[심층기획] 테슬라 AI5 칩 2나노 테이프아웃 & 베이징대 온칩 광 인터커넥트, AI 추론을 100배 빠르게 하다

배너: 자체 제작

지난 7월 13일, 삼성전자 파운드리 사업부의 한 고위 엔지니어가 업계에 짧지만 파장이 큰 소식을 전했다. 테슬라의 차세대 자율주행·추론용 반도체인 AI5 칩의 설계가 테이프아웃, 즉 실제 양산에 들어가기 직전 마지막 단계인 포토마스크 제작까지 마쳤고, 이 칩을 텍사스 테일러에 있는 삼성의 2나노미터 공정 팹에서 생산하기 시작한다는 내용이었다. 이 소식이 파장을 일으킨 이유는 단순히 "테슬라 칩이 양산에 들어갔다"는 사실 때문이 아니다. 그동안 반도체 업계에서는 삼성의 2나노 라인이 AI5의 다음 세대인 AI6 칩을 위해 준비되고 있고, AI5는 그보다 앞선 성숙 공정으로 대만 TSMC에서 생산될 것이라는 예상이 지배적이었다. 이번 발표는 그 통념을 정면으로 뒤집은 셈이다. 오히려 최신 2나노 공정이 먼저 배정된 쪽은 AI5였고, 후속작인 AI6는 삼성의 2나노 양산이 예상보다 늦어지면서 약 6개월가량 일정이 밀려 2027년 4분기에야 양산에 들어갈 전망으로 알려졌다.

이번 테이프아웃이 갖는 무게는 테슬라가 반도체를 자체 설계하는 이유 자체와 맞닿아 있다. AI5와 AI6는 단순히 자율주행 기능인 FSD를 처리하는 칩에 그치지 않는다. 같은 아키텍처를 자율주행 컴퓨터뿐 아니라 옵티머스 휴머노이드 로봇, 나아가 데이터센터 안에서 벌어지는 대규모 AI 추론 작업까지 확장해서 쓰겠다는 것이 테슬라의 오래된 구상이었다. 이런 구조에서는 칩 하나의 공정 전환이나 생산 지연이 자동차 소프트웨어 일정만이 아니라 로봇 양산, 데이터센터 컴퓨팅 능력 확장 계획까지 동시에 흔들 수 있다. 그런 구조이기에 테슬라가 이번에 보여준 전략은 눈에 띈다. AI5는 삼성 테일러 팹의 2나노 라인과 TSMC 애리조나 팹의 성숙 공정에 물량을 나누어 맡기는 이원 조달 방식을 택했고, 이는 특정 파운드리의 수율 문제나 지정학적 리스크가 현실화되더라도 공급망 전체가 흔들리지 않도록 하려는 의도로 해석된다. 실제로 업계에서는 삼성의 2나노 수율에 대한 의구심이 꾸준히 제기돼 왔는데, 이번 테이프아웃 소식은 그 의구심에 대한 삼성 쪽의 답변이기도 하다. 다만 아직 넘어야 할 산이 남아 있다. 테이프아웃은 설계가 완료됐다는 뜻이지 양산 수율이 검증됐다는 뜻은 아니다. 실제 엔지니어링 샘플은 올해 4분기에나 나올 예정이고, 본격적인 양산은 내년으로 예정돼 있어, 삼성의 2나노 공정이 실제 대량 생산 단계에서 안정적인 수율을 낼 수 있을지는 그때 가서야 드러난다.

그림: 삼성 테일러 팹과 TSMC 애리조나 팹으로 나뉜 테슬라 AI5·AI6 칩의 이원화 생산 구조와 대략적인 일정. 자체 제작.

이 사안을 더 흥미롭게 만드는 대목은 시점이다. 이번 테이프아웃 소식이 전해진 것과 거의 같은 주에, 삼성이 이미 애리조나가 아닌 텍사스 팹에 핵심 전공정·후공정 장비를 반입하고 한국 본사의 핵심 엔지니어들을 파견해 초기 수율 확보에 매달리고 있다는 보도도 함께 나왔다. 이는 삼성에도 이번 프로젝트가 단순한 위탁생산 계약 하나가 아니라, 침체된 것으로 평가받던 자사 파운드리 사업의 신뢰도를 다시 세우는 시금석이라는 뜻이다. 실제로 삼성은 지난해 테슬라와 약 165억 달러 규모의 칩 위탁생산 계약을 체결하며 이 물량을 따냈고, 이후 테슬라가 주문량을 두 배로 늘릴 수 있다는 보도까지 나오면서 텍사스 팹의 가동률 자체가 삼성 파운드리 사업의 향방을 좌우하는 변수로 떠올랐다. 결국 이번 AI5 테이프아웃은 자동차 한 대의 자율주행 기능을 넘어, 미국 내 첨단 파운드리 생태계의 재편과 맞물린 사건으로 읽어야 한다. 앞으로 몇 달간 나올 엔지니어링 샘플의 실제 성능과 수율 지표가, 이 이원화 전략이 테슬라의 승부수였는지 아니면 신중한 리스크 관리였는지를 가늠하게 해줄 다음 단서가 될 것이다.

---

빛으로 잇는 AI 반도체, 왜 GPU 100대보다 빠른가 — 베이징대가 내놓은 온칩 광 인터커넥트

배너: 자체 제작

AI 모델이 점점 커지면서 업계의 오랜 해법은 한결같았다. GPU를 더 쌓고, 데이터센터를 더 키우는 것이다. 그런데 이 방식에는 물리적인 한계가 뚜렷하다. 여러 개의 칩이 협력해서 하나의 거대한 신경망을 처리하려면 칩과 칩 사이에서 데이터를 주고받는 통로, 이른바 스케일업 네트워크가 필요한데, 이 통로의 대역폭과 에너지 효율, 지연시간이 이미 병목 지점에 다다르고 있다는 것이다. 데이터가 한 칩에서 다음 칩으로 넘어갈 때마다 전기 신호를 광신호로, 다시 광신호를 전기 신호로 바꾸는 변환 과정과 패킷을 스케줄링하고 버퍼에 쌓아두는 과정에서 발생하는 지연이 누적되기 때문이다. 베이징대학교의 슈하오원 박사와 왕싱쥔 교수가 이끄는 연구팀은 이 병목을 아예 광학적으로 우회하는 방식을 국제학술지 네셔널 사이언스 리뷰에 발표했다. 발상은 단순하지만 실행은 정교하다. 칩과 칩 사이의 데이터 이동을 아예 물리 계층에서 빛으로 직접 라우팅해버리자는 것이다.

연구팀이 만든 시스템의 핵심 부품은 두 가지다. 하나는 초당 400기가비트 속도로 전기 신호와 광신호를 서로 변환하는 실리콘 포토닉 트랜시버 칩이고, 다른 하나는 16개 입력과 16개 출력을 무손실에 가깝게 연결할 수 있는 논블로킹 광스위치 칩이다. 이 광스위치 칩은 커플링 손실을 포함해도 전체 손실이 5데시벨 미만으로 억제되는데, 이 정도로 낮은 손실이라야 별도의 광증폭 없이도 에러 없는 고속 전송이 가능해진다. 연구팀이 실제로 여러 스위칭 경로를 테스트한 결과 모든 경로에서 에러 없는 성능이 유지됐고, 이는 광 슈퍼노드가 분산 추론 과정에서 재전송으로 인한 추가 지연 없이 안정적인 데이터 흐름을 제공할 수 있다는 뜻이다. 게다가 이 광스위치는 100나노미터가 넘는 파장 대역에서 평탄한 응답 특성을 유지해, 여러 파장을 동시에 실어 보내는 파장분할다중화 방식으로 대역폭을 앞으로 더 확장할 수 있는 여지도 남겨뒀다. 전체 시스템이 지원하는 총 스위칭 대역폭은 6.4테라비트에 이른다.

그림: 연구팀이 제시한 온칩 올-옵티컬 슈퍼노드 구조(좌)와 5계층 합성곱신경망 이미지 노이즈 제거 과제에서의 GPU 대비 성능 비교(우). 출처: Tao, Z. et al., National Science Review(2026), Science China Press 보도자료 기반. 자체 제작.

연구팀은 이 광학 네트워크가 실제로 쓸모가 있는지 검증하기 위해 이미지 노이즈를 제거하는 5계층 합성곱신경망을 여러 연산 노드에 나눠 할당하는 실험을 했다. 각 노드가 신경망의 특정 층을 전담하도록 배치하고, 광스위치 칩을 파이프라인 방식의 병렬 연산 구조로 구성한 뒤, 한 층의 연산이 끝나면 그 중간 결과물인 특징 맵을 광 네트워크를 통해 곧바로 다음 노드로 전송하도록 했다. 이렇게 하면 신경망이 연속으로 들어오는 입력 데이터 스트림을 파이프라인 형태로 동시에 처리할 수 있어, 기존 구조에서 연산과 메모리 사이를 반복적으로 오가며 생기는 이른바 메모리 병목 문제를 상당 부분 완화할 수 있다는 것이 연구팀의 설명이다. 그 결과 같은 작업을 수행하는 상용 GPU 기반 시스템과 비교했을 때, 이 광학 시스템은 추론 속도를 100배 넘게 끌어올리면서도 필요한 연산 자원은 약 9분의 1 수준으로 줄이는 결과를 냈다. 속도와 효율을 동시에 잡았다는 점에서, 이는 단순히 특정 작업에 최적화된 실험실 성과를 넘어선다.

연구팀은 이번 성과를 두고 온칩 올-옵티컬 슈퍼노드가 대규모 분산 지능형 컴퓨팅의 토대가 될 잠재력을 보여준다고 평가하면서도, 갈 길이 남아 있다는 점 역시 분명히 했다. 앞으로 광학 소자와 전자 소자를 하나의 패키지 안에 함께 넣는 공동 패키지 광학 기술이 더 발전하고, 고속 실리콘 포토닉 트랜시버의 성능이 향상되며, AI 연산 칩 자체의 입출력 속도가 함께 올라가야 이런 온칩 광 인터커넥트가 고대역폭, 저지연, 고에너지효율을 갖춘 지능형 컴퓨팅 시스템의 실질적인 기반으로 자리 잡을 수 있다는 것이다. 그럼에도 이번 실험이 갖는 의미는 뚜렷하다. 지금까지 AI 인프라 경쟁이 주로 더 많은 GPU, 더 큰 데이터센터, 더 많은 전력이라는 양적 확장의 언어로 이야기돼 왔다면, 이번 연구는 칩과 칩 사이를 어떻게 연결하느냐라는 질적인 지점에서도 여전히 수십 배, 수백 배의 개선 여지가 남아 있다는 것을 구체적인 숫자로 보여줬다는 점에서다.

---

태그: 테슬라, 일론 머스크, AI5칩, AI6칩, 삼성전자, 테일러팹, 2나노, TSMC, 반도체, AI인프라, 베이징대, 광인터커넥트, 실리콘포토닉스, National Science Review, 온칩광스위치, 딥러닝추론