기(Next Steps) 체크리스트. Package Manager — com.unity.sentis 설치(Unity 2021.3 이상 권장). Model Sourcing — Hugging Face의 unity-sentis 태그 모델 다운로드. Documentation — 2D 텍스처 스타일 트랜스퍼 및 NPC 강화학습 튜토리얼 확인. 하단 문장은 정해진 스크립트의 한계를 넘어, 살아 숨 쉬는 2D 게임을 설계하라는 것

"과거와 미래"의 대비는 다소 단순화되어 있습니다. 상태 머신 기반 적 AI는 예측 가능하고 디버깅이 쉽다는 장점 때문에 앞으로도 많이 쓰일 것이고, 학습형 NPC는 그 위에 일부 행동을 보강하는 방식이 현실적입니다. 또 센티스는 유니티 버전에 따라 이름과 패키지 구성이 바뀌었다는 안내가 있으므로, 설치 전에는 사용하는 유니티 버전의 공식 문서에서 최신 패키지명을 확인하는 것이 좋습니다.

자주 묻는 질문

센티스로 대형 언어 모델을 모바일 게임에 넣을 수 있나요? 현실적으로 어렵습니다. 문자열 텐서를 지원하지 않고 모델 용량과 연산량도 커서, 대화형 기능은 클라우드 호출과 섞어 쓰는 편이 일반적입니다.

온디바이스 AI를 넣으면 앱 용량이 크게 늘어나나요? 모델 크기에 따라 다릅니다. 궤적 예측이나 맵 생성용 소형 모델은 부담이 적지만, 이미지 변환 모델은 용량을 먼저 확인해야 합니다.

처음 시도하기 좋은 기능은 무엇인가요? 입력과 출력이 숫자 배열인 기능이 좋습니다. 투사체 궤적 예측이나 타일맵 생성은 모델이 작고 결과를 검증하기도 쉽습니다.

저희가 이 이야기를 하는 이유

에버스톤은 2013년부터 Unity로 2D·3D 모바일 게임과 앱을 개발해 왔습니다. 게임에 AI 기능을 넣을 때 서버 비용과 응답 지연은 늘 함께 따라오는 고민이라, 기기 안에서 처리할 수 있는 범위가 넓어지는 것은 작은 팀에게 의미 있는 변화라고 봅니다. 이 자료는 그 범위를 가늠하는 출발점으로 참고할 만합니다.

인용한 기능 설명, 수치(8차원, 0.02초, Opset 7-15, Unity 2021.3 등)와 권장 구성은 원 자료 기준이며, 저희가 검증한 내용이 아닙니다.