인공지능의 확산은 반도체 산업의 한 가지 근본적 사실을 바꾸지 못했다. 하드웨어와 소프트웨어 개발은 여전히 대체로 서로 분리된 두 경로에서 진행된다. Semiconductor Engineering이 2026년 9월 15일에 게재한 분석에 따르면, 양측 공동 설계의 이점은 수년 전부터 알려져 있었지만 이를 광범위하게 적용하는 일은 인공지능이 아직 해결하지 못한 조직적·기술적 장애에 부딪히고 있다.
문제는 업무팀의 구조 자체에서 시작된다. 하드웨어 및 소프트웨어 엔지니어는 서로 다른 도구와 언어를 사용하며, 일정과 개발 주기도 서로 맞지 않게 진행된다. 전통적인 모델에서는 칩 설계가 생산 단계에 도달한 뒤에야 소프트웨어팀이 시스템에 맞게 조정하기 시작하며, 여기에는 errata로 알려진 변경 사항과 오류를 처리하는 일도 포함된다. MIPS/GlobalFoundries의 소프트웨어 및 도구 책임자인 Sam Grove는 이러한 상황을 늦은 인계라고 설명하며, 이로 인해 소프트웨어팀은 차세대 제품 설계에 참여하기보다 제품을 작동시키는 압박을 받게 된다고 말한다.
격차는 조직적인 문제에 그치지 않는다
기업이 지속적 통합을 적용하려고 시도할 때조차 신뢰할 수 있는 결과를 얻는 속도는 여전히 핵심 장애물로 남는다. Synopsys의 시스템 솔루션 전략 프로그램 총괄 임원인 Frank Schirrmeister는 사양에서 하드웨어 및 소프트웨어 모델로 전환하는 과정이 매우 빨라질 수 있지만, 시스템을 충분히 빠른 속도로 시뮬레이션할 수 있어야 한다고 지적한다.
가상 프로토타입, 시뮬레이션, 에뮬레이션 도구, FPGA 기반 모델이 존재하지만 각 선택지는 정확도·성능·실행 시간 사이에서 서로 다른 절충을 요구한다. 가상 모델은 소프트웨어가 아키텍처에 미치는 영향을 일찍 시험하는 데 도움이 될 수 있으며, 시뮬레이션이나 더 세부적인 모델링은 성능과 전력에 관한 더 나은 시야를 제공한다. 그러나 최종 제품을 대표하는 전체 워크로드를 실행하는 일은 작은 기능이나 인공 워크로드를 테스트하는 것보다 훨씬 어렵다.
팀이 동일한 워크로드를 가상 플랫폼에서 에뮬레이션, FPGA 기반 모델, 실리콘에 이르는 여러 단계에서 실행하려 할 때 어려움은 더욱 커진다. 칩의 실행 시간 10초를 시뮬레이션하는 일은 실용적이지 않을 수 있으므로, 하나의 모델이 모든 사용 사례를 포괄한다고 가정하기보다 각 단계에서 실행할 수 있는 부분을 정해야 한다.
공동 사양은 인공지능의 선행 조건이다
전문가들은 첫 번째 요구 사항으로 엔지니어와 인공지능 에이전트가 함께 사용할 수 있는 풍부하고 통합된 사양을 꼽는다. 기사에 따르면 오늘날 이러한 사양을 갖춘 분야는 제한적이며, 그중에서도 군수 및 항공우주 산업이 상대적으로 앞서 있다. 이러한 종류의 사양이 없으면 인공지능은 시스템 요구 사항을 RTL 설계, 소프트웨어 및 검증 결과와 연결하는 통합 참조를 갖지 못한다.
인공적인 실험은 여러 아키텍처에서 소프트웨어 기능의 실행 시간과 전력 소비를 측정하는 데 도움이 될 수 있지만, 이 단계만으로 설계 결정을 내리기에는 충분하지 않다. 엔지니어는 유연성과 성능, 비용과 크기, 전력 예산, 열, 환경 요인 사이에서도 균형을 맞춘다. Normal Computing의 검증 솔루션 엔지니어인 Arvind Srinivasan은 가장 성능이 높은 설계 중 하나가 해당 작업에 완전히 특화된 것일 수 있지만, 이러한 모든 제약 조건을 인공지능 알고리즘이 최적화 가능한 목표로 사용할 수 있도록 인코딩하는 통일된 방법은 아직 없다고 말한다.
인공지능은 현재 무엇을 할 수 있는가?
현재의 활용 사례는 인공지능이 시스템 전체를 설계할 것이라는 생각보다 제한적이다. Siemens EDA의 수석 제품 마케팅 책임자인 Andy Meier는 고객들이 주로 RTL과 테스트 환경을 생성하는 데 인공지능을 사용하지만, 아키텍처 결정에서는 그와 비슷한 규모로 사용되는 모습을 보지 못했다고 말한다. 이는 이러한 결정에 성능·전력·비용·워크로드 동작 사이의 절충에 관한 폭넓은 지식이 필요하기 때문이다.
반면 MIPS/GlobalFoundries는 특정 작업에서 소프트웨어와 하드웨어를 작성하기 위해 인공지능 에이전트를 사용하며, 도구의 한계와 오류를 이해해야 한다는 점을 강조한다. Quadric의 최고 마케팅 책임자인 Steve Roddy도 설계 모델 구축과 실리콘 출시 사이의 기간에 개발자나 인공지능 보조 도구에 의해 소프트웨어가 여러 차례 변경될 수 있다고 지적한다. 이는 공동 설계가 프로젝트 초기에 한 번 결정하는 사안이 아니라 소프트웨어의 지속적인 변화를 처리해야 하는 과정임을 의미한다.
Normal Computing은 소프트웨어 개발자가 RTL 완성 전에 작업할 수 있도록 인공지능을 사용해 하드웨어의 더 추상적인 표현을 추출하는 방안을 제시한다. 이 구상은 공동 참조가 될 수 있는 사양 표현 또는 ontology의 존재를 전제로 하지만, 이 표현을 이후 모델과 연결하고 서로 일치하는지 검증해야 할 필요성을 없애지는 않는다.
검증과 협업이 병목이다
분석은 기존 방법론을 완전히 대체하면 프로젝트 위험이 커지기 때문에 예상되는 진전이 점진적일 것이라고 강조한다. Srinivasan은 EDA 도구가 여전히 전체 결과를 개선하기보다 문제의 작은 부분을 처리하는 데 그치고 있다고 지적한다. 또한 블랙박스에는 정확성, 감사 가능성, 설계 요소와 검증 결과의 상호 관계를 보여 주는 통합 기록에 관한 보장이 필요하다.
모델 간 동기화도 여전히 실질적인 과제다. SystemC의 비타이밍 지정 고수준 모델은 시간 정확성 측면에서 RTL과 같지 않으며, 두 모델을 일관되게 유지하려면 검증과 인증, 소프트웨어 초기화에 많은 시간이 든다. 따라서 가상 모델을 제공하는 것만으로는 충분하지 않다. 시뮬레이션 및 분석 모델을 연결하고 설계팀과 애플리케이션팀, 고객 지원팀 사이에서 지식을 이전하는 연계된 모델 체계가 필요하다.
certi.news의 관점에서 실제 변화는 단일 도구의 출시도, 산업이 즉시 인공지능이 주도하는 자율 설계로 전환하는 것도 아니다. 변화는 칩이 완성되기 전에 소프트웨어가 아키텍처 정의에 영향을 미치기 시작했다는 점과, EDA 도구가 이전에는 분리되어 있던 단계들을 연결하려 한다는 점이다. 그러나 해당 출처는 이 문제가 해결되었다는 증거를 제시하지 않는다. 오히려 통합 사양의 부족, 시뮬레이션 비용, 소프트웨어의 변화, 감사 가능성에 대한 요구가 여전히 핵심 제약이라고 설명한다. 따라서 아키텍처 결정에서 인간의 전문성은 계속 결정적이며, 인공지능의 영향은 결과를 테스트하고 검토할 수 있는 특정 작업에 집중될 것이다.