[12월29일]국내 AI 편집저작물 등록 급증,TSMC '광 반도체' 경쟁 포문,양자화 모델성능 감소?

타이틀을 '검색' 하시면 원문 기사 확인이 가능 합니다.

 

2024년  12월 29일(일) 주요 IT 뉴스

국내 AI 편집저작물 등록 급증…카메라·배우 없는 영화 현실로

AI영화, 나야 문희

AI 영화 시대의 도래 및 저작권 이슈

 

생성형 AI가 영상 제작 환경에 지각변동을 일으키며 카메라·배우 없는 AI 영화가 현실로 다가섰다. 현행 저작권법은 AI를 저작권자로 인정하지 않고 있으나...

 

 

AI 영화 개봉

• 국내 최초 100% AI 영화 개봉: '나야, 문희'(배우 나문희 디지털 초상 사용), 'M호텔'(AI 솔루션으로 제작)
• AI 영화의 상업적 가능성과 실험적 성격 평가

 

저작권법과 AI 창작물

• 인공지능은 저작권자로 인정되지 않음
• 인간의 창작성(편집·배열 등)이 추가된 경우 편집저작물로 저작권 등록 가능
• 인공지능 산출물 포함 저작물 등록 건수: 2023년 1건 → 2024년 10건

 

AI 영상 기술 발전

• 주요 기업의 영상 생성형 AI 서비스 출시: 오픈AI('소라'), 구글('비오'), 메타('무비 젠'), 어도비('파이어플라이 비디오 모델')
• 텍스트 투 비디오 시장 규모: 2023년 1억 6320만 달러 → 2031년 14억 120만 달러, 연평균 성장률 36%

 

저작권 문제와 과제

• 인공지능 학습 데이터의 저작권 문제
• 인공지능 산출물과 인간 창작물의 구별 문제

 

 

TSMC '광 반도체' 경쟁 포문…전방위 협력체계 구축 팔걷어

 

 

빛으로 반도체 신호를 주고 받는 '광 반도체' 시장이 열린다. TSMC가 내년 양산을 앞두고 본격적인 공급망을 구축, 선제적인 시장 선점에 나섰다. 삼성전자와 인텔도 곧 시장에 가세할 예정이라 주도권 다툼이 예상된다.

 

광 반도체(Optical Semiconductor):

• 전기 신호 대신 빛 신호를 이용해 데이터를 전송·처리하는 반도체.
• 기존 전기 기반 반도체보다 속도가 수백 배 빠르고 전력 소모가 적음.
• 주로 실리콘 포토닉스(Silicon Photonics) 기술을 기반으로 개발.
• 데이터센터, 인공지능 반도체 등 고성능·저전력이 요구되는 분야에서 활용 기대.
• 광섬유를 이용한 신호 입출력(I/O) 기술이 핵심.

 

 

광 반도체 시장 개척 및 경쟁

• TSMC의 선제적 행보
  • 내년 양산 목표, 공급망 구축 및 협력사와 장비 개발 착수
  • 국내외 협력사와 파트너십 조성, 본격 양산 준비
• 광 반도체 기술 특징
  • 전기 신호를 빛 신호로 전환, 성능 향상 및 전력 소모 감소
  • 반도체 속도 수백 배 증가, 인공지능 및 첨단 반도체 업계 주목
  • 광 섬유 연결로 높은 기술 난도, 신규 장비 및 공정 필요
• 시장 경쟁 상황
  • TSMC: 엔비디아와 협력, 주요 고객사 확보 유력
  • 삼성전자: 2027년 양산 목표, 기술 개발 진행 중
  • 인텔: 장기적 기술 개발 경험, 경영난으로 양산 시점 불확실
• 향후 전망
  • TSMC의 빠른 양산 준비로 시장 선점 예상
  • 삼성전자·인텔의 추격 및 시장 주도권 경쟁 전망

 

 

 

"AI 추론 비용 낮추는 양자화, 모델 성능까지 떨어뜨려"

 

AI 모델 추론 비용 절감 위한 '양자화' 기술 논란

 

양자화 기술 개요

• • 인공지능 모델 추론·훈련 비용 및 전력 소비를 줄이기 위해 숫자 정밀도를 낮추는 기술
  • 데이터 처리 및 계산 속도 향상, 단순화된 답변 가능

 

LLM(대규모 언어 모델)에서의 양자화

• 정의:
  • LLM이 연산 시 사용하는 숫자 정밀도를 낮추어 모델 추론 및 훈련 효율성을 높이는 기술.
  • 주로 32비트 부동소수점(FP32) 정밀도를 16비트(FP16), 8비트(INT8) 등 더 낮은 정밀도로 변환.
• 목적:
  • 모델의 메모리 사용량 감소
  • 연산 속도 향상 및 추론 비용 절감
  • 전력 소모 최적화
• 작동 원리:
  • LLM의 가중치와 활성화 값(activation)을 저정밀도 데이터 형식으로 변환.
  • 낮은 정밀도에서도 성능 손실을 최소화하도록 수학적 근사와 최적화 기법 적용

양자화의 유형

• 한계 및 문제점
  • 모델 정밀도 감소로 성능 저하 발생 가능
  • 복잡한 작업 처리 불가 및 환각현상 발생 우려
  • 메타 '라마3', 양자화 후 성능 저하 사례 보고
• 연구 결과
  • 모델 규모가 클수록 양자화의 부정적 영향 증가
  • 장기간 학습한 모델일수록 성능 저하 가능성 높음
• 해결 방안 제안
  • 높은 품질 데이터를 선별적으로 활용
  • 저정밀도 환경에서도 안정적인 새로운 인공지능 아키텍처 필요