현재 우리가 수행하는 방식으로는 지속 가능한 방법으로 해결할 수 없는 글로벌 컴퓨팅 용량 위기가 다가오고 있다.

간단히 말해서, 기하급수적으로 성장하는 인공지능(AI) 모델과 진행 중인 글로벌 디지털 혁신 사이에서 데이터 센터의 공간이 부족해지고 있다. 공실률은 사상 최저치를 기록하고 있으며 수요에 따라 가격이 상승하고 있어 기술 리더들 사이에 큰 불안감을 안겨주고 있다.

이러한 추세가 계속된다면 어느 시점에서는 데이터 처리 능력이 제한되어 기술이 이론적으로 허용하는 모든 작업을 더 이상 수행할 수 없는 시점에 도달하게 될 것이다.

 

아마도 가장 큰 걱정은 우리가 이제 막 활용하기 시작한 AI의 혁신적인 잠재력이 순전히 물리적인 제약으로 인해 제한될 것이라는 점일 것이다. 이는 새로운 발견과 고급 머신러닝(ML) 모델의 개발을 방해할 것이다. 이는 AI 종말 경고자를 제외한 모든 사람에게 나쁜 소식이다.

컴퓨팅 용량 위기를 피할 수 있는 방법은 없을까? 컴퓨팅 요구 사항을 대폭 축소하는 것은 실제로 선택 사항이 아니기 때문에 유일한 대안은 용량을 대폭 늘리는 것이다. 이는 더 많은 데이터 센터를 구축하고 더 나은 디지털 인프라를 개발하는 두 가지 조치로 귀결된다.

 

하지만 말처럼 쉽지는 않다. 그 이유는 다음과 같다.

더 많은 데이터 센터가 답이 아닌 이유

지금까지 컴퓨팅 용량에 대한 증가하는 수요는 더 많은 데이터 센터를 건설함으로써 부분적으로 충족되었으며, 보수적인 추정에 따르면 데이터 센터가 차지하는 부동산은 연간 최대 40% 증가한다. 공급 문제, 전력 문제, 건설 지연으로 인해 확장 용량 확장이 심각하게 제한되고 있으므로 상당히 안정적으로 유지될 것으로 예상할 수 있는 수치이다.

즉, 오늘날 데이터센터 구축을 늘리는 것만으로는 수요를 충족할 수 없다는 것이다.

또한 그것은 우리가 열망하는 것이 되어서도 안 된다. 축구장 크기의 창고는 엄청난 양의 에너지와 물을 소비하여 지역적으로나 전 세계적으로 환경에 심각한 부담을 준다. 단일 데이터 센터는 5만 가구의 전력과 물을 소비할 수 있으며 클라우드의 탄소 배출량은 이미 항공 산업의 탄소 배출량을 초과한다.

 

신용이 필요한 곳에 신용을 제공한다. 데이터 센터는 환경에 미치는 영향을 최소화하는 데 큰 진전을 이루었다. 이는 특히 냉각 및 에너지 효율성과 관련된 혁신을 촉진한 치열한 지속가능성 경쟁 덕분이다. 요즘에는 지하 광산, 바다에서 데이터 센터를 찾아볼 수 있으며, 피요르드 물 흐름과 같은 기타 자연 냉각 기회를 활용하여 에너지와 물 소비를 줄인다.

문제는 이것이 전 세계적으로 확장 가능하지 않으며 바다를 끓이는 것이 실행 가능한 경로가 아니라는 것이다. 아무리 효율적이더라도 더 많은 데이터 센터를 건설하는 것은 계속해서 지역 생태계에 큰 피해를 입히고 국내 및 국제 지속 가능성 노력을 방해할 것이다. 그럼에도 불구하고 여전히 컴퓨팅 리소스에 대한 수요를 충족하지 못하고 있다.

그래도 두 개의 칩이 하나보다 낫다.

 

상자 안에서 생각해보라.

... 단일 칩이 두 배의 속도로 작동하지 않는 한. 용량 부족을 피하기 위해 모든 희망은 디지털 인프라, 즉 칩, 스위치, 전선 및 에너지를 덜 소비하면서 데이터 속도와 대역폭을 향상시킬 수 있는 기타 구성 요소를 개선하는 데 있다.

다시 한번 말씀드리지만, AI의 발전은 더 많은 에너지를 사용하지 않고 더 많은 데이터를 전송할 수 있는 방법을 찾는 데 달려 있다.

본질적으로 이것은 두 가지를 의미한다. 첫째, 더욱 강력하고 AI 중심의 칩 개발이다. 둘째, 데이터 전송 속도의 향상이다.

 

1. AI용 맞춤형 칩 설계

기존 디지털 인프라는 ML 모델의 효율적인 개발에 특히 적합하지 않다. 데이터 센터의 주요 컴퓨팅 구성 요소로 계속 사용되고 있는 범용 중앙 처리 장치(CPU)는 전문화 및 컴퓨팅 효율성이 부족하여 AI 관련 작업에 어려움을 겪고 있다.

AI의 경우 그래픽 처리 장치(GPU)는 더 나은 처리 능력, 더 높은 에너지 효율성 및 병렬 처리 덕분에 훨씬 더 나은 성능을 발휘한다. 그래서 모두가 그것을 낚아채고 있으며, 이로 인해 칩 부족 현상이 발생했다.

그러나 GPU는 필연적으로 동일한 벽돌 벽에 부딪친다. 본질적으로 AI 작업에 최적화되어 있지 않아 현대 AI 애플리케이션의 점점 더 복잡해지고 데이터 집약적인 요구 사항을 처리하는 데 에너지 낭비와 차선의 성능으로 이어진다.

이것이 바로 IBM과 같은 기업이 에너지 소비와 공간을 최소화하면서 성능을 최대화할 수 있는 AI의 컴퓨팅 요구 사항에 맞춘 칩을 설계하는 이유이다.

 

2. 데이터 전송 용량 향상

단일 칩에서 작동하는 최신 AI 모델은 없다. 대신 사용 가능한 리소스를 최대한 활용하려면 여러 칩을 클러스터로 조립한다. 이러한 클러스터는 각각 특정 작업을 위해 설계된 대규모 네트워크의 일부를 구성하는 경우가 많다.

따라서 칩, 클러스터, 네트워크 간의 통신을 용이하게 하는 상호 연결 또는 시스템이 중요한 구성 요소가 된다. 시스템의 나머지 부분의 속도를 따라잡지 못하면 성능을 저해하는 병목 현상이 발생할 위험이 있다.

데이터 전송 장치의 과제는 칩의 과제와 동일하다. 즉, 고속으로 작동하고 최소한의 에너지를 소비하며 가능한 한 적은 물리적 공간을 차지해야 한다. 전통적인 전기 상호 연결이 대역폭과 에너지 효율성 측면에서 한계에 빠르게 도달함에 따라 모든 시선은 광학 컴퓨팅, 특히 실리콘 포토닉스에 쏠리고 있다.

전기 시스템과 달리 광학 시스템은 빛을 사용하여 정보를 전송하므로 중요한 영역에서 주요 이점을 제공하다. 즉, 광자 신호는 빛의 속도로 이동하고 더 높은 밀도의 데이터를 전달할 수 있다. 또한 광학 시스템은 전력을 덜 소비하며 광자 구성 요소는 전기 구성 요소보다 훨씬 작을 수 있으므로 보다 컴팩트한 칩 설계가 가능하다.

여기서 작동 가능한 단어는 "될 수 있다"이다.

 

첨단 기술의 성장통

광학 컴퓨팅은 매우 빠르고 에너지 효율적이지만 현재 소형화, 호환성 및 비용 측면에서 과제에 직면해 있다.

광 스위치 및 기타 구성 요소는 전자 부품보다 부피가 크고 복잡할 수 있으므로 동일한 수준의 소형화를 달성하는 데 어려움을 겪는다. 현재로서는 효과적인 광학 매체 역할을 할 수 있고 고밀도 컴퓨팅 응용 프로그램에 맞게 확장할 수 있는 재료를 아직 찾지 못했다.

채택은 또한 힘든 싸움이 될 것이다. 데이터 센터는 일반적으로 광자 처리가 아닌 전자 처리에 최적화되어 있으며 기존 전자 아키텍처와 광학 구성 요소를 통합하는 것은 큰 과제를 안겨준다.

 

또한 다른 최첨단 기술과 마찬가지로 광 컴퓨팅도 아직 현장에서 입증되지 않았다. 특히 데이터 센터 환경의 일반적인 고부하, 고스트레스 조건 하에서 광학 부품의 장기적인 신뢰성에 대한 연구가 매우 부족하다.

게다가 무엇보다도 광학 부품에 필요한 특수 소재는 가격이 비싸기 때문에 광범위한 채택이 잠재적으로 비용 부담이 될 수 있다. 특히 소규모 데이터 센터나 예산 제약이 있는 경우에는 더욱 그렇다.

 

그렇다면 우리는 위기를 피할 수 있을 만큼 빠르게 움직이고 있나?

아마도 그렇지 않을 것이다. 단기간 내에 데이터 센터 구축을 중단해서는 안 된다.

조금이라도 위로가 된다면, 과학자와 엔지니어가 문제를 잘 인식하고 끊임없이 경계를 넓히고 데이터 센터 최적화, 칩 설계 및 광학 컴퓨팅의 모든 측면에서 상당한 발전을 이루어 지구를 파괴하지 않는 솔루션을 찾기 위해 열심히 노력하고 있다는 것을 알고 있다.

우리 팀만으로도 강도 변조 및 직접 감지 접근 방식을 사용하여 데이터 센터 상호 연결의 기호 속도에서 세 가지 세계 기록을 깨뜨렸다.

그러나 심각한 과제가 있으며, 현대 기술이 잠재력을 최대한 실현하려면 이를 정면으로 해결하는 것이 필수적이다.

 

글쓴이: Oskars Ozoliņš 교수는 Dr.sc.ing을 받았다. 2013년 리가 공과대학교(라트비아)에서 광통신 학위를 취득했고, 2021년에 KTH 왕립공과대학에서 광통신 전문 물리학 학사학위를 받았다. 그는 약 270개의 국제 저널 간행물, 컨퍼런스 기고, 초청 강연/튜토리얼/기조 연설/강의, 특허 및 도서 챕터의 저자이다.