그래픽 처리 장치(GPU)는 원래 이미지, 비디오 및 시각 효과의 생성과 렌더링을 가속화하도록 설계된 특수 프로세서입니다. 낮은 지연 시간의 순차 작업에 최적화된 중앙 처리 장치(CPU)와 달리, GPU는 수백 또는 수천 개의 더 작은 코어를 포함하여 병렬로 작동하므로 여러 동시 작업으로 분할될 수 있는 작업에 매우 효율적입니다. 이러한 아키텍처는 GPU를 그래픽뿐만 아니라 범용 컴퓨팅, 특히 인공 지능, 과학 시뮬레이션 및 데이터 분석 분야에서도 필수적으로 만들었습니다.
현대 GPU는 1980년대와 1990년대의 초기 그래픽 가속기에서 진화했습니다. 1999년, Nvidia는 변환, 조명 및 삼각형 설정을 단일 칩에 통합한 GeForce 256을 출시하여 세계 최초의 GPU로 마케팅했습니다. AMD는 Radeon 라인으로 뒤를 따랐고, Intel은 이후 많은 CPU에 GPU를 통합했습니다. 시간이 지나면서 GPU는 프로그래밍 가능해졌고, 개발자는 CUDA(2006년 Nvidia가 도입) 및 OpenCL과 같은 API를 통해 비그래픽 작업에 GPU를 사용할 수 있게 되었습니다. 이러한 프로그래밍 가능성은 범용 GPU 컴퓨팅(GPGPU)의 길을 열었고, 이는 현대 컴퓨팅의 초석이 되었습니다.
아키텍처 및 작동
GPU의 아키텍처는 수많은 스트리밍 멀티프로세서(SM) 또는 컴퓨트 유닛의 대규모 배열을 기반으로 하며, 각각은 병렬로 명령을 실행하는 많은 산술 논리 장치(ALU)를 포함합니다. 예를 들어, 고급 소비자용 GPU는 10,000개 이상의 코어를 가질 수 있으며, Nvidia A100 또는 H100과 같은 데이터 센터 GPU는 부동 소수점 연산에 최적화된 수천 개의 코어를 갖추고 있습니다. 메모리 하위 시스템도 특수화되어 있으며, 고대역폭 메모리(HBM) 또는 GDDR6X가 빠른 데이터 액세스를 제공합니다. GPU는 단일 명령 다중 데이터(SIMD) 또는 단일 명령 다중 스레드(SIMT) 모델을 사용하여, 많은 스레드가 서로 다른 데이터 요소에 동일한 명령을 실행합니다.
이 설계는 그래픽 렌더링과 신경망의 기본인 행렬 곱셈 및 합성곱 연산에 탁월합니다. 예를 들어, GPU는 수백만 개의 픽셀이나 행렬 요소를 동시에 처리하여 CPU가 따라잡을 수 없는 처리량을 달성할 수 있습니다. 그러나 GPU는 복잡한 분기나 순차적 종속성이 필요한 작업에는 덜 효율적이므로, CPU는 범용 운영 체제 작업에 여전히 필수적입니다.
인공 지능 및 머신 러닝에서의 역할
2010년대의 딥 러닝의 부상은 GPU의 역할을 변화시켰습니다. 신경망 훈련은 대규모 행렬 연산을 포함하며, GPU는 CPU에 비해 수십 배 빠르게 이를 가속화합니다. 2012년, 토론토 대학교의 연구자들은 GPU를 사용하여 ImageNet 대회에서 우승하고 현대 AI 붐을 촉발한 합성곱 신경망인 AlexNet을 훈련했습니다. 그 이후로 GPU는 머신 러닝의 훈련 및 추론을 위한 표준 하드웨어가 되었습니다.
Amazon Web Services, Azure 및 Google Cloud를 포함한 주요 클라우드 제공업체는 AI 워크로드를 위한 GPU 인스턴스를 제공합니다. Groq 및 SambaNova와 같은 회사는 특수 AI 가속기를 개발했지만, GPU는 유연성과 성숙한 소프트웨어 생태계 덕분에 가장 널리 사용됩니다. TensorFlow 및 PyTorch와 같은 프레임워크는 GPU 실행에 최적화되어 있으며, Nvidia의 CUDA는 GPU 컴퓨팅의 지배적인 프로그래밍 모델이 되었습니다. GPU에 대한 수요는 대규모 언어 모델과 생성형 AI의 성장과 함께 급증하여 공급 부족과 TSMC 및 기타 업체의 제조 용량 투자 증가로 이어졌습니다.
그래픽 외의 응용 분야
AI 외에도 GPU는 과학 컴퓨팅에 사용되어 물리학, 화학 및 생물학의 시뮬레이션을 가속화합니다. 예를 들어, 분자 역학 시뮬레이션과 기후 모델링은 GPU 클러스터에 의존합니다. 금융 서비스에서 GPU는 위험 분석과 알고리즘 거래를 빠르게 처리합니다. 또한 암호화, 석유 및 가스 탐사, 의료 영상에도 사용됩니다. 자동차 산업은 Tesla Autopilot 및 Waymo의 자율 주행 기술에서 볼 수 있듯이 첨단 운전자 지원 시스템과 자율 주행에 GPU를 사용합니다. 또한 GPU는 비디오 게임 콘솔과 가상 현실 헤드셋을 구동하며, 비디오 인코딩 및 디코딩에 점점 더 많이 사용됩니다.
주요 제조업체 및 시장 현황
GPU 시장은 Nvidia, AMD 및 Intel이 지배하고 있습니다. Nvidia는 특히 AI용으로 설계된 A100 및 H100 시리즈로 데이터 센터 부문에서 가장 큰 점유율을 차지합니다. AMD는 Instinct 라인으로 경쟁하며, Intel은 Arc 시리즈로 개별 GPU 시장에 진출했습니다. Apple은 Mac과 iPhone용 자체 GPU를 설계하고, Qualcomm 및 Arm Holdings는 모바일 기기용 GPU IP를 제공합니다. 삼성전자 및 기타 제조업체는 소비자 전자 제품용 GPU를 생산합니다. 고급 GPU 제조는 5나노미터 및 3나노미터 노드와 같은 최첨단 공정을 사용하여 칩을 생산하는 TSMC 및 삼성 파운드리에 의존합니다.
미래 방향
AI 모델이 커짐에 따라 더 강력한 GPU에 대한 수요는 계속 증가하고 있습니다. Nvidia의 로드맵에는 Blackwell과 같은 차세대 아키텍처가 포함되며, 경쟁사들은 대안을 개발 중입니다. 그러나 GPU는 전력 소비와 메모리 대역폭과 같은 문제에 직면해 있습니다. 칩렛, 고급 패키징 및 광학 인터커넥트와 같은 신흥 기술이 이러한 문제를 해결할 수 있습니다. 또한 Google DeepMind의 TPU(비록 GPU는 아니지만)와 같은 특수 AI 가속기가 주목을 받고 있지만, GPU는 가장 다재다능하고 널리 채택된 병렬 프로세서로 남아 있습니다. 미래는 GPU, 맞춤형 가속기 및 양자 컴퓨팅의 혼합을 포함할 가능성이 높으며, GPU는 가까운 미래에도 컴퓨팅에서 중심 역할을 계속할 것입니다.