도이체방크 "100% 상승한 브로드컴이 더 오를 수 있는 까닭은"

(서울=연합인포맥스) 배수연 기자 = 지난 1년 동안 주가가 100%나 급등한 브로드컴(NAS:AVGO)이 추가 상승할 수 있다고 도이체방크가 진단했다. 브로드컴이 월가에 인공지능(AI) 관련 지출을 늘리고 있다는 점을 보여주고 있다는 이유에서다.

8일(현지시간) 투자전문 매체인 마켓워치에 따르면 도이체방크의 분석가인 로스 세이모어는 보로드컴에 대한 투자의견을 '매수' 등급으로 재확인하고 목표주가를 1천500달러로 제시하면서 이같이 주장했다.

그는 브로드컴이 세 가지 잠재적인 촉진 요인 덕분에 주가 상승 여력이 있다고 주장했다. 그는 브로드컴이 인공지능 부문은 물론 최근 마무리된 클라우딩 컴퓨팅업체 브이엠웨어(VMware)의 인수로부터도 수혜를 볼 것으로 진단했다. 여기에다 경기 순환적인 사업 부문도 회복세를 보일 것으로 점쳐졌다.

브로드컴의 맞춤형 반도체(custom-silicon business) 사업 부문은 검색 및 소셜 네트워킹과 같은 소비자 중심의 AI 시대에 중요한 역할을 차지하는 것으로 평가됐다. 맞춤형 반도체(custom-silicon business) 사업 부문은 주로 특정 기업이나 조직의 요구에 맞게 디자인되고 제조된 반도체 제품을 제공하는 비즈니스다. 이는 해당 기업의 고유한 기술 요구사항이나 제품 명세에 따라 개발된 솔루션을 의미한다.

주로 대형 기업이나 기술 기업들이 자사의 제품 라인에 적합한 반도체 솔루션을 개발하기 위해 커스텀 실리콘 비즈니스를 활용한다. 이를 통해 기업은 자사의 제품을 다른 시장 경쟁사와 구별할 수 있고, 자사의 고유한 요구사항을 충족시키며, 제품의 성능과 효율성을 향상시킬 수 있다.

분석가인 세이모어는 현재 브로드컴은 주요 두 고객사인 구글의 지주사인 알파벳과 페이스북의 지주사인 메타에 이어 주요 고객을 확보했다고 언급한 점을 주목했다. 새로운 주요 고객사는 아직 특정되지 않았다.

그는 "이런 고객사 확보와 관계 유지는 여래 해 동안 협업의 결과물이다"면서 "AI 작업량이 증가함에 따라 저전력 및 총 보유 비용이 중요해졌다"고 강조했다. 브로드컴이 연산을 위한 디자인 플로우(design flow)와 성능 아키텍처(performance architecture)를 통해 직접 해결할 필요가 있다는 의미라고 그는 덧붙였다. 디자인 플로우는 반도체나 전자 제품 등을 개발하는 과정에서 사용되는 단계적인 설계 및 개발 프로세스를 나타낸다. 성능 아키텍처는 시스템이나 제품의 성능을 최적화하기 위해 설계된 구조나 방법론을 의미한다. 이는 주로 하드웨어 시스템이나 소프트웨어 애플리케이션에 적용되며, 시스템이나 제품이 요구되는 성능 목표를 달성하는 데 필요한 기술적인 설계와 구성을 정의한다.

그는 브로드컴의 AI 분야에서의 선도적 지위가 강화되고 수요도 확대되고 있다고 강조했다.

한편 브로드컴은 TPU(텐서 처리 장치) 부문에서 독보적인 위치를 선점하면서 주가 상승을 견인한 것으로 진단됐다. TPU(Tensor Processing Unit)는 구글에서 제작한 NPU(Neural Processing Unit)의 이름이다. NPU는 GPU에 신경망에서 처리해야 하는 곱셈 연산을 나눠서 시키는 불편함과 자원의 낭비를 줄이거나, NPU 제작 업체가 필요한 사양을 추가하는 등의 NNP(Neural Network Processing)에 특화된 반도체를 일컫는다. TPU 가 탑재된 시스템도 엔비디아 또는 퀄컴에서 제작한 NPU와 하는 일이 크게 다르지 않다.

CPU(Centralized Processing Unit)는 컴퓨터의 아버지 폰노이만이 맨하탄 프로젝트 당시 논문에서 제안했던 전자계산기 기본 구조를 따라 발전해 왔다. 폰노이만 아키텍쳐는 유연한 계산 능력이라는 장점이 뚜렷한 구조다. 순차적인 계산을 통해 이전 계산 결과와 다음 계산 결과의 유기적인 연계가 가능한 구조이기도 하다. 직렬(순차) 실행으로 인한 문제점을 안고 있다.

GPU(Graphic Processing Unit) 초기에는 그래픽 처리에 필요한 대량 연산을 수행하기 위한 형태로 출발했다. 그래픽 처리할 때 일반적으로 빛과 관찰자의 위치를 어떻게 가정하느냐에 따라 수많은 연산이 발생하게 된다. 이러한 연산들은 그래픽 해상도나 텍스쳐의 정교한 정도에 따라 다르지만 일반적인 CPU 연산에 비해 엄청나게 많은 수의 부동소수점 곱셈 연산을 발생시킨다.

GPU는 단순한 형태의 대량 계산을 CPU로부터 독립시키기 위하여 고안된 코프로세서(Co-processor)다. GPU가 인공지능(AI)에 필수적인 이유가 바로 여기에 있다. AI 추론이나 학습을 할 때 핵심적으로 필요한 연산은 매트릭스 합성곱(convolution) 연산이기 때문이다. 합성곱 연산을 통해 이미지에서 필터가 지정한 방향에 따른 경계선 모양을 대략적으로 알아낼 수 있다. 이런 작업을 딥러닝에서는 '특징추출(feature extraction)'이라고 한다. 여러 번 이런 식으로 추출한 'feature map'을 적절하게 변형한 다음 정답과 맞추어 보고 최대한 알고 있는 정답에 근접하도록 각 필터의 가중치를 수정해 나가는 것이 딥러닝 모델 학습 과정이다.

neo@yna.co.kr