GPU
AI 병렬 연산에 최적화된 프로세서; 엔비디아가 대표 기업
정의와 배경
GPU는 수많은 픽셀을 동시에 처리하기 위해 개발된 반도체 프로세서로, 소수의 고성능 코어로 순차 연산을 처리하는 CPU(중앙처리장치)와 달리 수천 개의 소형 코어를 병렬로 운용한다. 딥러닝 모델 학습에 필수적인 행렬 곱셈과 벡터 연산이 병렬 구조에 최적화되어 있어, AI 연구가 본격화된 이후 GPU는 그래픽 가속기를 넘어 AI 연산의 표준 하드웨어로 부상하였다. 엔비디아는 CUDA(범용 병렬 컴퓨팅 플랫폼)를 통해 GPU를 AI 연산에 활용할 수 있는 소프트웨어 생태계를 구축하며 시장 지배적 위치를 확보하였다.
작동 원리 및 관련 처리장치 비교
GPU는 동일한 연산을 수많은 데이터에 동시에 적용하는 SIMD(Single Instruction Multiple Data) 방식으로 작동하며, 이는 딥러닝의 텐서 연산 구조와 구조적으로 일치한다. CPU는 복잡한 논리 제어와 순차 처리에 강점을 가지며, GPU는 단순 반복 연산의 대규모 병렬 처리에 특화된다. 구글이 개발한 TPU(텐서처리장치)는 딥러닝 행렬 연산에 더욱 특화된 주문형 칩이며, NPU(신경망처리장치)는 주로 온디바이스 AI에, FPGA는 프로그래밍 가능한 맞춤형 연산에 활용된다. 이들을 통칭하여 'AI 가속기'라고 부르며, GPU는 그중 범용성과 소프트웨어 생태계 측면에서 현재 가장 광범위하게 사용된다.
AI 데이터센터 및 AIDC 메가프로젝트에서의 의미
LLM·생성형 AI·파운데이션 모델 등 대형 AI 모델을 학습·추론하려면 막대한 GPU 자원이 필요하며, 이를 대규모로 집적한 시설이 AI 데이터센터(AIDC)다. 수천에서 수만 개의 GPU를 초고속 네트워크로 연결한 'GPU 클러스터'가 AIDC의 핵심 자산을 구성하며, 이는 전력·냉각·부지 등 인프라 전반에 걸친 대규모 투자를 수반한다. 대한민국 정부가 추진하는 550조 원 규모의 AIDC 메가프로젝트에서도 GPU 확보와 클러스터 구축 역량이 국가 AI 경쟁력의 핵심 지표로 다루어지고 있다.
정책·산업 실무상 유의사항
GPU는 공급망이 엔비디아 등 소수 기업에 집중되어 있어 수급 불안정과 가격 변동성이 크며, 국가 간 수출통제 규제의 대상이 되기도 한다. 공공·민간 AIDC 구축 시 GPU 조달 계획, 세대 교체 주기, 전력 소비량(TDP)을 사전에 검토하는 것이 중요하다. 또한 GPU 클러스터 운용에는 CUDA 등 소프트웨어 스택 및 전문 인력이 필요하므로, 하드웨어 도입과 함께 운영 역량 확보 방안을 병행하여 고려해야 한다.