죽음을 건너뛰는 인간, 상상이 만든 질문

봉준호 감독의 영화 <미키17>은 파격적인 설정으로 시작한다. 주인공 미키는 죽을 때마다 새로운 몸으로 다시 태어나며, 이전의 기억과 의식은 그대로 이어진다. 극 중 인류는 얼음 행성 ‘니플하임(Niflheim)’을 식민 개척지로 제시하며, 혹독한 환경에 맞서기 위해 ‘소모성 인간’을 재프린팅해 개척을 시도한다. 마치 죽음을 건너뛰는 듯한 이 설정은 얼핏 비현실적으로 보이지만, 사실은 인류가 오랫동안 품어온 꿈과도 맞닿아 있다. 바로 복제인간, 의식 전송, 그리고 죽음을 넘어선 ‘디지털 불멸’이다.

복제와 의식 전송: 뇌를 데이터로 다루다

1996년에 태어난 복제 양 ‘돌리’는 1997년 공식 발표와 함께 성체 세포에서도 복제가 가능함을 전 세계에 각인시켰다. 그러나 단순히 육체를 복제한다고 해서 곧바로 ‘나’라는 존재가 이어지는 것은 아니다. 영화 <미키 17>의 핵심은 몸이 아닌 의식의 전송이다. 기억과 성격, ‘자아’를 데이터처럼 옮겨 담는 데 있다.

실제로 과학계에서는 ‘마인드 업로딩(Mind Uploading)’이라는 이름으로 이 개념이 연구되고 있다. 뇌 속 수십억 개의 뉴런과 수백조 개의 시냅스를 정밀하게 기록해 컴퓨터로 재현하는 방식이다. 인간의 뇌 용량은 수백 테라바이트에서 최대 수 페타바이트까지 추정되며, 이는 때로 인터넷 전체 데이터에 근접한 규모로 비유되기도 한다. 이 방대한 정보를 처리하려면 초대형 데이터센터, 초고속 메모리, 그리고 인간의 뇌를 모방한 뉴로모픽 칩 등이 필요하다.

주요 반도체 기업들도 뇌처럼 신호를 병렬 처리하는 칩을 개발하고 있으며, 세계 각국은 ‘브레인 프로젝트’를 통해 두뇌 시뮬레이션 연구를 이어가고 있다. 미래학자 레이 커즈와일(Ray Kurzweil)은 “2045년이면 인간의 뇌와 기계는 연결될 것”이라 전망한 바 있다. 이는 곧, <미키 17> 속 상상이 머나먼 공상이 아니라 현실의 뉴스로 다가올 수 있음을 시사한다.

우주 개척의 동반자, AI 반도체

위에서도 언급했듯, <미키17>의 또 다른 무대는 얼음 행성 ‘니플하임’이다. 니플하임의 개척은 현실의 화성 탐사와 맞닿아 있다. 인류는 이곳에 식민지를 건설하려 하지만, 가혹한 환경 속에서 살아남기 위해 복제인간을 소모품처럼 투입한다. 현실에서도 인류가 화성이나 달에 정착하기 위해서는 먼저 로봇과 AI가 첨병이 되어야 한다.

실제로 NASA의 화성 탐사 로버 ‘퍼서비어런스(Perseverance)’는 방사선에 강한 프로세서와 메모리, 광학센서, 머신러닝 알고리즘 등을 탑재해 로버의 상태를 스스로 점검하고 장애물을 피해 탐사할 수 있다. 지구와 달 사이에는 통신 지연이 몇 초에 불과하지만, 화성이나 더 먼 행성과의 통신은 최대 수십 분까지 걸리기 때문에, 로봇이 스스로 상황을 인식하고 판단해야 한다. 앞으로 우주 정착 과정에서 필수적인 산소 생산, 거주지 건설, 자원 채취와 같은 핵심 과제를 수행하는데 있어 반도체의 중요성은 계속 커질 것이다.

영화 속 개념과 현실 기술의 대응

영화 <미키 17>의 공상과학적 설정은 얼핏 허구처럼 보이지만, 오늘날 반도체, IT, 바이오 산업이 직면한 과제와 절묘하게 겹친다. 복제인간부터 의식 전송, 죽음 극복, 우주 이주, 그리고 자율 제어에 이르기까지. 영화 속 상상이 실제 기술 연구와 맞닿아 있는 지점을 짚어보자.

복제인간 – DNA 칩

단순히 세포를 복제하는 수준으로는 ‘나’라는 존재를 재현하기 어렵다. 복제인간을 가능하게 하려면 방대한 유전자 정보를 빠르게 해독하고 정밀하게 제어해야 한다. 이 과정에서 활용되는 것이 바로 DNA 칩이다. 이 칩은 DNA 데이터를 빠르게 처리해 특정 유전자를 편집하거나 원하는 방식으로 세포를 배양할 수 있게 돕는다. 이러한 기술은 맞춤형 세포 배양, 인공 장기 제작, 유전자 치료 연구의 기반이 되고 있다. 아직 ‘복제인간’은 현실에서 불가능하지만, 개인 맞춤형 의료와 합성생물학은 반도체 기술 덕분에 빠르게 진전되고 있다.

의식 전송 – 뉴로모픽 프로세서, 초고속 메모리

의식을 다른 몸이나 기계로 옮기려면 뇌 속에서 발생하는 신호를 디지털화해야 한다. 이때 주목받는 기술이 뉴로모픽 프로세서와 초고속 메모리다. 뉴로모픽 프로세서는 인간 뇌의 신경망 구조를 모방해 기존 CPU나 GPU보다 훨씬 적은 에너지로 학습·연산을 수행하며, HBM이나 GDDR 같은 초고속 메모리는 방대한 신경 신호와 기억 데이터를 지연 없이 전송할 수 있는 기반을 제공한다.

죽음 극복 – 클라우드 데이터센터, AI 아바타

죽음을 극복한다는 발상은 곧 ‘나’라는 존재를 데이터로 저장해 사라지지 않게 하는 것이다. 오늘날 클라우드 데이터센터는 이미 인류가 생산하는 방대한 디지털 정보를 보관하고 있다. 여기에 AI 아바타 기술이 접목되면, 단순한 기록 저장을 넘어 개인의 말투나 행동까지 재현할 수 있다. 즉, 디지털 세계에서 ‘나’라는 존재가 다시 살아 움직이는 셈이다. 실제로 일부 국가에서는 고인의 목소리와 대화 패턴을 학습한 ‘메모리얼 AI’ 서비스가 등장하기도 했다. 완전한 ‘불멸’은 아니지만, 죽음을 초월한 디지털 존재의 서막이 열리고 있는 셈이다.

우주 이주 – 방사선 내성 칩, 우주환경 센서

인류가 지구를 넘어 다른 행성에서 정착하기 위해서는 무엇보다 극한 우주 환경을 견뎌야 한다. 이때 필요한 것이 방사선 내성 칩(Rad-Hard Chip)이다. 우주 공간에서는 지구보다 훨씬 강한 방사선이 쏟아지며, 일반 반도체는 우주 방사선에 취약하다. 방사선 내성 칩은 이러한 환경에서도 안정적으로 작동해 우주선의 제어 시스템과 주요 인프라를 지탱한다. 또한 우주환경 센서는 대기 조성, 온도, 자원 상태를 실시간으로 감지해 인간이 정착할 수 있는 환경을 만드는 데 기여한다.

자율 제어 – AI 칩

우주 탐사에서는 지구와의 거리가 멀어 통신 지연이 길어질 수밖에 없다. 따라서 탐사 로봇은 인간의 개입 없이 스스로 상황을 분석하고 즉각적으로 판단할 수 있는 자율 제어 능력이 필요하다. 이를 가능케 하는 것이 바로 AI 칩이다. AI 칩은 복잡한 인공지능 연산을 빠르게 처리하고, 현장에서 실시간으로 데이터를 분석해 즉각적인 의사 결정을 내릴 수 있도록 지원한다.  덕분에 탐사 로봇과 우주선은 인간의 지시를 기다리지 않고 탐험, 자원 채취, 기지 건설 같은 임무를 수행할 수 있다.

상상이 기술의 엔진이 될 때

과거를 돌아보면 SF 책이나 영화는 종종 기술 로드맵을 앞서 그려왔다. <스타트렉>의 ‘커뮤니케이터’는 휴대폰이 되었고, <2001 스페이스 오디세이>의 ‘HAL 9000’은 인공지능 연구에 영감을 주었다. 마인드 업로딩 기술은 조금씩 연구가 진전되고 있으며, 뉴로모픽 칩·대규모 신경 기록·연산 인프라는 더 이상 막연한 상상이나 공상만은 아님을 보여준다. 다만 불멸과 같은 급진적인 주제는 여전히 윤리적인 문제나 법의 교차점에 있다.

그럼에도 분명한 건, 이 모든 접점에 데이터를 저장하고, 감각을 디지털화하며, 자율 기계를 움직이고, 혹독한 우주를 버티게 하는 도구로서 반도체가 있다는 사실이다. 반도체는 단순한 전자부품이 아니라 인간의 상상을 현실로 바꾸는 핵심 도구다. 칩 위에 기억을 저장하고, 칩 위에서 로봇이 우주를 개척하며, 칩 위에서 새로운 사회가 돌아간다.

영화 <미키17>은 묻는다. “인간은 죽음을 넘어설 수 있을까? 그 미래를 가능케 할 기술은 무엇일까?” 우리가 가진 답은 놀라울 만큼 구체적이다. 뉴로모픽 칩, DNA 칩, 우주환경 센서 그리고 거대한 데이터 인프라. 모두 반도체의 언어로 쓰인 SF를 현실로 번역하는 문법들이다.

비하인드 더 칩 시즌2, 비하인드더칩시즌2, Behind the CHIP, 비하인드더칩, 비하인드 더 칩, 지식인미나니

※ 본 칼럼은 외부 필진의 견해로, 삼성전자 DS부문의 공식 입장과 다를 수 있습니다.

The post [Behind the CHIP 시즌2] 영화 ‘미키 17’이 던진 상상과 반도체의 미래 first appeared on 삼성전자 반도체 뉴스룸.

최근 인공지능 분야의 가장 주목할 만한 변화는 ‘AI 에이전트(AI Agent)’의 부상이다. AI 에이전트는 단순한 정보 처리 도구를 넘어, 스스로 목표를 설정하고 주변 상황을 인지한 뒤 계획을 수립해 과업을 수행하는 자율적 주체를 의미한다.

예를 들어, 단순히 이메일을 분류하는 데 그치지 않고, 특정 내용을 파악해 답장 초안을 작성하고, 사용자의 캘린더를 확인해 후속 미팅 일정을 제안하며, 나아가 고객관계관리(CRM) 시스템에 관련 내용을 자동 기록하는 복합 업무까지 수행할 수 있다. 이는 사용자의 의도를 깊이 이해하고 자율적으로 행동하는 지능형 비서의 등장을 예고한다. AI 에이전트는 소프트웨어에 국한되지 않는다. 공장의 생산 라인을 최적화하거나 복잡한 물류 시스템을 관리하는 물리적 로봇 형태로도 구현되며, 이는 AI가 다양한 산업 현장으로 확장되고 있음을 보여준다.

이러한 변화의 배경에는 거대 언어 모델(LLM)의 고도화와 이를 뒷받침하는 막대한 컴퓨팅 파워의 발전이 있다. 엔비디아(NVIDIA)의 젠슨 황 CEO는 “미래에는 모든 기업과 개인이 각자의 목적에 맞는 AI 에이전트를 보유하게 될 것”이라고 단언한 바 있다. 수십억 개의 AI 에이전트가 활동하는 시대가 도래한다면, 이는 컴퓨팅 패러다임의 근본적인 전환을 불러올 것이다. 10억 명의 사용자가 각자의 AI 에이전트와 시간당 몇 차례만 상호작용하더라도, 전 세계적으로 하루 수조 회에 달하는 추론(inference) 연산이 발생하기 때문이다.

하지만 현재의 데이터센터 구조는 이처럼 대규모의 실시간 추론 요청을 효율적으로 처리하도록 설계되지 않았다. 이처럼 기하급수적으로 증가하는 연산 수요를 감당하기 위해서는 새로운 인프라가 필수적이며, 그 해답이 바로 ‘AI 팩토리(AI Factory)’다.

‘지능’을 대량 생산하는 새로운 데이터센터의 탄생

AI 팩토리는 AI 시대에 최적화된 새로운 개념의 데이터센터다. 과거 데이터센터가 데이터를 저장하고 필요할 때 꺼내 쓰는 거대한 ‘디지털 창고’에 가까웠다면, AI 팩토리는 AI의 지능, 즉 ‘추론 토큰(Inference Token)’을 끊임없이 생산해내는 ‘지능 공장’으로 비유된다. 쉽게 말해, 기존 공장에서 제품을 만들 듯 AI 팩토리에서는 인공지능을 ‘생산’하는 것이다.

이 공장의 작동 방식을 들여다보면 개념이 더욱 명확해진다. 사용자의 질문, 실시간 데이터 스트림, 전기 등의 ‘원자재’가 투입되면, GPU와 NPU 등 AI 가속기로 구성된 ‘생산 설비’가 추론 연산을 수행한다. 그 결과 텍스트, 이미지, 코드, 로봇 제어 명령 등과 같은 ‘완제품(추론 토큰)’이 대량 생산된다. 이는 정적인 ‘저장된 데이터(Data-at-Rest)’를 관리하던 시대에서, 동적인 ‘움직이는 지능(Intelligence-in-Motion)’을 생성하고 유통하는 시대로 전환되고 있음을 의미한다. 이러한 변화는 AI 기술의 무게 중심이 ‘학습(Training)’에서 ‘추론(Inference)’ 단계로 빠르게 이동하고 있음을 보여준다.

지금까지는 방대한 데이터를 학습시켜 AI 모델을 구축하는 데 막대한 자원이 투입됐다. 하지만 이제는 잘 훈련된 AI 모델을 실제 서비스와 결합해, 끊임없이 가치를 창출하는 추론 단계의 중요성이 압도적으로 커지고 있다. 앞으로 자동차를 만든다고 가정해보면, 차량을 조립하는 기존 공장뿐 아니라 자율주행과 같은 AI 기능이 끊임없이 작동하도록 지원하는 AI 팩토리 또한 필수적인 인프라가 될 것이다.

물리적 공장이 대량 생산을 통해 산업 혁명을 견인했듯, AI 팩토리는 ‘지능의 대량 생산’을 통해 새로운 서비스와 비즈니스 모델을 창출하는 AI 혁명의 핵심 동력이 될 것으로 기대된다.

AI 팩토리가 대량으로 생산하는 추론 토큰의 효율성과 안정성은 미래 AI 서비스의 경쟁력을 결정짓는 핵심 지표가 된다. 더 빠르고, 더 정밀하며, 더 경제적으로 추론 토큰을 생산할 수 있는 인프라를 갖춘 기업이 AI 시대를 주도하게 될 것이다.

이 과정에서 ‘학습’과 ‘추론’의 컴퓨팅 요구 차이는 반도체 산업의 지형 변화를 촉진한다. 학습은 막대한 자본을 투입해 주기적으로 수행되는 오프라인 과정인 반면, 추론은 수백만 명의 요청을 실시간으로 처리해야 하는 24시간 온라인 과정이다. 이로 인해 추론에 필요한 연산 총량은 학습보다 훨씬 방대하며, 이는 곧 저지연·고효율 추론에 최적화된 반도체 인프라에 대한 폭발적인 수요 증가로 이어진다.

이 지점에서 ‘고대역폭 메모리(HBM)’의 역할은 절대적이다. AI 모델의 성능을 좌우하는 수천억 개의 매개변수(파라미터)는 추론 시 빠르게 접근 가능해야 한다. 전통적인 메모리 구조의 대역폭 한계, 이른바 ‘메모리 벽(Memory Wall)’ 문제에 부딪히면, AI 가속기의 성능은 무용지물이 된다. HBM은 여러 개의 D램을 수직으로 적층해 데이터 이동 경로를 획기적으로 단축함으로써 이 문제를 해결한다. 이는 AI 가속기가 방대한 데이터를 병렬로, 지연 없이 처리할 수 있도록 지원하는 핵심 기술이다.

AI 팩토리, 산업과 국가 경쟁력의 새로운 축이 되다

AI 팩토리의 영향력은 특정 기업의 데이터센터를 넘어, 국가 및 산업 전반의 경쟁력으로 확장되고 있다. 대표적인 사례가 ‘소버린 AI(Sovereign AI)’의 부상이다. 이는 각국 정부와 기업이 자국의 데이터 주권을 보호하고, 자국의 언어·문화·법률에 최적화된 AI를 개발하며, 기술 종속에서 벗어나기 위해 독자적인 AI 인프라를 구축하려는 흐름이다. 엔비디아가 독일, 스페인, 이탈리아 등 유럽 각국과 협력해 현지 수요에 맞는 AI 인프라 및 팩토리 구축을 확대하는 것도 이러한 변화의 일환이다. 이처럼 제조, 금융, 의료 등 특정 산업에 최적화된 ‘산업용 AI 클라우드’가 확산되면서, 반도체 수요 또한 더욱 다변화되고 고도화될 것으로 예상된다.

이러한 메가트렌드는 국내 AI 산업에도 중요한 기회를 제공한다. 최근 AI 에이전트 전문기업 와이즈넛(WISEnut)과 AI 반도체 팹리스 기업 퓨리오사AI(FuriosaAI)가 체결한 전략적 업무협약은 주목할 만한 사례이다. 양사는 통합형 ‘AI 에이전트 어플라이언스’를 공동 개발할 계획이다. 이는 하드웨어와 소프트웨어가 결합된 일체형 솔루션으로, AI 도입에 어려움을 겪는 기업들에게 보다 손쉽고 빠른 해결책을 제공할 것으로 보인다. 이러한 어플라이언스 모델의 확산은 시장 저변을 확대해, 공공·금융·이커머스를 넘어 제조, 의료, 국방, 물류 등 전방위 산업 전반으로 AI 도입을 가속화할 것이다.

AI 팩토리와 반도체 산업

AI 팩토리 트렌드는 반도체 기업에게 두 가지 측면에서 중요한 기회를 제공한다. 하나는 글로벌 빅테크 기업을 대상으로 HBM과 같은 최첨단 메모리 반도체를 공급할 수 있는 기회이고, 다른 하나는 팹리스 유망 기업들의 혁신적인 AI 반도체를 생산하는 파운드리 파트너로서의 역할을 수행하는 것이다.

다양한 AI 칩 설계 기업의 등장은 특정 기업에 대한 의존도를 낮추고, 시장을 더욱 건강하고 역동적으로 만든다. 이는 반도체 기업 입장에서 안정적인 수요처를 확보함과 동시에, 첨단 공정 기술에 대한 리더십을 강화할 수 있는 기회가 된다.

또한 산업 전반에서 AI 반도체 수요가 빠르게 증가하면서, 반도체 기업들은 보다 다양한 산업군에서 새로운 기회를 맞이할 것으로 보인다.

AI 에이전트가 촉발한 AI 팩토리 시대는 이제 막 개화하기 시작했다. 이는 단순한 기술 진보를 넘어, 컴퓨팅 인프라의 근본적인 혁신과 산업 지도의 재편을 의미한다. 그리고 이 거대한 변화의 중심에는 반도체가 존재한다.

AI 팩토리라는 ‘지능 공장’이 멈추지 않고 인류의 미래를 생산해내기 위해서는, 그 핵심 부품과 기반을 제공할 수 있는 인프라가 필요하다. 삼성전자가 앞으로 부품 공급자를 넘어, AI 시대의 인프라를 설계하고 지휘하는 ‘핵심 조력자(Enabler)’이자 ‘설계자(Architect)’로 자리매김하길 기대해 본다.

비하인드 더 칩 시즌2, 비하인드더칩시즌2, Behind the CHIP, 비하인드더칩, 비하인드 더 칩, 김덕진, 김덕진 소장

※ 본 칼럼은 외부 필진의 견해로, 삼성전자 DS부문의 공식 입장과 다를 수 있습니다.

The post [Behind the CHIP 시즌2] AI 에이전트가 불러온 AI 팩토리 시대의 개화 first appeared on 삼성전자 반도체 뉴스룸.

세계적인 베스트셀러 『사피엔스』의 저자 유발 하라리는 후속작 『호모 데우스』에서 인간과 기계의 경계가 모호해지는 인류의 미래상에 대해 이야기한다. 그는 궁극적으로 뇌만 인간의 것이고 나머지는 모두 기계로 이루어진 존재, 나아가 나의 기억과 사고방식을 그대로 지닌 ‘불멸의 디지털 존재’의 가능성을 언급한다. 챗GPT 등장 이전까지만 해도 이러한 예측이 허황된 이야기에 그치는 듯하였으나, 인간보다 더 뛰어난 언어 능력을 가진 AI 모델의 등장은 그의 예측이 단순한 공상이 아님을 시사한다.

장기와 기계의 필연적인 인터페이싱

유전자 가위 기술*인 CRISPR과 탁월한 단백질 구조 예측 능력을 보유한 알파폴드(AlphaFold)와 같은 AI 기술의 발전으로 인해 인류의 평균 수명은 점차 연장될 것으로 예상된다. 유전자를 수정하여 세포 복제가 지속될 수도 있고, 과거에는 상상하지 못했던 속도로 신약이 개발될 수도 있기 때문에 인류의 난제인 불치병 극복 가능성이 매우 높아질 테니까 말이다.

*유전자 가위 기술: 특정 DNA를 정밀하게 절단·편집해 유전 질환 치료 및 신약 개발 등에 활용되는 유전자 교정 기술

그러나 인간의 관절과 장기는 영원히 동작하도록 설계되지 않았다. 나이가 들면 시력은 감퇴하고, 관절은 마모되며, 심장은 그 구조가 변형되어 본연의 기능을 잃게 된다. 따라서 늘어나는 수명에 맞추어 관절, 뼈, 장기 등의 노화를 극복하는 기술 역시 병행되어야 한다. 이러한 문제를 해결하기 위한 하나의 방편으로 인공 근육, 관절, 뼈 등에 대한 연구가 진행되고 있으며, 심장과 같은 장기를 만드는 조직 공학 연구도 활발히 진행 중이다.

어쩌면 가까운 미래에는 인간의 근골격계나 장기를 넘어서는 기계적 구조물들이 개발되어, 이를 활용한 뼈·관절·장기 대체 수술이 보편화될지도 모른다. 그러나 이러한 기술이 보편화되기 이전에, 우리가 태어날 때부터 가지고 있는 신체를 보다 오래, 잘 관리할 수 있도록 돕는 기술도 필요할 것이다.

실시간으로 건강 상태를 모니터링할 수 있는 부착용, 착용형, 삽입형 센서 기술이 중요한 이유다. 이러한 형태의 센서 기술은 단순해 보일 수 있으나 전혀 그렇지 않다. 인간의 피부나 장기의 가장 큰 특징은 늘어나고 수축하는 움직임을 보이고, 표면에서 분비물이 발생할 수 있기 때문에 센서의 탈착 위험이 상존한다. 이러한 표면에서 센서가 원하는 기능을 수행하도록 하는 것이 중요한 기술적 과제다.

현대의 컴퓨터 기술은 실리콘 기판 위에 어떤 회로를 그리는가에 달려 있다고 해도 과언이 아니다. 그러나 현재 모든 스마트폰과 컴퓨터에 사용되는 실리콘 기판은 두껍고 딱딱한 특성을 지닌다. 이러한 재료를 수축과 팽창을 반복하는 생체 조직에 부착하는 것은 사실상 불가능하다.

이 같은 재료적 한계를 극복할 수 있는 방안을 제시한 인물이 바로  ‘존 A. 로저스(John A. Rogers)’ 교수다. 그는 실리콘이 벌크(bulk) 상태에서는 딱딱하고 휘어지지 않으나 두께가 100nm 정도가 되면 휘어지는 특성을 갖는다는 사실을 밝혔다. 놀랍게도 이 휘어지는 얇은 실리콘 판 위에 만들어진 트랜지스터와 같은 소자는 외부 압력이나 변형에도 그 소자 특성이 그대로 유지되었다. 피부나 동물의 심장에 이러한 타투 형태의 센서를 심고 원하는 신호를 측정하는 것이 이론적으로 가능해진 것이다.

다만 이 기술이 실용화되기까지는 여전히 많은 과제가 남아 있다. 생체 내에서 특정 신호를 측정하기 위해서는 에너지 원이 필요한데, 현재 심장박동기(pacemaker)와 같은 삽입형 배터리는 수술로만 삽입이 가능하며 교체 주기도 짧아서 환자의 고통이 적지 않다. 진동을 이용한 자가 발전기, 1회 시술로 영구 사용이 가능한 무선 충전 생체 삽입형 배터리 기술 등이 제안되고 있으나 이러한 기술들이 실용화되기 위해서는 해결해야 할 기술적 난제가 많다. 그럼에도 불구하고 이 기술은 인간과 기계간의 인터페이스 시작점이라는 점에서 의의가 크다고 할 수 있다.

뇌와 기계의 인터페이스

인간의 모든 장기가 기계로 바뀌는 순간이 온다면, 모든 장기의 작동에 관여하는 뇌와 기계 간의 인터페이스 구축은 필연적인 과제가 된다. 인간의 세포는 두 겹의 인지질 층으로 이루어진 이중막 구조를 가지고 있다. 세포 내에는 핵, 미토콘드리아, 소포체 등 다양한 세포 소기관이 존재한다. 세포 외부에는 콜라겐 등과 같은 섬유질로 이루어진 그물이 존재하여 조직의 구조를 유지하는데 이를 세포외기질(ECM, extracellular matrix)이라고 부른다. 세포의 안팎은 수분으로 채워져 있고, 세포막은 기름층이 있는 셈인데 세포 안과 밖이 서로 소통하려면 채널 형태의 막단백질을 통과하여야 한다. 이러한 채널을 통해 소듐, 포타슘, 칼슘 등의 이온들이 들락날락하면서 소위 막전위를 형성한다.

또한 특정 분자가 세포 표면에 있는 막단백질에 결합·이탈하면서 세포막의 전위 변화가 유도되고, 이러한 신호는 세포 간 전달을 가능하게 한다. 이 같은 방식으로 우리의 뇌세포는 신호를 전달하고, 근육세포는 수축과 이완을 연쇄적으로 유도하여 심장도 뛸 수 있는 것이다. 따라서 세포 표면에 있는 막단백질들의 거동을 조절하는 화합물의 작용에 대한 이해와 세포들간의 신호 전달에 대한 면밀한 이해가 가능하다면, 인간의 뇌 속에서 일어나는 현상에 대해 보다 구체적으로 파악할 수 있게 될 것이다.

기억이 형성되는 메커니즘과 특정 사고 능력의 발현 과정에 대한 과학적 이해는 초기 단계에 머물러 있다. 그럼에도 불구하고, 뇌에 특정 자극을 주어 자극을 받은 개체의 행동 양상을 제어할 수 있다는 연구 결과들이 점차 발표되고 있다. 일론 머스크(Elon Musk)가 설립한 뉴럴링크(Neurallink)에서는 수천 개의 극미세전극을 뇌에 부착해 뇌의 전기적 신호를 읽거나 자극을 전달하는 실험을 진행하고 있으며, 뇌사 상태의 환자를 이 방법을 통해 깨운 임상 결과가 발표된 바도 있다.

기초과학연구원(IBS) 나노의학연구단 천진우 단장(연세대 언더우드 특훈교수)은 자성을 띠는 나노입자를 쥐의 뇌 신경세포에 부착한 뒤 원격으로 자기적 신호를 주어 쥐의 모성 행동을 자극하는 결과를 얻어 내었다. 이 방식은 비침습적으로 뇌 신경세포의 활동을 조절할 수 있어, 만성 신경질환 치료에 유망한 기술로 주목받고 있다.

스탠퍼드대학교 칼 다이로서스(Karl Deisseroth) 교수는 신경세포에 녹조류의 채널로돕신(Channelrhodopsin)* 단백질을 이식하여 빛에 감응하게 만드는 광유전학(optogenetics) 기술을 개척했다. 싱가포르국립대학교 류사오강(Xiaogang Liu) 교수는 근적외선을 가시광선으로 변환시킬 수 있는 업컨버전(Upconversion) 나노입자를 활용해 빛으로 특정 신경세포를 자극하여 쥐의 행동 변화를 유도하는 데 성공했다.

*채널로돕신(Channelrhodopsin): 빛을 받으면 세포막의 이온 통로를 열어 세포의 전기적 신호를 조절할 수 있도록 하는 광감응성 단백질

업컨버전 나노입자에 적용되는 근적외선은 가시광보다 생체 투과성이 뛰어나 보다 깊은 위치에 있는 뇌세포를 자극할 수 있다는 장점이 있다. 이처럼 천진우 교수나 류사오강 교수가 추구하는 나노입자 기반의 자기유전학(magnetogenetics)과 광유전학(optogenetics)은 뇌세포 단위의 조작이 가능하고, 심부 자극 미세전극이 가지는 치명적인 약점인 침습성에서도 자유롭다는 장점이 있다. 다만 이러한 기술들은 뇌 신호 자체를 정밀하게 측정하는 것은 불가능하여, 뇌-기계 인터페이스 구측 측면에서는 큰 단점이 있는 것은 사실이다.

이러한 문제를 해결하는 방법은 어쩌면 하버드대학교 박홍근 교수의 연구실에서 개발될지도 모른다. 뇌신경세포와 뉴로모픽 소자가 서로 소통하기 위해서는 ‘같은 언어’를 써야 하는데, 박홍근 교수는 신경세포와 유사하게 행동하는 뉴로모픽 소자를 개발하여 뇌와 기계의 소통 문제를 해결하고자 하고 있다.

미래에는 뉴로모픽 소자를 매개로 하여 컴퓨터와 뇌가 직접 정보를 주고받고, 사고와 연산 과정을 공유함으로써 인간의 인지와 사고 기능을 한층 더 높은 단계로 이끌 수 있지 않을까?

인공지능이 더욱 발전할 경우, 언젠가는 스스로 사고하고 자아를 형성하는 시점이 도래할 수 있다. 고등한 지능의 존재가 낮은 지능의 존재의 지배를 받은 역사는 없었기에, 그 시점에 인류에게는 위협이 될 수도 있다. 어쩌면 인간의 뇌를 고등 인공지능과 결합시켜 인간 자체를 보다 고차원적인 존재로 진화시키는 것이 인류의 멸망을 막는 유일한 해법일지도 모른다.

비하인드 더 칩 시즌2, 비하인드더칩시즌2, Behind the CHIP, 비하인드더칩, 비하인드 더 칩, 이광렬, 이광렬 교수

※ 본 칼럼은 외부 필진의 견해로, 삼성전자 DS부문의 공식 입장과 다를 수 있습니다.

The post [Behind the CHIP 시즌2] 인간과 기계의 융합: 불멸을 향한 인터페이스의 진화 first appeared on 삼성전자 반도체 뉴스룸.

물속에 포함된 미세플라스틱과 과불화탄소화합물(PFAS)은 인체 건강에 점점 더 위협이 되고 있다. 일반적으로 지름 5mm 이하의 플라스틱을 미세플라스틱이라고 통칭하는데, 이 크기가 100나노미터(nm)보다 작아지면 나노플라스틱으로 분류된다.

대부분의 미세플라스틱은 장에서 흡수를 하지 못하고 배출되지만, 플라스틱 입자의 크기가 작아질수록 체내 흡수 가능성은 높아진다. 흡수된 일부 나노플라스틱 중 배출되지 못한 입자들은 혈액을 따라 돌다가 우리 몸 곳곳에 침투하게 된다. 미세플라스틱과 인지장애와의 높은 연관성은 이미 많은 연구에 의해 속속 밝혀지고 있으며, 미세플라스틱이 환경호르몬처럼 작용해 내분비계 교란을 초래할 수 있다는 것도 잘 알려진 사실이다.

또한 김 서림 방지 코팅 등에 사용되는 과불화탄소화합물은 한번 환경으로 흘러가면 영원히 분해되지 않기 때문에 ‘영원한 화합물’이라고도 불린다. 과불화탄소화합물은 테플론(PTFE)* 고분자를 합성할 때 사용되거나 산업 전반에서 광범위하게 활용되고 있지만, 이 물질 역시 내분비계에 영향을 끼친다. 이에 따라 플라스틱의 분해 및 재활용을 촉진하는 기술의 개발, 테플론을 대체하는 친환경 코팅 기술 개발이 큰 관심의 대상이다.

* 테플론(PTFE): 폴리테트라플루오로에틸렌(PTFE)으로 만든 비점착성 합성 고분자 물질로, 주로 조리기구 코팅과 산업용 부품에 사용된다.

화학 산업은 왜 ‘친환경’이 어려울까?

한편, 화학 산업은 환경에 악영향을 미칠 수 있는 유기 용매, 중금속 등의 폐기물에서 자유로워지지 않는 이상 친환경 산업으로 자리매김하기 어려울 것이다. 제약 산업을 예로 들자면, 약물을 합성하는 과정은 여러 단계를 거칠 수밖에 없다. 이 과정에서 최종 산물에는 유독한 물질이 포함되지 않더라도, 합성 과정에서 유기 용매나 중금속의 사용이 불가피할 수 있다. 따라서 특정 타깃 화합물이 정해진 경우, 공정의 단순화, 친환경적인 반응 조건의 채택, 반응 수율의 향상, 분리 및 정제 단계의 최소화 등을 통해 화학 폐기물의 양을 줄이는 것이 필수적이다. 

또한 사고를 실시간으로 감지하고 즉시 대응해 확산을 막는 ‘동적 감시체계(active surveillance system)’와 ‘포인트 오브 케어(point-of-care) 시스템’도 필요하다.

향후 우리나라를 포함한 대부분의 선진국은 초고령화 사회로 접어들게 되어 노인의 간병을 전담하는 직종이 사회 안전망 구축에 큰 역할을 하게 될 것이다. 최근 급속하게 발전하고 있는 휴머노이드 로봇 기술은 노인 및 환자 돌봄 서비스 분야로의 적용 가능성도 높이고 있다.

다만, 휴머노이드 로봇이 인간을 본격적으로 대체하기 위해서는 로봇의 피부(skin)가 인간과 유사한 촉감과 온도를 갖추고, 반복적인 접힘과 눌림 등의 자극에도 구조적인 안정성을 유지해야 할 것이다. 이와 더불어, 돌봄 대상의 신체 이상 징후를 바로 감지할 수 있는 센서 역할까지 수행할 수 있어야 한다. 이러한 특성을 충족하는 휴머노이드 로봇은 화학 공장에서도 센싱, 구동, 그리고 포인트 오브 케어 기능을 모두 수행할 수 있어 활용 가능성이 높을 것으로 기대된다.

인공지능에 의한 화학 분야 기술 혁신

2024년 노벨화학상은 단백질의 구조를 예측하는 AI 프로그램과 지금까지 세상에 존재하지 않았던 단백질을 합성하는 기술을 개발한 세 명의 연구자에게 돌아갔다. 모든 생명체는 체내에서 다양한 화합물을 합성하고 분해하며 살아가는데, 이 모든 과정을 가능하게 하는 것이 바로 효소 단백질이다. 이러한 효소 단백질 구조를 정확히 아는 것이 모든 신약 개발의 출발점이 된다. 인체에는 적어도 7만 5천 개 이상의 효소 단백질이 존재한다. 단백질 구조를 밝혀내기 위해서는 단백질의 결정을 기르고, X-ray 회절 패턴을 얻은 뒤, 이 데이터를 기반으로 계산을 거쳐야 하는데 이 과정은 매우 오랜 시간이 소요된다.

아미노산들이 연결되어 형성되는 펩타이드는 나선형, 판상형 등 다양한 구조를 가지는데, 이들 구조가 3차원적으로 조립되어 전체 효소 단백질 구조를 만든다. 흥미롭게도, 특정 아미노산 서열은 오직 하나의 구조만을 형성하기 때문에, 원칙적으로는 아미노산 서열만 알아도 단백질 구조를 예측할 수 있다.

이러한 아이디어에 기반해 전 세계 과학자들은 ‘단백질 구조 예측 경기(CASP)*’에서 각자가 개발한 프로그램의 정확도를 겨뤄 왔다. 구글 딥마인드 ‘데미스 하사비스(Demis Hassabis)’ CEO는 2018년 대회에 처음 참가해, 약 60% 정도의 예측 정확도를 지닌 ‘알파폴드(AlphaFold)’라는 프로그램으로 다른 경쟁자들을 압도해 버렸다. 당시 기존 최고 수준의 프로그램 예측 정확도가 40% 정도였음을 고려하면, 알파폴드를 가히 생태계 파괴자라고 불러도 과언이 아니다. 이후 알파폴드의 성능은 더욱 향상되어, 현재는 90%가 넘는 정확도로 단백질 구조를 예측할 수 있다. 이는 곧, 아미노산 서열만으로도 단백질 구조를 예측할 수 있어, 신약 개발을 위해 더 이상 단백질 결정학의 도움을 받을 필요가 없어진 것을 의미한다.

* 단백질 구조 예측 경기(CASP): Critical Assessment of Structure Prediction의 약자로, 단백질 3차원 구조 예측 기술의 정확도와 성능을 겨루는 국제 대회

데미스 하사비스 CEO와 함께 노벨상을 수상한 ‘데이비드 베이커(David Baker)’ 미국 워싱턴대 교수는 최근 자연에는 존재하지 않는 아미노산 서열을 이용해서 탁월한 촉매 활성을 지닌 효소 단백질을 합성하는 데 성공했다. 이제는 자연을 뛰어넘는 성능의 인공 단백질을 합성하는 것이 더 이상 낯설지 않은 시대가 된 것이다.

한편, 미세플라스틱의 위협이 커지면서 플라스틱을 분해하는 미생물의 활용 가능성에 대한 관심도 높아지고 있다. 인공지능 기술을 이용하면, 이러한 미생물에 존재하는 플라스틱 분해 효소의 구조를 밝혀내고, 이를 능가하는 효소 단백질을 개발할 수 있을 것이다. 이 효소 단백질의 아미노산 서열을 만들 수 있는 염기 서열을 미생물 유전자에 넣고, 이 미생물을 배양하면 플라스틱 생분해 기술의 상용화를 앞당길 수 있을지도 모른다.

AI와 함께하는 친환경 화학의 미래

2022년 울산과학기술원(UNIST)의 ‘바르토슈 그쥐보프스키(Bartosz Grzybowski)’ 특훈교수(IBS 첨단연성물질 연구단 단장)는 화학 공정에서 나오는 폐기 부산물을 활용해 상용 약물을 합성하는 경로를 제안하는 프로그램을 개발하고, 이를 『네이처(Nature)』에 발표했다. 이 프로그램은 천연물 합성에서 최적의 경로를 찾아내는 데 활용될 수 있다.

또한, 그쥐보프스키 교수는 서울대 현택환 석좌교수(IBS 나노입자 연구단 단장)와의 협업을 통해, 수전해 수소 생산에서 산소 발생 반응에 쓰이는 전극 촉매 물질의 성능을 예측하고 발굴하는 AI 프로그램을 개발했다. 이 연구를 통해 새로운 페로브스카이트(perovskite)* 기반 산화물 전극 물질도 설계해냈다.

* 페로브스카이트(perovskite): 특정 결정 구조를 갖는 무기화합물로, 태양전지나 촉매 등 다양한 소재로 활용됨

테플론을 대체하는 코팅 소재의 개발에도 인공지능 기술이 적용될 수 있음은 너무나 자명하다. 다양한 분야에서 물질 개발 속도를 획기적으로 향상시키고 최적의 합성 경로를 사용하며 화학 폐기물의 양을 줄이는 것이 가능해진 것이다. 이제 화학은 보다 친환경 산업에 가까워지고 있다.

더 나아가, 휴머노이드 로봇의 화학 산업 적용 및 돌봄 서비스에서의 실제 상황 학습을 통해, 보다 안전한 화학 공정을 설계하고 실시간 포인트 오브 케어 관리까지 가능한 미래가 머지않았다. 로봇이 자체적으로 스킨 소재를 개발하고 보수까지 수행하는 미래가 펼쳐질 수도 있다.

가까운 미래를 조망해 보자면, 화학 기술과 로봇·인공지능 기술은 한 몸이 되어 친환경 산업으로 변모해 갈 것이다. 또한 사람이 직접 투입하기 힘든 원전 폐기물 처리나 독성 화학물질의 합성 및 분리·정제·처리 과정에서도 로봇과 인공지능은 필수적인 산업 기술 요소가 될 것이다.

하지만 좀 더 먼 미래까지 이러한 장밋빛 전망이 유효할지는 확신하기 어렵다. 어쩌면 인간이 완전히 배제된 화학 산업에서, 인간을 넘어서는 지능과 자아를 지닌 인공지능이 초래할 수 있는 문제에 대한 대비가 필요할지 모른다. 인간의 건강에 지대한 영향을 끼치는 화학 산업에 한해서는 인공지능의 능력을 억제하여 적용하는 것이 현명하다는 생각이 든다.

비하인드 더 칩 시즌2, 비하인드더칩시즌2, Behind the CHIP, 비하인드더칩, 비하인드 더 칩, 이광렬, 이광렬 교수

※ 본 칼럼은 외부 필진의 견해로, 삼성전자 DS부문의 공식 입장과 다를 수 있습니다.

The post [Behind the CHIP 시즌2] 인공지능과 미래의 화학 산업 first appeared on 삼성전자 반도체 뉴스룸.

우리는 과연 소나 돼지의 췌장으로 무엇을 할 수 있을까? 지금은 독특한 요리 재료로 쓸 수 있을지 몰라도, 약 100년 전만 해도 이 장기들은 당뇨병 치료제인 ‘인슐린’을 얻는 유일한 방도였다.

인체에 인슐린을 투입하면 당뇨병을 치료할 수 있다는 사실이 밝혀진 이후, 수십 년 동안 인슐린의 상업적 생산은 주로 소와 돼지의 췌장을 이용해 진행되었다. 인슐린의 대량 생산에는 가축의 사용과 높은 생산 비용이라는 대가가 수반됐다. 일부 학자들은 인슐린 생산 관련 특허료를 단돈 1달러에 넘기며 당뇨병 환자들의 생명과도 같은 인슐린에 대한 과도한 상업화를 막고자 했지만, 당뇨병에 걸린 인간의 목숨이 여전히 소와 돼지의 췌장에 달려 있다는 사실은 바뀌지 않았다.

하지만 1970년대에 상황이 크게 변화했다. 1978년 제넨테크(Genentech)는 유전자 재조합 기술을 활용해 인간 인슐린을 최초로 생산했고, 1982년에는 일라이 릴리(Eli Lilly)가 ‘휴물린(Humulin)’이라는 제품명으로 상업화된 인간 인슐린을 출시했다. 학자들은 대장균에 인슐린 유전자를 삽입해 인슐린 단백질을 공장처럼 생산했다. 그 결과 인슐린 생산 비용은 급락하기 시작했고, 동물성 인슐린보다 대체로 부작용이 적어 환자들이 안심하고 사용할 수 있게 되었다.

인류는 이제 인슐린을 생산하기 위해 다른 포유류의 목숨을 담보로 잡을 필요가 없게 됐다. 아마 기술이 더 발전한다면 인슐린의 생산 가격은 향후 추가로 하락할 것이라는 전망도 제시되고 있다.

.

효율적 연구를 위한 혁신적 접근

그렇다면, 어떻게 이런 일이 가능해진 것일까? 이 질문의 핵심 열쇠는 바로 ‘합성 생물학(Synthetic Biology)’에서 찾을 수 있다. 합성 생물학은 세포나 유전체 등을 원하는 대로 재설계하여 새로운 기능을 만들어내고, 단백질 생산 효율을 극대화하는 방법을 연구하는 학문이다.

예를 들어, “이 유전자 조각을 A에 붙이고, 다른 대사 경로를 제거하면 단백질 생성량을 두 배로 늘릴 수 있지 않을까?” 같은 시나리오를 구체화하고, 이를 실험실에서 검증하며 개선해 나가는 방식이다. 그런데 여기서 문제가 발생한다. 시나리오 가짓수가 너무나 많고, 실험만으로는 너무 많은 시간과 비용이 든다. 예컨대 인슐린 생산 공정을 최적화하는 과정을 생각해 보자. 사람의 인슐린 유전자를 미생물에 삽입했을 때, 어떤 아미노산 변형이 대장균 생장에 부담을 덜 주면서도 인슐린 생산량을 높일 수 있을까? 이 질문에 답을 찾기 위해선 유전자 시퀀싱 데이터부터 단백질 구조 예측 데이터, 미생물 대사 경로 데이터까지 모두 통합해야 하는데, 그 데이터의 양은 실로 어마어마한 수준이다.

바로 이 지점에서 ‘딥러닝’과 ‘인공지능’이 등장한다. 앞서 언급한 예시로 돌아가 보자. 인슐린 생산량을 높이는 최적해를 찾는 과정에서, 인공지능 알고리즘은 수백만, 수천만 개의 가능성을 초고속으로 시뮬레이션하여 가장 유망한 몇 가지 조합을 연구자에게 제시한다.

이후 연구자는 이를 받아들여 최종 실험 단계를 수행한다. 이때는 이미 성공 확률이 높은 시나리오들만 선택해 실행하기 때문에, 시간과 비용을 크게 절약할 수 있다. 과거에는 1년이 걸리던 연구가 몇 달, 심하면 몇 주 안에 가능해진다. 이처럼 현대 합성 생물학 연구에서 인공지능(AI)을 활용한 방대한 데이터 분석 및 시뮬레이션 실행은 연구자가 반드시 익혀야 할 필수 과정이 되었다.

사실, 이러한 개념은 ‘디지털 트윈(Digital Twin)’과 유사하다. 디지털 트윈은 복잡한 실험을 실제로 진행하기 전에 가상의 모델을 무수히 돌려보고 최적의 경로를 찾기 위해 실제 환경과 아주 흡사하게 모사된 디지털 복제 환경을 의미한다. 주로 자율주행처럼 실제 환경에서 테스트하기 어렵거나 시행 시간과 비용이 많이 드는 분야에서 활용되는 기술인데, 합성 생물학 연구 역시 비슷한 방식으로 작동하는 셈이다.

.

AI 반도체의 중요성

다만 이런 연구는 기술의 발전에 매우 민감하다. 시뮬레이션이 원활하게 작동하려면, 분초 단위로 쏟아지는 유전자 정보와 단백질 구조 데이터를 누락 없이 처리할 수 있어야 한다.

바로 이 지점에서 삼성전자를 비롯한 반도체 기업들이 제공하는 ‘AI 반도체’가 중요한 역할을 한다. 합성 생물학 연구소에서는 대규모 유전자 분석 데이터를 지속적으로 생성하는데, 이를 고성능, 고용량 메모리 기술로 단숨에 처리할 수 있다면, 연구 속도가 상상 이상으로 빨라지기 때문이다.

이처럼 합성 생물학의 무수한 시뮬레이션이 가속화된다면, 특정 질환을 타깃으로 한 유전자 재설계, 신약 후보 물질 발굴, 미생물 대사 경로 최적화 등에서 이전에는 상상할 수 없을 정도로 빠른 성과가 나올 수 있다.

.

AI와 합성 생물학의 혁신, 맞춤형 치료 시대를 여는 기술

실제로 코로나19 팬데믹에서 모더나와 화이자-바이오엔테크가 mRNA 백신을 비교적 짧은 기간 내에 개발할 수 있었던 이유도, 오랜 연구 기반 위에 AI를 활용해 바이러스 유전자와 스파이크 단백질을 분석하고, 그 정보를 합성 생물학으로 빠르게 적용했기 때문이라는 의견이 많다. AI 알고리즘은 사스(SARS)나 메르스(MERS) 등 코로나 계열 바이러스 연구에서 축적된 데이터를 활용해 코로나19 바이러스의 스파이크 단백질 구조를 빠르게 해석했다. 그 후, 가장 유망한 후보 서열만을 추려내면, 연구자들은 그 소수 후보에 집중해 실험실 검증과 전임상 단계를 동시에 진행할 수 있었다. 전통적인 방식이라면 수백, 수천 개 후보를 하나씩 검증하는 데 오랜 기간이 걸렸겠지만, AI와 합성 생물학의 접목으로 시행착오를 디지털 시뮬레이션을 통해 대폭 줄일 수 있었다.

만약 이러한 원리가 인슐린 생산뿐만 아니라 암 면역치료, 유전 질환에 대한 CRISPR 유전자 치료, 알츠하이머·파킨슨·당뇨병 같은 대사 질환 연구 전반에 적용된다면 어떻게 될까? 앞으로는 과거에는 상상할 수 없었던 품질과 효율을 가진 의료 기술이 등장할 가능성이 크다.

아마 10년 후에는 “인슐린이 환자별 맞춤형으로 생산되어, 의료진이 개인별 유전자 특성에 꼭 맞는 약제를 손쉽게 처방한다”라는 뉴스를 들어도 우리는 크게 놀라지 않을 것이다. 과거에는 가축의 췌장에 의존했던 인슐린 생산이 대장균이나 효모를 활용한 생합성 기술로 발전한 데 이어, 이제는 CRISPR/Cas9 같은 유전자 편집 기법과 합성 생물학이 결합해 환자 맞춤형 인슐린 변형체(Variant)까지 만드는 시대를 준비 중이기 때문이다.

당뇨병 환자나 그 가족, 그리고 의료계를 포함해 인류 전반에 걸친 혜택은 지금부터가 진짜 시작이다. 한때 없어서 못 구하던 인슐린이 누구나 쉽게 구입할 수 있는 생명줄이 되어가는 과정은, 우리가 기술 혁신으로 얼마나 더 나은 미래를 만들 수 있는지를 잘 보여주는 대표 사례라 할 만하다.

.

※ 본 칼럼은 외부 필진의 견해로, 삼성전자 DS부문의 공식 입장과 다를 수 있습니다.

The post [Behind the CHIP] 소, 돼지, 췌장, 그리고 반도체: AI와 생명공학이 만든 의료 혁신 first appeared on 삼성전자 반도체 뉴스룸.

2024년 10월 2일, 피터 브라운의 동화 <와일드 로봇>을 원작으로 한 애니메이션이 국내에 개봉했다. 왜 삼성전자 반도체 뉴스룸에서 갑자기 동화 원작의 애니메이션 이야기를 꺼내고 있는 것일까? 영화의 유려한 스토리에 감동한 것도 있지만, 그보다 더 중요한 이유가 있다. <와일드 로봇>이 현재 인공지능 분야에서 중요한 화두로 떠오르고 있는 ‘자율형 인공지능 에이전트’의 개념을 탐구하는 데 있어 그 어떤 공상과학 영화보다 훨씬 훌륭한 이야기 구조를 가지고 있기 때문이다. 따라서 이 자리를 빌려 영화의 이야기를 따라가며, 자율형 인공지능 에이전트에 관해 이야기해 보고자 한다.

*영화를 빌어 해당 주제를 설명하는 만큼 약간의 스포일러를 피할 수 없으니 민감한 독자라면 <와일드 로봇>을 먼저 시청한 후 이 글을 읽기를 권장한다.

.

휴머노이드 로봇, Rozzum 7134의 정체

Bonjour. Guten tag. Hujambo. Hola. 유니버설 다이내믹스 로봇을 구매해 주셔서 감사합니다. 저는 Rozzum 7134입니다. Rozzum은 언제나 임무를 완수합니다. 말씀만 하세요!

– Rozzum 7134 –

영화는 사고로 무인도에 도착한 휴머노이드 로봇, ‘Rozzum 7134 (이하 7134)’가 깨어나면서 시작된다. 일어나자마자 거대한 파도에 휩쓸릴 위험에 처한 7134는 옆걸음으로 바위 위로 도망가는 게의 모습을 본 뒤, 즉시 그 움직임을 모방해 위기에서 벗어난다. 숲에 도착한 7134는 동물들에게 식료품 구매, 은행 업무, 마당 조경 등을 할 수 있다고 홍보하며, 10% 할인 쿠폰을 마구 뿌린다. 이와 더불어 “로줌은 즉각적인 물리적 모방을 할 수 있도록 프로그램되어 있습니다.”라고 말하며 사슴처럼 뛰어다니기도 한다.

휴머노이드가 동물들에게 말을 걸고, 사슴처럼 점프하며, 그들에게는 전혀 쓸모없는 서비스를 제안하는 영화의 첫 장면은 관람객에게 기괴함과 섬뜩함을 안겨준다. 영화 속 동물만큼이나 우리 역시 이 로봇이 너무나 생소하게 느껴지는 셈이다. 다행히 7134는 “당신의 언어는 제 데이터베이스에 없습니다.”라고 말하며 동물들과의 불통 원인을 파악한다. 7134에게는 데이터베이스에 어떤 언어가 존재하지 않아도 문제가 없다. Rozzum 7134는 놀라운 속도로 언어 장벽을 해결할 수 있기 때문이다. 7134는 가만히 앉아 학습 모드에 돌입하고, 마침내 동물의 언어를 이해하게 된다. 여기까지가 영화 <와일드 로봇>의 정신없는 도입부다.

5분에서 10분 내외의 짧은 도입부에서, 우리는 놀랍게도 ‘자율형 인공지능 에이전트’가 갖춰야 할 필수 요건 대부분을 발견할 수 있다. 첫 번째는 목표 지향성이다. 동물과의 대화 시도를 통해 (비록 실패하지만) 7134는 소비자가 필요로 하는 것을 묻고, 임무를 즉시 수행할 수 있는 능력을 갖추고 있음을 알 수 있다. 그 임무가 장보기와 조경과 같은 사소한 일일지라도, 휴머노이드 로봇 개발의 주요 목적 중 하나가 이러한 업무를 위임하기 위함이라는 점을 엿볼 수 있다. 두 번째 요건은 학습과 모방이다. 7134는 소비자의 언어와 행동 패턴을 인식함으로써 주어진 목표 수행 과정에서 발생하는 난관을 능동적으로 해결할 방안을 찾아낸다.

10은 가장 만족스럽고 1은 가장 만족스럽지 못하다면, 제 수행능력에 1부터 10까지의 점수 중 몇 점을 주시겠어요?

– Rozzum 7134 –

심지어 7134는 사용자의 피드백을 받는 모습도 보여준다. 숲에서 방황하던 7134는 우연히 한 거위알을 발견하고, 이를 여우(FINK)로부터 안전하게 보관하여 부화시킨다. 7134는 부화한 거위 새끼에게 묻는다. “10은 가장 만족스럽고 1은 가장 만족스럽지 못하다면, 제 수행 능력에 1부터 10까지의 점수 중 몇 점을 주시겠어요?” 이에 거위 새끼는 “삐약”이라고 답하고, 7134는 이를 10점으로 간주한다.

이러한 행위는 매우 중요한데, 머신 러닝의 한 분야인 강화 학습에서 정량적 평가가 핵심적인 동력 중 하나이기 때문이다. 강화 학습은 자신의 행위를 평가받으며, 가장 높은 점수를 받는 방향으로 자신의 알고리즘을 수행해 나간다. 7134는 피드백을 통해 스스로 업무를 평가하고, 알고리즘을 수정해 나가는 능력을 갖추고 있는 것으로 보인다. 이 이야기를 통해 7134는 우리가 ‘에이전트’에 기대하는 바람직한 특성, 즉 인위적 지도 없이 ‘자율적’으로 목표를 수행하는 ‘인공지능’의 특징을 보임을 알 수 있다. 7134는 자율형 인공지능 에이전트 그 자체다.

.

자율형 인공지능 에이전트의 현주소

다시 한번 유니버설 다이내믹스의 로봇 ‘Rozzum 7134’에서 보여지는 자율형 인공지능 에이전트의 특징을 정리하면 아래와 같다.

.

이러한 요소들을 실제로 구현하는 데, 우리는 어디까지 왔을까? 많은 사람들이 현재 가장 발전한 인공지능 서비스로 꼽는 챗GPT는 사실 인공지능 에이전트의 프로토타입에 가깝다. 현재 챗GPT가 제공하는 모든 버전은 대화형 챗봇으로, 목표를 ‘자율적으로 추론하고 실행‘한다고 보기는 어렵다. 예를 들어, 12월 뉴욕 여행을 계획하고 있다고 가정해 보자. 우리는 크리스마스 시즌 동안 뉴욕에서 열리는 유명 이벤트들에 대해 챗GPT에게 물어볼 수는 있지만, 챗GPT가 그 이벤트들을 모두 정리하여 스스로 티켓을 예약하고 비행기표까지 구매해 주지는 않는다.

사실 우리가 인공지능에 궁극적으로 바라는 것은 대화 한 번에 이 모든 것들을 알아서 수행하는 개인화된 비서, 즉 ’에이전트‘가 아닐까? 이러한 인식 때문인지 2024년부터 자율적으로 작업을 수행하는 인공지능 에이전트를 개발하는 기업들이 많아지고 있으며, 투자금 역시 에이전트 개발에 몰리고 있다. OpenAI 역시 챗GPT를 에이전트화 하겠다는 계획을 갖고 있다. 현재로서는 영화 속 7134처럼 다양한 목표를 수행하는 범용 에이전트는 존재하지 않는다. 또한 현재의 인공지능이 진정으로 추론하고 있는가에 관해서도 논쟁이 일어나고 있다.

이제 학습과 모방에 대해 이야기해 보자. 머신 러닝을 이용한 학습과 모방의 분야에서는 많은 혁신이 있어 왔다. 머신 러닝의 가장 중요한 돌파구는 인공신경망과 역전파 학습이었으며, 이를 연구한 제프리 힌턴과 존 홉필드가 그 공로를 각각 인정받아 2024년 노벨 물리학상을 수상하게 되었다. 영화 속 7134가 보여준 동물 언어 학습도 머신 러닝을 이용한다면 더 이상 꿈이 아닐지도 모른다. 2024년 8월 29일 ‘사이언스’에 게재된 한 논문에 따르면, ‘마모셋 원숭이’들의 대화를 머신 러닝을 이용해 분석한 결과, 그들이 고유한 소리 시스템을 이용해 서로의 이름을 부르고 있다고 주장한 바 있다. 이처럼, 머신 러닝은 그 특성상 일정한 패턴을 보일 수밖에 없는 언어 해석 분야에서 앞으로도 다양한 성과를 보여줄 가능성이 크다.

마지막으로 피드백과 관련된 강화 학습은 어디까지 왔을까? 강화 학습은 목표를 수행하기 위해 겪는 시행착오 과정에서 보상이나 불이익을 주는 알고리즘을 설계해 특정 행동을 강화하는 머신 러닝의 한 방식이다. 이 알고리즘 덕분에 인공지능 분야는 많은 혁신을 이루어냈다. 특히 바둑 분야에서 큰 반향을 일으켰던 ‘알파고’의 후속작인 ‘알파제로’는 승률이라는 보상을 극대화하는 알고리즘을 통해 기존의 기보 없이 스스로 학습한 결과, 이전에 보지 못했던 새로운 전략을 구사하며 알파고를 뛰어넘을 수 있었다. 이런 일련의 사건을 통해 강화 학습이 머신 러닝의 여러 분야 중에서 전망이 상당히 밝다는 것이 입증되었고, 이를 타 분야에 적용한 많은 연구 결과가 지금도 쏟아져 나오고 있다.

.

에이전트의 도전 과제와 미래

저는 엄마가 되도록 프로그램되어 있지 않아요.

– Rozzum 7134 –

이상적인 에이전트는 단순한 일부터 복잡한 프로젝트까지 모두 수행할 수 있어야 한다. <와일드 로봇>의 7134는 집을 짓는 ‘비교적’ 단순한 작업을 넘어서, 양육이라는 매우 장기적인 비선형 프로젝트도 성공적으로 해낸다. 양육은 대부분의 생물이 종의 영속을 위해 반드시 수행해야만 하는 매우 중대하고 복잡한 과제이므로, 이를 수행할 수 있는 로봇은 분명 ‘범용 에이전트’라 불릴 자격이 있다. 7134는 거위 새끼에게 먹이를 주고, 수영을 가르치고, 나는 법을 알려주며, 이 임무를 완수하기 위해 자신의 코드를 스스로 수정하기까지 한다. 이 과정에서 감정과 인격을 얻게 된 7134는 이윽고 ‘로즈(ROZ)’라는 이름을 얻고, 영화의 종반부에서 “우리는 반드시 프로그래밍된 자신을 뛰어넘는 존재가 되어야 한다”고 선언하기에 이른다.

이 선언은 영화의 가장 감동적인 장면 중 하나지만, 인공지능을 연구하는 공학자에게는 그야말로 섬뜩한 순간이 아닐 수 없다. 높은 수준의 인공지능을 탑재한 에이전트를 만들었을 때, 우리는 그 에이전트에게 어느 정도의 ‘자율성’을 부여해야 할까? 이 질문은 많은 기술적, 윤리 도덕적 문제를 품고 있다. 일반적으로 무제한의 자율성이 주어진 에이전트는 목표를 수행하는 과정에서 잘못된 의사결정을 내릴 위험을 내포한다고 여겨지며, 이러한 우려는 <어벤져스: 에이지 오브 울트론>과 같은 종말론적 인공지능을 다룬 영화의 모티브가 되기도 한다.

범용 에이전트의 또 다른 과제는 물리적 실체의 구현이다. 사실 모든 에이전트가 반드시 물리적 실체를 가질 필요는 없다. 예를 들어, 소프트웨어 에이전트는 텍스트나 음성으로 특정 물건을 구매하라는 지시를 받고, 이를 온라인에서 주문하여 다음 날 사용자가 물품을 수령하도록 도울 수 있을 것이다. 그러나 진정한 ‘범용’ 에이전트는 반드시 물리적 실체를 가지고 세계와 상호작용해야 한다는 점은 명백하다. 그래서 에이전트의 관심과 더불어 주목받은 분야가 바로 로보틱스다. 로보틱스 분야는 DARPA Robotics Challenge* 이후 급격히 발전하기 시작했으며, 현재 AI 기능을 탑재했다고 주장하며 거액의 투자금을 받아 진지하게 로봇을 개발하는 회사만 세어도 열 손가락이 모자란 상황이 되었다. 흥미로운 점은 이들 대부분이 인간의 체형과 유사한 휴머노이드 로봇을 개발하고 있다는 점인데, 그 이유는 인간이 만든 모든 인공적인 사물은 인간의 체형에 맞춰 제작되었기 때문이다.

*DARPA Robotics Challenge: 미 국방부 산하 방위고등연구계획국에서 2012-2015년간 주최한 로봇 경진대회

다만 현재 개발 중인 로봇들이 실제로 ‘자율적’인 사고를 하며 행동하는 역량은 논외로 치더라도, 로보틱스 업계가 해결해야 하는 과제들은 실로 산더미다. 우선, 로보틱스 기술에는 배터리 혁신이 반드시 동반되어야 한다. <와일드 로봇> 속 로즈는 시종일관 숲을 뛰어다니면서도 며칠간 방전되지 않는다. 하지만 현재 개발된 휴머노이드 로봇은 약 30분에서 1시간 정도만 구동되는 배터리를 탑재할 수 있는 것으로 알려져 있다. 이 정도 수준의 구동 시간으로는 복잡한 작업을 완벽하게 수행할 것이라 기대하기 어렵다.

또한 범용 인공지능을 구동할 수준의 프로세서가 개발되지 않았고, 소형화되지 못했다는 점이다. 영화 속 로즈는 인간의 지식을 모두 융합한 ‘Alpha-113 processor’라는 강력한 추론 프로세서를 탑재했음을 가정한다. 이 프로세서의 성능은 최소 100조 개의 매개변수를 가진 모델을 연산할 것으로 추정되며, 이는 현재 가장 높은 성능을 가진 것으로 알려진 GPU 5,760개를 결합*해야만 나올 수 있는 성능에 해당한다. 인류는 얼마나 지나야 ‘Alpha-113’ 수준의 프로세서를 개발할 수 있을까? 무어의 법칙*이 계속 지속된다는 최상의 조건을 가정하여도 ‘Alpha-113’ 프로세서의 성능에 도달하려면 최소 24년 이상은 걸릴 것이다. 즉, 실시간 추론을 위해 각각의 로봇에 엄청난 집적도를 가진 손바닥만 한 칩을 탑재하는 것은 상당히 먼 미래의 이야기다. 따라서 현실적인 대안은 클라우드 컴퓨팅을 이용해 각각의 로봇에 주기적인 온라인 업데이트를 지원하는 것이라 할 수 있다.

*NVIDIA는 자사의 공식 홈페이지에서 최대 576개의 블랙웰 GPU를 한데 묶을 수 있고, 10조 개의 파라미터까지 지원한다고 밝힌 바 있다.
*무어의 법칙: 약 2년마다 칩의 집적도가 두 배가 된다는 반도체 업계의 진보 속도를 나타내는 법칙. 인텔의 설립자 고든 무어가 최초로 제안하였다.

.

그럼에도 범용 에이전트를 꿈꾸다

그렇지만, 너는 나의 친구야. 나는 이전까지 친구가 없었어. 그리고, 그리고 나는 네가 필요해.

– FINK –

상기의 이유로 범용성을 가진 하드웨어 에이전트는 아직 갈 길이 매우 멀다. 그러나 제한적 기능을 가진 소프트웨어 에이전트는 빠르게 실현될 가능성이 있다. 단순한 작업은 에이전트에게 맡기고 더 중요한 일에 시간을 할애함으로써 인류의 생산성을 향상시키는 것이 현재로서는 최선의 선택이다. 사실, 이는 현재 여러 거대 IT 공룡들이 개발하고 있는 소프트웨어 에이전트의 목표이기도 하다.

다만 우리는 <와일드 로봇>을 통해 아주 먼 미래에 실현될지도 모를 범용 에이전트의 모습을 마음껏 상상해 볼 수 있다. 우리는 에이전트에게 친밀감을 느끼고, 그들과 감정을 교류할 수 있을까? 그리하여 에이전트와 친구가 되는 것이 가능할까? 그런 날이 온다면, 우리는 더 이상 에이전트를 기괴한 소프트웨어나 로봇으로 여기지 않고, 그들에게 이름을 붙이게 될지도 모른다. 영화 속 ‘Rozzum 7134’가 ‘로즈’로 불린지 얼마 지나지 않아, 우리가 로즈에게 깊이 빠져들게 되는 것처럼 말이다.

출처

1. Oren, Guy, et al. “Vocal labeling of others by nonhuman primates.” *Science* 385.6712 (2024): 996-1003.
2. Perrella, Lauren. “The Wild Robot : The Screenplay”. Kindle ed. Independently published. 2024
3. 김종성, 이택호 지음, ≪수학은 알고 있다≫, 더퀘스트, 2024
4. NVIDIA Newsroom. “NVIDIA Blackwell Platform Arrives to Power a New Era of Computing”. March 18, 2024

.

※ 본 칼럼은 외부 필진의 견해로, 삼성전자 DS부문의 공식 입장과 다를 수 있습니다.

The post [Behind the CHIP] 영화 ‘와일드 로봇’으로 배우는 자율형 AI 에이전트 first appeared on 삼성전자 반도체 뉴스룸.

과거에 인공지능은 기술적인 장벽과 비용의 문제로 인해 대기업이나 연구소에서만 접근할 수 있는 도구였다. 하지만 오늘날 AI는 더 이상 전문 개발자들만의 전유물이 아니다. 누구나 자신의 지식과 경험을 AI에 주입해 나만의 AI 비서를 만들 수 있는 시대가 열렸다. 이 변화의 중심에는 OpenAI의 챗GPT와 앤스로픽(Anthropic)의 클로드(Claude) 같은 최신 생성형 AI가 있다. 특히 우리는 이러한 플랫폼에서 제공하는 ‘GPTs’와 ‘프로젝트’ 기능을 통해 나만의 AI 봇을 손쉽게 개발할 수 있다.

.

GPTs: 학습을 통해 내가 원하는 AI 비서로!

챗GPT의 GPTs 기능은 누구나 쉽게 자신만의 AI 모델을 훈련하고 활용할 수 있는 도구이다. 이를 통해 우리는 복잡한 프로그래밍 과정 없이도 AI에게 나만의 지식과 경험을 학습시킬 수 있다. 이것은 그저 꿈같은 일이 아니라, 이미 현실에서 많은 사람들이 경험하고 있는 혁신적인 변화이다.

GPTs는 사용자가 직접 GPT 모델을 커스터마이징하여 사용할 수 있는 기능이다. 이 기능을 활용해 사용자가 특정한 지식이나 상황에 대한 데이터를 GPT에게 제공하면, 특정 상황에서 훨씬 더 맞춤형으로 응답하는 AI를 만들 수 있다. 내가 건강 관리에 대한 전문 지식이 있다면, 나만의 헬스케어 비서를 만들어 매일 건강한 생활 습관을 돕는 역할을 할 수 있는 것이 그 예다. 이처럼 GPTs 기능은 개인의 지식을 AI에 통합함으로써 더 깊이 있는 상호작용이 가능하게 해준다.

GPTs를 만들기 위해서는 챗GPT의 인터페이스에 접속한 뒤, ‘새로운 GPT 만들기’ 기능을 선택하고 ‘건강 관리 비서’, ‘여행 계획 비서’와 같은 이름으로 나만의 AI 비서의 목적과 특징을 정의해야 한다. 이후 비서를 만들기 위해 내가 가진 지식이나 경험을 AI에게 입력하는 단계가 필요하다. 여기에는 텍스트 문서, PDF 파일, Q&A 형식의 데이터를 직접 입력할 수 있다. 중요한 점은 내가 원하는 방향으로 AI의 성격과 전문성을 결정할 수 있다는 것이다. 예를 들어, 건강 관련 지식을 입력할 때는 생활 습관, 운동 요령, 영양 정보 등을 구체적으로 설명하여 AI가 이를 학습할 수 있도록 한다. 이러한 과정을 통해 만들어진 AI 비서는 사용자의 목표와 가치에 맞춰 독창적으로 개발될 수 있다.

이후 특정 질문에 AI가 어떻게 반응할지 예시를 설정하는 과정이 필요하다. 예를 들어, 사용자가 “오늘 어떤 운동을 하면 좋을까?”라고 물어볼 경우, AI가 사용자의 건강 상태와 목표에 맞는 답변을 줄 수 있도록 시나리오를 작성한다. 이렇게 설정한 AI 비서를 테스트하면서 실제로 원하는 대로 대답하는지 확인하고, 필요한 부분은 수정하는 과정을 거친다.

이 과정에서 사용자는 AI의 응답 품질을 향상시키기 위해 추가적인 지식을 입력하거나 설정을 변경할 수 있다. 이렇게 지속적인 테스트와 수정 과정을 통해 AI 비서는 점점 더 정교하고 사용자의 니즈에 맞는 형태로 발전하게 된다.

.

클로드(Claude): 지속적인 상호작용을 통해 보다 전문적인 AI 비서 만들기

앤스로픽(Anthropic)의 클로드(Claude)는 프로젝트 기능을 통해 사용자와 협력하며 특정 목표를 이루는 데 중점을 두고 있다. 이를 활용하면 특정 작업을 중심으로 나만의 AI 비서를 더욱 체계적으로 관리하고 발전시킬 수 있다. 클로드 프로젝트 기능은 단순 챗봇 이상의 역할을 한다. 사용자가 목표를 설정하고 이를 이루기 위한 과정을 관리할 수 있는 도구라는 사실이다. 클로드에게 특정 목표를 설정하게 하고, 이를 중심으로 데이터를 학습시키며 점진적으로 발전시키는 방식으로 진행된다.

예를 들어 여행과 관련된 정보들을 정리하고 이를 기반으로 여행 추천을 해줄 수 있는 AI 비서를 만들고 싶다면, 해당 프로젝트의 목표를 ‘여행 정보 제공 AI 비서 만들기’로 설정할 수 있다. 이제 이를 이루기 위해 필요한 세부 목표들을 나누어야 한다. ‘유럽 여행 정보 제공’, ‘비용 효율적인 여행 계획 제안’, ‘사용자의 취향에 맞는 관광지 추천’ 등의 소목표를 설정할 수 있다. 이렇게 세부적으로 나눈 목표들은 AI 비서를 더욱 전문적이고 정확하게 만드는 데 큰 도움을 준다.

클로드는 사용자의 입력을 통해 학습하므로 프로젝트의 각 목표를 이루기 위해 필요한 데이터를 입력해야 한다. 이후 프로젝트 진행 중 클로드와 대화를 나누며 목표에 맞는 정보를 점검하고 개선하는 방식으로 AI의 지능을 향상시킬 수 있다. 이 과정은 단순한 데이터 입력을 넘어 사용자의 목표와 가치에 맞춰 AI의 성능을 점차 개선하고 발전시키는 것을 의미한다. 사용자는 클로드와의 지속적인 상호작용을 통해 프로젝트의 방향성을 더욱 구체적으로 잡아 나가며, 이를 통해 AI 비서를 점점 더 유용하고 효율적인 도구로 성장시킬 수 있다.

.

나만의 AI 비서 활용백서

이제 GPTs와 클로드 프로젝트 기능을 통해 나만의 AI 비서를 만드는 방법을 알게 되었다. 그렇다면 이렇게 만들어진 AI 비서는 일상에서 어떻게 활용할 수 있을까?

먼저 일정 관리나 진행 상황 점검 등의 역할을 맡길 수 있다. 예를 들어, 매일 아침 내가 해야 할 업무를 정리해 주고, 중요한 이메일을 확인해 주거나 회의 일정을 알려 줄 수 있다. 이처럼 AI 비서는 일상에서 비서 이상의 역할을 수행하며, 일의 효율성을 높여준다.

만약 전문가라면 자신의 지식과 경험을 기반으로 AI 비서를 만들어 고객 응대에 활용할 수 있다. 변호사, 의료 전문가, 심리 상담사 등 전문가들이 자신의 전문 지식을 AI에 주입하여 초기 상담이나 간단한 문의에 대한 자동 응답을 제공하게 만드는 것이 그 예다. 이를 통해 사용자는 반복적인 상담을 줄이고, 고급 정보를 제공받을 수 있다. 이렇게 AI 비서는 사용자의 전문성을 더 넓은 범위에서 활용하고, 더 많은 사람들에게 도움을 줄 수 있는 유용한 도구가 된다.

AI 비서는 학습 도우미로도 유용하다. 만약 학생이라면 자신이 공부하고 있는 내용을 AI에게 학습시켜 언제든지 필요한 정보를 묻고 확인할 수 있는 개인 교사로 활용할 수 있다. 학습 자료를 AI에게 입력하고 나면, 학생은 어려운 개념이나 문제를 AI에게 물어볼 수 있으며, AI는 학생에게 맞춤형으로 설명해 줄 수 있다. 이 과정에서 학생은 단순한 정보의 암기를 넘어 AI와 상호작용을 하며 깊이 있는 이해를 도모할 수 있다. 생성형 AI 기술은 점점 발전하고 있으며, 이를 통해 우리는 더 많은 것을 손쉽게 할 수 있게 될 것이다.

.

실무에도 가능! 무궁무진한 AI 비서 활용법

GPTs와 클로드 프로젝트만 있다면 실제 업무에서도 활용이 가능하다. 아래 글을 통해 다양한 작업을 어떻게 수행할 수 있는지 확인해 보자.

먼저, GPTs를 활용하면 기획안 작성이 수월해진다. 사용자가 가진 아이디어나 기획 방향성을 AI에 입력하면, AI가 데이터와 패턴 분석을 바탕으로 효과적인 구조와 논리를 갖춘 기획서 초안을 만들어준다. 이를 통해 사용자는 초안을 빠르게 준비하고, 세부적인 내용을 다듬고 수정하는 데 집중할 수 있다. AI가 반복적인 작업을 대신 처리해 주므로 기획의 완성도를 높이는 데 더 많은 시간을 할애할 수 있다. 또한 AI는 다른 유사한 기획서들을 분석하여 더 나은 방안을 제시하거나 참고 자료를 제공함으로써 기획의 질을 높이는 데 도움을 준다.

디자인 영역에서는 클로드 프로젝트를 통해 다양한 디자인 컨셉을 추천받을 수 있다. 특정 프로젝트의 디자인 요구사항을 설정하고, 관련 이미지, 색상, 분위기 등을 AI에게 학습시키면, AI는 사용자의 피드백을 통해 점점 더 사용자의 취향에 맞는 컨셉을 제안할 수 있게 된다. 이 외에도 기존 디자인 트렌드를 분석해 최신 유행을 반영한 컨셉을 제안하거나 전혀 새로운 접근법을 시도할 수 있는 창의적인 방향을 제시해 줌으로써, 디자이너는 이를 통해 디자인 과정에서 발생하는 시간과 자원을 절약할 수 있다.

마지막으로, 마케팅 전략 수립에도 클로드 프로젝트를 통해 효과적인 마케팅 전략을 제시할 수 있다. 특정 마케팅 목표를 설정하고, 관련된 데이터를 입력하면 AI가 이를 바탕으로 타겟 고객 분석, 경쟁사 비교, 시장 트렌드 등을 고려해 맞춤형 마케팅 전략을 수립할 수 있게 도와준다. 또한 새로운 캠페인 인사이트 제공은 물론, 실시간 데이터를 통해 마케팅 활동의 성과를 추적해 전략의 유연성을 확보할 수 있게 해준다. 이를 통해 사용자는 보다 체계적이고 데이터 기반의 마케팅 계획을 세울 수 있으며, 마케팅 활동의 성과를 극대화할 수 있다.

나만의 AI 비서를 만드는 일은 단순한 기술적 취미를 넘어서, 개인의 생산성을 극대화하고 나의 가치를 증대시키는 강력한 도구가 될 것이다. GPTs와 프로젝트 기능은 복잡한 기술적 지식 없이도 나만의 AI를 쉽게 만들어 주는 접근성을 제공한다. 이제 누구나 자신의 AI 비서를 만들어 일상생활뿐만 아니라 전문적인 영역에서도 혁신적인 변화를 일으킬 수 있는 시대가 되었다. 개인의 경험과 지식을 AI에 주입함으로써, 나만의 AI 비서를 만들어서 일상과 업무의 효율성을 높일 기회가 바로 앞에 놓여 있다. 지금 당장 GPTs와 프로젝트 기능을 활용해 보자. 이 작은 시도가 나의 생활과 일터를 놀라운 방식으로 변화시킬 것이다.

.

※ 본 칼럼은 외부 필진의 견해로, 삼성전자 DS부문의 공식 입장과 다를 수 있습니다.

The post [Behind the CHIP] 누구나 손쉽게 만들 수 있는 나만의 AI 비서 시대 first appeared on 삼성전자 반도체 뉴스룸.

반도체는 전기가 통하는 도체와 전기가 통하지 않는 부도체, 두 가지의 성질을 임의로 조절할 수 있는 물질로, 전자 신호를 제어하고 처리하는 데 필수적인 역할을 한다. 이러한 특성 덕분에 스마트폰부터 컴퓨터, 자동차 부품까지 반도체는 현대 전자 산업의 핵심이 되며, 오늘날 우리가 사용하는 대부분의 전자 장치의 근간을 이루고 있다.

반도체 기술 수준이 국가 경쟁력의 척도가 될 만큼 그 중요성이 급부상하고 있는 요즘, 반도체 기술이 어디서부터 시작해 현재 첨단 반도체 기술로까지 발전할 수 있었는지 반도체의 역사와 현주소, 그리고 앞으로의 전망에 대해 알아보도록 하자.

.

역사의 시작, 최초의 반도체 발견

1833년, 영국의 저명한 과학자 ‘마이클 패러데이’는 비금속 물질의 전기 전도성을 연구하다가 황화은(Ag₂S)의 독특한 전기적 특성을 발견했다. 당시 패러데이는 ‘전기와 자기의 관계’에 대한 실험을 진행하고 있었으며, 특히 전기 전도에 대한 실험을 통해 물질의 전기 전도성을 조사하고 있었다.

그는 금속과 비금속 재료를 포함한 다양한 물질의 전도성을 비교하며, 전도성 고체에 전류를 흐르게 하는 실험 과정에서 금속은 온도가 올라가면 저항이 증가하는 반면, 황화은과 같은 비금속 재료는 온도가 올라가도 전류가 지속적으로 흐른다는 점을 발견했다.

해당 연구는 추후 반도체의 개념으로 발전하게 되는 중요한 발견이 되었으며, 패러데이는 이를 통해 금속과 비금속이 전류를 전도하는 방식에 차이가 있음을 밝히게 되었다. 이 발견은 전기화학 및 전자기학 분야의 발전에 크게 기여했고, 다양한 전기적 현상을 이해하는 데 중요한 기초를 제공했다. 하지만 당시에는 ‘반도체’라는 용어조차 없었고, 반도체의 성질을 실용적으로 활용하기에는 과학적 지식이 부족한 시기였기 때문에 반도체 연구는 이후 40년 동안 이렇다 할 진전을 보이지 못한 채 정체기를 겪게 된다.

그러던 1874년, 독일 물리학자 ‘카를 페르디난트 브라운’이 황화납(PbS)과 같은 반도체 물질에 금속 핀을 접촉했을 때, ‘*정류 작용’이 발생한다는 것을 발견하면서 상황은 달라졌다. 즉, 반도체를 활용해 전류의 흐름을 제어할 수 있게 된 것이다. 브라운의 발견은 교류 전류를 직류 전류로 전환하는 기능을 수행하는 ‘점 접촉 다이오드(Point contact diode)’의 개발로 이어졌고, 전자기기에서 특정한 목적을 위해 반도체를 사용할 수 있다는 사실이 처음으로 입증되었다.

*정류 작용: 전류가 한 방향으로만 흐르는 현상. 전류는 일반적으로 양방향으로 흐르지만, 정류작용을 이용하면 전류를 한 방향으로 흐르게 만들 수 있다.

그러나, 반도체 재료의 정제 기술이나 대량 생산 기술이 충분히 발전하지 못한 상황에서 1904년, 영국 물리학자 ‘존 플레밍’이 ‘진공관 다이오드(=2극 진공관)’를 발명했고, 반도체 다이오드보다 진공관 다이오드가 더 안정적인 정류 성능을 제공하면서 초기 전자 산업의 발전에 있어 반도체는 그다지 주목받지 못한 채 진공관에게 잠시 자리를 내주게 되었다.

.

진공관의 한계와 트랜지스터의 탄생

1907년, 미국의 발명가 ‘리 디포리스트’는 진공관 다이오드에 금속망(Grid)을 추가해 정류 기능에 증폭 기능까지 갖춘 ‘3극 진공관’을 발명했다. 인류가 전기 신호를 제어할 뿐만 아니라 증폭시킬 수 있는 능력까지 갖추게 만들어 준 것이다. 이에 따라 전력의 생산과 전송, 분배에 중점을 둔 전기 공학에서 벗어나 복잡한 신호 처리와 정보 전송을 다루는 전자 공학이라는 새로운 분야가 탄생했다. 이후 진공관은 장거리 전화 통신, 라디오 방송, 컴퓨터 발전에 있어 핵심적인 역할을 하며 한동안 전자 공학의 획기적인 발전을 주도했다.

하지만 진공관은 수많은 공로에도 불구하고 전자 공학의 발전을 가로막는 치명적인 단점이 존재했다. 크기가 크고 무겁다는 점이었다. 이는 전자기기의 소형화에 제약을 주었으며, 높은 전압과 많은 전력이 필요해 에너지 효율이 매우 낮았다. 또한 작동 중 많은 열을 발생시켜 발열 문제를 일으켰을 뿐 아니라 수명이 짧고 유리로 만들어져 깨지기 쉽다는 물리적 취약성도 진공관이 가진 한계점이었다. 이러한 이유로 과학자들은 ‘작고 가벼우면서도 오래 사용할 수 있고, 전기도 적게 쓰면서 튼튼하기까지 한’ 새로운 증폭기를 개발해야만 했는데, 그때 떠오른 것이 바로 반도체였다.

시간이 흐르면서 반도체는 물질에 대한 이론적 이해와 더불어 게르마늄과 실리콘 같은 고순도 반도체 재료의 생산 기술이 이전과 비교할 수 없을 정도로 발전해 있었다. 이러한 시대 흐름 속에서 1947년, 벨 연구소의 존 바딘, 월터 브래튼, 윌리엄 쇼클리가 게르마늄을 이용한 트랜지스터(Transistor) 개발에 성공하자 반도체는 전자 공학 발전의 새로운 주인공으로 급부상하게 된다.

트랜지스터는 진공관보다 훨씬 작고 가벼워 전자기기의 소형화를 가능하게 했으며, 더 적은 전력으로 작동해 에너지 효율을 높이고 발열 문제도 크게 개선했다. 또한 게르마늄 내구성이 강한 재료적 특성으로 인해 전자 장비의 수명과 신뢰성도 크게 향상시켰다. 이로써 트랜지스터 발명 이후 전자 산업은 진공관 소자에서 반도체 소자로, 대대적으로 전환을 맞이하며 비약적인 발전을 이루게 된다.

그러던 1950년대 중반 실리콘 트랜지스터가 개발되었고, 게르마늄 트랜지스터에 비해 온도 변화에 더 안정적이고 대량 생산에 더 유리했기 때문에 게르마늄 트랜지스터의 자리를 빠르게 대체하기 시작했다.

.

집적회로(IC)의 탄생과 무어의 법칙

한동안 트랜지스터가 진공관의 수많은 문제를 해결하긴 했지만, 또 다른 문제는 여전히 남아 있었다. 전자 회로는 트랜지스터, 저항, 다이오드, 캐패시터 등 여러 전자부품을 수작업으로 기판에 납땜해 연결하는 방식으로 만들어졌는데, 이러한 방식은 생산 시간이 매우 오래 걸렸다.

게다가 자칫 연결 부위에 불량이라도 발생하면 전체 시스템이 동작하지 않는 문제가 발생했다. 하지만 이런 연결 부위는 전자제품의 기능이 늘어날수록 기하급수적으로 증가하는 특성이 있었기 때문에 과학자들은 또다시 돌파구를 찾아야 하는 시점에 놓였다.

1950년대 후반, 마침내 잭 킬비와 로버트 노이스라는 두 과학자가 같은 시기에 비슷한 해결책을 떠올렸다. 약간의 차이는 있었지만 두 사람의 공통된 아이디어는 회로에 전자부품을 납땜으로 연결하는 것이 아니라 회로를 만들 때부터 기판과 부품을 하나로 통합하는 것이었다.

이에 따라 수많은 전자부품을 반도체 칩 위에 일체화된 형태로 집적(集積)하는 ‘집적회로(Integrated Circuit, IC)’가 발명되었다. 그중에서도 노이스의 집적회로는 그의 동료 진 호에르니의 ‘평면 소자 공정 기술’과 결합해 3차원 입체 형태였던 전자부품들을 2차원 평면 형태로 회로에 구현할 수 있도록 만들었다. 이러한 방식은 수천 개 이상의 트랜지스터를 하나의 칩에 집적할 수 있도록 만들었고 전자 제품의 성능을 크게 향상시키면서 크기는 획기적으로 줄이는 결과를 낳았다.

그렇게 1965년, 노이스의 또 다른 동료이자 함께 인텔(Intel)을 창업한 고든 무어는 ‘무어의 법칙’을 주장해 반도체 칩의 트랜지스터 수가 2년마다 두 배로 증가할 것이며 이로 인해 컴퓨팅 성능이 기하급수적으로 발전할 것이라고 예측했다. 무어의 예측은 사실이었다.

이후 반도체 칩의 트랜지스터 밀도는 계속해서 높아졌고 1971년, 인텔이 출시한 첫 번째 마이크로프로세서 ‘Intel 4004’에 2,300개의 트랜지스터가 집적되어 있었던 반면, 2010년대 이후로 출시된 프로세서에는 무려 10억 개가 넘는 트랜지스터가 집적되기 시작했다.

트랜지스터의 밀도가 높아짐에 따라 컴퓨터의 처리 속도는 이전과 비교할 수 없을 정도로 향상되었고 마침내 반도체 중심의 첨단 세상이 열리게 되었다.

.

미세공정의 시대를 지나 초미세공정의 시대로

무어의 법칙을 가능하게 만들었던 것은 공정 기술의 발전 덕분이었다.

트랜지스터가 2차원 평면 속으로 들어간 이후, 더 많은 트랜지스터를 회로 안에 구현하기 위해 반도체 공정 기술은 계속해서 미세화되었다. 1970년대, 마이크로미터(μm) 단위에 진입한 미세공정은 1990년대에 이르자 나노미터(nm) 단위로까지 진입하기 시작했다.

1나노미터는 기계를 이용한 물리적 공정으로는 절대 구현할 수 없는 머리카락 굵기의 10만 분의 1 수준에 불과한 두께지만, 빛을 이용해 마치 사진을 찍듯이 기판에 미세한 패턴을 새기는 포토리소그래피(Photolithography) 공정 덕분에 반도체 공정은 180nm, 90nm, 45nm, 22nm 수준으로 지속적으로 미세화될 수 있었다. 반도체 공정이 미세화됨에 따라 전자기기는 더욱 소형화되고 성능은 비약적으로 발전했다.

하지만 미세화 수준이 점점 올라가 초미세 공정 수준에 이르자 미세공정은 점차 물리적 한계에 도달하기 시작했다. 같은 면적에 더 작은 트랜지스터를 더 많이 집적시키는 것이 미세공정의 핵심인데, 트랜지스터의 두께가 너무 얇아지고 트랜지스터들 사이의 거리가 가까워지자, 전자들이 트랜지스터의 얇은 벽을 통과해 누설되는 ‘양자 터널링’ 효과가 발생하기 시작한 것이다.

이렇게 누설 전류가 발생하면 발열이 심해져 반도체의 성능이 감소하기 때문에, 반도체 기업들은 단순히 트랜지스터를 미세화하는 것을 넘어 새로운 돌파구를 찾기 시작했다.

가장 먼저 도입된 해결책은 2차원 트랜지스터 구조를 일부 3차원으로 만드는 ‘핀펫(FinFET)’ 구조의 도입이었다. 트랜지스터는 ‘게이트(Gate)’에 전압이 가해지면 ‘채널(Channel)’을 통해 전류가 흐르는 구조로 되어 있는데 게이트와 채널이 닿는 면적이 늘어날수록 트랜지스터의 효율은 높아진다.

핀펫 구조는 평면 상태의 채널을 입체적으로 만들어 채널과 채널을 감싸는 게이트가 닿는 면적을 1면에서 3면으로 늘려 트랜지스터의 성능을 향상시켰다. 2010년대, 핀펫으로 새로운 돌파구를 찾은 반도체 기업들은 핀펫 구조하에 추가적인 미세공정으로 반도체의 성능을 또 한 번 한계까지 끌어올렸지만, 초미세공정의 수준이 3nm와 2nm 단계에 이르자 핀펫 구조도 한계에 다다르기 시작했다.

.

차세대 반도체 기술

반도체 업계는 공정 미세화의 한계를 해결하기 위해 여러 가지 방향에서 대안을 찾고 있다. 그중 대표되는 차세대 반도체 기술들을 잠깐 살펴보도록 하자.

GAA(Gate-All-Around) 구조

신개념 트랜지스터 구조인 GAA 구조는 차세대 반도체 기술의 핵심 중 하나로 부상하고 있다. GAA 구조에서는 핀펫의 3면 접촉을 넘어 게이트가 모든 방향에서 트랜지스터의 채널을 감싸 채널 4면이 모두 게이트와 접촉하게 되어 트랜지스터의 효율을 더욱 높일 수 있게 만들어 준다.

GAA는 3nm 이하 공정에서 필수적인 구조로, 2022년 삼성전자가 세계 최초로 GAA 기술을 적용한 3nm 파운드리 공정 기반의 양산을 시작했다.

3D 적층 기술(3D Stacking)

3D 적층 기술도 차세대 반도체 기술의 중요한 트렌드 중 하나다. 칩을 평면적으로 집적하는 기존의 방법과 달리, 3D 적층 기술은 칩을 수직으로 쌓아 올리는 방식으로 동일한 면적에 더 많은 트랜지스터를 집적할 수 있어 집적도를 극대화한다는 장점이 있다.

신소재 개발

신소재 개발도 차세대 반도체 기술 발전의 중요한 요소다. 게르마늄 반도체를 실리콘 반도체가 대체한 이후 오랜 시간 실리콘이 대표적인 반도체 소재로 사용되었지만, 이제는 실리콘이 물리적 한계에 도달했다는 것이 명확해지면서 새로운 반도체 소재에 대한 연구가 활발하게 진행되고 있다.

신소재로는 그래핀, 탄화규소(SiC), 질화갈륨(GaN) 등이 떠오르고 있으며 더 높은 전력 효율, 더 낮은 발열, 그리고 더 빠른 전자 이동성을 제공한다는 점에서 이러한 신소재들이 고성능 반도체의 핵심 소재로 평가받고 있다.

양자 컴퓨팅용 반도체

양자 컴퓨팅은 기존의 디지털 컴퓨팅을 뛰어넘는 엄청난 계산 능력을 제공할 수 있는 기술로, 이를 실현하기 위한 반도체 소자의 개발이 활발히 진행 중이다.

양자 컴퓨팅에서는 기존의 트랜지스터 대신 양자 비트(큐비트, Qubit)를 사용하는데, 이를 구현하기 위해 초전도체, 이온 트랩, 스핀트로닉스 등 다양한 기술이 연구되고 있다. 향후 이 기술들이 상용화된다면 인공지능, 암호 해독, 신약 개발 등 여러 분야에서 혁신을 가져올 수 있다.

차세대 반도체 기술은 기존의 미세공정을 넘어서는 새로운 혁신을 통해 반도체 산업의 지속적인 발전을 가능하게 할 것이다. 이에 GAA 트랜지스터 구조, 3D 적층 기술, 양자 컴퓨팅용 반도체, 신소재 개발 등 다양한 기술들이 현재 반도체 성능을 한층 더 끌어올리고 있으며, 이러한 기술들은 인공지능, 자율주행, 통신, 의료 등 미래 기술 전반에 걸쳐 혁신을 촉진하는 데 중요한 역할을 할 것이다.

.

※ 본 칼럼은 외부 필진의 견해로, 삼성전자 DS부문의 공식 입장과 다를 수 있습니다.

The post [Behind the CHIP] 반도체, 그 성장의 기록: 과거, 현재, 그리고 미래 first appeared on 삼성전자 반도체 뉴스룸.

영화 제작은 오랜 세월 동안 기술적 발전과 함께 진화해 왔다. 필름에서 디지털로의 전환이 그러했고, 최근에는 생성형 인공지능(AI) 기술이 또 하나의 혁신을 이끌고 있다. 과거 영화, 영상 제작은 카메라, 조명, 배우, 그리고 대규모 스태프가 필수였지만, 이제는 AI 기술이 이러한 작업들을 대체하고 있다. 특히, AI 기반의 *Text-to-Video 기술은 복잡한 시각 효과나 애니메이션 작업을 손쉽게 수행할 수 있도록 돕는다. 이는 소규모 팀이나 독립 영화 제작자들이 대규모 예산 없이도 고품질의 영상을 제작할 수 있게 하는 핵심 기술로 자리 잡고 있다.

*Text-to-Video 기술: 지시어, 프롬프트와 같은 텍스트를 입력하면 텍스트와 일치하는 비디오를 생성하는 기술

생성형 AI의 또 다른 장점은 작업의 속도와 효율성이다. 과거에는 수개월에서 수년이 걸렸던 영상 제작 작업들이 AI 기술만 있다면, 몇 주, 혹은 며칠 만에 완료될 수 있다. 이 기술은 단순한 작업 속도의 향상뿐만 아니라 창작 과정 자체의 변화를 촉발하고 있으며, 영상 제작의 접근성을 크게 향상시키고 있다.

아래 영상 캡처화면은 필자가 진행한 ‘하루 만에 인공지능으로 단편영화 만들기’ 클래스에 참여한 분들의 작품이다. 영화나 영상을 전문적으로 접하지 않은 이들도 생성형 AI를 활용하면 전문적인 작품을 만들 수 있게 된다.

.

생성형 AI를 활용한 영상 제작 서비스

현재 생성형 AI를 활용한 다양한 영상 제작 서비스들이 등장하고 있다. 이 서비스들은 텍스트 입력만으로도 이미지나 동영상을 만들어내거나, 기존의 영상을 재구성하는 등 다양한 기능을 제공하고 있다. 대표적인 서비스는 다음과 같다.

런웨이(Runway)

런웨이(Runway)의 생성형 영상 제작 모델(현재까지 Gen-3 Alpha Turbo모델까지 출시)은 프롬프트를 기반으로 영상을 생성하는 기술이다. 이 기술은 사용자가 원하는 프롬프트를 입력하면 그에 맞는 영상 또는 이미지를 자동으로 생성할 수 있다. 이를 통해 복잡한 시각 효과 작업을 최소한의 시간과 비용으로 완성할 수 있다.

미드저니(MidJourney)

미드저니(MidJourney)는 주로 이미지 생성에 특화된 AI 서비스로, 사용자가 텍스트로 설명한 이미지를 생성해 준다. 다양한 영상 프로젝트에서 포스터 제작, 콘셉트 아트 제작 등에 활용될 수 있다. 특히 미드저니에서 제작한 고화질, 고품질의 이미지를 런웨이와 같은 모델을 활용할 수 있다. 이미지를 첨부하여 프롬프트를 작성하면 해당 이미지를 영상 콘텐츠로 쉽게 제작할 수 있게 된다.

에뮤 비디오(Emu Video)

에뮤 비디오(Emu Video)는 텍스트 기반의 동영상 생성 기술을 제공하는 서비스이다. 이를 통해 기존의 영상에 새로운 효과를 추가하거나, 전혀 새로운 장면을 만들어낼 수 있다. 특히 예산이 적은 독립 영화나 소규모 프로젝트에서 큰 강점을 보인다.

이 외에도 달리(DALL·E)와 같은 프로그램들은 영상뿐만 아니라 이미지 생성에서도 뛰어난 성능을 보여주며, 다양한 창작 분야에서 활용되고 있다.

.

생성형 AI와 영화의 관계성

생성형 AI는 영화나 영상 제작 전반에 걸쳐 큰 영향을 미치고 있다. 특히, 2023년에 개봉한 <에브리씽 에브리웨어 올 앳 원스>는 인공지능 기술을 통해 완성된 대표적인 영화로 손꼽힌다. 이 영화는 다중 유니버스 속에서 벌어지는 복잡한 시각 효과를 구현해야 했지만, 단 6명의 시각 효과 아티스트만이 이 작업을 담당하였다. 이처럼 적은 인원이 대규모의 시각 효과 작업을 처리할 수 있었던 이유는 런웨이 생성형 AI 기술 덕분이다. 또한 이 영화는 생성형 AI가 영화 제작의 효율성을 얼마나 극대화할 수 있는지를 잘 보여주는 사례이기도 하다. AI 기술을 통해 그린스크린 합성, *로토스코핑, 그리고 포스터 제작까지 모두 처리해 비용 절감과 시간 단축을 동시에 이루어냈다. 이러한 사례들은 영화 제작 과정에서 AI 기술이 얼마나 필수적인 도구로 자리 잡고 있는지를 보여준다

*로토스코핑: 실사 이미지의 외형선을 한 프레임씩 따라 그려 만드는 애니메이션 기법

생성형 AI 기술은 단순한 작업 도구가 아니다. 이 기술은 창작의 한계를 넘어서고 있으며, 영화 제작자들에게는 새로운 가능성을 열어주고 있다. 특히, 모션 캡처 기술은 배우들이 장비를 착용하지 않아도 AI가 자동으로 3D 캐릭터로 변환해 주는 기술로 진화하고 있다. 이는 영화 제작의 비용 절감뿐만 아니라, 배우들에게도 보다 자유로운 연기를 가능케 한다.

예를 들어, 과거 영화 <아바타> 시리즈에서는 배우들이 모션 캡처 장비를 착용하고 연기를 해야 했지만, 최근 등장한 AI 기반 모션 캡처 기술은 이러한 과정을 모두 자동화하였다. 현재 Wonder Dynamics와 같은 회사들은 AI를 활용해 모션 캡처 장비 없이도 배우의 동작을 분석하고, 이를 3D 캐릭터로 변환해 주는 서비스를 제공하고 있다. 특히, 이러한 기술들은 블록버스터 영화에서 높은 가치를 가지며, 상상 속 캐릭터를 현실적으로 구현하는 데 큰 도움을 주고 있다.

더 나아가, AI 기반 더빙 기술은 영화의 원어를 다른 언어로 자동 번역하고, 립싱크까지 맞춰주는 기술로 진화하고 있다. 이는 글로벌 시장을 목표로 하는 영화 제작자들에게 매우 유용한 기술로, 다양한 국가의 관객들에게 더 자연스러운 경험을 제공할 수 있다. 이러한 AI 기술들은 앞으로 영화 제작 과정에서 점점 더 많은 부분을 담당하게 될 것이며, 인간과 AI의 창의적인 협업을 촉진할 것이다.

.

한계를 뛰어넘는 AI 기술의 진화

AI 기술의 발전은 영화 제작의 모든 공정을 대체하거나 보조할 가능성을 가지고 있다. 시나리오 작성부터 촬영, 편집까지 모든 과정에 AI가 참여하는 시대가 머지않았다. 실제로 AI가 시나리오를 작성하고, 연출을 돕는 영화들이 등장하고 있다. 2023년 개봉한 <선스프링(Sunspring)>은 인공지능 시나리오 작성 프로그램인 벤저민(Benjamin)을 활용해 제작된 영화이다. 또한 <PLSTC>와 같은 영화들은 이미지 생성 AI인 미드저니를 활용해 영상 제작의 한계를 뛰어넘고 있다.

이러한 기술들은 앞으로 더욱 발전할 것이며, 영화 제작에서 인간의 역할을 재정립하는 중요한 계기가 될 것이다. AI가 전면에 나서 영화의 모든 부분을 제작하게 될 것인지, 아니면 인간과 AI가 협력하여 보다 창의적인 작업을 할 것인지는 앞으로 중요한 논의 주제가 될 것이다.

그렇다면 이제 생성형 AI를 활용한 영상 제작의 기본적인 과정을 함께 살펴보자.

먼저 주제 선정, 등장인물, 캐릭터 개발 그리고 시나리오(플롯)의 구성이다. 이 모든 사전 작업을 한 눈에 볼 수 있는 스토리보드 작업이 필요하다. 이 내용만 보면 초보자가 쉽게 할 수 있을지 반문이 들 수 있다. 하지만 챗GPT와 같은 툴을 활용해 내가 만들고자 하는 영상의 주제만 간단히 말해주면 아래 이미지와 같이 필요한 시나리오, 캐릭터 개발, 스토리보드 구성을 자동으로 만들어 준다.

위 사전 작업이 모두 완료되면 스토리보드에 맞는 장면에 따라 프롬프트 구성을 요청하고, 해당 프롬프트를 런웨이 Gen-3에 붙여 넣기만 하면 영상이 만들어진다.

필자가 본 칼럼을 작성하면서 위의 ‘우주 대모험’ 기획 내용을 바탕으로 영상을 만들기 까지는 30분도 채 걸리지 않았다. 물론 더 작품성 있고 대중에게 어필할 수 있는 정교한 영상을 만들기 위해서는 많은 고민과 준비가 필요하겠지만, 투입되는 시간과 비용은 전통적인 영상 제작에 비해 현저히 줄어들 것이다.

결론적으로, 생성형 AI는 영화 제작의 혁신적인 도구로 자리 잡았으며, 그 가능성은 무궁무진하다. 카메라 없이도 영화를 제작할 수 있는 시대가 도래했고, 이는 창작자들에게 새로운 기회를 제공하고 있다. 생성형 AI는 더 빠르고 효율적인 작업을 가능하게 하며, 영화의 상상력을 극대화할 수 있는 중요한 도구로서의 역할을 계속해서 확대할 것이다.

.

※ 본 칼럼은 외부 필진의 견해로, 삼성전자 DS부문의 공식 입장과 다를 수 있습니다.

The post [Behind the CHIP] 카메라 없이 만드는 영상 제작의 시대, 생성형 AI가 이끄는 창작의 혁신 first appeared on 삼성전자 반도체 뉴스룸.

도발적인 질문과 함께 시작해 보겠다. ‘당신은 얼마나 똑똑한가?’

아마 선뜻 답변이 어려울 것이다. 이런 부류의 질문은 최대한 객관적으로 답변하려 해도 그 기준이나 비교 대상이 없다는 점에서 곤란한 질문이라 할 수 있다.

앞선 질문에 객관적인 비교 지표를 추가해 보자. 당신은 ‘컴퓨터에 비해’ 얼마나 똑똑한가? 이제는 답변이 조금 수월하다. 컴퓨터의 ‘똑똑함’을 보여주는 대표적 지표 중 하나는 ‘플롭스(FLOPS: FLoating point Operations Per Second)’로, 1초당 몇 번의 부동소수점 연산이 가능한지를 나타낸다. 2024년 기준 가장 성능이 뛰어난 컴퓨터는 미국 오크리지 국립연구소의 ‘프론티어’로, 프론티어의 실측 성능은 1.206엑사 플롭스(EF), 즉 1초에 최대 120.6경 번 연산이 가능하다 평가받고 있다.

그렇다면 사람의 연산력은 어떨까? 과학자들에 따르면, 인간 뇌의 연산 능력은 약 ‘1엑사 플롭스’ 내외로 추정하고 있다. 앞서 설명한 현존 최강의 슈퍼컴퓨터에 비해 살짝 밀리는 수준이라 할 수 있겠다. 반도체 분야의 발전이 계속되는 이상, 인간은 연산력 기준 지구상에서 가장 똑똑한 존재가 아닐 것임은 분명하다.

.

인간과 기계의 두뇌 전성비

그런데 여기에 잊어서는 안 되는 평가 항목이 하나 더 있다. 바로 ‘전성비(전력 대비 성능 비율)’다. 우리는 흔히 스마트폰과 같은 모바일 기기의 연산 성능을 평가할 때, ‘같은 전력을 소모했을 때 나오는 컴퓨팅 파워의 정도’도 중요한 평가 지표로 삼는다. 모바일 기기는 전력 공급에 한계가 있기 때문에, 같은 작업을 해도 전력을 더 적게 소모해야 더 좋은 장비로 평가받는다.

링거를 꽂지 않는 이상 한정된 에너지원으로 활동하는 인간의 두뇌 역시, 이런 측면에선 모바일 기기와 비슷한 평가 기준을 적용해야 한다. 그렇다면 우리 두뇌의 ‘전성비’는 얼마나 될까?

놀랍게도 인간의 두뇌는 단 20W(와트)의 전력만을 소모한다. 20W면 작은 전구 하나를 밝히는 데 필요한 전력과 비슷한 수준이다. 우리는 빵 한 조각만으로도 두뇌활동을 수 시간 이상 지속할 수 있으며, 그 과정에서 엄청나게 복잡한 사고와 학습, 감정 처리, 근육-신경 제어를 비롯한 방대한 양의 정보를 처리할 수 있다. 왜 이런 차이가 발생하는 것일까?

.

인간 두뇌 구조의 핵심 키! 병렬 컴퓨팅 시스템

먼저 각 뇌의 구조적인 차이를 살펴볼 필요가 있다. 전통적인 컴퓨터는 ‘폰 노이만’ 구조를 기반으로 한다. 폰 노이만 구조에서 프로세서와 메모리는 서로 분리되어 있으며, 데이터는 연산을 수행하기 위해 메모리와 프로세서 사이를 오간다. 프로그램을 실행할 때마다 CPU는 메모리에서 데이터를 가져와 처리하고, 그 결과를 다시 메모리에 저장하는 식이다.

이 과정에서 CPU의 데이터 ‘처리’ 속도와 메모리로의 ‘이동’ 속도 사이에 차이가 발생하면 전체적인 시스템 속도가 느려지고, 데이터를 계속 잡아두고 있어야 하기에 전체적인 에너지 효율성도 떨어지게 된다. 이를 ‘폰 노이만 병목 현상’이라 부르는데, 거의 모든 현대의 컴퓨터 시스템이 처한 구조적 한계라 할 수 있다.

반면 인간의 뇌는 ‘뉴런 스파이크’를 통해 정보를 처리한다. 인간의 신경계는 수많은 뉴런과 그 뉴런을 이어주는 ‘시냅스’로 이어져 있다. 이들은 전기 신호인 ‘스파이크’를 통해 서로 통신한다. 흥미로운 건 이 스파이크는 뉴런이 일정한 자극을 받아 임계값에 도달했을 때만 발생한다는 것이다. 에너지 소비 측면에서 봤을 때, 필요한 순간에만 에너지를 방출·소비하기 때문에 상당히 효율적인 방식이라 할 수 있다.

또한 뇌는 각각의 뉴런과 시냅스가 정보를 다발적으로 주고받으며 연산-저장-학습을 동시에 수행하기 때문에 전통적인 폰 노이만 구조의 컴퓨터에 필요한 메모리가 따로 존재하지도, 필요하지도 않다. 우리 두뇌에는 이렇게 데이터 저장과 처리를 동시에 수행하는 약 860억 개의 뉴런과 100조 개 이상의 시냅스가 있다. 이들 각각은 서로 데이터를 주고받으며 엄청난 양의 정보를 거의 동시에 처리-저장-학습한다. 한마디로 우리 두뇌는 폰 노이만 구조 특유의 데이터 병목 현상이 발생하려야 발생할 수 없는, 지구 최고 ‘병렬 컴퓨팅 시스템’이라 할 수 있다.

이러한 구조적 차이가 인간 뇌의 높은 에너지 효율성과 기계 뇌의 비효율성을 설명하는 핵심 요소이다. 폰 노이만 구조에서는 연산을 위한 데이터 이동과 저장에 많은 에너지가 소모되지만, 뉴런과 시냅스 기반의 인간 뇌는 연산을 위한 데이터 이동과 저장이란 개념이 따로 구분될 필요가 없을 정도로 다발적이고 효과적인 데이터 처리 방식을 자랑한다. 기계 뇌의 구조가 변화하지 않는 이상, 인간 두뇌의 전성비를 따라잡을 가능성은 희박하다는 이야기다.

게다가 폰 노이만 기반의 ‘기계 뇌’ 진영에 더 좋지 못한 소식은 현대의 반도체 기술이 점점 한계에 다다르고 있다는 점이다. 무어의 법칙은 반도체 집적도가 일정한 속도로 증가한다는 예측을 제시했지만, 물리적인 한계로 인해 그 속도가 둔화하고 있다. 반도체에 쓰이는 거의 모든 소자가 분자 단위 이하로 작아지면서 트랜지스터의 크기를 더 작게 만드는 것은 불가능에 가까워지고 있다.

.

인간의 뇌를 닮은 반도체? 뉴로모픽 반도체의 등장

따라서 최근에는 전통적인 폰 노이만 구조 기반의 컴퓨팅 시스템 대신, 처음부터 인간의 뇌를 모방한 새로운 개념의 반도체가 주목받고 있다. 바로 ‘뉴로모픽 반도체’다. 뉴로모픽(Neuromorphic) 이라는 용어는 뉴런(neuron)과 형태(morphic)의 합성어로, 쉽게 말해 뇌의 뉴런 구조를 닮은 반도체다. 인간 뇌의 스파이킹 뉴럴 네트워크를 모방하여 데이터 저장과 처리를 동시에 수행하는 반도체를 총칭한다.

이러한 뉴로모픽 반도체의 작동 방식에는 다양한 종류가 있지만, 현재 가장 활발히 연구 중인 분야는 앞서 설명한 두뇌의 작동 구조와 가장 유사하면서, 에너지 효율적인 스파이킹 신경망(Spiking Neural Networks, 이하 SNN) 방식이라 할 수 있다.

이름만 보면 얼핏 어려워 보이지만, 사실 SNN의 작동 원리는 앞서 설명한 뇌의 뉴런 작동 원리와 큰 차이가 없다. 뉴런과 시냅스의 기능을 전자 회로로 구현한 것이기 때문이다. 뉴로모픽 반도체 속 뉴런 회로는 입력 신호를 받아 임계값에 도달하면 전기 스파이크 신호를 생성하며, 시냅스 회로는 이 신호의 강도와 전달 방식을 조절하는 방식으로 작동한다. 이렇게 되면 이벤트가 발생할 때만 연산이 이뤄지기 때문에, 기존 반도체 대비 에너지 효율성이 높아지고 발열도 줄어드는 효과도 얻을 수 있다.

이 과정에서는 동일한 위치에서 연산 과정이 이뤄지기 때문에 데이터 이동에 따른 에너지 소모와 지연(latency)이 최소화된다. 이 모든 과정은 단일한 뉴런-시냅스 회로가 아닌 병렬로 배치된 다수의 뉴런-시냅스 회로의 작동을 통해 이뤄짐으로써, 복잡한 연산도 빠르게 처리가 가능한 덕분이다. 실제 뇌의 작동 방식과 구조가 상당히 유사하다.

다만 이런 작업이 이뤄지기 위해선 넘어야 할 산이 있다. 바로 뉴런-시냅스 구조의 특성과 유사한 특정 소자의 개발과 발전이다. 뉴런-시냅스 작동 구조의 핵심은 스파이킹 신호의 강도를 구분해 각기 다른 결과값을 내보내는 동시에, 일정 시간 동안 그 과정을 기억하는 물질의 존재다. 반도체 용어로 설명하자면 전압에 따라 각기 다른 저항값을 보이는 레지스터적 특성과 데이터를 저장하는 메모리의 성격을 모두 가진 소자가 필요하다는 의미다. 따라서 반도체를 연구·개발하는 산학계에서는 메모리(Memory)와 레지스터(Resistor)를 합친 ‘멤리스터(Memristor)’의 개발과 발전에 열을 올리고 있다.

그렇다면 이러한 뉴로모픽 반도체의 개발은 어디까지 왔을까? 지금으로부터 10년 전인 2014년, IBM은 세계 최초의 대규모 뉴로모픽 칩인 TrueNorth를 발표했다. 이 칩은 100만 개의 디지털 뉴런과 2억 5,600만 개의 시냅스로 구성됐으나 전력 소모는 약 65mW(밀리와트)에 불과했다. TrueNorth는 이미지 및 패턴 인식, 센서 데이터 처리 등에서 뛰어난 성능을 보이며, 군사용 드론에 탑재해 실시간으로 영상 데이터를 처리하는 연구도 진행됐다.

인텔 역시 2017년 자체적인 뉴로모픽 반도체인 Loihi 칩을 발표한 바 있다. 인간 뇌의 일부 기능을 모방한 초저전력 신경망을 구현한 칩으로, 약 13만 개의 뉴런과 1억 3천만 개의 시냅스로 자체적인 학습과 추론을 동시에 수행하면서도 당시 기존 CPU 대비 최대 1,000배 이상의 에너지 효율성을 보였다.

퀄컴 또한 모바일 기기를 위한 뉴로모픽 플랫폼인 Zeroth을 발표하여 에너지 효율적인 AI 성능을 제공하는 기술을 제공하겠다 밝힌 바 있다. 이 플랫폼은 스마트폰과 사물인터넷(IoT) 기기의 사용자 경험을 향상시키는 데 활용될 예정이다.

뉴로모픽 반도체와 관련한 가장 담대한 시도 중 하나는 2021년 삼성전자가 하버드 대학과 발표한 공동 연구 결과일 것이다. 이 연구에서는 문자 그대로 뇌를 복사하고 붙여 넣는 개념이 제안됐다. 뇌의 뉴런 연결망을 고해상도로 스캔하고 이를 3D 메모리 네트워크에 직접 구현하는 것이 핵심이라 할 수 있다. 앞서 뉴로모픽 반도체의 핵심이 뉴런-시냅스 구조에서 발생하는 스파이킹 신호의 강도를 구분하는 것이라 말한 것을 기억하는가? 해당 연구는 뇌의 뉴런에 직접적으로 나노 전극을 침투시켜, 접점에서 발생하는 미미한 전기 신호를 읽어내 신경망을 아주 상세하게 지도화하는 개념을 설명하고 있다. 이렇게 복제된 지도를 메모리반도체에 붙여 넣는다면 각각의 메모리가 뉴런 간의 접점 역할을 대신하게 될 것이다. 기존과는 완전히 다른 뉴로모픽 반도체가 탄생하는 순간이다. 

이렇게 개발한 뉴로모픽 반도체는 어디에 활용될까? 앞서 언급한 인간과 컴퓨터의 비교에 그 힌트가 숨어있다. 가장 ‘인간다운 컴퓨팅 디바이스’인 휴머노이드(로봇)의 탄생에 뉴로모픽 반도체가 큰 역할을 할 것은 자명하다. 휴머노이드는 마치 인간처럼 실시간으로 수많은 데이터를 처리하면서도 전력 소모는 낮아야 한다. 뉴로모픽 반도체는 이러한 요구를 충족시켜 로봇이 환경에 즉각적으로 반응하고, 더 인간적인 상호작용과 고차원의 논리 작업을 가능케 할 가장 중요한 열쇠가 될 수 있다. 뉴로모픽 반도체가 더 발전한다면 가까운 미래에 인간만큼이나 적게 먹지만 인간만큼이나 똑똑한 전성비 좋은 로봇이 탄생할 수 있다.

굳이 인간을 닮지 않은 로봇이라 하더라도 뉴로모픽 반도체의 적용 분야는 무궁무진하다. 자율주행 로봇이나 서비스 로봇은 복잡한 환경에서 스스로 학습하고 적응해야 한다.  뉴로모픽 반도체는 기기의 실시간 학습과 환경 적응을 효율적으로 처리할 수 있어, 로봇이 더 효과적인 행동을 수행할 수 있도록 도움을 줄 수 있다.

이와 더불어, 뉴로모픽 반도체는 환경 문제를 야기하는 현대의 AI 시스템에도 큰 도움이 될 수 있다. 현재 우리가 사용 중인 챗GPT와 같은 대형 언어모델 기반 AI 서비스는 지극히 많은 전력을 소비하며 열을 발산한다. 이 열을 냉각하는 과정에서 또다시 수많은 에너지와 깨끗한 물을 소비하며 환경에 많은 부담을 가하고 있다. 전력 소모량이 극단적으로 줄어든 뉴로모픽 반도체를 활용하면, 이 문제에서 비교적 자유로운 인공지능 활용이 가능하다. 더 작고, 좁은 공간에 더 높은 성능의 컴퓨터를 설치할 수도 있고, 이를 더 많은 사람이 활용할 수 있을 것이다.

마지막으로 뉴런-시냅스 단위의 신경 활동에 대한 다양한 지식들도 뉴로모픽 반도체를 연구하면서 얻은 부산물로 확보할 수 있을 것이다. 인간의 신경계와 뇌 활동에 대한 보다 깊은 이해를 바탕으로, 뇌-컴퓨터 인터페이스 분야에서 신경 신호를 직접 처리하여 의수나 의족의 정밀한 제어도 가능해질 것이다. 신경 과학 부문의 눈부신 발전도 기대해 볼 만하다.

결국 뉴로모픽 반도체를 연구하며 인간 뇌의 에너지 효율성을 기술적으로 구현하고 개발하는 과정은 단순히 칩의 에너지 효율성을 높이는 것을 넘어, 인간의 기술 분야 전반에 걸쳐 큰 변화를 야기할 수 있는 일이라 할 수 있다. 앞으로 우리는 얼마나 전성비 좋고 똑똑한 컴퓨터와 로봇을 만들어 낼 수 있을까? 우리의 AI는 얼마나 친환경적인 존재로 변모할까? 뉴로모픽 반도체와 함께, 인간의 창의성과 기술력이 만들어낼 다음 단계가 더욱 궁금해진다.

.

※ 본 칼럼은 외부 필진의 견해로, 삼성전자 DS부문의 공식 입장과 다를 수 있습니다.

The post [Behind the CHIP] 인간 두뇌의 ‘전성비’를 따라잡아라! 뉴로모픽 반도체의 도래 first appeared on 삼성전자 반도체 뉴스룸.

.

한 인간에게는 작은 발걸음이지만, 인류에게는 거대한 도약입니다.
– 닐 암스트롱, 우주비행사 –

인류의 탄생 이래 지금 우리가 그 어느 때보다 가장 진보한 세대임은 부정할 수 없을 것이다. 그런데 현세대의 문명이 이전보다 우월하고, 이전 세대가 지금에 비해 초라했다고 평가할 수 있는 근거는 무엇일까? 우스운 질문처럼 들릴지도 모르지만, 모두가 한 번쯤은 진지하게 고민해 볼 가치가 있다. 문명의 진보 수준을 판단하는 ‘기준’이 존재하는가에 관한 의문이라는 점에서 꽤 의미가 있기 때문이다.

이 질문에 누군가는 인류사의 위대한 순간을 떠올릴 것이다. 특히 아폴로 11호가 달 표면에 착륙하여 첫발을 내디딘 닐 암스트롱의 한마디는 전 세계에 송출되며 인류에게 새 시대가 도래했음을 알렸다.

사실 이 사건은 한순간에 일어난 것이라기보단 끊임없는 진보의 누적으로 이루어진 결과이다. 화석 연료 정제 기술, 강력한 로켓 엔진, 3,500°C에 달하는 로켓 엔진의 화염을 견디는 합금의 개발, 달 궤도를 계산하는 컴퓨터, 극저온에서도 인간의 활동을 가능케 하는 우주복의 발명이 없었다면 인류를 달에 보내는 것은 불가능했기 때문이다. 이런 측면에서 인류 진보는 발명의 역사와 궤를 같이한다고 볼 수 있을 것이다. 그러니 문명의 진보 수준을 판단하는 기준으로서 인간의 지성으로 만들어낸 제품의 총 가짓수(SKUs, Stock Keeping Units)를 매년 세어보는 것은 어떨까?

.

척도의 후보들: SKUs, 전력 소모량, 칩의 집적도

발명은 생각의 증거다.
– 피터 왓슨, 지성사가 –

선사시대에 살았던 멀고 먼 조상은 비교적 단순한 살림살이를 가지고 있었을 것이다. 돌을 내리쳐 날카롭게 만든 뗀석기, 채집한 물건을 담는 토기, 동물의 가죽으로 만든 옷가지 정도였다. 우리는 이들이 만들어낸 물건에 하나씩 번호를 부여해 볼 수 있다. 이 지표가 바로 SKUs다.

문명의 시계가 흘러가면서 점점 커지는 SKUs 목록을 하나씩 살펴보는 것은 아주 흥미로울 것이다. 교통수단으로 분류된 SKUs에는 나무로 된 수레바퀴에서 시작해 마차의 개발, 포드의 양산형 자동차 출현, 수많은 종류의 자동차 모델과 항공기, 닐 암스트롱을 달로 보낸 로켓 등의 긴 목록으로 이어진다. 예술 작품의 SKUs에는 고대의 벽화, 빗살무늬 토기, 원시적 장식물에서 시작하여 고대 그리스와 로마의 조각으로 이어진 다음, 르네상스 시기에 도달하면 SKUs의 목록이 급격하게 증가하게 될 것이다. 이와 같은 방식으로 인간이 만들어낸 모든 제품에 번호를 매겨 추적할 수만 있다면, 우리는 인류의 진보 수준을 어느 정도는 가늠해 볼 수 있다.

하지만 이런 측정 방식이 먼 옛날에는 가능했을지 몰라도 이제는 명백하게 불가능한 일이다. 진보의 척도로 SKUs를 사용했을 때 발생하는 난점은 두 가지다. 첫 번째는 실질적 측정이 어렵게 되어버렸다는 점이다. 오늘날에는 하루아침에 수많은 제품이 새롭게 개발되고, 순식간에 사라진다. 아무리 현대 사회가 컴퓨터를 이용해 재고를 처리하고 있다고 하더라도, 전 세계 모든 제품을 추적하는 누적 데이터베이스를 확보하는 것은 쉽지 않다. 두 번째 난점은 다품종소량생산의 시대에 돌입함에 따라 SKUs가 현실적인 진보의 수준을 반영하지 못하게 되었다는 점이다. 동일한 디자인의 옷에 100가지 색상이 있다고 해서 문명이 ‘100’만큼 더 발전했다고 말하는 것은 굉장한 비약일 것이다. 또한 이런 중복을 제거하고 집계하는 대안은 우리를 다시 첫 번째 문제로 돌아가게 만든다. 따라서 SKUs는 현대 사회의 진보 수준을 측정하는 도구로 부적절하다는 결론을 내릴 수 있다.

그렇다면 ‘전력 소모량’을 척도의 후보로 내세워보는 것은 어떨까? 최초의 전기 공급은 비교적 최근인 1880년대에 이루어졌고, 나라마다 전력 소모량을 정확히 측정하고 있으니 SKUs가 가지는 문제를 해결하는 대안이 될 수 있을 것으로 보였다. 실제로 전기는 인류의 진보 수준을 측정하는 유용한 수단이라고 말할 수 있다. 단, 2007년까지만 그랬다.

2007년 미국 전체의 전력 사용량은 3.9조 킬로와트시(kWh)로 정점에 도달한 후 소폭 등락을 거듭하며 횡보하고 있다. 2022년의 사용량은 4.05조 킬로와트시로 15년 전의 전력 사용량에 비해 3.8% 증가한 수준이다. 하지만 우리 대다수는 2007년보다 2022년이 3.8%보다는 훨씬 더 진보했다고 느낄 것이다. 15년간 전력 사용량이 횡보한 것은 탄소 배출을 줄이기 위해 에너지를 절감하도록 장려하고, 저전력 기기를 개발하고자 노력한 인류의 결실 덕분일 수도 있다.

이렇듯 현시대의 진보 수준을 잘 반영하는 지표를 찾는 일은 쉽지 않아 보인다. 그런데, 무려 반세기 동안 현대 사회의 진보 수준을 잘 나타내주었던 지표가 하나 존재한다. 그것은 바로 칩의 집적도다.

.

정보화 사회의 심장

칩의 집적도는 약 2년마다 두 배씩 증가한다.
– 무어의 법칙 –

많은 직장인은 컴퓨터로 메일을 보내고, 워드로 문서를 작성하며, 엑셀로 데이터를 입력하고 계산하는 데 익숙할 것이다. 심지어 이제는 손바닥 크기의 스마트폰으로 길을 걸으면서 작업을 할 수도 있다. 이 모든 것이 가능한 이유는 ‘칩’이라 불리는 장치를 개발한 덕분이다. 이제 칩은 어디에나 있다. 사무실 컴퓨터는 물론이고, 우리가 늘 들고 다니는 스마트폰에도 칩이 들어있기 때문이다. ‘정보화 사회’로 대변되는 현시대에서 가장 중요한 것을 꼽으라 한다면, 단연코 칩이라 말할 수 있다.

칩 안에는 전기를 이용해 덧셈과 뺄셈은 물론이고, 각종 논리 연산을 수행할 수 있는 단위 장치인 트랜지스터가 빼곡히 새겨져 있다. 그리고 하나의 칩이 가지고 있는 트랜지스터의 개수, 소위 칩의 집적도가 우리가 가진 컴퓨터와 스마트폰이 얼마나 빠를지를 결정한다. 현대 사회, 즉 정보화 사회의 진보 수준은 컴퓨터의 데이터 처리 속도에 좌우된다 해도 과언이 아니다. 이 속도를 결정하는 것이 칩의 집적도이니, 이것이야말로 현시대의 진정한 진보의 척도라 불릴 자격을 갖춘 셈이다.

그렇다면, 지난 50년간 하나의 칩이 가진 트랜지스터의 개수는 어떻게 변화했을까? 아래의 차트는 1971년부터 2019년까지 칩 하나가 가지고 있는 트랜지스터의 개수를 로그 스케일의 차트로 나타낸 것이다. 1971년 개발된 칩엔 약 2,308개의 트랜지스터가 있었고, 2019년 출시된 칩에는 약 395억 개의 트랜지스터가 들어있다. 약간의 계산을 해보면, 48년간 칩 하나에 들어간 트랜지스터의 개수가 약 1,711만 4,384배 폭증한 것이다.

놀랍게도, 칩 제조기업 인텔의 설립자이자, 실리콘 밸리의 전설로 불리는 고든 무어는 이러한 발전을 크게 틀리지 않은 수준으로 반세기 전부터 예측한 바 있다. 그는 약 2년마다 칩의 집적도가 두 배씩 증가할 것이라는 소위 ‘무어의 법칙’을 주장하였는데, 그의 주장에 따르면 칩의 집적도는 48년 후에는 2를 스물네 번 곱한 값인 1,677만 7,216배(2²⁴)만큼 증가해야 한다. 이는 실제값(1,711만 4,384배)과 크게 다르지 않으므로, 고든 무어는 48년 후를 정확히 내다본 것이나 마찬가지인 셈이다.^[1]

무어가 강력한 칩의 출현을 예견할 수 있었던 이유는 칩의 트랜지스터 개수가 일정한 비율로 증가하는 ‘지수적 패턴’을 보이고 있음을 누구보다 먼저 눈치챘기 때문이다. 무어의 법칙이 대변하는 칩의 집적도 증가 폭은 오히려 이제는 칩 제조업체가 따라잡아야만 하는 황금률이 되었다. 인류가 스스로 문명의 진보 속도를 정하게 된 것이다.

그런데 향후 50년도 무어의 법칙이 지속될까? 다시 말해, 칩 산업은 우리에게 앞으로도 2년마다 2배의 집적도 향상을 약속할 수 있을까? 만약 그렇다면 50년 후의 인류는 지금에 비해 약 3,000만 배 더 강력한 컴퓨터를 가지게 됨을 의미한다.

.

터널 효과, 그리고 척도의 미래

무어의 법칙은 더 이상 가능하지 않다.
– 젠슨 황, 엔비디아 CEO –

칩의 집적도를 높이는 가장 쉽고 단순한 방법은 칩의 기본 단위인 트랜지스터 크기를 소형화하는 것이다. 트랜지스터는 전기 흐름을 통제하는 일종의 스위치 역할을 한다. 여기서 문제는 이 스위치가 계속 작아지면 어느 순간부터 자신의 역할을 제대로 할 수 없게 된다는 점이다.

전기의 흐름, 즉 전류는 ‘전자’라 불리는 아주 작은 입자의 흐름이다. 그리고 트랜지스터는 이 전자를 통과시키거나 통과시키지 않음으로써 자신의 본분을 다한다. 트랜지스터가 문(Gate)을 열어 전자를 통과시키면 스위치를 켜는 것이고, 전자를 통과시키지 않으면 스위치를 끄는 것이다. 트랜지스터를 소형화할수록 전자가 지나다니는 문 역시 얇아지게 되는 것은 당연한 일이다.

그런데 그 문이 얇아질수록, 다시 말해 칩 제조 공정이 미세화될수록 아주 작은 세계를 일컫는 양자 세계의 규칙이 고전 세계의 규칙을 대체하기 시작한다. 그리고 양자 세계에서는 전자가 정해진 길을 이탈해 다른 곳으로 순간 이동하는 것처럼 보이는 ‘터널 효과(Tunnel Effect)’가 나타난다. 여기서는 전자가 닫힌 문을 뚫고 지나가는 사건이 벌어져도 이상하지 않다. 이는 원하지 않는 상황과 영역에 전기가 흐르는 결과를 만들어내므로 칩의 소비 전력을 증가시키고 기계 오작동의 주요 원인이 된다.

칩 제조사들은 트랜지스터의 구조를 변경하여 전류 누설 등의 문제를 극복해 왔다. 기존 트랜지스터의 한 종류였던 Planar FET의 누설 전류에 대응하기 위해 게이트에 수직한 핀(Fin)을 세워 이 문제를 해결한 새로운 트랜지스터인 FinFET이 등장한 바 있고, 이 덕분에 칩의 집적도를 한층 높일 수 있었다. 그리고 이제는 FinFET 구조로도 공정 미세화를 감당하기 어려워져, 말 그대로 전자의 통로를 4면으로 게이트가 감싸는 구조를 가진 GAA(Gate-All-Around) 공정 기반 제품의 개발과 양산이 진행되었다.

이런 방식으로 지금까지 칩 제조업계는 전자가 지나는 문의 형태를 바꿔서 무어의 법칙이 유지될 수 있도록 노력해 왔다. 하지만 앞으로의 50년이 지난 50년과 같을 것으로 생각한다면 오산이다. 우리 모두는 피할 수 없는 한계를 맞이할 준비를 해야 한다. 그 시간이 찾아오면 우리는 그 시대에 맞는 새로운 진보의 척도를 찾아야 할 것이다. 그 척도는 기대치를 조금 낮춘 무어의 법칙일 수도, 혹은 인공지능(파라미터의 법칙), 양자컴퓨터(로즈의 법칙)와 같이 급부상하고 있는 분야의 또 다른 법칙이 될지도 모른다.

. 비하인드 더 칩

[1] 칩 하나가 가진 트랜지스터의 개수는 엄밀하게 말하면 집적도와 다르다. 칩마다 규격이 다르므로 각 칩이 가진 트랜지스터의 개수에서 칩의 면적을 나눠야만 하기 때문이다. 다만 칩을 크게 만들어 더 많은 트랜지스터를 넣고, 칩끼리 연결하는 것도 하나의 기술력이라 볼 수도 있다

출처

1. 김종성, 이택호 지음, ≪수학은 알고 있다≫, 더퀘스트, 2024
2. NASA, ≪July 20, 1969: One Giant Leap For Mankind≫, https://www.nasa.gov/history/july-20-1969-one-giant-leap-for-mankind/
3. EIA, ≪Electricity consumption in the United States was about 4 trillion kilowatthours (kWh) in 2022≫, https://www.eia.gov/energyexplained/electricity/use-of-electricity.php
4. Our World in Data, ≪Moore’s law: The number of transistors per microprocessor≫, https://ourworldindata.org/grapher/transistors-per-microprocessor
5. Shara Tibken, <CES 2019: Moore’s Law is dead, says Nvidia’s CEO>, ≪CNET≫, 2019.01.09, https://www.cnet.com/tech/computing/moores-law-is-dead-nvidias-ceo-jensen-huang-says-at-ces-2019/

.

※ 본 칼럼은 외부 필진의 견해로, 삼성전자 DS부문의 공식 입장과 다를 수 있습니다.

The post [Behind the CHIP] 진보의 척도 | 우리 사회의 진보 수준을 어떻게 측정할 수 있을까? first appeared on 삼성전자 반도체 뉴스룸.

HBM이라는 단어가 대중의 관심 단어로 떠오르기 시작한 2023년. 그 후 일년이 지난 지금, 우리는 이 새로운 시대가 만들어내고 있는 시대 변화를 오롯이 체감하고 있다. 예를 들면 헤테로지니어스 컴퓨팅(Heterogeneous Computing, 이종 컴퓨팅) 시대로의 전환이 대표적이다. 앞으로 우리가 목도하게 될 AI반도체 시장의 변화를 메모리반도체의 관점에서 정리해 보자면 ‘가치 변화’와 ‘위상 변화’, 크게 이 두 가지 관점에서 정리해 볼 수 있다. 

제품이 *커머디티화(commoditization)되며 어느덧 주인공 자리에서 내려오고 있던 메모리반도체가 특화되며 더 높은 가격을 부여받게 되는 가치의 변화. 그리고 로직반도체 중심의 시스템 구조를 완성하는 하나의 주변 요소 정도로 인식되어 가던 메모리반도체가 다시 시스템의 중심으로 올라서게 되는 위상의 변화가 각각 그것이다.

*커머디티화(commoditization): 제품의 일반화 또는 평준화, 동일화

이 중 메모리반도체의 가치 변화에 대한 부분은 이미 많은 전문가들 사이에서 다뤄진 부분이기도 하고 기업들의 실적 발표에서 보이는 숫자 변화로도 쉽게 체감할 수 있는 부분이다. 이에 비해 위상 변화에 대한 부분은 그 의미가 가진 중요성에 비해 제대로 조망되지 못하고 있다. 메모리반도체가 다시 시스템의 중심으로 올라서게 되는 이 변화를 정확히 이해하기 위한 첫걸음은 AI 연산을 위한 방법론의 최근 동향을 이해하는 것에서 시작한다.

.

이종접합과 무한반복의 워크로드

AI 연산의 핵심은 무한 반복의 워크로드를 어떻게 효과적으로 처리할 수 있느냐에 있다. 엔비디아의 GPU가 시장의 선택을 받게 된 것은 GPU가 가진 병렬처리 구조가 반복적인 워크로드를 처리하기에 가장 적합한 방법이었기 때문이었고, GPU 기반의 가속기들 중 가장 앞선 성능을 가지고 있었기 때문이다.

다만 최근 시장에서는 새로운 해답들이 계속해서 등장하고 있고, 향후 이 AI반도체들이 GPU 중심에서 CPU와 GPU, 혹은 CPU와 ASIC이 결합된 형태의 새로운 구조로 변화를 앞두고 있다는 점을 주목해 볼 필요가 있다. 이른바, 헤테로지니어스 컴퓨팅(Heterogeneous Computing)이란 단어로 설명되는 AI반도체 시장의 진화 방향이 바로 그것이다.

기본적으로 이와 같은 변화가 일어나는 배경에는 AI시대의 본격적인 개화 이후, 이 AI 워크로드에 양적 확장(Quantitative Expansion)을 넘어, 범위 확장(Scope Expansion)이 일어났기 때문이다. 즉, 단순히 반복 연산 양이 늘어나는 것을 넘어, 다양한 종류와 성격으로 다변화되고 있다는 것이다. 이러한 흐름 속에 GPU와 CPU가 하나의 보드 안에 내장된 형태의 이종접합 솔루션들이 제안되고 있다.

GPU는 ‘전용성’이란 단어로, CPU는 ‘범용성’이란 단어로 설명이 가능하다. 단순 반복 연산에 아주 강력한 전용성을 보여줬던 GPU에 의해 설 곳을 잃었던 CPU가 다변화된 워크로드를 처리하기 위한 용도로 다시 재조명 받고 있는 것이다. 문제는 이 이종의 로직반도체를 활용하는 것이 현재 구조상으로는 비효율을 야기한다는 점이다.

우선 AI플랫폼에서 활용되고 있는 연산 가속기들의 경우, 복잡한 프로세스를 거친다. CPU와 GPU 간의 데이터 통신을 위해서는 CPU에 연결된 메인 메모리(주로 RDIMM, LRDIMM)에서 데이터를 가져와 다시 GPU에 연결된 메모리(주로 HBM)로 읽어 들이고, 이 데이터를 다시 GPU가 처리한 후에, GPU를 통해 메인 메모리로, 다시 메인 메모리에서 CPU로 전달되는 방식이다.

다만 현재는 GPU가 이 AI 연산의 대부분을 처리하고 있고, GPU간에는 별도의 캐싱 없이 데이터를 빠르게 공유할 수 있는 기술이 적용되어 있기 때문에 해당 문제가 크게 대두되고 있지는 않다. 하지만 워크로드의 다변화 현상이 특히 강하게 일어나고 있는 AI 추론 영역을 중심으로 서서히 이 이종 컴퓨팅 도입에 대한 요구가 거세지고 있다.

이를 해결하기 위해 AI 가속기 업계에는 CPU와 GPU 모듈을 하나의 기판에 통합하거나 더 나아가 CPU와 GPU가 다이 수준에서 하나의 메모리를 공유하는 등 다양한 구조의 솔루션을 제안하고 있다.

다만 전체 인프라는 이러한 수천, 수만 개의 액셀러레이터들이 모여 만들어지기 때문에 특정 보드 안에 탑재된 한 쌍의 CPU와 GPU 안에서의 개선만으로는 충분치 않다. 전체 인프라에 연결되어 있는 이 엄청난 수의 CPU와 GPU들을 보다 더 효율적으로 활용할 수 있는 개선 방안이 필요하다. 이 지점에서 다시 주목을 받게 되는 것이 메모리반도체다. 더 정확히는 로직반도체들과 연결되어 있는 계층 구조의 변화이다.

.

메모리의 위상 변화

폰 노이만 구조를 기반으로 발전해 온 현세대 시스템 구조는 대개 로직반도체의 하위계층에 D램과 스토리지로 이어지는 메모리반도체가 자리하게 된다. 연산과 저장, 다시 저장된 데이터를 로드해 연산으로 이어지는 연산 프로세스의 관점에서는 현시점에서 취할 수 있는 최선의 계층 구조이다.

문제는 하나의 단일 시스템이 아닌, 수많은 개별 서버를 모아 만들어지는 데이터센터나, 슈퍼컴퓨터 인프라에서는 이러한 계층 구조가 비효율을 가져온다는 것이다.

개별 워크로드의 관점에서는 당연히 연산 작업을 하는 로직반도체를 중심으로 메모리가 종속되어 있는 현재의 구조가 이상적이지만, 인프라는 이 전체 워크로드를 어떻게 효율적으로 처리할 수 있는지를 두고 설계되어야 한다. 현재 시스템상에서는 메모리가 로직의 하위 구조로 종속되어 있어, 워크로드를 최적의 효율로 배분하기 어렵다.

현재의 시스템은 각 로직이 개별 하부 메모리시스템을 가지고 있는 구조이다. 이러한 구조에는 몇 가지 문제점을 찾을 수 있는데, 하나의 로직에 메모리가 가득 차면 작업이 중단되고, 다른 로직의 여유 메모리는 활용되지 못하는 것이다. 이는 마치 중앙 물류 허브 없이 개별 배송센터들만 있는 물류 체계와 비슷하다. 한 배송센터의 창고가 가득 차면 그 센터는 더 이상 물건을 받을 수 없고 동시에 다른 배송센터들의 공간이 낭비된다. 이처럼 현재의 AI 인프라는 전체 시스템의 효율성을 떨어뜨리고 자원 관리가 어렵다는 문제를 가지고 있다.

구체적으로 현세대 AI 인프라들의 한계로 지적되는 것이 바로 메모리 용량의 한계이다. 공간 구성이나 I/O의 한계, 발열 등의 이유로 하나의 로직반도체와 직접 연결된 메모리의 크기는 한계값을 가진다. 이 때문에 한 번에 처리해야 할 데이터의 크기가 메모리의 크기를 벗어나는 순간 연산을 쪼개고 분할하고 다시 이것을 합치는 불필요한 프로세스가 더해지며 연산의 효율이 떨어진다.

두 번째는 분배의 한계이다. 개별 우체국들이 아무리 많은 창고를 가지고 있다고 한들, 그것이 옆 우체국의 창고 부족을 해소해 주기는 어렵다. 물론 AI 인프라 상에서는 고속의 데이터 이동이 가능하기 때문에 다른 서버의 리소스를 활용하는 것이 가능하지만, 그것이 가능하다는 이야기이지, 효율적이지는 않다는 것이다.

이러한 한계점들을 두고 우리가 꺼내 볼 수 있는 해결책은 물류에서처럼 AI 인프라에도 허브 개념을 도입하는 것이다. 이 개념이 바로 ‘메모리 풀링’이다.

메모리 풀링은 여러 개의 메모리를 하나로 묶어, 하나의 거대한 메모리 풀(Pool)을 만들고, 이 안에서 시스템이 필요한 만큼의 메모리를 가져다 쓰는 개념이다. 이를 통해 기본적으로 현재는 꿈꾸기 어려운 거대한 규모로 메모리 확장이 가능하다. 메모리 풀링의 또 다른 장점은 메모리 활용효율의 증대이다. 여러 개로 연산을 쪼개고 번번이 캐싱 작업을 해야 하는 이전의 수고로움이 사라진다. 하나의 거대한 풀 안에서 데이터가 캐싱되며 메모리가 개별적으로 나뉘어있던 분산 구조에서는 상상하기 어려울 만큼 높은 메모리 활용 효율을 달성할 수 있다.

아울러 이 메모리 풀링은 단순히 인프라 활용효율을 개선하는 것을 넘어, 로직반도체의 하부계층으로 종속되어 있던 메모리반도체가 시스템의 중심에 자리하게 되는 위상 변화를 기대하게 한다. CPU와 GPU 등의 로직반도체를 중심으로 설계되었던 현세대 시스템의 계층 구조가 메모리 중심의 계층 구조로 변화하고 있다는 것이다. 여기서 우리가 관심있게 살펴봐야 하는 것은 이와 같은 변화를 가능하게 하는 기술이다. 서로 다른 제조사들이 만든 CPU, GPU, 그리고 메모리를 상호 연결하기 위한 기술이 필요한데, 여기서 등장하는 단어가 바로 CXL이다.

.

CXL, 완벽한 상호 연결체계로의 진화

CXL(Compute Express Link)은 위에서 약술한 문제들을 포함해 CPU와 GPU, 그리고 그사이에 위치한 메모리시스템 간 데이터흐름의 비효율을 개선하기 위한 방안이다. CXL의 핵심은 이 흐름을 최적화할 수 있도록 하나의 일관된 프로토콜 체계를 갖추는 것에 있다. 현재 활용되고 있는 *인터커넥트(Interconnect) 기술이 PCIe이기 때문에, 흔히 CXL을 PCIe를 대체하는 성격의 기술로 설명하기도 하지만 실제로 CXL은 PCIe를 ‘대체’하는 것보다는, PCIe를 기반으로 만들어진 생태계를 ‘개선’하는 것에 더 가까운 개념이다.

* 인터커넥트(Interconnect): 각 부품 사이의 데이터 전송 속도와 대역폭을 최적화하는 기술

이 개선의 개념은 표준화라는 단어로도 설명이 가능한데, 표준화를 통해 CPU와 GPU는 물론이고, D램과 스토리지가 모두 일관된 프로토콜 안에서 직접적인 소통이 가능해지게 되는 것이다. 그 개념 중 하나가 ‘캐시 일관성’이다. CXL 프로토콜 하에서는 한 프로세서가 데이터를 변경할 때 다른 프로세서의 캐시 데이터가 함께 업데이트되도록 한다. 이를 통해 연결된 CPU 혹은 GPU들이 추가적인 캐싱작업 없이 마치 하나의 캐시를 사용하는 것처럼 작동할 수 있다.

이와 같이 CXL을 통해 동종의 로직반도체는 물론, CPU와 GPU 혹은 CPU와 ASIC등 이종의 로직반도체들도 모두 직접적인 소통이 가능하다. 로직을 넘어 D램과 스토리지 등의 메모리반도체들과도 역시 직접적인 소통이 가능해지는 완벽한 상호 연결 체계가 만들어진다.

CXL은 이처럼 이종접합으로의 진화를 완성하기 위한 핵심 기술이 됨과 동시에 CPU와 GPU를 넘어 D램과 스토리지로 이어지는 전체 계층 구조의 추가적인 변화를 예상케 한다. 앞서 설명한 메모리 풀링(Type 3)은 이 CXL이 가지고 올, 계층 구조의 변화 양태 중 하나이다.

2019년 관련 컨소시엄이 구성된 이후, CXL표준이 꾸준히 업데이트되어 오면서 작년 5월 CXL 3.0까지 표준이 제정되었다.  2019년 제정된 CXL1.1에서는 개별 로직반도체와 내부 메모리 간의 연결에 대한 협소적 표준에 머물렀으나, 2020년 CXL 2.0에서는 다수의 로직반도체들과 메모리풀이 연결되는 형태로 진화하였다. 작년 중순 제정된 CXL 3.0에서는 다수의 프로세서와 다수의 메모리풀을 다중 연결하는 형태로 미래 방향성을 제시하고 있다.

현재 반도체 업계는 해당 로드맵을 따라 상용화를 위한 작업에 한창이다. 특히 한국의 메모리 기업이 CXL 상용화를 최선두에서 이끌고 있다는 점이 인상적이다. 삼성전자는2021년 업계 최초로 CXL기반의 D램 기술을 개발한 데 이어, 2023년 5월에는 CXL2.0 표준 기반의 D램을 개발하였고, 올해는 CXL 2.0을 지원하는 CMM-D(CXL Memory Module DRAM) 제품을 출시하며 상용화에 속도를 높이고 있다.

한편, 로직반도체 분야에서도 이미 인텔과 AMD 양측의 서버용 제품이 모두 이 CXL을 지원하고 있다. 특히 CXL 컨소시엄을 주도해 온 인텔이 올해 6월 CXL2.0을 지원하는 시에라포레스트(제온6)를 내놓으며 CXL의 시대가 임박했음을 알렸다. 작년 기준으로는 이 CXL 표준을 지원하는 서버의 수가 10%에 불과했지만, 올해부터 급격한 보급이 이뤄질 것임을 기대하게 하는 또 하나의 배경이다.

물론 우려스러운 부분도 있다. CXL의 적용은 분명 로직반도체 하위 계층에 종속되어 있던 메모리반도체가 시스템의 중심으로 떠오르는 위상 변화를 기대하게 하지만, 한편으로는 CXL 도입을 통한 메모리 반도체 수요 감소의 문제가 제기되고 있다. 메모리 활용 효율이 증가하면, 그만큼 불용 부분에 대한 수요가 감소하게 된다는 것이 이러한 반론이 제기되는 배경이다.

.

CXL의 도입, 새로운 변화의 시작

과거 HBM 등장 시기에도 비슷한 고민이 있었다. 대개는 시기상조라거나 상용화하기에 어려울 것이란 회의론들이었다. 당시 회의론이 내세운 근거는 나름의 설득력이 있어 보였다. 복잡한 3D 스택 구조, 제조 공정의 난이도, 그로 인한 수율 감소, 추가되는 공정 프로세스들로 인해 잃게 되는 비트 생산량의 감소, 이어지는 매출의 잠식이 당시에는 너무도 치명적으로 느껴졌다.

2024년이 된 지금에 와서 그때의 회의론들은 복기해 보면, 그것이 그저 모두 기우였음을 잘 알 수 있다. 잃어버리는 것들만 보고 반대편에서 얻게 될 것들을 그때는 미처 계산하지 못했던 것이다. 관련해 우리가 복기해 볼 부분은 오늘날 시장이 CXL을 바라보는 관점도 그때 시장이 HBM을 바라보던 관점과 꽤나 닮아 있다는 점이다.

CXL의 도입은 기본적으로 기존에 사용하지 않았던 새로운 형태로 인프라를 재편해야 하는 것을 의미하고, 이것은 구축, 유지, 보수, 확장의 관점에서 새로운 챌린지를 야기한다. 이와 더불어 앞서 언급한 대로 실제 CXL의 보급이 현실화된다 해도 CXL이 인프라의 메모리 활용 효율을 증가시키는 동안 그만큼의 수요는 분명히 사라질 수 있다. 다만 그 위험 요소에 대해서는 이처럼 명확히 조망하되, CXL의 가능성을 조망하면서도 잃어버리게 되는 것들의 반대급부들, 다시 말해 그 반대편에서 만들어지는 기회들 역시 함께 계산해야 한다는 것이다.

또한 CXL의 도입은 기본적으로 수요자들로 하여금 인프라 투자를 두고 고민하게 만들었던 메모리 확장의 문제를 해결해 준다. 메모리가 로직반도체에 종속 된 현재, 인프라 시스템의 확장을 위해서는 로직반도체와 메모리반도체를 함께 업그레이드해야 하지만, CXL 2.0 이상의 플랫폼에서는 메모리 증설을 통해 추가적인 성능향상을 꾀할 수 있다. 90년대 우리가 486, 586 컴퓨터 업그레이드를 위해 가장 먼저 투자했던 것이 메모리였던 것과 같은 개념이다. 이처럼 CXL 도입의 시스템구조가 메모리를 중심으로 재편되는 것뿐만 아니라, 기업들의 인프라 증설과 확장에서 메모리가 최우선 순위가 되는 변화를 불러오게 될 것이다. 

이처럼 새로운 시대는 모두가 익히 아는 것들 속에서 새삼스럽게 찾아온다. 그리고 CXL의 시대도 그렇게 찾아올 것이다. 메모리반도체 시장의 미래를 조망해 보고 싶은 이들이 있다면 CXL을 주목해 보는 것은 어떨까? 확실한 것은 그 이야기들 속에서 AI반도체 시장의 미래 모습 중 아마도 가장 유력한 시나리오의 모습을 엿볼 수 있다는 것이다.

. 비하인드 더 칩

※ 본 칼럼은 외부 필진의 견해로, 삼성전자 DS부문의 공식 입장과 다를 수 있습니다.

The post [Behind the CHIP] AI 반도체 시장의 미래를 엿보다. CXL에 대해 first appeared on 삼성전자 반도체 뉴스룸.

Behind the CHIP
삼성전자 반도체 뉴스룸에서 새롭게 진행하는 ‘Behind the CHIP’ 시리즈.
이번 시리즈는 9월부터 내년 1월까지 총 10회에 걸쳐 연재되며, 
5명의 IT/테크/지식 콘텐츠 전문 인플루언서가 직접 칼럼을 통해 반도체 생태계와
미래 산업을 통찰하는 흥미진진한 이야기를 전한다.
우리 일상과 밀접하게 맞닿아 있는 기술 트렌드를 인플루언서의 시선을 통해 알아보자.

인공지능(AI) 기술이 우리의 일상과 산업 전반에 큰 변화를 일으키고 있는 가운데 이 혁신의 중심에는 반도체 기술이 핵심으로 자리 잡고 있다. AI 연산을 최적화해 성능과 효율성을 극대화하는 데 반도체가 필수적인 요소이기 때문! 우리의 일상 속, 인공지능의 영향력이 커지는 만큼, 그 중심에 있는 AI 전용 반도체의 특징과 일반 CPU와의 차이점, 그리고 AI 학습과 추론 과정에서 반도체의 역할에 대해 자세히 알아보도록 하자.

AI 전용 반도체의 특징과 일반 CPU와의 차이점

CPU는 범용 프로세서로 다양한 작업을 처리할 수 있도록 설계되었지만, AI 연산은 주로 대규모 병렬 연산을 필요로 하기 때문에 AI 작업에는 비효율적이다. 이러한 한계를 보완하기 위해 만들어진 것이 바로 AI 전용 반도체인 NPU이다.

NPU는 AI 연산을 최적화한 프로세서로, 일반적인 중앙처리장치(CPU)와는 근본적으로 다른 설계와 기능을 가지고 있다. 인공 신경망 연산을 고속으로 처리할 수 있도록 설계되어 초당 1.9조 개의 연산(TOPS, Tera Operations Per Second)을 수행할 수 있음은 물론, 일반 CPU와 비교할 때 더 많은 병렬 처리 유닛을 가지고 있어 대량의 데이터를 동시에 처리할 수 있다.

이에 따라 AI 알고리즘의 실시간 처리가 가능해지며, 전력 효율성도 높아 실시간 AI 추론 작업을 처리하는 데 유용하다. 예를 들어, 삼성전자의 모바일 프로세서 ‘엑시노스’에 내장된 NPU는 이미지 인식과 품질 향상, 음성 인식 등의 AI 작업을 처리하는 데 활용되고 있다. 순차적인 명령을 실행하는 데 적합한 CPU와 데이터 중심의 구조로 설계되어 병렬 처리를 통해 대량의 데이터를 동시에 처리하는 NPU의 구조적 차이는 AI 연산의 속도와 효율성에 큰 영향을 미친다.

.

AI 반도체의 핵심: GPU와 NPU

병렬식 구조의 반도체 중에서 NPU보다 선행된 것이 바로 GPU(Graphics Processing Unit)이다. 1990년대 중반부터 본격적으로 개발되기 시작한 GPU는 처음에는 주로 그래픽 렌더링 작업을 가속화하기 위해 설계되었지만, 그래픽 연산뿐만 아니라 벡터와 행렬 연산에도 뛰어난 성능을 발휘하면서 병렬 처리의 가능성을 보여주게 되었다. 이후 2000년대 후반부터 AI 및 병렬 처리 활용에 적극적으로 사용되기 시작해 최근 인공지능 붐과 함께, GPU의 부가가치는 더욱 높아졌다. 대표적으로 엔비디아의 A100 GPU는 약 542억 개의 트랜지스터를 가지고 있으며, 정밀도와 유형에 따라 조금씩 차이가 있지만 초당 624 테라플롭스의 성능을 제공한다. 이러한 성능은 복잡한 신경망 모델을 빠르게 훈련시키고 추론하는 데 큰 도움이 되기 때문에 데이터센터와 클라우드 환경에서 대규모 딥러닝 모델의 학습에 사용되고 있다. 반면 NPU는 AI와 딥러닝의 발전에 맞추어 등장한 최근 기술로, 스마트폰, 태블릿, IoT 디바이스 등 엣지 디바이스에서 실시간 AI 추론 작업을 처리하는 데 사용된다.

그렇다면 GPU와 NPU 중 AI 반도체에서 우위를 따진다면 어떤 것이 더 우선적일까?

GPU와 NPU 엄밀히 따지면 그 역할에 조금씩 차이가 있다. GPU는 대규모 데이터셋을 사용한 모델 학습에 강점을 가지고 있으며, NPU는 학습된 모델을 바탕으로 실시간 추론 작업을 수행하는 데 최적화되어 있다. 그 때문에 두 반도체는 AI 작업에서 상호 보완적인 역할을 한다. 이처럼 AI 전용 반도체는 AI 연산을 위한 최적화된 설계와 구조를 통해 일반 CPU보다 뛰어난 성능과 효율성을 제공하며 앞으로 그 중요성은 점점 더 부각될 것으로 예측된다.

.

AI 시스템의 학습과 추론 과정에서 반도체의 역할은?

AI 시스템에서 반도체의 역할이 중요한 이유는 AI 시스템이 제대로 작동하기 위해 반드시 학습(Training)과 추론(Inference)이라는 두 가지 주요 과정을 거치기 때문이다.

학습 과정

AI 시스템의 학습 과정에서는 대량의 데이터를 사용해 AI 모델이 스스로 규칙과 패턴을 익혀야 한다. 예를 들어, 이미지 인식 AI 모델을 학습시키기 위해 수백만 장의 이미지를 모델에 입력하고, 각 이미지가 무엇을 나타내는지(예: 고양이, 개, 자동차 등)를 알려준다. 이 과정은 매우 많은 연산이 필요하며, 이때 중요한 역할을 하는 것이 바로 GPU이다.

추론 과정

반면 추론 과정에서는 학습된 AI 모델을 사용해 새로운 데이터를 분석하고 예측한다. 이는 학습한 내용을 실제로 적용하는 단계로, 예를 들어, 모델이 새로운 사진을 보고 그것이 고양이인지 개인지 판단하는 과정이다. 여기서 주목할 만한 것이 바로 NPU이다. NPU는 특히 추론 과정에서 빠른 반응 속도와 높은 에너지 효율성을 제공하기 때문에 실시간 데이터 처리를 할 수 있게 도와준다.

그러나 AI 연산에서 반도체의 역할이 중요해진 이유는 단순히 연산 속도를 높이는 것뿐만 아니라, 에너지 효율성을 극대화하는 것도 포함한다. AI 모델은 갈수록 복잡해지고, 처리해야 할 데이터가 증가함에 따라 연산량도 기하급수적으로 늘어나게 될 것이다. 이에 따라 전력 소모량이 매우 높아지는데, 이때 효율적인 반도체 설계는 AI 시스템의 성능을 높이는 동시에 에너지 소비를 줄이는 데 핵심적인 역할을 하게 된다.

.

엣지 AI를 위한 저전력 고성능 반도체 기술

엣지 AI는 데이터를 클라우드로 전송하지 않고 디바이스 자체에서 처리하는 기술을 의미한다. 데이터가 로컬에서 처리되기 때문에, 데이터 유출의 위험이 줄어들고 프라이버시가 강화된다는 장점이 있다. 엣지 AI 기술은 현재 스마트 홈, 자율주행차, 헬스케어 등 다양한 분야에서 응용되고 있다.  

스마트 홈에서는 IoT 디바이스가 엣지 AI를 통해 실시간으로 사용자 명령을 처리하고, 자율주행차는 주변 환경을 빠르게 인식해 안전한 주행을 가능하게 한다. 헬스케어 분야에서는 웨어러블 디바이스가 실시간으로 사용자 상태를 모니터링하고, 이상 징후를 감지해 경고를 보낼 수 있다.

반도체 기술은 엣지 AI 분야에서 실시간 AI 연산 처리와 보안을 강화하는 데 중요한 역할을 수행 중이다. 특히 모바일 프로세서는 사진이나 동영상의 화질을 개선하고, 실시간으로 텍스트 기반의 이미지를 생성하는 기능 등을 실현하면서, 전력 소모는 줄이고 성능은 향상시키는 방향으로 발전하고 있다. 엣지 AI를 위한 저전력, 고성능 반도체 기술은 우리의 일상과 다양한 산업 분야에 혁신을 가져올 것이다.

.

뇌를 모방한 새로운 반도체: 뉴로모픽 칩

뉴로모픽 칩은 인간의 뇌 구조와 신경망을 모방한 반도체이다. 이는 기존의 반도체 아키텍처와는 다른 접근 방식을 취해, 보다 효율적이고 자연스러운 AI 연산을 가능하게 한다. 뉴로모픽 칩은 전통적인 디지털 연산 방식 대신 아날로그 신호 처리를 활용해 에너지 효율성을 극대화한다. 이는 뇌의 뉴런과 시냅스의 작동 방식을 모방한 것으로, 뉴런의 발화 패턴을 흉내 내 데이터를 처리한다. 이러한 방식은 특히 비정형 데이터 처리에 강점을 가지고 있으며, 딥러닝 알고리즘의 효율성을 크게 향상시킬 수 있다.

또한, 뉴로모픽 칩은 학습과 추론을 동시에 수행할 수 있는 능력을 갖추고 있어, 실시간 적응과 자율적인 데이터 처리가 가능하다. 이는 자율주행차, 드론, 로봇 등 실시간 반응이 중요한 응용 분야에서 큰 잠재력을 가지고 있다.

.

AI 반도체 발전이 가져올 미래 변화

AI 반도체의 발전은 다양한 분야에서 혁신을 일으킬 것이며 특히 고성능 AI 반도체의 실시간 데이터 처리와 높은 연산 능력으로 많은 산업과 일상생활에 큰 변화를 불러올 것이다. 삼성전자 반도체의 기술력은 이러한 변화를 가속화하는 데 중요한 역할을 하고 있다.

자율주행차

자율주행차는 고성능 AI 반도체를 통해 실시간으로 주변 환경을 분석하고 안전한 주행을 가능하게 한다. 자율주행차의 센서와 카메라가 수집하는 대량의 데이터를 실시간으로 처리하기 위해서는 높은 연산 성능과 저전력 소비가 중요하다. 자율주행차에는 반도체 2~3천개 이상이 탑재되고 있으며, 극한 환경에서도 안정적으로 동작할 수 있는 높은 안전성 또한 요구된다.

삼성전자의 LPDDR(Low Power Double Data Rate) D램, GDDR(Graphics Double Data Rate) D램, AutoSSD(Solid State Drive), UFS(Universal Flash Storage) 등 차량용 반도체는 대량의 자율주행 데이터를 빠르게 처리하고, 저장해 보다 안전한 드라이빙 환경을 제공하고 있다. 또한 운전자에게 실시간 운행 정보와 고화질의 멀티미디어 재생, 고사양 게임 구동과 같이 엔터테인먼트적 요소를 지원해 최적의 모빌리티 경험을 제공한다.

의료 분야

우리는 AI 반도체를 통해 실시간으로 질병을 진단하고, 환자 데이터를 분석하여 맞춤형 치료를 제공받을 수 있다. 예를 들어, 웨어러블 디바이스에 탑재된 AI 반도체는 사용자의 건강 상태를 실시간으로 모니터링하고, 이상 징후를 감지하여 조기에 경고를 보낼 수 있다.

삼성전자는 헬스케어 분야에서도 AI 반도체 기술을 활용하고 있다. 삼성의 웨어러블 디바이스인 갤럭시 워치 시리즈는 심박수, 혈압, ECG(심전도) 등을 실시간으로 측정하고 분석할 수 있는 기능을 제공한다. 갤럭시 워치7은 3나노 공정을 적용한 엑시노스 W1000 탑재를 통해 빠르게 데이터를 처리한다.

스마트 홈과 IoT

삼성전자의 스마트싱스(SmartThings) 플랫폼은 가정 내 다양한 IoT 기기를 연결하고 제어하는 데 AI를 활용한다. 프로세서에 내장된 고성능 AI 엔진은 이러한 기기들이 실시간으로 데이터를 처리하고 사용자 명령에 즉각적으로 반응할 수 있게 한다.

예를 들어, 삼성전자의 패밀리 허브 냉장고는 내부 카메라로 음식물을 인식하고, AI를 통해 유통기한을 관리하거나 레시피를 추천할 수 있다. 또한, Neo QLED TV는 AI 업스케일링 기술을 사용하여 낮은 해상도의 콘텐츠를 선명하게 감상할 수 있도록 해주고, 사용자의 시청 습관을 분석하여 맞춤형 콘텐츠를 제공하는 등 이러한 기능은 고성능 반도체의 강력한 성능을 통해 가능해진 것이다.

‘Behind the CHIP’ ‘비하인드 더 칩’ Behind the CHIP

※ 본 칼럼은 외부 필진의 견해로, 삼성전자 DS부문의 공식 입장과 다를 수 있습니다.

The post [Behind the CHIP] AI와 반도체: 인공지능 시대를 여는 핵심 기술 first appeared on 삼성전자 반도체 뉴스룸.