Booil Jung

2024년 이후 FPGA 기술 현황

FPGA(Field-Programmable Gate Array) 시장은 AI, 5G, 자동차 애플리케이션의 수요 급증에 힘입어 빠른 성장과 근본적인 변혁의 시기를 맞이하고 있습니다. 기술은 단순히 프로그래밍 가능한 게이트의 집합체에서, 하드웨어 프로세서 코어, 특화된 AI 엔진, 첨단 인터커넥트를 결합한 고도로 통합된 이기종 “적응형 SoC(Adaptive SoC)” 또는 “ACAP(Adaptive Compute Acceleration Platform)”으로 진화하고 있습니다. AMD와 인텔 같은 거대 기업들이 주도하는 이러한 아키텍처의 변화는 전례 없는 성능과 효율성을 창출하는 동시에, 소프트웨어와 프로그래밍 용이성이라는 중대한 병목 현상을 드러내고 있습니다. 이제 경쟁 구도는 실리콘의 성능뿐만 아니라, 고수준 합성(HLS, High-Level Synthesis)을 핵심으로 하는 소프트웨어 생태계의 강점에 의해 결정됩니다. 미래는 AI 기반 설계 도구, 구성 가능한 칩렛(Chiplet) 아키텍처, 그리고 이 강력한 장치를 더 넓은 소프트웨어 개발자 기반이 접근할 수 있도록 만드는 경쟁으로 정의될 것입니다.

전 세계 FPGA 시장은 상당한 확장이 예상됩니다. 2024년 130억 달러 규모로 평가된 이 시장은 연평균 복합 성장률(CAGR) 11.5%로 성장하여 2030년에는 251억 달러에 이를 것으로 전망됩니다.1 이처럼 견고한 성장률은 FPGA가 전통적인 틈새 시장을 넘어 건강하게 확장되고 있음을 시사합니다.

특정 부문에서는 훨씬 더 공격적인 성장이 관찰됩니다. 예를 들어, FPGA, GPU, ASIC을 탑재한 AI 서버 시장은 2024년에만 42% 성장하고, 2025년까지 28%가 넘는 연평균 성장률을 유지할 것으로 예상됩니다. 이는 FPGA가 급성장하는 AI 인프라 시장의 핵심 구성 요소이며, 2025년까지 전체 서버 시장의 15%를 차지할 것임을 나타냅니다.2

시장은 또한 집적도에 따라 세분화됩니다. 2024년 1억 7천만 달러 규모의 중밀도(Medium-density) FPGA 시장은 2033년까지 6억 7천만 달러로 성장할 것으로 예상되며 3, 2023년 15억 9천만 달러 규모였던 임베디드 FPGA 시장은 2030년까지 연평균 10.8% 성장하여 24억 4천만 달러에 이를 것으로 보입니다.4

FPGA 시장의 폭발적인 성장은 몇 가지 핵심적인 기술 메가트렌드에 의해 촉발되고 있습니다.

• AI 및 데이터센터 가속화: 이는 단일 성장 동력 중 가장 큰 비중을 차지합니다. 최신 데이터센터에서 FPGA는 범용 CPU 대비 우수한 에너지 효율과 고성능으로 특정 워크로드를 가속화하는 데 필수적입니다.5 머신러닝 추론, 빅데이터 분석, 네트워크 가상화, 데이터 스토리지 최적화와 같은 작업에 사용됩니다.3 특히 빠르게 진화하는 AI 알고리즘 환경에서 하드웨어를 특정 알고리즘에 맞게 맞춤화할 수 있는 능력은 FPGA의 핵심 장점입니다.5
• 5G 및 통신 인프라: 5G 네트워크의 확산은 거대한 촉매제 역할을 합니다. FPGA는 기지국, 무선 장치, 엣지 컴퓨팅 장비에서 고속 데이터 처리, 실시간 분석, 프로토콜 변환, 베이스밴드 처리, 빔포밍과 같은 핵심 기능에 사용됩니다.3 특히 변화하는 5G 표준에 적응해야 하는 필요성 때문에 현장에서 재프로그래밍이 가능한 FPGA의 특성은 매우 중요합니다.4 통신 부문은 FPGA 애플리케이션의 약 40%를 차지합니다.6
• 자동차 전자장치: 현대 자동차는 바퀴 달린 데이터센터로 변모하고 있습니다. FPGA는 첨단 운전자 보조 시스템(ADAS), 자율 주행 플랫폼, 차량 내 인포테인먼트, 차량 네트워킹에 채택되고 있습니다.3 센서 융합(이미지 처리, LiDAR, 레이더)을 위한 병렬 처리 능력은 FPGA의 핵심적인 이점입니다.4
• IoT 및 인텔리전트 엣지: IoT 장치의 확산은 엣지에서의 에너지 효율적이고 유연한 처리를 요구합니다. 임베디드 FPGA는 전력이 제한된 환경에서 엣지 컴퓨팅, 센서 인터페이스, 맞춤형 가속기 구현에 필요한 효율성과 유연성의 균형을 제공합니다.4
• 항공우주 및 국방: 이 분야는 전체 시장 점유율의 약 25%를 차지하는 안정적이고 중요한 시장입니다.6 레이더, 소프트웨어 정의 라디오(SDR), 위성 통신과 같은 애플리케이션에서 요구되는 고신뢰성, 긴 수명 주기, 보안 솔루션에 FPGA는 이상적인 선택입니다.6

이러한 시장 동향은 단순한 양적 성장을 넘어 질적인 변화를 내포하고 있습니다. 시장 성장은 모든 종류의 FPGA에서 균일하게 나타나는 것이 아니라, 하드 프로세서나 AI 엔진과 같은 이기종 컴퓨팅 요소를 갖춘 장치에 불균형적으로 집중되고 있습니다. 이는 시장이 순수한 FPGA에서 ‘적응형 SoC’로의 전환을 보상하고 있음을 명확히 보여줍니다. AI, 5G, 자동차와 같은 주요 애플리케이션은 전통적인 제어 처리(CPU 담당), 집약적인 병렬 신호 처리(DSP 담당), AI 추론 가속(AI 엔진 담당)의 조합을 필요로 합니다.8 AMD의 Versal이나 인텔의 Agilex와 같은 최신 제품군은 이러한 다양한 컴퓨팅 요소를 단일 칩에 통합한 이기종 플랫폼으로 명시적으로 설계되었습니다.9 따라서 시장 성장은 단순히 ‘더 많은 프로그래머블 로직’에 대한 것이 아니라, FPGA를 여러 핵심 구성 요소 중 하나로 사용하는 통합된 애플리케이션별 플랫폼에 대한 수요 증가를 의미합니다. 가치 제안은 단순한 재프로그래밍 가능성에서 이기종 가속화로 이동했습니다. 이는 전통적인 단일 아키텍처에만 집중하는 기업들이 틈새 시장으로 밀려날 수 있음을 암시하며, 미래는 이러한 복잡한 다중 엔진 장치를 위한 통합된 소프트웨어 경험을 성공적으로 제공하는 공급업체의 것이 될 것입니다. 이제 경쟁은 로직 셀 수준이 아닌 플랫폼 수준에서 벌어지고 있습니다.

표 1: 전 세계 FPGA 시장 전망 (2024-2030)

연도	전체 FPGA 시장 가치 (십억 달러)	예상 CAGR (%)	핵심 부문 동인
2024	13.0 1	11.5% 1	AI 서버, 5G 인프라
2025	-	>28% (AI 서버) 2	데이터센터 가속, 자동차 ADAS
2030	25.1 1	11.5% 1	엣지 AI, 이기종 컴퓨팅

FPGA의 핵심은 디지털 로직을 구현하는 기본 빌딩 블록인 구성 가능 로직 블록(CLB, Configurable Logic Blocks) 또는 로직 셀 어레이(LCA, Logic Cell Array)의 매트릭스로 구성됩니다.7 각 CLB는 일반적으로 룩업 테이블(LUT, Look-Up Tables), 멀티플렉서, 플립플롭을 포함합니다.7

이러한 CLB들은 방대하고 프로그래밍 가능한 라우팅 네트워크에 의해 상호 연결되며, 이것이 FPGA에 유연성을 부여하는 핵심 요소입니다.12 그러나 이 라우팅 패브릭은 동시에 FPGA가 ASIC에 비해 갖는 주요 단점의 원인이기도 합니다. 즉, 상당한 면적(최대 90%), 전력, 그리고 전파 지연을 유발합니다.13 칩 주변의 입출력 블록(IOB, Input/Output Blocks)은 내부 로직을 외부 세계와 연결합니다.12

프로그래밍 자체는 기반 기술에 의해 가능해지며, SRAM 기반 기술이 재프로그래밍 가능성과 표준 CMOS 공정과의 호환성 덕분에 지배적인 위치를 차지하고 있습니다. 이는 비휘발성과 면적 비용이라는 단점에도 불구하고 널리 사용되는 이유입니다.13

최신 FPGA의 가장 중요한 기술 동향은 균일한 로직 셀 패브릭에서 벗어나 이기종 아키텍처로의 전환입니다. 이는 복잡하고 전력 집약적인 워크로드를 처리하는 데 있어 순수 프로그래머블 로직의 한계에 대한 직접적인 대응입니다.13 모든 것을 “소프트” 로직으로 구현하는 대신, 공급업체들은 공통적이고 성능이 중요한 기능을 위해 하드웨어화된 전용 실리콘 블록을 통합하고 있습니다.

• 프로세서 서브시스템 (PS, Processor Subsystems): 멀티코어 Arm Cortex-A(애플리케이션) 및 Cortex-R(실시간) 프로세서를 다이에 직접 통합합니다. 이를 통해 FPGA는 리눅스와 같은 운영체제를 실행하고, 복잡한 제어 흐름을 관리하며, 독립적인 시스템 온 칩(SoC)으로 기능할 수 있습니다.9
• AI 및 DSP 엔진: AI와 5G에서 흔히 사용되는 행렬 연산 및 신호 처리 작업을 위해 특별히 설계된 특수 벡터 프로세서(AMD의 AI 엔진 등) 또는 텐서 블록(인텔의 AI 텐서 블록 등)을 포함합니다.9 이러한 엔진들은 범용 로직으로 구현하는 것에 비해 해당 작업에서 월등한 와트당 성능을 제공합니다.9
• 첨단 메모리 및 I/O: 고대역폭 메모리(HBM), DDR5 컨트롤러, PCIe Gen5, 400G 이더넷 MAC과 같은 인터페이스를 위한 하드웨어 IP를 통합합니다.9 이러한 인터페이스를 하드웨어화하면 예측 가능한 성능을 보장하고 프로그래머블 로직을 맞춤형 작업에 사용할 수 있도록 해제합니다.
• 프로그래머블 네트워크 온 칩 (NoC, Network-on-Chip): 이는 단순한 라우팅을 넘어서는 혁명적인 단계입니다. NoC는 모든 이기종 요소(프로세서, AI 엔진, 메모리 컨트롤러, 로직 패브릭)를 연결하는 전용 고대역폭, 저지연 인터커넥트입니다.9 이는 데이터 이동 아키텍처를 컴퓨팅 아키텍처에서 분리하여 이전 세대 FPGA의 주요 병목 현상을 해결하고, 부팅 시 진정한 소프트웨어 프로그래머블 데이터 흐름을 가능하게 합니다.16

이러한 이기종 통합을 가능하게 하는 몇 가지 근본적인 아키텍처 혁신이 있습니다.

• 칩렛 아키텍처 및 첨단 패키징: 크고 단일화된 다이의 복잡성과 비용을 관리하기 위해 공급업체들은 첨단 2.5D/3D 패키징을 사용하는 칩렛 기반 전략(자일링스의 ASMBL 아키텍처 등)을 채택하고 있습니다.22 이를 통해 서로 다른 실리콘 서브시스템(예: 한 공정 노드에서 만든 로직 다이, 다른 공정 노드에서 만든 I/O 다이)을 “혼합하고 매칭”하여 특정 도메인 플랫폼을 신속하고 비용 효율적으로 만들 수 있습니다.22 이러한 모듈성은 이기종 트렌드의 핵심 동력입니다.
• 공정 기술 리더십: 최첨단 FPGA는 이제 16nm, 10nm, 7nm와 같은 첨단 FinFET 공정 노드에서 제조되고 있으며, 이는 성능과 전력 효율을 개선하는 데 매우 중요합니다.11 이를 통해 GPU 및 ASIC과 같은 다른 고성능 실리콘과 경쟁력을 유지할 수 있습니다.

이러한 변화는 현대 “FPGA”가 더 이상 단순한 FPGA가 아니라는 점을 분명히 합니다. 이는 자일링스/AMD가 만든 용어인 ACAP(Adaptive Compute Acceleration Platform)이 새로운 패러다임을 정확하게 설명하는 것처럼, 완전한 적응형 컴퓨팅 가속 플랫폼으로 진화했습니다.16 전통적인 FPGA는 프로그래머블 로직, 라우팅, I/O로 정의되며 그 가치는 유연성에 있었습니다.12 그러나 Versal 및 Agilex와 같은 현대 장치는 CPU, NPU(AI 엔진/텐서 블록), 전용 메모리 컨트롤러 및 NoC를 통합합니다.9 이러한 하드웨어 블록은 로직 패브릭과 같은 방식으로 프로그래밍되지 않으며, 소프트웨어로 프로그래밍되거나(CPU처럼) 특정 목적을 위해 구성됩니다(AI 엔진처럼). NoC는 이러한 이질적인 요소들이 FPGA 패브릭의 프로그래머블 라우팅 리소스를 소모하지 않고 효율적으로 통신할 수 있는 시스템을 만듭니다.16 이는 장치의 주요 기능이 더 이상 맞춤형 로직을 구현하는 것뿐만 아니라, 워크로드의 다른 부분을 가장 효율적인 엔진(제어는 CPU, AI는 NPU, 맞춤형 로직은 FPGA 패브릭)에 매핑하여 전체 애플리케이션을 가속화하는 플랫폼을 제공하는 것으로 바뀌었음을 의미합니다. 이러한 변화는 이러한 장치를 설계, 판매, 사용하는 방식을 근본적으로 바꾸며, 핵심 과제는 HDL 기반 로직 설계에서 시스템 수준의 분할 및 소프트웨어 개발로 이동합니다. 가치는 더 이상 “FP”(Field-Programmable) 부분에만 있는 것이 아니라 “A”(Adaptive) 및 “C”(Compute) 측면에 있습니다. 이는 이러한 장치를 프로그래밍하는 데 필요한 기술과 소프트웨어 도구에 막대한 영향을 미치며, 이는 5장에서 자세히 다룰 것입니다.

FPGA 시장은 세 개의 주요 업체가 지배하고 있으며, 각각은 뚜렷한 전략적 초점을 가지고 있습니다. AMD와 인텔은 고성능 시장에서 치열하게 경쟁하는 반면, 래티스 반도체는 저전력, 중급 시장에서 독보적인 위치를 차지하고 있습니다.

• 전략: Versal을 통한 AMD의 전략은 핵심 ACAP 아키텍처를 기반으로 특정 시장 요구에 맞춰진 이기종 컴퓨팅 플랫폼 포트폴리오를 제공하는 것입니다.9 이 아키텍처는 스칼라 처리 시스템(Arm 코어), 적응형 하드웨어(프로그래머블 로직), 지능형 엔진(AI/DSP 엔진)을 네트워크 온 칩(NoC)으로 연결합니다.9
• 포트폴리오 심층 분석:
  • Versal Prime 시리즈: 광범위한 적용성을 위한 기반이 되는 중급 시리즈입니다.8
  • Versal Premium 시리즈: 가장 까다로운 컴퓨팅 및 네트워킹 애플리케이션을 위해 획기적인 네트워킹 및 전력 최적화 코어를 갖춘 하이엔드 장치로, 고속 트랜시버를 특징으로 합니다.8
  • Versal AI Core 시리즈: 5G 빔포밍 및 AI 추론과 같은 컴퓨팅 집약적인 작업을 위해 높은 AI 엔진 집적도를 갖추고, 획기적인 AI 추론 및 무선 가속을 제공합니다.8
  • Versal AI Edge 시리즈: ADAS 및 산업용 로봇과 같이 전력이 제한된 애플리케이션에서 최고의 와트당 성능을 제공하며, 엣지에서의 저지연 AI 추론에 최적화되어 있습니다.8
  • Versal HBM 시리즈: 고대역폭 메모리(HBM)를 패키지에 직접 통합하여 데이터센터 및 고성능 컴퓨팅에서 발견되는 메모리 집약적인 워크로드를 대상으로 합니다.9
• 핵심 기술 조명:
  • AI 엔진 (AIE): AI/ML 및 고급 DSP 워크로드 모두에 최적화된 소프트웨어 프로그래머블 VLIW SIMD 벡터 프로세서 배열입니다.9 이 하드 IP 접근 방식은 프로그래머블 로직으로 이러한 기능을 구현하는 것보다 막대한 면적 및 전력 이점을 제공합니다.9
  • 네트워크 온 칩 (NoC): Versal 아키텍처의 중추로서 다양한 컴퓨팅 엔진과 메모리 간의 효율적인 데이터 이동을 보장하며, FPGA 패브릭의 혼잡을 방지합니다.16
• 전략: 인텔/알테라의 전략은 자사의 첨단 공정 기술(인텔 7, 10nm)과 패키징 리더십을 활용하여 저전력, 비용 최적화 장치부터 데이터센터 및 네트워킹을 위한 최고 성능의 FPGA까지 확장되는 계층화된 포트폴리오를 제공하는 것입니다.11 또한 PCIe 5.0 및 CXL(Compute Express Link)과 같은 차세대 I/O 통합에 크게 집중하고 있습니다.19
• 포트폴리오 심층 분석:
  • Agilex 3 시리즈: 산업, 비디오, IoT 애플리케이션을 위해 Arm Cortex-A55 코어와 AI 텐서 블록을 통합한 저전력 공간을 위한 전력 및 비용 최적화 FPGA입니다.10
  • Agilex 5 시리즈: 성능과 전력 효율의 균형을 제공하는 중급 FPGA로, Arm Cortex-A76/A55 코어, AI 텐서 블록, 최대 28.1 Gbps 트랜시버를 갖추고 다양한 시장에 적합합니다.11
  • Agilex 7 시리즈: 업계 최고의 패브릭을 갖춘 고성능 제품군으로, PCIe 5.0, CXL 및 최대 116 Gbps 트랜시버를 지원합니다. F-시리즈(일반), I-시리즈(인터페이스 집약적), M-시리즈(HBM 포함) 등의 변형이 있습니다.11
  • Agilex 9 시리즈: 가장 까다로운 국방 및 통신 시스템을 위해 최대 64 Gsps의 광대역 데이터 변환기를 통합하여 직접 RF 애플리케이션을 대상으로 하는 최상위 장치입니다.11
• 핵심 기술 조명:
  • HyperFlex 아키텍처: 와트당 성능을 향상시키기 위해 설계된 인텔의 핵심 패브릭 아키텍처입니다.10
  • AI 텐서 블록: AI(INT8) 연산을 가속화하기 위해 DSP 패브릭 내에 설계된 하드웨어 블록으로, 일반 로직으로 AI를 구현하는 것보다 더 효율적인 대안을 제공합니다.10
  • 칩렛 기반 설계 (EMIB): 인텔의 EMIB(Embedded Multi-die Interconnect Bridge) 기술을 활용하여 패키지 내에서 서로 다른 칩렛(타일)을 연결함으로써 이기종 통합 및 CXL, HBM과 같은 기능 지원을 가능하게 합니다.17
• 전략: 래티스는 저전력, 소형 폼팩터, 중급 시장에서 전략적으로 리더십 위치를 확보했습니다. 그들의 초점은 AMD/인텔의 대규모 데이터센터 FPGA와 경쟁하는 것이 아니라, 엣지를 위한 고효율, 최적화된 솔루션을 제공하는 데 있습니다.24
• 플랫폼 전략: 래티스 Avant
  • 16nm FinFET 공정을 기반으로 하는 Avant 플랫폼은 처음부터 저전력 소비에 최적화되어 동급 경쟁 제품보다 최대 2.5배 낮은 전력을 제공합니다.24
  • 로직 대비 DSP 및 임베디드 메모리의 비율이 높아 엣지 AI/ML 및 컴퓨터 비전 알고리즘에 매우 효율적입니다.24
  • 포트폴리오는 Avant-E(동급 최고의 효율성), Avant-G(범용), Avant-X(고속 연결성)와 같은 제품군으로 세분화됩니다.31
• 목표 시장 지배력: 래티스는 산업 자동화(로봇 비전, 게이트웨이), 자동차(센서 브리징, ADAS, 차량 내 인포테인먼트), 통신(엣지 네트워킹), 소비자 가전과 같은 애플리케이션에서 탁월합니다.24 AEC-Q100 인증 부품을 제공하고 기능 안전 표준(ISO 26262)을 지원하는 데 중점을 두어 자동차 분야에서 강력한 플레이어가 되었습니다.33

경쟁 구도는 더 이상 단순한 양자 대결이 아닙니다. 이는 3계층의 전략적 전쟁터로 진화했습니다. AMD와 인텔은 고성능 데이터센터 및 하이엔드 애플리케이션 분야에서 우위를 점하기 위해 싸우고 있으며, 래티스는 전력에 민감한 중급 및 엣지 시장에서 성공적으로 ‘제3의 극’을 구축하고 방어하고 있습니다. AMD의 Versal 및 인텔의 Agilex 7/9 시리즈는 HBM, 100G+ 트랜시버, CXL 연결과 같은 기능을 통해 최고 성능 부문을 명확히 겨냥하고 있으며, 이는 데이터센터 및 하이엔드 네트워킹/국방 애플리케이션에서만 의미가 있습니다.9 그들의 주요 경쟁 상대는 서로이며, 또한 하이엔드 GPU와 ASIC입니다. 반면, 래티스의 Avant 플랫폼은 “중급” 애플리케이션을 명시적으로 대상으로 하며, 저전력(경쟁사보다 2.5배 낮음), 소형 패키지 크기(11x9 mm), 엣지에 맞춰진 기능(AI를 위한 높은 DSP/메모리 비율)과 같은 지표를 강조합니다.24 그들은 원시 테라플롭스로 경쟁하지 않습니다. 이러한 전략적 세분화는 시장 역학과 각 회사의 성공 가능성을 이해하는 데 핵심적입니다. 데이터센터 가속기를 구축하는 시스템 설계자는 Versal과 Agilex를 비교할 것이고, 배터리로 구동되는 스마트 카메라를 설계하는 설계자는 거의 독점적으로 래티스를 고려할 것입니다.

표 2: 주요 FPGA/SoC 제품군 비교 분석

기능	AMD Versal 시리즈	인텔 Agilex 시리즈	래티스 Avant 플랫폼
목표 시장	데이터센터, 5G, 자동차, A&D (고성능) 9	데이터센터, 네트워킹, RF (고성능) 17	엣지 AI, 산업, 자동차 (저전력 중급) 24
공정 노드	7nm 15	인텔 7 / 10nm 11	16nm FinFET 24
핵심 아키텍처	Arm 코어, AI 엔진, DSP 엔진, NoC 9	Arm 코어, AI 텐서 블록, HyperFlex 패브릭 10	저전력 아키텍처, 고밀도 DSP/메모리 24
최대 트랜시버 속도	>100 Gbps (Premium) 8	116 Gbps (Agilex 7) 20	25 Gbps 29
HBM 지원	예 (HBM 시리즈) 9	예 (Agilex 7 M-시리즈) 17	아니요
핵심 소프트웨어	Vitis 통합 소프트웨어 플랫폼 8	Quartus Prime Pro Edition 11	Radiant, Propel 30

FPGA의 가치는 특정 애플리케이션의 요구 사항을 충족시키는 능력에서 비롯됩니다. 특히 네 가지 주요 성장 시장에서 FPGA의 역할은 대체 불가능한 수준으로 부상하고 있습니다.

FPGA는 더 이상 주변 장치가 아니라 현대 데이터센터 아키텍처의 핵심 구성 요소가 되었습니다. 주요 역할은 가속화입니다.

• 네트워킹 가속 (SmartNICs/DPUs): FPGA는 호스트 CPU로부터 네트워킹, 보안, 스토리지 작업을 오프로드하는 데 사용됩니다. 여기에는 패킷 처리, 필터링, 암호화, 네트워크 기능 가상화(NFV)가 포함됩니다.3 프로그래밍 가능성은 새로운 프로토콜과 보안 위협에 적응할 수 있게 해줍니다.
• 컴퓨테이셔널 스토리지: FPGA를 스토리지 장치 가까이에 배치함으로써 압축, 암호화, 데이터베이스 가속과 같은 데이터 중심 계산을 데이터 자체에서 직접 수행하여 CPU로의 데이터 이동을 줄일 수 있습니다.5
• AI 추론 가속: GPU가 AI 훈련을 지배하는 반면, FPGA는 특히 저지연과 높은 에너지 효율이 요구되는 추론 분야에서 강력한 틈새 시장을 개척했습니다. 음성 인식, 금융 모델링과 같은 실시간 서비스에 이상적입니다.5 마이크로소프트는 Azure 클라우드 인프라에서 FPGA를 사용하여 이 분야의 주요 지지자였습니다.40

5G 및 개방형 RAN(O-RAN) 아키텍처로의 전환은 통신 분야에서 FPGA의 역할을 확고히 했습니다.

• 무선 장치 (RU, Radio Unit): FPGA는 대규모 MIMO, 빔포밍, 프로토콜 변환을 위한 고속 신호 처리를 포함한 디지털 프론트엔드(DFE) 처리에서 필수적입니다.3 예를 들어 인텔은 5G 무선 애플리케이션을 위해 Agilex를 적극적으로 홍보합니다.37
• 분산 장치 (DU) / 중앙 장치 (CU): 가상화된 RAN(vRAN) 아키텍처에서 FPGA는 서버의 가속 카드로 사용되어 계산 집약적인 레이어 1 기능을 CPU에서 오프로드하여 성능과 유연성의 균형을 제공합니다.41
• 적응성: 현장에서 재프로그래밍할 수 있는 능력은 통신사에게 새로운 기능을 배포하고 값비싼 하드웨어 교체 없이 진화하는 5G 표준에 적응할 수 있게 해주는 결정적인 기능입니다.4

FPGA는 첨단 자동차 시스템에서 중앙 처리 허브가 되고 있습니다.

• 센서 융합: 이것이 핵심 애플리케이션입니다. FPGA는 여러 이기종 센서(카메라, LiDAR, 레이더)로부터의 고대역폭 데이터 스트림을 병렬로, 그리고 낮고 결정적인 지연 시간으로 집계하고 처리하는 데 탁월합니다.4 이는 ADAS 및 자율 주행을 위한 안전에 매우 중요한 기능입니다.
• 엣지 AI: 자동차 등급 FPGA(예: 래티스 CrossLink-NX, AMD Versal AI Edge)는 차량 내에서 직접 객체 감지, 운전자 모니터링, 경로 계획을 위한 AI 추론 모델을 실행하는 데 사용됩니다.15
• 차량 내 인포테인먼트 (IVI) 및 디스플레이: FPGA는 비디오 처리, 디스플레이 브리징(예: MIPI 분할), 고해상도 실내 디스플레이 구동에 사용됩니다.7 마쓰다는 새로운 PHEV 모델의 안전에 중요한 ADAS 레이더 애플리케이션에 래티스 FPGA를 사용하고 있습니다.35

이 시장들은 FPGA의 전통적인 강점인 신뢰성, 보안, 긴 제품 수명 주기를 활용합니다.

• 항공우주 및 국방 (A&D): 애플리케이션에는 레이더 및 전자전(EW) 신호 처리, 보안 통신(암호화), 항공 전자 공학, 위성 탑재체가 포함됩니다.6 AMD는 군용 온도 범위 및 견고한 패키징과 같은 기능을 갖춘 특정 “국방 등급” Versal 장치를 제공합니다.8
• 산업: FPGA는 실시간, 결정론적 성능이 가장 중요한 공장 자동화에서 로봇 비전 및 제어, 산업용 네트워킹(시간 민감형 네트워킹), 모터 제어에 사용됩니다.24

이러한 다양한 애플리케이션을 관통하는 공통된 주제가 있습니다. FPGA의 결정적인 애플리케이션은 더 이상 일반적인 의미의 ‘유연성’이 아니라, 구체적으로 ‘저지연, 고대역폭 데이터 스트림 처리 및 융합’입니다. 데이터센터 SmartNIC에서는 고속 네트워크 데이터 스트림을 실시간으로 처리해야 합니다.7 5G 라디오에서는 빔포밍과 기저대역 기능을 위해 방대한 RF 데이터 스트림을 처리해야 합니다.3 자동차 ADAS에서는 여러 고해상도 센서 데이터 스트림(카메라, LiDAR, 레이더)을 융합해야 합니다.33 산업용 로봇 공학에서는 실시간 제어를 위해 비전 센서 스트림을 처리해야 합니다.24 이 모든 애플리케이션은 여러 고대역폭 데이터 스트림을 수신하고, 매우 낮고 예측 가능한 지연 시간으로 병렬 처리를 수행하며, 결과를 출력하는 공통된 패턴을 공유합니다. 이는 CPU가 순차 처리로 인해 제대로 처리하지 못하고, GPU가 배치 지향 아키텍처로 인해 더 높은 지연 시간으로 처리하는 워크로드입니다. 따라서 FPGA의 아키텍처적 강점은 실시간 데이터 파이프라인에 있습니다. 이는 FPGA를 ‘만능’으로 마케팅하는 대신, ‘데이터 스트림 융합 및 가속화’에서의 입증된 우위에 초점을 맞추는 것이 훨씬 더 명확하고 설득력 있는 가치 제안을 제공한다는 것을 의미합니다.

최신 FPGA의 혁신적인 하드웨어 성능을 완전히 활용하기 위한 가장 큰 과제는 소프트웨어에 있습니다. 하드웨어의 복잡성이 증가함에 따라, 개발자가 이러한 장치를 효율적으로 프로그래밍할 수 있도록 하는 것이 업계의 최우선 과제가 되었습니다.

역사적으로 FPGA는 Verilog 및 VHDL과 같은 저수준 하드웨어 기술 언어(HDL)를 사용하여 프로그래밍되었습니다. 이는 전문적인 하드웨어 설계 지식이 필요했고, 채택의 주요 장벽이었습니다.12

고수준 합성(HLS)은 개발자가 C, C++, SystemC와 같은 고수준 언어를 사용하여 하드웨어 동작을 기술할 수 있게 함으로써 근본적인 변화를 나타냅니다.40 HLS 도구는 이 추상적인 코드를 자동으로 RTL(Verilog/VHDL)로 변환합니다.43 HLS의 주요 이점은 생산성의 대폭적인 향상입니다. 이는 마이크로 아키텍처 설계의 지루하고 클럭 사이클 단위의 세부 사항을 추상화하여 더 빠른 설계, 검증 및 반복을 가능하게 합니다.43 이로써 FPGA 개발은 훨씬 더 넓은 소프트웨어 엔지니어 풀에 개방됩니다.44 모든 주요 공급업체는 이제 AMD Vitis HLS, 인텔 Quartus Prime HLS와 같은 강력한 HLS 도구를 주요 개발 스위트의 일부로 제공합니다.40

생산성 이점에도 불구하고 HLS는 만병통치약이 아닙니다. 중요한 과제는 “결과 품질(QoR)” 격차, 즉 HLS 생성 설계와 전문 RTL 엔지니어가 수작업으로 제작한 설계 간의 성능(클럭 속도) 및 리소스 활용도(면적) 차이입니다.43

이 격차는 소프트웨어 알고리즘이 하드웨어에 거의 적합하지 않기 때문에 발생합니다. 좋은 QoR을 달성하려면 개발자가 병렬 처리를 위해 코드를 재구성하고, 하드웨어별 프라그마(예: 파이프라이닝, 언롤링, 배열 분할)를 사용하며, 메모리 계층 구조와 같은 하드웨어 개념을 이해해야 합니다. 이는 HLS가 약속하는 추상화의 일부를 무효화합니다.43 HLS 도구의 자동 스케줄링 및 리소스 할당은 특히 복잡한 설계의 경우 최적이 아닐 수 있으며, 수동 설계보다 낮은 클럭 주파수나 더 큰 면적을 초래할 수 있습니다.45

HLS QoR 문제를 해결하기 위한 최첨단 연구 분야는 EDA(Electronic Design Automation) 툴체인에 머신러닝(ML)을 적용하는 것입니다. 가능한 프라그마 조합의 설계 공간은 기하급수적으로 커서 수동 탐색이 불가능합니다.49

• QoR 예측: 연구원들은 HLS 설계의 대규모 데이터셋에 대해 ML 모델(GNN, XGBoost 등)을 훈련시켜, 시간이 많이 걸리는 전체 합성 과정(수 분에서 수 시간이 걸릴 수 있음)을 실행하지 않고도 C/C++ 코드의 최종 성능과 리소스 사용량을 밀리초 단위로 예측하고 있습니다.49
• 자동 설계 공간 탐색 (DSE): 이러한 빠른 예측 모델을 사용하여 ML 기반 프레임워크는 방대한 설계 공간을 지능적으로 자동 탐색할 수 있습니다. 베이지안 최적화 및 강화 학습과 같은 기술은 HLS 프라그마를 자동으로 삽입하고 조정하여 성능과 리소스의 균형을 맞추는 파레토 최적 설계를 찾는 데 사용됩니다.51
• 데이터셋의 중요성: 이 연구는 HLSyn 및 ForgeHLS와 같이 수십만 개의 레이블이 지정된 설계를 포함하는 대규모 오픈 소스 HLS 데이터셋의 생성에 의해 촉진됩니다.49 대규모 언어 모델(LLM)도 코드 복구 및 최적화를 자동화하는 데 탐색되고 있습니다.50

파이썬은 AI와 데이터 과학의 언어이지만, 동적 특성으로 인해 HLS에는 매우 어렵습니다. 하드웨어 합성은 정적 유형, 고정된 데이터 너비, 예측 가능한 메모리 액세스를 필요로 하는데, 이는 모두 파이썬이 의도적으로 추상화하는 것들입니다.57

• 동적 타이핑의 과제: HLS는 하드웨어 레지스터와 데이터 경로를 생성하기 위해 컴파일 시 모든 변수의 정확한 비트 너비를 알아야 합니다. 런타임에 변수 유형이 변경될 수 있는 파이썬의 동적 타이핑은 이 요구 사항과 근본적으로 양립할 수 없습니다.58
• 새로운 솔루션: 연구원들은 합성 가능한 정적으로 유형이 지정된 파이썬의 하위 집합을 HLS 호환 C++로 변환하는 소스 대 소스 컴파일러(예: sPyC)로 이 문제를 해결하고 있습니다.57 HeteroCL 및 PyLog와 같은 다른 프레임워크는 기본 HLS C++ 또는 HDL을 생성하는 파이썬 기반 API를 제공하여 사용자로부터 복잡성을 추상화합니다.60 자일링스 PYNQ 프로젝트는 Zynq SoC에서 파이썬 생산성을 가능하게 하는 주요 촉매제였지만, 진정한 파이썬 HLS의 필요성을 부각시켰습니다.57

FPGA 리더십의 주요 전쟁터는 실리콘에서 소프트웨어로 이동하고 있습니다. 장기적인 승자는 개발자로부터 기본 하드웨어 복잡성을 효과적으로 숨기는 최고 수준의 추상화 및 자동화를 툴체인에서 제공하는 회사가 될 것입니다. 하드웨어는 단일 칩에 이기종 엔진(CPU, FPGA, AI 엔진)을 갖춘 매우 복잡한 구조가 되었습니다.9 이를 수동으로 프로그래밍하는 것은 대부분의 사람들에게 불가능합니다. HLS는 추상화의 첫 번째 주요 단계였지만, 좋은 QoR을 달성하기 위해서는 여전히 상당한 하드웨어 전문 지식이 필요하여 “불완전한 추상화”를 만듭니다.43 가장 진보된 연구는 이제 HLS의 가장 어려운 부분인 설계 공간 탐색 및 프라그마 최적화를 자동화하기 위해 AI/ML을 사용하는 데 초점을 맞추고 있습니다.49 이는 “푸시 버튼” 흐름으로의 전환을 의미합니다. 파이썬 HLS에 대한 열망은 개발자가 Verilog, C++ 프라그마 또는 기본 하드웨어 아키텍처를 이해할 필요 없이 친숙하고 생산성 높은 언어를 사용할 수 있게 하는 궁극적인 목표를 나타냅니다.57 따라서 FPGA 개발 도구의 미래는 하드웨어 엔지니어를 위한 IDE라기보다는 소프트웨어 개발자를 위한 컴파일러/JIT에 가까워질 것입니다. AI를 성공적으로 사용하여 최적화를 자동화하고 원활한 파이썬-비트스트림 경험을 제공할 수 있는 공급업체는 현재의 HDL/HLS 전문가 풀보다 훨씬 큰 개발자 기반을 확보하여 극복할 수 없는 경쟁 우위를 창출할 것입니다. ML-for-EDA에 대한 투자는 더 이상 연구 프로젝트가 아니라 생존과 성장을 위한 전략적 필수 요소입니다.

AI 및 고성능 컴퓨팅을 위한 최적의 하드웨어 가속기를 선택하는 것은 복잡한 결정입니다. FPGA, GPU, ASIC은 각각 고유한 장단점을 가지며, 그 선택은 특정 워크로드의 요구 사항에 따라 달라집니다.

• FPGA: 저지연 및 결정론적 지연 시간 애플리케이션에서 탁월합니다. 맞춤형 파이프라인 아키텍처를 통해 데이터가 최소한의 예측 가능한 지연(나노초에서 마이크로초 범위)으로 흐를 수 있습니다.7 이는 고빈도 거래, 산업 제어, 네트워크 처리와 같은 실시간 애플리케이션에 매우 중요합니다.38
• GPU: 높은 처리량의 대가입니다. 그 아키텍처는 대량의 데이터에 대해 동일한 명령을 실행하도록 설계된 수천 개의 병렬 코어로 구성됩니다(SIMD). 이는 AI 모델 훈련 및 과학 시뮬레이션과 같이 대규모 병렬화 및 배치가 가능한 워크로드에 이상적입니다.38 그러나 이 배치 지향 접근 방식은 본질적으로 더 높은 지연 시간을 유발합니다.38

• ASIC: 단일 고정 기능에 대해 가능한 최고의 성능을 제공합니다. 특정 알고리즘을 위해 처음부터 맞춤 설계되어 모든 프로그래밍 오버헤드를 제거합니다. 가장 높은 처리량과 가장 낮은 지연 시간을 달성할 수 있지만 유연성은 전혀 없습니다.13

• FPGA: 많은 워크로드에서 GPU보다 훨씬 전력 효율적입니다. 맞춤형 데이터 경로를 만들고 필요한 로직만 사용함으로써 명령어 인출/디코딩의 오버헤드와 수천 개의 유휴 코어의 전력 소모를 피합니다.61 이 낮은 전력 소비는 낮은 전기 요금과 냉각 요구 사항 감소를 통해 데이터센터의 운영 비용(OPEX)을 줄여 TCO를 낮추는 데 기여합니다.67
• GPU: 전력을 많이 소모합니다. 높은 처리량은 높은 에너지 소비를 대가로 하며, 이는 대규모 데이터센터 배포에서 주요 관심사입니다.61 AMD 자체 데이터는 프론티어 AI 모델을 훈련하는 데 필요한 막대한 에너지를 강조하며, 회사는 와트당 성능 향상에 주력하고 있습니다.18
• ASIC: 모든 것 중에서 가장 전력 효율적입니다. 완전 맞춤 설계는 프로그래밍 가능성의 모든 오버헤드를 제거하여 주어진 작업에 대해 가능한 가장 낮은 전력 소비를 초래합니다.65

• TCO 계산: TCO는 초기 하드웨어 비용(CAPEX)뿐만이 아닙니다. 장치의 수명 동안의 OPEX(전력, 냉각, 유지보수)를 포함합니다. FPGA는 GPU보다 초기 개발 비용/NRE가 높을 수 있지만, 낮은 전력 소비와 긴 수명 주기(재프로그래밍 가능성으로 인한 노후화 방지)는 전력 제한적이거나 장기 배포 시나리오에서 전반적으로 낮은 TCO로 이어질 수 있습니다.39

• FPGA가 이기는 경우:
  • 실시간, 저배치 추론: 실시간 음성 인식, 라이브 비디오 분석, 금융 사기 탐지와 같이 단일 쿼리를 가능한 가장 낮은 지연 시간으로 처리해야 하는 애플리케이션.38
  • 맞춤형 데이터 유형: AI 모델이 비표준 데이터 정밀도(예: 4비트 또는 이진 네트워크)로 최적화될 수 있을 때, FPGA는 이를 하드웨어에서 직접 구현하여 GPU가 따라올 수 없는 큰 효율성 향상을 가져올 수 있습니다.38
  • 센서 융합 및 다양한 I/O: 자율 주행과 같이 여러 다른 센서(예: 카메라, LiDAR)와 직접 인터페이스해야 하는 엣지 AI 애플리케이션은 FPGA의 유연한 I/O의 이점을 얻습니다.38
• GPU가 이기는 경우:
  • 고처리량, 대규모 배치 추론: 오프라인 이미지 분류나 추천 엔진과 같이 많은 추론 요청을 함께 묶어 동시에 처리할 수 있는 시나리오. 여기서는 GPU의 원시 병렬 처리 능력이 우수한 처리량을 제공합니다.38
  • 신속한 개발 및 성숙한 생태계: 시장 출시 시간이 최우선 순위일 때, GPU 주변의 성숙한 AI 소프트웨어 생태계(CUDA, TensorFlow, PyTorch)는 FPGA보다 개발을 훨씬 빠르고 쉽게 만듭니다.38
• ASIC의 역할: AI ASIC(구글의 TPU와 같은)은 특정 종류의 신경망(예: 행렬 곱셈)을 위해 설계되었습니다. 해당 작업에 대해 최고의 와트당 성능을 제공하지만, 근본적으로 새로운 유형의 AI 모델이 등장하면 적응할 수 없습니다.65

“FPGA 대 GPU” 논쟁은 지나치게 단순화된 것입니다. 올바른 가속기 선택은 전적으로 워크로드에 따라 다릅니다. 더 정교한 관점은 이들이 직접적인 경쟁자가 아니라 이기종 컴퓨팅 환경에서 상호 보완적인 기술이라는 것입니다. 연구는 FPGA가 지연 시간과 전력 효율성에서 우세하고, GPU는 원시 처리량과 프로그래밍 용이성에서 우세하다는 명백한 상충 관계를 보여줍니다.38 AI 워크로드는 단일하지 않습니다. “AI 추론”은 실시간 음성 명령(지연 시간에 민감) 또는 오프라인 사진 태깅(처리량에 민감)을 의미할 수 있습니다. 특히 데이터센터의 현대 시스템은 점점 더 이기종화되고 있습니다. 서버에는 일반 작업을 위한 CPU, 배치 처리를 위한 GPU, 실시간 네트워크 처리 및 보안을 위한 FPGA 기반 SmartNIC가 포함될 수 있습니다.2 따라서 가장 진보된 아키텍처는 하나를 다른 것보다 선택하는 것이 아니라, 올바른 작업에 올바른 도구를 사용합니다. 문제는 “어느 것이 더 나은가?”가 아니라 “이 특정 작업에 어느 것이 더 나은가?”입니다. CXL과 같은 표준의 등장은 이러한 비전의 직접적인 동력이며, 다른 유형의 가속기가 메모리를 공유하고 효율적으로 통신할 수 있게 합니다.19 이러한 복잡한 이기종 시스템을 프로그래밍하고 조율하는 능력이 다음의 주요 과제이자 기회가 될 것입니다.

표 3: AI 가속기 전략적 비교 (FPGA vs. GPU vs. ASIC)

지표	FPGA	GPU	ASIC
주요 강점	저지연, 유연성 38	고처리량, 생태계 38	최고 성능/와트 65
지연 시간	매우 낮음 (결정론적) 62	중간 ~ 높음 (배치 의존) 38	가장 낮음
처리량	중간 ~ 높음	매우 높음 63	가장 높음
전력 효율	높음 61	낮음 62	매우 높음 65
유연성/재프로그래밍	매우 높음 61	없음 (소프트웨어 프로그래밍)	없음
개발 노력/출시 시간	높음 62	낮음 38	매우 높음
총 소유 비용 (TCO)	애플리케이션에 따라 다름 (낮은 OPEX) 39	애플리케이션에 따라 다름 (높은 OPEX) 62	대량 생산 시 낮음
이상적인 AI 워크로드	실시간 추론, 엣지 AI, 센서 융합 38	AI 훈련, 고처리량 배치 추론 38	특정 모델의 대규모 추론

FPGA 기술은 정체되지 않고 있으며, 업계 최고의 콘퍼런스와 연구 동향은 더욱 통합되고 자동화된 미래를 예고합니다.

Hot Chips 및 ISSCC와 같은 최고의 콘퍼런스는 가까운 미래를 엿볼 수 있는 기회를 제공합니다. 최근 발표는 이기종 통합과 AI에 대한 명확한 초점을 보여줍니다.

• Hot Chips 2024에서 AMD는 Versal Gen 2를 발표하며, 자동 주차를 위한 ADAS에서의 사용과 칩에서 공간과 시간적으로 AI 모델을 다중화하는 능력을 강조했습니다.42 이는 자동차 시장을 위한 애플리케이션별 플랫폼으로서의 FPGA 트렌드를 강화합니다.
• AMD 회장 빅터 펭(Victor Peng)의 기조연설은 AI의 전력 소비라는 중대한 과제와 와트당 성능을 향상시키기 위한 기술, 아키텍처, 시스템 전반의 공동 설계 필요성을 강조했습니다.18 이는 Versal과 같은 통합 플랫폼의 전략적 방향을 입증합니다.
• 인텔의 발표는 종종 자사의 공정 기술 리더십과 EMIB 및 Foveros와 같은 새로운 I/O 및 패키징 기술의 통합에 초점을 맞추며, Xeon 프로세서의 AMX와 FPGA의 전용 블록을 통한 AI 가속에 강한 중점을 둡니다.71

• ISSCC 2025 프로그램은 칩렛 통합, 다이-투-다이 링크, 통합 포토닉스 분야에서의 지속적인 혁신을 예고하며, 이 모든 것은 미래의 더 강력한 FPGA 기반 시스템을 위한 중요한 기반 기술입니다.23

• 칩렛 생태계: 칩렛 기반 설계로의 전환은 계속되고 가속화될 것입니다.22 미래에는 칩렛을 위한 개방형 시장이 형성되어, 시스템 설계자들이 서로 다른 공급업체의 FPGA 칩렛, CPU 칩렛, 특수 가속기 칩렛을 사용하여 표준 다이-투-다이 인터페이스로 연결된 맞춤형 SoC를 구성할 수 있게 될 것입니다.
• 광학 I/O: 전기적 I/O가 물리적 한계에 도달함에 따라, 통합 실리콘 포토닉스는 특히 대규모 AI 클러스터에서 칩 간 및 시스템 간 통신에 필요한 막대한 대역폭을 제공하는 데 필수적이 될 것입니다.23
• Compute Express Link (CXL): CXL은 CPU와 FPGA와 같은 가속기가 일관된 방식으로 메모리를 공유할 수 있게 해주는 PCIe 기반의 판도를 바꾸는 표준입니다.19 이는 이기종 시스템의 프로그래밍 모델을 극적으로 단순화하고 FPGA가 시스템 메모리에 원활하게 액세스하는 진정한 코프로세서로 작동할 수 있게 할 것입니다.

EDA 툴체인에서의 ML 사용(5.3절)은 시작에 불과합니다. 궁극적인 목표는 AI를 사용하여 하드웨어 설계 과정 자체를 자동화하는 것입니다.

• 물리적 설계를 위한 강화 학습: 연구에 따르면 강화 학습은 칩 플로어플래닝과 같은 복잡한 물리적 설계 문제를 해결하는 데 사용될 수 있으며, 인간이 설계한 것보다 우수한 레이아웃을 생성할 수 있습니다.55
• 자동화된 비트 폭 최적화: 데이터 정밀도가 핵심 최적화 수단인 AI와 같은 애플리케이션의 경우, 강화 학습은 설계의 다른 부분에 대한 최적의 비트 폭을 자동으로 찾아 정확도와 리소스 활용도의 균형을 맞추는 데 사용되고 있습니다.55 이는 지루하고 중요한 최적화 작업을 자동화합니다.

“FPGA”의 정의 자체가 해체되고 있습니다. 미래는 단일 칩이 아니라 “구성 가능하고 이기종적인 시스템”입니다. 칩렛과 첨단 패키징은 단일 다이 패러다임을 깨고 있습니다.22 CXL과 같은 표준 인터커넥트는 분리된 메모리 패러다임을 깨고 있습니다.20 AI 기반 EDA는 수동 설계 패러다임을 깨고 있습니다.51 AMD CPU, 인텔 FPGA, 맞춤형 AI 가속기와 같은 최고 수준의 칩렛으로 시스템을 구성하고, 일관된 메모리 패브릭으로 연결하며, AI를 사용하여 전체 시스템을 최적화할 수 있을 때, 단일 공급업체의 고정 기능 “FPGA”라는 개념은 구식이 됩니다. 이는 유동적이고 적응 가능하며 맞춤화된 시스템으로 대체됩니다. 장기적인 전략적 우위는 이러한 개방적이고 구성 가능한 생태계를 수용하는 기업에 속할 것입니다. 이는 개방형 표준(CXL, UCIe 등)에 기여하고 채택하며, 매력적인 칩렛을 개발하고, 가장 중요하게는 이러한 미래 시스템의 설계 및 프로그래밍의 엄청난 복잡성을 관리할 수 있는 소프트웨어 및 AI 기반 도구를 만드는 것을 의미합니다. 가치는 개별 구성 요소에서 통합 시스템 및 그 생성을 가능하게 하는 도구로 이동합니다.

FPGA는 유연한 로직 장치에서 고성능, 이기종 컴퓨팅 플랫폼으로 진화했습니다. 이러한 변화는 AI 및 기타 데이터 집약적인 애플리케이션의 요구에 의해 주도됩니다. 하드웨어의 능력은 혁신적이지만, 주요 병목 현상과 핵심 경쟁 차별화 요소는 소프트웨어 및 도구 생태계로 이동했습니다. 시장은 AMD와 인텔 간의 고성능 경쟁과 래티스의 중급 시장에서의 강력하고 방어 가능한 위치로 분할되고 있습니다. 미래는 구성 가능한 칩렛 기반 시스템과 설계 과정 자체에서 AI의 역할이 증대되는 방향을 가리키고 있습니다.

• 시스템 아키텍트/엔지니어를 위한 권고: 이기종성을 수용하십시오. 프로그래머블 로직뿐만 아니라 CPU, AI 엔진, 소프트웨어를 포함한 전체 시스템을 기반으로 플랫폼을 평가하십시오. HLS 학습에 투자하되, 그 한계와 최적화를 자동화할 새로운 ML 기반 도구에 유의하십시오. CXL과 같은 표준을 강력하게 지원하는 플랫폼을 우선시하십시오.
• 비즈니스 전략가/투자자를 위한 권고: FPGA 시장이 단일하지 않다는 것을 인식하십시오. 엣지 AI, SmartNIC, ADAS 센서 융합과 같은 고성장 애플리케이션 부문을 식별하고, 공급업체의 강점을 해당 부문에 매핑하십시오. 공급업체에게 가장 중요한 투자 영역은 소프트웨어 및 AI 기반 도구이며, 이 분야의 진전은 미래 시장 점유율의 선행 지표가 될 것입니다.
• 업계 전반을 위한 권고: 표준화에 더욱 힘쓰십시오. 다이-투-다이 인터커넥트(예: UCIe) 및 호스트-가속기 통신(CXL)을 위한 강력하고 개방된 표준은 구성 가능한 시스템 비전의 잠재력을 최대한 발휘하는 데 필수적입니다. 미래의 복잡한 시스템을 프로그래밍하기 위해 소프트웨어, 하드웨어 아키텍처, 머신러닝 분야의 학제 간 기술을 갖춘 새로운 세대의 엔지니어를 양성하십시오.

1. [시장보고서]세계의 필드 프로그래머블 게이트 어레이(FPGA) 시장 전망(-2030년) : 제품 유형, 구성 유형, 노드 크기, 기술, 용도, 최종 사용자 및 지역별 분석 - 글로벌인포메이션, accessed July 14, 2025, https://www.giikorea.co.kr/report/smrc1530653-field-programmable-gate-array-fpga-market.html
2. 2025년 기술 트렌드와 시사점, accessed July 14, 2025, https://www.kistep.re.kr/gpsBoardDownload.es?board_se=issue&list_no=49141&seq=1
3. 중간 밀도 FPGA 시장 규모, 동향, 동향, 2025 ~ 2033, accessed July 14, 2025, https://www.businessresearchinsights.com/ko/market-reports/medium-density-fpga-market-114251
4. 심층 산업 전망 : 임베디드 필드 프로그램 가능 게이트 어레이 (FPGA) 시장 규모, 예측, accessed July 14, 2025, https://www.verifiedmarketresearch.com/ko/product/embedded-field-programmable-gate-array-fpga-market/
5. FPGA 시장 : 성장, 전망, 경쟁 분석(2025-2033년) - 글로벌인포메이션, accessed July 14, 2025, https://www.giikorea.co.kr/report/act1665874-fpga-market-growth-future-prospects-competitive.html

6. 통신 시장 규모의 FPGA, 동향

   보고서 2025-2033, accessed July 14, 2025, https://www.globalgrowthinsights.com/ko/market-reports/fpga-in-telecom-market-111163

7. FPGA Design: The Complete Guide for Enthusiasts in 2024, accessed July 14, 2025, https://www.vemeko.com/blog/fpga-design-complete-guide.html
8. AMD Versal™ XQ Adaptive SoCs, accessed July 14, 2025, https://www.amd.com/en/products/adaptive-socs-and-fpgas/versal/defense-grade.html
9. Versal Adaptive SoCs - AMD, accessed July 14, 2025, https://www.amd.com/en/products/adaptive-socs-and-fpgas/versal.html
10. Altera Agilex™ 3 FPGA & SoC FPGA - Mouser Electronics, accessed July 14, 2025, https://www.mouser.com/new/altera/intel-agilex-3-fpga/
11. Agilex - Wikipedia, accessed July 14, 2025, https://en.wikipedia.org/wiki/Agilex
12. Field-Programmable Gate Array (FPGA): Advancements, Architecture, and Applications in Modern Electronics - Allelco, accessed July 14, 2025, https://www.allelcoelec.com/blog/Field-Programmable-Gate-Array(FPGA)-Advancements,Architecture,and-Applications-in-Modern-Electronics.html
13. Chapter 2 - FPGA Architectures: An Overview, accessed July 14, 2025, https://cse.usf.edu/~haozheng/teach/cda4253/doc/fpga-arch-overview.pdf
14. Versal Adaptive SoCs - Xilinx Wiki - Confluence, accessed July 14, 2025, https://xilinx-wiki.atlassian.net/wiki/spaces/A/pages/1381400737/Versal+Adaptive+SoCs
15. V100 SOM with AMD Versal AI Edge XCVE2302 - alinx, accessed July 14, 2025, https://www.en.alinx.com/detail/749
16. Versal Adaptive SoC: AI Engine - AMD, accessed July 14, 2025, https://www.xilinx.com/video/acap/versal-acap-live-ai-engine.html

17. Altera Agilex™ SoC & FPGA Portfolio

    Macnica Americas, accessed July 14, 2025, https://www.macnica.com/americas/mai/en/products/semiconductors/altera/agilex.html

18. Hot Chips Keynote: AMD President Shares Thoughts on AI Pervasiveness - News, accessed July 14, 2025, https://www.allaboutcircuits.com/news/hot-chips-keynote-amd-president-shares-thoughts-ai-pervasiveness/

19. Intel Altera Agilex 7 I-Series Development Kit

    Macnica Americas, accessed July 14, 2025, https://www.macnica.com/americas/mai/en/products/semiconductors/altera/development-kits/altera-agilex-7-i-series.html

20. Altera® Agilex™ 7 I-Series - reflex ces, accessed July 14, 2025, https://www.reflexces.com/pcie-boards/intel-agilex-i-series-soc
21. Xilinx Adaptive Compute Acceleration Platform: Versal™ Architecture - AMD, accessed July 14, 2025, https://www.amd.com/content/dam/amd/en/documents/products/adaptive-socs-and-fpgas/versal/adaptive-soc-paper.pdf
22. Xilinx Unveils Revolutionary FPGA Architecture, Enables Next-Generation Platform FPGAs - Design And Reuse, accessed July 14, 2025, https://www.design-reuse.com/news/202506818-xilinx-unveils-revolutionary-fpga-architecture-enables-next-generation-platform-fpgas/
23. Intel at ISSCC 2025: Navid Shahriari Invited Talk, Eight Papers, Forums, Panelist & Product Details, accessed July 14, 2025, https://community.intel.com/t5/Blogs/Tech-Innovation/Edge-5G/Intel-at-ISSCC-2025-Navid-Shahriari-Invited-Talk-Eight-Papers/post/1667592

24. Lattice Avant-E

    Edge Processing Applications FPGA, accessed July 14, 2025, https://www.latticesemi.com/products/fpgaandcpld/avant-e

25. NEC Deploys mMIMO Radio with AMD Versal™ AI Adaptive SoC, accessed July 14, 2025, https://www.amd.com/en/resources/case-studies/nec.html
26. Versal AI Engine - AMD, accessed July 14, 2025, https://www.xilinx.com/products/intellectual-property/versal-ai-engine.html

27. Altera FPGAs & SoC FPGAs

    Accelerating Innovators, accessed July 14, 2025, https://www.altera.com/

28. Intel Agilex 5 FPGA - WinDriver, accessed July 14, 2025, https://windriver.jungo.com/fpga-driver-development/intel-fpga-boards/intel-agilex-5/

29. Lattice Avant Platform

    Leading 25 Gb/s SERDES Mid-Range FPGAs, accessed July 14, 2025, https://www.latticesemi.com/avantplatform

30. Lattice Semiconductor Avant™-E FPGAs - Mouser Electronics, accessed July 14, 2025, https://www.mouser.com/new/lattice-semiconductor/lattice-avant-e-mid-range-fpgas/
31. Lattice Avant™ Platform - WinDriver - Jungo, accessed July 14, 2025, https://windriver.jungo.com/fpga-driver-development/lattice-fpga-evaluation-boards/lattice-avant-fpga/
32. Lattice Avant Platform Overview, accessed July 14, 2025, https://www.latticesemi-insights.com/courses/lattice-avant-platform-overview/

33. Driver Assistance & ADAS

    Lattice FPGAs, accessed July 14, 2025, https://www.latticesemi.com/en/Solutions/Solutions/SolutionsDetails01/DriverAssistance

34. Lattice brings best-in-class embedded vision optimized FPGA to automotive applications, accessed July 14, 2025, https://www.automotiveworld.com/news-releases/lattice-brings-best-in-class-embedded-vision-optimized-fpga-to-automotive-applications/
35. Lattice FPGAs to deliver safety-critical ADAS to new Mazda PHEVs, accessed July 14, 2025, https://www.evengineeringonline.com/lattice-fpgas-to-deliver-safety-critical-adas-to-new-mazda-phevs/
36. Automotive - Lattice Semiconductor, accessed July 14, 2025, https://www.latticesemi.com/Products/FPGAandCPLD/Automotive.aspx
37. Applications Spotlight Using Agilex™ 5 FPGAs - Mouser Electronics, accessed July 14, 2025, https://www.mouser.com/pdfDocs/application-spotlight-using-intel-agilex-5-fpgas.pdf
38. FPGA vs. GPU: Comparison for High-Performance Computing and AI, accessed July 14, 2025, https://www.jakelectronics.com/blog/fpga-vs-gpu-comparison-for-highperformance-computing-and-ai
39. FPGA vs. GPU for Deep Learning Applications - Intel, accessed July 14, 2025, https://www.intel.com/content/www/us/en/fpga-solutions/artificial-intelligence/fpga-gpu.html
40. FPGA Design Tools and Trends: What’s New in 2024 - Fidus Systems, accessed July 14, 2025, https://fidus.com/blog/fpga-design-tools-and-trends-whats-new-in-2024/
41. Build More Cost-Effective and More Efficient 5G Radios with Intel Agilex FPGAs, accessed July 14, 2025, https://www.intel.com/content/dam/www/central-libraries/us/en/documents/build-5g-radios-with-agilex-fpgas-white-paper.pdf
42. Hot Chips 2024 Roundup: Day 2 Takeaways - XPU.pub, accessed July 14, 2025, https://xpu.pub/2024/09/05/hot-chips-2024-day-2/
43. (PDF) High-level Synthesis for FPGAs - A Hardware Engineer’s …, accessed July 14, 2025, https://www.researchgate.net/publication/388856979High-level_Synthesis_for_FPGAs-_A_Hardware_Engineer’s_Perspective
44. From Algorithms to FPGA Hardware. Understanding High-Level Synthesis (HLS) - CodiLime, accessed July 14, 2025, https://codilime.com/blog/from-algorithms-to-fpga-hardware-understanding-high-level-synthesis/
45. High-Level Synthesis for FPGAs-A Hardware Engineer’s Perspective - Trepo, accessed July 14, 2025, https://trepo.tuni.fi/bitstream/handle/10024/212180/High-Level_Synthesis_for_FPGAsA_Hardware_Engineers_Perspective.pdf?sequence=1
46. Challenges Designing for FPGAs Using High-Level Synthesis - Washington University, accessed July 14, 2025, https://sbs.wustl.edu/pubs/fhxcc22.pdf
47. An Introduction to Vitis HLS, accessed July 14, 2025, https://china.xilinx.com/publications/presentations/c_D1_05_Introduction_to_Vitis_HLS.pdf
48. Setting up the HLS Compiler Environment (Windows® Edition) - Semiconductor Business, accessed July 14, 2025, https://www.macnica.co.jp/en/business/semiconductor/articles/intel/127029/
49. Towards a Comprehensive Benchmark for High-Level Synthesis Targeted to FPGAs, accessed July 14, 2025, https://openreview.net/forum?id=HvcLKgtbco¬eId=vePogdtPRU
50. ChatHLS: Towards Systematic Design Automation and Optimization for High-Level Synthesis - arXiv, accessed July 14, 2025, https://arxiv.org/html/2507.00642
51. ForgeHLS: A Large-Scale, Open-Source Dataset for High-Level Synthesis - arXiv, accessed July 14, 2025, https://arxiv.org/html/2507.03255v1
52. ForgeHLS: A Large-Scale, Open-Source Dataset for High-Level Synthesis - arXiv, accessed July 14, 2025, https://arxiv.org/pdf/2507.03255
53. Automatic Hardware Pragma Insertion in High-Level Synthesis: A Non-Linear Programming Approach - arXiv, accessed July 14, 2025, https://arxiv.org/html/2405.12304v4
54. iDSE: Navigating Design Space Exploration in High-Level Synthesis Using LLMs - arXiv, accessed July 14, 2025, https://arxiv.org/html/2505.22086v1

55. Reinforcement learning in integrated circuits: Design, synthesis, layout, and hardware security

    Request PDF - ResearchGate, accessed July 14, 2025, https://www.researchgate.net/publication/392997026_Reinforcement_learning_in_integrated_circuits_Design_synthesis_layout_and_hardware_security

56. Holistic Optimization Framework for FPGA Accelerators, accessed July 14, 2025, https://web.cs.ucla.edu/~pouget/papers/prometheus.pdf
57. Hot & Spicy: Improving Productivity with Python and HLS for FPGAs - Sam Skalicky, accessed July 14, 2025, https://samskalicky.wordpress.com/wp-content/uploads/2018/04/spyc.pdf
58. Why do dynamic languages make it difficult to maintain large codebases? - Reddit, accessed July 14, 2025, https://www.reddit.com/r/programming/comments/29gchq/why_do_dynamic_languages_make_it_difficult_to/
59. Why are dynamically typed languages slow? - Stack Overflow, accessed July 14, 2025, https://stackoverflow.com/questions/761426/why-are-dynamically-typed-languages-slow
60. A Python-based High-Level Programming Flow for CPU-FPGA Heterogeneous Systems : (Invited Paper) - ResearchGate, accessed July 14, 2025, https://www.researchgate.net/publication/357210808_A_Python-based_High-Level_Programming_Flow_for_CPU-FPGA_Heterogeneous_Systems_Invited_Paper

61. FPGA vs. GPU vs. CPU – hardware options for AI applications

    Avnet Silica, accessed July 14, 2025, https://my.avnet.com/silica/resources/article/fpga-vs-gpu-vs-cpu-hardware-options-for-ai-applications/

62. GPU vs FPGA Performance Comparison - BERTEN, accessed July 14, 2025, https://www.bertendsp.com/pdf/whitepaper/BWP001_GPU_vs_FPGA_Performance_Comparison_v1.0.pdf
63. FPGA vs GPU: Key Differences and Best Use Cases - Magmio, accessed July 14, 2025, https://www.magmio.com/news/130-fpga-gpu

64. FPGAs will rule the AI inference world

    by Neeraj Agrawal

    Medium, accessed July 14, 2025, https://medium.com/@neeraj8us/fpgas-will-rule-the-ai-inference-world-29e5054456e7

65. (PDF) Artificial-Intelligence integrated circuits: Comparison of GPU, FPGA and ASIC, accessed July 14, 2025, https://www.researchgate.net/publication/372209945_Artificial-Intelligence_integrated_circuits_Comparison_of_GPU_FPGA_and_ASIC
66. Comparative Study of FPGA and GPU for High-Performance Computing and AI - ESP Journals, accessed July 14, 2025, https://www.espjournals.org/IJACT/2023/Volume1-Issue1/IJACT-V1I1P107.pdf
67. Reduce TCO and Accelerate Innovation with Data Center Modernization - Intel, accessed July 14, 2025, https://www.intel.com/content/www/us/en/cloud-computing/data-center-modernization.html
68. Data Center Sustainability - AMD, accessed July 14, 2025, https://www.amd.com/en/corporate/corporate-responsibility/data-center-sustainability.html
69. Comparative Study of FPGA and GPU for High-Performance Computing and AI, accessed July 14, 2025, https://www.researchgate.net/publication/382360577_Comparative_Study_of_FPGA_and_GPU_for_High-Performance_Computing_and_AI/download
70. Considerations for an Optimal Data Center - Supermicro, accessed July 14, 2025, https://www.supermicro.com/white_paper/white_paper_CSP_Best_Practices.pdf
71. Intel Xeon 6 SoC for the Edge Hello Granite Rapids-D - ServeTheHome, accessed July 14, 2025, https://www.servethehome.com/intel-xeon-6-soc-for-the-edge-hello-granite-rapids-d/

72. Session 12 Innovations from Outside the (ISSCC’s) Box

    PDF - Scribd, accessed July 14, 2025, https://www.scribd.com/document/834675278/Session-12-Innovations-from-Outside-the-ISSCC-s-Box

73. The access point for electronic circuits and systems - Europractice, accessed July 14, 2025, https://europractice-ic.com/wp-content/uploads/2024/03/2024-03-05_europractice_ar2023_compressed.pdf