지식 센터
목차

도시형 AI 영상 관제 하드웨어 아키텍처

도시 AI 영상 관제 하드웨어 아키텍처는 카메라와 서버의 단순한 조합에서 디바이스, 엣지, 클라우드 계층의 이기종 연산이 함께 동작하는 정교한 체계로 발전했으며, 핵심은 전용 AI 칩으로 영상 스트림을 실시간으로 구조화 데이터로 바꾸는 것이다.

스마트 시티가 매일 생성하는 영상 데이터의 양은 오래전에 사람이 직접 볼 수 있는 수준을 넘었다. 수천 대의 카메라를 갖춘 중간 규모 도시 구역은 채널당 하루 수십 기가바이트의 영상을 만들어 내고, 화면을 수동으로 감시하는 것은 현실적이지도 경제적이지도 않다. 업계의 합의는 이제 AI 하드웨어가 데이터 생성 지점에서 추론을 완료하고 가치 있는 텍스트, 좌표, 이벤트 라벨만 되돌려 보내는 것이다. 이것이 바로 도시 AI 영상 관제 하드웨어 아키텍처가 해결하는 근본 문제다.

1. 핵심 개념과 기술 원리

도시 AI 영상 관제 하드웨어 아키텍처는 세 계층으로 나눌 수 있다. 맨 아래는 프런트엔드 인지 계층으로 AI 카메라와 AI 센서가 포함된다. AI 카메라는 NPU나 전용 비전 칩을 내장해 인체 검출, 번호판 인식, 행동 분석을 현장에서 완료한다. 최근에는 이벤트 카메라와 뉴로모픽 센서가 이 계층에 진입했는데, 연속 프레임을 출력하지 않고 밝기 변화나 희소 스파이크만 기록하며 전력을 밀리와트 수준까지 낮출 수 있다.

중간 계층은 엣지 추론으로, 보통 도로변 캐비닛, 공원 데이터룸, 5G 기지국 옆에 배치된다. 이 계층은 영상 집계, 다채널 디코딩, 2차 추론을 처리한다. NVIDIA Jetson 시리즈, Qualcomm QCS 시리즈, Huawei Atlas 시리즈가 일반적인 선택이다. 엣지 디바이스의 핵심 지표는 최고 연산력이 아니라 와트당 추론 처리량과 동시 영상 채널 수다.

최상위 계층은 클라우드 학습과 스케줄링이다. 모델 반복 개선, 지역 간 이벤트 연관, 장기 데이터 아카이빙을 처리한다. 학습 클러스터는 NVIDIA B300, AMD MI350 시리즈 같은 고대역폭 메모리 가속기를 사용하고, 추론 클러스터는 에너지 효율을 더 중시한다. 세 계층은 ONVIF, GB/T 28181 같은 프로토콜로 상호 운용되고 모델은 차등 OTA 업데이트로 전달된다.

2. 주요 제품과 솔루션 비교

일러스트

현재 도시 AI 영상 관제용 칩 솔루션은 대략 세 가지 노선이다.

첫째는 범용 GPU 노선이다. HBM4 메모리를 갖춘 NVIDIA Blackwell Ultra(B300)는 카드당 추론 처리량을 이전 세대보다 크게 높여 클라우드 다채널 영상 구조화에 적합하다. CDNA 4 아키텍처 기반 AMD Instinct MI350 시리즈는 INT8과 FP8 추론 효율에서 Blackwell을 직접 겨냥해 솔루션 사업자에게 두 번째 선택지를 제공한다. Intel Gaudi 3와 후속 Falcon Shores는 GPU와 AI 가속기를 융합한 노선을 택해 개방형 생태계와 이식성을 강조한다.

둘째는 엣지 SoC 노선이다. Qualcomm과 MediaTek의 온디바이스 대형 모델 칩은 이미 수십억 파라미터의 비전 모델을 실행할 수 있고, Apple M 시리즈 칩도 현장 추론 능력을 계속 발전시키고 있다. 이런 칩은 저전력과 비용 통제가 장점이며 카메라 한 대 또는 몇 대당 칩 하나를 두는 구성에 적합하다.

셋째는 전용 비전 칩 노선이다. 저전력 비전 칩과 뉴로모픽 센서는 산업 검사와 경계 보호에 대규모로 배포된다. 범용성을 목표로 하지 않지만 특정 작업에서의 에너지 효율은 매우 높다.

선택은 TOPS 숫자만으로 판단해서는 안 된다. 둘 다 20 TOPS로 표기된 두 칩이 1080p 채널 하나만 처리하는 경우와 여덟 개를 처리하는 경우가 있다. 중요한 것은 메모리 대역폭, 하드웨어 코덱 코어 수, 실제 모델 적합성이다.

3. 스마트 시티 AI 하드웨어의 대표 응용 시나리오

첫 번째 시나리오는 교통 거버넌스다. 교차로에 AI 카메라와 엣지 추론 박스를 배치해 교통량 집계, 불법 주차 식별, 사고 검출을 실시간으로 수행한다. 한 도시가 간선 도로에 200대의 스마트 카메라를 배치한다고 가정하면, 엣지 노드가 먼저 번호판과 차종을 인식하고 클라우드는 구조화 결과만 받으므로 대역폭 사용이 원본 영상의 1퍼센트 미만으로 떨어질 수 있다.

일러스트

두 번째 시나리오는 공원 보안이다. 전자 공장이 공장 경계에 AI 칩을 탑재한 PTZ 카메라와 불릿 카메라를 배치하고 엣지 서버로 침입 감지와 군중 집결 경고를 수행한다. 여기서 하드웨어 솔루션은 공장의 기존 출입 통제 및 소방 시스템과 통합해야 하는 경우가 많다. ZEVON은 산업용 AI 하드웨어 통합에서 실무 경험을 갖추고 영상 추론 결과를 MES, ESOP 같은 시스템과 이벤트 수준으로 연결할 수 있으며, 15개 이상 산업에서 120개 이상 고객에게 서비스해 왔다.

세 번째 시나리오는 도시 거버넌스다. 무허가 노점, 노출된 쓰레기, 사라진 맨홀 뚜껑 같은 이벤트를 AI 카메라가 자동으로 인식해 작업 지시로 전환한다. 엣지 디바이스는 알고리즘 병렬 실행을 지원해 낮에는 도시 미관 알고리즘을, 밤에는 치안 알고리즘으로 전환해야 한다.

네 번째 시나리오는 건설 현장과 위험 화학물질 단지다. 방폭, 방수, 넓은 온도에 대한 엄격한 요구가 있으므로 하드웨어 선택 시 보호 등급과 온도 범위를 우선하고 연산력은 부차적으로 고려해야 한다.

4. 선택 기준과 배포 권장 사항

첫째, 연산력을 세기 전에 채널 수를 세라. 1080p 채널 하나의 인체 검출에는 모델 복잡도와 프레임 레이트에 따라 대략 0.5에서 2 TOPS의 실효 연산력이 필요하다. 최고 TOPS로 구매하지 말고 실제 동시 채널을 기준으로 약 30퍼센트의 여유를 두라.

둘째, 코덱 능력에 주의한다. 많은 엣지 박스가 높은 연산력을 광고하지만 하드웨어 디코딩 채널이 부족해 영상이 들어오지 못한다. H.264와 H.265 하드웨어 디코딩 채널 수는 필수 조건이다.

셋째, 칩 브랜드보다 모델 적합성이 중요하다. 같은 칩이라도 벤더별 모델 변환 툴체인의 성숙도 차이가 크다. 선택 단계에서 공급사에 데이터시트만이 아니라 실제 모델에 대한 벤치마크 결과를 요구해야 한다.

일러스트

넷째, 단계적으로 배포한다. 먼저 프런트엔드에서 필터링해 무의미한 프레임을 버리고, 엣지에서 2차 추론으로 구조화 데이터를 만들며, 마지막으로 클라우드에서 연관 분석을 한다. 세 계층 모두에서 전체 추론을 실행하는 것은 낭비다.

다섯째, 운영에서 원격 업그레이드와 자가 복구를 계획한다. 도시급 배포는 수천 개 노드를 포함하는 경우가 많아 수동 점검에 의존할 수 없다. 하드웨어는 워치독, 원격 재부팅, 차등 OTA를 지원해야 한다.

5. 기술 동향과 전망

향후 3년간 도시 AI 영상 관제 하드웨어는 세 방향으로 이동할 것이다.

첫째, 추론 칩의 메모리 대역폭이 계속 상승한다. NVIDIA Rubin 아키텍처와 HBM4의 양산은 클라우드 추론 처리량을 더 높이고, AMD와 Intel의 경쟁은 연산 단위당 비용을 낮출 것이다.

둘째, 온디바이스 대형 모델 칩이 보안 분야에 진입한다. Qualcomm과 MediaTek의 후속 칩은 이미 엣지에서 멀티모달 모델을 실행할 수 있고, 앞으로는 카메라가 미리 설정된 알고리즘에 의존하지 않고 장면을 자연어로 직접 설명할 수 있다.

셋째, AI 센서가 영상과 융합한다. 이벤트 카메라는 빠른 움직임과 저조도에서 기존 CMOS의 약점을 보완하고, 뉴로모픽 센서는 전력을 마이크로와트 수준까지 낮춘다. 영상 관제와 결합하면 새로운 하드웨어 형태가 등장할 것이다.

시스템 통합 사업자와 도시 관리자에게 지금의 과제는 가장 비싼 칩을 좇는 것이 아니라 디바이스, 엣지, 클라우드 3계층 아키텍처를 명확히 하고 각 계층의 연산을 가장 적합한 위치에 두는 것이다. 하드웨어는 골격이고 알고리즘은 근육이며 데이터 프로토콜은 신경이다. 세 가지가 맞아야 도시 AI 영상 관제가 실제로 작동할 수 있다.

주제: AI 하드웨어 백과