AI가 일상이 된 ‘대 AI 시대’, 그 무한한 가능성을 해독하기 위해 SK하이닉스 뉴스룸이 야심 차게 선보이는 [DECODE AI] 시리즈! 각 분야의 최고 전문가들과 함께, 우리 삶 곳곳에 스며든 AI를 샅샅이 파헤칩니다.

2편에서는 과학을 혁신할 AI를 살펴볼 예정입니다. 국내 최고의 과학 유튜브 채널, ‘안될과학’의 과학커뮤니케이터 ‘항성’이 알려주는 과학계 AI 이야기! 노벨 화학상을 받은 AI를 포함해 인류의 역사를 다시 쓸 AI를 소개합니다.

▲ 실생활에 사용되고 있는 다양한 AI 사용 예시

요즘 AI(인공지능)의 발전 속도는 실로 눈부십니다. 글을 쓰고, 그림을 그리고, 요리 레시피를 추천하는 수준을 넘어, 이제는 과학 연구의 본질적인 패러다임마저 바꾸고 있죠. 그 배경에는 현대 과학이 다루는 방대한 정보량과 복잡성이 자리하고 있습니다. 수많은 실험 조건, 거대한 데이터, 수백 개의 변수들. 사람이 일일이 처리할 수 없는 것은 아니지만, 그만큼 시간은 많이 들고, 성과를 내기까지 효율이 떨어진다는 한계가 존재합니다.

이런 한계를 뛰어넘기 위해 AI는 연구 현장에서 필수적인 도구가 되고 있습니다. 인간이 감당하기 어려운 방대한 데이터를 빠르게 분석하고, 가능성 있는 조합을 제시하며, 복잡한 예측 모델을 수립하는 능력은 과학의 더 빠른 진보를 가능하게 하죠.

이제 과학자는 질문을 던지고, AI는 그 해답의 방향을 제시하는 시대입니다. 단순한 계산기를 넘어, 연구 파트너이자 실험 설계자, 데이터 분석가로 진화한 AI의 모습은 미래 과학의 동반자 그 자체인 것이죠.

생명의 구조를 해석하는 AI: 알파폴드(AlphaFold)

▲ 구글 딥마인드의 단백질 구조 예측 AI, 알파폴드

단백질은 생명의 기본 단위입니다. 세포의 형태 유지부터 호르몬 분비, 면역 작용, 대사 조절에 이르기까지 대부분의 생명 활동은 단백질의 기능에 의해 좌우되죠. 그런데 이 기능은 단백질이 어떤 3차원 구조로 되어 있느냐에 따라 결정됩니다. 즉, 구조를 알아야 기능을 알 수 있죠. 하지만 단백질 구조를 실험적으로 분석하는 일은 수개월에서 수년이 걸리는 고난도의 작업인데요. 그 난제에 정면 돌파를 시도한 AI가 바로 알파폴드(AlphaFold)입니다.

알파폴드는 구글 딥마인드와 워싱턴대학교의 데이비드 베이커(David Baker) 교수팀이 공동 개발한 인공지능 모델입니다. 이 모델은 단백질의 아미노산 서열만 입력하면, 그에 따른 3차원 구조를 예측해 내죠. 처음 등장한 알파폴드1은 단백질 구조 예측에 AI를 본격적으로 활용할 수 있음을 보여줬지만, 약 60% 수준의 정확도에 머물러, 실제 연구 현장에서 활용하기에는 다소 부족한 면이 있었습니다.

▲ 자유 모델링 영역에서 예측 정확도의 중앙값(©Google DeepMind)

이후 성능이 대폭 향상된 알파폴드2는 90% 이상의 예측 정확도를 기록하며, 인간 연구자보다도 더 정확한 수준에 도달했죠. 이처럼 눈부신 성능 향상은 방대한 단백질 구조 데이터를 학습한 딥러닝 기술과 이를 뒷받침하는 고성능 연산 인프라가 있었기에 가능했습니다.

또한 알파폴드의 진정한 혁신은 오픈 사이언스를 지향했다는 점입니다. 딥마인드는 2억 개가 넘는 단백질 구조 예측 데이터를 전 세계에 무료로 공개했고, 현재 200만 명 이상의 연구자들이 이를 활용하고 있습니다. 이는 코로나19 백신의 신속한 설계, 알츠하이머와 같은 난치성 질환의 메커니즘 분석, 플라스틱 분해 효소 개발 등으로 이어져 과학계에서 가장 활발하게 활용되는 AI라고 할 수 있습니다.

▲ 2024년 노벨 화학상 수상자 (©The Royal Swedish Academy of Sciences)

2024년, 알파폴드를 개발한 데미스 하사비스(Demis Hassabis), 존 점퍼(John M. Jumper), 데이비드 베이커(David Baker)는 노벨 화학상을 공동 수상하며, AI 기반 기술로는 최초로 노벨상의 영예를 안았습니다. 또한, 같은 해 5월에 공개된 알파폴드3는 단백질 간 상호작용뿐 아니라 DNA, RNA, 항체, 리간드* 등 다양한 생체분자와의 상호작용까지 예측하면서 바이오 연구에 더욱 강력한 도구로 자리 잡았죠. 다만 알파폴드3는 소스코드를 비공개로 전환하면서 과학계의 오픈 사이언스 가치에 대한 논란을 불러일으키기도 했습니다.

* 리간드(Ligand): 생물학적 목적을 위해 생체분자와 복합체를 형성하는 물질이다. 단백질-리간드 결합에서 리간드는 단백질의 특정 부위에 결합해 신호를 발생시키는데, 이러한 결합은 표적 단백질의 입체구조적 변화를 초래한다.

세상에 없던 물질을 찾는 AI: 구글놈(GNoME)

▲ 구글 딥마인드의 신소재 모델 예측 AI, 구글놈

AI는 세상에 없는 물질까지도 찾아내며 과학의 또 다른 영역을 개척하고 있습니다. 특히 신소재 개발 분야가 그 대표적인 사례죠. 수천 가지 원소의 다양한 조합과 수많은 결정 구조, 복잡한 물성 속에서 새로운 소재를 발견하는 일은 가내수공업에 가까운 노력이 필요했습니다. 새로운 물질 하나를 찾는 데 수년이 걸리는 일도 흔했죠. 하지만 이제는 AI가 신소재 연구의 핵심으로 자리 잡고 있습니다. 그 대표적인 AI가 바로 구글 딥마인드가 2023년 말에 발표한 구글놈(GNoME, Graph Networks for Materials Exploration)입니다.

구글놈은 기존에 알려지지 않은 신소재를 빠르고 정확하게 예측할 수 있는 AI 모델입니다. 수십만 개에 달하는 결정 구조 데이터를 학습한 뒤, 그 안에서 원자 간 결합 규칙과 에너지 안정성의 패턴을 추출하는데요. 이후 가능한 조합을 시뮬레이션해, 고체 결정으로써 안정적으로 존재할 가능성이 높은 물질 후보를 자동으로 생성하는 방식이죠. 이 예측 과정은 단순한 패턴 매칭을 넘어, 양자역학 기반 계산과 보로노이 알고리즘* 같은 물리 기반 모델링을 포함하고 있어 더욱 정밀합니다.

* 보로노이 알고리즘: 하나의 공간에 여러 점이 있을 때, 각 점이 차지하는 ‘가장 가까운 구역’을 계산해 내는 알고리즘

▲ 양자역학 계산: 원자들이 어떤 힘으로 작용하고 전자가 어떻게 움직이는지를 계산 (©Max Planck Institute for the Structure and Dynamics of Matter)

▲ 보로노이 알고리즘: 원자 간 공간 분포와 경계를 수학적으로 나누는 기법(©Ovito)

양자역학 계산은 원자들이 어떻게 상호작용하고 전자가 어떤 궤도로 움직이는지를 분석하여, 해당 조합이 물리적으로 존재 가능한지를 평가합니다. 한편, 보로노이 알고리즘은 각 원자가 공간에서 차지하는 영역과 이웃 원자와의 거리 분포를 기반으로, 충돌 없이 안정적인 결정 구조를 형성할 수 있는지를 따지죠. 이처럼 양자역학의 미시적 상호작용과 공간 기하 구조까지 함께 고려하기 때문에, 구글놈의 예측은 단순한 데이터 기반 추정보다 훨씬 더 물리적으로 타당하고 실험 가능성이 높은 결과를 도출할 수 있는 겁니다.

▲ 여러 방법을 통해 발견한 안정적인 신소재 개수(©Google DeepMind)

이렇게 철저한 이론 기반 시뮬레이션을 통해 구글놈은 무려 250만 개 이상의 신소재 후보군을 생성했고, 이 중 약 38만 개는 실험적으로도 안정적일 가능성이 매우 높은 것으로 평가됐습니다. 이는 기존 방식대로라면 수천 명의 과학자가 수십 년을 투자해야만 달성할 수 있는 규모인데요. 이를 통해 AI가 과학의 속도를 얼마나 빠르게 바꾸고 있는지를 단적으로 볼 수 있죠.

현재 구글놈은 배터리, 반도체, 초전도체, 에너지 저장 소재 등 첨단 재료 산업의 핵심 분야에서 실제 후보 물질 탐색에 적극적으로 활용되고 있습니다. 특히 차세대 에너지 소자나 양자컴퓨팅용 소재처럼 실험 접근이 어려운 분야에서는 구글놈이 제안하는 후보군을 바탕으로 연구의 방향을 설정하는 사례가 늘고 있죠. 구글놈은 단순한 계산 도구를 넘어, 인간이 아직 도달하지 못한 물질의 가능성을 열어주는 ‘지능형 과학 파트너’로 자리 잡아 가고 있습니다.

분자의 언어를 이해하는 AI: 켐프롭(Chemprop)

▲ 분자의 화학적 특성을 예측하는 AI 모델, 켐프롭

화학은 오랜 시간 동안 ‘직관’과 ‘경험’의 학문으로 여겨져 왔습니다. 수많은 화합물의 특성과 반응 경로를 예측하려면, 복잡한 이론 지식과 오랜 실험 경험이 필수였죠. 하지만 최근 AI는 분자의 특성을 해석하는 방식을 근원적으로 바꾸고 있습니다. 바로 그 중심에 있는 기술이 켐프롭(Chemprop)입니다.

▲ 켐프롭은 분자식이나 구조식으로 표현되던 기존 화학 모델링을 GNN을 통해 그래프로 표현(©Wojtuch, Agnieszka, et al. “Extended study on atomic featurization in graph neural networks for molecular property prediction.” Journal of Cheminformatics 15.1 (2023): 81.)

켐프롭은 2019년 MIT의 그린 연구실에서 개발된 분자 특성 예측 AI 모델입니다. 켐프롭의 가장 큰 특징은, 기존 화학 모델링과는 전혀 다른 방식으로 분자를 인식한다는 점이죠. 전통적인 모델은 분자를 원자 배열이나 화학식으로 단순하게 표현했지만, 켐프롭은 조금 특별합니다. 분자를 단순한 화학식이 아닌, 원자(Node)와 결합(Edge)으로 구성된 그래프 형태로 인식하고, 그래프 신경망*을 활용해 분자 내에서 일어나는 전자 이동과 상호작용을 학습하는 것이죠. 이 방식은 기존 모델보다 훨씬 더 정밀하게 분자의 물리적, 화학적 특성을 예측할 수 있게 해줍니다.

* 그래프 신경망(GNN, Graph Neural Network): 그래프 구조의 데이터를 효과적으로 학습하기 위한 딥러닝 모델, 그래프의 개별 객체인 원자를 나타내는 노드(Node)와 노드 간의 관계나 연결, 결합을 나타내는 엣지(Edge)를 통해 학습한다.

▲ 물 분자로 알아본 노드와 엣지

또한 켐프롭은 독성, 용해도, 안정성, 생물학적 활성 등 다양한 특성을 예측할 수 있으며, 이를 통해 신약 후보 물질의 성능과 부작용을 미리 파악할 수 있는데요. 실제로 머크, 노바티스 등 글로벌 제약사들은 켐프롭을 도입해 신약 개발 기간을 1~2년 단축하는 데 성공했죠. 그렇기에 켐프롭은 신약 개발 분야에서 강력한 도구로 떠오르고 있습니다.

게다가 켐프롭은 지속 가능한 화학 물질 개발에도 활용됩니다. 플라스틱 대체 소재나 친환경 촉매 개발 과정에서 실험 전 물질의 가능성을 빠르게 예측함으로써 자원 낭비를 줄이고 환경 부담을 줄이는 ‘그린 AI’로도 주목받고 있습니다.

무엇보다 켐프롭은 오픈소스로 공개돼 있다는 점에서 접근성과 확장성이 뛰어나 전 세계의 대학 연구실이나 스타트업도 손쉽게 자체 예측 모델을 만들 수 있고, 몇 줄의 코드만으로 특정 화합물 군에 특화된 분석 시스템을 구축할 수 있습니다. 이로써 켐프롭은 화학의 세계를 해석하는 방식을 근본부터 다시 쓰고 있는 중이죠.

하늘을 감시하는 AI: 헬리오링크3D(HelioLinc3D)

▲ 소행성 탐지 AI, 헬리오링크3D

생명과 물질, 화학을 넘어 AI는 이제 우주의 질서를 읽기 시작했습니다. 워싱턴대학교에서 개발한 헬리오링크3D(HelioLinc3D)는 소행성 탐지를 위한 AI 알고리즘으로, 천문학계의 새로운 표준을 제시하고 있습니다.

▲ 짧은 시간 동안 동일한 천체가 연속적으로 관측되면 궤도를 추정하는 방식(© JPL | NASA Center for Near-Earth Object Studies)

기존의 소행성 탐지는 ‘Tracklet-based linking*’ 방식으로, 하룻밤 사이 동일한 천체가 최소 4회 이상 연속적으로 포착돼야 궤도 추적이 가능했습니다. 따라서 밝고 빠르게 이동하는 소행성만 탐지가 가능했고, 느리게 움직이거나 희미하게 보이는 천체는 아예 데이터에서 제외되는 경우가 많았죠.

하지만 헬리오링크3D는 전혀 다른 접근을 시도했는데요. 다른 날, 다른 위치에서 촬영된 흩어진 관측 데이터를 AI가 스스로 연결해 하나의 궤도를 추론한 것입니다.

헬리오링크3D는 수백만 개의 관측 데이터를 동시에 분석하며, 밝기, 속도, 방향, 위치 등을 바탕으로 잠재적 천체 후보를 추론하고, 이들을 하나의 천체로 연결해 냅니다. 흩어진 정보를 통합하고, 3차원 궤도 해석 모델과 일치시키는 기술이 바로 헬리오링크3D의 핵심이죠. 이 과정을 통해 기존 시스템에서는 놓쳤던 천체들까지 포착할 수 있게 되었습니다.

* Tracklet-based linking(트랙렛 기반 연결): 짧게 추적한 여러 객체 경로(Tracklet)를 나중에 이어 붙여 하나의 긴 이동 경로를 복원하는 기법이다. 가려짐이나 일시적 손실을 보완해 지속적인 추적을 가능하게 한다.

▲ 여러 날 나눠 찍힌 데이터 조각들을 모아 하나의 궤도로 재구성(©ATLAS/University of Hawaii Institute for Astronomy/NASA)

실제로 2023년, 헬리오링크3D는 기존 탐지 방식으로는 확인할 수 없었던 소행성 ‘2022 SF289’를 조기에 포착하며 주목받았는데요. 이 소행성은 천천히 움직였고, 배경 별빛과 겹쳐 있었으며, 관측 데이터가 서로 다른 날짜와 위치에 흩어져 있어 기존 방식이라면 아예 탐지 시도조차 어려운 대상이었죠.

하지만, 헬리오링크3D는 서로 다른 날짜에 촬영된 단편적 관측 데이터를 마치 흩어진 퍼즐을 맞추듯이 결합해 새로운 소행성 궤도를 찾아낸 것이죠. 이 기술은 향후 미국의 초대형 관측 프로젝트 LSST*에 본격적으로 도입될 예정이며, 매일 수십 테라바이트(TB)에 달하는 우주 데이터를 분석하는 데 필수적인 역할을 하게 될 것입니다.

* LSST(Legacy Survey of Space and Time, 우주와 시간의 유산 관측 프로젝트): 미국에 위치한 버라 루빈(Vera Rubin) 천문대에서 진행하는 대규모 프로젝트, 10년 동안 약 370억 개의 천체를 관측하는 프로젝트로 수많은 천체의 변화를 기록한다.

AI는 과학의 파트너가 되고 있다

▲ 단순한 조력자를 넘어 실험 설계, 데이터 분석, 시뮬레이션 예측 역할까지 하는 AI

과학의 본질은 질문과 관찰, 그리고 해석입니다. 지금까지는 이 과정의 중심에 사람이 있었다면, 이제 AI는 실험 설계자이자 데이터 분석가, 탐색자, 심지어는 우주의 감시자 역할까지 수행하고 있죠.

알파폴드는 생명의 퍼즐을 풀고, 구글놈은 신소재의 지도를 새로 그리고 있으며, 켐프롭은 분자의 언어를 해석하고, 헬리오링크3D는 보이지 않던 천체를 추적합니다. 각기 다른 분야의 AI들이 과학이라는 하나의 목표를 향해 달려가고 있는 것이죠. 이러한 AI 기술들의 발전 뒤에는 SK하이닉스와 같은 기업들의 끊임없는 기술 혁신이 중요한 기반이 되고 있습니다.

▲ 과학계 패러다임을 바꿀 AI 기술 발전에 기여하고 있는 SK하이닉스

물론 AI는 만능은 아닙니다. 인간의 직관, 윤리적 판단, 창의성은 여전히 과학의 핵심 자산입니다. 그러나 분명한 사실은 AI는 과학의 속도를 바꾸고 있고, 이제 과학은 AI와 함께 앞으로 나아가야 한다는 점입니다. AI 기술의 발전과 함께 데이터 편향성, 악용 가능성 등 윤리적인 문제에 대한 심도 있는 논의와 안전장치 마련 또한 중요합니다.

미래에는 또 어떤 AI 기술이 과학의 다음 챕터를 열게 될까요? 그 여정을 기대해 봐도 좋을 것 같습니다.

1편에서는 회사 창립부터 현재까지 SK하이닉스가 직면했던 위기와 도전을 조명하고 그 속에서 드러난 원팀의 저력을 살펴본다.

후발주자 핸디캡 딛고, 흑자 전환에 성공하다

SK하이닉스가 반도체 산업에 발을 들인 건 1983년의 일이다. 당시 시장은 미국과 일본이 양강 구도를 형성하고 있었다. 반도체 불모지인 한국에서, 그것도 후발주자로 뛰어든다는 것은 무모한 시도나 다름없었지만, SK하이닉스는 과감한 도전에 나서게 된다.

안타깝게도 현실은 녹록지 않았다. 회사는 설립 초기의 패기가 무색하게 선발주자와의 기술 격차를 좁히지 못했다. 공장 건설이 지연된 가운데 어렵게 이천 팹(Fab)을 짓고 16K(킬로비트) S램 시험 생산도 성공했지만, 제품 개발 지연과 생산 부진이 잇따르는 등 모든 부문에 빨간불이 켜졌다.

창립 2년 만에 들이닥친 위기, 하지만 포기하기엔 너무 이른 시점이었다. 이에 회사는 인력 확보 및 기술력 향상에 역량을 집중하기로 한다. 결과는 성공적이었다. SK하이닉스는 연구개발 인력을 늘리고 인프라를 확충하며 기술력을 다졌고, 1987년 자체 기술로 256K D램을 개발하게 된다.

기세는 1988년 이후로도 이어졌다. 업황 개선(업턴)에 따른 훈풍도 힘을 실어줬다. 1M(메가비트) D램, 4M D램을 개발하는 등 회사는 연이어 D램 자체 개발에 성공했다. 1988년에는 256K D램 판매 호조와 함께 흑자를 기록했다. 창립 5년 만에 이룬 성과였다.

당시 구성원들은 ‘100일 동안 수율 50% 달성’을 목표로 ‘150 작전’을 펼치는 등 후발주자 핸디캡을 극복하고자 한마음으로 움직였다. 회사의 성장 의지, 구성원들의 하나 된 집념이 없었다면 불가능한 일이었다. SK하이닉스가 반도체 산업에 뿌리내리는 데 큰 역할을 했던 원팀 스피릿은 훗날에도 위기를 극복하는 DNA가 돼주었다.

위기 극복 DNA, 원팀 스피릿으로 극적인 부활에 성공하다

SK하이닉스의 원팀 스피릿은 1990년대 초를 강타했던 불황에서 또 한번 빛났다. 당시 회사는 불황 대응 카드로 ‘투자 확대’를 꺼내 들었다. 턴어라운드(반등)를 예측하고, 16M, 64M D램 양산 및 미래 준비에 수천억 원 투자를 단행했다. 한 치 앞을 모르는 불안 속에서도 구성원들은 노사불이(勞使不二)*를 선언하며 위기 극복에 팔을 걷고 나섰다.

그러던 1995년, 회사의 예측대로 반도체 산업은 유례없는 호황을 맞았다. SK하이닉스는 16M, 64M D램 중심으로 투자를 늘린 덕에 많은 이익을 거두게 된다. 이번에도 회사를 믿고 한마음으로 뭉친 원팀 스피릿이 큰 성과로 이어진 것이다.

위기 극복의 정점은 2001년이었다. 다시 찾아온 불황은 여느 해보다 극심했다. 엎친 데 덮친 격으로 회사는 눈덩이처럼 불어난 부채와 닷컴 버블 붕괴라는 삼중고를 앓고 있었다. 결국 SK하이닉스는 워크아웃(채권단 공동관리)에 들어갔고 ‘회사를 헐값에 판다’는 흉흉한 소문마저 나돌았다.

반면 구성원들은 포기를 몰랐다. “한 푼이라도 아끼자”며 월급을 반납하고 무급휴직에 동참했다. 이천시민도 발 벗고 나서 ‘하이닉스 살리기 범시민 운동’, ‘하이닉스 주식 갖기 운동’을 펼치며 회생을 지원했다.

연구원들은 밤새워 연구하며, 값비싼 신규 장비 대신 기존 장비를 개조해 미세 공정(0.15 마이크론*) 제품을 만드는 데 성공했다. 이것이 지금까지 회자되는 ‘블루칩 프로젝트’다. 이후 1Gb(기가비트) DDR2 및 512M 낸드플래시 개발, 300mm 웨이퍼 양산 등의 성과를 달성한 SK하이닉스는 2005년 워크아웃 조기 종료를 확정했다. 그야말로 노사불이, 원팀 스피릿의 저력을 보여준 순간이었다.

AI 메모리 시장 1위, 다시 한번 원팀 스피릿

SK하이닉스의 원팀 스피릿은 ‘잘나갈 때’ 더 빛났다. 2012년 회사는 SK그룹에 편입되며 성공 가도에 몸을 실었다. 당시 SK는 회사의 높은 성장성을 내다보고 과감한 투자를 결정했다고 밝힌 바 있다.

수조 원대 지원을 받은 회사는 글로벌 제휴, 투자, 연구개발을 활발히 펼쳤고 팹을 증설하며 착실히 미래를 준비했다. 기술은 물론 기업문화도 정비했다. 구성원 성장을 돕는 프로그램을 마련하고 ‘원팀’을 대표 기업문화로 내재화했다. 이를 통해 구성원과 조직들이 융합하고 혁신하는 환경을 조성했다.

원팀 스피릿으로 결집한 구성원들은 고객과 시장 수요에 부합하는 10나노급 DDR5 D램과 초고층 4D 낸드플래시, 고용량 SSD 등의 혁신 제품을 쏟아내며 연간 최대 실적을 갈아치웠다.

그 중에서도 핵심은 단연 HBM*이었다. SK하이닉스가 2009년부터 미리 준비한 HBM은 AI 시대에 접어들며 폭발적으로 성장했다. 배경에는 제품을 설계하고 소자를 개발하는 전공정 조직부터 칩을 전기적으로 연결하는 후공적 조직까지 전 구성원이 모여 성능 향상에 몰두했던 원팀 문화가 있다. 그 결과 TSV*, MR-MUF*, 어드밴스드 MR-MUF* 등 혁신적인 기술을 바탕으로 지금의 HBM이 탄생했다.

이러한 개발 흐름은 HBM4까지 이어졌고, 회사는 지난 3월 HBM4 12단 샘플을 고객사에 가장 먼저 공급하는 성과를 이뤘다[관련기사]. SK하이닉스가 AI 메모리 시장 1위라는 지위를 얻으며, 1983년 반도체 산업에 진입한 늦덕*이 마침내 성덕*으로 거듭난 것이다.

성장에 성장을 거듭하고 있는 SK하이닉스는 현재 120조 원을 투자해 용인 반도체 클러스터를 조성하고, M15X, 인디애나 팹 등 신규 팹 구축을 준비하는 등 몸집을 키우고 있다.

풀 스택 AI 메모리 프로바이더(Full Stack AI Memory Provider)로 도약하기 위한 이 같은 도전 앞에서 구성원들은 원팀의 저력을 발휘하고자 다시 한번 각오를 다지고 있다.

▲ 킵콴님의 강연을 듣고 있는 앰버서더들

“좋은 프롬프트는 창작자의 상상력을 현실로 확장하는 출발점”

AI에게서 어떻게 좋은 결과물을 얻을 수 있을까? 핵심은 AI에게 던지는 질문, 즉 ‘프롬프트(Prompt)’였다. 아무리 성능이 뛰어난 AI라도 입력 문장이 애매하거나 모호하면, 만족스러운 결과를 얻기는 어렵다. 따라서 좋은 결과물을 얻으려면 단어를 나열하는 방식에서 벗어나 창작자의 의도를 분명히 전달할 수 있는 구조화된 사고가 중요하고, 이를 기반으로 도출된 좋은 프롬프트가 필요하다.

▲ 프롬프트를 다섯 가지 단계에 맞춰 작성하고 있는 김진재 앰버서더

강연에 나선 킵콴님은 좋은 프롬프트를 구성하는 다섯 가지 단계로, ▲목적 ▲스토리 ▲도구 ▲디테일한 묘사 ▲컬러/무드를 소개했다. 그는 “이 과정을 통해 단어 하나하나에 의미를 담아 구조화된 문장으로 정리하면, AI가 창작자의 의도를 보다 정확히 파악해 그에 맞는 결과를 도출할 수 있다”며 “이 모든 과정은 단순히 기술을 활용하는 수단이 아니라, 창작자의 상상력을 현실로 확장하는 출발점”이라고 설명했다.

AI와 사람, 캐치볼을 시작하다…기술보다 중요한 건 사람, 그리고 그의 이야기

또, 킵콴님은 AI와의 협업을 ‘캐치볼’에 비유하며, 창작 과정에서 상호작용의 중요성도 강조했다. 사람이 먼저 스토리를 AI에게 던지면, AI는 이를 바탕으로 여러 제안을 되돌려준다. 이후 어떤 결과를 선택하고, 어떻게 다듬어 완성할지는 다시 사람의 몫이다.

이 과정은 반복되며, 창작자는 끊임없이 판단하고 조율해 나가야 한다. 단순히 ‘AI가 만들어준 결과’를 그대로 수용하는 것이 아니라, 의도한 바와 얼마나 일치하는지 끝까지 확인하고 책임지는 태도가 필요하다는 것이다. 실제로 킵콴님은 “영상 콘텐츠를 만들 때도 발상과 이야기 구성, 콘티 설계부터 편집과 최종 검토까지 모든 단계에서 사람이 주도적으로 개입해야 한다”고 힘주어 말했다.

▲ 앰버서더만의 이야기를 담은 SK하이닉스 마스코트를 들고 앰버서더들이 기념사진을 찍고 있다.

가장 인상 깊게 다가온 메시지는 기술보다 먼저 고민해야 할 것이 바로 ‘이야기’라는 점이었다. 아무리 많은 도구와 기술이 있어도 그 안에 담을 이야기가 없다면 AI가 만들어낼 수 있는 결과에는 한계가 있기 때문이다. 결국 좋은 결과물은 풍부한 경험과 학습에서 비롯된 이야기에서 시작되며, 그것을 얼마나 구체적으로 묘사하고 설명할 수 있는지에 따라 AI의 반응도 달라진다.

김진재 앰버서더는 “이번 강연을 통해 SK하이닉스 대학생 앰버서더들은 단순히 AI 사용법을 익히는 것을 넘어, ‘창작자란 무엇인가’, 그리고 AI 시대에 인간은 어떤 역할을 해야 하는지 깊이 고민할 수 있었다”며 “누구나 창작자가 될 수 있는 시대지만, 진짜 콘텐츠는 여전히 사람의 생각과 감각에서 비롯된다는 것을 다시 한번 되새길 수 있어 정말 좋았다”고 말했다.

반도체 제조 공정이 점점 더 정밀해지고 복잡해지면서, 양산기술 직무의 중요성도 더욱 커지고 있다. 뉴스룸은 SK하이닉스 대학생 앰버서더 이수인, 김동환 학생과 함께 SK하이닉스 양산기술 직무에서 활약 중인 현업 구성원 이희규 TL(양산기반기술 PM/급소팀), 박류빈 TL(DRAM METAL기술팀)을 만나 직무에 관한 이야기를 나눴다. 양산기술 엔지니어들이 실제로 담당하는 역할과 필요한 역량은 무엇인지, 그리고 취업을 준비하는 학생들에게 도움이 될 현실적인 팁까지 생생하게 담았다.

반도체 양산 현장의 숨은 주역, 양산기술

양산기술 직무는 반도체 양산 공정의 안정성과 효율성을 극대화할 수 있는 최적의 설루션을 제공에 중점을 두고 있으며, 이를 위해 반도체 공정 및 장비를 관리하고, 제품이 문제없이 양산될 수 있도록 다양한 기술적 역할을 수행한다.

양산기술 직무를 이끄는 두 축은 공정 엔지니어와 장비 엔지니어다. 공정 엔지니어는 공정 조건을 테스트하고 최적화하여 반도체 양산이 원활하게 이루어지도록 설계한다. 다양한 공정 레시피 조건 평가와 측정 데이터 분석을 통해 양산 효율을 높이고 품질을 유지하는 것이 주요 역할이다. 장비 엔지니어는 반도체 생산 장비의 셋업, 점검, 개조·개선 등을 수행하며, 안정적인 운용을 위한 유지보수를 담당한다. 또한, 장비에 이상이 발생하면 신속히 대응하여 생산 중단을 방지하고, 정기 유지관리(PM) 및 부품 수급 등을 통해 최적의 장비 상태를 유지한다.

이 외에도 양산기술 직무에는 다양한 역할이 필요하다. 웨이퍼 결함, 반도체 수율, 공정 파라미터 표준화 등을 관리하는 엔지니어들이 대표적이다. 이들은 각자의 위치에서 제품이 안정적으로 양산되기까지 전 과정에 책임을 가지고 임무를 수행하고 있으며, 모두 원팀 마인드로 긴밀하게 협업하고 있다.

양산기술은 이런 인재를 찾는다

▲ 대학생 앰버서더들에게 데이터 분석 업무에 관해 설명하는 이희규TL(앞장), 공정 장비 셋팅에 관해 설명하는 박류빈 TL(뒷장)

반도체 양산은 단순한 ‘제품 생산’이 아니다. 수율, 품질, 효율성을 동시에 끌어올려야 하는 대규모 제조 환경에서 수많은 변수와 리스크를 실시간으로 예측하고 통제해야 한다.

따라서 양산기술 직무에서는 가장 중요한 역량으로 데이터 분석 능력이 꼽힌다. 반도체 양산은 수많은 팀이 데이터를 기반으로 의사결정하고 협업하는 구조로, 데이터를 해석하고 활용해 문제를 진단하는 역량은 공정 최적화, 수율 향상, 공정 안정성 확보 등 다양한 영역에 직결되기 때문이다. 또한, 공정 조건 최적화를 위해 끊임없이 노력해야 하는 공정 엔지니어에게는 문제 해결 능력이, 장비사 등의 협력 업체와의 소통이 필수인 장비 엔지니어에게는 원활한 커뮤니케이션 역량이 필수다.

SK하이닉스 채용 업무를 담당하는 송상목 TL(Talent Acquisition팀)은 “하나의 반도체가 생산되기까지 수많은 장비에서 다양한 공정이 진행되기 때문에, 역할의 구분을 넘어 서로의 업무와 지식을 이해하는 태도가 중요하다”고 강조했다. 또한, “M15X , 용인 반도체 클러스터 등 신규 팹이 오픈할 예정으로 양산기술 직무의 중요성과 채용 수요가 모두 높아지는 추세”라며 “배우려는 태도와 강한 의지를 가진 많은 취업 준비생의 도전을 기대한다”라고 덧붙였다.

▲ (왼쪽부터)양산기술 직무와 관련해 인터뷰를 진행하고 있는 이희규 TL, 박류빈 TL (앞장) 김동환, 이수인 앰버서더(뒷장)

Q1. 간단한 자기소개 부탁드립니다.

박류빈 TL: DRAM METAL 기술팀에서 장비기술 엔지니어로 근무하고 있습니다. 생산 효율을 높이기 위해 장비 개조·개선, 신규 장비 셋업, 장비 이전·철거 등 반도체 생산 장비 전반을 관리하고 있으며, 현장과 긴밀히 협력해 장비의 유지보수 업무도 함께 담당하고 있습니다.

이희규 TL: 양산기반기술 PM/급소팀에서 반도체 장비의 셋업과 정기 점검(PM)에 필요한 사양을 표준화하고, 이를 시스템으로 구축하는 업무를 담당하고 있습니다. 또한, 양산 전 회사 기준에 맞게 장비 셋업이 잘 되었는지 점검하는 급소 업무도 함께 진행하고 있습니다.

Q2. 양산기술 직무에서 가장 중요한 역량은 무엇이라고 생각하나요?

박류빈 TL: 데이터 분석력을 꼽고 싶습니다. 장비 엔지니어지만 실제 업무에서는 장비보다 데이터를 다루는 경우가 더 많습니다. 데이터를 보고, 분석하고 향후 액션에 대한 방향성을 결정하는 일이 무엇보다 중요합니다.

이희규 TL: 소통 능력 또한 중요합니다. 양산기술 직무는 타 부서와 함께 진행해야 하는 업무가 많기 때문에, 협업이 원활하지 않으면 일의 진행 자체가 어려워질 수 있습니다. 회의도 많고, 조율할 일도 많기 때문에 유관 부서와의 원활한 커뮤니케이션이 핵심 역량 중 하나라고 생각합니다.

Q3. 현업에서 가장 많이 겪는 도전 과제는 무엇인가요?

박류빈 TL: 장비 관련 이슈가 생산 일정에 영향을 줄 수 있는 상황에서, 어떤 작업을 먼저 진행할지 결정하는 과정이 가장 어렵습니다. 공정 가동에 미치는 영향을 고려해 우선순위를 판단해야 하며, 때로는 선배나 리더의 조언을 받기도 합니다. 또 처음 접하는 이슈의 경우, 관련 데이터를 철저히 분석하고, 장비사 엔지니어 및 현장과 소통하면서 다양한 해결책을 시도해보며 문제를 풀어갑니다.

이희규 TL: 비용 절감, 수율 향상, 고품질 제품 생산을 동시에 달성하기 위해 늘 고민하고 있습니다. 최근에는 업무를 ‘표준화, 최적화, 자동화’하는 방향으로 개선하고 있습니다. 이를 위해서 끊임없는 자기 개발도 중요한데요. 저는 사내 교육 플랫폼인 SKHU*를 통해 필요한 지식과 역량을 지속적으로 보완하며 문제를 해결하고 있습니다.

* SKHU(SK hynix University): 대학 학제 체계를 갖춘 사내 교육 플랫폼

Q4. 양산기술 직무를 꿈꾸는 학생들에게 조언을 해준다면?

박류빈 TL: 아무래도 기본적인 반도체 공정에 대한 이해도가 높은 사람이 현업에서도 일을 수월하게 배울 수 있기 때문에, 관련 지식이 업무에 도움이 많이 될 것 같습니다. 또한, 최근 회사 내에선 소프트웨어 및 프로그래밍 능력에 대한 중요성이 커지고 있는데요. 미리 관련 역량을 쌓아온다면, 업무에 도움이 많이 될 것 같습니다.

이희규 TL: 기본적인 공정의 이해도와 데이터를 다룰 수 있는 역량 정도는 필요하다고 생각하지만, 사실 신입사원에게 바로 실무를 수행하는 역량까지는 기대하지는 않습니다. 실무를 통해 배우는 것이 더 중요하니까요. 자기소개서나 면접에서 무엇보다 배우려는 의지와 문제 해결능력을 어필한다면 좋은 결과가 있을거라고 생각합니다.

SK하이닉스 대학생 앰버서더와 함께한 생생한 양산기술 직무 체험기