프리미엄
예측대회
투자분석
아카데미
커뮤니티
Valley AI 시작하기시작하기
Valley Space인기
(serial acquirer 2편) 연쇄 인수자 공부하기
퀄리티기업연구소산업분석

(serial acquirer 2편) 연쇄 인수자 공부하기

avatar
퀄리티기업연구소
2025.01.21조회수 22회
avatar
퀄리티기업연구소
구독자 1,453명구독중 113명
"투자의 질을 중시하며, 장기적 안목으로 시장을 바라봅니다. 비단 재테크뿐만 아니라 인생 전반에 걸쳐 복리의 힘을 믿고, 그 원칙을 실천에 옮기는 곳입니다. 여기서는 깊이 있는 분석과 지속 가능한 성장 전략을 공유하며, 함께 성장하는 지혜를 나눕니다."



스콧 매니지먼트는 연쇄 인수자에 대한 기초적인 글을 썼습니다.


https://blog.valley.town/@qualityinvestlab/post/678faabe4b6b54fad3bf6184


이 글은 우리가 접한 것 중 가장 훌륭한 글이며, 연쇄 인수자 정의하고 분류하고, 왜 연쇄 인수자가 매력적인지, 그리고 대체로 무엇을 찾아야 하는지를 설명하는 데 있어 환상적인 작업을 수행합니다. 아직 읽어보지 않으셨다면 이 글에서 개념을 차용할 것이므로 적극 추천합니다.


요약 버전:


- 연쇄 인수는 롤업, 플랫폼, 어큐뮬레이터, 홀드 코로 버킷화할 수 있습니다.

- 홀드-코는 시너지 효과가 없는 거의 무관한 비즈니스를 보유하는 경우입니다(예: BRK 또는 IAC).

- 롤업은 다른 쪽 끝에 있으며, 매우 높은 규모의 시너지 효과가 있는 하나의 동종 업종에 집중합니다(예: TCI/차터 또는 폐기물 연결/GFL).

- 플랫폼(퍼스트서비스 또는 다나허 등)은 몇 가지 특정 플랫폼이 있으며, 내부적으로는 더 긴밀하게 통합되어 있고 일부 시너지 효과가 있는 “라이트” 롤업과 유사하지만 대부분 높은 지식/기술 이전을 통한 개선에 중점을 둡니다.

- 어큐뮬레이터(컨스텔레이션 소프트웨어 등)는 전문성을 확보할 수 있지만 통합하거나 시너지를 추구하지 않는 여러 업종에 광범위하게 자본을 배분합니다.

- 플랫폼과 어큐뮬레이터는 장기적인 자본 복리에 가장 큰 잠재력을 가지고 있습니다.

- 주로 구조, 프로세스 및 모범 사례와 같은 질적 요소를 중심으로 훌륭한 연쇄 인수자의 몇 가지 징후가 있습니다.


플랫폼과 어큐뮬레이터의 경계는 다소 모호한 편인데, Lifco처럼 그 중간에 속하는 회사도 있고 Halma처럼 어큐뮬레이터가 플랫폼으로 진화하는 경우도 있습니다. 또한 Scott LP의 분류에 버킷을 하나 추가합니다. “찰스 리버나 스트라이커와 같은 '포트폴리오' 계열 인수자는 롤업과 플랫폼 사이에 속합니다. 이러한 기업들은 주로 고도로 효율적인 영업 조직에 제품을 추가함으로써 얻을 수 있는 매출 시너지 효과를 위해 다른 기업/기술을 인수합니다.


지난 몇 년 동안 컴파운더에 대한 투자자들의 애정이 커지면서 라이언 크래프트가 처음 이 글을 쓴 이후 달라진 한 가지 측면은 플랫폼과 어큐뮬레이터를 사는 것이 더 이상 통에서 물고기를 쏘는 것과 같지 않다는 것입니다. 5년 전인 2016년, 위의 고성능 연쇄 인수자 데이터베이스에 있는 기업들의 평균 NTM PE 비율은 약 21배였습니다. 현재는 ~36배입니다.


첫 번째 단계는 특별한 플랫폼과 어큐뮬레이터가 많이 있다는 것을 인식하는 것이었고, 두 번째 단계는 어떤 플랫폼이 장기적으로 확장하기에 가장 좋은 위치에 있고 현재 지불할 가치가 있는지를 이해하는 것이었습니다. 증액 자본에 대한 높은 수익률로 더 많은 현금 흐름을 더 오랫동안 배치하는 확장성이 핵심입니다.


(좋은) 연쇄 인수자가 특별한 이유에 대한 몇 가지 추가 생각


연쇄 인수 기업에 대한 투자의 매력은 이러한 기업이 잉여 현금 흐름의 전부 또는 대부분을 높은 수익률로 장기간 재투자하는 경향이 있다는 점입니다. 간단합니다.


연쇄 인수 기업(여러 지역에 걸쳐 하나의 사업 분야만 영위하는 롤업은 제외)은 시간이 지남에 따라 더욱 다각화된 기업이 될 수 있다는 추가적인 이점도 있습니다. 따라서 매우 우수한 연쇄 인수자는 시간이 지남에 따라 높은 수익률로 복리 효과를 낼 수 있으며 동시에 고유한 위험이 적기 때문에 매각하지 않고 포지션 규모가 성공으로 확대되는 것을 더 쉽게 만들 수 있습니다. 다나허, 로퍼, 버크셔, 컨스텔레이션은 오늘날 다양한 최종 시장과 동인을 가진 매우 다양한 수익 흐름의 집합체입니다.


투자자들은 종종 자사 주식을 많이 환매하는 기업을 찾습니다. 레버리지 환매 모델은 매우 강력할 수 있지만(차터, 오토존, NVR) 일반적인 시장 요인에 더 많이 노출될 수 있습니다. 회사가 지속적으로 FCF 대비 낮은 배수로만 거래된다면 바이백 모델은 시간이 지남에 따라 막대한 부를 창출할 수 있습니다. 하지만 주가가 급등할 때는 효과가 떨어집니다(지난 2년 동안 애플 주가가 세 배로 오른 것처럼... 누가 불평하겠습니까?). 자본 배분 프로세스에서 강력한 해자를 가진 우수한 연쇄 인수자는 일반적으로 광범위한 시장 요인에 관계없이 계속 성장할 수 있습니다. 이는 다시 복리를 오랫동안 세금 효율적으로 유지하는 데 도움이 됩니다.


우리가 정말 좋아하는 연쇄 인수 기업의 예로 북유럽의 Bergman & Beving 그룹(B&B)을 들 수 있습니다. 이 회사는 수십 년에 걸쳐 스웨덴에 환상적인 연쇄 인수자 생태계를 조성했으며, 현지 지식 파급력1을 통해 스웨덴의 자본 배분 기준을 혼자서 끌어올렸습니다(스웨덴에는 훌륭한 연쇄 인수자가 많이 있습니다!). - 곧 더 많은 소식을 전해드리겠습니다...).


사실관계는 다음과 같습니다: B&B는 1906년에 설립되어 1976년에 상장된 스웨덴의 산업 분야 기술 제품 무역 회사입니다. 1970년대에 사업을 확장하기 시작했으며 2001년에는 3개의 독립적인 상장 법인으로 분리되었습니다: 애드테크, 라거크란츠, 그리고 버그만 앤 베빙은 그대로 남았습니다. 애드테크는 2016년에 애드라이프를 분사했고, 버그만 앤 베빙은 이후 버그만 앤 베빙과 모멘텀 그룹으로 분리되었습니다. 말론과 딜러는 그 모든 행동을 자랑스러워할 것입니다...


B&B는 1989년(가장 초기 데이터)부터 분할이 이루어진 2001년까지 약 13%의 복리로 성장했습니다. 2001년부터 2021년 초까지는 연평균 10%의 수익률을 기록했습니다. 2017년 B&B가 분사한 모멘텀 그룹은 그 이후 연평균 성장률이 22%에 달합니다. 애드테크는 2001년부터 애드라이프가 분사한 2016년 10월까지 21.5%의 연평균 성장률을 기록했으며, 그 이후부터 현재까지 34%의 연평균 성장률을 이어가고 있습니다. 애드라이프는 2016년 10월 분사 이후 현재까지 50%의 연평균 성장률을 기록했습니다. 라거크란츠는 2001년 스핀 이후 현재까지 약 21%의 CAGR을 기록했습니다. 1999년 12월 30일에 B&B에 투자하고 모든 스핀 주식을 보유했다면 약 38배의 수익을 올렸을 것입니다. 20년 동안 20%의 연평균 성장률입니다. 이 그룹은 수십 년 동안 끝이 보이지 않는 복리 자본을 축적했습니다! 매우 다양한 틈새 비즈니스의 별자리 😉에 비하면 초라하지 않습니다. 따라서 그 매력은 분명합니다.


줄어드는 M&A 수익률

버블 크기 = EBITDA 금액, USD

X축 = 지난 5년간 누적 M&A 지출의 로그 규모

Y축 = ROIC + 유기적 매출 성장률의 50%


차트에서 최적의 선의 도움을 받지 않아도 인수 기업의 나이가 많아지고 재투자할 수 있는 현금 흐름의 규모가 커짐에 따라 상황이 내리막길로 접어든다는 것을 알 수 있습니다.


당면한 문제는 다음과 같습니다.


(1) 광범위한 TAM(플랫폼, 어큐뮬레이터)을 쫓는 경우 M&A를 확장하기가 매우 어렵다는 점입니다,


(2) 좁은 TAM은 경쟁이 매우 치열해져 초과 수익이 경쟁에서 사라질 수 있습니다(롤업, 포트폴리오).


다나허나 로퍼의 규모에서 평균 거래 규모가 5억~10억 달러이고 평균 EV/EBITA가 20배에 가까울 때 장기적으로 두 자릿수 RoIC를 달성하기는 상당히 어렵습니다.


이는 M&A 수익률 감소라는 기본적이지만 강력한 법칙으로 이어집니다:


a) 평균 딜 규모가 커지고 b) 재투자해야 하는 연간 현금 흐름의 양이 증가함에 따라 자본 수익률의 증분은 감소합니다.


-----


지나치게 단순화하는 것은 위험할 수 있으며, 특히 산업 전반에 걸쳐 기업 그룹을 몇 가지 지표로 축소하는 것은 일반적으로 그다지 도움이 되지 않습니다. 그러나 두 가지 강력한 지표를 종합하면 대부분의 연쇄 인수 기업에 대해 많은 것을 알 수 있습니다. 그 지표는 (1) 다년간 M&A에 대한 누적 지출액과 (2) RoIC + ½의 유기적 매출 성장률입니다. 위 차트에 표시된 여러 우량 연쇄 인수 기업의 지표가 바로 이 두 가지입니다.


참고: 비하인드 스토리 모델링은 생략하겠습니다. 유기적 성장률의 ½을 사용한 이유는 딜 수준의 IRR, 즉 1일차 FCF 수익률 + 인수 후 성장률의 근사치를 구하기 위해서입니다. ROIC는 약간 상향 편향되어 있습니다. 과거 장부가치는 수년 전에 이루어진 인수를 반영하며, 자회사가 건전한 ROTIC에서 적절한 유기적 성장을 하는 한, 시간이 지남에 따라 회사의 ROIC가 자연스럽게 증가하게 됩니다. 따라서 이를 보완하기 위해 조직 성장률을 임의로 하향 조정합니다. 이는 과학적으로 정확한 수치는 아니며 대략적인 추정치일 뿐입니다. (하지만 우리 중 한 명은 다른 한 명보다 약간 더 청교도적인 사람으로서 단순히 'ROIC + OrgGr'이라는 마크 레너드 척도를 ...

회원가입만 해도
이 글을 무료로 읽을 수 있어요.

Basic 7일 무료 체험 시작하기
이미 계정이 있으신가요?로그인하기
댓글 1개
avatar
와사비
2025.02.19

이번 시리즈 정말 너무 좋네요!! 덕분에 양질의 글 많이 읽고 참고하고 있습니다. 항상 감사합니다.

산업분석 카테고리의 다른글

(serial acquirer 1편) 연쇄 인수자

2020년 1월 저는 몇 가지 비즈니스 모델 또는 프레임워크에 집중하고 이러한 모델이 전 세계적으로 어떻게 작동하는지 이해하려고 노력합니다. 이러한 집중은 손익 계산서나 대차 대조표의 세부 항목에서 도출하기는 어렵지만 향후 매우 중요할 수 있는 인사이트를 발견하는 데 도움이 될 때가 있습니다. 저는 프레임워크를 생각할 때 전 세계의 기업을 연구하는데, 예를 들어 마켓플레이스로서 호주에 본사를 둔 REA Group, 능숙한 연쇄 인수자로서의 캐나다의 Constellation Software, 저가형 파괴자로서의 미국의 Costco 등을 연구합니다. 하지만 저는 돈을 투자하는 데 있어서는 유럽을 선호합니다. 저는 자본을 배분하고 주주를 파트너로 대할 때 '제대로' 하는 기업에 집중합니다. 현명한 자본 배분 프레임워크는 회사의 자산이 되는 인내심 있고 합리적인 주주를 유치할 수 있습니다. 이와 관련하여 긍정적인 피드백 루프를 만들 수 있지만, 이를 시도하는 기업은 극소수에 불과합니다. 마찬가지로 중요하지만 부정적인 결과를 초래할 수 있는 잘못된 경영진이나 주주 기반은 훌륭한 투자 기회를 망칠 수 있습니다. 이러한 질적 측면에 대한 지식을 습득하는 데는 시간이 걸리며, 유럽은 이러한 측면에서 제가 가장 큰 가치를 창출할 수 있는 곳입니다. 연쇄 인수자의 정의 및 분류 제가 팔로우하는 기업 중 약 1/3이 연쇄 인수 기업입니다. 이러한 기업들은 경쟁 우위를 가지고 있지만 창출되는 잉여 현금 흐름을 실질적으로 흡수할 수 있는 충분한 유기적 재투자 기회가 부족한 비즈니스를 운영합니다. 하지만 유능한 경영진은 회사의 자본 비용보다 더 높은 수익률을 창출하는 가격으로 사모 시장에서 새로운 비즈니스를 인수할 수 있습니다. 따라서 주주에게 직접 현금을 분배하는 대신 향후 인수를 위해 현금의 대부분을 보유합니다. 전자기계 부품 유통업체인 Addtech, 상업용 시장을 위한 잠금장치 및 보안 솔루션 분야의 세계적인 선도업체인 Assa Abloy, 틈새 산업 수직 소프트웨어 제공업체인 Vitec Software와 같은 기업이 파트너십 포트폴리오의 30%를 차지하고 있습니다. 각 회사의 입지를 고려할 때 제가 이 회사들을 어떻게 분류했는지 공유하고자 합니다. 우선, 저는 연쇄 인수자 카테고리를 크게 롤업, 플랫폼, 어큐뮬레이터, 지주회사 등 자체적으로 정의된 버킷으로 세분화했습니다. 아래 표에서는 각 유형에 대해 간략하게 설명합니다: 제 경험상 이 두 가지 버킷은 다른 버킷보다 더 좋은 기회를 제공하는 경향이 있었습니다. 구체적으로 저는 플랫폼과 어큐뮬레이터를 대상으로 하지만 롤업과 지주회사는 피합니다. 저는 다음과 같은 산업을 찾고 있습니다: - 소규모 기업은 독립적으로도 좋은 비즈니스가 될 수 있습니다(일반적으로 통합 중심의 롤업은 제외). - 소수 주주, 경영진, 고객과의 접점(일반적으로 지주회사는 제외) 사이에 직접적인 시선이 존재합니다. 플랫폼과 어큐뮬레이터 모두 작동할 수 있습니다. 저는 연쇄 인수자의 운영 통합 수준에 대한 정답이 있다고 생각하지 않으며, 접근 방식은 업계 환경에 따라 달라져야 하고 실제로도 다릅니다. 예를 들어, 아사아블로이는 현지 시장 요구 사항에 맞게 조정된 공유 기능을 갖춘 다양한 잠금 제품을 생산합니다. 이 회사는 5년 동안 공급업체 수를 약 9,000개에서 7,000개로 28% 줄였습니다. 반면, 애드테크의 비즈니스는 대부분 부가가치 유통으로 설명할 수 있으며, 내부에서 생산이 제한적으로 이루어지거나 공동 소싱의 가능성이 거의 없습니다. 따라서 애드테크의 자회사는 아싸보다 더 분산된 방식으로 운영됩니다. 각 자회사의 성공 비결은 고객 관계가 조직 내에서 낮은 수준으로 유지된다는 점입니다. 제품 선택, 개발, 마케팅에 있어 기업가적 독립성을 유지하는 것이 두 경우 모두에서 중요한 차별화 요소입니다. 세계 최대의 독립적인 FAA 승인 항공우주 부품 공급업체인 Heico의 공동 대표인 Eric Mendelson은 이러한 유형의 설정의 중요성을 강조했습니다: 우리의 가장 큰 경쟁 우위는 우리의 조직 구조라고 생각합니다. 모든 의사 결정이 제 책상 한 켠에 있는 단일 기업이 아니라, 저보다 더 많은 것을 알고 있는 25명의 유능한 직원들이 비행 지원팀 내에서 의사 결정을 내립니다. 저희는 이들의 헌신에 정말 감사하고 있습니다. 그들은 자신의 사업체를 100% 소유한 것처럼 대합니다. 이들은 각자의 비즈니스에 대해 매우 감정적으로 임하고 있으며, 앞으로 다양한 분야에서 놀라운 성장 기회를 갖게 될 것입니다. [1] 위의 내용을 염두에 두고 다음 표는 시간이 지남에 따라 매력적인 재무 수익을 창출하는 능력을 입증한 다양한 유럽 플랫폼과 어큐뮬레이터의 조합을 강조합니다. ‍이러한 기업은 매력적인 수익률로 많은 자본을 잠재적으로 투자할 수 있고 때로는 간과되거나 과소평가되는 두 가지 속성을 결합한 흥미로운 투자 후보입니다. 다음 단락에서는 투자 기회에 대해 논의하고, 간과할 수 있는 이유를 강조하며,특정 기업에서 제가 찾는 속성을 자세히 설명합니다. 능숙한 연쇄 인수자가 자본을 재배치하는 방법 이러한 산업에서 제품의 전문성은 기업이 인접 시장으로 완전히 확장하는 데 성공하기가 어려울 수 있음을 의미합니다. 따라서 인플레이션과 최종 시장에 대한 본질적인 노출로 인해 유기적 성장률이 제한될 수 있습니다. 하지만 잘 운영되는 연쇄 인수 기업은 다른 시장 부문에 진출할 수 있는 잠재력을 가지고 있습니다. 이는 기존 비즈니스에서 유기적으로 달성할 수 있는 수익률보다 낮은 수준이지만, 여전히 매력적인 기회가 될 수 있습니다. 이러한 이유로 숙련된 시리얼 인수자는 공략 가능한 시장을 확장할 수 있는 잠재력을 가지고 있다고 말할 수 있습니다. 다나허의 오랜 CEO인 래리 컬프는 명확하게 정의되어 있지만 상당한 여유를 허용하는 기준을 사용하여 시장에서 무엇을 찾아야 하는지 설명했습니다: 첫째, 시장 규모가 10억 달러를 넘어야 합니다. 둘째, 핵심 시장 성장률이 최소 5~7% 이상이어야 하며 과도한 주기성이나 변동성이 없어야 합니다. 여기서는 러스트벨트 및 실리콘밸리 기업은 제외됩니다. 셋째, 매출 규모가 2500만~1억 달러에 달하고, 오버헤드 없이도 제품을 인수할 수 있는 롱테일 참여자가 있는 파편화된 산업을 찾습니다. 넷째, 도요타나 마이크로소프트와 같은 뛰어난 경쟁자는 피합니다. ...
산업분석
2025. 01. 21
3
8
24
(serial acquirer 1편) 연쇄 인수자

추론 반도체에 대한 심층 분석

파괴적 혁신 이론에 따르면 파괴적 기술은 성능이 과잉 공급된 시장을 겨냥하여 훨씬 적은 기능으로 훨씬 낮은 가격으로 시장에 새로운 접근 방식을 제공합니다. 즉, 현재 시장을 선도하는 기술은 대부분의 고객이 필요로 하는 것보다 더 많은 기능을 제공합니다. 이론적으로 추론 반도체는 여기에 완벽하게 부합합니다. 추론 반도체는 추론에 필요하지 않은 반도체를 모두 제거하여 유연성과 성능을 맞바꿉니다. 추론 시장이 빠르게 성장하고 컴퓨팅 시간이 트레이닝에서 추론으로 계속 이동함에 따라 추론 반도체 공급업체는 유리한 위치를 점하고 있습니다! 실제로 엔비디아의 혁신, 반복 주기, 수만 명의 엔지니어, 수십억 달러의 R&D 투자로 인해 스타트업이 경쟁하기는 쉽지 않습니다. 하지만 시장 기회가 워낙 크기 때문에 성공하면 큰 성공을 거둘 수 있다는 전형적인 VC의 가치 제안을 만들어냅니다. 이 분야의 기업들이 해결해야 할 세 가지 주요 과제는 다음과 같습니다: 1. 메모리 벽 및 확장성: 최첨단 모델의 메모리 요구 사항을 관리하는 방법과 이를 고려한 멀티칩 시스템을 구축하는 방법. 2. 소프트웨어 및 활용: 칩을 프로그래밍 가능하게 만드는 방법. 3. GTM 문제: 지속 가능한 시장 출시 전략(즉, 누구에게 판매할지) 파악하기. 주의할 점: 소형 맞춤형 모델이 AI 애플리케이션의 기본이 된다면, 이는 이러한 기업에게 시장을 열어주는 열쇠가 될 것이며, 가치 소품은 훨씬 더 매력적이 될 것입니다. 이 보고서의 나머지 부분에서는 추론 반도체의 환경과 기술적 접근 방식, 그리고 목표를 달성하기 위해 극복해야 할 문제에 대해 자세히 살펴봅니다. 여기에서 시장 환경을 미리 살펴보세요: 1. 추론 칩은 왜 필요하고 어떻게 작동할까요? 추론 반도체가 존재해야 하는 이유에 대한 논리는 간단합니다. 추론 반도체는 좁은 범위의 사용 사례에 특화되어 범용성을 희생하는 대신 성능 향상을 제공합니다. 전문화가 성능 향상을 가져와야 하며, 추론 시장이 충분히 크다면 해당 분야에 기업이 설립되어야 합니다. 추론 반도체의 핵심은 반도체에서 추론에 필요하지 않은 모든 것을 잘라내는 것입니다(따라서 기본적으로 행렬 곱셈기가 됩니다). 이를 어떻게 달성하는지 이해하기 위해 반도체 아키텍처에 대한 간략한 개요를 제공하겠습니다(더 자세한 분석은 Irrational Analysis의 Cerebras에 대한 훌륭한 분석을 읽어보실 수 있습니다): 반도체의 핵심은 다음과 같이 정의됩니다: 1. 원시 컴퓨팅 성능(코어 수 및 코어의 전력) 2. 유연성(칩이 실행할 수 있는 다양한 작업) 3. 메모리 용량 및 코어가 메모리에 액세스하는 방식(메모리 계층 구조) 다른 칩과 통신하는 방식, 소프트웨어가 칩과 상호 작용하는 방식 등 다른 변수들도 중요하지만, 간단히 말하자면 컴퓨팅 성능, 유연성, 메모리 관리입니다. 전통적으로 CPU는 다양한 연산을 실행할 수 있는 소수의 고성능 코어로 구성됩니다. 반면 GPU는 단순한 연산만 실행할 수 있는 방대한 양의 코어를 가지고 있습니다. AI 반도체의 경우 메모리 계층 구조가 특히 중요합니다: 각 코어 안에는 아주 적은 양의 정보를 저장하는 레지스터가 있습니다. 예를 들어 즉시 계산할 입력 데이터를 저장할 수 있습니다. 그리고 또 다른 형태의 온칩 메모리인 SRAM이 있습니다. 온칩 메모리는 지연 시간이 가장 짧고 전력 소비가 가장 적습니다. 참고로 Google의 TPU는 온칩보다 오프칩에서 데이터에 액세스하는 데 200배 더 많은 에너지를 사용합니다. 문제는 반도체의 공간이 한정되어 있다는 것입니다! 따라서 온칩 메모리가 많을수록 더 적은 컴퓨팅을 사용할 수 있습니다. 따라서 다른 모든 데이터는 반도체 외부에 저장해야 합니다. GPU의 경우 고대역폭 메모리 또는 HBM은 가장 낮은 오프칩 메모리 지연 시간을 제공하기 때문에 수요가 높습니다. 여기서 Nvidia GPU가 메모리에 액세스하는 방법을 볼 수 있습니다(SM은 컴퓨팅 코어입니다): 복잡할 수 있지만 중요한 내용입니다. 정말 중요합니다! GPU는 학습과 추론 모두에 사용해야 합니다. 훈련은 추론보다 더 복잡한 경향이 있습니다. 신경망 훈련의 목표는 주어진 데이터 세트(모델링하려는 실제 현상과 유사한)를 가장 정확하게 표현하는 것입니다. 이를 위해서는 데이터의 포워드 패싱과 백워드 패싱, 모델의 매개변수에 대한 미분 계산, 모델 가중치의 지속적인 업데이트가 필요합니다. 이러한 다양한 연산에는 더 많은 유연성이 필요합니다. 반면 추론은 행렬 곱셈을 중심으로 구축된 보다 단순한 워크플로우입니다. 회로 수준에서 이는 추론 반도체에 많은 곱셈 및 덧셈 기능이 필요하다는 것을 의미합니다(예: 융합 곱셈-가산 회로). 많은 추론 칩 접근 방식은 이러한 회로의 양을 최대화하기 위해 제어 로직(회로에 명령을 내리는 반도체의 일부)을 잘라냅니다. 즉, 유연성은 훨씬 떨어지지만 ...

비정형 데이터 환경

제네레이티브 밸류를 처음부터 꾸준히 읽어주신 분들께는 (첫째, 초기 기사를 읽게 해서 죄송합니다) 둘째, 초기 기사의 대부분이 데이터 산업에 관한 것이었습니다! 데이터는 투자자와 창업자 모두에게 훌륭한 분야였습니다. 빅 테크부터 리틀 테크(초기 단계의 스타트업), Snowflake & Databricks와 같은 데이터 플랫폼(중견 테크?)에 이르기까지, 기업들은 수백억 달러 상당의 데이터 제품을 판매하여 소프트웨어의 부상을 촉진했습니다. 제 데이터 기사 포트폴리오(데이터 산업, 데이터 웨어하우스, 데이터베이스, 데이터 레이크하우스)에서 한 가지 눈에 띄는 격차는 비정형 데이터 환경입니다. 오늘 이 문제를 해결하려고 합니다. 이보다 더 좋은 타이밍이 있을까요! 지난주 Jensen은 “일반 로보틱스를 위한 ChatGPT의 순간이 얼마 남지 않았습니다.”라고 말했습니다. Nvidia는 실제 세계 모델인 Cosmos를 출시했습니다. SpaceX는 점점 더 많은 지리 공간 데이터를 생성하며 빠른 상승세를 이어가고 있습니다. 자율주행차와 차량은 계속해서 자율 주행에 가까워지고 있습니다. 그것만으로는 충분하지 않다면, 새로운 AI 애플리케이션의 물결은 비정형 데이터를 기반으로 구축됩니다! 또한 텍스트 데이터는 마지막 개척지라고 할 수 있습니다. 일리야는 “우리는 데이터의 정점에 도달했고 더 이상은 없을 것”이라고 말했습니다. 제 생각을 요약하면 다음과 같습니다: 1. 대량의 비정형 데이터를 효율적으로 처리할 수 있도록 비정형 데이터와 관련된 혁신이 점점 더 많아질 것입니다. 2. 데이터 플랫폼의 유통 네트워크에 가치가 창출될 것입니다(오픈소스의 캐치-22에 대해서는 나중에 자세히 설명하겠습니다!). 3. 대규모 비정형 데이터의 처리 및 저장과 관련된 매우 구체적인 문제를 해결하는 스타트업에게 가치가 창출될 것입니다. 더 자세한 내용이 궁금하신 분들을 위해 비정형 데이터 생태계와 현재 AI의 물결로 인해 가치가 창출될 수 있는 분야에 대해 심층적으로 살펴볼 예정입니다. 1. 비정형 데이터에 대한 간략한 소개 비정형 데이터는 SQL 데이터베이스에 표 형식으로 저장되지 않은 모든 데이터를 광범위하게 포괄합니다. 예를 들면 텍스트, 이미지, 오디오, 비디오, 센서, 지리공간 데이터 등이 있습니다. 여기서 에코시스템을 시각화할 수 있습니다: 시장을 크게 다음과 같은 카테고리로 분류할 수 있습니다: 1. 소스: PDF, Word 문서, 이메일, 오디오 및 비디오와 같은 형식의 원시 데이터. 2. 수집: 소스에서 스토리지로 데이터를 옮기는 작업. 여기에는 소스에서 데이터 추출, 구문 분석(비정형 소스에서 정형 데이터 추출), 해당 데이터를 스토리지에 로드하는 작업이 포함됩니다. 3. 처리 및 변환: 원시 데이터를 분석할 수 있는 상태로 변환하는 작업입니다. 여기에는 정리, 중복 제거, 필터링, 임베딩이 포함될 수 있습니다. 복잡하거나 규모가 큰 데이터 세트의 경우, Spark, Flink, Ray 또는 Daft와 같은 컴퓨팅 엔진이 사용됩니다. 이러한 프레임워크는 데이터 작업을 보다 효율적으로 실행할 수 있는 수단을 제공합니다. 4. 스토리지: 비정형 데이터를 사용할 수 있도록 저장합니다. 대부분의 비정형 데이터는 클라우드 오브젝트 스토리지에 저장됩니다. 데이터는 객체를 가리키는 고유 ID와 함께 객체에 원시 데이터로 저장됩니다. 애플리케이션의 경우, 비정형 데이터는 NoSQL 또는 벡터 데이터베이스에 저장됩니다. 5. 최종 용도: 일반적인 사용 사례는 비정형 데이터의 일부 분석, 일부 애플리케이션 또는 모델 학습이나 추론을 위한 검색입니다. 더 깊이 들어가기 전에, 오늘날의 선두 주자인 MongoDB와 데이터브릭스의 발전을 포함하여 이 분야의 역사에 대해 논의해야 합니다. 2. 비정형 데이터의 요약된 역사 이 정보의 대부분은 여기에서 확인할 수 있는 데이터에 관한 일련의 게시물에서 나온 것입니다. 비정형 데이터의 증가는 크게 세 가지 추세로 이루어져 있습니다: 1. 비정형 데이터의 지속적인 기하급수적 증가. 2. 이러한 데이터를 저장하는 도구, 즉 NoSQL 데이터베이스. 3. 대량의 데이터를 처리하기 위한 도구, 즉 Apache Spark. 이러한 부상은 사실 인터넷에서 시작되었으므로 여기서부터 시작하겠습니다. 인터넷, NoSQL의 탄생, 그리고 “빅 데이터”의 부상 인터넷은 비정형 데이터의 확산으로 이어졌습니다. 점점 더 많은 웹사이트와 사용자가 주로 텍스트 형태의 데이터를 생성했고, 시간이 지나면서 비디오와 오디오로까지 그 범위가 확대되었습니다. 2000년대 들어 이러한 유형의 데이터를 처리하기...

EDA 입문서: 반도체용 소프트웨어 from EricFlaningam

케이던스와 시놉시스는 지난 10년간 세계에서 가장 수익률이 좋은 주식 중 두 곳입니다. Cadence와 Synopsys의 연간 수익률은 각각 33%와 29%입니다(배당금 제외). 이 두 회사는 미국의 중요한 전략적 자산일 뿐만 아니라 세계에서 가장 방어력이 뛰어난 소프트웨어 회사 중 하나가 되었습니다. 오늘날 이들의 이야기는 매우 긍정적입니다. 10~15년 전에는? 앞으로 나아갈 길은 그렇게 명확하지 않았습니다. 특히 2000년대 들어 가격 책정과 실행에 어려움을 겪었던 케이던스는 KKR의 사모펀드 인수를 검토하는 지경에 이르렀습니다. 2009년 립-부 탄이 회사를 인수했고, 그 이후 주가는 대부분 상승세를 타고 있습니다. 진정한 기대치 투자 스타일에서는 낮은 기대치 + 훌륭한 펀더멘털 성과가 놀라운 수익률 상황을 만들어 냈습니다. “당신이 들어본 적 없는 가장 중요한 회사"라는 표현이 과장된 측면이 있지만, Synopsys와 Cadence Design Systems는 확실히 그 대화에 포함될 수 있습니다. 이 두 회사는 Siemens EDA와 함께 반도체 설계에 사용되는 소프트웨어인 전자 설계 자동화(EDA) 산업에서 독과점적 지위를 누리고 있습니다. 전 세계 모든 주요 반도체 회사가 이 소프트웨어를 사용합니다. 즉, 우리가 사용하는 모든 주요 기술은 이 회사들에 의존하고 있습니다. 그 덕분에 Synopsys와 Cadence는 (1) 지난 10년간 시장에서 가장 높은 수익률을 기록했고, (2) 시장에서 가장 높은 밸류에이션을 받았습니다. 이 글은 전자 설계 자동화(EDA) 산업과 주요 업체, 그리고 그 미래에 대한 여러 편의 시리즈 중 첫 번째 글입니다. 1. EDA의 개요 및 반도체 에코시스템에서의 위치 전자 설계 자동화(EDA) 툴은 반도체를 설계하는 데 사용되는 소프트웨어입니다. Nvidia와 같은 반도체 설계 회사는 이러한 도구를 사용하여 칩을 설계하고 TSMC에서 제작하기 전에 성능을 시뮬레이션합니다. 또한 반도체 IP의 '빌딩 블록'도 판매합니다. 기업이 칩을 설계할 때 Wi-Fi 및 USB 상호 작용을 다시 설계하는 대신 해당 기능에 대한 IP를 구입하여 설계에 포함시킬 수 있습니다. 아래에서 생태계 내에서의 위치를 확인할 수 있습니다: 반도체를 설계하는 과정은 다음과 같습니다: 1. 요구 사항 수집 및 시스템 설계 다른 물리적 제품과 마찬가지로 칩 설계의 첫 번째 단계는 칩이 달성해야 하는 목표를 정의하는 것입니다. 칩이 무엇을 하고, 어떻게 사용될 것이며, 이러한 목표를 달성하기 위해 어떤 성능 메트릭을 충족해야 할까요? 이 모든 것은 고객이 요구하는 사항과 칩의 사용 사례에 따라 결정됩니다. 기업은 설계로 넘어가기 전에 모든 요구 사항이 포함된 사양서를 정의합니다. 2. 로직 설계 및 RTL(레지스터 전송 레벨) 코딩 다음으로 디자이너 팀이 로직 또는 회로 설계를 시작합니다. 이들은 칩의 상위 레벨 빌딩 블록을 지정하고 Verilog와 같은 코딩 언어를 사용하여 해당 빌딩 블록의 로직을 정의합니다. 이러한 빌딩 블록에는 논리 회로, 메모리 회로, 칩 안팎의 데이터 흐름을 관리하는 입출력 인터페이스와 같은 블록이 포함됩니다. 예를 들어, 로직 블록에는 여러 메모리 블록의 데이터가 필요하며 이러한 작업은 칩 전체에서 동기화되어야 하므로 RTL 설계는 데이터가 칩을 통해 어떻게 흐르는지 정의해야 합니다. 최종 결과는 로직 및 메모리 회로가 함께 배선된 '청사진'입니다. 3. 로직 합성 칩은 모든 회로를 수작업으로 설계하기에는 너무 복잡하기 때문에 설계자는 로직 합성 도구를 사용하여 RTL 코드를 칩의 논리적 표현을 만드는 게이트의 '넷리스트'로 변환합니다. 이러한 게이트는 반도체가 정보를 처리할 수 있는 경로를 생성하며, (AND, OR, NOR) 및 플립플롭(1 또는 0 상태의 메모리 유닛)과 같은 논리 함수로 구성됩니다: 4. 물리적 회로 설계 논리 설계가 끝나면 넷리스트는 네 가지 주요 단계로 구성된 물리적 설계로 넘어갑니다: 플로어플랜, 배치, 클록 트리 합성, 라우팅입니다. 플로어플래닝은 전선 길이, 면적, 전력 소비를 최소화하기 위해 칩에 큰 블록(로직, 메모리)의 대략적인 위치를 배치하는 단계입니다. 배치는 대형 블록 내에서 셀(로직 게이트 및 플립플롭)의 정확한 위치를 결정합니다. 클록 트리 합성은 회로의 데이터 흐름을 타이밍에 맞게 최적화하기 위해 분배 네트워크를 생성합니다. 예를 들어 논리 회로에 여러 메모리 유닛의 데이터가 필요한 경우 데이터가 동시에 논리 회로에 도착해야 합니다. 데이터 버퍼 또는 인버터를 삽입하여 칩 전체에 클럭 신호를 분배합니다. 마지막으로 라우팅은 칩에 배선을 배치하여 전선 길이를 최소화하고 칩 내의 '누화' 및 '기생' 효과를 최소화합니다. 5. 시뮬레이션, 검증 및 검증 칩이 설계되면 성능 요구 사항을 충족하고 TSMC와 같은 팹의 설계 규칙을 위반하지 않는지 확인하기 위해 시뮬레이션을 실시합니다. 칩은 설계 규칙 검사, 레이아웃 검증, 타이밍 분석, 파운드리 규칙 분석 등 여러 검증 단계를 거칩니다. 규칙을 위반하는 경우 설계를 수정하고 다시 검증합니다. 설계 결함으로 인한 비용은 수천만 달러에 달하며, 제품 출시가 지연될수록 수억 달러로 늘어날 수 있습니다. 검증은 반도체 설계의 주요 병목 현상 중 하나이며, 일반적으로 설계자 한 명당 1~2명의 검증 엔지니어가 있습니다. 이러한 높은 수요와 ...

AI 반도체 환경 from Eric Flaningam

지난 2년간의 엔비디아의 부상은 기술 분야의 위대한 사례 중 하나로 기록될 것입니다. 젠슨은 2006년에 가속 컴퓨팅을 구상했습니다. 그는 2023년 창립 연설에서 “2007년에 우리는 CUDA GPU 가속 컴퓨팅을 발표했습니다. 우리의 포부는 CUDA가 과학 컴퓨팅과 물리 시뮬레이션에서 이미지 처리에 이르는 다양한 애플리케이션을 향상시키는 프로그래밍 모델이 되는 것이었습니다. 새로운 컴퓨팅 모델을 만드는 것은 엄청나게 어렵고 역사상 거의 이루어지지 않았습니다. CPU 컴퓨팅 모델은 IBM System 360 이후 60년 동안 표준이 되어 왔습니다.” 그 후 15년 동안 엔비디아는 그 비전을 실행에 옮겼습니다. CUDA를 통해 머신 러닝에 GPU를 사용하는 개발자 생태계를 구축했습니다. 멜라녹스를 통해 데이터센터 네트워킹의 선두주자가 되었습니다. 그런 다음 모든 하드웨어를 서버에 통합하여 수직적으로 통합된 컴퓨팅 인 어 박스를 제공했습니다. AI 열풍이 불기 시작했을 때, 엔비디아는 AI 골드러시에서 독점적인 지위를 누리며 이를 활용할 수 있는 가장 유리한 위치에 있던 회사였습니다. 그 결과 Nvidia는 역사상 가장 성공적인 회사 중 하나로 부상했습니다. 이러한 성장과 함께 가장 큰 고객을 포함한 경쟁이 시작되었습니다. 엔비디아의 지배력을 차지하기 위해 수백억 달러가 생태계에 유입되었습니다. 이 글에서는 오늘날의 생태계와 앞으로의 전망에 대해 간략히 살펴보겠습니다. 더 깊이 들어가기 전에 생태계를 어떻게 구성하는지 간략히 살펴보겠습니다: 지난 2년간의 엔비디아의 부상은 기술 분야의 위대한 사례 중 하나로 기록될 것입니다. 젠슨은 2006년에 가속 컴퓨팅을 구상했습니다. 그는 2023년 창립 연설에서 “2007년에 우리는 CUDA GPU 가속 컴퓨팅을 발표했습니다. 우리의 포부는 CUDA가 과학 컴퓨팅과 물리 시뮬레이션에서 이미지 처리에 이르는 다양한 애플리케이션을 향상시키는 프로그래밍 모델이 되는 것이었습니다. 새로운 컴퓨팅 모델을 만드는 것은 엄청나게 어렵고 역사상 거의 이루어지지 않았습니다. CPU 컴퓨팅 모델은 IBM System 360 이후 60년 동안 표준이 되어 왔습니다.” 그 후 15년 동안 엔비디아는 그 비전을 실행에 옮겼습니다. CUDA를 통해 머신 러닝에 GPU를 사용하는 개발자 생태계를 구축했습니다. 멜라녹스를 통해 데이터센터 네트워킹의 선두주자가 되었습니다. 그런 다음 모든 하드웨어를 서버에 통합하여 수직적으로 통합된 컴퓨팅 인 어 박스를 제공했습니다. AI 열풍이 불기 시작했을 때, 엔비디아는 AI 골드러시에서 독점적인 지위를 누리며 이를 활용할 수 있는 가장 유리한 위치에 있던 회사였습니다. 그 결과 Nvidia는 역사상 가장 성공적인 회사 중 하나로 부상했습니다. 이러한 성장과 함께 가장 큰 고객을 포함한 경쟁이 시작되었습니다. 엔비디아의 지배력을 차지하기 위해 수백억 달러가 생태계에 유입되었습니다. 이 글에서는 오늘날의 생태계와 앞으로의 전망에 대해 간략히 살펴보겠습니다. 더 깊이 들어가기 전에 생태계를 어떻게 구성하는지 간략히 살펴보겠습니다: 1. AI 가속기에 대한 몇 가지 배경 매우 높은 수준에서 모든 논리 반도체에는 다음과 같은 부품이 있습니다: 1. 컴퓨팅 코어 - 실제 컴퓨팅 연산을 실행합니다. 2. 메모리 - 컴퓨팅 코어에 전달할 데이터를 저장합니다.  3. 캐시 - 빠르게 검색할 수 있는 데이터를 임시로 저장합니다.  4. 제어 장치 - 다른 구성 요소의 작업 순서를 제어하고 관리합니다. 전통적으로 CPU는 범용 컴퓨터입니다. 복잡한 다단계 프로세스를 포함한 모든 계산을 실행하도록 설계되었습니다. 아래 그림과 같이 더 많은 캐시, 더 많은 제어 장치, 훨씬 더 작은 코어(CPU의 산술 논리 장치 또는 ALU)를 갖추고 있습니다. 반면에 GPU는 많은 소규모 계산 또는 병렬 처리를 위해 설계되었습니다. 처음에 GPU는 디스플레이를 로드하기 위해 많은 작은 계산을 동시에 실행해야 하는 그래픽 처리를 위해 설계되었습니다. 이러한 기본 아키텍처는 AI 워크로드에도 잘 적용되었습니다. Nvidia는 초기 GPU를 통해 프로그래밍 가능한 셰이더를 개척했으며, 모든 GPU를 프로그래밍 가능한 컴퓨터로 전환하기 위해 CUDA를 출시했습니다. GPU가 AI에 좋은 이유는 무엇인가요? 대부분의 AI 모델의 기본 단위는 신경망으로, 각 레이어에 노드가 있는 일련의 레이어입니다. 이러한 신경망은 학습 중인 데이터를 가장 정확하게 표현하기 위해 각 노드에 가중치를 부여하여 시나리오를 표현합니다. 모델이 학습되면 새로운 데이터를 모델에 제공할 수 있으며, 모델은 출력된 데이터가 무엇인지 예측할 수 있습니다(추론). 이러한 “데이터 전달”에는 행렬 곱하기 [(한 레이어, 해당 노드 및 가중치) 곱하기(다른 레이어, 해당 노드 및 가중치)]의 형태로 수많은 작은 계산이 필요합니다. 이 행렬 곱셈은 GPU와 그 병렬...
산업분석
2025. 01. 20
6
1
30
추론 반도체에 대한 심층 분석
산업분석
2025. 01. 14
6
1
32
비정형 데이터 환경
산업분석
2024. 12. 21
3
1
46
EDA 입문서: 반도체용 소프트웨어 from EricFlaningam
산업분석
2024. 11. 11
3
0
31
AI 반도체 환경 from  Eric Flaningam