[디지털비즈온 김맹근 기자] 최근 주요 분기*에 따른 인공지능 기술(SW·알고리즘)의 비약적인 성능향상과 패러다임의 변화로 인공지능 반도체 등 HW 기술 역시 급격한 발전을 거듭하고 있다. 과거 인공지능 SW·알고리즘은 기계학습 기반 인식·추론 중심이었으나, 단순한 모델로도 더 뛰어난 성능을 갖는 딥러닝의 등장으로 맞춤형 HW(반도체) 개발 필요성 ·수요 급부상하고 있다.
딥러닝은 과거 기계학습 대비 단순한 연산 메커니즘을 바탕으로 지속적인 알고리즘 최적화가 가능하며, 이를 구현하기 위한 목적·맞춤형 인공지능 반도체 수요가 지속해서 확대 중이다.
인공지능 반도체는 시스템반도체(비메모리 반도체)의 일종으로 인공지능 기술의 비약적인 발전과 이에 따른 수요 급증으로 주문형 소자를 중심으로 높은 시장성이 전망된다. 인공지능 반도체는 활용 목적에 따라 크게 데이터센터(서버)와 엣지컴퓨팅용으로 구분한다. 할 수 있으며, 앞서 언급한 ‘시스템반도체 산업 특징’은 주로 엣지컴퓨팅 분야에 한정한다.
기존 범용 프로세서(CPU)는 딥러닝의 높은 정확성은 대량의 데이터 처리·연산에 한계가 존재, 이를 극복하기 위해 인공지능 분야에 특화된 다양한 ‘연산유닛 (Processing Unit)’이 등장이다.
GPU(Graphic Processing Unit)는 당초 고화질 그래픽 연산을 처리하기 위해 개발되었으나, 딥러닝의 반복적인 연산을 대부분 고도화된 병렬 연산유닛에 그대로 대응시킬 수 있다는 것에 착안, 인공지능 연산 가속의 핵심 반도체로 역할을 수행한다.
FPGA(Field-Programmable Gate Array)는 목적에 따라 재프로그래밍이 가능한 반도체 구조*로 짧은 개발시간과 높은 유연성에 따라 인공지능의 잦은 알고리즘 변화에 효과적으로 대응 가능하다.
ASIC(Application Specific Integrated Circuit) 명확한 애플리케이션과 목적을 가진 시스템을 저전력으로 구동하기 위해 활용하는 주문형 SoC로, 낮은 범용성에도 불구하고 주요 빅테크· 스타트업 기업들이 자사 제품·서비스에 특화된 인공지능 반도체를 개발·생산하기에 유리하다.
인공지능 반도체는 인공지능 SW·알고리즘의 연산(학습·추론) 기능의 효율적인 연산에 특화된 반도체 소자이다. 인공지능 연산은 ‘다중 병렬연산’에 기반한 ‘학습’과 ‘추론’으로 구분되며, 학습용 데이터를 통해 도출된 학습 모델은 추론 연산에 적용, 그 정확도는 도출된 학습 모델에 좌우한다.
한편, 활발히 연구 중인 뉴로모픽 반도체는 아니라 폰노이만 컴퓨팅 구조의 한계를 극복할 수 있는 병렬형 컴퓨팅 구조를 위한 반도체 기술로 주목한다. 이처럼 인공지능 반도체는 학습·추론을 저전력·고속으로 처리하는 데 특화되어 있으며, 연산유닛별로 아래와 같은 구분이 가능하다.
1세대 인공지능 반도체는 CPU, GPU 등 기존의 반도체를 활용하여 인공지능 연산을 처리하여 비용이 저렴하고 범용성이 높지만, 상대적으로 연산성능이 낮고 소비전력은 높은 편이다.
2세대 인공지능 반도체는 특정 인공지능 연산에 특화·최적화한 FPGA, ASIC 등을 포함하며, CPU·GPU 대비 연산성능이 높고 소비전력이 낮지만, 높은 가격과 디자인된 알고리즘만 동작시킬 수 있다는 점에서 범용성은 다소 낮다.
3세대 인공지능 반도체는 기존 폰노이만 방식을 탈피한 PIM, 뉴로모픽 반도체 등이 대표적이며, 성능이 가장 우수할 것으로 보이나, 아직 기술성숙도가 낮고 특수한 구조상 범용성이 낮다.
기술 동향 및 대응
응용·활용은 인공지능 반도체는 활용 목적에 따라 데이터센터(클라우드·서버 등), 엣지컴퓨팅(모바일·자율주행 등)용으로 분화·발전 중이며, 全분야에서 ASIC의 약진이 전망된다. 초기 엣지컴퓨팅을 위한 인공신경망 구현과 뉴로모픽 초기 모델을 시작으로 데이터센터용 인공지능 연산·작업 부하 증대로 서버·엣지컴퓨팅용 인공지능 반도체 연구가 지속된다.
데이터센터용 반도체는 CPU·GPU 조합을 기반으로 Intel과 NVIDIA가 시장을 주도 중이나, 최근 클라우드 시장과 인공지능 수요 확대로 ARM, RISC-V 기반 ASIC이 대체재로 부상한다. 한편, 단말기에서 직접 인공지능 처리가 가능한 엣지컴퓨팅 분야에서도 기존 클라우드 컴퓨팅이 갖는 단점을 보완하며 ASIC의 주도권이 강화될 것으로 전망한다.
인공지능 반도체의 성능은 연산유닛 종류 외에도 메모리 형태, 인터페이스, 패키징 구조, 단위 트랜지스터(Transistor, TR) 소자 등에 좌우한다. 메모리는 인공지능 반도체의 메모리는 학습데이터 저장, 신경망의 병렬연산을 위한 핵심 요소이다. 인터페이스는 연산유닛에 대한 대용량 학습데이터의 전송 속도와 대역폭이 주요한 성능 인자 중 하나로 이와 관련한 인터페이스 기술*은 진화 중이다.
패키징은 개별 연산유닛만큼 인공지능 반도체 성능 구현의 주요 인자로 최근 제조 단가와 성능 간 최적화를 위한 인공지능 반도체 구조(폼펙터)로 Chiplet(칩렛) 패키징이 대두한다. 트랜지스터(TR) 소자는 연산유닛 성능의 근원으로 소모전력과 저지연성 등에 직접적인 영향을 주는 인자로 TSMC, 삼성전자 등 주요 파운드리의 첨단 제조 능력에 따라 좌우한다.
설계SW는 오픈소스인 RISC-V의 장점으로 스타트업 중심의 활용 증가와 기존 업체의 개발·투자 확대가 이루어지며, 기존 ARM 중심의 반도체 설계 분야 재편 중이다. 저전력·고효율 소자 구현을 위한 미세화 공정에 따른 제조 단가 증가와 함께 설계자산(IP) 비용의 급증으로 신생 업체의 개발과 시장 진입에 걸림돌로 작용한다. RISC-V가 갖는 경제성·저전력·보안성·비정치성 등 장점으로 적극적인 활용이 기대되나, 안정성·호환성 확보 등 개발위험 부담에 따라 ARM과 병·혼용 이후 점차 시장 안착 전망이다.
결론적으로 인공지능 반도체는 최근 미세화 공정의 한계, 최근 메모리 반도체 다운 사이클 등 위축된 반도체 산업 전반에 새로운 기회를 창출하며 큰 폭의 성장세가 전망이다. 인공지능 반도체 시장의 급격한 확대와 함께 ASIC의 약진, RISC-V의 부상, 주변 기술(패키징 공정 등) 고도화, 뉴로모픽·PIM 개발 등이 주요 이슈로 부상되고 있다.
주요국은 공급망 내재화, 기술패권경쟁 등 대외환경 변화와 인공지능 반도체의 산업·사회적 파급력을 고려해 생태계 강화와 기술 확보를 위한 대대적인 지원을 추진 중이다.
따라서 인공지능 반도체는 우리나라가 취약한 시스템반도체 분야와 연관성이 높아 생태계 조성과 차세대 기술 선점을 위한 전략성 강화와 중장기적인 지원이 필요하다. 또한 국내 반도체 기술 역량을 바탕으로 초기 시장이 형성 중인 인공지능 반도체 산업 선점을 위한 중장기적인 지원·노력과 함께 기술 종속 우려 해소를 위한 설계분야 집중 투자 필요하다.