오늘날 고사양 3D 게임을 즐기거나 인공지능 모델을 다룰 때 가장 먼저 확인하는 부품은 바로 그래픽 카드(GPU)입니다.
하지만 초창기 컴퓨터에서 화면을 출력하는 장치는 단순히 텍스트와 기본적인 2D 점을 모니터에 뿌려주는 보조 기판에 불과했습니다. 컴퓨터의 모든 계산은 중앙처리장치인 CPU가 도맡았으며, 화면 제어는 독립된 연산 장치로 취급받지 못했습니다.
총 10편으로 이어지는 컴퓨터 역사 시리즈의 일곱 번째 편에서는 화면 표시용 부품에 머물던 그래픽 카드가 어떻게 3D 가상 세계를 열고, 나아가 현대 인공지능 혁명의 핵심 엔진으로 진화했는지 살펴봅니다.
단순 화면 출력기에서 3D 가속기로의 도약
텍스트와 단순 2D 색상만 표시하던 초기 디스플레이 어댑터
1980년대 초 개인용 컴퓨터에 장착되던 비디오 카드는 화면에 글자와 간단한 도표를 띄우는 것이 주된 역할이었습니다.
IBM PC의 CGA(컬러 그래픽스 어댑터)나 VGA 카드는 제한된 해상도와 색상 팔레트 안에서 이미지를 출력하는 데 집중했습니다. 화면 속 모든 사물의 위치를 계산하고 색상을 칠하는 복잡한 연산은 여전히 메인 CPU가 혼자 떠안아야 했습니다.
이로 인해 화면에 복잡한 움직임이 나타나면 전체 시스템이 급격히 느려지는 하드웨어적 병목이 발생했습니다.
3D 그래픽의 전성기를 연 3dfx 부두와 엔비디아 지포스의 등장
1990년대 중반 입체적인 3D 게임이 본격적으로 등장하면서 컴퓨터 그래픽 환경은 대전환을 맞이했습니다.
1996년 등장한 '3dfx 부두(Voodoo)' 칩셋은 3D 연산만을 전담하는 별도의 그래픽 가속 카드로 게이머들에게 폭발적인 인기를 끌었습니다. 거칠고 각진 픽셀 덩어리를 부드러운 입체 영상으로 실시간 변환해 주면서 PC 게임의 시각적 기준을 완전히 뒤바꿔 놓았습니다.
1999년 엔비디아(NVIDIA)는 초당 천만 개 이상의 다각형을 처리하는 '지포스 256(GeForce 256)'을 발표하며 업계 최초로 'GPU(Graphics Processing Unit)'라는 용어를 공식 도입했습니다.
CPU와 GPU가 계산을 처리하는 결정적 차이
소수의 천재가 일하는 직렬 처리 방식의 CPU
컴퓨터의 두뇌인 CPU는 매우 복잡하고 다양한 형태의 논리 명령을 순서대로 빠르게 처리하도록 설계되었습니다.
소수의 강력한 코어를 탑재하여 운영체제 관리, 입출력 제어, 프로그램 알고리즘 연산 등 고난도 작업을 순차적으로(직렬) 해결합니다. 아무리 작업이 복잡해도 유연하고 정확하게 처리하지만, 단순한 계산이 수백만 개 몰리는 상황에서는 효율이 떨어집니다.
비유하자면 CPU는 어떤 어려운 문제도 막힘없이 풀어내는 소수의 석학 연구팀과 같습니다.
수천 개의 단순 작업자가 동시에 움직이는 병렬 처리 방식의 GPU
반면 화면을 구성하는 수백만 개의 픽셀에 색상과 명암을 입히는 그래픽 작업은 단순 덧셈과 곱셈의 무한한 반복입니다.
GPU는 CPU처럼 복잡한 논리를 다루지는 못하지만, 단순한 연산을 수행하는 수천 개의 코어를 하나의 칩에 집적했습니다. 이 수많은 코어가 수백만 개의 픽셀 데이터를 동시에(병렬) 계산하므로 방대한 분량의 균일한 데이터를 처리할 때 압도적인 속도를 냅니다.
비유하자면 GPU는 단순 작업을 정해진 구호에 맞춰 일사불란하게 처리하는 수천 명의 작업 부대와 같습니다.
게임기를 넘어 인공지능의 심장이 된 대전환
그래픽을 넘어 범용 계산에 쓰이기 시작한 GPGPU와 쿠다(CUDA)
2000년대 중반 공학자들은 GPU의 막강한 병렬 연산 능력을 순수 그래픽 렌더링 외의 다른 과학 계산에도 쓸 수 있음을 발견했습니다.
2006년 엔비디아는 그래픽 개발자가 아니어도 C언어 등으로 GPU의 병렬 자원을 프로그래밍할 수 있는 '쿠다(CUDA)' 플랫폼을 공개했습니다. 물리학 시뮬레이션, 유전자 분석, 기상 예측 등 방대한 데이터 처리가 필요한 연구 분야에서 GPU를 메인 계산 장치로 활용하는 GPGPU 기술이 급성장했습니다.
소프트웨어와 하드웨어가 맞물린 이 생태계는 훗날 인공지능 연구자들에게 가장 강력한 연산 무기를 제공하는 결정적 계기가 되었습니다.
딥러닝 혁명과 현대 AI 가속기로의 격상
2012년 이미지 인식 경진대회(ImageNet)에서 GPU를 이용해 훈련한 인공신경망 '알렉스넷(AlexNet)'이 압도적인 성적으로 우승하며 AI 판도를 뒤흔들었습니다.
인공지능의 딥러닝 알고리즘은 거대한 행렬 연산을 수없이 반복해야 하는데, 이 과정이 GPU의 병렬 처리 아키텍처와 완벽히 맞아떨어졌습니다. 화면에 캐릭터를 실감 나게 렌더링하던 칩셋이 이제는 거대언어모델(LLM)을 학습시키고 자율주행 알고리즘을 구동하는 핵심 하드웨어로 위상이 격상되었습니다.
단순한 모니터 화면 보조 부품으로 출발했던 그래픽 카드는 반세기 만에 인류의 첨단 인공지능 산업을 이끄는 가장 귀중한 전략 자산으로 자리 잡았습니다.
다음 8편에서는 언제 어디서나 인터넷과 컴퓨터를 주머니 속에 넣고 다니게 만든 '모바일 컴퓨팅과 스마트폰 혁명'을 다룹니다.
자주 묻는 질문
Q1. 외장 그래픽 카드와 CPU 내장 그래픽은 어떤 차이가 있나요?
A1. 외장 그래픽 카드는 독립된 전용 GPU 칩과 초고속 비디오 메모리(VRAM)를 별도 기판에 탑재하여 고사양 3D 작업이나 영상 편집에서 매우 강력한 성능을 발휘합니다. 반면 내장 그래픽은 CPU 칩셋 내부에 작은 규모의 그래픽 코어가 포함되어 컴퓨터의 일반 RAM을 나누어 쓰는 구조입니다. 일반적인 사무 작업, 웹 서핑, 간단한 영상 시청에는 내장 그래픽으로 충분하지만 고사양 연산에는 외장 그래픽 카드가 필수적입니다.
Q2. 왜 인공지능 딥러닝 개발에는 CPU보다 GPU가 훨씬 유리한가요?
A2. 딥러닝 학습의 본질이 수십억 개의 매개변수를 곱하고 더하는 방대한 행렬 연산이기 때문입니다. 복잡한 명령어를 차례대로 처리하는 CPU와 달리, GPU는 수천 개의 작은 연산 코어가 동시에 수많은 행렬 계산을 병렬로 처리합니다. 동일한 딥러닝 모델을 학습시킬 때 고성능 GPU를 사용하면 CPU 대비 수십 배에서 수백 배까지 훈련 시간을 단축할 수 있습니다.
Q3. 엔비디아(NVIDIA)가 AI 하드웨어 시장을 독점적으로 장악하게 된 핵심 비결은 무엇인가요?
A3. 단순히 칩의 하드웨어 성능뿐만 아니라 2006년부터 구축해 온 자체 병렬 컴퓨팅 플랫폼인 '쿠다(CUDA)' 생태계 덕분입니다. 전 세계 수많은 AI 연구원과 소프트웨어 개발자들이 쿠다 기반으로 라이브러리와 인공지능 프레임워크(PyTorch, TensorFlow 등)를 구축해 왔습니다. 타사 하드웨어로 교체하려면 기존 코드를 대규모로 수정해야 하는 높은 전환 비용이 발생하므로 엔비디아의 소프트웨어 독점력이 강력한 진입 장벽으로 작동하고 있습니다.
#컴퓨터역사 #GPU역사 #그래픽카드 #엔비디아 #지포스256 #3dfx부두 #CPU와GPU차이 #병렬연산 #직렬연산 #GPGPU #쿠다 #CUDA #인공지능하드웨어 #딥러닝연산 #알렉스넷 #VRAM #내장그래픽 #외장그래픽 #컴퓨터부품 #IT상식
0 댓글