무슨 일이 있었나요?
포토닉스 업계 연합인 APC(Advanced Photonics Coalition)가 광부품을 더 빨리 만들 수 있도록 제조 관련 표준 묶음을 발표했어요. 언뜻 보면 “표준 문서 몇 개 나왔네” 하고 넘길 만한 소식인데요, 사실 AI 인프라가 다음 단계로 가는 문제와 꽤 깊게 연결돼 있어요.
포토닉스(photonics)가 뭐냐면, 전자 대신 빛으로 데이터를 실어 나르는 기술이에요. 매일 쓰는 인터넷 백본의 광섬유가 대표적이죠. 그런데 요즘 이 기술이 데이터센터 안쪽, 그러니까 GPU와 스위치 바로 옆까지 파고들고 있어요. 이유는 단순해요. 구리선으로는 더 이상 버티기 힘들어졌거든요.
왜 구리선으로는 안 될까?
AI 학습은 GPU 수천에서 수십만 개가 쉴 새 없이 데이터를 주고받는 작업이에요. 모델을 여러 GPU에 나눠서 학습하면, 스텝마다 각 GPU가 계산한 결과(그래디언트)를 서로 합쳐야 해요. 이 과정을 올리듀스(all-reduce)라고 부르는데, 네트워크가 느리면 비싼 GPU가 놀면서 기다리게 되죠.
문제는 신호 속도가 빨라질수록 구리선이 신호를 멀리 못 보낸다는 거예요. 레인당 200Gbps급으로 올라가면 구리로는 1~2미터 정도가 한계예요. 그래서 한 랙 안에서는 어떻게든 버티지만, 랙과 랙 사이는 광으로 넘어가야 해요. 지금은 이걸 플러거블(pluggable) 광트랜시버로 해결하고 있어요. 스위치 앞면 포트에 USB처럼 꽂는 모듈인데, 안에서 전기 신호를 빛으로 바꿔줘요.
그런데 이 모듈이 개당 십수 와트씩 전기를 먹어요. GPU 수십만 개짜리 클러스터라면 트랜시버도 수십만에서 수백만 개가 필요하고, 그 전력만 합쳐도 수십 메가와트 단위까지 커질 수 있어요. 게다가 스위치 칩에서 앞면 포트까지 전기 신호가 기판을 타고 꽤 먼 거리를 가야 해서 손실도 커요.
해법: CPO(Co-Packaged Optics)
그래서 나온 게 CPO, 광학 동시 패키징이에요. 전기를 빛으로 바꿔주는 광엔진을 스위치 칩 바로 옆, 같은 패키지 안에 붙여버리는 방식이에요. 전기 신호가 이동하는 거리가 수십 센티미터에서 몇 밀리미터로 줄어드니까 전력 소모가 크게 줄어요. 엔비디아가 2025년에 CPO 기반 스위치를 발표하면서 이 흐름이 본격적으로 주목받기 시작했고, 브로드컴이나 TSMC도 관련 기술을 밀고 있어요.
진짜 병목은 “만드는 것”
기술 자체는 이미 증명됐어요. 문제는 대량으로, 싸게, 안정적으로 만드는 것이에요. 전자 칩은 수십 년 동안 쌓인 표준 덕분에 설계, 패키징, 테스트가 거의 공장 라인처럼 돌아가요. 반면 포토닉스는 아직 회사마다 방식이 제각각이에요.
예를 들어 머리카락보다 훨씬 가는 광섬유를 칩 위의 광도파로(빛이 지나가는 통로)에 마이크로미터 단위로 정확히 맞춰 붙여야 해요. 그런데 커넥터 규격, 정렬 방식, 테스트 방법이 업체마다 다르면 어떻게 될까요? 부품을 섞어 쓸 수 없고, 패키징 업체는 고객사마다 라인을 따로 맞춰야 해요. 결국 생산량은 안 늘고 가격도 안 떨어지죠. 레이저가 열에 약해서 뜨거운 칩 옆에 두기 어렵다는 문제도 있어요. 그래서 레이저를 밖으로 빼서 따로 꽂는 외부 광원 같은 설계도 함께 표준화해야 해요.
이번 APC의 표준 묶음은 바로 이런 제조 공정의 공통 규칙을 정하려는 시도예요. 포토닉스를 장인이 하나씩 만드는 부품에서 공장에서 찍어내는 부품으로 바꾸려는 거죠. 소프트웨어로 치면, 다들 자기만의 직렬화 포맷을 쓰다가 드디어 공통 프로토콜을 정하는 순간과 비슷해요.
업계 맥락
이 분야에는 표준을 만드는 단체가 여럿 있어요. OIF(Optical Internetworking Forum)는 CPO 모듈과 외부 레이저 관련 구현 규격을 다뤄왔어요. 칩렛을 서로 연결하는 표준인 UCIe도 광 연결로 넓히려는 움직임이 있고요. 한편 CPO까지 가지 않고, 트랜시버 안의 신호처리 칩(DSP)을 빼서 전력을 줄이는 LPO(Linear-drive Pluggable Optics) 같은 중간 단계 기술도 경쟁하고 있어요. 플러거블은 고장 나면 그 모듈만 갈아 끼우면 되잖아요. 이 편리함을 포기하기 어렵다는 현장 목소리도 여전히 커서, 당분간은 여러 방식이 함께 쓰일 가능성이 높아요.
한국 개발자에게 주는 시사점
“나는 웹 개발자인데 광학까지 알아야 해?” 싶을 수 있어요. 광섬유 정렬법까지 공부할 필요는 없지만, 이런 변화는 결국 우리가 쓰는 클라우드 GPU의 가격과 성능으로 돌아와요. 분산 학습이나 대규모 추론 서빙을 해봤다면, 병목이 GPU 연산이 아니라 네트워크 대역폭과 토폴로지인 경우가 많다는 걸 체감했을 거예요. 같은 GPU라도 어떤 인터커넥트로 묶여 있느냐에 따라 학습 시간이 크게 달라지거든요. 클러스터를 고를 때 GPU 스펙만큼 노드 간 연결 방식도 꼭 확인해보세요.
산업 쪽에서도 한국은 이 판과 무관하지 않아요. HBM으로 AI 메모리 시장을 이끄는 메모리 업체들, 실리콘 포토닉스와 첨단 패키징에 투자하는 파운드리, 국내 광부품 기업들까지 공급망 곳곳에 걸쳐 있어요. 표준이 정해지면 새 업체가 들어오기도 쉬워지니까, 하드웨어나 반도체 쪽 커리어를 고민하는 분이라면 실리콘 포토닉스와 첨단 패키징을 눈여겨볼 만해요.
마무리
한 줄 정리: AI 인프라의 병목이 연산에서 연결로 옮겨가고 있어요. 포토닉스가 그 답이 되려면 표준화된 대량 생산이라는 관문을 넘어야 해요.
여러분은 분산 학습이나 대규모 서비스에서 네트워크가 병목이 됐던 경험이 있나요? CPO처럼 일체형으로 가는 게 맞을까요, 아니면 갈아 끼우기 쉬운 플러거블이 계속 살아남을까요?
🔗 출처: Hacker News