왜 실리콘 포토닉스가 AI 반도체의 2막을 여는가 (박영준 라이팩 CTMO)

🖼️ 인포그래픽

왜 실리콘 포토닉스가 AI 반도체의 2막을 여는가 (박영준 라이팩 CTMO) 내용을 설명하는 본문 이미지

🖼️ 4컷 인포그래픽

💡 한 줄 결론

실리콘 포토닉스가 AI 반도체의 2막을 여는 이유는 GPU 성능 그 자체보다 GPU·메모리·모듈 사이 데이터 이동 병목을 빛 기반 연결로 풀 수 있기 때문이다.

📌 핵심 요점

AI 반도체 경쟁은 GPU 확보 중심의 1막을 지나, GPU·메모리·모듈·PCB 사이를 얼마나 빠르고 효율적으로 연결하느냐의 2막으로 이동하고 있다.
실리콘 포토닉스는 기존 장거리 광통신의 원리를 칩 주변의 짧은 거리 전송으로 끌어와, 구리선 기반 전송이 맞닥뜨리는 속도·열·전력 한계를 보완하려는 기술이다.
핵심 원리는 레이저 빛을 새로 만드는 것이 아니라, 신호가 없는 레이저 빛을 실리콘 칩의 웨이브가이드와 PN 다이오드 구조를 통해 지나가게 하면서 1과 0의 디지털 신호를 싣는 것이다.
실리콘 포토닉스는 안정성·비용·반도체 공정 경험 측면에서 장점이 있지만, 전기 신호를 빛으로 바꾸고 다시 전기로 되돌리는 변환 오버헤드가 있어 충분히 높은 속도 요구가 채택의 전제다.
인텔, TSMC, 삼성 같은 공급망 플레이어와 라이팩처럼 광 패키징을 다루는 기업들의 경쟁 포인트는 단순 칩 성능이 아니라 조립, 수율, 고장 대응, 교체 가능성, 패키징 구조로 확장되고 있다.

🧩 배경과 문제 정의

이 영상은 AI 반도체 경쟁의 초점이 단순한 GPU 확보에서 GPU, 메모리, 모듈, 보드 사이의 데이터 이동 병목을 어떻게 해소할 것인가로 옮겨가고 있다는 문제의식에서 출발한다.
AI 데이터센터는 더 많은 연산 장치와 더 빠른 데이터 이동을 요구하면서 전력 소모, 발열, 저장·전송 부담이 함께 커지고 있으며, 기존 구리선 기반 전송만으로는 속도와 효율의 한계가 뚜렷해진다.
실리콘 포토닉스는 장거리 광통신에서 쓰이던 빛 기반 전송을 칩과 칩, 모듈과 모듈 사이의 짧은 거리 연결로 끌어오는 기술로 설명된다.
핵심은 전기 신호를 빛으로 바꾸고 다시 전기로 되돌리는 구조가 추가되더라도, 그 오버헤드를 뛰어넘을 만큼 빠른 전송 속도와 낮은 전력 소모가 필요한 상황이 실제로 커지고 있느냐는 점이다.
영상은 실리콘 포토닉스가 왜 AI 반도체 인프라의 다음 단계 후보로 부상하는지, 기존 레이저 모듈레이션 방식과 무엇이 다른지, 인텔·TSMC·삼성 및 라이팩 같은 기업들이 어떤 관점에서 접근하는지를 시간순으로 설명한다.

🕒 시간순 섹션별 상세정리

AI 반도체 2막은 GPU 확보가 아니라 연결 병목이다

AI 반도체의 1막은 GPU를 얼마나 확보하느냐의 경쟁이었지만, 2막은 GPU와 메모리, 모듈 사이를 얼마나 빠르게 연결하느냐의 문제로 이동한다 [00:54]
AI 데이터센터가 GPU 중심으로 재편되면서 전력 소모, 데이터 이동량, 저장 부담이 커지고, 이 연결 병목이 실리콘 포토닉스를 핵심 인프라 후보로 끌어올린다 [01:13]

오래된 광통신이 칩 근처의 광전송 문제로 내려온다

광통신은 집이나 빌딩까지 데이터를 보내는 장거리 전송에서 이미 오래 사용되어 왔고, 광섬유는 대량의 디지털 정보를 빠르게 운반하는 기술로 자리 잡았다 [02:29]
AI 시스템에서는 칩과 칩, 모듈과 모듈, PCB 보드 사이처럼 훨씬 짧은 거리에서도 구리선 전송이 감당하기 어려운 속도를 요구하게 된다 [03:02]

실리콘 포토닉스는 레이저 빛에 디지털 신호를 싣는 칩이다

실리콘 포토닉스는 기본적으로 실리콘 칩이며, 레이저 빛을 활용해 전기 신호를 광 신호로 바꾸는 역할을 맡는다 [04:38]
기존 광통신에서는 레이저 빛이 광섬유를 통해 먼 거리를 이동했지만, AI 시스템에서는 칩과 칩 사이의 수 m 거리까지도 빛으로 연결해야 할 수요가 커진다 [04:57]

기존 방식은 레이저 자체를 변조하고, 실리콘 포토닉스는 별도 경로에서 빛을 조절한다

기존 주류 방식은 레이저 자체에 전기 신호를 가해 레이저가 직접 1과 0의 신호가 담긴 빛을 내보내는 구조다 [06:05]
실리콘 포토닉스는 신호가 없는 레이저 빛을 받아 실리콘 위의 웨이브가이드로 이동시키고, 그 경로에서 전기 신호를 가해 빛의 상태를 바꾸는 방식으로 드러난다 [06:52]

빛은 새로 생기는 것이 아니라 지나가며 상태가 달라진다

실리콘 포토닉스에서는 없던 빛이 새로 만들어지는 것이 아니라, 이미 지나가고 있는 빛이 반도체 소자의 전자 상태에 따라 다르게 행동한다 [08:18]
PN 다이오드에 걸린 전압이 전자의 많고 적음을 바꾸고, 빛은 그 차이를 지나가면서 신호가 있는 상태와 없는 상태로 구분된다 [08:24]

안정성과 비용 장점에도 변환 오버헤드가 채택의 부담이다

기존 레이저에 모듈레이션 기능까지 넣으면 비용이 높아지고, 레이저 계열 소자는 상대적으로 고장 위험이 커 AI 시스템 전체 안정성에 부담이 될 수 있다 [09:26]
실리콘은 반도체 산업에서 축적된 경험이 많고 안정성이 높으며, 상대적으로 싸고 잘 망가지지 않는 특성 때문에 AI 반도체 가까이에 둘 기술로 주목받는다 [09:41]

실리콘 포토닉스의 주류화와 레이저 모듈레이션 경쟁

AI 고객이 요구하는 속도를 만족하려면 광 기반 전송 기술이 필요하고, 이 요구가 커질수록 오랫동안 비주류였던 실리콘 포토닉스가 주류 기술로 진입할 가능성이 커진다 [12:01]
다만 실리콘 포토닉스만이 유일한 해법은 아니며, 기존 레이저 모듈레이션 방식은 구조가 더 간단하고 축적된 경험이 많아 강한 경쟁 축으로 남아 있다 [12:20]

ASML 리소그래피 빛과 통신용 레이저의 차이

ASML 장비는 전자칩을 만들기 위한 리소그래피 장비이며, 작은 트랜지스터를 더 많이 넣어 속도를 높이기 위한 반도체 공정에서 빛을 사용한다 [12:57]
ASML의 빛과 실리콘 포토닉스의 통신용 빛은 원천적으로는 같은 빛이지만, 기술적으로는 파장과 목적이 완전히 다르다고 구분된다 [13:23]

구리 전송의 열·전력 한계와 광전송의 에너지 이점

구리로 긴 거리를 전송하면 속도 한계와 함께 열이 크게 발생하고, 칩 내부 트랜지스터뿐 아니라 전기가 구리를 흐르는 과정 자체가 에너지 손실을 만든다 [14:25]
디지털 1과 0이 구리를 통해 오갈 때는 에너지 소모가 커지지만, 빛은 공기나 유리를 지날 때 주변을 뜨겁게 만들지 않아 광섬유 전송에서는 원리적으로 손실이 작다 [14:51]

제품화 초기 단계와 GPU 인터커넥트의 광전송 전환

실리콘 포토닉스 제품은 이미 오래전부터 존재했고, 인텔은 통신 분야에서 상당한 대량생산과 공급 경험을 쌓은 선두 기업으로 묶인다 [16:19]
AI 데이터센터의 근거리 광통신은 이제 시작 단계이며, 광을 넣는 것 자체보다 고장 대응, 조립 방식, 시스템 유지보수 같은 세부 기술 난관이 채택 속도를 제한한다 [16:44]

인텔·TSMC·삼성의 경쟁 구도와 패키징 중심 판단

인텔은 통신용 실리콘 포토닉스에서 앞섰지만, 수율 측면에서 어려운 구조를 갖고 있어 해당 방식이 AI 광전송에 그대로 쓰일 가능성은 작다고 드러난다 [17:54]
후발주자들은 인텔의 장단점을 참고해 다른 구조를 모색하고 있으며, TSMC는 좋은 실리콘 포토닉스 구조와 패키징 단계의 데모로 주목받는 기업으로 나온다 [18:35]

라이팩의 패키징 접근과 초기 광 패키징 구상

라이팩은 빛을 패키징하는 회사이며, 실리콘 반도체·메모리·로직 고속화 경험이 실리콘 포토닉스에 대한 관심과 창업 배경으로 계속된다 [20:26]
포토닉스 인재는 많지만 전자 기술자는 광을 잘 모르고, 광 기술자는 전자 고객을 잘 모르는 간극이 있어 반도체 전기와 광을 함께 이해하는 역량이 핵심 경쟁력으로 작동한다 [21:00]

FLP 기반 광 패키징 구조와 반도체 연결 방식

당시 쓰던 FLP 방식은 EMC를 웨이퍼처럼 만들어 그 안에 레이저와 필요한 반도체 칩을 넣는 패키징 접근으로 설명된다 [21:34]
GPU에서 명령을 받으면 칩이 레이저나 실리콘 포토닉스를 제어할 수 있도록, 반도체 기술로 연결을 만드는 구상이다 [22:04]
광 분야에서 흔하지 않던 반도체식 금속 라인을 활용해 정교하고 짧은 거리의 연결을 구현하려 한 점이 핵심으로 나온다 [22:12]
전통적 와이어본딩에서 새로운 패키징 방식으로 넘어가던 시기에 이 기술을 광에 응용하면 되겠다고 보고 시작했다 [22:29]

초기 독자 구상과 HBM 이전 시대의 선행 판단

교수는 당시 구상이 독자적이었다고 보면서도, 찾아보면 비슷한 생각이나 논문은 있었을 수 있다고 덧붙인다 [22:45]
실제 구상과 제작 시점은 퇴직 전후인 2016~2017년 무렵으로, HBM이 막 양산에 들어가려던 초기와 겹친다 [23:01]
당시에는 HBM 자체도 필요성과 성공 가능성을 의심받던 시기였고, 지금은 당연해 보이는 판단도 그때는 황당한 기술로 여겨졌다고 정리된다 [23:16]
마무리는 그 판단을 미래를 먼저 본 사례로 받아들이며, 당시 기술이 어렵고 앞선 선택이었다는 논지로 끝난다 [23:31]

🧾 결론

이 영상의 핵심 메시지는 AI 인프라의 병목이 연산칩 내부만이 아니라 칩과 칩 사이의 데이터 이동으로 이동하고 있으며, 그 문제를 해결하는 연결 기술이 AI 반도체 경쟁의 다음 축이 된다는 점이다.
실리콘 포토닉스는 오래된 광통신 기술을 AI 데이터센터의 근거리 인터커넥트 문제에 적용하려는 시도이며, 구리선만으로는 감당하기 어려운 고속 전송 요구가 커질수록 주류 기술로 올라올 가능성이 커진다.
다만 실리콘 포토닉스가 유일한 해법으로 확정된 것은 아니며, 기존 레이저 모듈레이션 방식도 구조가 단순하고 축적된 경험이 있어 강한 경쟁 축으로 남아 있다.
최종 채택 여부는 기술 원리보다 시스템 관점의 실용성, 즉 어디에 광소자를 넣을지, 어떻게 조립할지, 고장 시 어떻게 교체할지, 대량 공급이 가능한지가 좌우할 가능성이 크다.

📈 투자·시사 포인트

AI 반도체 밸류체인은 GPU 제조사만 보는 단계에서 벗어나 인터커넥트, 광통신, 패키징, 테스트, 조립, 데이터센터 전력 효율까지 함께 보는 방향으로 확장될 필요가 있다.
실리콘 포토닉스 관련 기업을 볼 때는 “기술을 보유했는가”보다 “AI 데이터센터에 실제로 들어갈 수 있는 패키징 구조와 공급 능력을 갖췄는가”가 더 중요한 판단 기준이 될 수 있다.
TSMC처럼 전기 반도체와 패키징 생태계를 장악한 기업은 광을 시스템의 어느 위치에 넣을지 판단할 수 있는 지위가 있고, 이는 AI 반도체 공급망 경쟁에서 중요한 전략적 강점으로 해석된다.
인텔은 통신용 실리콘 포토닉스에서 앞선 경험이 있지만, 영상에서는 기존 구조가 AI 광전송에 그대로 적용되기 어렵고 수율 문제가 있을 수 있다는 점이 언급된다.
검증 필요: 데이터센터 전체 에너지를 약 30~40% 줄일 가능성은 영상에서 거론된 수치이지만, 실제 절감 폭은 시스템 구조, 전송 거리, 레이저와 모듈레이션 에너지, 냉각 조건에 따라 달라질 수 있으므로 별도 자료 확인이 필요하다.

⚠️ 불확실하거나 확인이 필요한 부분

데이터센터 전체 에너지를 약 30~40% 줄일 수 있다는 언급은 영상 내 주장으로 정리되지만, 적용 조건, 산정 범위, 기준 시스템이 제시되지 않아 별도 검증이 필요하다.
블랙웰 세대의 GPU 간 통신이 아직 구리 기반이고 향후 광전송으로 전환될 가능성이 있다는 설명은 기술 방향성으로 제시되지만, 실제 제품 로드맵과 채택 시점은 확인이 필요하다.
인텔, TSMC, 삼성의 실리콘 포토닉스 경쟁력 비교는 인터뷰 발언 중심이므로 각 회사의 공개 자료, 패키징 전략, 양산 현황을 따로 대조해야 한다.
자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.