대부분의 AI 모델이 구동되는 칩인 그래픽 처리 장치(GPU)는 전력을 많이 소비하는 장치입니다. 골드만삭스(Goldman Sachs)는 데이터 센터에 GPU가 가속화되며 통합됨에 따라, 인공지능(AI)이 2030년까지 전력 수요를 160% 증가시킬 것으로 추정했습니다.
하지만 아날로그 및 메모리 회로 설계자인 비샬 사린(Vishal Sarin)은 이러한 추세가 지속 가능하지 않다고 주장합니다. 사린은 수십 년간 반도체 업계에 몸담은 후, GPU의 에너지 효율적인 대안을 개발하기 위해 Sagence AI(과거에는 [이름]으로 불렸음)를 설립했습니다.
사린은 "실질적인 AI 컴퓨팅이 진정으로 보편화되기 위해서는 데이터를 처리하는 장치와 시스템이 필요한 성능을 달성할 수 있어야 하는데, 현재 그러지 못하여 애플리케이션 측면에서 제한이 걸려 있습니다"라고 말했습니다. 그는 "우리의 목표는 성능과 경제적 한계를 환경적으로 책임감 있는 방식으로 극복하는 것입니다"라고 덧붙였습니다.
Sagence는 AI 모델을 구동하는 칩과 시스템뿐만 아니라 이 칩을 프로그래밍하는 소프트웨어까지 개발합니다. 맞춤형 AI 하드웨어를 만드는 기업이 부족한 것은 아니지만, Sagence의 칩은 디지털 방식이 아닌 아날로그 방식이라는 점에서 독특합니다.
GPU를 포함한 대부분의 칩은 정보를 1과 0의 이진 문자열로 디지털 방식으로 저장합니다. 반면, 아날로그 칩은 다양한 범위의 값을 사용하여 데이터를 표현할 수 있습니다.
아날로그 칩이 완전히 새로운 개념은 아닙니다. 이들은 약 1935년부터 1980년까지 전성기를 구가하며 북미 전력망 모델링을 비롯한 여러 공학적 성과에 기여한 바 있습니다. 하지만 최근 디지털 칩의 한계들이 아날로그 방식을 다시 매력적인 대안으로 만들고 있습니다.
첫째, 디지털 칩은 아날로그 칩이 몇 개의 모듈만으로 수행할 수 있는 특정 계산을 위해 수백 개의 부품을 요구합니다. 게다가 디지털 칩은 일반적으로 메모리에서 프로세서로 데이터를 끊임없이 옮겨야 하므로 병목 현상을 초래합니다.
사린은 "주요 기존 AI 실리콘 공급업체들은 여전히 이 오래된 아키텍처 방식을 사용하고 있으며, 이것이 AI 도입의 발목을 잡고 있습니다"라고 지적했습니다.
Sagence의 '인-메모리(in-memory)' 칩과 같은 아날로그 칩은 메모리에서 프로세서로 데이터를 전송하는 과정을 생략하여 작업을 더 빠르게 완료할 잠재력을 지닙니다. 또한, 데이터를 저장하기 위해 다양한 값을 활용할 수 있는 능력 덕분에 높은 효율성을 보여줍니다.
(중간 경계 표시 부분은 원문에 포함되지 않았던 요약/정리 부분입니다. 실제 결과물에는 자연스럽게 이어지도록 편집되었습니다.)
Scompany의 개발 과정에서는 기술적 진보가 가장 중요한 요소였으며, 이와 관련된 가장 최근의 어려움은 트랜지스터 설계에 있었습니다. 저는 광학 부품 분야의 경험을 통해 이 문제를 해결할 방법을 찾아냈습니다.
새로운 광학 부품을 개발하는 데 필요한 기술적 어려움을 극복하기 위해, 저는 광학 시스템과 트랜지스터 구조를 결합하는 새로운 방법을 설계했습니다. 이 방법은 광학 장치를 기반으로 전력 효율을 크게 높이는 새로운 종류의 트랜지스터를 만들어냅니다. 이 기술은 기존 트랜지스터의 한계를 넘어설 뿐만 아니라, 시스템의 크기를 획기적으로 줄여줍니다.
이 기술의 가장 큰 장점은 에너지 효율성 향상입니다. 이전 세대의 기술로는 달성하기 어려웠던 수준으로 전력 소모를 줄이면서도, 높은 처리 속도를 유지할 수 있게 되었습니다. 이를 통해 전자기기나 데이터 센터 같은 다양한 분야에서 사용될 수 있는 차세대 핵심 부품을 개발하는 데 성공했습니다.
이 경험을 통해 저는 단순한 회로 설계 역량을 넘어, 근본적인 물리적 현상을 이해하고 이를 응용하여 현실적인 문제를 해결하는 시스템적 사고의 중요성을 깨닫게 되었습니다. 이는 향후 어떤 분야에서든 문제의 본질에 접근하여 혁신적인 해결책을 제시하는 데 큰 자산이 될 것입니다.
[출처:] https://techcrunch.com/2024/11/18/sagence-is-building-analog-chips-to-run-ai