무슨 일이 있었나요?
GitHub에 OpenTPU라는 프로젝트가 공개됐어요. 이름 그대로 구글 TPU처럼 AI 연산을 빠르게 처리하는 오픈소스 AI 가속기예요. 눈에 띄는 건 부제인데요, AI가 개발한(developed by AI) 가속기라고 해요. AI용 칩을 AI가 설계했다니, 로봇이 로봇 공장을 짓는 이야기 같지 않나요?
지난 1~2년 사이 코딩 에이전트가 웹 앱이나 백엔드 코드를 상당 부분 짜는 건 흔한 일이 됐어요. 그런데 하드웨어 설계는 소프트웨어보다 훨씬 보수적인 분야예요. 왜 그런지, 그리고 이 프로젝트가 어떤 질문을 던지는지 같이 살펴볼게요.
참고로 같은 이름의 OpenTPU가 예전에도 있었어요. 2017년쯤 UC 산타바바라 연구실이 구글 TPU 논문을 바탕으로 만든 연구용 프로젝트인데, 이번 프로젝트와는 별개예요.
TPU는 어떻게 생겼나요?
TPU를 이해하려면 먼저 AI 연산이 뭔지 알아야 해요. 딥러닝 모델이 하는 일의 대부분은 거대한 행렬 곱셈이에요. 숫자 표 두 개를 곱하고 더하는 일을 수십억 번 반복하는 거죠.
CPU는 뭐든 할 수 있는 만능 일꾼이지만, 이런 단순 반복 작업에는 비효율적이에요. 그래서 TPU는 시스톨릭 어레이(systolic array)라는 구조를 써요. 곱셈·덧셈 장치(MAC)를 바둑판처럼 촘촘히 깔아 두고, 데이터를 박자에 맞춰 옆 칸으로 흘려보내는 방식이에요. systolic은 '심장 수축'이라는 뜻인데, 심장이 박동할 때마다 피를 내보내는 모습에서 따온 이름이에요. 컨베이어 벨트에 작업자들이 줄지어 서서, 부품이 지나갈 때마다 자기 몫만 조립하고 넘기는 모습을 떠올리면 쉬워요. 데이터를 매번 메모리에서 다시 읽지 않아도 되니 전력과 시간을 크게 아낄 수 있어요.
이런 칩은 보통 Verilog나 SystemVerilog 같은 하드웨어 기술 언어(HDL)로 설계해요. 겉보기엔 코드 같지만 실제로는 회로도를 글로 적은 거라서, 한 줄 한 줄이 진짜 전선과 논리 게이트가 돼요.
AI가 하드웨어를 설계한다는 것의 의미
소프트웨어는 버그가 생기면 패치를 배포하면 되죠. 칩은 한 번 제조(테이프아웃)하면 고칠 수가 없어요. 실수 하나가 수억~수십억 원 손실로 이어질 수 있어서, 하드웨어 업계는 설계보다 검증(verification)에 더 많은 사람과 시간을 쓰는 걸로 유명해요.
그래서 'AI가 개발했다'는 말을 들으면 누가, 어떻게 검증했나?라는 질문이 자연스럽게 따라와요. 시뮬레이션 테스트벤치는 충분한지, FPGA(회로를 다시 구성할 수 있는 칩)에 올려 실제로 돌려봤는지, 타이밍·면적·전력 같은 물리적 제약은 확인했는지 같은 것들이요. AI가 테스트까지 함께 작성했다면, 같은 착각이 설계와 테스트 양쪽에 똑같이 들어갔을 가능성도 따져봐야 해요. 이 프로젝트를 볼 때도 결과물만큼이나 검증 과정이 얼마나 투명하게 공개돼 있는지 확인하는 게 중요해요.
업계 맥락
오픈소스 하드웨어 진영도 생각보다 탄탄해요. RISC-V 생태계를 중심으로 버클리의 Gemmini(시스톨릭 어레이 기반 가속기 생성기), 엔비디아가 공개한 NVDLA, 누구나 적은 비용으로 칩을 찍어볼 수 있게 해주는 Tiny Tapeout 같은 프로젝트가 있어요. 오픈소스 EDA(칩 설계 자동화) 도구인 Yosys와 OpenROAD 덕분에, 비싼 상용 툴 없이도 설계부터 레이아웃까지 해볼 수 있게 됐고요.
AI 쪽 움직임도 있어요. 구글은 강화학습으로 칩 배치(placement)를 최적화하는 연구를 발표했고, 주요 EDA 기업들도 AI 설계 보조 기능을 내놓고 있어요. 다만 지금까지는 대부분 사람이 설계하고 AI가 돕는 구도였어요. OpenTPU는 이 역할을 뒤집어 보려는 실험이라는 데 의미가 있어요.
한국 개발자에게 주는 시사점
한국은 메모리 반도체 강국이지만, AI 가속기 같은 시스템 반도체 설계 인력은 늘 부족하다는 이야기가 나와요. 퓨리오사AI, 리벨리온 같은 국내 AI 반도체 기업들도 결국 설계·검증 인력 확보 경쟁을 하고 있고요.
소프트웨어 개발자에게 가장 큰 시사점은 하드웨어에 입문하기가 쉬워졌다는 거예요. 시스톨릭 어레이 같은 구조를 직접 읽고, 시뮬레이터로 돌려보고, AI 에이전트에게 '이 모듈은 왜 이렇게 동작해?'라고 물어가며 공부할 수 있거든요. 하드웨어 엔지니어라면 AI가 만든 RTL(레지스터 전송 수준의 회로 설계 코드)을 어떻게 검증하고 믿을지, 그 방법론이 앞으로 중요한 역량이 될 거예요.
마무리
한 줄 정리: OpenTPU는 'AI가 칩을 설계할 수 있는가'를 넘어, 'AI가 설계한 칩을 어떻게 믿을 수 있는가'를 묻는 프로젝트예요.
AI가 작성한 하드웨어 설계를 실제 제품에 쓸 만큼 믿으려면 어떤 조건이 갖춰져야 할까요? 여러분 생각을 들려주세요.
🔗 출처: Hacker News