AI 서비스를 돌리는 반도체가 부족하다는 말은 많지만, 새 칩을 설계하는 일도 큰 병목입니다. Ricursive Intelligence는 AI가 칩의 부품 배치와 연결을 설계하고, 한 번의 설계 경험을 다음 칩에 반영하는 반복 학습 방식을 개발하고 있습니다. 공동창업자들은 2026년 10월 14일 TechCrunch Disrupt에서 지금 수개월에서 수년이 걸릴 수 있는 설계 과정을 장기적으로 몇 주 수준까지 줄이겠다는 목표를 설명했습니다.
AI는 칩에서 무엇을 정하나요?
칩 안에는 계산, 메모리, 전력과 통신을 담당하는 수많은 요소가 좁은 공간에 배치됩니다. 서로 너무 멀면 전력과 시간이 낭비되고, 열과 신호 간섭까지 고려해야 합니다. 전통적으로 엔지니어가 큰 설계를 여러 블록으로 나누어 최적화하지만 Ricursive는 전체 칩을 더 넓게 보고 예상 밖의 배치를 탐색하려 합니다. 창업자들이 이전에 Google에서 개발한 AlphaChip은 사람이 생각하지 못한 둥근 모양의 배치를 찾아 실제 Google TPU 세대 설계에 활용된 전례가 있습니다.
왜 데이터센터 전기 문제와 연결되나요?
AI 수요가 늘 때 칩 수만 늘리면 데이터센터의 전기, 냉각수, 건설비도 함께 커집니다. 같은 작업을 더 적은 전력과 더 높은 처리량으로 수행하는 칩을 빠르게 설계하면 필요한 서버 수와 운영비를 줄일 가능성이 있습니다. 특정 의료기기, 자동차, 우주장비처럼 생산량이 적어 전용칩 개발비를 감당하기 어려웠던 분야도 설계기간과 비용이 낮아지면 맞춤형 칩을 선택할 수 있습니다.
AI가 설계했다고 바로 공장에 보내는 것은 아닙니다
반도체는 작은 오류 하나가 수백만 달러의 생산 손실로 이어질 수 있습니다. AI가 만든 배치는 논리 검증, 타이밍, 발열, 제조공정 규칙과 실제 실리콘 시험을 거쳐야 합니다. ‘일주일 만에 설계’라는 목표가 전체 개발기간인지 일부 배치작업인지도 구분해야 합니다. 설계도 보안, 학습자료의 권리, 오류 책임과 반도체 공장 수용능력은 AI만으로 해결되지 않습니다.
뉴스를 읽을 때 확인할 숫자
- 설계 시간이 줄었다면 시작점과 끝점이 무엇인지 확인합니다.
- AI 배치가 사람 설계보다 전력·면적·속도에서 얼마나 나았는지 봅니다.
- 시뮬레이션 결과인지 실제 제작한 칩의 측정치인지 구분합니다.
- 특정 공정과 한 개 칩에서만 성공했는지 여러 설계로 재현됐는지 확인합니다.
- 투자금액이나 기업가치보다 고객과 양산실적을 우선 봅니다.
Microsoft의 자체 칩은 Maia 300 설명, NVIDIA 성장 배경은 젠슨 황 이야기, 미국 AI 인프라 투자는 Helix 데이터센터 투자 기사도 참고하세요.
확인한 출처
TechCrunch 인터뷰(2026년 10월 14일)와 Google DeepMind의 AlphaChip 설명을 확인했습니다. Ricursive의 미래 성능 주장은 실제 양산자료가 더 필요합니다.
컴친 한줄 정리: AI 칩 설계의 가치는 빠른 그림보다 실제 생산된 칩이 전력·속도·오류 기준을 통과하는지로 판단해야 합니다.
