VR, AI, Robotics, Kinect, Sound 그리고 VR Suit의 시너지가 중요 몰입도 극대화 통한 수익성 확대
Total Page：16
File Type：pdf, Size：1020Kb
Entertainment Technology - Entertainment Technology가 가져올 우리의 미래 - Analyst 김영우 / 02-3773-9244 / IT총괄, 반도체, 디스플레이 Analyst 최관순 / 02-3773-8812 / 지주, 통신, 게임, 인터넷 AltAnalyst 김민규 /02/ 02-3773-8497 / IT 장비, 소재 Analyst 박형우 / 02-3773-8889 / 휴대폰, 전기전자, 통신장비 [ Table of contents ] Analyst 김영우 (IT총괄/반도체/디스플레이) hermes_ [email protected] 02-3773-9244 1. 자동차 Arcade Game ⇒ 무인자동차 Analyst 2. 인공지능과의 결합 ⇒ AlphaGo 최관순 (통신/지주/인터넷/게임) [email protected] 3. Game에 사용되는 AI의 2가지 종류 02-3773-8812 4. 비몽사몽, 여진여몽의 상태로 이끌어 줄 Technology Analyst 김민규 5. 기타 Industry로의 파급효과 (IT장비/소재/IT중소형주) [email protected] 02-3773-8497 6. 글로벌 리딩업체의 전략적 제휴 및 M&A 7. Global Top-picks와 Supply Chain 구성도 Analyst 박형우 (휴대폰/전기전자/통신장비) [email protected] 02-3773-8889 Summary - E.T Chipset & Set & Cloud 1. 첨단기술 상용화의 시작은 Entertainment Technology에서 출발 - 사용자의 몰입도를 최대한 높이려면, 보다 높은 수준의 Reality와 인공지능(AI) 구현이 기본 - 뛰어난 그래픽 성능 구현 및 병렬컴퓨팅에 의한 인공지능 강화를 위해 필요한 핵심부품은 GPU - VR, AI, Robotics, Kinect, Sound 그리고 VR Suit의 시너지가 중요 몰입도 극대화 통한 수익성 확대 2. 디바이스 H/W Spec 강화를 통한 Reality 향상 - VR 디바이스 보급 확대 명암비와 반응속도가 뛰어난 초고해상도 OLED 및 DRAM 수요 급증 전망 - 과거 PDP TV는 고해상도 구현이 불가 SONY PS2 출시 후 본격화된 FHD TV 경쟁에서 LCD에 도태 - 향후 주목해야 할 기술은 1) GPU에서의 Direct-to-display와 2) VR과 AR 기능이 결합된 Mixed Reality (MR) 3. 강력한 컴퓨팅파워와 뛰어난 알고리즘은 인공지능 향상의 필요충분조건 - 일반적인 게임의 인공지능은 Min-max tree search와 Generic Algorithm의 협업구조로 설계 - GPU에서의 대량 병렬처리를 통해 Tree Search와 Generic Algorithm에서 3~400배 가량 속도 향상 - 1) 저전력 반도체 양산 위한 공정미세화 (Logi c, DRAM) , 2) 서버기능 향상을 위한 3D N and , SCM 등이 중요 3 Summary - E.T Component 1. 국내에서 E.T 수혜기업을 찾는다면, 정답은 부품사 - Entertainment Technology의 대장주라 할 수 있는 선도기업들은 대부분 해외 업체 - Chipset, 하드웨어, 플랫폼, 컨텐츠 기업들은 해외업체가 다수 - 그러나 E.T 부품 산업에서는 국내 업체들이 핵심적 역할 수행 가능 2. E.T 산업 내 반도체, OLED, 카메라 부품산업의 성장을 전망 - DRAM, NAND, AP, CMOS 등 다양한 반도체 분야에서 선전 중인 삼성전자에 주목 - 카메라 부품사들 또한 수요증가 수혜 받을 것 3. 카메라는 사진, 영상, 심도인지의 중요성 부각되며 채용량 확대 될 것 - 뎁스카메라 시장 성장 전망 - 국내 카메라부품 시장에 내 핵심 카메라 벤더는 약 30개 - 하이엔드 카메라부품을 공급하고, 어플리케이션 다변화 관련 R&D 지속 중인 기업에 주목 (삼성전기, LG이노텍, 파트론, 엠씨넥스, 나무가, 옵트론텍, 세코닉스) 4 Summary - Software 1. VR에서도 경쟁력은 컨텐츠가 될 것 - VR 초기 시장은 HMD 등의 HW 투자가 선행될 것으로 예상하나 HW 보급 이후 경쟁력은 컨텐츠가 결정 - 오큘러스 리프트의 국내 전파인증 완료. 소니와 구글의 HW 출시로 VR 시장 확대 가속화 전망 - 쇼핑, 게임 등 다양한 영역에서 VR이 응용될 수 있지만 게임이 킬러 컨텐츠가 될 전망 2. 초기시장의 선점효과에 주목 - pokemon go 의 성공 이후 AR/VR 게임에 대한 시장 관심은 확대. 관련게임 출시가 잇따르고 있음 - 국내의 경우 조이시티, 드래곤플라이, 엠게임, 한빛소프트 등 중견기업을 중심으로 VR 게임을 개발 중 - 모바일게임의 사례에서와 같이 시장선점이 중요한 요소이기 때문에 현재 VR 게임을 개발하고 있는 개발사에 대한 관심이 필요 3. 우수IP의 중요성과 통신업체 수혜도 전망됨 - 초기 VR 게임은 대부분 기존 게임 IP를 활용한 게임이 주를 이루고 있음 - IP의 중요성은 VR 게임에서도 유효. 우수 IP를 보유하고 있는 게임사에도 주목할 시점 - 데이터 사용량의 증가로 인해 기가인터넷 확대, LTE 사용량 증가 효과 기대 5 1. 자동차 Arcade Game ⇒ 무인자동차 History of Game Technology 게임 종류 및 게임 테크놀로지의 주요 기술 • 보드게임 • Power and memory • 퍼즐게임 “Multiple combination” • Vector vs Bitmap • 아케이드 게임 • Laserdisc technology • 콘솔게임 • Controls • PC게임 • Consoles • Mobile 게임 • Hand held games • 슈팅게임 • Linking games • 액션게임 • Computers • 스포츠게임 • • 어드벤처게임 MS Windows • 시뮬레이션게임 • Game engines • 교육용게임 • Improvements in computer technology • 롤플레잉게임 Source : SK증권, History of Game Technology 7 자동차 Arcade Game의 진화 아케이드 레이싱 게임의 혁명 (1980~1990년 중반) 레이싱 시뮬레이션의 시대를 연 ‘그란투리스모(1997)’ 풀바디체감컨트롤러및3D 폴리곤도입 2000년 중반 이후, 3D를 넘어 4D 입체 시대로 진입 풀 바디 컨트롤러의 시대를 연 ‘행 온’과 레이싱 시뮬레이션의 시대를 연 ‘그 최초의 레이싱 휠 탑재 게임 본격적인 3D 레이싱 게임 시대를 연 란투리스모’와 차량에 맞춰 의자가 ‘그란 트랙 10’ ‘버추어레이싱’ 움직이는 모션 디바이스 Source : SK증권, History of Game Technology (Motion Device) 8 Nvidia - GPU based AI Platform (자율주행차 적용) CES 2016에서 엔비디아는 자율주행자동차를 위한 세계 최초의 수퍼컴퓨팅 플랫폼인 드라이브 PX 2를 소개. 1초에 2조 4천억 개의 딥 러닝 연산을 수행할 수 있는 이 슈퍼컴퓨터의 성능은 이미 자동차 업계에서 50여 개의 브랜드가 활용하고 있는 1세대 드라이브 PX의 무려 10배에 달하는 수준. 딥 러닝을 기반으로 하는 엔비디아의 핵심 기술은 고도로 훈련된 심층신경망이 클라우드 기반의 슈퍼컴퓨터에 상주하며 수만 시간의 주행 경험을 분석하고 학습하는 것임. 특히 Audi는 다른 업체의 솔루션으로 2년이 걸렸던 트레이닝을 엔비디아의 기술을 도입한 이후 4시간 만에 해냄. 9 Source : SK증권, Nvidia Case Study: 자율주행차 Level 구분 OEM evolution towards autonomous vehicles Human like Artificial Intelligence Levels 4 & 5 are challenging SAE Level 0 SAE Level 1 SAE Level 2 SAE Level 3 SAE Level 4 SAE Level 5 No Automation Driver Partial Conditional High Full Assistance Automation Automation Automation Automation Ex: ACC Ex: ACC (Driver in the loop) Ex: Normal Ex: All Weather Dynamic Driving Dynamic Driving No control Full control 구분 정의 자율주행의 5단계 미국 고속도로교통안전청(NHTSA), 최근 발생한 테슬라 운전자 사망사고의 원인을 파악하기 위해 자동주행 시스 Level 0 비자동 운전자가 모든 주행기능 제어, 교통상황 모니터링, 안전조작 책임 템의 안정성 점검 등 예비조사에 착수 Level 1 기능별 자동화 차선이탈경보, 자동 긴급제동시스템 등 특정 제어 기능 개별 적용 이에 대해 전문가들은 ‘인명피해는 비극적 손실(Tragic Loss)이지만, 완전자율주행 시대를 역행할 수는 없을 것’ Level 2 복합기능 자동화 1단계의 특정한 제어 기능들이 2개 이상 결합해 복합적으로 적용 이라고 전망 Level 3 제한된 자율주행 특별히 제한된 환경에서만 차량 스스로 운행 및 안전기능을 제어 이와 관련 NHTSA도 자율주행차의 두뇌 역할을 하는 인공지능 등 각종 S/W를 운전자로 간주할 수 있는지에 Level 4 완전자율주행 차량이 모든 주행 및 안전기능을 제어하고 사람은 목적지만 입력 대한 공청회 결과를 발표할 예정 10 Source : SK증권, 언론보도 운전자의 컨디션과 습관을 감안한 자율주행 HMI Technology to Support Automated Drive HMI(Human Machine Interface)는 운전자와 차량 간 정보를 교환하는 모든 채널과 방식을 의미. 가장 기초적인 정보교환 형태를 살펴보면, 운전자는 액셀레이터 페달을 밟아 필요한 가속 정보를 차량에 전달하고, 자동차는 속도계의 바늘을 통해 속도 정보를 운전자에게 제공. 주행정보 이외에도 운전자가 차량 온도를 설정하면 차량은 목표 온도에 맞춰 공조시스템을 조정하고 현재 상태를 LCD 패널에 표시. 자율주행차에서는 운전자와 차량이 주받는주고받는 정보의 복잡성과 다양성이 증가하므로 HMI의 역할이 확대될 것으로 예상. 자율주행기술은 차량 내 부정보는 물론 외부 환경정보를 활용하므로 정보의 복잡성이 증가. 자율주행차에서는 운전자가 주행제어 이외에 다른 활동을 할 수 있으므로 차량에서 소비하는 정보가 다양해질 것임. 이로 인해 개별 운전자에게 최적화된 형태로 필요한 정보를 제공해 줄 수 있는 HMI의 역할이 부각될 것으로 예상. 고속도로뿐만 아니라 복잡한 도심환경에서도 자율주행이 가능한 자율주행차는 2025년 이후에나 상용화될 전망. 사고 발생 시 책임 귀속, 보험 적 용 문제 등 기술 도입과 관련하여 해결해야 할 사회적 문제가 산적해 있기 때문. 11 Source : SK증권, KAICA, Automotive 2. 인공지능과의 결합 ⇒ AlphaGo AlphaGo가 승리하기 위한 최소한의 조건 AlphaGo가 이기기 위해서는 1) 뛰어난 Algorithm 필요 – 바둑은 19*19의 격자점을 가지고 있으므로, 인간이 만든 게임중 가장 복잡도가 높음 1) 착점 가능성 : 192 = 361 2) 상태공간 복잡도 : 3361 (대략 10172) 3) 게임트리 복잡도 : 200 250~300 (대략 10575) – 신경망 (정책망+가치망)을 혼합 적용하고, 경기데이타는 서버에서 가져와 학습하게 하는 방식으로 개발 – 게임트리 복잡도 줄이기 위해 몬테카를로 시뮬레이션과 트리검색(MCTS) 통해 각각의 움직임 확인 장기적으로 효율적인 수 파악 – 게임 종료시까지 무작위 선택만 하는 것은 시간 길어져, MCTS 시간 개선 위해 UCT와 RAVE 등 기법 도입 (1997년 체스 세계 챔피언을 이긴 IBM Deeper Blue는 Brute force 방식으로 게임 트리 Full Search) AlphaGo가 이기기 위해서는 2) 매우 강력한 Computing power 필요 – 인공지능 강화시 속도향상은 CPU 못지않게 GPU(Graphic Processing Unit)의 중요성도 높아질 가능성 높음 일반적인 게임의 인공지능은 Min-max tree search와 Generic Algorithm의 협업구조로 설계 수 많은 계산량을 소모하지만, Solution space의 수많은 후보 벡터에 대해 독립적으로 수행해야 함 GPU상에서의 대량 병렬처리를 통해 수행되면 Tree Search와 Generic Algorithm에서 3~400배 가량 속도 향상 가능 - 저전력 반도체를 위한 공정미세화 (Logic, DRAM , Nand) 및 서버기능 향상을 위한 3D Nand , SCM 등 발전 필요 Source : SK증권 Darkforest와 AlphaGo 비교 Google의 AlphaGo와 Facebook의 DrakForest 비교, 핵심은 알고리즘과 Computing Power의 차이 구분 AlphaGo (Google) Darkforest (Facebook) 1. 인공신경망 구축 1. 인공신경망 구축 - 종류 : 컨볼루션 신경망 (지도학습, 강화학습) - 종류 : 컨볼루션 신경망 - 신경망 층 : 13개 - 신경망 층 : 12개 2. 데이터 2. 데이터 착수 예측 - 총 바둑게임 16만개에서 3천만개 추출 - 총 바둑게임 : 25만개 - 학습과 시험에는 바둑게임 상태가 사용됨 - 학습(train) : 22만개 - 학습(train) : 2900만개 - 시험(test) : 3만개 - 시험(test) : 100만개 - 정확도 : 57.1% - 정확도 : 57.0% (지지학습도학습) MCTS의 정책과 가치 구현에 MCTS와 인공신경망의 탐색 알고리즘 인공신경망 적용 동기화/비동기화 전략으로 구현 성능 프로 9단 아마추어 2단 계산환경 CPU 1920개, GPU 280개 소수의 CPU와 GPU 44개 기존연구와 차별성 강화학습, MCTS와 인공신경망의 결합 MCTS와 인공신경망의 동기화 Source : SK증권, Google Deepmind, Facebook, 소프트웨어정책연구소 더 복잡한 수를 계산하려면 싱글머신보다 병렬처리 필요 고수와 둘수록 다양한 전략적 방향성 발생하여 경우의 수 증가 ⇒ 컴퓨팅 파워가 높아야만 시간내 처리 가능 구글 딥마인드의 개발자, 데미스 하사비스는 컴퓨터 H/W의 용량을 개선하면 오히려 알파고의 성능이 떨어져 H/W 용량을 무조건 늘리지는 않았 다고 함. 이는 컴퓨팅 자원이 무조건 많다고 일을 빠르게 잘하는 것이 아니라 응용의 요구에 맞추어 얼마나 효율적으로 자원을 이용하느냐에 달렸다 는 것을 의미. 딥러닝 응용, 즉 이미지 인식 또는 음성인식의 정확성을 높이기 위해 딥러닝 모델의 규모가 커지고 입력 데이터의 양이 많아질수록 수많은 컴퓨터 가 필요하고 그에 따른 효율적인 분산처리가 필수적임. 딥러닝 분산 트레이닝 시 분산 병렬처리를 통하여 트레이닝 가속을 시도하는데 이의 방법으로 데이터 병렬처리(Data Parallelism)와 모델 병렬처리 (Model Parallelism) 방법이 있음. 데이터 병렬처리란 학습해야 하는 입력 데이터 셋을 다수의 컴퓨터가 나누어 트레이닝하는 방법이고, 모델 병렬 처리란 딥러닝 모델을 나누어 다수의 컴퓨터들이 트레이닝하는 방법임. Source : SK증권, Carnegie Mellon University, ETRI 3. Game에 사용되는 AI의 2가지 종류 게임 종류별로 차별 적용되는 AI Strategy Games Real Time Strategy AI on all s ides (RTS) Turn Based Strategy (TBS) HliHelicop ter Vi ew Role Playing AI in Opponents, Teammates, and Extra characters Games (RPG) Multi Players (MMORPG) Action Games First Person AI in Opponents, Teammates, and Extra characters Shooter (FPS) Sports Games AI in Opponents and Teammates Others Simulations Adventure Games Puzzle Games 17 Source : 업계 자료 AlphaGo 알고리즘 AlphaGo의 두 가지 기본 전략: 고수 따라하기와 두가지 신경망 활용하기 무한대에 가까운 바둑에서의 경우의 수를 마치 인간이 사고하는 방식처럼 어떻게 줄여나가느냐가 인공지능의 바둑 수행 능력을 끌어올리는 핵심.