GPU 다음은 ‘빛’이다? 포토닉 AI 컴퓨팅이 바꾸는 AI 반도체와 데이터센터

작성자: 슬기로운 오늘과 내일 편집부 · 발행일: 2026-09-29

ChatGPT 같은 생성형 AI가 똑똑해질수록 컴퓨터는 더 많은 계산을 해야 합니다. 그런데 계산 성능만 높이면 끝나는 문제가 아닙니다.

GPU 수가 늘고 AI 모델이 커질수록 전력과 발열은 물론, 메모리에서 데이터를 가져오고 수많은 GPU 사이에서 데이터를 주고받는 비용도 함께 커집니다. ETRI는 2026년 AI 반도체의 주요 기술 과제로 메모리 벽, 전력·열 제약, 패키징 문제를 짚고 있으며, 실리콘 포토닉스 인터커넥트를 장기적인 대응 기술 가운데 하나로 다루고 있습니다.

그래서 최근 관심을 받는 기술이 포토닉 AI 컴퓨팅입니다.

이 글은 2026년 9월 공개 자료를 기준으로 정리했습니다.

왜 지금 포토닉 AI가 주목받을까?

AI 시대의 대표적인 연산 장치는 GPU입니다.

AI가 학습하거나 답을 만들어내는 과정에서는 수많은 숫자를 곱하고 더하는 행렬·벡터 계산이 반복됩니다. GPU는 이런 계산을 많은 연산 장치가 동시에 처리하는 병렬 연산에 강하기 때문에 AI 학습과 추론에 널리 사용됩니다.

문제는 이제 단순한 계산 능력만큼이나 데이터를 얼마나 빠르고 효율적으로 이동시키느냐가 중요해졌다는 것입니다.

쉽게 비유하면 아무리 공장이 빠르게 제품을 만들어도 원료가 제때 도착하지 않거나 완성품을 다음 공장으로 보내는 도로가 막히면 전체 생산 속도는 올라가지 않습니다.

AI 반도체에서도 비슷한 일이 벌어집니다. GPU 자체의 연산 능력이 높아져도 메모리 대역폭과 GPU 간 통신이 이를 따라가지 못하면 시스템 전체의 효율이 떨어질 수 있습니다.

포토닉 컴퓨팅이란 무엇일까?

기존 반도체는 주로 전자의 흐름과 전압 상태를 이용해 정보를 처리합니다.

포토닉 컴퓨팅은 여기에 빛, 정확히는 광자를 이용합니다. 다만 “컴퓨터 전체를 빛으로 바꾼다”는 뜻은 아닙니다.

현재 기술은 크게 두 방향으로 볼 수 있습니다.

  • 빛을 이용해 칩과 칩 사이의 데이터를 빠르게 전달하는 광인터커넥트
  • 빛의 물리적 특성을 이용해 행렬 연산 같은 특정 계산을 수행하는 광학 가속기

즉, 포토닉 기술은 통신과 계산 모두에 활용될 수 있지만 실제 제품과 연구 수준은 분야마다 다릅니다.

빛으로 어떻게 AI 계산을 할까?

빛을 단순히 켜고 끄는 것만 사용하는 것은 아닙니다.

빛의 세기, 위상, 파장 등을 데이터 표현에 활용하고 광도파로라는 매우 작은 빛의 통로를 따라 신호를 보냅니다.

변조기(Modulator)는 전기 신호를 이용해 빛의 특성을 바꾸고, 간섭(Interference)을 이용하면 여러 빛이 만나면서 특정 계산 결과를 만들도록 설계할 수도 있습니다.

대표적인 구조 가운데 하나가 Mach-Zehnder Interferometer, 즉 MZI입니다.

또 서로 다른 색, 즉 서로 다른 파장의 빛을 하나의 통로로 동시에 전달하는 WDM(Wavelength Division Multiplexing)을 이용하면 여러 데이터를 병렬로 처리할 수 있습니다.

이런 광학 구조는 AI에 많이 필요한 행렬-벡터 곱(Matrix-Vector Multiplication)을 가속하는 데 연구되어 왔습니다. 최근에는 단순한 벡터-행렬 연산을 넘어 행렬-행렬·텐서 연산을 광학적으로 병렬 처리하려는 연구도 이어지고 있습니다. 2026년 Nature Photonics에는 한 번의 광 전파를 이용해 행렬·텐서 연산의 병렬성을 높이는 연구들이 소개됐습니다.

전자식 AI 반도체와 포토닉 AI의 차이

구분기존 전자식 AI 반도체포토닉 AI 컴퓨팅
주요 신호전자·전압빛·광자
주요 역할범용 연산, 제어, 메모리 처리특정 연산 및 데이터 이동 가속
병렬 처리매우 높음구조·파장 활용에 따라 높은 병렬성 가능
데이터 전송전기 배선 중심광인터커넥트 활용 가능
전력 효율공정·구조 개선 지속특정 연산·통신에서 개선 가능성
정밀도디지털 연산에 강점아날로그 광연산은 정밀도 관리 필요
범용성높음현재는 특정 작업 중심
기술 성숙도매우 높음분야별로 연구·시제품·초기 상용화 혼재

여기서 중요한 점은 빛이 빠르다고 해서 컴퓨터 전체가 자동으로 GPU보다 빨라지는 것은 아니라는 것입니다.

빛을 생성하고, 전기 신호를 빛으로 바꾸고, 다시 전기 신호로 읽는 과정에도 에너지가 필요합니다. 메모리 접근과 데이터 변환이 병목이 된다면 광학 연산기의 장점이 줄어들 수도 있습니다.

2026년 Nature Photonics의 전망 논문 역시 광학 AI 가속기의 실제 확장을 제한하는 요소로 광 손실과 전기-광 인터페이스의 전력 부담, 재구성성, 비선형 연산 및 시스템 규모 확장 문제 등을 지적합니다.

실리콘 포토닉스와 포토닉 AI는 같은 기술일까?

둘은 관련이 깊지만 같은 말은 아닙니다.

실리콘 포토닉스는 기존 반도체 제조 기반 위에서 광도파로, 변조기, 광검출기 등 광학 기능을 집적하는 기술입니다.

즉, 빛을 칩 안팎으로 다룰 수 있도록 만드는 기반 기술이라고 이해하면 쉽습니다.

포토닉 AI 컴퓨팅은 이러한 광학 기술을 AI 연산이나 AI 시스템의 데이터 이동에 활용하는 더 넓은 개념입니다.

따라서 실리콘 포토닉스 칩이 모두 AI 계산을 수행하는 것은 아닙니다. 현재 실리콘 포토닉스가 특히 빠르게 현실화되고 있는 분야는 데이터센터 통신과 Optical I/O입니다.

실제 기술은 어디까지 왔을까?

여기에서는 “광학 연산”과 “광통신”을 구분해서 볼 필요가 있습니다.

광인터커넥트 분야는 실제 AI 데이터센터 적용을 향해 상당히 빠르게 움직이고 있습니다.

Intel은 2024년 CPU와 함께 패키징한 Optical Compute Interconnect 시제품을 공개했습니다. 이 프로토타입은 64개의 32Gbps 채널을 사용해 최대 4Tbps의 양방향 전송을 시연했으며, Intel은 차세대 CPU·GPU 등과 결합할 수 있는 Optical I/O 기술로 개발하고 있습니다. 다만 당시 Intel도 해당 OCI를 프로토타입이라고 명확히 설명했습니다.

NVIDIA 역시 2025년 Spectrum-X와 Quantum-X 계열에 실리콘 포토닉스 기반 Co-Packaged Optics 기술을 발표했습니다. 여기서 핵심은 GPU 안의 모든 AI 계산을 빛으로 바꾸는 것이 아니라 대규모 GPU 클러스터의 네트워크 연결을 광학 기술로 개선하는 것입니다. NVIDIA가 제시하는 전력 효율과 신뢰성 수치는 회사 자체 제품 발표 기준으로 이해할 필요가 있습니다.

국내에서도 ETRI는 2025년 CPU·메모리·GPU 등 컴퓨팅 자원을 광으로 연결·분리하는 AI 데이터센터 기술을 공개했고, 2026년에는 실리콘 포토닉스와 CPO 핵심 광소자 등을 AI 데이터센터 핵심 연구 분야로 제시했습니다.

포토닉 AI 관련 기업들은 무엇을 하고 있을까?

Lightmatter는 최근 연산 칩 자체보다 AI 시스템의 데이터 이동 문제를 해결하는 광인터커넥트에 적극적으로 집중하고 있습니다.

회사는 2025년 Passage L200 및 M1000 제품군을 발표한 데 이어 2026년 3월에는 랙 내부 및 랙 간 AI 인프라용 6.4Tbps 양방향 광엔진 Passage L20을 발표했습니다. 이 수치와 성능 설명은 Lightmatter의 공식 발표 기준이며 실제 시스템 환경의 성능은 적용 구조에 따라 달라질 수 있습니다.

Lightelligence는 조금 다른 방향의 사례입니다. 이 회사가 2025년 공개한 PACE 2 가속 카드는 128×128 광학 행렬 연산 구조와 8비트 광학 출력 정밀도를 제시하고 있으며, PCIe를 통해 기존 컴퓨터에 연결하는 광전자 하이브리드 방식입니다. 이는 광학 행렬 연산이 연구실 밖의 시스템 형태로 발전하고 있음을 보여주는 사례지만, 범용 GPU를 대체하는 제품이라고 보는 것은 적절하지 않습니다.

GPU를 정말 대체할 수 있을까?

현재 공개된 기술을 보면 가까운 시기에 “GPU가 사라지고 포토닉 칩이 그 자리를 모두 차지한다”고 보는 것은 무리가 있습니다.

오히려 현실적인 방향은 역할 분담입니다.

  • GPU는 범용 AI 학습·추론과 제어를 담당하고
  • 광학 가속기는 특정 행렬 연산을 맡고
  • Optical I/O는 GPU·메모리·스위치 사이 데이터 이동을 담당하고
  • CPO는 대규모 AI 클러스터의 네트워크 효율을 높이는 식입니다.

쉽게 말하면 GPU와 포토닉 기술의 경쟁이라기보다 전자와 빛을 적절한 곳에 각각 사용하는 하이브리드 시스템에 더 가깝습니다.

최근 Nature Photonics의 2026년 분석도 포토닉 가속기가 기존 디지털 생태계 안에서 활용될 수 있는 현실적인 전략이라는 방향에 무게를 두고 있습니다.

아직 해결해야 할 문제가 많다

포토닉 컴퓨팅에는 분명 매력적인 가능성이 있지만 넘어야 할 장벽도 적지 않습니다.

  • 레이저와 광원의 전력 및 집적 문제
  • 전기-광·광-전기 변환 비용
  • 광학 손실
  • 아날로그 연산의 노이즈와 정밀도
  • 온도 변화에 따른 광학 소자의 특성 변화
  • 메모리와 광학 연산기의 연결
  • 비선형 연산 구현
  • 대규모 칩 제조와 패키징
  • 프로그래밍 도구와 소프트웨어 생태계
  • 기존 GPU·CPU 시스템과의 통합

특히 AI 모델은 행렬 곱만으로 움직이지 않습니다. 메모리 접근과 데이터 변환, 활성화 함수, 제어 연산 등 다양한 과정이 필요합니다.

따라서 특정 광학 계산 한 부분이 매우 빠르더라도 시스템 전체의 속도와 에너지 효율은 별도로 검증해야 합니다.

AI 데이터센터는 어떻게 달라질까?

앞으로 가장 먼저 체감할 변화는 “GPU 대신 빛으로 계산한다”기보다 “GPU 사이를 빛으로 더 효율적으로 연결한다”가 될 가능성이 있습니다.

AI 시스템이 수천 개에서 수만 개의 가속기로 확장될수록 GPU 한 개의 성능 못지않게 가속기 사이의 대역폭과 전력 소비가 중요해지기 때문입니다.

Intel의 Optical I/O, NVIDIA의 CPO 네트워크, ETRI의 광기반 컴퓨팅 자원 연결, Lightmatter의 광인터커넥트가 모두 이 문제를 겨냥하고 있다는 점은 주목할 만합니다.

앞으로 우리가 주목해야 할 부분

포토닉 AI를 볼 때는 “GPU보다 몇 배 빠른가?”라는 숫자 하나보다 다음 질문이 더 중요합니다.

첫째, 빛이 실제 계산을 담당하는가, 아니면 데이터 전송을 담당하는가?

둘째, 논문 속 실험인가, 시제품인가, 실제 판매·배치되는 제품인가?

셋째, 광학 연산만 측정한 수치인가, 메모리와 변환 회로까지 포함한 시스템 전체 성능인가?

넷째, 회사가 발표한 예상치인가, 독립적으로 검증된 실측 결과인가?

이 기준으로 보면 포토닉 AI 기술의 현재 위치를 훨씬 정확하게 이해할 수 있습니다.

마무리

“GPU 다음은 빛이다”라는 표현은 흥미롭지만, 지금의 기술 상황을 그대로 설명하는 문장이라고 보기는 어렵습니다.

포토닉 AI 컴퓨팅은 GPU를 당장 없애는 기술이라기보다 AI 시대에 커지고 있는 연산과 데이터 이동의 부담을 줄일 수 있는 차세대 AI 가속 기술 후보입니다.

특히 실리콘 포토닉스, Optical I/O, Co-Packaged Optics는 대규모 AI 데이터센터의 통신 병목을 개선하는 현실적인 기술로 빠르게 발전하고 있습니다.

동시에 실제 AI 연산 자체를 빛으로 처리하는 광학 가속기도 계속 발전하고 있습니다. 다만 전기·광 변환, 정밀도, 메모리, 제조, 소프트웨어라는 현실적인 문제가 남아 있습니다.

결국 AI 반도체의 미래는 “전기냐 빛이냐”의 단순한 승부보다는 전자식 GPU와 메모리, 광학 연산기, 실리콘 포토닉스 통신 기술이 서로 역할을 나누는 방향에서 먼저 모습을 드러낼 가능성이 큽니다.

#GPU의 전력·데이터 이동 한계를 보완할 포토닉 AI 컴퓨팅의 원리부터 실리콘 포토닉스#상용화 현황과 한계까지 쉽게 정리합니다.