특허 정보를 활용한 인공지능 반도체 기술에 대한 심층 분석

날짜2022.04.28
조회수14101
글자크기
  • 오철 교수 상명대학교 글로벌 경영학과 naohchul@naver.com
  • I. 연구의 배경
    • 최근 인공지능 산업의 발전과 더불어 인공지능 기술의 핵심이라고 할 수 있는 인공지능 반도체(AI 반도체)의 중요성이 점차 증대하고 있어, 이에 대한 현황을 심층적으로 분석할 필요성이 대두되고 있다. 인공지능 반도체 같은 새로운 산업의 기술추격과정에서는 대개 두 가지가 중요한 쟁점이 되는데, 하나는 기술 변화의 주기에 대한 문제이고, 또 다른 하나는 추격 과정에서 추격의 성과가 무엇인가 하는 것이다. 첫 번째 쟁점은 추격을 성취할 가능성의 문제이고, 두 번째 쟁점은 기술체계의 특성과 기술 환경에 대한 문제이다. 전 세계적으로 인공지능 반도체는 2016년 알파고와 이세돌의 대국 이후 국제적 관심과 개발붐이 있었고, 실제로 인공지능 반도체 분야의 특허 신청은 최근 2016년부터 2019년 사이에 3배 이상 폭증했다.
    • 본 연구는 특허의 기술적 분석을 통해 새롭게 부상하는 산업의 기술변화 주기, 추격과정에서의 특성을 분석하고, 해당 분야의 기술 특성을 정확하게 파악함으로써 위의 두 가지 쟁점에 대한 시사점을 제공하는 데 목적이 있다. AI반도체 기술 은 CPU 및 GPU를 활용한 1세대에서 시작하여, FPGA 및 ASIC칩을 활용하는 2세대를 거쳐, 현재는 뉴로모픽칩을 활용하는 3세대 AI반도체 개발이 진행되고 있어 이러한 발전 방향에 분석을 진행하였다.
    • 우선 AI반도체에 대한 산업적 특성을 분석함으로써 산업구조 및 산업경쟁력에 대해 살펴보고, AI 반도체 기술과 관련된 다양한 지표들을 특허 데이터를 통해 심층적으로 분석함으로써 AI 반도체 기술 및 산업의 특성들을 객관적인 정량분석 을 통해 확인하였다.
  • II. 분석대상 기술 분야와 특허분석 지표
    • 1. 세대별로 구분한 분석대상 기술 분야
    • AI 반도체의 발전 방향에 따라 CPU+GPU(1세대), ASIC(NPU)+FPGA(2세대), 뉴로모픽(3세대)의 칩 종류별로 분석하였고, 세대별 개략적인 특징은 아래와 같다.
    • ㅇ CPU + GPU(1세대)
    • - 전통적인 폰 노이만 구조를 따르고 있는 CPU 및 GPU는 높은 범용성 및 상대적으로 낮은 가격이라는 장점이 있지만, AI 연산성능 및 에너지 효율성이 낮다는 단점이 있다.
    • ㅇ FPGA+ASIC(NPU)(2세대)
    • - FPGA는 하드웨어를 재설계하지 않고 프로그래밍을 통해 사용 목적에 맞게 변경이 가능한 반도체로, 높은 유연성을 지니나 전력 소모량이 많고, 가격이 비싸다는 단점이 있다.
    • - ASIC(NPU)는 특정 용도에 맞게 제작된 주문형 반도체로, AI 연산속도가 빠르며, 전력 효율성이 높으나 설계 변경이 어려우며, 학습을 위한 설계가 어렵다는 단점을 지니고 있다.
    • ㅇ 뉴로모픽(3세대)
    • - 전통적인 폰 노이만 구조에서 벗어나 인간의 뇌를 모방하여 설계된 반도체로, AI 반도체 중 가장 높은 연산속도 및 전력효율을 지니고 있지만, 기술 성숙도가 낮고 비(非) 폰 노이만 구조로 인한 낮은 범용성이 단점이다.
    • 그림 1_AI 반도체 Technology Hype Cycle 출처: Gartner(2018, 2020)
    • 2. 특허 분석지표
    • 기술 체제를 수량화하여 표현하는 분석지표는 상당히 많다. 그중에서 특허는 기술혁신을 객관적으로 측정할 수 있는 중요한 지표 중의 하나로써, 상업적인 이익과 연계가 되어있다는 점에서 기술변화 및 기술혁신을 관찰하는 데 매우 유용하다. 본 연구에서는 우선 AI 반도체 기술 분석에 특허 데이터를 양적으로 분석한 이후, 모아진 데이터를 기반으로 AI 반도체의 기술적 특성을 분석하기 위해 다양한 특허 기반의 변수들을 활용해 결과를 도출하려고 하였다. AI 반도체 산업은 새롭게 부상하는 산업인 만큼 AI 반도체 산업의 세대별 기술주기가 중요한 지표가 될 것이고, 자신의 혁신 결과를 타인의 모방으로부터 지킬 수 있는 수단이 존재하는 것을 의미하는 전유가능성이 이 분야에서 중요한 지표가 될 수 있을 것이다. 그 이외에도 AI 반도체 산업에서 추격자의 위치에 있는 대한민국에는 AI 반도체 산업에 대한 지식기반의 특성, 즉 해당 기술이 얼마나 다양한 기술 분야의 지식에 의존하고 있는가를 측정하는 독창성(originality) 같은 지표를 사용해 나온 결과는 향후 산업정책에 시사점을 제공해준다는 점에서 중요한 지표이다. 본 연구에서는 기술주기, 전유가능성, 독창성 이외에도 다양한 분석지표를 활용해서 새롭게 부상하는 AI 반도체 산업에 대한 특성을 파악해 보려고 시도를 했다. 본 연구에서 사용한 특허 기반 분석지표는 새로운 혁신 기술 혹은 기술적 패러다임이 등장했을 때 다수의 국제적으로 저명한 논문에서 주로 사용하는 5대 지표를 사용했고 그 내용은 아래와 같다.
    • ㅇ 기술수명주기(Technological Cycle)
    • - 기술수명주기는 과거 기술의 중요성을 의미하며, 기술의 수명이 길면 그만큼 오래된 과거의 기술도 계속 중요하다는 뜻이기 때문에 그 기술 영역에서 추격은 어려울 것이라는 추론이다.
    • ㅇ 기술적 독창성(Originality) = 융복합도
    • - 독창성은 출원(또는 등록)된 특허가 얼마나 창의적이냐를 측정하는 지표로서 해당 특허가 얼마나 다양한 분야의 특허를 인용해서 만들어지는가를 나타낸다.
    • ㅇ 과학기술기반도(Scientific-base index)
    • - 과학기술기반도는 해당 특허가 얼마나 더 과학기술에 기반을 두어 개발되었는지를 나타내는 지표로써, AI 반도체 기술에 대한 해당 지표의 분석을 통해 기술혁신 정책 수립에 있어서 논문 성과로 나타나는 과학기술 연구 촉진 정책의 필요성을 확인할 수 있다.
    • ㅇ 기술적 보편성
    • - 해당 기술이 얼마나 다양한 분야에 활용될 수 있는가를 측정하는 지표이다.
    • ㅇ 전유성(Appropriability)
    • - 전유성은 자신의 혁신 결과나 성과를 타인의 모방으로부터 지키고 금전적 이익을 확보할 수 있는 정도를 뜻하며, 전유성이 높다는 것은 모방으로부터 혁신의 결과를 지킬 수 있는 수단이 존재한다는 것을 의미한다. 또한, 높은 전유성이라는 것은 다른 기업의 지식에 의존해야 할 필요가 적음을 의미하기 때문에 후발자로서 그것이 이점이므로 전유성이 높은 분야에 투자할 것이라고 추론할 수 있다.
  • III. AI 반도체에 대한 산업적 특성
    • ■ 빠른 성장성과 새로운 기회의 창
    • AI 반도체 시장의 빠른 성장성은 기존에 반도체를 만드는 선도 기업뿐만 아니라 IT 플랫폼 기업 및 스타트업 등 후발 주자들에게 새로운 기회의 창을 제공할 수 있다. 아래는 인공지능 반도체의 시장전망과 3세대 AI 반도체인 뉴로모픽의 시장 전망이다.
    • 그림 2_인공지능 반도체 시장 전망 출처: Gartner(2020.2024년 이후는 KISDI 전망 관계부처 합동(2020)에서 재인용)
    • 그림 3_뉴로모픽 반도체 시장 전망 출처: Research & markets 재구성(ITP(2021a)에서 재인용
    • 또한, 시장 전체적으로는 제품 차별화 정도가 높아 경쟁 심화 가능성은 높지 않을 것으로 예상되지만, 자율주행 및 이미지처리 등의 특정 기능에 특화된 반도체 제품의 경우, 차별화 정도가 낮아 경쟁이 심화될 수 있다.
    • ■ 다수의 공급 업체 존재
    • 공급자의 수 및 제품차별화의 여부는 팹리스 기업, 반도체 생산(파운드리), 공정 장비 업체, 반도체 패키징 공급업체로, 공정별로 다수의 공급업체가 존재한다. 공급자의 전방통합 여부로써, 각자의 비교우위 분야에 집중하고 있어 전방통합에 나설 것으로 예상하는 업체는 적을 것으로 예상되며, 이와 관련된 공급자의 교섭력 역시 낮을 것으로 예상된다.
    • AI 반도체는 OEM으로 생산되고 있으며, 구매자 역시 해당 최종 제품(사물인터넷, 가전제품 등)의 생산업체로 제한적이며, 이는 구매자의 교섭력을 낮추는 요소이다. 또한, 스마트 모바일 기기, 자율주행 자동차 등과 관련된 삼성, 애플, 테슬라 등이 직접 개발하고 있으며, 이는 AI 반도체 산업이 후방 통합적 성격을 지니고 있음을 의미한다.
    • ■ 정부의 적극적 육성 경쟁
    • 산업정책의 내용과 규모 면에서 전 세계 선진국 정부를 포함할 뿐만 아니라 우리나라 정부는 전략적으로 AI 반도체 육성 정책을 추진하고 있다. 주요 경쟁국의 정책 동향으론 현재 주요 인공지능 반도체 개발 국가들은 인공지능 반도체 관련 정책과 더불어 자국의 반도체 산업 경쟁력 강화 정책을 함께 추진 중이다. 아래는 주요 국가별 인공지능 반도체 전략에 대한 주된 내용이다.
    • 표 1_뉴로모픽 반도체 시장 전망
    • ■ 3세대인 뉴로모픽 기술에 대한 관심 증가와 시너지 효과 기대
    • AI 반도체는 점차 연산성능 및 소비전력 효율성이 개선되는 방향으로 발전되고 있다. 뉴로모픽(NEUROMORPHIC) 반도체는 인공지능 반도체와 관련된 가장 최신의 기술로서, 기존 폰 노이만(Von Neumann) 구조의 디지털 컴퓨팅의 한계를 극복할 수 있는 기술로 주목받고 있다. 또한, AI 반도체는 IoT 등과 관련된 모바일기기, 가전제품 및 자동차와 밀접하게 관련되어 있다는 점을 고려할 때, 다른 산업과 상당한 시너지 효과가 있을 것으로 기대된다. 특히, 스마트폰, 가전 및 자동차에서 글로벌 경쟁력을 갖춘 한국은 AI 반도체의 발전 및 다른 IT산업과 상당한 시너지 효과를 발휘할 수 있을 것으로 예상된다.
  • IV. AI 반도체 특허데이터의 기술적 분석 결과
    • AI(Artificial Intelligence)와 Deep learning을 기반으로 하는 반도체를 1세대(CPU 및 GPU로 구성), 2세대(ASIC, FPGA, DNN), 3세대(NEUROMORPHIC)로 구분하여 최적화(optimized)로 가공된 Derwent Innovation date set을 활용해 특허 분석을 진행하였다.
    • ■ AI 반도체 특허출원 동향
    • AI 반도체에 대한 특허출원은 2016년 알파고와 이세돌의 대국 이후 인공지능에 대한 국제적 관심 및 개발붐이 있었고, 특허 데이터상으로도 1~3세대 모두 급증하고 있다.
    • 그림 4_AI 반도체 1~3세대별 특허출원 동향(2000~2021, 전 세계 특허)
    • 2016년 이후 특허출원량이 급증하고 있으며, 특히 1세대(482%), 2세대(362%)에서 빠른 상승세를 보인다.
    • 표 2_AI 반도체 세대별 특허 출원량 및 증가율(전 세계 특허)
    • ■ 주요국 특허출원 동향
    • AI 반도체는 미국(37%)과 중국(36%)이 전 세계 특허출원을 양분, 하지만 미국과 중국을 비교해 보면, 2019년 중국이 특허출원량에서 미국을 추월한 이후, 현재 중국이 특허출원량 세계 1위이다.
    • 그림 5_주요국 특허출원 동향 및 국적별 점유율(2006~2020년, 전 세계 특허)
    • 해외 특허출원비율, 평균 패밀리 국가수 등 질적 지표에서 美 우위, 중국의 특허출원량은 많으나 자국 중심으로 이뤄져 한계가 있다.
    • 표 3_AI 반도체분야 美 vs 中 특허 지표(2000~2020년)
    • ■ 특허데이터의 심층 분석을 통한 기술체제 분석 결과
    • AI 반도체 간에 어떤 기술적 차이가 있는지를 알아보는 것이 주요한 분석 목적으로 세대 간 차이점에 대한 분석은 기술 경제학 분야의 기술 체제 개념을 사용한 특허 데이터를 활용한 기술의 심층 분석 기법을 사용하였고, AI 반도체의 세대 간 기술 체제를 밝히는 데 초점을 두었다. 특허를 분석하기 위한 해당 특허 추출은 세대별 키워드를 바탕으로 추출한 특허 중 ‘미국에서 등록된 특허’를 활용하였다. 지표별 분석 결과는 아래와 같다.
    • ① 기술수명주기(Technological cycle time)
    • 분석 결과 AI 반도체의 기술수명주기가 다른 산업에 비해 매우 짧은 것으로 분석되었다. 이는 AI 반도체 산업이 최신 기술을 사용해 발전하고 있고, 새로운 혁신이 발생하는 주기가 짧다는 것을 의미한다. 최근 인공지능 반도체를 둘러싸고 활발한 국가 간 혹은 기업 간의 합종연횡과 파운드리社의 빠른 투자 현상은 이러한 AI반도체의 기술의 특성을 잘 반영하고 있다.
    • 그림 6_세대별 상대적 기술수명주기
    • ② 기술적 독창성(Originality)
    • 다양한 기술의 융합 및 결합 정도를 나타내는 독창성은 1·2세대에서 높은 수치를 보이고, 이는 1·2세대 반도체에서 더 폭넓은 기술을 사용해 발전하는 경향을 나타낸다. 최근 다양한 최종 제품(모바일기기, 자율주행차, 사물인터넷 등)에 AI 반도체를 적용하고자 하는 산업의 변화가 1·2세대를 중심으로 이루어지고 있는 경향은 3세대 반도체보다 1·2세대 반도체가 기술적 독창성이 높은 기술적 특성을 보여주고 있다고 할 수 있다.
    • 그림 7_세대별 상대적 독창성
    • ③ 과학기술논문인용도(Science-basedness Index)
    • 최근 20년의 평균 상대적 과학기술논문인용도를 측정하면, 1세대에서 2세대, 그리고 3세대로 나아갈수록 평균 상대적 과학기술논문인용도는 감소하고 있는 것으로 나타난다. 이런 추세는 2015년 기점으로 보면 뚜렷하게 나타나고 있는 추세인 것으로 관찰되고, 이는 기술의 발전 방향이 기초과학에 의존하지 않는 추세이며 진입 장벽이 낮다는 것을 의미한다. 또한, 과학기술논문 인용도가 3세대 반도체에서 상대적으로 낮은 것은 현재 3세대 신경망을 기반으로 한 연구 단계는 심화수준이 아닌 도입단계로 볼 수 있기에 관련 연구가 적은 반면, 1세대와 2세대의 특허 기술들은 기존 기술에 많이 영향을 받아왔기 때문에 인용 과학논문의 수가 많은 것으로 해석할 수 있다.
    • 그림 8_세대별 상대적 과학기술논문인용도
    • ④ 보편성(Generality)
    • 2012년 이후의 보편성 분석의 결과를 보면 제3세대 반도체에서 보편성이 1·2세대보다 매우 높게 나온다. 해당 기술이 얼마나 다양한 분야에 활용될 수 있는가를 측정하는 보편성이 높은 것은 향후 제3세대 AI 반도체 기술이 다른 세대보다 더 다양한 분야에 활용될 가능성이 크다는 것을 의미한다.
    • 그림 9_세대별 상대적 보편성
    • ⑤ 상대적 전유성(Appropriability of technological innovation)
    • 3세대 반도체의 경우 2015년 이후 모방으로부터 혁신의 결과나 성과를 지킬 수 있는 지표인 전유성이 매우 높게 나타난다. 이는 최근 반도체를 둘러싼 미중 기술패권 경쟁과 기술 블록화가 심화하는 시점에서 3세대 반도체 기술 중 전유 가능성이 큰 기술 영역을 꾸준히 연구 개발하여 기술 역량을 축적하고 있음을 보여준다.
    • 그림 10_세대별 전유성
  • V. 결론
    • 결론
    • AI반도체 중 제3세대 반도체인 뉴로모픽 특허의 경우 등록 특허는 2010년부터 등장하고 있고, 역시 2017년을 기점으로 폭발적인 증가세를 보이고 있다. 이는 2016년 1월 세계 경제 포럼에서 Klaus Schwab이 제4차 산업혁명을 언급하면서 촉발된 새로운 시대의 성장 동력에 대한 논의의 확산 및 2016년 3월 구글의 알파고와 한국의 이세돌이 참여한 Google Deepmind Challenge Match 이후 인공지능에 대한 전 세계적인 관심이 그 배경이 되었다.
    • 미국의 AI 반도체 시장에서 1세대의 경우 AI 반도체의 내국인(미국인) 특허 비율이 75%로 압도적인 반면, 2세대와 3세대의 경우는 외국인 특허 비율이 각각 37%와 33%로 높은 점유율을 차지하고 있고, 외국인 특허 비율 중에서 한국이 차지하는 비율은 제2세대가 24%, 제3세대가 50%로 2·3세대 모두에서 1위를 점유하고 있다. 특히, 3세대에서 특허 점유율은 미국이 59%, 한국이 뒤를 이어 23.6%를 차지하며, 미국과 한국이 전체의 82.6%를 차지하고 있다.
    • 특허의 질적 분석 접근, 즉 특허 데이터의 심층 분석을 활용한 기술혁신체제 분석 결과를 도출했고, 우선 기술수명주기에 대한 분석 결과는 다음과 같다.
    • 1) AI 반도체는 전 세대 모두 기술수명주기가 짧은 분야에 속하며 이는 IT기술이 기술수명 주기가 짧다는 기존의 연구와 일치한다. 최근 4년간(2018년~2021년)의 후방인용시차를 분석한 결과는 3세대 AI 반도체의 기술 수명주기는 1과 2세대의 반도체보다 상대적으로 짧은 것으로 나타났다. 이는 제3세대 AI 반도체가 다른 세대보다 더 최신 기술 특허를 사용해 기술이 발전하고 있고, 시장에서 빠르게 활용될 수 있는 가능성의 높다는 것을 의미하며, 기술이 빨리 변하면 후발자의 불리함은 작아지게 되고, 새로운 기회의 창이 열림과 동시에 진입 장벽이 낮아 선발자는 새로운 도전에 직면할 수도 있다. 기술수명주기가 짧다는 것은 일반적으로 해당 분야의 기술이 오래되거나 빠르게 파괴되는 경향이 있기 때문에 진입 장벽이 낮고, 새로운 혁신이 발생하는 주기가 짧다는 것을 의미(Lee, 2013)하며, 이는 최근 AI 반도체를 둘러싼 국가 간, 기업 간의 활발한 합종연횡과 파운드리社의 투자가 빠르게 일어나고 있는 현상은 AI 반도체의 기술수명주기의 기술적 특징을 반영한다.
    • 2) 다양한 분야의 지식이 융합 및 결합된 정도를 나타내는 독창성은 3세대보다는 1.2세대 반도체 기술에서 기술 융합적인 성격이 더 강하며 1.2세대 반도체 기술이 더 폭이 넓은 기술을 인용하고 있음을 나타내고 있어서 혁신성이 더 높다고 볼 수 있다.
    • 최근 세계적으로 AI 기반 에너지 효율화를 통해 탄소중립에 기여하자는 동향이 강하게 나타나고 있고, 전력회사와 몇몇 IT 기업을 중심으로 AI 기반 에너지 효율화 사업을 추진하고 있다. 하지만, AI 기반 에너지 효율화를 달성하기 위해서는 AI 학습 시 소요되는 막대한 전력을 극복할 저 전력 기술 확보가 AI 반도체 경쟁우위의 핵심으로 부각되고 있고, MS, 퀄컴, 삼성, 마이크론, 인텔 등이 저 전력 반도체의 기술 개발을 진행 중1)에 있다. 이러한 기술 개발을 위해서는 혁신설계, 신소재 개발, 초미세 공정 확보의 3가지 측면에서 다양한 기술이 융합되어야 한다. 독창성의 분석 결과 1·2세대 반도체 기술이 3세대보다 높은 것은 이런 기술개발 경향이 반영된 것으로 추정된다. 앞으로 뉴로모픽 분야가 발전해 나간다면 2022년 이후에는 3세대 반도체의 독창성이 1·2세대의 독창성을 추월한 가능성도 있을 것으로 예상된다.
    • 3) 기술의 기초과학 의존도를 측정하는 과학기술논문인용도는 1세대에서 2세대, 2세대에서 3세대로 갈수록 평균 상대적 과학기술논문인용도는 감소하고 있는 것으로 나타났다. 이런 추세는 2015년 기점으로 보면 뚜렷하게 나타나고 있고, 이는 기술의 발전 방향이 기초과학에 의존하지 않는 추세이며 진입 장벽이 낮다는 것을 의미한다. 뉴로모픽의 경우 최근 20년간의 다 특허출원 순위를 보면 1위에서 3위까지는 전통적인 반도체의 강자인 IBM, 삼성전자, INTEL이고, 4위부터는 TDK(일본), HRL(미국), SK하이닉스, 퀄컴(미국), SST(미국), Syntiant(미국), Macronix(대만) 등 다양한 기업이 AI 반도체 3세대에 특허를 출원하고 있다. 이런 현상은 특허 분석에서 과학기술논문인용도 지표에 관한 분석 결과를 정확히 반영하고 있다.
    • 4) 해당 기술이 얼마나 다양한 분야에 활용될 수 있는가를 측정하는 보편성 분석의 결과를 보면 제3세대 반도체에서 보편성이 1·2세대보다 매우 높게 측정되었다. 이는 향후 3세대 AI 반도체 기술이 다른 세대보다 더 다양한 분야에 활용될 가능성이 높다는 것을 의미하며, 최근 인공지능을 활용한 신약연구뿐만 아니라 인공지능 무기 등 국방 안보 분야에서 다양하게 활용되는 현상을 반영한 것으로 보인다.
    • 5) 모방으로부터 자신의 혁신결과나 성과를 타인의 모방으로부터 지키고 금전적 이익을 확보할 수 있는 정도를 나타내는 지표인 전유성은 3세대 반도체의 경우 가장 높은 수준을 보이고 있고, 특히, 2015년 이후 3세대 반도체의 전유성은 다른 세대의 반도체보다 압도적으로 높은 것으로 나타났다. 이는 3세대 반도체가 모방으로부터 혁신의 결과를 성공적으로 보호할 수 있는 수단이 존재한다는 것을 의미한다. 특히 최근 미국의 대중 반도체장비 수출 제한 확대와 중국의 반도체 장비 비축 및 DUV 국산화 가속화를 배경으로 기술블록화가 심화되고 있는 시점에서 고도의 산업 외교적 전략 구사와 더불어 우리의 AI 반도체 분야에서 혁신의 결과를 보호할 수 있는 수단을 확보할 수 있는 것이 관건이다. 이런 점에서 3세대 반도체의 전유성이 최근 높다는 것은 특허 출원자들이 전유 가능성이 높은 기술 영역을 꾸준히 연구 개발하여 기술 역량을 축적하고 있음을 보여주고 있는 것이다.
    • 본문에서는 지면상 데이터를 싣지는 않았지만, 현지화와 집중도가 제3세대에서 높게 분석이 되었는데, 이는 뉴로모픽으로 대표되는 3세대 반도체 기술이 특정 국가의 특정 기업 또는 개인에게 속하여 집중되어 있다는 것을 의미한다. 이는 반도체 기술이 1세대에서 3세대로 진화할수록 특정 국가나 특정 기업이 국제무역시장에서 지배적인 위치를 확보하고 국제 관계에서 기술력으로 대표되는 기술지배자의 역할을 수행할 것이라 짐작할 수 있다. 장기적으로 신소재에 기반한 3세대 뉴로모픽 반도체가 향후 기술혁신을 주도할 가능성이 매우 높으며, 특히 저전력에 대한 경쟁우위를 확보하기 위해 차세대 뉴로모픽 기술이 중요할 것으로 전망된다.
    • 뉴로모픽으로 대표되는 제3세대 AI반도체가 1세대에 비해 낮은 독창성 및 과학기술논문 인용도를 갖고 높은 보편성과 전유성을 갖는 다는 사실은 제3세대 AI반도체의 기술이 기존 1세대 반도체에 비해 차별화된 기술이라는 사실을 증명한다. 특히 보편성과 전유성이 높다는 것은 뉴로모픽으로 대표되는 제3세대 AI반도체가 다양한 분야에 적용될 수 있어 기술 가치가 높고, 기술 개발을 위해 다른 기업의 지식에 의존할 필요성이 적기 때문에 후발자의 입장에서 투자 가치가 높다는 것을 의미한다.
    • 마지막으로 기술의 선점의 중요성 면에서 분석의 결과를 본다면 3세대 AI 반도체의 특징으로 1세대에 나타나지 않았던 출원인들이 등장하고 있고, 이런 경향은 2세대 반도체에서도 보인다. 또한, 1세대에서 3세대로 갈수록 독창성, 집중도가 모두 낮아지는데, 이는 향후 다양한 기업들의 시장 진입이 가능하다는 점을 의미한다. 즉 AI반도체 기술의 미래 패권경쟁이 더욱 치열해질 것이다. 3세대 AI 반도체에서는 삼성전자 이외에도 엘지전자·아마존·바이두·화웨이 등 IT·전자 기업이 3세대에 투자하고 있다는 것을 특허 분석을 통해 알 수 있고 향후 미래 산업을 선도할 중요 자산으로 뉴로모픽 반도체가 작용할 수 있을 것으로 보인다. 따라서 초기에 집중적인 투자를 통하여 시장에 진입하여 기술력을 축적하는 것이 전략적 방어수단이 될 것이다.
  • 참고문헌
    • ∙ IITP (2018), 『반도체 산업의 차세대 성장엔진, AI 반도체 동향과 시사점』, ICT SPOT ISSUE S18-01.
    • ∙ IITP (2021a), 『ICT Brief – 인공지능 반도체 특집호』, IICT Brief 2021-15.
    • ∙ IITP (2021b), 『인공지능 반도체, 미래성장동력을 넘어 국가안보의 핵심기술로 부상』, ICT SPOT ISSUE 2021-07.
    • ∙ 관계부처 합동 (2020), 「인공지능 반도체 산업 발전전략」.
    • ∙ 박영준 (2020), 『AI 반도체 시장 동향 및 우리나라 경쟁력 분석』, ETRI Insight 기술정책 트렌드 2020-12.
    • ∙ 산업통상자원부 (2019), 「시스템반도체 비전과 전략」.
    • ∙ 한국과학기술평가원(KISTEP) (2018), 「과학기술&ICT 정책·기술동향」, No.116
    • ∙ Bonferroni, C. E. (1935). Il calcolo delle assicurazioni su gruppi di teste. Studi in onore del professore salvatore ortu carboni, 13-60.
    • ∙ Bonferroni, C. E., Teoria statistica delle classi e calcolo delle probabilità, Pubblicazioni del R Istituto Superiore di Scienze Economiche e Commerciali di Firenze 1936
    • ∙ Breschi, S., F. Malerba and L. Orsenigo (2000), ‘Technological regimes and schumpeterian patterns of innovation,’ Economic Journal, 110(463), 388–410.
    • ∙ Carpenter, M. P., M. Cooper and F. Narin (1980), ‘Linkage between basic research literature and patents,’ Research Management, 23(2), 30–35.
    • ∙ EPO (European Patent Office) (2017), ‘Patents and the Fourth Industrial Revolution: The Inventions Behind Digital Transformation,’ https://documents.epo.org/projects/babylon/eponet.nsf/0/17FDB5538E87B4B9C12581EF0045762F/$File/fourth_industrial_revolution_2017en.pdf.
    • ∙ Gartner Hypercylce (2018), www.gartner.com.
    • ∙ Gartner Hypercylce (2020), www.gartner.com.
    • ∙ Gupta(2016), 클라우드 머신러닝: FPGA기반 DNN, APPLICATION Revie
    • ∙ Hall, B. H., A. B. Jaffe and M. Trajtenberg (2001), ‘The NBER patent citation data file: lessons, insights and methodological tools,’ NBER Discussion paper series No.3094. National bureau of economic research: Cambridge, US.
    • ∙ Helpman, E. (1998), General Purpose Technologies and Economic Growth. MIT Press: Cambridge, MA.
    • ∙ Jaffe, A. B. and M. Trajtenberg (2002), Patents, Citations, and Innovations: A Window on the Knowledge Economy. MIT Press: Cambridge.
    • ∙ Jaffe, A. B., M. Trajtenberg and R. Henderson (1993), ‘Geographic localization of knowledge spillovers as evidenced by patent cita- tions,’ Quarterly Journal of Economics, 108(3), 577–598.
    • ∙ Jaffe, A. B. and M. Trajtenberg (2002), Patents, Citations, and Innovations: A Window on the Knowledge Economy. MIT Press: Cambridge.
    • ∙ Kagermann, H., W. Wahlster and J. Helbig (2013), ‘Securing the future of German manufacturing industry: recommendations for implementing the strategic initiative INDUSTRIE 4.0,’ Final report of the Industrie 4.0 Working Group. http://alvarestech.com/ temp/tcn/CyberPhysicalSystems-Industrial4-0.pdf.
    • ∙ Lee, K. (2013), Schumpeterian Analysis of Economic Catch-up: Knowledge, Path-Creation, and the Middle-Income Trap. Cambridge University Press: New York, NY.
    • ∙ Lee, J., & Lee, K. (2021). Is the fourth industrial revolution a continuation of the third industrial revolution or something new under the sun? Analyzing technological regimes using US patent data. Industrial and Corporate Change, 30(1), 137-159.
    • ∙ Malerba, F. (2002), ‘Sectoral systems of innovation and production,’ Research Policy, 31(2), 247–264.
    • ∙ Malerba, F. and L. Orsenigo (1996), ‘Schumpeterian patterns of innovation are technology specific,’ Research Policy, 25(3), 451–478.
    • ∙ Malerba, F., F. Orsenigo and P. Peretto (1997), ‘Persistence of innovative activities, sectoral patterns of innovation and international technological specialization,’ International Journal of Industrial Organization, 15(6), 801–826.
    • ∙ Malerba, F., R. Nelson, L. Orsenigo and S. Winter (2008), ‘Vertical integration and disintegration of computer firms: a history-friendly model of the coevolution of the computer and semiconductor industries,’ Industrial and Corporate Change, 17(2), 197–231.
    • ∙ Narin, F. and D. Olivastro (1988), ‘Patent citation analysis: new validation studies and linkage statistics,’ in A.F.J. van Raan, A.J. Nederhoff and H.F. Moed (eds), Science Indicators: Their Use in Science Policy and Their Role in Science Studies. DSWO Press: The Netherlands, pp. 14–16.
    • ∙ Nelson, R. and S. Winter (1982), An Evolutionary Theory of Economic Change. Harvard University Press: Cambridge, MA
    • ∙ Nuvolari, A. (2019), ‘Understanding successive industrial revolutions: a “development block” approach,’ Environmental Innovation and Societal Transitions, 32, 33–44.
    • ∙ OECD (2017), The Next Production Revolution: Implications for Governments and Business. OECD Publishing: Paris. doi: 10.1787/9789264271036-en.
    • ∙ Park, K. and K. Lee (2006), ‘Linking Technological Regimes and Technological Catch-up: analysis of Korea and Taiwan using the US patent data,’ Industrial and Corporate Change, 15(4), 715–753.
    • ∙ Potter, K. and R. Hatton (2013), ‘Data mining of U.S. patents: research trends of major technology companies,’ SAS Global Forum 2013, Paper 101-2013.
    • ∙ Scheffe, H. (1952). An analysis of variance for paired comparisons. Journal of the American Statistical Association, 47(259), 381-400.
    • ∙ Schwab, K. (2016), The Forth Industrial Revolution. World Econ Forum: Geneva.
    • ∙ World Economic Forum (2017), Technology and Innovation for the Future of Production: Accelerating Value Creation. White Paper (with AT Kearney).
    • ∙ Šidák, Z. (1967). Rectangular confidence regions for the means of multivariate normal distributions. Journal of the American Statistical Association, 62(318), 626-633.
    • ∙ Stolpe, M. (2002), ‘Determinants of knowledge diffusion as evidenced in patent data: the case of liquid crystal display technology,’ Research Policy, 31(7), 1181–1198.
    • ∙ Trajtenberg, M., R. Henderson and A. Jaffe (1997), ‘University versus corporate patents: a window on the basicness of invention,’ Economics of Innovation and New Technologies, 5(1), 19–50.
    • ∙ Von Tunzelmann, N. (2003), ‘Historical coevolution of governance and technology in the industrial revolutions,’ Structural Change and Economic Dynamics, 14(4), 365–384
    • ∙ Winter, S. (1984), ‘Schumpeterian competition in alternative technological regimes,’ Journal of Economic Behavior and Organization, 5(3–4), 287–320.
    • 1) BM이 2014년 최초로 개발한 뉴로모픽 반도체 ‘트루노스’의 경우도 전력 소모가 커서 탑재에 어려움이 발생해 후속 연구가 중단되었음