*기업개요
- 동사는 GPU(Graphics processing Unit) 전문 fabless 기업으로, PC/콘솔게임, data center 시장이 주 전방산업
- 동사는 지난 5년간 PC 게임 수요가 주를 이루는 외장 GPU 시장에서 약 70%의 M/S를 유지해왔지만, 자율주행, 인공지능 분야에서 GPU 가치가 재조명 받기 시작해 동사의 새로운 성장동력이 되어 주고 있음.
*사업모델
1. Gaming
1-1) 게임사업(데스크탑 pc 게임)
- 현재 데스크탑 게이밍용 GPU 매출의 2/3은 최근 출시한 RTX GPU에서 발생하고 있음
- RTX 기술의 핵심은 실시간 '레이 트레이싱' 기술로 현실과 같은 광원효과를 나타내기 위해 만들어진 기법
- 방대한 계산량 때문에 렌더링 시간이 오래 걸려 영화에 적합했었던 기술이지만, 최근 지포스 RTX는 전용 프로세서 'RT 코어'(기술발전)을 통해 게임에서도 실시간 트레이싱을 구현
- 콜오브 듀티에 이어, 마인크래프트, 배틀필드, watch dogs 등 major game으로의 레이 트레이싱 기술이 점차 적용되고 있음
1-2) tv용 & 게임용 스트리밍 Shield RV and Shield TV Pro
- 2019.05말 쉴드 TV 출시
- 쉴드 TV는 TV에 연결해 다루는 스마트 콘솔로 유튜브 같은 인터넷 영상 컨텐츠나, TV용 앱, 게임을 TV에서 손쉽게 즐길 수 있게 만든 장치
- 엔비디아의 게이밍 서버에서 실행되는 PC게임은 물론 이용자의 PC에 설치된 게임까지 실시간 스트리밍 게임으로 즐길 수 있음.
1-3) 게임 스트리밍 사업 GeForce Now
- 1) 플레이 타임 20시간 당 $25불 부과, 2) 2019년 안으로 200개 게임서비스 오픈, 점차 무료 게임을 늘려갈 예정. 3)그 외 게임은 Steam, Uplay, 블리자드 등을 거쳐 별도 구매를 해야 함
- 이용요금, 편의성 그리고 데이터 수 등에서 경쟁력이 부족하므로 세계 각지에 다수 게이터 센터를 보유한 Google, Microsoft 대비 경쟁력을 가질 수 있을지는 의문
- 타 클라우드 게임사와의 차별점은 'Steam' 플랫폼을 활용해 PC,TV, 모바일에서 스트리밍 게임 서비스를 즐길 수 있다는 점
- 독점 콘텐츠 부분에서도 경쟁사에 뒤떨어지지만, GeForce Now는 스팀 플랫폼으로 출시된 게임을 그대로 할 수 있는 것이 포인트
- 하지만, 아직 1)5G 상용화와 2) 지역별 데이터센터 확장이 선행되어 있지 않아 실제 클라우드 게이밍 업체들의 서비스 출시 지역은 일부 국가에 한정
- 또한, 클라우드 게이밍 환경에서는 요구사항이 높은 게임을 온전히 구동시키기 어려워 전통적 게임 플랫폼을 완벽히 대체하지는 못할 것이기 때문에 upside potential은 아직 제한적이지 않을까..?
2. Data center
- 현재 동사의 데이터센터향 매출성장 driver는 Conversational AI (인공지능컴퓨터가 대화속에서 '인간과 같이' 문맥을 파악하고 Intelligent reponses를 제공할 수 있는 기술)
- (ex 구글의 BERT model : 인간의 언어를 더 잘 분석하고 이해하는 최첨단 딥러닝 알고리즘. 인공지능을 활용해 검색능력 확대. 자연어 처리 시 문맥을 보다 잘 이해해 검색 결과가 유용하도록 지원)
- 데이터센터향 GPU 제품은 크게 2가지로 나눌 수 있는데 1)인공지능훈련용 'V100', 2)인공지능 추론 'T4'
2-1) 인공지능훈련 (Training) - V100
- 입력 데이터를 통해 모델을 학습하는 과정으로 반복이 많은 계산 집중형 프로세스
- 초기 인공지능은 이미지 인식이나 음성 인식의 정확성을 높이기 위해 딥러닝 모델의 규모가 커지고 입력 데이터 양이 많아지고 있음
- 2018년 GPU는 인공지능 훈련 영역에 주로 적용되다고 2019년 인공지능 추론 영역으로 확장됐으며 3Q19기준 현재 추론용 GPU가 훈련용 GPU 판매가 더 많음
2-2) 인공지능 추론(Inference) - T4
- 인공지능훈련으로 학습된 모델로 이미지/음성을 인식하는 등 특정 서비스를 수행하는 과정
*머신러닝/인공지능 (딥러닝)
- 기존의 프로그램들은 프로그래머가 사전에 특정 상황을 판단하는(조건문) 알고리즘을 짠 후, 그 알고리즘 순서대로 시행하며 조건에 맞는지 아닌지 확인하는 방식으로 구성
- 하지만, 경우의 수가 매우 많은 현실세계에서는 도저히 알고리즘 개발자가 모든 조건문을 다 적을 수 없는 레벨의 복잡도를 가지고 있음.
#기존 조건문
- 반면, 머신러닝은 조건문이 없음, 프로그래머가 인공 뉴런을 만든 뒤, 자신이 데이터를 투입할 곳과 결괏값이 나올 곳을 지정해주고, 이후에는 인공뉴런에 확실한 데이터만을 넣어주고
- 결과값이 true, false인지만 피드백해주면 됨. 이 과정을 반복할 경우 인공 신경망 내의 여러 뉴런이 진화하며 결과값이 true로 산출될 확률을 높여주는 방식
- 즉, 머신러닝은 특정 목적에 맞는 신경망을 사전에 훈련시킨 뒤, 결과를 얻어내야 할 때는 이미 훈련된 신경망에 구분하려는 내용을 넣음으로써 확인하는 방식
- 다른말로는 프로그래머가 직접 장성해야 할 알고리즘의 상당 부분이 이제는 막대한 양의 데이터를 부어 넣는 것으로 대체된 것
#머신러닝 학습도
- ex, 실제 안면 인식의 어려움 중 하나는 사람이 쳐다보는 각도, 주변에 있는 각종 군더더기(옷, 먼지, 노이즈, 채광 등) 등, 이런 것을 일일이 처리하는 코드를 짜는 것은 불가능
- 하지만, 머신러닝은 인간수준의 정확도만 확보되면 되는 것이기 때문에 어느 정도오차를 허용하는 대가로 기존에 코드를 짜는 것이 불가능했던 부분을 보완
- 신경망 학습 과정은 기존 프로그램들과 비교할 수 없을 정도로 메모리에 많은 부담이 가해짐. 기계 학습은 시간당 학습량을 최대한 늘려야 하는 '물량 공세' 방식이기 때문
- 특정 자료를 통해 신경망을 학습시키기 위해서는 수없이 많은 샘플을 인공 신경망에 학습시키고 그 결과를 피드백 해줘야 함.
*AI, 인공지능, 자율주행 분야에서는 CPU가 아닌 GPU가 중요!
- 이러한 학습이 필요로 하는 최대 속도는 HDD나 SSD 수준의 접근 속도로 해결할 수 있는 문제가 아님. 뿐만 아니라 CPU 근처에 있는 고속, 저용량 SRAM으로 해결할 수 있는 수준도 X
- 저장해야 하는 학습 세트의 숫자도 클 뿐 아니라, 대부분 사진이나 음성 데이터 양이 방대하기 때문에 용량이 크면서도 전송 속도가 빠른 메모리가 필요
- 위의 요구사항을 충족해주는 것이 GPU
- GPU는 CPU와 달리 연산능력보다는 더하고, 곱하고, 나누고, 평균내고 복사하는 수준의 단순한 연산밖에는 하지 못하지만 엄청난 정수 연산능력을 가지고 있음.
- CPU도 정수 연산장치를 늘리등 확장을 하고 있지만.. 인텔 스카이레이크 4코어 CPU에 비해 엔디비아의 지포스 1070 GPU는 정수 연산능력차이는 40배..
- 아이러니하게도 현대 AI는 소수의 유능한 코어를 통해서가 아닌(CPU) 다수의 '무식한' 연산을 통해 작동하는 형태로 발전
- 머신러닝은 인공 신경망을 프로그래머가 원하는 방향으로 진화시키는데, 여기에는 분기(조건문) 연산기능 (CPU) 보다는 단순한 숫자열의 곱과 합 등의 연산이 더욱 중요한 역할
- '무식한' 연산에 특화되어 있는 만큼 GPU는 이러한 일을 매우 잘 처리했기 때문에, 기계학습이 세상으로 나오자 큰 인기를 끌게 되었음.
- 엔디비아는 상당히 오래 전부터 이러한 단순한 병렬 연산이 자율주행, 슈퍼컴퓨터, AI, 물리 시뮬레이션 등 어떤 분야가 되었건 중요해지는 순간이 올 것임을 알고 있었음
- 엔비디아는 자율주행, Data center 인공지능 분야 진출을 통해 그래픽카드 제조회사에서 컴퓨팅 생태계를 이끌어가는 플레이어가 될 준비를 해오고 있었음
- 기존 게임용 GPU보다 데이터센터 향 GPU가 수익성 도 더 좋다!
댓글 없음:
댓글 쓰기